CN115312182B - 一种预测疫苗接种后不良反应转为严重不良反应风险的模型 - Google Patents
一种预测疫苗接种后不良反应转为严重不良反应风险的模型 Download PDFInfo
- Publication number
- CN115312182B CN115312182B CN202210881157.4A CN202210881157A CN115312182B CN 115312182 B CN115312182 B CN 115312182B CN 202210881157 A CN202210881157 A CN 202210881157A CN 115312182 B CN115312182 B CN 115312182B
- Authority
- CN
- China
- Prior art keywords
- disease
- adverse reaction
- seed
- diseases
- nodes
- 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
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
- G16H50/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种预测疫苗接种后不良反应转为严重不良反应风险的模型,基于疾病本体数据集的语义拓扑结构计算疾病相似度,并通过对疫苗接种后不良反应报告计算疾病的严重不良反应率,构建复杂疾病网络,对复杂疾病网络进行模块细粒度精准划分,使用启发式方法将复杂疾病网络划分为基础模块,再基于疾病的严重不良反应率和疾病之间的相似度得到优化后的模块,最后根据同一模块中种子疾病节点的严重不良反应率以及与其他疾病之间的相似度,计算患者接种某种疫苗后不良反应转为严重不良反应的风险评分;本发明能够对复杂疾病网络模块的细粒度精准划分,并且应用到预测疾病与新冠肺炎疫苗接种后不良反应转为严重不良反应风险上。
Description
技术领域
本发明属于生物医学技术领域,具体地,涉及一种预测疫苗接种后不良反应转为严重不良反应风险的模型。
背景技术
接种疫苗是预防和控制传染病最经济有效的公共卫生干预措施。自新冠病毒感染爆发以来,多种类型的新冠病毒感染疫苗相继开发成功并被投入使用,包括mRNA疫苗、灭活疫苗、重组蛋白疫苗和载体疫苗。
系统网站(Vaccine Adverse Event Reporting System,VAERS)记录了美国地区接种疫苗后疑似不良事件的报告案例。本发明希望从这些数据中找出哪些因素与疫苗的严重不良反应有关。
目前关于新冠病毒感染疫苗的不良反应报告研究表明,性别、年龄、疫苗以及某些疾病,如癌症、糖尿病、重症哮喘等与接种新冠病毒感染疫苗后的不良反应有关。然而,除了上述已知疾病外,尚不清楚是否还有更多疾病与新冠病毒感染疫苗的严重不良反应有关,它们的风险程度也尚未可知。
因此,在疫苗接种后发生不良反应初级阶段,精准预测哪些不良反应患者会发展成为严重不良反应患者,并对其进行重点医疗关注,有利于大幅度减少疫苗严重不良反应事件的发生。
发明内容
本发明提出了一种预测疫苗接种后不良反应转为严重不良反应风险的模型,通过构建疾病复杂网络,结合从疫苗不良反应事件报告案例中挖掘到的相关疾病的严重不良反应率,基于对复杂疾病网络的拓扑结构以及网络节点和连边属性的分析,对疾病复杂网络进行细粒度划分,从而实现网络模块的精准划分,最终通过对相同模块内已知严重不良反应率的种子疾病的属性,计算其它疾病的疫苗严重不良反应风险分数。
本发明通过以下技术方案实现:
一种预测疫苗接种后不良反应转为严重不良反应风险的模型:所述方法具体包括以下步骤:
步骤1,基于疾病本体的拓扑结构计算疾病相似度,构建复杂疾病网络;
步骤2,根据模块度最优化策略、节点属性拆解策略以及边属性聚合策略对复杂疾病网络进行模块细粒度精准划分;
步骤3,根据同一模块中的种子疾病节点的严重不良反应率以及与其他疾病之间的相似度,计算患有某种疾病的患者接种疫苗后不良反应转为严重不良反应的风险评分。
进一步地,在步骤1中,
步骤1.1,根据疾病实体数据集提供的疾病之间的父子语义关联关系,计算所有疾病之间的相似程度,从而构建复杂疾病网络;
将疾病之间相似度大于设定阈值λ的节点连边,边的权重设为疾病之间的相似度;
相似度计算聚合了疾病实体数据集上疾病节点的所有祖先节点信息,公式如下:
其中,CA(di,dj)表示疾病di和疾病dj的共同祖先节点集合;A(di)和A(dj)分别表示疾病di和疾病dj的祖先节点集合;
其中,疾病dq表示疾病dp的任意一个子孙节点;win表示疾病di和疾病dq之间的边的权重;
步骤1.2,对VERS数据集上的某种疫苗接种者报告的不良反应数据进行处理,统计不同疾病接种者接种疫苗后的严重不良反应率;
选择数据集中接种某种疫苗的报告案例超过15例的相关显著疾病作为种子疾病,给复杂疾病网络中的节点添加严重不良反应率属性。
进一步地,在步骤2中,
步骤2.1,基于模块度最优化原则,使用启发式方法Louvain将复杂疾病网络划分为基础模块;
步骤2.2,基于复杂疾病网络中节点属性,对现有的网络模块进行拆解;
步骤2.3,基于复杂疾病网络中边属性,对现有的网络模块进行聚合,得到优化后的模块。
进一步地,在步骤2.2中,
在复杂疾病网络中,所述节点属性为疾病的严重不良反应率,当同一模块内的种子疾病的严重不良反应率之差大于种子节点属性阈值θ时,对该模块进行拆解策略以获得更高的预测精度。
进一步地,当模块中所有种子疾病节点的最大和最小严重不良反应率之差在(N-1)θ和Nθ之间,将该模块分为N个子模块,其中N∈1,2,3...;
先将种子疾病节点按照严重不良反应率区间进行拆解,再将模块内的其它非种子疾病节点按照与种子疾病节点的相似度,就近分配其所属模块。
进一步地,在步骤2.3中,
复杂疾病网络中,所述边属性为疾病之间的相似度,当一个模块内没有种子疾病节点时,该模块需要与其它有种子疾病节点的模块进行合并,从而预测模块内疾病的严重不良反应风险分数。
进一步地,所述模块合并具体为:将不含种子疾病节点的模块,与其它带有种子疾病节点,且模块之间所有连边的相似度累积和最大的模块进行合并。
进一步地,在步骤3中,
根据同一模块内的种子疾病节点的严重不良反应率以及与其他疾病之间的相似度,进行加权平均计算风险分数,公式如下:
一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
本发明有益效果
本发明计算疫苗接种者的不良反应严重化风险与疾病之间的关联;能够对复杂疾病网络模块的细粒度精准划分;并且计算了疾病实体上10855个疾病的新冠疫苗接种不良反应严重化风险分数。
附图说明
图1为本发明方法的流程图;
图2为一个疾病小网络模块细粒度精准划分例子。
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,结合新冠病毒感染疫苗的不良反应案例报告,计算疾病的新冠病毒感染疫苗不良反应严重化风险。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。
一种预测疫苗接种后不良反应转为严重不良反应风险的模型:
所述方法具体包括以下步骤:
步骤1,基于疾病本体的拓扑结构计算疾病相似度,构建复杂疾病网络;
步骤2,根据模块度最优化策略、节点属性拆解策略以及边属性聚合策略对复杂疾病网络进行模块细粒度精准划分;
步骤3,根据同一模块中的种子疾病节点的严重不良反应率以及与其他疾病之间的相似度,计算患有某种疾病的患者接种疫苗后不良反应转为严重不良反应的风险评分。
在步骤1中,
步骤1.1,根据疾病实体数据集提供的疾病之间的父子语义关联关系,计算所有疾病之间的相似程度,从而构建复杂疾病网络;
将疾病之间相似度大于设定阈值λ的节点连边,边的权重设为疾病之间的相似度;
相似度计算聚合了疾病实体数据集上疾病节点的所有祖先节点信息,公式如下:
其中,CA(di,dj)表示疾病di和疾病dj的共同祖先节点集合;A(di)和A(dj)分别表示疾病di和疾病dj的祖先节点集合;
其中,疾病dq表示疾病dp的任意一个子孙节点;wiq表示疾病di和疾病dq之间的边的权重;
步骤1.2,对VAERS数据集上的新冠病毒感染疫苗接种者报告的不良反应数据进行处理,统计不同疾病接种者接种新冠病毒感染疫苗后的严重不良反应率;
选择数据集中接种新冠病毒感染疫苗的报告案例超过15例的相关显著疾病作为种子疾病,给复杂疾病网络中的节点添加严重不良反应率属性。
在步骤2中,
步骤2.1,基于模块度最优化原则,使用启发式方法Louvain将复杂疾病网络划分为基础模块;
步骤2.2,基于复杂疾病网络中节点属性(疾病的严重不良反应率),对现有的网络模块进行拆解;
在步骤2.2中,
在复杂疾病网络中,所述节点属性为疾病的严重不良反应率,当同一模块内的种子疾病的严重不良反应率之差大于种子节点属性阈值θ时,对该模块进行拆解策略以获得更高的预测精度。
所述拆解策略是指将种子疾病节点严重不良反应率差异大于θ的种子节点所在的模块进行拆解。
当模块中所有种子疾病节点的最大和最小严重不良反应率之差在(N-1)θ和Nθ之间,将该模块分为N个子模块,其中N∈1,2,3...。
先将种子疾病节点按照严重不良反应率区间进行拆解,再将模块内的其它非种子疾病节点按照与种子疾病节点的相似度,就近分配其所属模块。
即模块中所有种子疾病节点的最大和最小严重不良反应率之差在θ和2θ之间,则该模块进一步分为两个小模块;同理,当模块中所有种子节点的严重不良反应率最大值和最小值之差在2θ和3θ之间时,该模块进一步分为三个小模块,以此类推。
步骤2.3,基于复杂疾病网络中边属性(疾病之间的相似度),对现有的网络模块进行聚合,得到优化后的模块。
复杂疾病网络中,所述边属性为疾病之间的相似度,当一个模块内没有种子疾病节点时,该模块需要与其它有种子疾病节点的模块进行合并,从而预测模块内疾病的严重不良反应风险分数。
所述模块合并具体为:将不含种子疾病节点的模块,与其它带有种子疾病节点,且模块之间所有连边的相似度累积和最大的模块进行合并。
在步骤3中,
根据同一模块内的种子疾病节点的严重不良反应率以及与其他疾病之间的相似度,进行加权平均计算风险分数,公式如下:
为了使本发明实现的技术手段易于明白了解,以下结合新冠疫苗实施案例以及附图2对本发明作具体阐述。
步骤S1复杂疾病网络构建
1.本发明首先根据疾病实体数据集中10855个疾病之间的父子语义关系,综合考虑节点的所有祖先节点进行相似度计算。
然后连边相似度阈值设置为0.7,将疾病作为复杂疾病网络中的节点,对疾病之间相似度大于连边相似度阈值的疾病节点之间构建连边,边的属性权重设置为疾病之间的相似度,最终构建了一个具有10855个节点和17671条边的疾病网络。
2.数据处理获得种子疾病属性。
将VAERS数据集中的501851个新冠病毒感染疫苗不良反应报告案例中的当前疾病和历史疾病进行整理,与疾病实体中的10855个疾病名称及其同义词进行匹配。
同时对于具有:死亡、发生危及生命的事件、需要急诊室或医生就诊、住院、患者住院时间延长、有残疾的、有先天性异常或出生缺陷、有医生或其他医疗保健专业人员办公室/诊所就诊和有急诊室/部门或紧急护理情况的不良报告案例定义为有严重不良反应的案例。
统计出具有每个疾病的所有报告案例总数以及其中具有严重不良反应的案例个数,将其比例作为该疾病的新冠病毒感染疫苗严重不良反应率。据统计,共匹配到2174个疾病,其中,具有某种疾病的不良反应报告案例总数大于15例的有714个疾病,这714个疾病中具有显著严重不良反应率(p值<0.05)的疾病个数有302个。
最终整理出的302个疾病作为种子疾病,将其严重不良反应率作为节点属性添加到复杂疾病网络中。
步骤S2模块细粒度精准划分
附图2展示一个具有12个疾病节点和14条边的小网络,空心节点代表非种子疾病节点,实心节点代表种子疾病节点,其中节点颜色从浅到深依次代表该疾病的严重不良反应率从0到1,疾病节点之间的连边表示疾病之间相似度大于相似度阈值0.7。
本发明首先根据模块度最优的启发式算法Louvain对复杂疾病网络进行模块划分,将网络分为三个基础模块{1,2,3,4,5,6},{7,8,9}和{10,11,12}。
然后,由于种子疾病节点2和种子疾病节点3的严重不良反应率差异较大,因此需要对模块{1,2,3,4,5,6}执行拆解策略,故根据模块内节点与种子疾病节点2、3之间的相似度关系,将模块拆解为两个较小的模块{1,2}和{3,4,5,6}。
由于模块{7,8,9}没有种子疾病节点,因此需要与别的模块进行聚合策略。由于模块{7,8,9}仅与模块{10,11,12}之间有连边,故模块{7,8,9}与模块{10,11,12}采取聚合策略,生成新模块{7,8,9,10,11,12}。
步骤S3疾病的新冠病毒感染疫苗严重不良反应风险分数计算
根据同一模块中的种子疾病节点的严重不良反应率以及与其他疾病之间的相似度,本发明最终计算出患有10855种疾病的患者在接种疫苗后不良反应转为严重不良反应的风险评分。
一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double datarate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM,DR RAM)。应注意,本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disc,SSD))等。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
以上对本发明所提出的一种预测疫苗接种后不良反应转为严重不良反应风险的模型进行了详细介绍,对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种预测疫苗接种后不良反应转为严重不良反应风险方法,其特征在于:
所述方法具体包括以下步骤:
步骤1,基于疾病本体的拓扑结构计算疾病相似度,构建复杂疾病网络;
在步骤1中,
步骤1.1,根据疾病实体数据集提供的疾病之间的语义关联关系,计算所有疾病之间的相似程度,从而构建复杂疾病网络;
将疾病之间相似度大于设定阈值λ的节点连边,边的权重设为疾病之间的相似度;
相似度计算聚合了疾病实体数据集上疾病节点的所有祖先节点信息,公式如下:
其中,CA(di,dj)表示疾病di和疾病dj的共同祖先节点集合;A(di)和A(dj)分别表示疾病di和疾病dj的祖先节点集合;
其中,疾病dq表示疾病dp的任意一个子孙节点;wiq表示疾病di和疾病dq之间的边的权重;
步骤1.2,对VAERS数据集上的某种疫苗接种者报告的不良反应数据进行处理,统计不同疾病接种者接种该疫苗后的严重不良反应率;
选择数据集中接种某种疫苗的报告案例超过15例的相关显著疾病作为种子疾病,给复杂疾病网络中的节点添加严重不良反应率属性;
步骤2,根据模块度最优化策略、节点属性拆解策略以及边属性聚合策略对复杂疾病网络进行模块细粒度精准划分;
步骤3,根据同一模块中的种子疾病节点的严重不良反应率以及与其他疾病之间的相似度,计算患有某种疾病的患者接种疫苗后不良反应转为严重不良反应的风险评分;
在步骤3中,
根据同一模块内的种子疾病节点的严重不良反应率以及与其他疾病之间的相似度,进行加权平均计算风险分数,公式如下:
2.根据权利要求1所述方法,其特征在于:在步骤2中,
步骤2.1,基于模块度最优化原则,使用启发式方法Louvain将复杂疾病网络划分为基础模块;
步骤2.2,基于复杂疾病网络中节点属性,对现有的网络模块进行拆解;
步骤2.3,基于复杂疾病网络中边属性,对现有的网络模块进行聚合,得到优化后的模块。
3.根据权利要求2所述方法,其特征在于:在步骤2.2中,
在复杂疾病网络中,所述节点属性为疾病的严重不良反应率,当同一模块内的种子疾病的严重不良反应率之差大于种子节点属性阈值θ时,对该模块进行拆解策略以获得更高的预测精度。
4.根据权利要求3所述方法,其特征在于:
当模块中所有种子疾病节点的最大和最小严重不良反应率之差在(N-1)θ和Nθ之间,将该模块分为N个子模块,其中N∈1,2,3…;
先将种子疾病节点按照严重不良反应率区间进行拆解,再将模块内的其它非种子疾病节点按照与种子疾病节点的相似度,就近分配其所属模块。
5.根据权利要求4所述方法,其特征在于:在步骤2.3中,
复杂疾病网络中,所述边属性为疾病之间的相似度,当一个模块内没有种子疾病节点时,该模块需要与其它有种子疾病节点的模块进行合并,从而预测模块内疾病的严重不良反应风险分数。
6.根据权利要求5所述方法,其特征在于:
所述模块合并具体为:将不含种子疾病节点的模块,与其它带有种子疾病节点,且模块之间所有连边的相似度累积和最大的模块进行合并。
7.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
8.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881157.4A CN115312182B (zh) | 2022-07-26 | 2022-07-26 | 一种预测疫苗接种后不良反应转为严重不良反应风险的模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881157.4A CN115312182B (zh) | 2022-07-26 | 2022-07-26 | 一种预测疫苗接种后不良反应转为严重不良反应风险的模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115312182A CN115312182A (zh) | 2022-11-08 |
CN115312182B true CN115312182B (zh) | 2023-06-27 |
Family
ID=83858911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210881157.4A Active CN115312182B (zh) | 2022-07-26 | 2022-07-26 | 一种预测疫苗接种后不良反应转为严重不良反应风险的模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115312182B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10984076B1 (en) * | 2016-02-11 | 2021-04-20 | Walgreen Co. | Immunization web portal |
CN111742370A (zh) * | 2017-05-12 | 2020-10-02 | 密歇根大学董事会 | 个体和队列药理学表型预测平台 |
CN109558493B (zh) * | 2018-10-26 | 2023-02-10 | 复旦大学 | 一种基于疾病本体的疾病相似度计算方法 |
CN112086187B (zh) * | 2020-09-16 | 2022-04-19 | 电子科技大学 | 一种基于复杂网络的疾病进展路径挖掘方法 |
CN113160993A (zh) * | 2020-12-31 | 2021-07-23 | 上海明品医学数据科技有限公司 | 一种健康干预系统、服务器及健康管理系统 |
CN114283949A (zh) * | 2021-11-08 | 2022-04-05 | 湖南云视数据科技有限责任公司 | 一种基于深度学习的adr辅助决策系统 |
CN114783603A (zh) * | 2022-04-18 | 2022-07-22 | 北京交通大学 | 基于多源图神经网络融合的患病风险预测方法及系统 |
-
2022
- 2022-07-26 CN CN202210881157.4A patent/CN115312182B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115312182A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krantz et al. | Level of underreporting including underdiagnosis before the first peak of COVID-19 in various countries: Preliminary retrospective results based on wavelets and deterministic modeling | |
Parmar et al. | Data analysis strategies in medical imaging | |
US11488694B2 (en) | Method and system for predicting patient outcomes using multi-modal input with missing data modalities | |
Arias et al. | Association between evening admissions and higher mortality rates in the pediatric intensive care unit | |
US8990135B2 (en) | Personalized health risk assessment for critical care | |
Nketiah-Amponsah | The impact of health expenditures on health outcomes in sub-Saharan Africa | |
US11276495B2 (en) | Systems and methods for predicting multiple health care outcomes | |
Silva et al. | Reasons for discharge delays in teaching hospitals | |
Vepa et al. | Using machine learning algorithms to develop a clinical decision-making tool for COVID-19 inpatients | |
Menon et al. | Modelling and simulation of COVID-19 propagation in a large population with specific reference to India | |
Souza et al. | Geography of microcephaly in the zika era: a study of newborn distribution and socio-environmental indicators in Recife, Brazil, 2015-2016 | |
Xie et al. | A review of modeling methods for predicting in-hospital mortality of patients in intensive care unit | |
Yaya et al. | Disparities in pregnancy-related deaths: spatial and Bayesian network analyses of maternal mortality ratio in 54 African countries | |
Qiu et al. | Estimating disease burden using Internet data | |
Rodriguez-Llanes et al. | Confronting COVID-19: Surging critical care capacity in Italy | |
McCall et al. | Trends, wealth inequalities and the role of the private sector in caesarean section in the Middle East and North Africa: A repeat cross-sectional analysis of population-based surveys | |
Abd Ghani et al. | Innovative artificial intelligence approach for hearing-loss symptoms identification model using machine learning techniques | |
CN115312182B (zh) | 一种预测疫苗接种后不良反应转为严重不良反应风险的模型 | |
Bell et al. | Induced abortion incidence and safety in Burkina Faso in 2020: Results from a population-based survey using direct and social network-based estimation approaches | |
WO2019196283A1 (zh) | 流行病预测方法、计算机装置及非易失性可读存储介质 | |
Nie et al. | Forecasting medical state transition using machine learning methods | |
Kwami Takramah et al. | Spatio-temporal variations in neonatal mortality rates in Ghana: an application of hierarchical Bayesian methods | |
Jephcote et al. | The effect of socio-environmental mechanisms on deteriorating respiratory health across urban communities during childhood | |
Post et al. | Abstraction-based temporal data retrieval for a Clinical Data Repository | |
Collins et al. | Non-hispanic white women’s exposure to decreased neighborhood income and small for gestational age births: A population-based study |
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 |