CN110675930A - 一种针对非小细胞肺癌的决策方法、系统及装置 - Google Patents
一种针对非小细胞肺癌的决策方法、系统及装置 Download PDFInfo
- Publication number
- CN110675930A CN110675930A CN201910912629.6A CN201910912629A CN110675930A CN 110675930 A CN110675930 A CN 110675930A CN 201910912629 A CN201910912629 A CN 201910912629A CN 110675930 A CN110675930 A CN 110675930A
- Authority
- CN
- China
- Prior art keywords
- stage
- treatment
- decision
- data
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 208000002154 non-small cell lung carcinoma Diseases 0.000 title claims abstract description 51
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 title claims abstract description 51
- 238000011282 treatment Methods 0.000 claims abstract description 103
- 230000000694 effects Effects 0.000 claims abstract description 40
- 206010061818 Disease progression Diseases 0.000 claims abstract description 19
- 230000005750 disease progression Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000001575 pathological effect Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 230000001225 therapeutic effect Effects 0.000 claims description 8
- 206010028980 Neoplasm Diseases 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 201000011510 cancer Diseases 0.000 claims description 5
- 108010076876 Keratins Proteins 0.000 claims description 3
- 102000011782 Keratins Human genes 0.000 claims description 3
- 239000000427 antigen Substances 0.000 claims description 3
- 238000002560 therapeutic procedure Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 102100025475 Carcinoembryonic antigen-related cell adhesion molecule 5 Human genes 0.000 claims 1
- 101000914324 Homo sapiens Carcinoembryonic antigen-related cell adhesion molecule 5 Proteins 0.000 claims 1
- 101000914321 Homo sapiens Carcinoembryonic antigen-related cell adhesion molecule 7 Proteins 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 16
- 201000010099 disease Diseases 0.000 abstract description 15
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 3
- 102000012406 Carcinoembryonic Antigen Human genes 0.000 description 11
- 108010022366 Carcinoembryonic Antigen Proteins 0.000 description 11
- 238000011161 development Methods 0.000 description 8
- 108010036226 antigen CYFRA21.1 Proteins 0.000 description 7
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002512 chemotherapy Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002651 drug therapy Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000013532 laser treatment Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 238000001050 pharmacotherapy Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种针对非小细胞肺癌的决策方法、系统及装置，包括：获取患者的病理数据，包括高相关性数据Vhigh(t)和低相关性数据Vlow(t)；根据高相关性数据Vhigh(t)和低相关性数据Vlow(t)获取阶段决策值Vstage(t)；以阶段决策值Vstage(t)为依据，分析患者的疾病发展阶段；对按照疾病发展阶段治疗的患者进行治疗效果评价。本发明提出针对非小细胞肺癌的决策系统和装置，实现疾病诊断、医疗数据分析和融合，治疗建议和评估，可以帮助医生进行更快速、准确的诊断并给出可靠的决策建议。
Description
技术领域
本发明涉及非小细胞肺癌及物联网领域，具体公开了一种针对非小细胞肺癌的决策方法、系统及装置。
背景技术
计算机控制的医疗决策与数据分析已成为医疗领域的研究热点。在恶性疾病的检测、诊断和治疗决策中能发挥重要作用。发展中国家人工智能医疗系统的发展改善了发展中国家的医疗状况。借助医疗资源和人工智能医疗系统的帮助，医生能更容易做出准确的病情判断和可靠的治疗决策。因此，这些任务可以在机器辅助系统中完成。此外，物联网(IoT)可以应用于发展中国家的医疗领域。医院、患者、医生之间通过医疗通信系统进行及时有效的医疗沟通，使医生及时提交有意义的诊断信息，患者获得实时的医疗报告。因此，智能医疗系统可以有效改善医患之间不和谐的社会关系。
目前，医生通过分析病理报告中与肿瘤标志物相关的统计资料来评估和诊断非小细胞肺癌的临床分期，不仅繁琐而重复，还面临着发展中国家医疗资源严重不足的限制。。
发明内容
本发明目的在提供一种针对非小细胞肺癌的决策方法、系统及装置，以解决现有技术中存在的技术缺陷。
为实现上述目的，本发明提供了一种针对非小细胞肺癌的决策方法，包括以下步骤：
获取患者的病理数据，包括高相关性数据Vhigh(t)和低相关性数据Vlow(t)；
根据高相关性数据Vhigh(t)和低相关性数据Vlow(t)获取阶段决策值Vstage(t)；
以阶段决策值Vstage(t)为依据，分析患者的疾病发展阶段；
对按照疾病发展阶段治疗的患者进行治疗效果评价。
优选地，阶段决策值Vstage(t)表示如下：
其中，ε为诊断阈值，α和β为影响系数。
优选地，高相关性数据Vhigh(t)包括细胞角蛋白值的Vhigh-CYF(t)、表示癌胚抗原CEA值的Vhigh-CEA(t)和表示癌抗原CA-125值的Vhigh-CA(t)，低相关性数据Vlow(t)包括PET-CT数据和CT数据。
优选地，高相关性数据Vhigh(t)表示如下：
其中，ai、aj、ak为影响因子且皆大于等于0，小于等于1，ai+aj+ak＝1，
表示某区域的患癌病人平均年龄，y表示第y个人，范围为1-n。
优选地，低相关性数据Vlow(t)表示如下：
其中，
表示第i次检测中的低相关性诊断步骤。βi表示参数i因子，0＜βi＜1。在非小细胞肺癌中，参数i包括项目指标检查中的T/B、SUVmax、PSA等。它可以最多包括8个检查项目。即1≤i≤8。
优选地，对按照疾病发展阶段治疗的患者进行治疗效果评价包括以下步骤：
获取患者的治疗方案；
根据治疗方案的治疗效果分析Vstage(t)的变化量；
根据Vstage(t)进行治疗效果评价。
优选地，根据Vstage(t)进行治疗效果评价包括以下步骤：
获取当前治疗方案Cξ[k]以及阶段决策值Vstage(t)；
当Vstage(t)＜0时，目前的治疗过程无效；Vstage(t)＞Trsur时，目前的治疗过程效果显著；0＜Vstage(t)＜Trsur时，目前治疗过程产生了一定效果，但不明显，添加治疗方案Cξ[k+1]继续治疗一疗程并重新计算阶段决策值
Trsur为时间t内的诊断参数变化范围；
重复上述步骤直至治疗过程达到效果显著。
依托于上述方法，一种针对非小细胞肺癌的决策系统，包括以下模块：
第一模块：用于获取患者的病理数据，包括高相关性数据Vhigh(t)和低相关性数据Vlow(t)；
第二模块：用于根据高相关性数据Vhigh(t)和低相关性数据Vlow(t)获取阶段决策值Vstage(t)；
第三模块：用于以阶段决策值Vstage(t)为依据，分析患者的疾病发展阶段；
第四模块：用于对按照疾病发展阶段治疗的患者进行治疗效果评价。
优选地，第四模块包括：
第一单元，用于获取患者的治疗方案；
第二单元，用于根据治疗方案的治疗效果分析Vstage(t)的变化量；
第三单元，用于根据Vstage(t)进行治疗效果评价，
第三单元包括：
第一子单元，用于获取当前治疗方案Cξ[k]以及阶段决策值Vstage(t)；
第二子单元，用于当Vstage(t)＜0时，目前的治疗过程无效；Vstage(t)＞Trsur时，目前的治疗过程效果显著；0＜Vstage(t)＜Trsur时，目前治疗过程产生了一定效果，但不明显，添加治疗方案Cξ[k+1]继续治疗一疗程并重新计算阶段决策值
Trsur为时间t内的诊断参数变化范围；
第三子单元，用于重复上述步骤直至治疗过程达到效果显著。
依托于上述方法，一种针对非小细胞肺癌的决策装置，其特征在于，包括存储器和处理器；
存储器，用于存储计算机程序；
处理器，用于当执行计算机程序时，实现如上述任一的针对非小细胞肺癌的决策方法。
本发明具有以下有益效果：
1、本发明通过获取患者的病理数据，通过计算阶段决策值Vstage(t)从而辅助进行疾病发展阶段，为后续的治疗提供依据；本发明还提供了治疗效果评价方法，能够得到及时治疗效果，指导后续治疗。
2、本发明提出针对非小细胞肺癌的决策系统和装置，实现疾病诊断、医疗数据分析和融合，治疗建议和评估，可以帮助医生进行更快速、准确的诊断并给出可靠的决策建议。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是非小细胞肺癌患者发展阶段与相关数据的关系图；
图2是智能医疗系统非小细胞肺癌诊断参数和诊断决策方案的处理流程图；
图3是智能医疗系统中患者在医院的系统诊断过程图；
图4(a)是实施例1中三位患者CYFRA21-1检测结果比较；
图4(b)是实施例1中三位患者CEA检测结果比较；
图4(c)是实施例1中三位患者CA-125检测结果比较；
图5是实施例1中三位患者不同相位对比度的高相关性数据图；
图6是实施例1中三位患者非小细胞肺癌疾病发展阶段1和2的决策分析图；
图7是实施例1中医生和诊断辅助系统的诊断准确性比较。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本发明提供了一种针对非小细胞肺癌的决策方法，包括以下步骤：
S1：获取患者的病理数据，包括高相关性数据Vhigh(t)和低相关性数据Vlow(t)。
参见图1，图1显示了非小细胞肺癌发展的四个阶段，可以通过机器扫描得到的数据来分析患者所处的发展阶段。本实施例采用阶段决策值Vstage(t)表示关联诊断和数据决策诊断之间的相关性。t表示判断时间，Vhigh(t)是高相关性数据的值，反之，低相关性数据的值可以用Vlow(t)表示。高相关性数据Vhigh(t)包括细胞角蛋白(CYFRA21-1)值的Vhigh-CYF(t)、表示癌胚抗原(CEA)值的Vhigh-CEA(t)和表示癌抗原(CA-125)值的Vhigh-CA(t)。
高相关性数据Vhigh(t)表示如下：
CYF(t)、CEA(t)、CA(t)即Vhigh-CYF(t)、Vhigh-CEA(t)、Vhigh-CA(t)。
低相关性数据Vlow(t)包括PET-CT数据和CT数据。为进行精准预测，我们选择了5-8个低相关性参数加入到辅助诊断系统。在非小细胞肺癌中，低相关性参数包括T/B、SUVmax、PSA等。通过判断Vstage(t)的值，医生和患者可以获知疾病发展的阶段，相关的治疗决策也能得到及时采用。
低相关性数据Vlow(t)表示如下：
S2：根据高相关性数据Vhigh(t)和低相关性数据Vlow(t)获取阶段决策值Vstage(t)。
阶段决策值Vstage(t)可由高相关性数据值和低相关性数据值表示如下：
Vstage(t)＝αVhigh(t)+βVlow(t)。
α和β为影响系数。
S3：以阶段决策值Vstage(t)为依据，分析患者的疾病发展阶段。
当Vhigh(t)＞ε时，设定影响系数α＝1、β＝0，Vstage(t)的目标值可以表示如下：
此时表示患者已经处于晚期，对于病人来说，存活率已经很低。对于大多数非小细胞肺癌患者来说，病情处于第一阶段时很难诊断。一旦确诊就已经进入晚期，存活可能性已经非常低。当Vhigh(t)＜ε时，表明患者处于病情发展的第一或者第二阶段。
因此，阶段决策值Vstage(t)可以表示如下：
通过判断Vstage(t)的值，医生和患者可以获知疾病发展的阶段，相关的治疗决策也能得到及时采用。在非小细胞肺癌的治疗中，医生做决策时可能会关注CYFRA21-1、CEA、CA-125的值。为完成准确的预测，我们可以选择5-8个低相关性参数加入到辅助诊断系统中。比如T/B、SUVmax、PSA和在非小细胞肺癌不同阶段可以采用的其他参数。
S4：对按照疾病发展阶段治疗的患者进行治疗效果评价。在医学诊断决策中，诊断参数直接影响医生如何识别患者处于疾病发展的哪个阶段，特别是高相关性参数直接影响患者的存活。药物、物理和手术治疗都可以改变患者的健康状况，并促使生理指标朝良性发展。同时，药物治疗或术后生活方式的改变，诸如饮酒、吸烟、锻炼和睡眠，对疾病的好转也有着重要的作用。在非小细胞肺癌的治疗中，第一和第二阶段的治疗方式主要是药物治疗和生活方式的改变。对于三、四阶段病情来说，除了药物治疗和改变生活方式，手术、化疗和激光治疗也是必不可少的。每个患者采用不同的治疗方式，病情的改变情况也不尽相同。图2显示了非小细胞肺癌诊断参数和诊断决策方案的处理流程。在非小细胞肺癌的治疗中，大多治疗方法主要用在第一阶段。第一阶段有12种，第二阶段有6种。此外，第三、四阶段的治疗方法数增加到6个以上。四种主要的生活方式是饮酒、吸烟、锻炼和睡眠。本实施例设置ωi和
作为治疗方式和生活方式数据包。1≤i≤12，1≤j≤4。通过结合治疗和生活方式改变，得到方法组Tij(t)：
用一个16位矢量Tij代表一组用户，1≤i≤12，1≤j≤4。在16位编码中，1到12是治疗方法，13到16位是编码的生活方式。1表示采用包，0表示没用。Cξ[k]表示如下：
Cξ[k]＝{1，01，0，，1，1，0，0，0，0，0，0|0，1，1，1}
在非小细胞肺癌的治疗中，大量患者在医院中进行了重复诊断。大部分患者的病情在第一阶段和第二阶段。在这种方法中，每种相关参数的统计量都可以改变。为了减少存储空间，代码可简化如下：
根据上述描述，S4包括以下步骤：
通过观察高、低相关性参数值的变化来确定治疗方案的疗效。当治疗效果显著时，往往会在下个疗程中延续此治疗方案。如若效果不明显，则改变治疗方案。
S41：获取患者的治疗方案；
S42：根据治疗方案的治疗效果分析Vstage(t)的变化量；
S43：根据Vstage(t)进行治疗效果评价，包括以下步骤：
S431：获取当前治疗方案Cξ[k]以及阶段决策值Vstage(t)；
S432：当Vstage(t)＜0时，目前的治疗过程无效；Vstage(t)＞Trsur时，目前的治疗过程效果显著；0＜Vstage(t)＜Trsur时，目前治疗过程产生了一定效果，但不明显，添加治疗方案Cξ[k+1]继续治疗一疗程并重新计算阶段决策值
Trsur为时间t内的诊断参数变化范围；
S433：重复S432直至治疗过程达到效果显著。
在医疗HIS系统中，每次选择的治疗方式将由HIS系统记录。记录格式为：His：dec/ID/code，ID为患者代码。疾病发展阶段与模型分析的诊断参数和模型分析的治疗决策有关。如图3所示，医疗信息系统的操作步骤是：①患者第一次到医院被分配编号ID327，同时给他分配一个时间戳，His：day/ID327/20170102。②多重诊断结果记录为：His：dig/ID327/18891，His：：dig/ID327/18112，His：：dig/ID327/18546，His：：dig/ID327/18442。根据四项协议，当前两项合适的决策记录为：His：dec/ID327/557，His：：dec/ID327/512。医生和患者都能找到这些记录。③一段时间后，患者再次来到医院。这时医疗信息系统第二次分配时间戳His：day/ID327/20170104。④通过医生在三次诊断过程中的命令，产生了两条合适的决策记录。His：dec/ID327/212，His：dec/ID327/207。⑤重复上述操作3至7个疗程。⑥当患者第八次前往医院时，系统分配一个时间戳，His：day/ID327/20170228，此时患者的生理指标已经恢复正常，治疗过程到此结束。
通过医嘱、病历、诊断决策系统的应用，提高了诊断和治疗的速度和可供选择的程度。实现快速诊断的效果。智能医疗系统能够向医生推荐不同的治疗方案，如药物治疗、锻炼、放疗、化疗等。本研究针对大多数发展中国家人口众多与医疗资源稀缺的严重矛盾，提出了一种针对非小细胞肺癌诊断和数据概率决策的智能医疗系统。智能医疗系统大大提高了诊断精度，有利于非小细胞肺癌癌的医学数据融合和决策。当然，非小细胞肺癌的诊断系统仅仅是一个辅助系统，即使我们只需要它单纯地回答患病与否，它也不能代替医生做出对非小细胞肺癌的准确诊断。但是我们可以采用辅助诊断系统来协助医生减少工作量，仍能在一定程度上提高发展中国家医务人员的诊断效率和准确性。
依托于上述方法，一种针对非小细胞肺癌的决策系统，包括以下模块：
第一模块：用于获取患者的病理数据，包括高相关性数据Vhigh(t)和低相关性数据Vlow(t)；
第二模块：用于根据高相关性数据Vhigh(t)和低相关性数据Vlow(t)获取阶段决策值Vstage(t)；
第三模块：用于以阶段决策值Vstage(t)为依据，分析患者的疾病发展阶段；
第四模块：用于对按照疾病发展阶段治疗的患者进行治疗效果评价。
优选地，第四模块包括：
第一单元，用于获取患者的治疗方案；
第二单元，用于根据治疗方案的治疗效果分析Vstage(t)的变化量；
第三单元，用于根据Vstage(t)进行治疗效果评价，
第三单元包括：
第一子单元，用于获取当前治疗方案Cξ[k]以及阶段决策值Vstage(t)；
第二子单元，用于当Vstage(t)＜0时，目前的治疗过程无效；Vstage(t)＞Trsur时，目前的治疗过程效果显著；0＜Vstage(t)＜Trsur时，目前治疗过程产生了一定效果，但不明显，添加治疗方案Cξ[k+1]继续治疗一疗程并重新计算阶段决策值
Trsur为时间t内的诊断参数变化范围；
第三子单元，用于重复上述步骤直至治疗过程达到效果显著。
依托于上述方法，一种针对非小细胞肺癌的决策装置，其特征在于，包括存储器和处理器；
存储器，用于存储计算机程序；
处理器，用于当执行计算机程序时，实现如权利要求1-7任一的针对非小细胞肺癌的决策方法。
实施例2
本实施例中所有记录都来自教育部-中国移动联合实验室的移动健康信息。本实施例将2011年到2015年三家三甲医院的非小细胞肺癌数据进行了分类，表1显示了被合并后的非小细胞肺癌病例数据。表2和表3记录了非小细胞肺癌的数据正常范围。表4显示了三位病人在医院的各项数据测试结果。对每个患者收集了五组诊断参数，其中包括三项高相关性诊断参数和两项低相关性诊断参数。在本实施例中，所有患者年龄均为45岁到60岁之间。高相关性参数的正常数据平均为：1.8(CYFRA21-1)、5.0(CEA)、35.0(CA-125)。
表1三家三甲医院2011年至2015年非小细胞肺癌患者数据分类表
表2非小细胞肺癌中高相关性诊断和决策数据的正常值
表3非小细胞肺癌中低相关性诊断和决策数据的正常值
表4三位患者生理指标记录表
图4(a)显示了三位患者CYFRA21-1测试结果的比较。显然，可以得出结论，如果参数范围在[0,1.8]中，则CYFRA21-1是正常的。患者2和患者3的生理指标CYFRA21-1取样结果是处在正常范围内的。患者1的30次抽样结果远大于1.8，平均为35。这表明患者1患病风险很大。
图4(b)显示了三位患者CEA的分析结果。从图4(b)来看，CEA的正常范围应该在[0,5.0]。患者1的五次取样结果都在正常范围内，表明患者1的CEA指标正常。患者2和患者3的五次CEA取样结果都超出正常范围，其值均大于5。特别是患者2，其体征参数呈现超过正常值16倍的异常状态。
图4(c)显示了三位患者CA-125的分析结果。从图得知CA-125值的正常范围在0到35.0之间。三位患者的检测结果均呈现超过正常范围上限35.0的不正常状态。
根据这三位患者高相关性诊断参数的值，可以计算出作为该患者的Vhigh(t)并作为决策值。假设三个高相关性诊断参数的权重一致，相关性参数数值高的患者分布如图5所示。对3例患者的诊断决策进行了5次分析。在整个过程中，设置了三个具有相似加权因子的强相关参数：
这样，可以为每个患者计算不同的高相关性数据决策值。在图中，患者1有5个确定值在57到119之间的高相关性参数。患者1处于非小细胞肺癌合并的第二阶段，属于轻度非小细胞肺癌。患者2从第一个到第四个诊断过程中的高相关性参数决策值都大于180，这表明患者2的病情已处于第四阶段。在第五次诊断中，高相关性参数决策值介于119到180之间，表明患者的病情处于第三至第四阶段。患者3的高相关性决策值在18到57之间，在第一阶段有并发症。
通过使用高相关性参数决策值，该系统可以快速预测病人所处的疾病阶段或严重程度。因此，医生可以快速的做出治疗决策，减少了因为医生个人判断错误导致的误诊。患者1和患者2分别处于非小细胞肺癌的第一和第二阶段。为了准确制定治疗计划，针对这两位病人，结合了高相关性参数确定值法和数据分析方法，具体分析过程如下。
这两位患者有五种不同的诊断结果，分析图如图(6)所示。结合高相关性参数确定值法和低相关性参数确定值法来分析患者1和患者3。通过改变影响因素，选择了不同的治疗方法。从图(6)可以看出，在影响因子α＝0.9，β＝0.1的情况下，患者1的大面积段被高相关性参数确定值所切除，这样可以提高并发症患者的治疗水平。减少或部分缓解并发症，有助于降低患者的手术风险，减少患者的创伤，加快术后愈合。当α从0.9降至0.7，β从0.1增至0.3时，三位患者都表现出了明显的变化。从一开始就需要手术治疗逐渐转变为抗生素治疗。最后，高相关性参数校正数据可用于非小细胞肺癌的常规药物治疗。由此可以看出，采用高相关性数据决策值可以准确调整非小细胞肺癌各阶段参数，因此能促进治疗。
图7显示了诊断辅助系统的准确性。从这个数字来看，医生的决定是非常准确的。在小样本(100-500)下，准确度达到98％。在大数据样本(1000多个)中，准确率也达到88％。辅助诊断系统在小样本时准确的并不高，准确率仅为43％-59％。如果数据库中没有足够的培训数据存储，其诊断结果不足以给医生提供支持。在大数据样本中，培训数据也有所增加。当诊断数据达到5000时，准确率提高到80％以上。准确性接近医生。然而，非小细胞肺癌的诊断系统仅仅是一个辅助系统，即使只需要它单纯地回答患病与否，它也不能代替医生做出对非小细胞肺癌的准确诊断。但是当训练数据不断增长，系统诊断准确度不断提高的情况下，可以利用辅助诊断系统帮助医生减少工作量，提高工作效率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种针对非小细胞肺癌的决策方法，其特征在于，包括以下步骤：
获取患者的病理数据，包括高相关性数据Vhigh(t)和低相关性数据Vlow(t)；
根据所述高相关性数据Vhigh(t)和所述低相关性数据Vlow(t)获取阶段决策值Vstage(t)；
以所述阶段决策值Vstage(t)为依据，分析患者的疾病发展阶段；
对按照疾病发展阶段治疗的患者进行治疗效果评价。
2.根据权利要求1所述的一种针对非小细胞肺癌的决策方法，其特征在于，所述阶段决策值Vstage(t)表示如下：
其中，ε为诊断阈值，α和β为影响系数。
3.根据权利要求1所述的一种针对非小细胞肺癌的决策方法，其特征在于，所述高相关性数据Vhigh(t)包括细胞角蛋白值的Vhigh-CYF(t)、表示癌胚抗原CEA值的Vhigh-CEA(t)和表示癌抗原CA-125值的Vhigh-CA(t)，所述低相关性数据Vlow(t)包括PET-CT数据和CT数据。
4.根据权利要求3所述的一种针对非小细胞肺癌的决策方法，其特征在于，所述高相关性数据Vhigh(t)表示如下：
其中，ai、aj、ak为影响因子且皆大于等于0，小于等于1，ai+aj+ak＝1，
表示某区域的患癌病人平均年龄，y表示第y个人，范围为1-n。
5.根据权利要求3所述的一种针对非小细胞肺癌的决策方法，其特征在于，所述低相关性数据Vlow(t)表示如下：
其中，
表示第i次检测中的低相关性诊断步骤，βi表示参数i因子，0＜βi＜1。
6.根据权利要求1所述的一种针对非小细胞肺癌的决策方法，其特征在于，对按照疾病发展阶段治疗的患者进行治疗效果评价包括以下步骤：
获取患者的治疗方案；
根据所述治疗方案的治疗效果分析Vstage(t)的变化量；
根据Vstage(t)进行治疗效果评价。
7.根据权利要求1所述的一种针对非小细胞肺癌的决策方法，其特征在于，根据Vstage(t进行治疗效果评价包括以下步骤：
获取当前治疗方案Cξ[k]以及所述阶段决策值Vstage(t)；
当Vstage(t)＜0时，目前的治疗过程无效；Vstage(t)＞Trsur时,目前的治疗过程效果显著；0＜Vstage(t)＜Trsur时，目前治疗过程产生了一定效果，但不明显，添加治疗方案Cξ[k+1]继续治疗一疗程并重新计算所述所述阶段决策值
Trsur为时间t内的诊断参数变化范围；
重复上述步骤直至治疗过程达到效果显著。
8.一种针对非小细胞肺癌的决策系统，其特征在于，包括以下模块：
第一模块：用于获取患者的病理数据，包括高相关性数据Vhigh(t)和低相关性数据Vlow(t)；
第二模块：用于根据所述高相关性数据Vhigh(t)和所述低相关性数据Vlow(t)获取阶段决策值Vstage(t)；
第三模块：用于以所述阶段决策值Vstage(t)为依据，分析患者的疾病发展阶段；
第四模块：用于对按照疾病发展阶段治疗的患者进行治疗效果评价。
9.根据权利要求8所述的一种针对非小细胞肺癌的决策系统，其特征在于，所述第四模块包括：
第一单元，用于获取患者的治疗方案；
第二单元，用于根据所述治疗方案的治疗效果分析Vstage(t)的变化量；
第三单元，用于根据Vstage(t)进行治疗效果评价，
所述第三单元包括：
第一子单元，用于获取当前治疗方案Cξ[k]以及所述阶段决策值Vstage(t)；
第二子单元，用于当Vstage(t)＜0时，目前的治疗过程无效；Vstage(t)＞Trsur时,目前的治疗过程效果显著；0＜Vstage(t)＜Trsur时，目前治疗过程产生了一定效果，但不明显，添加治疗方案Cξ[k+1]继续治疗一疗程并重新计算所述所述阶段决策值
Trsur为时间t内的诊断参数变化范围；
第三子单元，用于重复上述步骤直至治疗过程达到效果显著。
10.一种针对非小细胞肺癌的决策装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1-7任一所述的针对非小细胞肺癌的决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910912629.6A CN110675930A (zh) | 2019-09-25 | 2019-09-25 | 一种针对非小细胞肺癌的决策方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910912629.6A CN110675930A (zh) | 2019-09-25 | 2019-09-25 | 一种针对非小细胞肺癌的决策方法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110675930A true CN110675930A (zh) | 2020-01-10 |
Family
ID=69078988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910912629.6A Pending CN110675930A (zh) | 2019-09-25 | 2019-09-25 | 一种针对非小细胞肺癌的决策方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675930A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022152732A1 (en) * | 2021-01-14 | 2022-07-21 | F. Hoffmann-La Roche Ag | Prognostic value of biomarkers in patients with non-small cell lung cancer having stable disease |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310105A (zh) * | 2013-06-13 | 2013-09-18 | 浙江加州国际纳米技术研究院绍兴分院 | 筛选非小细胞肺癌治疗疗效生物标记物的方法 |
| CN109033756A (zh) * | 2018-06-29 | 2018-12-18 | 迈凯基因科技有限公司 | 一种非小细胞肺癌基因变异及药物解读多数据库交互系统 |
-
2019
- 2019-09-25 CN CN201910912629.6A patent/CN110675930A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310105A (zh) * | 2013-06-13 | 2013-09-18 | 浙江加州国际纳米技术研究院绍兴分院 | 筛选非小细胞肺癌治疗疗效生物标记物的方法 |
| CN109033756A (zh) * | 2018-06-29 | 2018-12-18 | 迈凯基因科技有限公司 | 一种非小细胞肺癌基因变异及药物解读多数据库交互系统 |
Non-Patent Citations (2)
| Title |
|---|
| JIAWU 等: "Diagnosis and Data Probability Decision Based on Non-Small Cell Lung Cancer in Medical System", 《IEEE ACCESS》 * |
| 童天夫: "血清CEA和CYFRA21-1检测对ⅢB、Ⅳ期非小细胞肺癌患者化疗疗效的评估", 《国际检验医学杂志》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022152732A1 (en) * | 2021-01-14 | 2022-07-21 | F. Hoffmann-La Roche Ag | Prognostic value of biomarkers in patients with non-small cell lung cancer having stable disease |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11133111B2 (en) | Methods and systems for an artificial intelligence support network for vibrant constitutional guidance | |
| Harwerth et al. | Visual field defects and retinal ganglion cell losses in patients with glaucoma | |
| US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
| JP5785184B2 (ja) | 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術 | |
| Owens et al. | Medical decision-making: Probabilistic medical reasoning | |
| Garibaldi et al. | Incorporation of expert variability into breast cancer treatment recommendation in designing clinical protocol guided fuzzy rule system models | |
| US8929625B2 (en) | Method and device for side-effect prognosis and monitoring | |
| Sabino et al. | NSQIP analysis: increased immediate reconstruction in the treatment of breast cancer | |
| CN116777307A (zh) | 一种基于大数据的医院医生综合分析评价方法 | |
| WO2009148803A2 (en) | Methods and systems for integrated health systems | |
| CN110675930A (zh) | 一种针对非小细胞肺癌的决策方法、系统及装置 | |
| CN112151136A (zh) | 医学数据的处理方法、装置及存储介质 | |
| Shakhmametova et al. | Clinical decision support system for the respiratory diseases diagnosis | |
| CN110265118A (zh) | 一种肺部影像诊断报告质量的评估方法和系统 | |
| CN110349681A (zh) | 用于非小细胞肺癌的联合用药推荐方法、系统及装置 | |
| TW201926157A (zh) | 一種預測失能者日常生活功能之方法 | |
| Huang et al. | A new direction to promote the implementation of artificial intelligence in natural clinical settings | |
| CN118098621B (zh) | 一种中西医结合病症动物模型数据获取系统及其处理方法 | |
| Ravitch | Subjectivity in decision making: common problems and limitations | |
| TW202119429A (zh) | 可產生治療計畫書及整合病人病歷醫療資料的系統及方法 | |
| CN118173252B (zh) | 一种基于物联网技术的风湿病患者远程健康管理系统 | |
| Selcuk et al. | Advancing home healthcare through machine learning: Predicting service time for enhanced patient care | |
| Kashlova et al. | AWARENESS AND APPLICATION OF EXPRESS LABORATORY TESTS IN OUTPATIENT MEDICAL CARE | |
| CN118016270B (zh) | 一种基于互联网的宫颈癌围手术期中医护理监控方法及系统 | |
| CN118098621A (zh) | 一种中西医结合病症动物模型数据获取系统及其处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |