CN114078576B - 临床辅助决策方法、装置、设备及介质 - Google Patents
临床辅助决策方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114078576B CN114078576B CN202111381709.7A CN202111381709A CN114078576B CN 114078576 B CN114078576 B CN 114078576B CN 202111381709 A CN202111381709 A CN 202111381709A CN 114078576 B CN114078576 B CN 114078576B
- Authority
- CN
- China
- Prior art keywords
- sub
- prognosis
- medication
- prescription
- mutually exclusive
- 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
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
- 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
- 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
Abstract
本申请公开了一种临床辅助决策方法、装置、设备及介质,该方法包括:基于获取的指南数据,构建非互斥决策树,非互斥决策树包括叶子节点和非叶子节点;依次对每个叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象;基于非互斥决策树对目标对象进行用药频繁集挖掘处理,确定用药处方;基于用药处方对目标对象进行预后分析,得到预后效果;根据预后效果,对待分析对象进行临床辅助决策。该方案能够从全局角度对全人群进行划分,得到更贴近实际的目标对象分类结果,提高了目标对象的组内患者用药结局可比性,使得用药推荐的证据更可靠,进而从全局角度对全人群患者给出对应的临床用药辅助建议。
Description
技术领域
本发明一般涉及计算机辅助医疗技术领域,具体涉及一种临床辅助决策方法、装置、设备及介质。
背景技术
随着医疗技术和信息处理技术的不断发展,临床决策支持系统(ClinicalDecisionSupportSystem,简称CDSS)作为一种融合了临床知识、辅助医生做出关于诊断、治疗、预后等决策的系统工具,已经广泛得应用在医疗领域中,其能够为医生提供诊断、处方等决策支持。在医疗领域中使用的例如医疗记录等数据正在被数字化的过程中,医学研究的系统化和累计的信息的数量快速增长,这些数据能够服务于CDSS的决策中,为临床决策提供数据支持。
目前,相关技术中的CDSS是基于临床指南构建决策树,并基于决策树和电子医疗记录等数据确定预后信息,从而辅助医生做出适合患者的用药决策。然而,在临床实践过程中,临床指南无法完全覆盖全部患者的情况,且大量的临床指南仅是根据某一种特定的情况针对某种特定的药物给出建议,并未从全局对全人群进行划分,无法实现全人群的分群并给出对应的治疗建议。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种临床辅助决策方法、装置、设备及介质。
第一方面,本申请实施例提供了一种临床辅助决策方法,该方法包括:
基于获取的指南数据,构建非互斥决策树,所述非互斥决策树包括叶子节点和非叶子节点,所述叶子节点用于表征对处理对象的分组结果,所述非叶子节点用于表征对所述处理对象进行分组的决策条件;
依次对每个所述叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象;
基于所述非互斥决策树对所述目标对象进行用药频繁集挖掘处理,确定用药处方;
基于所述用药处方对所述目标对象进行预后分析,得到预后效果;
根据所述预后效果,对待分析对象进行临床辅助决策。
在其中一个实施例中,基于所述非互斥决策树对所述目标对象进行用药频繁集挖掘,确定用药处方,包括:
确定所述非互斥决策树中按照所述处理对象的治疗目的划分的各分支;
分别对于每个所述分支中的目标对象的用药处方进行频繁集挖掘处理,确定每个所述分支对应的子频繁用药处方;
对各个所述子频繁用药处方进行排列组合处理,得到用药处方。
在其中一个实施例中,基于所述用药处方对所述目标对象进行预后分析,得到预后效果,包括:
确定每个所述分支对应的子频繁用药处方的数量;
对于每个所述分支,将所述目标对象按照所述数量进行分组,得到各个子分组;
分别对所述各个子分组的目标对象对应的用药处方进行预后分析,得到每个子分组对应的预后效果。
在其中一个实施例中,分别对所述各个子分组的目标对象对应的用药处方进行预后分析,得到每个子分组对应的预后效果,包括:
采用预设算法对所述用药处方进行矫正,以确定每个子分组对应的预后效果。
在其中一个实施例中,采用预设算法对所述用药处方进行矫正,包括:
获取除所述用户处方外的其他所有变量和所述用户处方对应的预后结局;
基于所述其他所有变量对所述用户处方进行回归分析,查找对所述用户处方的判断具有显著性的显著变量;
基于所述显著变量和所述用户处方,对所述预后结局进行回归分析,判断所述用户处方对所述预后结局的影响以对所述用药处方进行矫正。
在其中一个实施例中,基于所述预后效果,对待分析对象进行临床辅助决策,包括:
获取待分析对象的诊疗信息;
根据所述诊疗信息对所述待分析对象进行分组,确定所述待分析对象在所述非互斥决策树中的叶子节点和子分组,所述子分组为编号相同的叶子节点组合得到的;
基于每个子分组对应的预后效果,对所述待分析对象进行药物推荐。
在其中一个实施例中,基于每个子分组对应的预后效果,对所述待分析对象进行药物推荐,包括:
将所述各个子分组对应的预后效果进行比对分析,确定预后效果最优的子分组;
推荐所述预后效果最优的子分组对应的用药处方至所述待分析对象。
第二方面,本申请提供了一种临床辅助决策装置,该装置包括:
决策树构建模块,用于基于获取的指南数据,构建非互斥决策树,所述非互斥决策树包括叶子节点和非叶子节点,所述叶子节点用于表征处理对象的分组结果,所述非叶子节点用于表征对所述处理对象进行分组的决策条件;
目标对象确定模块,用于依次对每个所述叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象;
处方确定模块,用于基于所述非互斥决策树对所述目标对象进行用药频繁集挖掘处理,确定用药处方;
预后分析模块,用于基于所述用药处方对所述目标对象进行预后分析,得到预后效果;
辅助决策模块,用于根据所述预后效果,对待分析对象进行临床辅助决策。
第三方面,本申请实施例提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现如上述第一方面的临床辅助决策方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序用于实现如上第一方面的临床辅助决策方法。
本申请实施例中提供的临床辅助决策方法、装置、设备及存储介质,通过基于获取的指南数据,构建非互斥决策树,该非互斥决策树包括叶子节点和非叶子节点,叶子节点用于表征对处理对象的分类结果,非叶子节点用于表征对处理对象进行分组的决策条件,依次对每个叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象,并基于非互斥决策树对目标对象进行用药频繁集挖掘处理,确定用药处方,然后基于用药处方对目标对象进行预后分析,得到预后效果,根据预后效果,对待分析对象进行临床辅助决策。该技术方案通过构建非互斥决策树,能够从全局角度对全人群进行划分,得到更贴近实际的目标对象分类结果,提高了目标对象的组内患者用药结局可比性,使得用药推荐的证据更可靠,进而从全局角度对全人群患者给出对应的临床用药辅助建议。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请实施例提供的临床辅助决策系统的结构示意图;
图2为本申请实施例提供的临床辅助决策方法的流程示意图;
图3为本申请实施例提供的非互斥决策树的结构示意图;
图4为本申请实施例提供的相似患者与组内人数的柱状图;
图5为本申请实施例提供的对目标对象进行用药频繁集挖掘方法的流程图;
图6为本申请实施例提供的j组患者的用药处方及其预后发生率的示意图;
图7为本申请实施例提供的对待分析对象进行临床辅助决策方法的流程示意图;
图8为本申请实施例提供的临床辅助决策装置的结构示意图;
图9为本申请实施例示出的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
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。下面将参考附图并结合实施例来详细说明本申请。
如背景技术中提到的,CDSS是指一种设计用来为医生和其他卫生专业人员提供临床决策的卫生信息技术系统,帮助医生提高决策水平,提示医生可能出现的潜在错误。
相关技术中的CDSS是基于临床指南进行决策建议,并结合电子医疗记录中该决策的实际效果,为医生提供建议和证据支持。例如,在糖尿病的推荐治疗过程中,可以先根据由糖尿病治疗临床指南整理成决策树,并根据患者病情将患者按照决策树分为不同的群,决策树的每一个叶子节点代表每一类患者,然后根据临床指南,对于每个叶子节点都有对应的标准用药方案,该标准用药方案可以包括A/B两种方案,并结合电子病历,计算在实际情况下每个叶子节点在使用对应的标准用药方案A/B两种方案时的预后信息,该预后信息例如可以是三个月后血糖控制率等,然后将该预后信息提供给医生,从而辅助医生做出适合患者的用药决策。
然而,在临床实践过程中,临床指南可以覆盖全部患者的情况非常少,且大量的临床指南仅是根据某一种特定的情况针对某种特定的药物给出建议,并没有实现从全局对全人群进行划分。比如,在慢性心衰的临床指南中,有根据“是否曾经服用过利尿剂”以及“当前症状有无改善进行的利尿剂推荐”,也有根据“是否有过用药史”进行的推荐,这两个分支在全人群中并不互斥,即存在患者满足“无用药史、未服用过利尿剂”和“有用药史、未服用过利尿剂”等多种情况,因此,基于互斥决策树的临床辅助决策系统在大多数疫病中并不适用,且关于指南的建议内容包括“对于服用过噻嗪类或袢利尿剂的患者,如果症状未改善,需要在此基础上添加托伐普坦”,类似这样的描述无法系统性组织在一起,导致无法实现对全人群的分群并给出对应的治疗建议。
基于上述缺陷,本申请提供了一种临床辅助决策方法、装置、设备及介质,与现有技术相比,该技术方案通过构建非互斥决策树,能够从全局角度对全人群进行划分,得到更贴近实际的目标对象分类结果,提高了目标对象的组内患者用药结局的可比性,使得用药推荐的证据更可靠,进而从全局角度对全人群患者给出对应的临床用药辅助建议。
图1是本申请实施例提供的一种临床辅助决策方法的实施环境架构图。如图1所示,该实施环境架构包括:终端100和服务器200。
终端100可以独立实现临床辅助决策,也可以与服务器200配合实现临床辅助决策。
可选地,终端100可以是智能电视、智能电视机顶盒等智能家居设备,或者终端100可以是智能手机、平板电脑以及电子书阅读器等移动式便携终端,或者,该终端100可以是智能眼镜、智能手表等智能可穿戴设备,本实施例对此不进行具体限定。
其中,终端100或服务器200中均可预先存储有指南数据。比如,该指南数据可以是临床指南数据,用于为医生提供决策建议。
服务器200可以是一台服务器,也可以是由若干台服务器构成的服务器集群,或者服务器200可以包含一个或多个虚拟化平台,或者服务器200可以是一个云计算服务中心。
终端100与服务器200之间通过有线或无线网络建立通信连接。可选的,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan AreaNetwork,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
为了便于理解和说明,下面通过图2至图9详细阐述本申请实施例提供的临床辅助决策方法、装置、设备及介质。
图4所示为本申请实施例的临床辅助决策方法的流程示意图,该方法可以由计算机设备执行,该计算机设备可以是上述图1所示系统中的服务器200或者终端100,或者,该计算机设备也可以是终端100和服务器200的结合。如图4所示,该方法包括:
S101、基于获取的指南数据,构建非互斥决策树,非互斥决策树包括叶子节点和非叶子节点,叶子节点用于表征对处理对象的分组结果,非叶子节点用于表征对处理对象进行分组的决策条件。
可选地,可以从内部数据库中获取指南数据,也可以从外部设备进行导入以获取指南数据。其中,该指南数据可以包括针对不同病症对应的诊断策略和用药建议。
具体地,在获取到指南数据后,可以从指南数据中获取不同病症对应的用药建议,并对用药建议进行梳理,得到非互斥决策树。需要说明的是,该非互斥决策树包括叶子节点和非叶子节点,叶子节点和非叶子节点的个数可以是多个,叶子节点用于表征对处理对象的分组结果,非叶子节点用于表征对处理对象进行分组的决策条件,该处理对象可以是患者,可以为多个。患者可以进入非互斥决策树的不同分支,且进行的药物推荐在不同分支中可以是相互独立的。
需要说明的是,非互斥决策树是从根节点到叶子节点的路径构建了一条规则:路径上的内部节点对应着处理对象需要满足的决策条件,该决策条件例如是用药史、症状、生命体征、检验检查指标等,叶子节点的类对应着分组结果。决策树的路径或者其对应着的规则的集合具有重要的性质:互斥且完备。
示例性地,请参见图3所示,可以根据指南数据中的针对慢性心衰治疗的用药建议梳理出在慢性心衰治疗决策树,在该慢性心衰治疗决策树中,非叶子节点为将患者进行分组的决策条件,该决策条件也是根据指南数据进行梳理得到,例如可以包括患者的用药史、症状持续或改善情况、患者生命体征、主要检验检查指标等,叶子节点为该分组下患者对应的可选的用药方案。例如图3中慢性心衰治疗决策树最左侧的一个分支,是先根据患者的既往用药判断出患者服用过利尿剂,且在满足“决策条件1”的情况下,推荐使用节点1对应的用药组合;当判断出患者服用过利尿剂,且不满足“决策条件1”的情况下,推荐使用节点2对应的用药组合。
需要说明的是,以处理对象为患者为例,可以根据患者的治疗目的,确定药品大类,即将慢性心衰治疗决策树可以分为互相独立的两个大的分支,包括左侧分支和右侧分支,即图3中左侧大的分支为针对利尿剂的用药组合推荐,右侧为针对非利尿剂的用药组合推荐,其中,非利尿剂是针对其他改善心功能的药物推荐,患者可以同时进入左右这两个分支中,且进入其中一个分支后对应分支开药的情况完全不影响另一分支中的开药情况,因此,左右两个分支是非互斥的。
其中,非互斥决策树还可以处理用药方案相关但条件不互斥的情况,该种情况例如图3种患者进入右侧分支,即针对改善心功能的药物推荐种,可根据用药史和当前的疾病情况,同时进入多个子分支,例如,该患者同时进入“决策条件4-叶子节点4”、“决策条件5-叶子节点9”两个子分支中。需要注意的是,右侧多个子分支之间的用药处方是相关的。
S102、依次对每个叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象。
具体地,在构建出非互斥决策树之后,可以基于非互斥决策树的分类结果,根据叶子节点的组合确定目标对象。其中,当处理对象为患者时,确定的目标对象为相似患者。通过对非互斥决策树中的每个叶子节点进行编号,得到多组相似患者,其中,相似患者就是具有相同叶子节点编号组合的患者。
请参见图4所示,图4所示相似患者与组内人数的柱状图。包括每组相似患者所在节点和每组相似患者的数量,其中,方框中的节点编号分别为非互斥决策树中的11个叶子节点编号,a-j组是组内人数最高的10个相似患者分组。例如,g组相似患者表示组内患者同时进入第7、10个叶子节点,j组相似患者表示组内患者同时进入第5、7、12、14个叶子节点。
本实施例中,传统的决策树中,对患者进行分类时只能进入唯一的节点,进入相同节点的患者被称为相似患者,与传统的决策树不同,该非互斥决策树进入相同节点组合的患者被称为相似患者,从而能够更贴近实际应用,具有普适性。
S103、基于所述非互斥决策树对所述目标对象进行用药频繁集挖掘,确定用药处方。
本步骤中,与传统的决策树针对同一组相似患者,直接挖掘所有的药物组合的方案不同,在得到相似患者的分组结果后,需要针对每一组相似患者进行用药频繁集的挖掘,在进行用药频繁集的挖掘处理中,需要分别对非互斥决策树左右两个分支进行挖掘处理。
在上述实施例的基础上,图5为对目标对象进行用药频繁集挖掘方法的流程图,如图5所示,该方法包括:
S201、确定非互斥决策树中按照处理对象的治疗目的划分的各分支。
S202、分别对于每个分支中的目标对象的用药处方进行频繁集挖掘处理,确定每个分支对应的子频繁用药处方。
S203、对各个子频繁用药处方进行排列组合处理,得到用药处方。
具体地,在对患者进行用药频繁集挖掘时,需要分别对非互斥决策树的左右两个分支进行挖掘,可以确定非互斥决策树中按照处理对象的治疗目的划分的各分支,即可以得到左右两个分支,然后分别对于每个分支中的目标对象的用药处方进行频繁集挖掘处理,确定左右两个分支钟每个分支对应的子频繁用药处方。需要说明的是,由于每个分支中的多个子分支之间的用药处方是相关的,因此,在进行用药频繁集挖掘,需要考虑每个分支中的多个子分支之间的用药处方的联合分布。
示例性地,以处理对象为患者为例,例如对于g组患者,将其左侧分支的关于使用利尿剂的用药处方进行频繁集挖掘处理,例如可以得到2组子频繁用药处方,并将右侧分支的关于改善心功能的用药处方进行频繁集挖掘,例如可以得到4组子频繁用药处方。那么对于g组患者,因为左侧分支的子频繁用药处方和右侧分支的子频繁用药处方都是独立的,因此,将左右两侧分支的所有子频繁用药处方进行排列组合处理,得到用药处方的数量为8种。
可选地,在对每个分支中的目标对象的用药处方进行频繁集挖掘处理的过程种,可以采用Apriori算法实现,可以通过调用预先配置的程序包实现该操作。
需要说明的是,Apriori算法是关联规则挖掘算法,是经典的挖掘频繁项集和关联规则的数据挖掘算法。它用来找出数据值种频繁出现的数据集合,找出这些集合的模式有助于我们做一些决策。它利用逐层搜索的迭代方法找出数据库种项集的关系,以形成规则,其过程由连接(类矩阵运算)与剪枝(去掉那些没必要的中间结果)组成。该算法种项集的概念即为项的集合,包含k个项的集合为k项集。项集出现的频率是包含项集的事务数,称为项集的频率。如果某项集满足最小支持度,则称它为频繁项集。
S104、基于用药处方对目标对象进行预后分析,得到预后效果。
可以理解的是,传统的预后分析,会根据处方将相似患者细分为亚群,每个亚群单独进行预后分析。而本申请中提出的非互斥决策树中,存在相互独立的两个分支部分,左侧分支开药和右侧分支开药,因此,会对左右两个分支各独立部分分别进行分析,作为给出临床辅助决策系统CDSS药物推荐建议的依据。
具体地,在基于用药处方对目标对象进行预后分析的过程中,可以确定每个分支对应的子频繁用药处方的数量,然后对于每个分支,将目标对象按照数量进行分组,得到各个子分组,并分别对各个子分组的目标对象对应的用药处方进行预后分析,得到每个子分组对应的预后效果。
示例性地,例如对于g组患者,将其左侧子分支的关于利尿剂的用药处方进行频繁集挖掘得到2组子频繁用药处方,那么可以将该g组患者按照左侧处方分为两组,分别计算其对应的各个子分组的预后效果;同时按照右侧的关于改善心功能的4组频繁处方,可将g组分为四组,那么这对该4组分别计算其对应的各个子分组的预后效果。
本申请实施例中,对于慢性心衰治疗,可以主要对以下五类用药处方进行预后分析,该五类用药处方分别可以为:Electrolyte disturbance(电解质紊乱)、Acute kidneyinjury(AKI,急性肾损伤)、B-type natriuretic peptide(BNP,脑利钠肽水平)、HyperK(高钾)、HypoK(低钾)、HyperNA(高钠)。在实际情况中,同一个用药处方在不同的预后评价中不一定是最优的,但是针对不同的患者,医生可以根据其治疗倾向性,选择重要的预后效果并根据其推荐给出对应的用药处方。例如,对于肾功能损害的患者,在治疗时,AKI是最高危的且应当避免的预后,那么医生开药时,可以主要看AKI这个预后效果对应的处方推荐。
请参见图6所示,图6示出了j组患者的用药处方及其预后发生率,包括图6(a)使用利尿剂和未使用利尿剂的预后发生率,和图6(b)使用改善心功能药物的预后发生率。如图6(a)所示,在第j组相似人群中,对于利尿剂常用处方进行人群分组,将其分为了使用利尿剂和未使用利尿剂的预后发生率,如图6(b)所示,对于使用改善心功能药物的人群进行分组,通过对用药处方进行频繁集挖掘处理,可以得到5种用药方案的人群,包括用药方案1、用药方案2、用药方案3、用药方案4和用药方案5,对于该五类人群,分别计算各用药方案的患者对应的5种用药结局。
需要说明的是,由于本申请中是从回顾性数据中获得证据支持,故对用药处方进行预后分析的过程中,需要采用预设算法对用药处方的选择进行矫正,以确定每个子分组对应的预后效果。可以通过获取除用户处方外的其他所有变量和用户处方对应的预后结局,基于其他所有变量对用户处方进行回归分析,查找对用户处方的判断具有显著性的显著变量,基于显著变量和用户处方,对预后结局进行回归分析,判断用户处方对预后结局的影响以对用药处方进行矫正。
示例性地,以用药处方T和预后结局Y为例,其他所有变量为X。首先筛选出重要的混杂因子,即以X为变量,对用药处方T进行回归分析,找到对用药处方T的判断具有显著性的显著变量X_1,然后X_1和T为变量,对预后结局Y进行回归,根据回归的系数和p-值判断T对结局的影响及该结论是否具有统计学意义。
本实施例中通过上述方法,可以得到对于所有相似患者,所有处方对所有预后的效果,将这些数据保存在表格中,方便系统调用。保存格式为“相似患者pg,利尿剂处方a对用药结局x的效果为(odd ratio,p)”。
本实施例中通过基于更准确的相似患者分类结果,提高了子分组中组内患者的用药结局科比性,使得用药推荐的证据更可靠。并且能够分析独立的用药处方并分析其对应的预后结局,从而使得各独立部分分别给出对应的用药推荐结果,提高了用药推荐的准确性,且更具有普适性。
进一步地,在上述实施例的基础上,图7为对待分析对象进行临床辅助决策方法的流程示意图,如图7所示,该方法包括:
S301、获取待分析对象的诊疗信息。
S302、根据诊疗信息对待分析对象进行分组,确定待分析对象在非互斥决策树中的叶子节点。
S303、基于每个子分组对应的预后效果和叶子节点和子分组,对待分析对象进行药物推荐。
需要说明的是,可以收集待分析对象的诊疗信息,使得待分析对象可以进入非互斥决策树并达到叶子节点。以待分析对象为患者为例,该诊疗信息可以包括患者的病历信息、用药史、患者的症状持续或改善情况、患者的生命体征、主要检验检查指标等。可选的,可以通过从系统中调用数据库获取该诊疗信息,也可以通过从医患问诊中直接进行信息抽取以获取该诊疗信息,还可以通过外部设备导入以获取该诊疗信息。
具体地,在获取到患者的诊疗信息后,可以根据诊疗信息对患者进行分组,确定患者在非互斥决策树中的叶子节点和非叶子节点,其中,非叶子节点为对患者进行分组的决策条件,比如包括患者的用药史、患者的症状持续或改善情况、患者的生命体征、主要检验检查指标;叶子节点为对患者的分组结果。并根据非互斥决策树中的叶子节点确定子分组,该子分组为通过编号相同的叶子节点组合得到的,从而判断找到相似患者,然后并基于每个子分组对应的预后效果,对患者进行药物推荐。
在对患者进行药物推荐的过程中,可以将各个子分组对应的预后效果进行比对分析,确定预后效果最优的子分组,然后推荐预后效果最优的子分组对应的用药处方至患者。
示例性地,对于某个患者如果分组到g组,则会根据以上两种子分组得到的预后效果,对患者分别推荐预后效果更好的药物。比如针对左侧2个子分组的预后效果的对比,推荐更适合患者的利尿剂;根据右侧4个子分组的预后效果的对比,推荐更适合患者的心功能改善药物。
本申请实施例中提供的临床辅助决策方法,通过基于获取的指南数据,构建非互斥决策树,该非互斥决策树包括叶子节点和非叶子节点,叶子节点用于表征处理对象的分类结果,非叶子节点用于表征处理对象的决策条件,依次对每个叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象,并基于非互斥决策树对目标对象进行用药频繁集挖掘处理,确定用药处方,然后基于用药处方对目标对象进行预后分析,得到预后效果,根据预后效果,对待分析对象进行临床辅助决策。该技术方案通过构建非互斥决策树,能够从全局角度对全人群进行划分,得到更贴近实际的目标对象分类结果,提高了目标对象的组内患者用药结局可比性,使得用药推荐的证据更可靠,进而从全局角度对全人群患者给出对应的临床用药辅助建议。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
另一方面,图8为本申请实施例提供的一种临床辅助决策装置的结构示意图。该装置可以为终端或服务器内的系统,如图8所示,该系统700包括:
决策树构建模块710,用于基于获取的指南数据,构建非互斥决策树,非互斥决策树包括叶子节点和非叶子节点,叶子节点用于表征处理对象的分组结果,非叶子节点用于表征对处理对象进行分组的决策条件;
目标对象确定模块720,用于依次对每个叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象;
处方确定模块730,用于基于非互斥决策树对目标对象进行用药频繁集挖掘处理,确定用药处方;
预后分析模块740,用于基于用药处方对目标对象进行预后分析,得到预后效果;
辅助决策模块750,用于根据预后效果,对待分析对象进行临床辅助决策。
可选地,上述处方确定模块730,具体用于:
确定非互斥决策树中按照处理对象的治疗目的划分的各分支;
分别对于每个分支中的目标对象的用药处方进行频繁集挖掘处理,确定每个分支对应的子频繁用药处方;
对各个子频繁用药处方进行排列组合处理,得到用药处方。
可选地,上述预后分析模块740,具体用于:
确定每个分支对应的子频繁用药处方的数量;
对于每个分支,将目标对象按照数量进行分组,得到各个子分组;
分别对各个子分组的目标对象对应的用药处方进行预后分析,得到每个子分组对应的预后效果。
可选的,上述预后分析模块740,还用于:
采用预设算法对用药处方进行矫正,以确定每个子分组对应的预后效果。
可选的,上述预后分析模块740,还用于:
获取除用户处方外的其他所有变量和用户处方对应的预后结局;
基于其他所有变量对用户处方进行回归分析,查找对用户处方的判断具有显著性的显著变量;
基于显著变量和用户处方,对预后结局进行回归分析,判断用户处方对预后结局的影响以对用药处方进行矫正。
可选的,上述辅助决策模块750,具体用于:
获取待分析对象的诊疗信息;
根据诊疗信息对待分析对象进行分组,确定待分析对象在非互斥决策树中的叶子节点和子分组,子分组为编号相同的叶子节点组合得到的;
基于每个子分组对应的预后效果,对待分析对象进行药物推荐。
可选的,上述辅助决策模块750,还用于:
将各个子分组对应的预后效果进行比对分析,确定预后效果最优的子分组;
推荐预后效果最优的子分组对应的用药处方至待分析对象。
可以理解的是,本实施例的临床辅助决策装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,在此不再赘述。
另一方面,本申请实施例提供的电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现如上述的临床辅助决策方法。
下面参考图9,图9为本申请实施例的终端设备的计算机系统的结构示意图。
如图9所示,计算机系统300包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分303加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有系统300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在机器可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分303从网络上被下载和安装,和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器,包括:决策树构建模块、目标对象确定模块、处方确定模块、预后分析模块和辅助决策模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,决策树构建模块还可以被描述为“用于基于获取的指南数据,构建非互斥决策树,所述非互斥决策树包括叶子节点和非叶子节点,所述叶子节点用于表征处理对象的分组结果,所述非叶子节点用于表征对所述处理对象进行分组的决策条件”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序,当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的临床辅助决策方法:
基于获取的指南数据,构建非互斥决策树,所述非互斥决策树包括叶子节点和非叶子节点,所述叶子节点用于表征对处理对象的分组结果,所述非叶子节点用于表征对所述处理对象进行分组的决策条件;
依次对每个所述叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象;
基于所述非互斥决策树对所述目标对象进行用药频繁集挖掘处理,确定用药处方;
基于所述用药处方对所述目标对象进行预后分析,得到预后效果;
根据所述预后效果,对待分析对象进行临床辅助决策。
综上,本申请实施例中提供的临床辅助决策方法、装置、设备及存储介质,通过基于获取的指南数据,构建非互斥决策树,该非互斥决策树包括叶子节点和非叶子节点,叶子节点用于表征对处理对象的分类结果,非叶子节点用于表征对处理对象进行分组的决策条件,依次对每个叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象,并基于非互斥决策树对目标对象进行用药频繁集挖掘处理,确定用药处方,然后基于用药处方对目标对象进行预后分析,得到预后效果,根据预后效果,对待分析对象进行临床辅助决策。该技术方案通过构建非互斥决策树,能够从全局角度对全人群进行划分,得到更贴近实际的目标对象分类结果,提高了目标对象的组内患者用药结局可比性,使得用药推荐的证据更可靠,进而从全局角度对全人群患者给出对应的临床用药辅助建议。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种临床辅助决策方法,其特征在于,包括:
基于获取的指南数据,构建非互斥决策树,所述非互斥决策树包括叶子节点和非叶子节点,所述叶子节点用于表征对处理对象的分组结果,所述非叶子节点用于表征对所述处理对象进行分组的决策条件;
依次对每个所述叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象;
基于所述非互斥决策树对所述目标对象进行用药频繁集挖掘处理,确定用药处方;
基于所述用药处方对所述目标对象进行预后分析,得到预后效果;
根据所述预后效果,对待分析对象进行临床辅助决策;
其中,基于所述非互斥决策树对所述目标对象进行用药频繁集挖掘,确定用药处方,包括:
确定所述非互斥决策树中按照所述处理对象的治疗目的划分的各分支;
分别对于每个所述分支中的目标对象的用药处方进行频繁集挖掘处理,确定每个所述分支对应的子频繁用药处方;
对各个所述子频繁用药处方进行排列组合处理,得到用药处方;
所述基于所述用药处方对所述目标对象进行预后分析,得到预后效果,包括:
确定每个所述分支对应的子频繁用药处方的数量;
对于每个所述分支,将所述目标对象按照所述数量进行分组,得到各个子分组;
分别对所述各个子分组的目标对象对应的用药处方进行预后分析,得到每个子分组对应的预后效果。
2.根据权利要求1所述的方法,其特征在于,分别对所述各个子分组的目标对象对应的用药处方进行预后分析,得到每个子分组对应的预后效果,包括:
采用预设算法对所述用药处方进行矫正,以确定每个子分组对应的预后效果。
3.根据权利要求2所述的方法,其特征在于,采用预设算法对所述用药处方进行矫正,包括:
获取除所述用药处方外的其他所有变量和所述用药处方对应的预后结局;
基于所述其他所有变量对所述用药处方进行回归分析,查找对所述用药处方的判断具有显著性的显著变量;
基于所述显著变量和所述用药处方,对所述预后结局进行回归分析,判断所述用药处方对所述预后结局的影响以对所述用药处方进行矫正。
4.根据权利要求1所述的方法,其特征在于,基于所述预后效果,对待分析对象进行临床辅助决策,包括:
获取待分析对象的诊疗信息;
根据所述诊疗信息对所述待分析对象进行分组,确定所述待分析对象在所述非互斥决策树中的叶子节点和子分组,所述子分组为对编号相同的叶子节点进行组合得到的;
基于每个子分组对应的预后效果,对所述待分析对象进行药物推荐。
5.根据权利要求4所述的方法,其特征在于,基于每个子分组对应的预后效果,对所述待分析对象进行药物推荐,包括:
将所述各个子分组对应的预后效果进行比对分析,确定预后效果最优的子分组;
推荐所述预后效果最优的子分组对应的用药处方至所述待分析对象。
6.一种临床辅助决策装置,其特征在于,所述装置包括:
决策树构建模块,用于基于获取的指南数据,构建非互斥决策树,所述非互斥决策树包括叶子节点和非叶子节点,所述叶子节点用于表征处理对象的分组结果,所述非叶子节点用于表征对所述处理对象进行分组的决策条件;
目标对象确定模块,用于依次对每个所述叶子节点进行编号,将编号相同的叶子节点组合的处理对象确定为目标对象;
处方确定模块,用于基于所述非互斥决策树对所述目标对象进行用药频繁集挖掘处理,确定用药处方;
预后分析模块,用于基于所述用药处方对所述目标对象进行预后分析,得到预后效果;
辅助决策模块,用于根据所述预后效果,对待分析对象进行临床辅助决策;
所述处方确定模块,具体用于:确定所述非互斥决策树中按照所述处理对象的治疗目的划分的各分支;
分别对于每个所述分支中的目标对象的用药处方进行频繁集挖掘处理,确定每个所述分支对应的子频繁用药处方;
对各个所述子频繁用药处方进行排列组合处理,得到用药处方;
所述辅助决策模块,具体用于:确定每个所述分支对应的子频繁用药处方的数量;
对于每个所述分支,将所述目标对象按照所述数量进行分组,得到各个子分组;
分别对所述各个子分组的目标对象对应的用药处方进行预后分析,得到每个子分组对应的预后效果。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器用于执行所述程序时实现如权利要求1-5任一项所述的方法。
8.一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,所述计算机程序用于实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381709.7A CN114078576B (zh) | 2021-11-19 | 2021-11-19 | 临床辅助决策方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381709.7A CN114078576B (zh) | 2021-11-19 | 2021-11-19 | 临床辅助决策方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114078576A CN114078576A (zh) | 2022-02-22 |
CN114078576B true CN114078576B (zh) | 2023-07-25 |
Family
ID=80284053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111381709.7A Active CN114078576B (zh) | 2021-11-19 | 2021-11-19 | 临床辅助决策方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114078576B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186113B (zh) * | 2022-09-07 | 2023-03-31 | 粤港澳大湾区数字经济研究院(福田) | 一种筛选指南文本的方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
CN109801705A (zh) * | 2018-12-12 | 2019-05-24 | 平安科技(深圳)有限公司 | 治疗推荐方法、系统、装置及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11037659B2 (en) * | 2015-04-28 | 2021-06-15 | Siemens Healthcare Gmbh | Data-enriched electronic healthcare guidelines for analytics, visualization or clinical decision support |
EP3701415A4 (en) * | 2017-09-25 | 2021-06-30 | Letterie, Gerard | SYSTEM TO SUPPORT CLINICAL DECISION MAKING IN THE FIELD OF REPRODUCTIVE ENDOCRINOLOGY AND INFERTILITY |
CN108511056A (zh) * | 2018-02-09 | 2018-09-07 | 上海长江科技发展有限公司 | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 |
CN111489827A (zh) * | 2020-04-10 | 2020-08-04 | 吉林大学 | 一种基于关联决策树的甲状腺疾病预测建模方法 |
-
2021
- 2021-11-19 CN CN202111381709.7A patent/CN114078576B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
CN109801705A (zh) * | 2018-12-12 | 2019-05-24 | 平安科技(深圳)有限公司 | 治疗推荐方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114078576A (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11468998B2 (en) | Methods and systems for software clinical guidance | |
Senthilkumar et al. | Big data in healthcare management: a review of literature | |
JP6916107B2 (ja) | 患者データに基づく健康診断および治療のためのベイジアン因果関係ネットワークモデル | |
Newton et al. | Validation of electronic medical record-based phenotyping algorithms: results and lessons learned from the eMERGE network | |
Downing et al. | Association of racial and socioeconomic disparities with outcomes among patients hospitalized with acute myocardial infarction, heart failure, and pneumonia: an analysis of within-and between-hospital variation | |
Gallego et al. | Bringing cohort studies to the bedside: framework for a ‘green button’to support clinical decision-making | |
JP7010946B2 (ja) | 健康状態の計算解析を容易化するシステム及び方法 | |
US20120101846A1 (en) | Computer-Implemented Method For Displaying Patient-Related Diagnoses Of Chronic Illnesses | |
US8548827B2 (en) | Computer-implemented method for medical diagnosis support | |
CA2965499A1 (en) | Systems and methods for clinical decision support and documentation | |
US10783997B2 (en) | Personalized tolerance prediction of adverse drug events | |
CN112786198A (zh) | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 | |
CN115497631A (zh) | 一种临床科研大数据分析系统 | |
Ehteshami et al. | Intensive care information system impacts | |
Bowles et al. | Nurse generated EHR data supports post-acute care referral decision making: development and validation of a two-step algorithm | |
US9639667B2 (en) | Performing data analysis on clinical data | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN114078576B (zh) | 临床辅助决策方法、装置、设备及介质 | |
CN113505236B (zh) | 医疗知识图谱的构建方法、装置、设备及计算机可读介质 | |
Kumar | Healthcare analytics made simple: techniques in healthcare computing using machine learning and Python | |
US10025828B2 (en) | Method and system for generating a unified database from data sets | |
US20130253892A1 (en) | Creating synthetic events using genetic surprisal data representing a genetic sequence of an organism with an addition of context | |
US20140372146A1 (en) | Determining a physiologic severity of illness score for patients admitted to an acute care facility | |
CN114783587A (zh) | 严重急性肾损伤智能预测系统 | |
CN113053479A (zh) | 医学数据处理方法、装置、介质及电子设备 |
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 |