CN113707263B - 基于群体划分的药物有效性评价方法、装置及计算机设备 - Google Patents
基于群体划分的药物有效性评价方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN113707263B CN113707263B CN202111015958.4A CN202111015958A CN113707263B CN 113707263 B CN113707263 B CN 113707263B CN 202111015958 A CN202111015958 A CN 202111015958A CN 113707263 B CN113707263 B CN 113707263B
- Authority
- CN
- China
- Prior art keywords
- target
- patient
- sub
- sample group
- determining
- 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
Links
- 239000003814 drug Substances 0.000 title claims abstract description 219
- 229940079593 drug Drugs 0.000 title claims abstract description 95
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 56
- 238000004393 prognosis Methods 0.000 claims description 39
- 238000010276 construction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 239000008280 blood Substances 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000001575 pathological effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005428 wave function Effects 0.000 description 3
- ULGZDMOVFRHVEP-RWJQBGPGSA-N Erythromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=O)[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 ULGZDMOVFRHVEP-RWJQBGPGSA-N 0.000 description 2
- 238000010876 biochemical test Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 229960003276 erythromycin Drugs 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
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
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于群体划分的药物有效性评价方法、装置及计算机设备，主要在于能够评价特定药物对于个体患者的有效性。其中方法包括：预估所述目标药品针对所述样本群体的有效性参数；根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；确定所述待评价患者对应的属性特征，并将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。本发明涉及数字医疗领域。
Description
技术领域
本发明涉及数字医疗领域，尤其是涉及一种基于群体划分的药物有效性评价方法、装置及计算机设备。
背景技术
药物有效性评价是遵循循证医学的方法，评估药物对于个体患者的有效性，以作为制定药物政策、医疗保险政策、购物新药、药品选择、药品研发和上市的依据。
目前，通常根据真实世界的临床数据进行药物有效性评价，具体地，通过对比分析使用某种药物和不使用某种药物的两组人群的临床结论，评价该药物的有效性。然而，由于不同患者体质的差异，同一种药物对于不同患者的效果很可能不同，如果按照上述的方式进行药物有效性评价，很可能导致部分患者错失实际对其有效的药物，也可能会导致部分患者使用实际对其无效的药物，因此这种方式无法评价特定药物对于个体患者的有效性，从而会影响患者的后续治疗。
发明内容
本发明提供了一种基于群体划分的药物有效性评价方法、装置及计算机设备，主要在于能够准确地评价特定药物对于个体患者的有效性。
根据本发明的第一个方面，提供一种基于群体划分的药物有效性评价方法，包括：
基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；
根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；
基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；
将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；
根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
根据本发明的第二个方面，提供一种基于群体划分的药物有效性评价装置，包括：
预估单元，用于基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；
划分单元，用于根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；
第一确定单元，用于基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；
第二确定单元，用于将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；
评价单元，用于根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
根据本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；
根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；
基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；
将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；
根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
根据本发明的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；
根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；
基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；
将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；
根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
本发明提供的一种基于群体划分的药物有效性评价方法、装置及计算机设备，与目前通过临床数据评价特定药物有效性的方式相比，本发明能够基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；并根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；与此同时，基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；并将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；最终根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效，由此通过将样本群体划分成多个子群体，并从多个子群体中确定待评价患者所属的目标子群体，能够基于目标子群体对应的有效性参数，评价特定药物对于该待评价患者是否有效，从而能够准确地评价特定药物对于个体患者的有效性，避免影响患者的后续治疗。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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示出了本发明实施例提供的一种基于群体划分的药物有效性评价方法流程图；
图2示出了本发明实施例提供的另一种基于群体划分的药物有效性评价方法流程图；
图3示出了本发明实施例提供的一种基于群体划分的药物有效性评价装置的结构示意图；
图4示出了本发明实施例提供的另一种基于群体划分的药物有效性评价装置的结构示意图；
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
目前，如果依据真实的临床数据进行药物有效性评价，很可能导致部分患者错失实际对其有效的药物，也可能会导致部分患者使用实际对其无效的药物，因此这种方式无法评价特定药物对于个体患者的有效性，从而会影响患者的后续治疗。
为了解决上述问题，本发明实施例提供了一种基于群体划分的药物有效性评价方法，如图1所示，所述方法包括：
101、基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数。
其中，目标药品为某种特定药品，如红霉素、阿司匹林，或者新冠疫苗等，样本群体中包含大量服用过目标药品的患者和未服用过目标药品的患者，不同临床变量包括年龄、性别、既往疾病史、生化检验指标、病理化验指标等，针对目标药品的使用信息包括服用过目标药品和未服用过目标药品，有效性参数可用于评价目标药品针对样本群体是否有效。为了克服现有技术中利用临床数据评价药物有效性的缺陷，本发明实施例，通过将样本群体划分成多个子群体，并从多个子群体中确定待评价患者所属的目标子群体，能够基于目标子群体对应的有效性参数，评价特定药物对于待评价患者是否有效，从而能够准确地评价特定药物对于个体患者的有效性。本发明实施例的执行主体为能够针对特定药物对个体患者进行有效性评价的装置或者设备，具体可以设置在服务器一侧。
对于本发明实施例，为了对个体患者进行药物有效性评价，需要预先将样本群体中的大量患者划分到多个子群体中，并预估多个子群体分别对应的有效性参数。具体地，首先收集大量患者在不同维度下的样本数据，以及针对目标药品的使用信息，该大量患者中既包括服用过该目标药品的患者，也包括未服务过该目标药品的患者，将这些患者作为样本群体，用来作为对个体患者进行药物有效性评价的依据，如收集大量患者在年龄、性别、既往疾病史、生化检验指标、病理化验指标等样本数据，同时收集大量患者针对目标药品的服用情况，包括服用过目标药品和未服用过目标药品，此外，还需要收集样本群体中大量患者的预后信息，如是否减轻病情，是否改善患者预后等。
进一步地，在收集完成样本群体中各个患者在不同临床变量下的样本数据，针对目标药品的使用信息和预后信息之后，基于各个患者在不同临床变量下的样本数据、使用信息和预后信息，构建患者的预后信息预测模型，该模型的输入数据包括不同临床变量下的样本数据和针对目标药品的使用信息，输出数据为患者的预后信息，模型中的参数包括不同临床变量对应的权重和有效性参数，通过该模型和样本群体中各个患者对应的样本数据、使用信息和预后信息，能够预估样本群体对应的有效性参数，以便根据该有效性参数，确定样本群体的分群变量，并基于该分群变量将样本群体划分成多个子群体。构建模型和预估有效性参数的具体过程见步骤201和202。
102、根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体。
对于本发明实施例，在确定样本群体对应的有效性参数之后，利用该有效性参数构建不同临床变量对应的波动函数，通过该波动函数检验目标药品针对不同临床变量的不稳定性，并选取不稳定性最高的临床变量，将其确定为样本群体的第一分群变量，如通过检验目标药品相对于年龄、性别、既往疾病史的不稳定性，确定年龄对应的不稳定性最高，因此将年龄确定为样本群体对应的第一分群变量。进一步地，需要确定第一分群变量对应的最佳临界值，以便基于该第一分群变量及其对应的最佳临界值，将样本群体换分成两个子群体，具体地，可以根据该第一分群变量下各个患者对应的样本数据，确定第一分群变量对应的数据范围，基于该数据范围，选取多个尝试临界值，并利用预设贪婪算法从多个尝试临界值中筛选出最佳临界值。
进一步地，基于该第一分群变量对应的最佳临界值，将样本群体划分成两个子群体，例如，确定第一分群变量对应的最佳临界值为40岁，将样本群体中患者年龄小于40岁的患者划分成子群体1，大于或者等于40岁的患者划分成子群体2。进一步地，重复上述确定第一分群变量及其对应的最佳临界值的过程，根据子群体1和子群体2中各个患者在不同临床变量下的样本数据，针对目标药品的使用信息和预后信息，通过构建的预后信息预测模型，分别预估子群体1和子群体2对应的有效性参数，之后针对子群体1，构建不同临床变量对应的波动函数，并基于该波动函数，校验目标药品针对剩余临床变量的不稳定性，并选取不稳定性最高的临床变量，将其确定为子群体1对应的第二分群变量，如将年龄小于40岁的患者划分到子群体1，利用子群体1对应的有效性参数，构建除年龄之外的剩余临床变量对应的波动函数，通过该波动函数校验目标药品针对剩余临床变量的不稳定性，如剩余临床变量中生化校验指标对应的不稳定性最高，则将生化校验指标确定为子群体1对应的第二分群变量。在确定子群体1对应的第二分群变量后，利用预设贪婪算法确定第二分群变量对应的最佳临界值，基于子群体1的第二分群变量及其对应的最佳临界值，将子群体1再划分成两个子群体。同理可以确定子群体2的第二分群变量及其对应的最佳临界值，基于子群体2的第二分群变量及其对应的最佳临界值，将子群体2再划分成两个子群体，重复上述过程能够将样本群体划分成多个子群体，直至检验的不稳定性满足一定要求，或者划分后的某个子群体中患者数量小于预设数量，停止上述划分过程。将样本群体划分成多个子群体的具体过程详见步骤202-205。
在上述划分子群体的过程中，能够同时预估各个子群体对应的有效性参数、分群变量和最佳临界值，基于各个子群体对应的分群变量和最佳临界值，能够确定各个子群体对应的属性特征，如子群体1对应的第一分群变量的最佳临界值为年龄小于40岁，第二分群变量的最佳临界值为血糖低于5；子群体2对应的第一分群变量的最佳临界值为年龄大于或者等于40岁，第二分群变量的最佳临界值为血糖低于5；子群体3对应的第一分群变量的最佳临界值为年龄小于40岁，第二分群变量的最佳临界值为血糖高于或者等于5；子群体4对应的第一分群变量的最佳临界值为年龄大于或者等于40岁，第二分群变量的最佳临界值为血糖高于或者等于5，由此可知，子群体1对应的属性特征为年龄小于40岁，且血糖低于5，子群体2对应的属性特征为年龄大于或者等于40岁，且血糖低于5，子群体3对应的属性特征为年龄小于40岁，且血糖高于或者等于5，子群体4对应的属性特征为年龄大于或者等于40岁，且血糖高于或者等于5。当对待评价患者进行药物有效性评价时，可以基于不同子群体对应的属性特征，确定待评价患者所属的子群体。
103、基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征。
其中，待评价患者在不同临床变量下的评价数据包括待评价患者的年龄、性别、既往疾病史、生化校验指标、病理化验指标等评价数据。对于本发明实施例，在获取待评价患者在不同临床变量下的评价数据之后，可以参照各个子群体对应的属性特征，通过不同临床变量下的评价数据分析患者的属性特征，例如，通过分析待评价患者在不同临床变量下的评价数据，确定待评价患者对应的属性特征为年龄45岁，血糖高于5，由此能够基于确定的待评价患者的属性特征，确定待评价患者所属的目标子群体。
104、将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体。
例如，子群体1对应的属性特征为年龄小于40岁，且血糖低于5，子群体2对应的属性特征为年龄大于或者等于40岁，且血糖低于5，子群体3对应的属性特征为年龄小于40岁，且血糖高于或者等于5，子群体4对应的属性特征为年龄大于或者等于40岁，且血糖高于或者等于5，通过分析待评价患者在不同临床变量下的评价数据，确定待评价患者对应的属性特征为年龄45岁，血糖6.5，通过将待评价患者对应的属性特征与各个子群体对应的属性特征进行比对，可以发现待评价患者的属性特征与子群体4对应的属性特征相匹配，因此可以确定待评价患者属于子群体4，即子群体4为目标子群体。
105、根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
对于本发明实施例，在将样本群体划分成多个子群体的过程中，能够同时确定多个子群体对应的有效性参数，该有效性参数可以用于评价特定药物针对某一群体的有效性，在确定待评价患者所属的目标子群体后，可以基于目标子群体对应的有效性参数的大小，评价目标药品对于待评价患者的有效性，基于此，步骤105具体包括：若所述目标子群体对应的有效性参数小于0，则确定所述目标药品对于所述待评价患者有效；若所述目标子群体对应的有效性参数大于或者等于0，则确定所述目标药品对于所述待评价患者无效。
例如，确定待评价患者属于目标子群体4，目标子群体4对应的有效性参数大小为0.2，由于目标子群体4对应的有效性参数大于0，因此可以认为目标药品对于待评价患者是有效的，该目标药品可以用于患者的后续治疗，会对患者的治疗产生正面作用。
本发明实施例提供的一种基于群体划分的药物有效性评价方法，与目前通过临床数据评价特定药物有效性的方式相比，本发明能够基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；并根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；与此同时，基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；并将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；最终根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效，由此通过将样本群体划分成多个子群体，并从多个子群体中确定待评价患者所属的目标子群体，能够基于目标子群体对应的有效性参数，评价特定药物对于该待评价患者是否有效，从而能够准确地评价特定药物对于个体患者的有效性，避免影响患者的后续治疗。
进一步的，为了更好的说明上述特定药物针对个体患者的有效性评估过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种基于群体划分的药物有效性评价方法，如图2所示，所述方法包括：
201、基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数。
对于本发明实施例，为了预估目标药品针对样本群体的有效性参数，步骤201具体包括：基于所述样本群体中各个患者在不同临床变量下的样本数据，以及针对所述目标药品的使用信息，构建患者的预后信息预测模型；基于所述预后信息预测模型，预估所述目标药品针对所述样本群体的有效性参数。
具体地，首先收集大量患者在不同临床变量下的样本数据，针对目标药品的使用信息，以及预后信息，并将这些患者整体作为一个样本群体，利用样本群体中各个患者的样本数据、针对目标药品的使用信息和预后信息，训练一个预后信息预测模型，以便利用该预后信息预测模型，预估目标药品针对样本群体的有效性参数，预后信息预测模型的具体构建过程如下：
其中，Yi代表第i个患者的预后信息，Ai代表第i个患者针对目标药品的使用信息，包括服用过目标药品和未服用过目标药品，Xij代表第i个患者在第j个临床变量下的样本数据，w代表不同临床变量对应的权重系数，代表目标药品针对样本群体的有效性参数。进一步地，基于构建的预后信息预测模型，预估目标药品针对样本群体的有效性参数/>具体公式如下：
其中，n代表样本群体中的患者数量，通过该公式能够预估出目标药品针对样本群体的有效性参数，该有效性参数既可以用来评价目标药品针对某个群体的有效性性，还可以利用该有效性参数，校验目标药品针对不同临床变量的不稳定性，进而识别出分群变量进行群体的划分。
202、基于所述样本群体对应的有效性参数，校验所述目标药品针对所述不同临床变量的不稳定性。
对于本发明实施例，为了校验目标药品针对不同临床变量的不稳定性，步骤202具体包括：基于所述样本群体对应的有效性参数，构建所述不同临床变量对应的波动函数；确定所述波动函数中目标变量的多个取值，并将所述目标变量的多个取值代入至所述波动函数中，得到所述不同临床变量对应的多个波动值；将所述多个波动值相加，得到所述不同临床变量对应的总波动距离，基于所述总波动距离，确定所述目标药品针对所述不同临床变量的不稳定性。
具体地，针对每一个临床变量构建一个相应的波动函数，将预估的有效性参数代入至波动函数中，利用该波动函数校验有效性参数相对于每个临床变量的不稳定性，波动函数的具体公式如下：
其中，代表第j个临床变量对应的波动函数，t是目标变量(随机变量)，代表随机从样本群体中抽取任意比例的样本，当t取不同值时，波动函数的取值也不同。此外，针对第j个临床变量，基于患者在第j个临床变量下的样本数据大小，对患者进行排序，筛选排名前nt的患者，即nt代表筛选出的患者数量，并获取排名前nt的患者对应的预后信息Yi，例如，样本群体中共有1000名患者，t＝0.5，针对临床变量年龄，将样本群体中的各个患者按照年龄进行排序，并筛选出排名前500的患者，获取排名前500患者的预后信息Yi，因此针对不同的临床变量，波动函数中的预后信息可能是不同患者的预后信息。
进一步地，通过构建的波动函数，校验有效性参数相对于不同临床变量的不稳定性，如果波动函数Wj围绕0随机波动，则说明有效性参数相对于第j个临床变量的稳定性较好；如果波动函数Wj较0有系统偏移，则说明有效性参数/>相对于第j个临床变量的稳定性不好，因此可以根据波动函数Wj相对于0的距离大小，判定有效性参数/>相对于每个临床变量的稳定性程度，具体地，由于波动函数Wj的取值随t变换，因此可以随机选取多个t值，如选取100个t值，但t的取值大于等于0，且小于等于1，由此可以得到波动函数Wj对应的100个波动值，将这100个波动值相加，可以得到第j个临床变量相对于0的总波动距离，总波动距离越大，说明有效性参数相对于第j个临床变量越不稳定，相反总波动距离越小，说明有效性参数相对于第j个临床变量越稳定，由此能够校验出有效性参数相对于每个临床变量的不稳定性，即目标药品相对于每个临床变量的不稳定性，以便基于该不稳定性，确定从多个临床变量中选取第一分群变量。
203、基于所述目标药品针对所述不同临床变量的不稳定性，确定不稳定性最高的临床变量，并将所述不稳定性最高的临床变量确定为所述样本群体对应的第一分群变量。
对于本发明实施例，在确定有效性参数针对不同临床变量的不稳定性之后，确定不稳定性最高的临床变量，具体地，可以根据不同临床变量相对于0的总波动距离，筛选出总波动距离最大的临床变量，总波动距离最大说明临床变量对应的不稳定性最高，将不稳定性最高的临床变量确定为第一分群变量，例如，确定年龄对应的总波动距离最大，将年龄确定为第一分群变量。
204、根据所述各个患者在所述第一分群变量下的样本数据，确定所述第一分群变量对应的多个尝试临界值，并利用预设贪婪算法从所述多个尝试临界值中筛选出最佳临界值。
对于本发明实施例，为了确定第一分群变量对应的最佳临界值，步骤204具体包括：确定所述多个尝试临界值分别对应的两个子群体；针对所述多个尝试临界值中目标临界值对应的两个子群体，分别构建所述第一分群变量对应的波动函数；基于所述第一分群变量对应的波动函数，分别校验所述目标药品对所述目标临界值对应的两个子群体的稳定性；若所述目标临界值对应的两个子群体的稳定性均达到预设稳定性要求，则确定所述目标临界值为最佳划分临界值。
例如，确定年龄是第一分群变量，确定样本群体中各个患者对应的年龄数据，进而确定第一分群变量年龄对应的数据范围，如5岁-50岁，之后基于年龄对应的数据范围，均匀地确定多个尝试临界值，如每隔5岁选择一个尝试临界值，即尝试临界值为10岁、15岁、20岁、25岁等等，针对每个尝试临界值从样本群体中确定两个子群体，如尝试临界值15岁，对应的两个子群体分别为小于15岁的患者，以及大于或者等于15岁的患者，同理可确定其他尝试临界值对应的两个子群体。
之后针对尝试临界值15岁的两个子群体，分别构建年龄对应的波动函数W1和W2，波动函数的具体公式如上，接着利用该波动函数W1和W2，分别校验目标药品对这两个子群体的稳定性，如果波动函数W1和W2对应的总波动距离均小于预设波动距离，则认为目标药品相对于这两个子群的患者均比较稳定，因此可以认为尝试临界值15岁是第一分群变量年龄对应的最佳临界值，此外，如果有多个尝试临界值均符合上述要求，则可以筛选两个波动函数的总波动距离平均值最小的尝试临界值作为最佳临界值，例如，利用尝试临界值15岁的两个子群体，构建的波动函数W1和W2对应的总波动距离分别为0.5和0.3，利用尝试临界值10岁的两个子群体，构建的波动函数W3和W4对应的总波动距离分别为0.4和0.6，由于上述的总波动距离均小于预设波动距离0.7，因此分别计算尝试临界值15岁对应的总波动距离平均值(0.5+0.3)/2＝0.4，计算尝试临界值10岁对应的总波动距离平均值(0.4+0.6)/2＝0.5，由于尝试临界值15岁对应的总波动距离平均值最小，因此确定尝试临界值15岁为第一分群变量年龄对应的最佳临界值。
205、基于所述最佳临界值，确定所述样本群体对应的多个子群体。
对于本发明实施例，为了将样本群体划分成多个子群体，步骤205具体包括：基于所述最佳临界值将所述样本群体划分成两个子群体，预估所述目标药品针对所述两个子群体的有效性参数；根据所述两个子群体对应的有效性参数，确定所述两个子群体对应的第二分群变量，并基于所述第二分群变量分别对所述两个子群体进行划分，得到所述样本群体对应的多个子群体；根据所述第一分群变量对应的最佳临界值和所述第二分群变量对应的最佳临界值，确定所述多个子群体分别对应的属性特征。
紧接上面的例子，在确定第一分群变量年龄对应的最佳临界值为15岁之后，对样本群体进行划分，将样本群体划分成子群体1和子群体2，子群体1中的患者年龄小于15岁，子群体2中的患者年龄大于或者等于15岁，之后基于子群体1和子群体2中各个患者在不同临床变量下的样本数据和针对目标药品的使用信息，分别预估子群体1和子群体2对应的有效性参数，预估有效性参数的具体过程同上，之后分别根据子群体1和子群体2对应的有效性参数，通过剩余临床变量对应的波动函数校验有效性参数相对于剩余临床变量的不稳定性，其中，该剩余临床变量是指除第一分群变量之外的其他临床变量，该校验过程与步骤202中的校验过程完全相同，之后分别针对子群体1和子群体2选择不稳定性最高的临床变量作为第二分群变量，并采用贪婪算法确定第二分群变量对应的最佳临界值，该最佳临界值的确定过程与步骤204中最佳临界值的确定过程完全相同。进一步地，基于子群体1对应的第二分群变量的最佳临界值，将子群体1再划分成两个子群体，同理基于子群体2对应的第二分群变量的最佳临界值，将子群体2再划分成两个子群体，由此能够将样本群体最终划分成多个子群体。与此同时，根据确定的分群变量及其对应的最佳临界值，能够确定多个子群体对应的属性特征。
206、基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征。
例如，通过分析待评价患者的年龄、性别、既往疾病史、生化校验指标、病理化验指标等评价数据，确定待评价患者对应的属性特征为年龄45岁，血糖高于5。
207、将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体。
对于本发明实施例，在确定待评价患者对应的属性特征后，需要将待评价患者对应的属性特征与各个子群体对应的属性特征进行比对，进而确定待评价患者所属的目标子群体，该过程与步骤104中确定目标子群体的过程完全相同，在此不再赘述。
208、根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
对于本发明实施例，可以设置有效性参数的多个取值范围，以便精度地评价目标药品对于待评价患者的有效程度或者风险程度，如果目标子群体对应的有效性参数大于0.5，则可以确定目标药品能够有效地减轻待评价患者的病情，或者能够有效地改善待评价患者的预后情况；如果有效性参数大于0，且小于或者等于0.5，则说明目标药品对于待评价患者是有效的，但是治疗效果一般；如果有效性参数小于或者等于0，且大于或者等于-0.5，则说明目标药品对于待评价患者是无效的，没有治疗作用；如果有效性参数小于-0.5，则说明目标药品对于待评价患者有很大的副作用，存在风险，禁止待评价患者服用。
本发明实施例提供的另一种基于群体划分的药物有效性评价方法，与目前通过临床数据评价特定药物有效性的方式相比，本发明能够基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；并根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；与此同时，基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；并将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；最终根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效，由此通过将样本群体划分成多个子群体，并从多个子群体中确定待评价患者所属的目标子群体，能够基于目标子群体对应的有效性参数，评价特定药物对于该待评价患者是否有效，从而能够准确地评价特定药物对于个体患者的有效性，避免影响患者的后续治疗。
进一步地，作为图1的具体实现，本发明实施例提供了一种基于群体划分的药物有效性评价装置，如图3所示，所述装置包括：预估单元31、划分单元32、第一确定单元33、第二确定单元34和评价单元35。
所述预估单元31，可以用于基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数。
所述划分单元32，可以用于根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述分群变量将所述样本群体划分成多个子群体。
所述第一确定单元33，可以用于基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征。
所述第二确定单元34，可以用于将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体。
所述评价单元35，可以用于根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
在具体应用场景中，为了预估目标药品针对所述样本群体的有效性参数，所述预估单元31，如图4所示，包括：构建模块311和预估模块312。
所述构建模块311，可以用于基于所述样本群体中各个患者在不同临床变量下的样本数据，以及针对所述目标药品的使用信息，构建患者的预后信息预测模型。
所述预估模块312，可以用于基于所述预后信息预测模型，预估所述目标药品针对所述样本群体的有效性参数。。
在具体应用场景中，为了将样本群体划分成多个子群体，所述划分单元32，包括：校验模块321、第一确定模块322、筛选模块323和第二确定模块324。
所述校验模块321，可以用于基于所述样本群体对应的有效性参数，校验所述目标药品针对所述不同临床变量的不稳定性。
所述第一确定模块322，可以用于基于所述目标药品针对所述不同临床变量的不稳定性，确定不稳定性最高的临床变量，并将所述不稳定性最高的临床变量确定为所述样本群体对应的第一分群变量。
所述筛选模块323，可以用于根据所述各个患者在所述第一分群变量下的样本数据，确定所述第一分群变量对应的多个尝试临界值，并利用预设贪婪算法从所述多个尝试临界值中筛选出最佳临界值。
所述第二确定模块324，可以用于基于所述最佳临界值，确定所述样本群体对应的多个子群体。
进一步地，为了校验目标药品针对所述不同临床变量的不稳定性，检验模块321，包括：构建子模块和确定子模块。
所述构建子模块，可以用于基于所述样本群体对应的有效性参数，构建所述不同临床变量对应的波动函数。
所述确定子模块，可以用于确定所述波动函数中目标变量的多个取值，并将所述目标变量的多个取值代入至所述波动函数中，得到所述不同临床变量对应的多个波动值。
所述确定子模块，还可以用于将所述多个波动值相加，得到所述不同临床变量对应的总波动距离，基于所述总波动距离，确定所述目标药品针对所述不同临床变量的不稳定性。
进一步地，为了从多个尝试临界值中筛选出最佳临界值，所述筛选模块323，包括：确定子模块、构建子模块和校验子模块。
所述确定子模块，可以用于确定所述多个尝试临界值分别对应的两个子群体。
所述构建子模块，可以用于针对所述多个尝试临界值中目标临界值对应的两个子群体，分别构建所述第一分群变量对应的波动函数。
所述校验子模块，可以用于基于所述第一分群变量对应的波动函数，分别校验所述目标药品对所述目标临界值对应的两个子群体的稳定性。
所述确定子模块，可以用于若所述目标临界值对应的两个子群体的稳定性均达到预设稳定性要求，则确定所述目标临界值为最佳划分临界值。
进一步地，划分样本群体对应的多个子群体，所述第二确定模块324，包括：预估子模块、划分子模块和确定子模块。
所述预估子模块，可以用于基于所述最佳临界值将所述样本群体划分成两个子群体，预估所述目标药品针对所述两个子群体的有效性参数。
所述划分子模块，可以用于根据所述两个子群体对应的有效性参数，确定所述两个子群体对应的第二分群变量，并基于所述第二分群变量分别对所述两个子群体进行划分，得到所述样本群体对应的多个子群体。
所述确定子模块，可以用于根据所述第一分群变量对应的最佳临界值和所述第二分群变量对应的最佳临界值，确定所述多个子群体分别对应的属性特征。
在具体应用场景中，为了评价目标药品针对所述待评价患者是否有效，所述评价单元35，包括：第三确定模块351和第四确定模块352。
所述第三确定模块351，可以用于若所述目标子群体对应的有效性参数小于0，则确定所述目标药品对于所述待评价患者有效。
所述第四确定模块352，可以用于若所述目标子群体对应的有效性参数大于或者等于0，则确定所述目标药品对于所述待评价患者无效。
需要说明的是，本发明实施例提供的一种基于群体划分的药物有效性评价装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
基于上述如图1所示方法和如图3所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤：基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效。
通过本发明的技术方案，能够基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；并根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；与此同时，基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；并将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；最终根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效，由此通过将样本群体划分成多个子群体，并从多个子群体中确定待评价患者所属的目标子群体，能够基于目标子群体对应的有效性参数，评价特定药物对于该待评价患者是否有效，从而能够准确地评价特定药物对于个体患者的有效性，避免影响患者的后续治疗。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
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，均应包括在本发明的保护范围之内。
Claims (7)
1.一种基于群体划分的药物有效性评价方法，其特征在于，包括：
基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；
根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体；
基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；
将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；
根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效；
所述基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数，包括：
基于所述样本群体中各个患者在不同临床变量下的样本数据，以及针对所述目标药品的使用信息，构建患者的预后信息预测模型；
基于所述预后信息预测模型，预估所述目标药品针对所述样本群体的有效性参数；
所述构建患者的预后信息预测模型，包括：
收集大量患者在不同临床变量下的样本数据，针对目标药品的使用信息，以及预后信息，并将这些患者整体作为一个样本群体，利用样本群体中各个患者的样本数据、针对目标药品的使用信息和预后信息，训练一个预后信息预测模型，以便利用该预后信息预测模型，预估目标药品针对样本群体的有效性参数，预后信息预测模型的具体构建过程如下：
其中，Yi代表第i个患者的预后信息，Ai代表第i个患者针对目标药品的使用信息，包括服用过目标药品和未服用过目标药品，Xij代表第i个患者在第j个临床变量下的样本数据，w代表不同临床变量对应的权重系数，代表目标药品针对样本群体的有效性参数，进一步地，基于构建的预后信息预测模型，预估目标药品针对样本群体的有效性参数/>，具体公式如下：
其中，n代表样本群体中的患者数量，通过该公式能够预估出目标药品针对样本群体的有效性参数，该有效性参数用于评价目标药品针对某个群体的有效性，或用于校验目标药品针对不同临床变量的不稳定性，进而识别出分群变量进行群体的划分；
所述根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体，包括：
基于所述样本群体对应的有效性参数，校验所述目标药品针对所述不同临床变量的不稳定性；
基于所述目标药品针对所述不同临床变量的不稳定性，确定不稳定性最高的临床变量，并将所述不稳定性最高的临床变量确定为所述样本群体对应的第一分群变量；
根据所述各个患者在所述第一分群变量下的样本数据，确定所述第一分群变量对应的多个尝试临界值，并利用预设贪婪算法从所述多个尝试临界值中筛选出最佳临界值；
基于所述最佳临界值，确定所述样本群体对应的多个子群体；
所述基于所述样本群体对应的有效性参数，校验所述目标药品针对所述不同临床变量的不稳定性，包括：
基于所述样本群体对应的有效性参数，构建所述不同临床变量对应的波动函数；
确定所述波动函数中目标变量的多个取值，并将所述目标变量的多个取值代入至所述波动函数中，得到所述不同临床变量对应的多个波动值；
将所述多个波动值相加，得到所述不同临床变量对应的总波动距离，基于所述总波动距离，确定所述目标药品针对所述不同临床变量的不稳定性；
所述构建所述不同临床变量对应的波动函数，包括：
针对每一个临床变量构建一个相应的波动函数，将预估的有效性参数代入至波动函数中，利用该波动函数校验有效性参数相对于每个临床变量的不稳定性，波动函数的具体公式如下：
其中，代表第j个临床变量对应的波动函数，t是目标变量，代表随机从样本群体中抽取任意比例的样本，当t取不同值时，波动函数的取值也不同，nt代表筛选出的患者数量。
2.根据权利要求1所述的方法，其特征在于，所述利用预设贪婪算法从所述多个尝试临界值中筛选出最佳临界值，包括：
确定所述多个尝试临界值分别对应的两个子群体；
针对所述多个尝试临界值中目标临界值对应的两个子群体，分别构建所述第一分群变量对应的波动函数；
基于所述第一分群变量对应的波动函数，分别校验所述目标药品对所述目标临界值对应的两个子群体的稳定性；
若所述目标临界值对应的两个子群体的稳定性均达到预设稳定性要求，则确定所述目标临界值为最佳划分临界值。
3.根据权利要求1所述的方法，其特征在于，所述基于所述最佳临界值，确定所述样本群体对应的多个子群体，包括：
基于所述最佳临界值将所述样本群体划分成两个子群体，预估所述目标药品针对所述两个子群体的有效性参数；
根据所述两个子群体对应的有效性参数，确定所述两个子群体对应的第二分群变量，并基于所述第二分群变量分别对所述两个子群体进行划分，得到所述样本群体对应的多个子群体；
根据所述第一分群变量对应的最佳临界值和所述第二分群变量对应的最佳临界值，确定所述多个子群体分别对应的属性特征。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效，包括：
若所述目标子群体对应的有效性参数小于0，则确定所述目标药品对于所述待评价患者有效；
若所述目标子群体对应的有效性参数大于或者等于0，则确定所述目标药品对于所述待评价患者无效。
5.一种基于群体划分的药物有效性评价装置，其特征在于，包括：
预估单元，用于基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数；
划分单元，用于根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述分群变量将所述样本群体划分成多个子群体；
第一确定单元，用于基于待评价患者在所述不同临床变量下的评价数据，确定所述待评价患者对应的属性特征；
第二确定单元，用于将所述待评价患者对应的属性特征与所述多个子群体分别对应的属性特征进行比对，根据比对结果，确定所述待评价患者所属的目标子群体；
评价单元，用于根据所述目标子群体对应的有效性参数，评价所述目标药品针对所述待评价患者是否有效；
所述基于样本群体中各个患者在不同临床变量下的样本数据，以及针对目标药品的使用信息，预估所述目标药品针对所述样本群体的有效性参数，包括：
基于所述样本群体中各个患者在不同临床变量下的样本数据，以及针对所述目标药品的使用信息，构建患者的预后信息预测模型；
基于所述预后信息预测模型，预估所述目标药品针对所述样本群体的有效性参数；
所述构建患者的预后信息预测模型，包括：
收集大量患者在不同临床变量下的样本数据，针对目标药品的使用信息，以及预后信息，并将这些患者整体作为一个样本群体，利用样本群体中各个患者的样本数据、针对目标药品的使用信息和预后信息，训练一个预后信息预测模型，以便利用该预后信息预测模型，预估目标药品针对样本群体的有效性参数，预后信息预测模型的具体构建过程如下：
其中，Yi代表第i个患者的预后信息，Ai代表第i个患者针对目标药品的使用信息，包括服用过目标药品和未服用过目标药品，Xij代表第i个患者在第j个临床变量下的样本数据，w代表不同临床变量对应的权重系数，代表目标药品针对样本群体的有效性参数，进一步地，基于构建的预后信息预测模型，预估目标药品针对样本群体的有效性参数/>，具体公式如下：
其中，n代表样本群体中的患者数量，通过该公式能够预估出目标药品针对样本群体的有效性参数，该有效性参数用于评价目标药品针对某个群体的有效性，或用于校验目标药品针对不同临床变量的不稳定性，进而识别出分群变量进行群体的划分；
所述根据所述样本群体对应的有效性参数，确定所述样本群体对应的第一分群变量，并基于所述第一分群变量将所述样本群体划分成多个子群体，包括：
基于所述样本群体对应的有效性参数，校验所述目标药品针对所述不同临床变量的不稳定性；
基于所述目标药品针对所述不同临床变量的不稳定性，确定不稳定性最高的临床变量，并将所述不稳定性最高的临床变量确定为所述样本群体对应的第一分群变量；
根据所述各个患者在所述第一分群变量下的样本数据，确定所述第一分群变量对应的多个尝试临界值，并利用预设贪婪算法从所述多个尝试临界值中筛选出最佳临界值；
基于所述最佳临界值，确定所述样本群体对应的多个子群体；
所述基于所述样本群体对应的有效性参数，校验所述目标药品针对所述不同临床变量的不稳定性，包括：
基于所述样本群体对应的有效性参数，构建所述不同临床变量对应的波动函数；
确定所述波动函数中目标变量的多个取值，并将所述目标变量的多个取值代入至所述波动函数中，得到所述不同临床变量对应的多个波动值；
将所述多个波动值相加，得到所述不同临床变量对应的总波动距离，基于所述总波动距离，确定所述目标药品针对所述不同临床变量的不稳定性；
所述构建所述不同临床变量对应的波动函数，包括：
针对每一个临床变量构建一个相应的波动函数，将预估的有效性参数代入至波动函数中，利用该波动函数校验有效性参数相对于每个临床变量的不稳定性，波动函数的具体公式如下：
其中，代表第j个临床变量对应的波动函数，t是目标变量，代表随机从样本群体中抽取任意比例的样本，当t取不同值时，波动函数的取值也不同，nt代表筛选出的患者数量。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111015958.4A CN113707263B (zh) | 2021-08-31 | 2021-08-31 | 基于群体划分的药物有效性评价方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111015958.4A CN113707263B (zh) | 2021-08-31 | 2021-08-31 | 基于群体划分的药物有效性评价方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113707263A CN113707263A (zh) | 2021-11-26 |
| CN113707263B true CN113707263B (zh) | 2023-09-12 |
Family
ID=78658272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111015958.4A Active CN113707263B (zh) | 2021-08-31 | 2021-08-31 | 基于群体划分的药物有效性评价方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113707263B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789989B (zh) * | 2024-02-27 | 2024-04-30 | 贵州省畜牧兽医研究所 | 一种家禽疫病治疗效果量化评价方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003032827A1 (en) * | 2001-08-03 | 2003-04-24 | Robert Becker | Method for reliable measurement in medical care and patient self monitoring |
| 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 |
| WO2019233455A1 (zh) * | 2018-06-07 | 2019-12-12 | 上海镁善斯健康科技有限公司 | 一种用药依从性评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9342657B2 (en) * | 2003-03-24 | 2016-05-17 | Nien-Chih Wei | Methods for predicting an individual's clinical treatment outcome from sampling a group of patient's biological profiles |
-
2021
- 2021-08-31 CN CN202111015958.4A patent/CN113707263B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003032827A1 (en) * | 2001-08-03 | 2003-04-24 | Robert Becker | Method for reliable measurement in medical care and patient self monitoring |
| WO2019233455A1 (zh) * | 2018-06-07 | 2019-12-12 | 上海镁善斯健康科技有限公司 | 一种用药依从性评估方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 临床药物评价的有效性;唐镜波;中国药房(第01期);第6-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113707263A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ElShawi et al. | Interpretability in healthcare: A comparative study of local machine learning interpretability techniques | |
| CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
| JP6066826B2 (ja) | 分析システム及び保健事業支援方法 | |
| KR101758055B1 (ko) | 환자 개인 특성에 대한 분석 방법 및 그 장치 | |
| Fedushko et al. | Medical card data imputation and patient psychological and behavioral profile construction | |
| Keyhani et al. | Effect of clinical and social risk factors on hospital profiling for stroke readmission: a cohort study | |
| CN111695593A (zh) | 基于XGBoost的数据分类方法、装置、计算机设备及存储介质 | |
| Rashidian et al. | Deep learning on electronic health records to improve disease coding accuracy | |
| US20210174968A1 (en) | Visualization of Social Determinants of Health | |
| CN113724847A (zh) | 基于人工智能的医疗资源分配方法、装置、终端设备及介质 | |
| CN109767067A (zh) | 基于多评价维度评价医院的方法及相关产品 | |
| CN113707263B (zh) | 基于群体划分的药物有效性评价方法、装置及计算机设备 | |
| CN113095365A (zh) | 医疗保险违规数据识别方法及装置 | |
| CN110322295A (zh) | 关系强度确定方法及系统、服务器、计算机可读介质 | |
| GB2590046A (en) | Data protection | |
| CN113130052A (zh) | 医生推荐方法、医生推荐装置、终端设备及存储介质 | |
| CN113130021B (zh) | 一种临床数据的分析方法、装置、可读介质及电子设备 | |
| Min et al. | Relating Complexity and Error Rates of Ontology Concepts | |
| CN110415779A (zh) | 保温措施有效性检测方法、装置、设备及存储介质 | |
| Ahmed et al. | Inferring epidemic dynamics using gaussian process emulation of agent-based simulations | |
| Westwood et al. | Assessment of cost-effectiveness | |
| Knudson et al. | Citation of evidence for research and application in kinesiology | |
| CN112016979A (zh) | 用户分群方法、装置、设备和计算机可读存储介质 | |
| Jones | Complexity and forensic pathology | |
| Yankovskaya et al. | Development of hybrid intelligent system of express-diagnostics for detection potential attacker |
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 |