CN113488195A - 一种批量化精准用药决策支持系统 - Google Patents
一种批量化精准用药决策支持系统 Download PDFInfo
- Publication number
- CN113488195A CN113488195A CN202110652636.4A CN202110652636A CN113488195A CN 113488195 A CN113488195 A CN 113488195A CN 202110652636 A CN202110652636 A CN 202110652636A CN 113488195 A CN113488195 A CN 113488195A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- value
- module
- batch
- 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.)
- Granted
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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种批量化精准用药决策支持系统,包括批量化数据导入模块、数据特征生成模块、数据分析模块、智能检索与导入模块以及分析结果生成模块,所述批量化数据导入模块能够对JSON数据导入以及Excel数据导入,所述数据特征生成模块能够根据不同病种添加相应的特征变量,生成相应病种数据特征提取表,所述数据分析模块通过自定义的研究队列和参数的任意选择,实现探索性分析,本发明从可批量化导入脱敏结构化数据为切入点,实现一次使用请求即可完成多个地区的风险预测和用药推荐,并通过单因素分析和多因素分析,对模型进行再优化,为临床提供与时俱进的用药风险预测,最终达到为临床用药指南或专家共识的制定提供数据支撑。
Description
技术领域
本发明属于医疗技术领域,具体涉及一种批量化精准用药决策支持系统。
背景技术
随着时代的发展,知识爆炸对医疗工作提出了严峻的挑战。医师们日益感到难以跟上突飞猛进的医学发展步伐。虽然临床分科有助于缓解这一矛盾,但绝非根本解决方法。因为即使是很专业的医学领域的知识更新和增长,也超出医师的学习和掌握限度,大量的信息和数据也让医师们无所适从。而借助电脑的巨大存储能力和处理能力有可能改变这一状况,于是临床用药决策支持系统应运而生。临床用药决策支持系统是指利用患者的与疾病可能相关的信息,建立统计模型,对患者的用药初始剂量、血药浓度等进行预判,从而达到帮助医师设定给药剂量、预测治疗效果的目的。较好的用药决策支持系统可以提高医疗质量、节省医疗成本,及时、准确、完整的为医师提供专业的用药决策支持,有助于医师作出正确有效的药物治疗决策,提高药物治疗的成功率,传统的临床用药决策支持系统仍存在各种各样的问题,难以满足实际使用需求。
如授权公告号为CN102737165A的发明所公开的临床用药决策支持系统,包括:治疗用药规范模块,用于根据患者的病理生理信息提供诊疗参考信息和用药参考方案,以供医生开具处方;安全用药审查模块,用于根据所述处方对患者的用药安全情况进行审查,并生成审查日志;处方监测与预警模块,用于对所述处方进行评估,以及根据所述审查日志生成预警信息,其只能针对某一个患者提供风险预测和用药推荐的数据支撑,且无法对多地区数据汇总分析,同时其分布式架构,每个service都分布在不同的服务、不同的机器中,需要构造同等数量的请求来获取数据,这种方式会迫使用户不断单独发起请求,效率低下,模型数据收集时间长,为此我们提出一种批量化精准用药决策支持系统。
发明内容
本发明的目的在于提供一种批量化精准用药决策支持系统,以解决上述背景技术中提出的其只能针对某一个患者提供风险预测和用药推荐的数据支撑,且无法对多地区数据汇总分析,同时其分布式架构,每个service都分布在不同的服务、不同的机器中,需要构造同等数量的请求来获取数据,这种方式会迫使用户不断单独发起请求,效率低下,模型数据收集时间长的问题。
为实现上述目的,本发明提供如下技术方案:一种批量化精准用药决策支持系统,包括批量化数据导入模块、数据特征生成模块、数据分析模块、智能检索与导入模块以及分析结果生成模块,所述批量化数据导入模块能够对JSON数据导入以及Excel数据导入,所述数据特征生成模块能够根据不同病种添加相应的特征变量,生成相应病种数据特征提取表,所述数据分析模块通过自定义的研究队列和参数的任意选择,实现探索性分析。
优选的,所述智能检索与导入模块通过输入定位关键词或者关键数据取值范围,检索对应的数据信息列表,并导入对应的研究队列,从而实现分支方向的数据挖掘与模型因素影响细化再分析。
优选的,所述分析结果生成模块对数据进行分析并与特征模型进行对比,输出预测结果。
优选的,所述批量化数据导入模块能够与多个医院信息系统进行数据共享传输。
一种批量化精准用药决策方法,其特征在于包括如下步骤:
S1,将多组JSON数据和/或Excel数据导入至系统内;
S2,系统根据不同病种对多组JSON数据和/或Excel数据进行汇总分组分析,从而得到相应病种的特征变量;
S3,对相应病种的列变量数据提取范围进行定义,并生成相应病种的数据特征提取表供查看调阅;
S4,对相应病种的数据特征提取表进行探索性分析,支持单向频数分析、卡方检验分析、线性回归分析、序变量相关分析、T检验以及单因素方差分析多种分析方法;
S5,输入相应病种的定位关键词或者关键数据取值范围,检索对应的数据信息列表,并导入对应的研究队列,并对分支方向的数据挖掘与模型因素影响细化再分析;
S6,根据S5的检索以及分析结果,再对相应病种的模型进行优化,并输出用药风险评价以及用药指导。
优选的,所述S1具体为首先查找需要转换的JSON文本文件,并将查找到的JSON文本文件转换成sql语句,然后在系统中建立与该sql语句表相对应的数据库表,并将数据写入到系统中。
优选的,所述S1具体为获取Excel文件并读取当前选择的工作表;调用与所获取Excel文件相匹配的模板表格;将所述Excel文件中的数据加载到所述模板表格中,转换成所述模板表格中相应的数据;将所述模板表格中的数据导入系统中。
优选的,所述S4具体为随机把数据分成2份,一份为训练集(Training Set),一份为测试集(TestSet),对训练集做10折交叉验证,把样本数据随机分成9份,每次随机选择9份作为训练集,剩下的1份做测试集,当这一轮完成后,重新随机选择10份来训练数据,设定5轮之后,选择损失函数评估最优的模型和参数;
再次,使用coxph和summary函数,采用cox比例风险模型对生化指标 (ALT、AST、PLT、ALP、Na、Hb)进行多因素影响回归分析,铂类化疗患者风险预测模型公式:
其中:
g(x)=4.783-w1x1-0.384x2-0.565x3+0.631x4-0.028x5-0.023x6+0.012x7 -0.007x8,
x1为有无化疗方案,x2为肝损伤前是否使用VB12,x3为是否使用止吐药, x4为化疗次数,x5为化疗前ALT值,x6为化疗前AST值,x7为化疗前ALP 值,x8位Hb值;
当化疗方案分别为顺铂、卡铂、奈达铂时,对应w1分别为0.512,0.491, -0.227;
最后,利用卡方检验分析对统计样本的实际观测值与理论推断值之间的偏离程度进行验证;实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,如果卡方值越大,二者偏差程度越大,风险预测模型系数还需调整和再验证;反之,二者偏差越小,风险预测模型趋于完善。
与现有技术相比,本发明的有益效果是:
(1)本发明从可批量化导入脱敏结构化数据为切入点,实现一次使用请求即可完成多个地区的风险预测和用药推荐,并通过单因素分析和多因素分析,对模型进行再优化,为临床提供与时俱进的用药风险预测,最终达到为临床用药指南或专家共识的制定提供数据支撑。
(2)本发明能够减少网络通信的次数,一定程度上增加整个系统的健壮性,再者,批量化操作有利于风险预测模型的再优化,节省模型数据收集时间;还可以借助多地区用户的批量数据,显著提高模型优化的效率,而更加优秀的预测模型,能够帮助医生更好的进行临床用药决策,提高用药安全性。
附图说明
图1为本发明的系统结构示意图;
图2为本发明的系统操作界面示意图;
图3为本发明的数据特征提取界面示意图;
图4为本发明的系统数据预处理操作界面示意图;
图5为本发明的系统数据分析界面示意图;
图6为本发明的系统风险预测结果示意图;
图中:1、批量化数据导入模块(1);2、数据特征生成模块(2);3、数据分析模块(3);4、智能检索与导入模块(4);5、分析结果生成模块 (5)。
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做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。
请参阅图1,实施例一,本发明提供一种技术方案:一种批量化精准用药决策支持系统,包括批量化数据导入模块1、数据特征生成模块2、数据分析模块3、智能检索与导入模块4以及分析结果生成模块5,批量化数据导入模块1能够对JSON数据导入以及Excel数据导入,数据特征生成模块2能够根据不同病种添加相应的特征变量,生成相应病种数据特征提取表,数据分析模块3通过自定义的研究队列和参数的任意选择,实现探索性分析,智能检索与导入模块4通过输入定位关键词或者关键数据取值范围,检索对应的数据信息列表,并导入对应的研究队列,从而实现分支方向的数据挖掘与模型因素影响细化再分析,分析结果生成模块5对数据进行分析并与特征模型进行对比,输出预测结果,批量化数据导入模块1能够与多个医院信息系统进行数据共享传输,从可批量化导入脱敏结构化数据为切入点,实现一次使用请求即可完成多个地区的风险预测和用药推荐,并通过单因素分析和多因素分析,对模型进行再优化,为临床提供与时俱进的用药风险预测,最终达到为临床用药指南或专家共识的制定提供数据支撑。
一种批量化精准用药决策方法,其特征在于包括如下步骤:
S1,首先查找需要转换的JSON文本文件,并将查找到的JSON文本文件转换成sql语句,然后在系统中建立与该sql语句表相对应的数据库表,并将数据写入到系统中;
S2,系统根据不同病种对多组JSON数据进行汇总分组分析,从而得到相应病种的特征变量;
S3,对相应病种的列变量数据提取范围进行定义,并生成相应病种的数据特征提取表供查看调阅;
S4,对相应病种的数据特征提取表进行探索性分析,支持单向频数分析、卡方检验分析、线性回归分析、序变量相关分析、T检验以及单因素方差分析多种分析方法,随机把数据分成2份,一份为训练集(TrainingSet),一份为测试集(TestSet)。对训练集做10折交叉验证,把样本数据随机分成 9份,每次随机选择9份作为训练集,剩下的1份做测试集。当这一轮完成后,重新随机选择10份来训练数据。设定5轮之后,选择损失函数评估最优的模型和参数;
再次,使用coxph和summary函数,采用cox比例风险模型对生化指标 (ALT、AST、PLT、ALP、Na、Hb)进行多因素影响回归分析,铂类化疗患者风险预测模型公式:
其中:
g(x)=4.783-w1x1-0.384x2-0.565x3+0.631x4-0.028x5-0.023x6+0.012x7 -0.007x8,
x1为有无化疗方案,x2为肝损伤前是否使用VB12,x3为是否使用止吐药, x4为化疗次数,x5为化疗前ALT值,x6为化疗前AST值,x7为化疗前ALP 值,x8位Hb值;
当化疗方案分别为顺铂、卡铂、奈达铂时,对应w1分别为0.512,0.491, -0.227;
最后,利用卡方检验分析对统计样本的实际观测值与理论推断值之间的偏离程度进行验证,实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,如果卡方值越大,二者偏差程度越大,风险预测模型系数还需调整和再验证;反之,二者偏差越小,风险预测模型趋于完善;
S5,输入相应病种的定位关键词或者关键数据取值范围,检索对应的数据信息列表,并导入对应的研究队列,并对分支方向的数据挖掘与模型因素影响细化再分析;
S6,根据S5的检索以及分析结果,再对相应病种的模型进行优化,并输出用药风险评价以及用药指导。
上述方式适用于大部分医院的数据格式,不用再次执行数据转换,可以方便的进行数据上传和分析。
实施例二,一种批量化精准用药决策方法,其特征在于包括如下步骤:
S1,获取Excel文件并读取当前选择的工作表;调用与所获取Excel文件相匹配的模板表格;将Excel文件中的数据加载到模板表格中,转换成模板表格中相应的数据;将模板表格中的数据导入系统中;
S2,系统根据不同病种对多组Excel数据进行汇总分组分析,从而得到相应病种的特征变量;
S3,对相应病种的列变量数据提取范围进行定义,并生成相应病种的数据特征提取表供查看调阅;
S4,对相应病种的数据特征提取表进行探索性分析,支持单向频数分析、卡方检验分析、线性回归分析、序变量相关分析、T检验以及单因素方差分析多种分析方法,随机把数据分成2份,一份为训练集(TrainingSet),一份为测试集(TestSet)。对训练集做10折交叉验证,把样本数据随机分成 9份,每次随机选择9份作为训练集,剩下的1份做测试集。当这一轮完成后,重新随机选择10份来训练数据。设定5轮之后,选择损失函数评估最优的模型和参数;
再次,使用coxph和summary函数,采用cox比例风险模型对生化指标 (ALT、AST、PLT、ALP、Na、Hb)进行多因素影响回归分析;
最后,利用卡方检验分析对统计样本的实际观测值与理论推断值之间的偏离程度进行验证。实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,如果卡方值越大,二者偏差程度越大,风险预测模型系数还需调整和再验证;反之,二者偏差越小,风险预测模型趋于完善;
S5,输入相应病种的定位关键词或者关键数据取值范围,检索对应的数据信息列表,并导入对应的研究队列,并对分支方向的数据挖掘与模型因素影响细化再分析;
S6,根据S5的检索以及分析结果,再对相应病种的模型进行优化,并输出用药风险评价以及用药指导。
上述方式适用于非技术人员上传数据,可以很直观的查看模板要求,并一次性填入大量脱敏数据完成导入。
本发明所指数据分析模块3涵盖了肺癌、食管癌以及器官移植三个典型病种的多种风险预测模型的构建,以下就肝癌患者使用铂类药物的风险进行评估:
首先将批量肺癌患者使用铂类药物的SON数据或者多组Excel表格数据导入至系统内,其系统操作界面如图2;
然后肺癌的列变量数据提取范围进行定义,并生成肺癌病患的数据特征提取表,其系统生成的数据特征提取表如图3;
在对数据特征进行预处理,系统的数据预处理操作界面如图4;
对预处理的数据进行数据分析,肺癌患者使用铂类药物发生骨髓抑制的风险预测模型筛选因素包括患者性别、年龄、体重、就诊次数、ALT、AST、 PLT、ALP、Na、Hb、是否在用VB12、是否在用止吐药、是否在用补血药等。
通过对以上筛选因素进行单因素方差分析和交叉验证,可初步确定建模指标数量;
1.单向频数分析:适用于性别、是否在用VB12、是否在用止吐药、是否在用补血药几项非连续变量,可直接利用计算发生频数来完成初步统计分析。
2.加权交叉验证分析:随机把数据分成2份,一份为训练集(Training Set),一份为测试集(TestSet)。对训练集做10折交叉验证,把样本数据随机分成9份,每次随机选择9份作为训练集,剩下的1份做测试集。当这一轮完成后,重新随机选择10份来训练数据。设定5轮之后,选择损失函数评估最优的模型和参数;
再次,使用coxph和summary函数,采用cox比例风险模型对生化指标 (ALT、AST、PLT、ALP、Na、Hb)进行多因素影响回归分析,铂类化疗患者风险预测模型公式:
其中:
g(x)=4.783-w1x1-0.384x2-0.565x3+0.631x4-0.028x5-0.023x6+0.012x7 -0.007x8,
x1为有无化疗方案,x2为肝损伤前是否使用VB12,x3为是否使用止吐药, x4为化疗次数,x5为化疗前ALT值,x6为化疗前AST值,x7为化疗前ALP 值,x8位Hb值;
当化疗方案分别为顺铂、卡铂、奈达铂时,对应w1分别为0.512,0.491, -0.227;
最后,利用卡方检验分析对统计样本的实际观测值与理论推断值之间的偏离程度进行验证。实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,如果卡方值越大,二者偏差程度越大,风险预测模型系数还需调整和再验证;反之,二者偏差越小,风险预测模型趋于完善,系统数据分析界面如图5;
数据分析后得出风险预测结果,如图6;
通过图6得出相关结果如下:
风险:0.967547907010757,此风险概率大于阈值0.615,故判断会发生骨髓抑制;
推荐用药:
1)中性粒细胞减少
1.1集落刺激因子的应用
(1)治疗性:5~7ug/kg/d,如果按体重平均50Kg计算,一般用300ug/d;主要用于3~4度粒细胞减少;在中性粒细胞绝对值连续两次大于10×109/L 后停药。
(2)预防性:3~5ug/kg/d,一般用150ug/d,主要用于此前有过4度骨髓抑制历史的患者,或者为了保障短疗程高密度化疗(如周疗)的进行。通常自化疗结束后48小时开始使用。
1.2输注浓缩白细胞
当化疗引起粒细胞减少或缺乏症时,一般不主张输注白细胞,而推荐使用集落刺激因子。当中性粒细胞小于0.5×109/L,化疗或肿瘤引起骨髓增殖障碍,又有合并严重感染且广谱抗生素治疗无效时,才考虑输注浓缩白细胞。
2)血小板减少
1.血小板低于50×109/L时,应减少活动,预防损伤,避免搬运重物,防治便秘。
2.维持收缩压在18.7Kpa以下,预防颅内出血。
3.避免使用非甾体类消炎药(NSAIDS)和含有阿司匹林的药物。
4.避免肌肉注射等创伤性操作,操作后必须局部按压5~10min以上。
5.—过性血小板减少时可考虑应用小剂量糖皮质激素。
6.对于成人白血病和多数实体瘤患者,当血小板≤10×109/L时,需预防输注血小板。特别是有出血危险的肿瘤,如白血病、恶性黑色素瘤、膀胱瘩、妇科肿瘤和结直肠肿瘤等,当患者的血小板≤2×109L时,应考虑输注血小板。
实体瘤患者血小板在10×109/L~50×109/L时,根据临床出血情况,可考虑输注血小板。并预防输血反应。
除了以上措施之外,在治疗期间还可以坚持服用现代中药护命素来巩固病情。护命素是人参精华提取物人参皂苷Rh2的尊称,它能够保护正常的细胞免受化疗药物的损伤,诱导异常细胞向正常细胞的转化。在治疗期间服用不仅能够稳定病情,而且能够加快病人的康复速度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种批量化精准用药决策支持系统,其特征在于:包括批量化数据导入模块(1)、数据特征生成模块(2)、数据分析模块(3)、智能检索与导入模块(4)以及分析结果生成模块(5),所述批量化数据导入模块(1)能够对JSON数据导入以及Excel数据导入,所述数据特征生成模块(2)能够根据不同病种添加相应的特征变量,生成相应病种数据特征提取表,所述数据分析模块(3)通过自定义的研究队列和参数的任意选择,实现探索性分析。
2.根据权利要求1所述的一种批量化精准用药决策支持系统,其特征在于:所述智能检索与导入模块(4)通过输入定位关键词或者关键数据取值范围,检索对应的数据信息列表,并导入对应的研究队列,从而实现分支方向的数据挖掘与模型因素影响细化再分析。
3.根据权利要求1所述的一种批量化精准用药决策支持系统,其特征在于:所述分析结果生成模块(5)对数据进行分析并与特征模型进行对比,输出预测结果。
4.根据权利要求1所述的一种批量化精准用药决策支持系统,其特征在于:所述批量化数据导入模块(1)能够与多个医院信息系统进行数据共享传输。
5.一种批量化精准用药决策方法,其特征在于包括如下步骤:
S1,将多组JSON数据和/或Excel数据导入至系统内;
S2,系统根据不同病种对多组JSON数据和/或Excel数据进行汇总分组分析,从而得到相应病种的特征变量;
S3,对相应病种的列变量数据提取范围进行定义,并生成相应病种的数据特征提取表供查看调阅;
S4,对相应病种的数据特征提取表进行探索性分析,支持单向频数分析、卡方检验分析、线性回归分析、序变量相关分析、T检验以及单因素方差分析多种分析方法;
S5,输入相应病种的定位关键词或者关键数据取值范围,检索对应的数据信息列表,并导入对应的研究队列,并对分支方向的数据挖掘与模型因素影响细化再分析;
S6,根据S5的检索以及分析结果,再对相应病种的模型进行优化,并输出用药风险评价以及用药指导。
6.根据权利要求5所述的一种批量化精准用药决策方法,其特征在于:所述S1具体为首先查找需要转换的JSON文本文件,并将查找到的JSON文本文件转换成sql语句,然后在系统中建立与该sql语句表相对应的数据库表,并将数据写入到系统中。
7.根据权利要求5所述的一种批量化精准用药决策方法,其特征在于:所述S1具体为获取Excel文件并读取当前选择的工作表;调用与所获取Excel文件相匹配的模板表格;将所述Excel文件中的数据加载到所述模板表格中,转换成所述模板表格中相应的数据;将所述模板表格中的数据导入系统中。
8.根据权利要求5所述的一种批量化精准用药决策方法,其特征在于:所述S4具体为随机把数据分成2份,一份为训练集(Training Set),一份为测试集(Test Set),对训练集做10折交叉验证,把样本数据随机分成9份,每次随机选择9份作为训练集,剩下的1份做测试集,当这一轮完成后,重新随机选择10份来训练数据,设定5轮之后,选择损失函数评估最优的模型和参数;
再次,使用coxph和summary函数,采用cox比例风险模型对生化指标(ALT、AST、PLT、ALP、Na、Hb)进行多因素影响回归分析,铂类化疗患者风险预测模型公式:
其中:
g(x)=4.783-w1x1-0.384x2-0.565x3+0.631x4-0.028x5-0.023x6+0.012x7-0.007x8,
x1为有无化疗方案,x2为肝损伤前是否使用VB12,x3为是否使用止吐药,x4为化疗次数,x5为化疗前ALT值,x6为化疗前AST值,x7为化疗前ALP值,x8位Hb值;
当化疗方案分别为顺铂、卡铂、奈达铂时,对应w1分别为0.512,0.491,-0.227;
最后,利用卡方检验分析对统计样本的实际观测值与理论推断值之间的偏离程度进行验证,实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,如果卡方值越大,二者偏差程度越大,风险预测模型系数还需调整和再验证;反之,二者偏差越小,风险预测模型趋于完善。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110652636.4A CN113488195B (zh) | 2021-06-11 | 2021-06-11 | 一种批量化精准用药决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110652636.4A CN113488195B (zh) | 2021-06-11 | 2021-06-11 | 一种批量化精准用药决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113488195A true CN113488195A (zh) | 2021-10-08 |
CN113488195B CN113488195B (zh) | 2023-04-25 |
Family
ID=77935236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110652636.4A Active CN113488195B (zh) | 2021-06-11 | 2021-06-11 | 一种批量化精准用药决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113488195B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093524A (zh) * | 2021-11-02 | 2022-02-25 | 深圳市儿童医院 | 一种儿童抗菌药物使用评估系统、计算机可读存储介质及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012974A (zh) * | 2010-12-15 | 2011-04-13 | 中国人民解放军第四军医大学 | 临床安全合理用药决策支持系统 |
CN105824940A (zh) * | 2016-03-17 | 2016-08-03 | 深圳市永兴元科技有限公司 | 数据导入方法及装置 |
CN106095824A (zh) * | 2016-06-01 | 2016-11-09 | 浪潮电子信息产业股份有限公司 | 一种json格式文本导入数据库的方法 |
CN109243564A (zh) * | 2018-09-25 | 2019-01-18 | 福建中医药大学 | 一种用药风险评估系统 |
CN112786145A (zh) * | 2021-03-04 | 2021-05-11 | 华中科技大学同济医学院附属协和医院 | 一种器官移植患者他克莫司用药剂量精准预测方法 |
-
2021
- 2021-06-11 CN CN202110652636.4A patent/CN113488195B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012974A (zh) * | 2010-12-15 | 2011-04-13 | 中国人民解放军第四军医大学 | 临床安全合理用药决策支持系统 |
CN105824940A (zh) * | 2016-03-17 | 2016-08-03 | 深圳市永兴元科技有限公司 | 数据导入方法及装置 |
CN106095824A (zh) * | 2016-06-01 | 2016-11-09 | 浪潮电子信息产业股份有限公司 | 一种json格式文本导入数据库的方法 |
CN109243564A (zh) * | 2018-09-25 | 2019-01-18 | 福建中医药大学 | 一种用药风险评估系统 |
CN112786145A (zh) * | 2021-03-04 | 2021-05-11 | 华中科技大学同济医学院附属协和医院 | 一种器官移植患者他克莫司用药剂量精准预测方法 |
Non-Patent Citations (2)
Title |
---|
WEI-JING GONG.ET.: "A retrospective analysis of clinical efficacy of ribavirin in adults hospitalized with severe COVID-19", 《JOURNAL OF INFECTION AND CHEMOTHERAPY》 * |
付洁: "基于贝叶斯信念网络的癫痫病专家系统的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093524A (zh) * | 2021-11-02 | 2022-02-25 | 深圳市儿童医院 | 一种儿童抗菌药物使用评估系统、计算机可读存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113488195B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taylor et al. | Prediction of in‐hospital mortality in emergency department patients with sepsis: a local big data–driven, machine learning approach | |
CN109346145B (zh) | 一种药物不良反应的主动监测方法和系统 | |
CN111724910B (zh) | 一种适用于围手术期患者血液管理的检测评估方法 | |
US20140067813A1 (en) | Parallelization of synthetic events with genetic surprisal data representing a genetic sequence of an organism | |
Ahmed | Developing a predicted model for diabetes type 2 treatment plans by using data mining | |
US11715569B2 (en) | Intent-based clustering of medical information | |
CN115497631A (zh) | 一种临床科研大数据分析系统 | |
Yang et al. | Identifying cancer patients at risk for heart failure using machine learning methods | |
Terebelo et al. | Development of a prognostic model for overall survival in multiple myeloma using the Connect® MM Patient Registry | |
Rogers et al. | Medical information mart for intensive care: a foundation for the fusion of artificial intelligence and real-world data | |
CN113488195A (zh) | 一种批量化精准用药决策支持系统 | |
Singh et al. | Big Data in Oncology: Extracting Knowledge from Machine Learning | |
Lv et al. | Detection of diabetic patients in people with normal fasting glucose using machine learning | |
Bennett et al. | Linked records of children with traumatic brain injury | |
CN112071439B (zh) | 药物副作用关系预测方法、系统、计算机设备和存储介质 | |
US20130253892A1 (en) | Creating synthetic events using genetic surprisal data representing a genetic sequence of an organism with an addition of context | |
CN114356911B (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 | |
US20040096896A1 (en) | Pattern recognition of serum proteins for the diagnosis or treatment of physiologic conditions | |
CN117480573A (zh) | 用于生成集成数据存储库的计算机体系结构 | |
CN111177117B (zh) | 一种中医医案数据处理方法 | |
Ando et al. | Is In-hospital Meta-information Useful for Abstractive Discharge Summary Generation? | |
Chen et al. | Construction and application of nasopharyngeal carcinoma-specific big data platform based on electronic health records | |
Yuan et al. | Interpretable Machine Learning-Based Risk Scoring with Individual and Ensemble Model Selection for Clinical Decision Making | |
Bousquet et al. | Semantic categories and relations for modelling adverse drug reactions towards a categorial structure for pharmacovigilance | |
US20180173850A1 (en) | System and Method of Semantic Differentiation of Individuals Based On Electronic Medical Records |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |