CN111833985B - 胰岛素剂型选择及剂量调整方法及系统 - Google Patents

胰岛素剂型选择及剂量调整方法及系统 Download PDF

Info

Publication number
CN111833985B
CN111833985B CN201910310314.4A CN201910310314A CN111833985B CN 111833985 B CN111833985 B CN 111833985B CN 201910310314 A CN201910310314 A CN 201910310314A CN 111833985 B CN111833985 B CN 111833985B
Authority
CN
China
Prior art keywords
insulin
model
point
dose
characteristic
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.)
Active
Application number
CN201910310314.4A
Other languages
English (en)
Other versions
CN111833985A (zh
Inventor
李小英
李晓牧
陈颖
蒋晶晶
赵琳
李思敏
李林峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sinomedisite Bio Tech Co Ltd
Original Assignee
Zhongshan Hospital Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongshan Hospital Fudan University filed Critical Zhongshan Hospital Fudan University
Priority to CN201910310314.4A priority Critical patent/CN111833985B/zh
Publication of CN111833985A publication Critical patent/CN111833985A/zh
Application granted granted Critical
Publication of CN111833985B publication Critical patent/CN111833985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种胰岛素剂型选择及剂量调整方法及系统，包括：以糖尿病指南/专家共识为基础，结合机器学习模型，给出适合患者的胰岛素方案，胰岛素方案包括服用胰岛素的时间和对应的胰岛素剂型；收集2型糖尿病的患者病历，每份病历包括患者住院期间的检查检验、一诉五史、医嘱、患者基本属性数据，根据病历建立特征性字段；将特征性字段代入Xgboost模型中进行机器学习训练以训练模型中的特征变量；建立胰岛素初始总剂量模型，将患者的病历的特征性字段代入Xgboost模型中进行机器学习训练以获得胰岛素初始总剂量；胰岛素划分为三种类型：基础、预混、餐时，又根据不同的注射时间划分为七种类型；建立胰岛素剂量调整模型。

Description

胰岛素剂型选择及剂量调整方法及系统
技术领域
本发明涉及胰岛素剂量调整技术领域，特别是涉及一种胰岛素剂型选择及剂量调整方法及系统。
背景技术
随着生活方式和饮食结构的改变，糖尿病呈现全球流行趋势。国际糖尿病联盟调查结果显示，2015年全球糖尿病患者达到4.15亿，预计2040年糖尿病患者将会上升至6.42亿。中国是糖尿病流行的重灾区，糖尿病患者人数高达1.14亿，给社会造成巨大经济负担。
在面对11.6％的高糖尿病患病率，糖尿病知晓率只有30.1％。而知晓糖尿病的人群，治疗率只有25.8％。接受治疗的人群，糖尿病的控制率只有39.7％。糖尿病患者良好的血糖控制可以显著降低糖尿病并发症发生风险。
尽管目前降糖药物种类繁多，然而随着病程进展，大部分2型糖尿病患者最终需要胰岛素补充治疗才能有效控制血糖水平。研究显示，中国目前34％的2型糖尿病患者在使用胰岛素，而使用胰岛素的患者平均糖化血红蛋白水平为8.21％，远远高于血糖控制目标。缺乏及时有效的胰岛素调整指导是导致血糖控制不佳的重要原因。
中国大多数糖尿病患者是在内分泌专科医生指导下调节胰岛素方案和剂量，这耗时且浪费大量社会卫生资源。同时面临日益增长的糖尿病患者，中国内分泌专科医生显得严重不足。中国糖尿病管理面临严峻问题，探讨合理的糖尿病患者管理方案是需要迫切解决的问题。而国外90％以上2型糖尿病患者由社区基层医生直接管理。中国目前的分级诊疗政策也是希望将糖尿病等慢病下放至社区，实现糖尿病患者的有效管理和资源的有效利用。然而基层医生短缺、诊治水平参差不齐、对胰岛素使用缺乏信心等现实情况，往往延误胰岛素治疗时机，或导致长期低剂量或过高剂量的胰岛素使用，导致血糖总体控制不佳。
发明内容
本发明针对现有技术存在的问题和不足，提供一种胰岛素剂型选择及剂量调整方法及系统，基于先进人工智能深度学习技术，以2型糖尿病患者胰岛素方案和剂量调整为切入点，建立规范化和个体化结合胰岛素智能辅助决策模型，旨在提升管理糖尿病患者能力，助力分级诊疗。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供一种胰岛素剂型选择及剂量调整方法，其特点在于，其包括以下步骤：
以糖尿病指南/专家共识为基础，结合机器学习模型，给出适合患者的胰岛素方案，胰岛素方案包括服用胰岛素的时间和对应的胰岛素剂型；
建立糖尿病患者数据集：收集2型糖尿病的患者病历，每份病历包括患者住院期间的检查检验、一诉五史、医嘱、患者基本属性数据，根据病历建立特征性字段；
训练糖尿病患者数据集：将特征性字段代入Xgboost模型中进行机器学习训练以训练模型中的特征变量；
建立胰岛素初始总剂量模型：Is＝fs(z)
其中，Is表示胰岛素初始总剂量，z表示特征变量，fs表示Xgboost模型，将特征性字段输入至Xgboost模型，将患者的病历的特征性字段代入Xgboost模型中进行机器学习训练以获得胰岛素初始总剂量；
胰岛素划分为三种类型：基础、预混、餐时，又根据不同的注射时间划分为七种类型：基础胰岛素6点b6、基础胰岛素21点b21、预混胰岛素6点p6、预混胰岛素16点p16、餐时胰岛素6点s6、餐时胰岛素10点s10、餐时胰岛素16点s16；
建立胰岛素剂量调整模型：Ik，t+1＝Ik，t+fk(rt+1)
其中，k属于上述7种胰岛素注射类型中的一种：k∈[b6，b21，p6，p10，s6，s10，s16]
其中，Ik，t+1是k类型胰岛素t+1日注射的注射剂量，rt+1是t+1日之前的血糖胰岛素数据解析而来的特征变量，fk是针对k类型的胰岛素类型胰岛素调整量的Xgboost模型。
较佳地，特征性字段包括：糖尿病分型、糖尿病病程、年龄、性别、WC、饮食习惯、血糖、低血糖风险现病史+既往史、BMI、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、ALT、AST、脂蛋白情况、甘油三酯、血压、糖尿病症状、以及胰岛素剂量。
较佳地，初始胰岛素剂型采取的是基础/预混两次/基础加餐时/其他四种剂型中的一种；
将四种胰岛素剂型选择通过onehot处理为多分类标签，GBDT模型根据信息增益自动选择最优特征和最优切分点，形成初始决策树，而后再用同样的方法形成补充决策树来拟合前述决策树群预测结果的偏差，直至偏差减小缓慢停止学习，模型训练过程中对子树深度m、子树个数n、衰减因子f、特征采样率r进行设定，子树类型是多分类的softmax模型。
本发明还提供一种胰岛素剂型选择及剂量调整系统，其特点在于，其包括剂型选择模块、数据收集模块、模型训练模块、剂量模型建立模块和剂量调整模块；
所述剂型选择模块用于以糖尿病指南/专家共识为基础，结合机器学习模型，给出适合患者的胰岛素方案，胰岛素方案包括服用胰岛素的时间和对应的胰岛素剂型；
所述数据收集模块用于收集2型糖尿病的患者病历，每份病历包括患者住院期间的检查检验、一诉五史、医嘱、患者基本属性数据，根据病历建立特征性字段；
所述模型训练模块用于将特征性字段代入Xgboost模型中进行机器学习训练以训练模型中的特征变量；
所述剂量模型建立模块用于建立胰岛素初始总剂量模型：Is＝fs(z)
其中，Is表示胰岛素初始总剂量，z表示特征变量，fs表示Xgboost模型，将特征性字段输入至Xgboost模型，将患者的病历的特征性字段代入Xgboost模型中进行机器学习训练以获得胰岛素初始总剂量；
胰岛素划分为三种类型：基础、预混、餐时，又根据不同的注射时间划分为七种类型：基础胰岛素6点b6、基础胰岛素21点b21、预混胰岛素6点p6、预混胰岛素16点p16、餐时胰岛素6点s6、餐时胰岛素10点s10、餐时胰岛素16点s16；
所述剂量调整模块用于建立胰岛素剂量调整模型：Ik，t+1＝Ik，t+fk(rt+1)
其中，k属于上述7中胰岛素注射类型中的一种：k∈[b6，b21，p6，p10，s6，s10，s16]
其中，Ik，t+1是k类型胰岛素t+1日注射的注射剂量，rt+1是t+1日之前的血糖胰岛素数据解析而来的特征变量，fk是针对k类型的胰岛素类型胰岛素调整量的Xgboost模型。
较佳地，特征性字段包括：糖尿病分型、糖尿病病程、年龄、性别、WC、饮食习惯、血糖、低血糖风险现病史+既往史、BMI、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、ALT、AST、脂蛋白情况、甘油三酯、血压、糖尿病症状、以及胰岛素剂量。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：
1)以临床指南和顶级专家经验为基础，制定诊疗决策基础框架，权威性高，推荐结果有很强的解释型。基于中山医院高质量疾病数据库，使用人工智能、数据挖掘相关算法分析影响胰岛素方案的风险因素、治疗方案在真实世界中的疗效分析，并构建相关的诊断及治疗模型，相对于规则树，机器学习模型更体现了治疗的个体化。这样系统可以兼具决策树的规范化及机器学习模型个体化的优点。
2)系统实时抽取当前患者疾病信息，并进行结构化和逻辑运算，推荐结果直接显示在医生工作站中，医生可以通过点击推荐结果自动开立医嘱，整个使用过程智能便捷。
3)系统应用于基层，有助于缓解基层医生短缺、诊治水平参差不齐、对胰岛素使用缺乏信心等现实情况，提升管理糖尿病患者能力，助力分级诊疗。
附图说明
图1为本发明较佳实施例的胰岛素剂型选择及剂量调整方法的流程图。
图2为本发明较佳实施例的胰岛素剂型选择及剂量调整系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例提供一种胰岛素剂型选择及剂量调整方法，其包括以下步骤：
步骤101、建立糖尿病患者数据集：收集2型糖尿病的患者病历，每份病历包括患者住院期间的检查检验、一诉五史、医嘱、患者基本属性数据，根据病历建立特征性字段。
其中，特征性字段包括：糖尿病分型、糖尿病病程、年龄、性别、WC、饮食习惯、血糖、低血糖风险现病史+既往史、BMI、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、ALT、AST、脂蛋白情况、甘油三酯、血压、糖尿病症状、以及胰岛素剂量，具体见表1：
表1
Figure BDA0002031239260000071
步骤102、训练糖尿病患者数据集：将特征性字段代入Xgboost模型中进行机器学习训练以训练模型中的特征变量。
本实施例从原始数据中抽取一部分与训练数据不同的数据作为验证数据集，以模型在验证数据集上的识别准确率作为评价模型的标准。目前模型平均偏差率0.08。
步骤103、以糖尿病指南/专家共识为基础，结合机器学习模型，给出适合患者的胰岛素方案，胰岛素方案包括服用胰岛素的时间和对应的胰岛素剂型；
初始胰岛素剂型采取的是基础/预混两次/基础加餐时/其他四种剂型中的一种。
将四种胰岛素剂型选择通过onehot处理为多分类标签，GBDT模型根据信息增益自动选择最优特征和最优切分点，形成初始决策树，而后再用同样的方法形成补充决策树来拟合前述决策树群预测结果的偏差，直至偏差减小缓慢停止学习，模型的子树深度是3层，子树个数60颗，衰减因子0.15，特征采样率0.7，子树类型是多分类的softmax模型。
步骤104、建立胰岛素初始总剂量模型：Is＝fs(z)
其中，Is表示胰岛素初始总剂量，z表示特征变量，fs表示Xgboost模型，将特征性字段输入至Xgboost模型，将患者的病历的特征性字段代入Xgboost模型中进行机器学习训练以获得胰岛素初始总剂量。
胰岛素划分为三种类型：基础、预混、餐时，又根据不同的注射时间划分为七种类型：基础胰岛素6点b6、基础胰岛素21点b21、预混胰岛素6点p6、预混胰岛素16点p16、餐时胰岛素6点s6、餐时胰岛素10点s10、餐时胰岛素16点s16。
步骤105、建立胰岛素剂量调整模型：Ik，t+1＝Ik，t+fk(rt+1)
其中，k属于上述7种胰岛素注射类型中的一种：k∈[b6，b21，p6，p10，s6，s10，s16]
其中，Ik，t+1是k类型胰岛素t+1日注射的注射剂量，rt+1是t+1日之前的血糖胰岛素数据解析而来的特征变量，fk是针对k类型的胰岛素类型胰岛素调整量的Xgboost模型。
如图2所示，本实施例还提供一种胰岛素剂型选择及剂量调整系统，其包括剂型选择模块1、数据收集模块2、模型训练模块3、剂量模型建立模块4和剂量调整模块5。
所述剂型选择模块1用于以糖尿病指南/专家共识为基础，结合机器学习模型，给出适合患者的胰岛素方案，胰岛素方案包括服用胰岛素的时间和对应的胰岛素剂型。
具体地，初始胰岛素剂型采取的是基础/预混两次/基础加餐时/其他四种剂型中的一种。
所述剂型选择模块1用于将四种胰岛素剂型选择通过onehot处理为多分类标签，GBDT模型根据信息增益自动选择最优特征和最优切分点，形成初始决策树，而后再用同样的方法形成补充决策树来拟合前述决策树群预测结果的偏差，直至偏差减小缓慢停止学习，模型的子树深度是3层，子树个数60颗，衰减因子0.15，特征采样率0.7，子树类型是多分类的softmax模型。
所述数据收集模块2用于收集2型糖尿病的患者病历，每份病历包括患者住院期间的检查检验、一诉五史、医嘱、患者基本属性数据，根据病历建立特征性字段。
其中，特征性字段包括：糖尿病分型、糖尿病病程、年龄、性别、WC、饮食习惯、血糖、低血糖风险现病史+既往史、BMI、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、ALT、AST、脂蛋白情况、甘油三酯、血压、糖尿病症状、以及胰岛素剂量。
所述模型训练模块3用于将特征性字段代入Xgboost模型中进行机器学习训练以训练模型中的特征变量。
所述剂量模型建立模块4用于建立胰岛素初始总剂量模型：Is＝fs(z)
其中，Is表示胰岛素初始总剂量，z表示特征变量，fs表示Xgboost模型，将特征性字段输入至Xgboost模型，将患者的病历的特征性字段代入Xgboost模型中进行机器学习训练以获得胰岛素初始总剂量。
胰岛素划分为三种类型：基础、预混、餐时，又根据不同的注射时间划分为七种类型：基础胰岛素6点b6、基础胰岛素21点b21、预混胰岛素6点p6、预混胰岛素16点p16、餐时胰岛素6点s6、餐时胰岛素10点s10、餐时胰岛素16点s16。
所述剂量调整模块5用于建立胰岛素剂量调整模型：Ik，t+1＝Ik，t+fk(rt+1)
其中，k属于上述7中胰岛素注射类型中的一种：k∈[b6，b21，p6，p10，s6，s10，s16]
其中，Ik，t+1是k类型胰岛素t+1日注射的注射剂量，rt+1是t+1日之前的血糖胰岛素数据解析而来的特征变量，fk是针对k类型的胰岛素类型胰岛素调整量的Xgboost模型。
本发明将糖尿病患者的病历数据代入Xgboost模型中可获得患者的胰岛素初始总剂量，根据胰岛素调整模型可获得后续每天的胰岛素调整后的剂量。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (2)

1.一种胰岛素剂型选择及剂量调整方法，其特征在于，其包括以下步骤：
建立糖尿病患者数据集：收集2型糖尿病的患者病历，每份病历包括患者住院期间的检查检验、一诉五史、医嘱、患者基本属性数据，根据病历建立特征性字段；所述特征性字段包括：糖尿病分型、糖尿病病程、年龄、性别、WC、饮食习惯、血糖、低血糖风险现病史+既往史、BMI、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、ALT、AST、脂蛋白情况、甘油三酯、血压、糖尿病症状、以及胰岛素剂量，其中，脂蛋白情况包括低密度脂蛋白、高密度脂蛋白以及非高密度脂蛋白；
训练糖尿病患者数据集：将所述特征性字段代入Xgboost模型中进行机器学习训练以训练模型中的特征变量；
以糖尿病指南/专家共识为基础，结合机器学习模型，给出适合患者的胰岛素方案，胰岛素方案包括服用胰岛素的时间和对应的胰岛素剂型；初始胰岛素剂型采取的是基础/预混两次/基础加餐时/其他四种剂型中的一种；将四种胰岛素剂型选择通过onehot处理为多分类标签，GBDT模型根据信息增益自动选择最优特征和最优切分点，形成初始决策树，而后再用同样的方法形成补充决策树来拟合前述决策树群预测结果的偏差，直至偏差减小缓慢停止学习，模型训练过程中对子树深度m、子树个数n、衰减因子f、特征采样率r进行设定，子树类型是多分类的softmax模型；
建立胰岛素初始总剂量模型：Is＝fs(z)
其中，Is表示胰岛素初始总剂量，z表示特征变量，fs表示Xgboost模型，将特征性字段输入至Xgboost模型，将患者的病历的特征性字段代入Xgboost模型中进行机器学习训练以获得胰岛素初始总剂量；
胰岛素划分为三种类型：基础、预混、餐时，又根据不同的注射时间划分为七种类型：基础胰岛素6点b6、基础胰岛素21点b21、预混胰岛素6点p6、预混胰岛素16点p16、餐时胰岛素6点s6、餐时胰岛素10点s10、餐时胰岛素16点s16；
建立胰岛素剂量调整模型：Ik，t+1＝Ik，t+fk(rt+1)
其中，k属于上述7种胰岛素注射类型中的一种：k∈[b6，b21，p6，p10，s6，s10，s16]
其中，Ik，t+1是k类型胰岛素t+1日注射的注射剂量，rt+1是t+1日之前的血糖胰岛素数据解析而来的特征变量，fk是针对k类型的胰岛素类型胰岛素调整量的Xgboost模型。
2.一种胰岛素剂型选择及剂量调整系统，其特征在于，其包括剂型选择模块、数据收集模块、模型训练模块、剂量模型建立模块和剂量调整模块；
所述数据收集模块用于收集2型糖尿病的患者病历，每份病历包括患者住院期间的检查检验、一诉五史、医嘱、患者基本属性数据，根据病历建立特征性字段；所述特征性字段包括：糖尿病分型、糖尿病病程、年龄、性别、WC、饮食习惯、血糖、低血糖风险现病史+既往史、BMI、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、ALT、AST、脂蛋白情况、甘油三酯、血压、糖尿病症状、以及胰岛素剂量，其中，脂蛋白情况包括低密度脂蛋白、高密度脂蛋白以及非高密度脂蛋白；
所述模型训练模块用于将特征性字段代入Xgboost模型中进行机器学习训练以训练模型中的特征变量；
所述剂型选择模块用于以糖尿病指南/专家共识为基础，结合进行所述机器学习训练后的Xgboost模型，给出适合患者的胰岛素方案，胰岛素方案包括服用胰岛素的时间和对应的胰岛素剂型；初始胰岛素剂型采取的是基础/预混两次/基础加餐时/其他四种剂型中的一种；所述剂型选择模块用于将四种胰岛素剂型选择通过onehot处理为多分类标签，GBDT模型根据信息增益自动选择最优特征和最优切分点，形成初始决策树，而后再用同样的方法形成补充决策树来拟合前述决策树群预测结果的偏差，直至偏差减小缓慢停止学习，模型训练过程中对子树深度m、子树个数n、衰减因子f、特征采样率r进行设定，子树类型是多分类的softmax模型；
所述剂量模型建立模块用于建立胰岛素初始总剂量模型：Is＝fs(z)
其中，Is表示胰岛素初始总剂量，z表示特征变量，fs表示Xgboost模型，将特征性字段输入至Xgboost模型，将患者的病历的特征性字段代入Xgboost模型中进行机器学习训练以获得胰岛素初始总剂量；
胰岛素划分为三种类型：基础、预混、餐时，又根据不同的注射时间划分为七种类型：基础胰岛素6点b6、基础胰岛素21点b21、预混胰岛素6点p6、预混胰岛素16点p16、餐时胰岛素6点s6、餐时胰岛素10点s10、餐时胰岛素16点s16；
所述剂量调整模块用于建立胰岛素剂量调整模型：Ik，t+1＝Ik，t+fk(rt+1)
其中，k属于上述7中胰岛素注射类型中的一种：k∈[b6，b21，p6，p10，s6，s10，s16]
其中，Ik，t+1是k类型胰岛素t+1日注射的注射剂量，rt+1是t+1日之前的血糖胰岛素数据解析而来的特征变量，fk是针对k类型的胰岛素类型胰岛素调整量的Xgboost模型。
CN201910310314.4A 2019-04-17 2019-04-17 胰岛素剂型选择及剂量调整方法及系统 Active CN111833985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910310314.4A CN111833985B (zh) 2019-04-17 2019-04-17 胰岛素剂型选择及剂量调整方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910310314.4A CN111833985B (zh) 2019-04-17 2019-04-17 胰岛素剂型选择及剂量调整方法及系统

Publications (2)

Publication Number Publication Date
CN111833985A CN111833985A (zh) 2020-10-27
CN111833985B true CN111833985B (zh) 2023-04-07

Family

ID=72914265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910310314.4A Active CN111833985B (zh) 2019-04-17 2019-04-17 胰岛素剂型选择及剂量调整方法及系统

Country Status (1)

Country Link
CN (1) CN111833985B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113270204A (zh) * 2021-06-04 2021-08-17 荣曦 一种胰岛素泵初始剂量的预测方法
WO2023111224A1 (en) * 2021-12-15 2023-06-22 Diamante Srl Apparatus for determining administrative form of a composition of an engineered virus-based nanoparticle for a treatment of an autoimmune condition
CN114464291B (zh) * 2021-12-22 2022-11-25 北京理工大学 一种基于贝叶斯优化的mdi剂量建议系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2023256A1 (en) * 2007-08-02 2009-02-11 Novo Nordisk A/S Drug administration monitoring
WO2010089306A1 (en) * 2009-02-04 2010-08-12 Sanofi-Aventis Deutschland Gmbh Medical system and method for providing glycemic control based on glycemic response information
US10646650B2 (en) * 2015-06-02 2020-05-12 Illinois Institute Of Technology Multivariable artificial pancreas method and system
CN113035322A (zh) * 2016-01-28 2021-06-25 克鲁有限公司 用于跟踪食物摄入和其它行为并提供相关反馈的方法和设备
WO2018033514A1 (en) * 2016-08-17 2018-02-22 Novo Nordisk A/S Systems and methods for adjusting a basal/bolus ratio in an insulin regimen
CN108717866B (zh) * 2018-04-03 2022-10-11 中国医学科学院肿瘤医院 一种预测放疗计划剂量分布的方法、装置、设备及存储介质
CN108831556B (zh) * 2018-06-24 2021-06-18 大连理工大学 一种连续性肾脏替代治疗过程中肝素剂量的预测方法
CN109243546B (zh) * 2018-09-07 2020-10-27 上海交通大学医学院附属新华医院 抗凝药药效优化模型的建立方法及装置

Also Published As

Publication number Publication date
CN111833985A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111833985B (zh) 胰岛素剂型选择及剂量调整方法及系统
Farrar et al. Continuous subcutaneous insulin infusion versus multiple daily injections of insulin for pregnant women with diabetes
CN105528529B (zh) 基于大数据分析的中医临床技能评价体系的数据处理方法
US10575790B2 (en) Patient diabetes monitoring system with clustering of unsupervised daily CGM profiles (or insulin profiles) and method thereof
US20210256872A1 (en) Devices, systems, and methods for predicting blood glucose levels based on a personalized blood glucose regulation model
CN113270204A (zh) 一种胰岛素泵初始剂量的预测方法
CN117275660A (zh) 一种问诊到开方的全链路ai辅助方法
Chou et al. Extracting drug utilization knowledge using self-organizing map and rough set theory
CN112712895B (zh) 针对2型糖尿病并发症的多模态大数据的数据分析方法
Caballero-Ruiz et al. Automatic classification of glycaemia measurements to enhance data interpretation in an expert system for gestational diabetes
Richardson et al. Association of QTc formula with the clinical management of patients with cancer
CN114429803A (zh) 一种基于危险因素的健康风险预警方法
Gecili et al. Functional data analysis and prediction tools for continuous glucose-monitoring studies
Yang et al. [Retracted] Investigation of Influencing Factors on the Prevalence of Retinopathy in Diabetic Patients Based on Medical Big Data
CN114356911A (zh) 基于集合划分信息量最大化的数据缺失处理方法及系统
Tan et al. A case study of medical big data processing: Data mining for the hyperuricemia
Devi et al. Performance analysis of data mining classification algorithms for early prediction of diabetes mellitus 2
CN113539424A (zh) 智能营养师精准分析比对系统
Syafaah et al. Self-Monitoring and Detection of Diabetes with Smart Toilet based on Image Processing and K-Means Technique
CN114582493A (zh) 基于西医检查指标的糖尿病中医分型系统、设备及介质
Skrøvseth et al. Statistical modeling of aggregated lifestyle and blood glucose data in type 1 diabetes patients
CN116721730B (zh) 一种基于数字疗法的患者全程管理系统
Yang Glucose trend prediction model based on improved wavelet transform and gated recurrent unit
Tan et al. A data mining approach to study risk factors of hyperuricemia
CN117038075A (zh) 糖尿病风险评估模型构建方法、膳食食疗及健康管理系统

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
TA01 Transfer of patent application right

Effective date of registration: 20210524

Address after: 100176 No.9 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: BEIJING SINOMEDISITE BIO-TECH Co.,Ltd.

Address before: 200032 Shanghai city Xuhui District Fenglin Road No. 180

Applicant before: Zhongshan Hospital, Fudan University

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210624

Address after: 200032 No. 136, Xuhui District Medical College, Shanghai

Applicant after: Zhongshan Hospital, Fudan University

Address before: 100176 No.9 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant before: BEIJING SINOMEDISITE BIO-TECH Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230913

Address after: 9 Kangding Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Patentee after: BEIJING SINOMEDISITE BIO-TECH Co.,Ltd.

Address before: 200032 No. 136, Xuhui District Medical College, Shanghai

Patentee before: ZHONGSHAN HOSPITAL, FUDAN University

TR01 Transfer of patent right