CN111834017A - 一种精神药物治疗效果预测方法，系统和装置 - Google Patents

一种精神药物治疗效果预测方法，系统和装置 Download PDF

Info

Publication number
CN111834017A
CN111834017A CN202010657417.0A CN202010657417A CN111834017A CN 111834017 A CN111834017 A CN 111834017A CN 202010657417 A CN202010657417 A CN 202010657417A CN 111834017 A CN111834017 A CN 111834017A
Authority
CN
China
Prior art keywords
psp
score
prediction
patient
features
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
Application number
CN202010657417.0A
Other languages
English (en)
Inventor
李华芳
于文娟
沈一峰
余一旻
李艳歌
张蕾
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.)
Shanghai Mental Health Center (shanghai Psychological Counseling Training Center)
Original Assignee
Shanghai Mental Health Center (shanghai Psychological Counseling Training Center)
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 Shanghai Mental Health Center (shanghai Psychological Counseling Training Center) filed Critical Shanghai Mental Health Center (shanghai Psychological Counseling Training Center)
Priority to CN202010657417.0A priority Critical patent/CN111834017A/zh
Publication of CN111834017A publication Critical patent/CN111834017A/zh
Pending legal-status Critical Current

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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种精神药物治疗效果预测方法，系统和设备，通过机器学习和大数据技术对数据进行分析挖掘，并结合不同专家的个体经验，开发精神分裂症治疗效果的预测模型，该模型通过筛选后的特征数据集训练预测模型得到精神分裂症患者治疗后PSP评分改善的预测结果，并在此基础上构建精神分裂症治疗效果预测的知识图谱，提供了精神分裂症的治疗决策的支持。

Description

一种精神药物治疗效果预测方法，系统和装置
技术领域
本发明涉及机器学习和大数据在精神分裂治疗领域的应用，具体涉及一种 精神药物治疗效果预测方法，系统和装置。
背景技术
精神分裂症由于发病机理不明，缺乏精准治疗的依据，实际临床治疗时的 药物选择和预后判断除了遵守国内和国际的临床指南外，主要取决于临床医生 的个人经验。而在实际诊疗过程中，临床指南的指导原则过于粗放，而临床医 生的经验各有侧重，这就导致相同病人在不同医院和不同医生就诊时得到的治 疗方案差别很大。
在此背景下，精神分裂症如何精准的预测不同治疗手段的症状改善情况， 从而指导治疗手段的选择，成为了精神分裂症医生迫切关注的痛点。
发明内容
本发明的目的是提供一种精神药物治疗效果预测方法，系统和装置，提供 一个基于Web平台的精神分裂症患者治疗后PSP评分改善的预测工具。
为了达到上述目的，本发明一方面提供一种精神药物治疗效果预测方法， 包括以下步骤：
获取患者病例数据；
基于患者病例数据进行筛选，获取最终PSP评分改善相关的特征；
根据筛选过的特征训练预测模型，所述预测模型根据筛选过的特征评估患 者的PSP改善情况；
构建PSP改善情况的文献知识库，所述文献知识库用以向患者提供各项特 征的相应解释，并对预测模型的预测结果给出辅助决策信息和支持信息。
进一步的，在患者病例数据的筛选过程中，还包括以下步骤；
以单因素显著性作为筛选标准，去除与最终PSP评分的差异较大的特征；
采用LASSO模型对所述特征进行进一步筛选，获取与最终PSP评分差异性 较小的特征。
进一步的，在患者的病例数据的筛选过程后，所述筛选后的特征包括：PSP 基线评分，心境稳定剂的使用情况PANSS评分，工作情况，保肝药物使用，性 别，心血管并发症情况，PANSS-G11得分，PANSS-P4得分PANSS-G15得分， PANSSG4得分。
进一步的，在预测模型的构建过程中，还包括：
以患者最终PSP评分为因变量，以筛选后的特征为自变量，建立随机森林 模型，以拟合患者最终的PSP评分结果。
进一步的，所述随机森林模型的训练过程如下，
有放回的从特征数据集合中选取数个样本，形成样本集；
利用样本集训练一棵决策树，在训练决策树过程中，每次特征分裂时从特 征矢量中随机选取数个特征元素，然后从中选择一个最优的特征作为分裂特征；
重复上述步骤，训练多棵决策树，形成随机森林；
每一棵决策树对输入的预测样本数据，均给出一个预测结果，通过投票规 则得到预测模型的最终输出结果。
进一步的，在构建PSP改善情况的文献知识库的步骤中，还包括：
获取PSP评分预测的相关文献，所述文献包括与预测特征相关的临床解释， 不同国家的精神分裂症患者；
对所述文献进行信息抽取、结构化和重组，以生成PSP评分预测的知识图 谱。
进一步的，所述知识图谱用以输出特征的各项信息，所述信息包括：
特征的临床解释；
特征在人群中的分布情况；
全球其他预测模型的输出结果。
另一方面，本发明还提供一种精神药物治疗效果预测系统，包括：
病例数据库单元，用以获取和存储患者病例数据；
特征筛选单元，用以基于患者病例数据进行筛选，获取最终PSP评分改善 相关的特征；
预测模型单元，用以根据筛选过的特征训练预测模型，所述预测模型根据 筛选过的特征评估患者的PSP改善情况；
知识图谱单元，用以构建PSP改善情况的文献知识库，所述文献知识库用 以向患者提供各项特征的相应解释，并对预测模型的预测结果给出辅助决策信 息和支持信息。
另一方面，本发明还提供一种精神药物治疗效果预测装置，包括：包括存 储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器 执行时，使得所述处理器执行如上述方法的步骤。
另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储 介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处 理器执行时使所述处理器执行如上述方法的步骤。
本发明提供一种精神药物治疗效果预测方法，系统和设备，通过机器学习 和大数据技术对数据进行分析挖掘，并结合不同专家的个体经验，开发精神分 裂症治疗效果的预测模型，该模型通过筛选后的特征数据集训练预测模型得到 精神分裂症患者治疗后PSP评分改善的预测结果，并在此基础上构建精神分裂 症治疗效果预测的知识图谱，提供了精神分裂症的治疗决策的支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的精神药物治疗效果预测方法的流程图。
图2是本发明一个实施例的特征筛选的方法流程图。
图3是本发明一个实施例的精神药物治疗效果预测系统的架构图。
图4是本发明一个实施例的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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作出创造 性劳动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。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子 集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同 子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术 领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申 请实施例的目的，不是旨在限制本申请。
本发明的目的是在于提供一个基于Web平台的精神分裂症患者治疗后PSP 评分改善的预测工具。通过机器学习和大数据技术对数据进行分析挖掘，并结 合不同专家的个体经验，开发精神分裂症治疗效果的预测模型，并在此基础上 构建精神分裂症治疗效果预测的知识图谱，提供了精神分裂症的治疗决策的支 持。
图1是本发明一个实施例的精神药物治疗效果预测方法的流程图，如图1 所示，本发明的精神药物治疗效果预测方法包括以下步骤：
S1，获取患者病例数据，构建患者病例数据库。
具体的，病例数据库是经过清洗，标准化并去隐私的精神分裂症患者数据 库，包括患者的基本信息、诊断信息、治疗以及随访信息。
在一些实施例中，患者的基本信息包括患者的年龄、性别、身高、体重、 婚姻状况、家庭情况、病程。患者的诊断信息包括患者的精神分裂症的严重程 度，合并疾病，PSP评分。治疗以及随访信息包括患者使用药物的种类，用量 和时长，患者治疗后1个月，3个月，6个月和1年的PSP评分。
可以理解的是，PSP评分量表(个人和社会功能量)是一种针对精神分裂 症的高信效度的患者社会功能评估工具。PSP包含四个方面：(a)对社会有益 的活动，包括工作和学习；(b)人际关系和社会关系；(c)自理能力；(d) 令人不安和攻击性的行为。它的总分为100分，每10分分为10个等级；根据 功能障碍的严重程度，结果可分为三个等级：71至100分表示轻度损害；31 至70分表示不同程度的功能障碍；1至30分表示严重功能障碍，需要加强对患者的支持或监督。PSP适用于急性和稳定型精神分裂症患者，已证实相应中 文版本的准确性和可靠性。最小可检测变化(MDC)是指PSP连续测量中由非 随机变量引起的最小变化，为10.7分。PSP评分每10分也分为10个等级，以 代表不同程度的功能障碍。
在一些实施例中，病例数据库的数据来源为上海市精神卫生中心所有的精 神分裂症患者的数据。
S2，基于患者病例数据进行筛选，获取最终PSP评分改善相关的特征。
图2是本发明一个实施例的特征筛选的方法流程图，如图2所示，筛选病 人特征包括两个步骤：
S21，以单因素显著性为筛选标准的初筛。
具体的，本方法将收集到的所有病人特征和最终结局(PSP得分是否改善) 进行单因素差异性检验。
可以理解的是，在方差分析中，将要考察的对象的某种特征称为试验指标， 影响试验指标的条件称为因素，每个因素又有若干个状态可供选择，因素可供 选择的每个状态称为该因素的水平。如果在一项试验中只有一个因素在改变， 则称为单因素试验。
因此，假设PSP得分为指标，病人的特征为因素，病人特征的状态为该因 素的水平，则通过利用组间的离差平方和比上组内离差平方和，得到不同得分 的特征之间差异与相同得分的特征之间差异的大小到底有多少，如果所求参数 比较大，那么说明组间差异比较大，说明这个单因素的影响很大。反之，说明 组间差距很小，单因素的影响很小。
在一些实施例中，本发明将单因素差异性参数P作为筛选依据，当P值＞ 0.05时，该特征被删除，保留P值≤0.05的特征作为初步筛选后的结果。
S22，采用LASSO模型对所述特征进行进一步筛选，获取与最终PSP评分 差异性较小的特征。
可以理解的是，LASSO模型是在普通线性模型中调整了目标函数，增加惩 罚项。具体的，本方法的LASSO模型可以表示为：
Figure RE-GDA0002680501400000071
其中λ为调节系数，惩罚项为
Figure RE-GDA0002680501400000072
通过对回归系数的惩罚约束，可以 得到最终存在于模型中的特征作为预测特征。
在一些实施例中，经过步骤S21的筛选，残留的特征为：年龄，性别，住 院情况，病情首发时间，病程，PSP基线评分，PANSS评分，CDSS评分，CGI-S 评分，MSQ评分，心境稳定剂的使用情况，心血管病发症情况，保肝药物使用 情况。
在一些实施例中，经过步骤S22的筛选，残留的特征为：SP基线评分，心 境稳定剂的使用情况PANSS评分，工作情况，保肝药物使用，性别，心血管并 发症情况，PANSS-G11得分，PANSS-P4得分PANSS-G15得分，PANSSG4得 分。
步骤S3，根据筛选过的特征训练预测模型，所述预测模型根据筛选过的特 征评估患者的PSP改善情况。
可以理解的是，随机森林是Leo Breiman提出的非参数模型，用于解决分类 (两类或多类结果)和回归(连续结果)问题。随机森林是多个决策树的组合。 通过每个决策树的决策点对样本进行分类，最后收集所有决策树的分类结果以 计算结果出现的可能性。由于其高度的预测准确性，随机森林已被成功地用于 解决生物学和医学上的各种问题，包括预测癌细胞系中的药物反应，识别DNA 结合蛋白以及从特定的组织中定位特定组织中的癌灶。液体活检的结果。
具体的，本发明中随机森林模型的训练步骤如下：
有放回的从训练数据集合中选取数个样本，形成样本集；
利用样本集训练一棵决策树，在训练决策树过程中，每次特征分裂时从特 征矢量中随机选取数个特征元素，然后从中选择一个最优的特征作为分裂特征；
重复上述步骤，训练多棵决策树，形成随机森林；
每一棵决策树对输入的预测样本数据，均给出一个预测结果，通过投票规 则得到预测模型的最终输出结果。
在建立模型后，本发明采用了AUC评估模型的预测能力，当在训练和测试 集中包括13个变量时，随机森林具有稳定且相对较好的预测能力。在训练和测 试集中，AUC分别接近0.82和0.86。表明该模型具有很高的敏感性(81.8％) 和特异性(78.7％)，准确度高达79.5％，尤其是当预测PSP得分增加<10分时 (92.6％)。
步骤S4，构建PSP改善情况的文献知识库，所述文献知识库用以向患者提 供各项特征的相应解释，并对预测模型的预测结果给出辅助决策信息和支持信 息。
在一些实施例中，文献知识库包括了由专家仔细挑选出的全球用于PSP评 分预测的文献，所述文献经过信息抽取，结构化和重组生成了PSP评分预测的 知识图谱。
具体的，文献知识库包括：
1)文献提到的预测特征相关的临床解释。
2)不同国家的精神分裂症患者的预测特征和预测模型差异。
3)临床研究的设计和结果数据。
知识图谱的目的是配合模型工作，是增加模型可接受度和可落地性的重要 组成部分。因为模型预测的数据来源收到局限，二文献中提到的患者群体更为 广泛，可以在实际决策时给予医生更多参考。同时文献可以给予模型预测结果 更多临床解释，弥补了机器学习模型(随机森林)预测效果好但可解释性差的 缺点。
在实际工作时，当用户输入患者特征时，知识图谱会根据特征输出：
1)特征的临床解释。
2)特征在人群中的分布情况。
3)全球其他预测模型输出的结果。
由此可以增加了模型预测结果的可解释性，辅助诊断决策的科学性。
图3是本发明一个实施例的精神药物治疗效果预测系统的架构图。如图3 所示，本实施例的一种精神药物治疗效果预测系统，包括：
病例数据库单元101，用以获取和存储患者病例数据；
特征筛选单元102，用以基于患者病例数据进行筛选，获取最终PSP评分 改善相关的特征；
预测模型单元103，用以根据筛选过的特征训练预测模型，所述预测模型根 据筛选过的特征评估患者的PSP改善情况；
知识图谱单元104，用以构建PSP改善情况的文献知识库，所述文献知识 库用以向患者提供各项特征的相应解释，并对预测模型的预测结果给出辅助决 策信息和支持信息。
图4是本发明一个实施例的一种电子设备的结构示意图。如图4所示，本 发明一个实施例的一种电子设备包括一个或多个输入设备1000、一个或多个输 出设备1000、一个或多个处理器3000和存储器4000。
在本发明一个实施例中，处理器1000、输入设备2000、输出设备3000和 存储器4000可以通过总线或其它方式连接。输入设备2000、输出设备3000可 以是标准的有线或无线通信接口。
处理器1000可以是中央处理模块(Central Processing Unit，CPU)，该处理器 还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专 用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者 晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器 也可以是任何常规的处理器等。
存储器4000可以是高速RAM存储器，也可为非不稳定的存储器，例如磁 盘存储器。存储器4000用于存储一组计算机程序，输入设备2000、输出设备 3000和处理器1000可以调用存储器4000中存储的程序代码。
存储器4000存储的计算机程序包括程序指令，所述程序指令当被处理器执 行时使所述处理器执行如上述实施例中所述专利价值评估方法的步骤。
本发明的一个实施例还提供一种计算机可读存储介质。该计算机可读存储 介质可以是高速RAM存储器，也可为非不稳定的存储器，例如磁盘存储器。该 计算机可读存储介质可通过外部计算设备或网络进行连接，以读取该计算机可 读存储介质所存储的一组计算机程序。该计算机可读存储介质存储的计算机程 序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上述实 施例中所述预测方法的步骤。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例 是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的 范围内可以对上述实施例进行变化、修改、替换和变型。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)

1.一种精神药物治疗效果预测方法，其特征在于，包括以下步骤：
获取患者病例数据；
基于患者病例数据进行筛选，获取最终PSP评分改善相关的特征；
根据筛选过的特征训练预测模型，所述预测模型根据筛选过的特征评估患者的PSP改善情况；
构建PSP改善情况的文献知识库，所述文献知识库用以向患者提供各项特征的相应解释，并对预测模型的预测结果给出辅助决策信息和支持信息。
2.如权利要求1所述的一种精神药物治疗效果预测方法，其特征在于，在患者病例数据的筛选过程中，还包括以下步骤；
以单因素显著性作为筛选标准，去除与最终PSP评分的差异较大的特征；
采用LASSO模型对所述特征进行进一步筛选，获取与最终PSP评分差异性较小的特征。
3.如权利要求2所述的一种精神药物治疗效果预测方法，其特征在于，在患者的病例数据的筛选过程后，所述筛选后的特征包括：PSP基线评分，心境稳定剂的使用情况PANSS评分，工作情况，保肝药物使用，性别，心血管并发症情况，PANSS-G11得分，PANSS-P4得分PANSS-G15得分，PANSSG4得分。
4.如权利要求1所述的一种精神药物治疗效果预测方法，其特征在于，在预测模型的构建过程中，还包括：
以患者最终PSP评分为因变量，以筛选后的特征为自变量，建立随机森林模型，以拟合患者最终的PSP评分结果。
5.如权利要求4所述的一种精神药物治疗效果预测方法，其特征在于，所述随机森林模型的训练过程如下，
有放回的从特征数据集合中选取数个样本，形成样本集；
利用样本集训练一棵决策树，在训练决策树过程中，每次特征分裂时从特征矢量中随机选取数个特征元素，然后从中选择一个最优的特征作为分裂特征；
重复上述步骤，训练多棵决策树，形成随机森林；
每一棵决策树对输入的预测样本数据，均给出一个预测结果，通过投票规则得到预测模型的最终输出结果。
6.如权利要求1所述的一种精神药物治疗效果预测方法，其特征在于，在构建PSP改善情况的文献知识库的步骤中，还包括：
获取PSP评分预测的相关文献，所述文献包括与预测特征相关的临床解释，不同国家的精神分裂症患者；
对所述文献进行信息抽取、结构化和重组，以生成PSP评分预测的知识图谱。
7.如权利要求5所述的一种精神药物治疗效果预测方法，其特征在于，所述知识图谱用以输出特征的各项信息，所述信息包括：
特征的临床解释；
特征在人群中的分布情况；
全球其他预测模型的输出结果。
8.一种精神药物治疗效果预测系统，其特征在于，包括：
病例数据库单元，用以获取和存储患者病例数据；
特征筛选单元，用以基于患者病例数据进行筛选，获取最终PSP评分改善相关的特征；
预测模型单元，用以根据筛选过的特征训练预测模型，所述预测模型根据筛选过的特征评估患者的PSP改善情况；
知识图谱单元，用以构建PSP改善情况的文献知识库，所述文献知识库用以向患者提供各项特征的相应解释，并对预测模型的预测结果给出辅助决策信息和支持信息。
9.一种精神药物治疗效果预测装置，其特征在于，包括：包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202010657417.0A 2020-07-09 2020-07-09 一种精神药物治疗效果预测方法，系统和装置 Pending CN111834017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010657417.0A CN111834017A (zh) 2020-07-09 2020-07-09 一种精神药物治疗效果预测方法，系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010657417.0A CN111834017A (zh) 2020-07-09 2020-07-09 一种精神药物治疗效果预测方法，系统和装置

Publications (1)

Publication Number Publication Date
CN111834017A true CN111834017A (zh) 2020-10-27

Family

ID=72901244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010657417.0A Pending CN111834017A (zh) 2020-07-09 2020-07-09 一种精神药物治疗效果预测方法，系统和装置

Country Status (1)

Country Link
CN (1) CN111834017A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802612A (zh) * 2021-01-23 2021-05-14 广州医科大学附属脑科医院 基于精神分裂症的用药分析方法、装置、设备及存储介质
CN112992377A (zh) * 2021-03-03 2021-06-18 深圳市儿童医院 药物治疗结果预测模型生成方法、装置、终端及存储介质
CN113345548A (zh) * 2021-05-17 2021-09-03 东南大学 一种基于弥散张量成像的抑郁症用药决策模型的构建方法
CN113355406A (zh) * 2021-05-24 2021-09-07 北京大学第六医院 抗精神病药物疗效预测相关的甲基化生物标记
CN113517077A (zh) * 2021-06-18 2021-10-19 东莞市人民医院 用于预测臀位外倒转术疗效的控制方法、系统和存储介质
CN115050482A (zh) * 2022-06-20 2022-09-13 电子科技大学 Mect干预对精神分裂症患者治疗效果的预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170231561A1 (en) * 2016-02-12 2017-08-17 Hitachi, Ltd. Drug efficacy evaluation assisting system, and drug efficacy evaluation assist information presenting method
CN109273098A (zh) * 2018-10-23 2019-01-25 平安科技（深圳）有限公司 一种基于智能决策的药品疗效预测方法和装置
CN110025312A (zh) * 2019-03-27 2019-07-19 深圳大学 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统
CN110297908A (zh) * 2019-07-01 2019-10-01 中国医学科学院医学信息研究所 诊疗方案预测方法及装置
CN110310703A (zh) * 2019-06-25 2019-10-08 中国人民解放军军事科学院军事医学研究院 药物的预测方法、装置及计算机设备
CN110459330A (zh) * 2019-06-27 2019-11-15 四川省人民医院 药物适应症预测方法及装置
CN111223577A (zh) * 2020-01-17 2020-06-02 江苏大学 一种基于深度学习的协同抗肿瘤多药组合效果预测方法
CN111279425A (zh) * 2017-10-25 2020-06-12 奥普蒂马塔公司 预测医疗治疗效果的系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170231561A1 (en) * 2016-02-12 2017-08-17 Hitachi, Ltd. Drug efficacy evaluation assisting system, and drug efficacy evaluation assist information presenting method
CN111279425A (zh) * 2017-10-25 2020-06-12 奥普蒂马塔公司 预测医疗治疗效果的系统和方法
CN109273098A (zh) * 2018-10-23 2019-01-25 平安科技（深圳）有限公司 一种基于智能决策的药品疗效预测方法和装置
CN110025312A (zh) * 2019-03-27 2019-07-19 深圳大学 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统
CN110310703A (zh) * 2019-06-25 2019-10-08 中国人民解放军军事科学院军事医学研究院 药物的预测方法、装置及计算机设备
CN110459330A (zh) * 2019-06-27 2019-11-15 四川省人民医院 药物适应症预测方法及装置
CN110297908A (zh) * 2019-07-01 2019-10-01 中国医学科学院医学信息研究所 诊疗方案预测方法及装置
CN111223577A (zh) * 2020-01-17 2020-06-02 江苏大学 一种基于深度学习的协同抗肿瘤多药组合效果预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田萍芳等: "《深入浅出 工业机器学习算法详解与实战》", 科学技术文献出版社, pages: 139 - 140 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802612A (zh) * 2021-01-23 2021-05-14 广州医科大学附属脑科医院 基于精神分裂症的用药分析方法、装置、设备及存储介质
CN112802612B (zh) * 2021-01-23 2023-10-31 广州医科大学附属脑科医院 基于精神分裂症的用药分析方法、装置、设备及存储介质
CN112992377A (zh) * 2021-03-03 2021-06-18 深圳市儿童医院 药物治疗结果预测模型生成方法、装置、终端及存储介质
CN113345548A (zh) * 2021-05-17 2021-09-03 东南大学 一种基于弥散张量成像的抑郁症用药决策模型的构建方法
CN113345548B (zh) * 2021-05-17 2024-03-12 东南大学 一种基于弥散张量成像的抑郁症用药决策模型的构建方法
CN113355406A (zh) * 2021-05-24 2021-09-07 北京大学第六医院 抗精神病药物疗效预测相关的甲基化生物标记
CN113517077A (zh) * 2021-06-18 2021-10-19 东莞市人民医院 用于预测臀位外倒转术疗效的控制方法、系统和存储介质
CN115050482A (zh) * 2022-06-20 2022-09-13 电子科技大学 Mect干预对精神分裂症患者治疗效果的预测方法

Similar Documents

Publication Publication Date Title
CN111834017A (zh) 一种精神药物治疗效果预测方法，系统和装置
Barenholtz et al. Machine-learning approaches to substance-abuse research: emerging trends and their implications
JP6066826B2 (ja) 分析システム及び保健事業支援方法
Nezlek Multilevel modeling analyses of diary-style data
Zhang et al. A system for automated determination of perioperative patient acuity
Ruyssinck et al. Random survival forests for predicting the bed occupancy in the intensive care unit
Viloria et al. Using big data to determine potential dropouts in higher education
MacDonald et al. Methodological considerations for the study of adult development and aging
Davagdorj et al. A machine-learning approach for predicting success in smoking cessation intervention
Jahangiri et al. Application of Bayesian Decision Tree in Hematology Research: Differential Diagnosis of β‐Thalassemia Trait from Iron Deficiency Anemia
Barnado et al. Developing and validating methods to assemble systemic lupus erythematosus births in the electronic health record
Tsiouris et al. Predicting rapid progression of Parkinson's disease at baseline patients evaluation
CN117133461B (zh) 一种老年肺癌患者术后短期死亡风险评估的方法及装置
Dagliati et al. A Process Mining Pipeline to Characterize COVID-19 Patients' Trajectories and Identify Relevant Temporal Phenotypes From EHR Data
CN117116475A (zh) 缺血性脑卒中的风险预测方法、系统、终端及存储介质
US10973467B2 (en) Method and system for automated diagnostics of none-infectious illnesses
Lu Mixed-effects location and scale Tobit joint models for heterogeneous longitudinal data with skewness, detection limits, and measurement errors
Aldhoayan et al. A machine learning model for predicting the risk of readmission in community-acquired pneumonia
Jauk et al. Cleansing and imputation of body mass index data and its impact on a machine learning based prediction model
Tang et al. A deep learning approach to handling temporal variation in chronic obstructive pulmonary disease progression
Tasaki et al. Interpretable deep learning approach for extracting cognitive features from hand-drawn images of intersecting pentagons in older adults
Pedroto et al. Predicting age of onset in TTR-FAP patients with genealogical features
Zakharov et al. Information and Analytical Support for Biomedical Research in the Field of the Cardiovascular Disease Risk Prediction
Kottaisamy et al. Methods Of Recognizing Chronic Kidney Disease Using Machine Learning
Proniewska Data mining with Random Forests as a methodology for biomedical signal classification

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