CN114446476B - 孤独症治疗效果预测模型构建方法、预测方法及装置 - Google Patents
孤独症治疗效果预测模型构建方法、预测方法及装置 Download PDFInfo
- Publication number
- CN114446476B CN114446476B CN202210106425.5A CN202210106425A CN114446476B CN 114446476 B CN114446476 B CN 114446476B CN 202210106425 A CN202210106425 A CN 202210106425A CN 114446476 B CN114446476 B CN 114446476B
- Authority
- CN
- China
- Prior art keywords
- autism
- plasma
- target
- sample
- treatment effect
- 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
- 206010003805 Autism Diseases 0.000 title claims abstract description 214
- 208000020706 Autistic disease Diseases 0.000 title claims abstract description 214
- 230000000694 effects Effects 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000010276 construction Methods 0.000 title claims abstract description 24
- 239000002207 metabolite Substances 0.000 claims abstract description 175
- 239000003814 drug Substances 0.000 claims abstract description 89
- 238000012216 screening Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000012850 discrimination method Methods 0.000 claims abstract description 14
- 210000002381 plasma Anatomy 0.000 claims description 257
- 229940079593 drug Drugs 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 41
- 238000002560 therapeutic procedure Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000002651 drug therapy Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000001225 therapeutic effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 59
- SUVMJBTUFCVSAD-UHFFFAOYSA-N sulforaphane Chemical compound CS(=O)CCCCN=C=S SUVMJBTUFCVSAD-UHFFFAOYSA-N 0.000 description 20
- SUVMJBTUFCVSAD-JTQLQIEISA-N 4-Methylsulfinylbutyl isothiocyanate Natural products C[S@](=O)CCCCN=C=S SUVMJBTUFCVSAD-JTQLQIEISA-N 0.000 description 10
- 229960005559 sulforaphane Drugs 0.000 description 10
- 235000015487 sulforaphane Nutrition 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- QIAFMBKCNZACKA-UHFFFAOYSA-N N-benzoylglycine Chemical compound OC(=O)CNC(=O)C1=CC=CC=C1 QIAFMBKCNZACKA-UHFFFAOYSA-N 0.000 description 4
- 208000029560 autism spectrum disease Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- QXKAIJAYHKCRRA-BXXZVTAOSA-N D-ribonic acid Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)C(O)=O QXKAIJAYHKCRRA-BXXZVTAOSA-N 0.000 description 3
- 239000002253 acid Substances 0.000 description 3
- BJEPYKJPYRNKOW-REOHCLBHSA-N (S)-malic acid Chemical compound OC(=O)[C@@H](O)CC(O)=O BJEPYKJPYRNKOW-REOHCLBHSA-N 0.000 description 2
- GYJSAWZGYQXRBS-GRJZKGIBSA-N 3beta,7alpha-Dihydroxy-5-cholestenoate Chemical compound C([C@H]1O)=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@@H](CCCC(C)C(O)=O)C)[C@@]1(C)CC2 GYJSAWZGYQXRBS-GRJZKGIBSA-N 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NWGZOALPWZDXNG-LURJTMIESA-N (2s)-5-(diaminomethylideneamino)-2-(dimethylamino)pentanoic acid Chemical compound CN(C)[C@H](C(O)=O)CCCNC(N)=N NWGZOALPWZDXNG-LURJTMIESA-N 0.000 description 1
- UTQUILVPBZEHTK-ZOQUXTDFSA-N 1-[(2r,3r,4s,5r)-3,4-dihydroxy-5-(hydroxymethyl)oxolan-2-yl]-3-methylpyrimidine-2,4-dione Chemical compound O=C1N(C)C(=O)C=CN1[C@H]1[C@H](O)[C@H](O)[C@@H](CO)O1 UTQUILVPBZEHTK-ZOQUXTDFSA-N 0.000 description 1
- UTQUILVPBZEHTK-UHFFFAOYSA-N 3-Methyluridine Natural products O=C1N(C)C(=O)C=CN1C1C(O)C(O)C(CO)O1 UTQUILVPBZEHTK-UHFFFAOYSA-N 0.000 description 1
- 241000219194 Arabidopsis Species 0.000 description 1
- QXKAIJAYHKCRRA-JJYYJPOSSA-N D-arabinonic acid Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)C(O)=O QXKAIJAYHKCRRA-JJYYJPOSSA-N 0.000 description 1
- SFIHQZFZMWZOJV-UHFFFAOYSA-N Linolsaeure-amid Natural products CCCCCC=CCC=CCCCCCCCC(N)=O SFIHQZFZMWZOJV-UHFFFAOYSA-N 0.000 description 1
- HVPFXCBJHIIJGS-LURJTMIESA-N N(omega),N'(omega)-dimethyl-L-arginine Chemical compound CN\C(=N/C)NCCC[C@H](N)C(O)=O HVPFXCBJHIIJGS-LURJTMIESA-N 0.000 description 1
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- YDGMGEXADBMOMJ-UHFFFAOYSA-N asymmetrical dimethylarginine Natural products CN(C)C(N)=NCCCC(N)C(O)=O YDGMGEXADBMOMJ-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229940116298 l- malic acid Drugs 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- SFIHQZFZMWZOJV-HZJYTTRNSA-N linoleamide Chemical compound CCCCC\C=C/C\C=C/CCCCCCCC(N)=O SFIHQZFZMWZOJV-HZJYTTRNSA-N 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000001422 normality test Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000003989 repetitive behavior Effects 0.000 description 1
- 208000013406 repetitive behavior Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Epidemiology (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请公开一种孤独症治疗效果预测模型构建方法、预测方法及装置,其中的预测模型构建方法包括对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一血浆样本对应的至少一个第一血浆代谢物样本集;以至少一个第一血浆代谢物样本集为输入,至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建目标药物治疗孤独症的孤独症治疗效果预测模型,并确定孤独症治疗效果预测模型的目标变量集;本申请能基于较小样本量进行模型构建,且所构建的孤独症治疗效果预测模型准确度较高,能实现目标药物对于目标患者的孤独症治疗是否有疗效的准确预测。
Description
技术领域
本申请涉及孤独症治疗技术领域,尤其涉及孤独症治疗效果预测模型构建方法、预测方法及装置。
背景技术
孤独症(自闭症)谱系障碍(Autism Spectrum Disorder,ASD)是常见的致残性神经发育性疾病。据美国疾控中心最新的研究显示患病率已高达1.85%(即1/54);我国的患病率约为0.39%,但该数据很可能低估了真实的患病情况。孤独症谱系障碍通常起病于儿童早期(3岁以前)并会延续终身,主要疾病症状为:持续的社会交流和互动障碍,以及显著的刻板/重复性行为和兴趣。不仅如此,该病还会严重影响儿童的智力和语言发育,且患者通常还会合并多种精神或躯体疾病。除影响个体健康外,孤独症谱系障碍还会对家庭和社会造成沉重的负担。
对此,行业内为寻找孤独症的治疗药物及治疗方法进行了大量的工作,目前已确定对于孤独症治疗有效的药物种类也较多。如已公开中国专利CN113528650A中的描述,其已获知通过给药萝卜硫素(Solforaphane,SFN)能够有效缓解孤独症症状。然而,由于不同孤独症目标患者的生理情况各有不同,每个目标患者适用的药物也各不相同。如何在给药(如给药萝卜硫素)之前预先判断目标药物对于目标孤独症患者是否有疗效,以为给药与否提供科学依据,以避免目标患者进行过多尝试,造成病情延误或者不必要的副作用,为目前亟待解决的问题。
申请内容
本申请的目的在于提供一种孤独症治疗效果预测模型构建方法、预测方法及装置,其能对目标药物对于目标孤独症患者的治疗效果进行准确判断。
为实现上述申请目的,本申请提出了如下技术方案:
第一方面,提供一种孤独症治疗效果预测模型构建方法,所述预测模型构建方法包括:
对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的至少一个第一血浆代谢物样本集;
以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集。
在一种较佳的实施方式中,所述对至少一个全部血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的第一血浆代谢物样本集,包括:
获取所述至少一个血浆代谢物样本全集中包括的所有血浆代谢物样本信息,所述血浆代谢物样本信息包括血浆代谢物标识及相应的血浆代谢物变量;
对所述至少一个血浆代谢物样本全集的任一血浆代谢物变量取对数获得对数化血浆代谢物样本全集;
根据预设筛选条件对所有所述对数化血浆代谢物样本全集进行变量筛选获得每一所述血浆样本对应的第一血浆代谢物样本集。
在一种较佳的实施方式中,所述根据预设筛选条件对所有所述对数化血浆代谢物样本全集进行变量筛选获得每一所述血浆样本对应的第一血浆代谢物样本集,包括:
筛选变量以使任一所述对数化血浆代谢物样本全集中的任一对数化血浆代谢物变量不为其余所有所述对数化血浆代谢物样本全集中相应对数化血浆代谢物变量的线性组合;和,
筛选变量以使任一筛选后的所述第一血浆代谢物样本集的协方差矩阵与其余任一所述第一血浆代谢物样本集的协方差矩阵相等;和,
筛选变量以使所有所述第一血浆代谢物样本集中的任一变量满足多元正态分布。
在一种较佳的实施方式中,所述以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集,包括:
基于所述至少一个第一血浆代谢物样本集,通过逐步判别法进行变量筛选获得至少一个第二血浆代谢物样本集,基于任一所述第二血浆代谢物样本集中包括的变量生成待构建的所述孤独症治疗效果预测模型的目标变量集;
以所述至少一个第二血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型。
在一种较佳的实施方式中,所述以所述至少一个第二血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,包括:
基于所述至少一个第二血浆代谢物样本集,通过所述协方差矩阵推导获得典则判别函数;
基于所述至少第二血浆代谢物样本集通过所述典则判别函数获得相应的至少一个评分结果;
基于所述至少一个评分结果与所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果确定所述评分结果与治疗孤独症是否有疗效的对应关系。
在一种较佳的实施方式中,完成所述预测模型构建后,所述预测模型构建方法还包括:
采用交叉验证法对所构建的目标药物治疗孤独症的孤独症治疗效果预测模型进行准确性评估。
第二方面,提供一种孤独症治疗效果预测方法,所述预测方法包括:
获取待预测目标患者的目标血浆所包括的目标变量集;
基于所述目标变量集,通过预先构建的目标药物治疗孤独症的孤独症治疗效果预测模型判断采用所述目标药物对所述目标血浆对应的目标患者进行孤独症治疗是否有疗效。
在一种较佳的实施方式中,所述目标变量集包括至少一个目标血浆代谢物标识及相应的目标血浆代谢物变量;
所述获取目标血浆的目标变量集之后,所述预测方法还包括:对所述目标变量集进行预处理,所述预处理包括:
对任一所述目标血浆代谢物变量进行对数化,获得对数化目标变量集。
在一种较佳的实施方式中,所述基于所述目标变量集,通过预先构建的目标药物治疗孤独症的孤独症治疗效果预测模型判断采用所述目标药物对所述目标血浆对应的目标患者进行孤独症治疗是否有疗效,包括:
基于对数化目标变量集,通过典则判别函数计算所述目标血浆对应的目标评分结果;
基于预先设置的评分结果与治疗孤独症是否有疗效的对应关系确定所述目标评分结果对应的治疗效果有效性预测结果。
在一种较佳的实施方式中,所述方法还包括,预先构建目标药物治疗孤独症的孤独症治疗效果预测模型,所述预测模型构建方法包括:
对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的至少一个第一血浆代谢物样本集;
以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集。
第三方面,提供一种孤独症治疗效果预测模型构建装置,所述预测模型构建装置包括:
筛选模块,用于对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的至少一个第一血浆代谢物样本集;
训练模块,用于以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集。
第四方面,提供一种孤独症治疗效果预测装置,所述预测装置包括:
获取模块,用于获取待预测目标患者的目标血浆所包括的目标变量集;
判断模块,用于基于所述目标变量集,通过预先构建的目标药物治疗孤独症的孤独症治疗效果预测模型判断采用所述目标药物对所述目标血浆对应的目标患者进行孤独症治疗是否有疗效。
第五方面,提供一种电子设备,包括:
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如第二方面中任意一项所述的操作。
第六方面,提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如第二方面中任一所述的方法。
与现有技术相比,本申请具有如下有益效果:
本申请提供了一种孤独症治疗效果预测模型构建方法、预测方法及装置,其中的预测模型构建方法包括对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一血浆样本对应的至少一个第一血浆代谢物样本集;以至少一个第一血浆代谢物样本集为输入,至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建目标药物治疗孤独症的孤独症治疗效果预测模型,并确定孤独症治疗效果预测模型的目标变量集;本申请能基于较小样本量进行模型构建,且所构建的孤独症治疗效果预测模型准确度较高,能实现目标药物对于目标患者的孤独症治疗是否有疗效的准确预测;
本申请还提供一种孤独症治疗效果预测方法,所述预测方法包括获取待预测目标患者的目标血浆所包括的目标变量集;基于目标变量集,通过预先构建的目标药物治疗孤独症的孤独症治疗效果预测模型判断采用目标药物对目标血浆对应的目标患者进行孤独症治疗是否有疗效;本申请通过预先构建孤独症治疗效果预测模型来对目标药物用于目标患者孤独症治疗是否有疗效进行预判断,以实现目标患者的个性化用药提供决策性支持;
需要说明的是,本申请仅需实现上述至少一种技术效果即可。
附图说明
图1是本实施例中孤独症治疗效果预测模型构建方法的流程图;
图2是本实施例中萝卜硫素治疗孤独症无疗效组数据统计图;
图3是本实施例中萝卜硫素治疗孤独症有疗效组数据统计图;
图4是本实施例中孤独症治疗效果预测方法的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
基于目前用于孤独症治疗的药物较多,而患有孤独症的目标患者对于药物的敏感性多有不同,如何为目标患者预先确定对其治疗孤独症有效的目标药物以提高治疗效率及治疗有效性,为当前需要解决的问题。为此,本实施例提供一种孤独症治疗效果预测模型构建方法、预测方法及装置。
实施例
如图1所示,本实施例提供一种孤独症治疗效果预测模型构建方法,包括如下步骤:
S1、对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一血浆样本对应的至少一个第一血浆代谢物样本集。
具体的,步骤S1包括:
S11、获取至少一个血浆代谢物样本全集中包括的所有血浆代谢物样本信息,血浆代谢物样本信息包括血浆代谢物标识及相应的血浆代谢物变量。
本实施例中,血浆代谢物标识为血浆代谢物名称/编号等,本实施例中采用血浆代谢物名称,如Symmetric dimethylarginine、3-Methyluridine、Linoleamide等。血浆代谢物变量为该血浆代谢物在总血浆代谢物变量中的占比。
S12、对至少一个血浆代谢物样本全集的任一血浆代谢物变量取对数获得对数化血浆代谢物样本全集。
需要说明的是,通过步骤S12获得对数化血浆代谢物样本全集之后进行建模的方式,可实现本实施例在进行模型构建中的数据更加平稳,同时可削弱模型的共线性、异方差性。
S13、根据预设筛选条件对所有对数化血浆代谢物样本全集进行变量筛选获得每一血浆样本对应的第一血浆代谢物样本集。
更具体的,步骤S13包括:
S13a、筛选变量以使任一对数化血浆代谢物样本全集中的任一对数化血浆代谢物变量不为其余所有对数化血浆代谢物样本全集中相应对数化血浆代谢物变量的线性组合;和,
S13b、筛选变量以使任一筛选后的第一血浆代谢物样本集的协方差矩阵与其余任一第一血浆代谢物样本集的协方差矩阵相等;和,
S13c、筛选变量以使所有第一血浆代谢物样本集中的任一变量满足多元正态分布。
需要说明的是,在执行步骤S13过程中,需要同时满足上述S13a至S13c三个条件时,才完成变量筛选最终确定用于模型训练的第一血浆代谢物样本集。
对于步骤S13a,每一个判别变量(解释变量)不能是其他判别变量的线性组合。这时,为其他变量线性组合的判别变量不能提供新的信息,更重要的是在这种情况下无法估计函数。不仅如此,有时一个判别变量和另外的判别函数高度相关,或与另外的判别变量的线性组合高度相关,虽然能求解,但参数估计的标准误将很大,以至于参数估计统计上不显著。这就是通常所说的多重共线性。
对自变量做中心标准化,则X*′X*=(rij)为自变量的相关阵。如下式(1)
C=(cij)=(X*′X*)-1 (1)
称其主对角线元素VIF=cij为自变量xj的方差扩大因子。根据下式(2)可知
上式作为方差扩大因子VIFj的定义。度量了自变量xj与其余p-1个自变量的线性相关程度,这种相关程度越强,说明自变量之间的多重共线性越严重,越接近1,VIFj就越大。反之,xj与其余p-1个自变量的线性相关程度越弱,自变量之间的多重共线性越弱,越接近零,VIFj就越接近1。经验表明,当VIFj≥10时,就说明自变量xj与其余自变量之间有严重的多重共线性。因此,剔除VIFj≥10的自变量。
对于步骤S13b,筛选变量以使任一筛选后的第一血浆代谢物样本集的协方差矩阵与其余任一第一血浆代谢物样本集的协方差矩阵相等。判别分析最简单和最常用的形式是采用线性判别函数,它们是判别变量的简单线性组合。在各组协方差矩阵相等的假设条件下,可以使用很简单的公式来计算判别函数和进行显著性检验。
对于步骤S13c,筛选变量以使所有第一血浆代谢物样本集中的任一变量满足多元正态分布。各判别变量遵从多元正态分布,即每个变量对于所有其他变量的固定值有正态分布。在这种条件下可以精确计算显著性检验值和分组归属概率。当违背该假设时,计算的概率非常不准确。正态性检验通常可以通过数据的。
在筛选样本使用的正态性检验是Shapiro-Wilk检验:
H0:样本数据服从正态分布。
检验使用的统计量W定义如下式(4)所示:
其中,
a=(a1,...,an)T符合以下条件:(∑aiyi)2是(n-1)σ2的最佳线性无偏估计,σ是样本来自的正态分布的标准差。a的确切值是:
a=(mTV-1V-1m)T-1/2mTV-1
其中矩阵V是个协方差矩阵,属于n个标准正态分布的随机变量的顺序统计量,m是这些变量的期望组成的向量。
W的分母是通常使用的(n-1)σ2的一个无偏估计。
示例性的,当目标药物包含萝卜硫素组分时,血浆代谢物样本全集包括八百多个血浆代谢物,经步骤S1进行变量筛选后确定的第一血浆代谢物样本集包括八百个血浆代谢物。
以及,本实施例中进行孤独症治疗效果预测模型构建时,血浆样本总共26例,其中服用萝卜硫素有疗效的为9例,服用萝卜硫素无疗效的有17例。男性23例,女性3例,年龄范围在9.42±2.73岁,其中最大值为14岁,最小值为4岁。年龄分布服从正态分布,通过T检验发现服用萝卜硫素组有无疗效的两组在年龄上无差异(P=0.639>0.05)。
说明:T检验,亦称student t检验(Student's t test),主要用于样本含量较小(例如n<30),总体标准差σ未知的正态分布。T检验是用T分布理论来推论差异发生的概率,从而比较两个平均数的差异是否显著。
S2、以至少一个第一血浆代谢物样本集为输入,至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建目标药物用于治疗孤独症的孤独症治疗效果预测模型,并确定孤独症治疗效果预测模型的目标变量集。
具体地,步骤S2包括:
S21、基于至少一个第一血浆代谢物样本集,通过逐步判别法进行变量筛选获得至少一个第二血浆代谢物样本集,基于任一第二血浆代谢物样本集中包括的变量生成待构建的孤独症治疗效果预测模型的目标变量集。需要说明的是,逐步判别法具有筛选变量能力,本实施例对于具体的逐步判别法不作限制。
示例性的,当目标药物包含萝卜硫素组分时,采用判别法对八百个血浆代谢物进一步执行变量筛选时,获得的目标变量集中包括的血浆代谢物数量包括14个:Symmetricdimethylarginine、Linoleamide、Hippuric acid、3-Methyluridine、D-Glucose、Ribonicacid/Arabinonic acid、9-HODEisomer6、O-methoxycatechol-O-sulphate、L-Malic acid、3beta,7alpha-Dihydroxy-5-cholestenoate、DG(18:0/16:0/0:0)、PC(18:2(9Z,12Z)/20:4(5Z,8Z,11Z,14Z))、PE(P-18:0/22:6(4Z,7Z,10Z,13Z,16Z,19Z))、TG(26:0/18:1/18:2)。
S22、以至少一个第二血浆代谢物样本集为输入,至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过协方差矩阵构建目标药物治疗孤独症的孤独症治疗效果预测模型。本实施例中,模型输出为“有效”或“无效”。
更具体的,步骤S22包括:
S221、基于至少一个第二血浆代谢物样本集,通过协方差矩阵推导获得典则判别函数。
在具体实施过程中,通过组间协方差矩阵(Separate-groups协方差矩阵)或组内协方差矩阵(Within-groups协方差矩阵)进行判别函数的推导。
当目标药物包含萝卜硫素组分时,经计算发现,组间协方差矩阵与组内协方差矩阵的计算结果一致,进一步验证该预测模型构建过程的可实施性。
由于通过协方差矩阵推导获得典则判别函数时处理量较大,在一种优选的实施方式中,在步骤S221之前,本实施例还包括:基于至少一个第二血浆代谢物样本集,通过协方差矩阵推导获得标准化判别函数,通过获得的标准化判别函数,初步确定贡献率较大的变量。
如下表1可知标准化判别函数中各变量的权重值:
表1
根据表1可获得标准化判别函数Y*为:
其中*标识标准化变量,标准化变量也代表了判别权重。由表1可知,Ribonicacid/Arabinonic acid、D-Glucose的判别权重最大说明这两个血浆代谢物对判别函数的贡献率较大。通过采用预先推导标准化判别函数的方法,能预先确定典则判别函数中主要的血浆代谢物变量,通过较小的计算量进行判别函数的粗略推导且为典则判别函数的正确性提供参考。
在此基础上,通过协方差矩阵推导获得典则判别函数,获得如下表2所示的典则判别函数中各变量的权重值:
表2
根据表2可获得典则判别函数Y(评分结果)为:
Y=-7733.845+274.256×Symmetric dimethylarginine+177.557×Linoleamide+18.526×Hippuric acid+145.062×3-Methyluridine+512.369×D-Glucose-214.802×Ribonic acid/Arabinonic acid+25.763×9-HODEisomer6+47.335×O-methoxycatechol-O-sulphate-86.344×L-Malic acid-60.229×3beta,7alpha-Dihydroxy-5-cholestenoate+189.033×DG(18:0/16:0/0:0)+50.105×PC(18:2(9Z,12Z)/20:4(5Z,8Z,11Z,14Z))-10.444×PE(P-18:0/22:6(4Z,7Z,10Z,13Z,16Z,19Z))-9.323×TG(26:0/18:1/18:2)
在获得典则判别函数后,通过如下表3所示的变量相关数据即可解释100%的方差。
表3
以及,通过Wilks′Lambda检验,认为判别函数在0.05的显著性水平上是显著的,即判别函数是成立的,具体如表4所示。
表4
在S221确定典则判别函数并经验证后执行下述步骤S222及S223。
S222、基于至少第二血浆代谢物样本集通过典则判别函数获得相应的至少一个评分结果。
S223、基于至少一个评分结果与至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果确定评分结果与治疗孤独症是否有疗效的对应关系。
示例性的,如图2、3所示,已知26个样本中服用萝卜硫素无疗效的有17例,有疗效的有9例,且该步骤S223确定的无疗效的第一评分阈值范围为26.61±10.532,有疗效的第二评分阈值范围为-42.79±0.927。
因此,当评分结果落入第一评分阈值范围时,则预测结果为无疗效,当评分结果落入第二评分阈值范围时,则预测有疗效。
在完成预测模型构建后,预测模型构建方法还包括:
S3、采用交叉验证法对所构建的目标药物治疗孤独症的孤独症治疗效果预测模型进行准确性评估。
交叉验证是采用“留一个在外”的原则,即每个样本的预测值是通过除了这个样本以外的其他样本推导出来的判别函数来进行预测的。
本实施例基于26个样本进行预测模型的准确性评估,评估结果如下表5所示:
表5
其中,Efficiencycod对应的行、列中的0代表无效,1代表有效。
可见,在交叉验证中,有疗效组的9个样本全部被判对,无疗效组有16个样本被判对,1个被判错。故本实施例构建的孤独症治疗效果预测模型通过交叉验证的方法,证明了模型的准确率为96.2%,准确率较高。
综上,本实施例提供的孤独症治疗效果预测模型,能基于较小样本量进行模型构建,且所构建的孤独症治疗效果预测模型准确度较高,能实现目标药物对于目标患者的孤独症治疗是否有疗效的准确预测。
如图4所示,本实施例还提供一种孤独症治疗效果预测方法,该预测方法包括:
S10、获取待预测目标患者的目标血浆所包括的目标变量集。
其中,目标变量集包括至少一个目标血浆代谢物标识及相应的目标血浆代谢物变量;
步骤S10之后,该预测方法还包括:Sa、对目标变量集进行预处理,预处理包括:对任一目标血浆代谢物变量进行对数化,获得对数化目标变量集。
S20、基于目标变量集,通过预先构建的目标药物治疗孤独症的孤独症治疗效果预测模型判断采用目标药物对目标血浆对应的目标患者进行孤独症治疗是否有疗效。
具体的,步骤S20包括:
S201、基于对数化目标变量集,通过典则判别函数计算目标血浆对应的目标评分结果;
S202、基于预先设置的评分结果与治疗孤独症是否有疗效的对应关系确定目标评分结果对应的治疗效果有效性预测结果。
当然,在步骤S10之前,该预测方法还包括:Sb、预先构建目标药物治疗孤独症的孤独症治疗效果预测模型,步骤Sb具体包括:
Sb1、对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一血浆样本对应的至少一个第一血浆代谢物样本集;
Sb2、以至少一个第一血浆代谢物样本集为输入,至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建目标药物治疗孤独症的孤独症治疗效果预测模型,并确定孤独症治疗效果预测模型的目标变量集。
该孤独症治疗效果预测模型的具体构建过程,请参照前述描述,此处将不再赘述。
本实施例通过预先构建孤独症治疗效果预测模型来对目标药物用于目标患者孤独症治疗是否有疗效进行预判断,以实现目标患者的个性化用药提供决策性支持。
本实施例还提供一种孤独症治疗效果预测模型构建装置,该预测模型构建装置包括:
筛选模块,用于对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的至少一个第一血浆代谢物样本集。
训练模块,用于以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集。
验证模块,用于采用交叉验证法对所构建的目标药物治疗孤独症的孤独症治疗效果预测模型进行准确性评估。
具体的,筛选模块包括:
获取单元,用于获取所述至少一个血浆代谢物样本全集中包括的所有血浆代谢物样本信息,所述血浆代谢物样本信息包括血浆代谢物标识及相应的血浆代谢物变量;
第一处理单元,用于对所述至少一个血浆代谢物样本全集的任一血浆代谢物变量取对数获得对数化血浆代谢物样本全集;
第一筛选单元,用于根据预设筛选条件对所有所述对数化血浆代谢物样本全集进行变量筛选获得每一所述血浆样本对应的第一血浆代谢物样本集。
其中,第一筛选单元具体用于:
筛选变量以使任一所述对数化血浆代谢物样本全集中的任一对数化血浆代谢物变量不为其余所有所述对数化血浆代谢物样本全集中相应对数化血浆代谢物变量的线性组合;和,
筛选变量以使任一筛选后的所述第一血浆代谢物样本集的协方差矩阵与其余任一所述第一血浆代谢物样本集的协方差矩阵相等;和,
筛选变量以使所有所述第一血浆代谢物样本集中的任一变量满足多元正态分布。
训练模块包括:
第二筛选单元,用于基于所述至少一个第一血浆代谢物样本集,通过逐步判别法进行变量筛选获得至少一个第二血浆代谢物样本集,基于任一所述第二血浆代谢物样本集中包括的变量生成待构建的所述孤独症治疗效果预测模型的目标变量集;
第一模型训练单元,用于以所述至少一个第二血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型。
其中,模型训练单元具体用于:
基于所述至少一个第二血浆代谢物样本集,通过所述协方差矩阵推导获得典则判别函数;
基于所述至少第二血浆代谢物样本集通过所述典则判别函数获得相应的至少一个评分结果;
基于所述至少一个评分结果与所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果确定所述评分结果与治疗孤独症是否有疗效的对应关系。
需要说明的是:上述实施例提供的孤独症治疗效果预测模型构建装置在进行孤独症治疗效果预测模型构建业务时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的孤独症治疗效果预测模型构建装置与孤独症治疗效果预测模型构建方法的实施例属于同一构思,即该系统是基于该方法的,其具体实现过程详见方法实施例,这里不再赘述。
本实施例还提供一种孤独症治疗效果预测装置,该预测装置包括:
获取模块,用于获取待预测目标患者的目标血浆所包括的目标变量集;
判断模块,用于基于所述目标变量集,通过预先构建的目标药物治疗孤独症的孤独症治疗效果预测模型判断采用所述目标药物对所述目标血浆对应的目标患者进行孤独症治疗是否有疗效。
预处理模块,用于对任一所述目标血浆代谢物变量进行对数化,获得对数化目标变量集。其中,目标变量集包括至少一个目标血浆代谢物标识及相应的目标血浆代谢物变量。
模型构建模块,用于预先构建目标药物治疗孤独症的孤独症治疗效果预测模型。
具体的,判断模块包括:
第二处理单元,用于基于对数化目标变量集,通过典则判别函数计算所述目标血浆对应的目标评分结果;
第三处理单元,用于基于预先设置的评分结果与治疗孤独症是否有疗效的对应关系确定所述目标评分结果对应的治疗效果有效性预测结果。
模型构建模块包括:
第三筛选单元,用于对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的至少一个第一血浆代谢物样本集;
第二模型训练单元,用于以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集。
需要说明的是:上述实施例提供的孤独症治疗效果预测装置在进行孤独症治疗效果预测业务时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的孤独症治疗效果预测装置与孤独症治疗效果预测方法的实施例属于同一构思,即该系统是基于该方法的,其具体实现过程详见方法实施例,这里不再赘述。
以及,本实施例还提供一种电子设备,包括:
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如孤独症治疗效果预测方法任意一项所述的操作。
关于执行程序指令所执行的孤独症治疗效果预测方法,具体执行细节及相应的有益效果与前述方法中的描述内容是一致的,此处将不再赘述。
以及,本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如孤独症治疗效果预测方法中任一所述的方法。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,即可将任意多个实施例进行组合,从而获得应对不同应用场景的需求,均在本申请的保护范围内,在此不再一一赘述。
需要说明的是,以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.孤独症治疗效果预测模型构建方法,其特征在于,所述预测模型构建方法包括:
对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的至少一个第一血浆代谢物样本集;
以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物用于治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集;
其中,所述以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物用于治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集,包括:
基于所述至少一个第一血浆代谢物样本集,通过逐步判别法进行变量筛选获得至少一个第二血浆代谢物样本集,基于任一所述第二血浆代谢物样本集中包括的变量生成待构建的所述孤独症治疗效果预测模型的目标变量集;
以所述至少一个第二血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型;
其中,所述以所述至少一个第二血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,包括:
基于所述至少一个第二血浆代谢物样本集,通过所述协方差矩阵推导获得典则判别函数;
基于所述至少第二血浆代谢物样本集通过所述典则判别函数获得相应的至少一个评分结果;
基于所述至少一个评分结果与所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果确定所述评分结果与治疗孤独症是否有疗效的对应关系。
2.如权利要求1所述的预测模型构建方法,其特征在于,所述对至少一个全部血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的第一血浆代谢物样本集,包括:
获取所述至少一个血浆代谢物样本全集中包括的所有血浆代谢物样本信息,所述血浆代谢物样本信息包括血浆代谢物标识及相应的血浆代谢物变量;
对所述至少一个血浆代谢物样本全集的任一血浆代谢物变量取对数获得对数化血浆代谢物样本全集;
根据预设筛选条件对所有所述对数化血浆代谢物样本全集进行变量筛选获得每一所述血浆样本对应的第一血浆代谢物样本集。
3.如权利要求2所述的预测模型构建方法,其特征在于,所述根据预设筛选条件对所有所述对数化血浆代谢物样本全集进行变量筛选获得每一所述血浆样本对应的第一血浆代谢物样本集,包括:
筛选变量以使任一所述对数化血浆代谢物样本全集中的任一对数化血浆代谢物变量不为其余所有所述对数化血浆代谢物样本全集中相应对数化血浆代谢物变量的线性组合;和,
筛选变量以使任一筛选后的所述第一血浆代谢物样本集的协方差矩阵与其余任一所述第一血浆代谢物样本集的协方差矩阵相等;和,
筛选变量以使所有所述第一血浆代谢物样本集中的任一变量满足多元正态分布。
4.如权利要求1所述的预测模型构建方法,其特征在于,完成所述预测模型构建后,所述预测模型构建方法还包括:
采用交叉验证法对所构建的目标药物治疗孤独症的孤独症治疗效果预测模型进行准确性评估。
5.孤独症治疗效果预测方法,其特征在于,所述预测方法包括:
获取待预测目标患者的目标血浆所包括的目标变量集;
基于所述目标变量集,通过对应于目标药物的如权利要求1~4任意一项所述预测模型构建方法预先构建的孤独症治疗效果预测模型,判断采用所述目标药物对所述目标血浆对应的目标患者进行孤独症治疗是否有疗效。
6.如权利要求5所述的预测方法,其特征在于,所述目标变量集包括至少一个目标血浆代谢物标识及相应的目标血浆代谢物变量;
所述获取目标血浆的目标变量集之后,所述预测方法还包括:对所述目标变量集进行预处理,所述预处理包括:
对任一所述目标血浆代谢物变量进行对数化,获得对数化目标变量集。
7.如权利要求6所述的预测方法,其特征在于,所述基于所述目标变量集,通过预先构建的目标药物治疗孤独症的孤独症治疗效果预测模型判断采用所述目标药物对所述目标血浆对应的目标患者进行孤独症治疗是否有疗效,包括:
基于对数化目标变量集,通过典则判别函数计算所述目标血浆对应的目标评分结果;
基于预先设置的评分结果与治疗孤独症是否有疗效的对应关系确定所述目标评分结果对应的治疗效果有效性预测结果。
8.孤独症治疗效果预测模型构建装置,其特征在于,所述预测模型构建装置包括:
筛选模块,用于对至少一个血浆样本对应的至少一个血浆代谢物样本全集进行筛选以获得每一所述血浆样本对应的至少一个第一血浆代谢物样本集;
训练模块,用于以所述至少一个第一血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过逐步判别法及协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型,并确定所述孤独症治疗效果预测模型的目标变量集;
其中,所述训练模块包括:
第二筛选单元,用于基于所述至少一个第一血浆代谢物样本集,通过逐步判别法进行变量筛选获得至少一个第二血浆代谢物样本集,基于任一所述第二血浆代谢物样本集中包括的变量生成待构建的所述孤独症治疗效果预测模型的目标变量集;
第一模型训练单元,用于以所述至少一个第二血浆代谢物样本集为输入,所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果为输出,通过协方差矩阵构建所述目标药物治疗孤独症的孤独症治疗效果预测模型;
其中,所述第一模型训练单元具体用于:
基于所述至少一个第二血浆代谢物样本集,通过所述协方差矩阵推导获得典则判别函数;
基于所述至少第二血浆代谢物样本集通过所述典则判别函数获得相应的至少一个评分结果;
基于所述至少一个评分结果与所述至少一个血浆样本对应孤独症患者经目标药物治疗后是否具有孤独症治疗效果确定所述评分结果与治疗孤独症是否有疗效的对应关系。
9.孤独症治疗效果预测装置,其特征在于,所述预测装置包括:
获取模块,用于获取待预测目标患者的目标血浆所包括的目标变量集;
判断模块,用于基于所述目标变量集,通过对应于目标药物的如权利要求1~4任意一项所述方法预先构建的孤独症治疗效果预测模型,判断采用所述目标药物对所述目标血浆对应的目标患者进行孤独症治疗是否有疗效。
10.一种电子设备,其特征在于,包括
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如权利要求5~7中任意一项所述的方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求5~7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106425.5A CN114446476B (zh) | 2022-01-28 | 2022-01-28 | 孤独症治疗效果预测模型构建方法、预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106425.5A CN114446476B (zh) | 2022-01-28 | 2022-01-28 | 孤独症治疗效果预测模型构建方法、预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114446476A CN114446476A (zh) | 2022-05-06 |
CN114446476B true CN114446476B (zh) | 2023-02-17 |
Family
ID=81371477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210106425.5A Active CN114446476B (zh) | 2022-01-28 | 2022-01-28 | 孤独症治疗效果预测模型构建方法、预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114446476B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108474036A (zh) * | 2015-06-15 | 2018-08-31 | 费城儿童医院 | 诊断和治疗自闭症的方法 |
CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
CN111009321A (zh) * | 2019-08-14 | 2020-04-14 | 电子科技大学 | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 |
CN112668809A (zh) * | 2020-10-30 | 2021-04-16 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013295732A1 (en) * | 2012-07-26 | 2015-02-05 | The Regents Of The University Of California | Screening, diagnosis and prognosis of autism and other developmental disorders |
US20170067884A1 (en) * | 2015-09-03 | 2017-03-09 | Greenwood Genetic Center | Method for the Early Detection of Autism Spectrum Disorder by use of Metabolic Biomarkers |
US20180358127A1 (en) * | 2017-06-07 | 2018-12-13 | Rensselaer Polytechnic Institute | Method for predicting autism |
CN109431522A (zh) * | 2018-10-19 | 2019-03-08 | 昆山杜克大学 | 基于叫名反应范式的孤独症早期筛查装置 |
-
2022
- 2022-01-28 CN CN202210106425.5A patent/CN114446476B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108474036A (zh) * | 2015-06-15 | 2018-08-31 | 费城儿童医院 | 诊断和治疗自闭症的方法 |
CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
CN111009321A (zh) * | 2019-08-14 | 2020-04-14 | 电子科技大学 | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 |
CN112668809A (zh) * | 2020-10-30 | 2021-04-16 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于偏最小二乘法(PLS)构建大型突发公共卫生事件创伤预后预测;杨浩等;《四川医学》;20110415(第04期);449-452 * |
Also Published As
Publication number | Publication date |
---|---|
CN114446476A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cooper et al. | A meta-analysis of conditioned fear generalization in anxiety-related disorders | |
Wampold et al. | Estimating variability in outcomes attributable to therapists: a naturalistic study of outcomes in managed care. | |
Li et al. | Reliable medical diagnosis from crowdsourcing: Discover trustworthy answers from non-experts | |
Goldenholz et al. | Does accounting for seizure frequency variability increase clinical trial power? | |
Selvin | Epidemiologic analysis: A case-oriented approach | |
Heyard et al. | Validation of discrete time‐to‐event prediction models in the presence of competing risks | |
Larson et al. | Moment based gene set tests | |
CN114446476B (zh) | 孤独症治疗效果预测模型构建方法、预测方法及装置 | |
CN112397204B (zh) | 一种预测高原病的方法、装置、计算机设备和存储介质 | |
Nagin et al. | Recent Advances in Group-Based Trajectory Modeling for Clinical Research | |
CN113707263A (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 | |
Song et al. | Latent variable models with nonparametric interaction effects of latent variables | |
Brekkan et al. | Handling underlying discrete variables with bivariate mixed hidden Markov models in NONMEM | |
CN116884476A (zh) | 抗衰老药物组合的预测方法、装置、设备及介质 | |
Ghosh et al. | Joint modeling of longitudinal data and informative dropout time in the presence of multiple changepoints | |
Roberti et al. | Bias correction for estimates from linear excess relative risk models in small case‐control studies | |
Ghosal et al. | Functional proportional hazards mixture cure model with applications in cancer mortality in NHANES and post ICU recovery | |
Ryyppö | Residual neural network in the identification of rare diseases | |
Nanni | Modeling Zero-inflated and overdispersed count data: Application to IN-Hospital mortality data | |
Loke et al. | Pilot study on developing a decision support tool for guiding re-administration of chemotherapeutic agent after a serious adverse drug reaction | |
CN118398241B (zh) | 基于信息物联网应用的药物临床数据处理方法、系统及设备 | |
Mumtaz et al. | Improvement of Dialysis Dosing Using Big Data Analytics | |
Srinivasan | Inverted Simulations Demonstrating Strong Ecological Fallacies in Cohort Studies | |
Tang | Goodness of fit tests for generalized linea mixed models | |
Arsham et al. | Cost‐effectiveness analysis under multiple effectiveness outcomes: A probabilistic approach |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240419 Address after: 410083 Hunan province Changsha Lushan Road No. 932 Patentee after: CENTRAL SOUTH University Country or region after: China Address before: 410000 139 people's Middle Road, Furong district, Changsha, Hunan Patentee before: THE SECOND XIANGYA HOSPITAL OF CENTRAL SOUTH University Country or region before: China |
|
TR01 | Transfer of patent right |