CN116230108A - 一种基于tdm和ai技术的智能用药决策方法及系统 - Google Patents
一种基于tdm和ai技术的智能用药决策方法及系统 Download PDFInfo
- Publication number
- CN116230108A CN116230108A CN202310185579.2A CN202310185579A CN116230108A CN 116230108 A CN116230108 A CN 116230108A CN 202310185579 A CN202310185579 A CN 202310185579A CN 116230108 A CN116230108 A CN 116230108A
- Authority
- CN
- China
- Prior art keywords
- drug concentration
- drug
- concentration
- prediction model
- tdm
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Medicinal Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于TDM和AI技术的智能用药决策方法及体统,其中,用药决策方法包括收集TDM检测系统内的医疗信息和患者的个体特征;根据收集得到的医疗信息和患者的个体特征,学习训练建立药物剂量预测模型和药物浓度预测模型;根据药物浓度预测模型得到药物浓度上限值和药物浓度下限值,根据药物浓度上限值和药物浓度下限值得出药物浓度范围,在药物浓度范围内选定药物浓度预测值;在药物剂量预测模型内输入药物浓度预测值得出药物剂量预测值。药物剂量预测模型和药物浓度预测模型是通过收集多种特征信息建立的,可针对多种群体特征的患者进行用药指导,为临床提供精准的参考,提高患者治疗的效果。
Description
技术领域
本发明涉及健康管理及计算机技术领域,具体涉及一种基于TDM和AI技术的智能用药决策方法及系统。
背景技术
治疗药物监测(Therapeutic Drug monitoring,TDM)通过定量测定血清/血浆药物浓度来指导用药剂量优化,是精准医学的患者管理工具。它与患者的服药剂量、临床疗效均有明显的相关性。TDM以药动学与药效学理论为指导,借助现代先进分析技术与电子计算机手段,通过对患者血液或其他液体中药物浓度检测,探讨临床用药过程中人体对药物的吸收、分布、代谢和排泄的影响。其目的是实现给药方案个体化,提高药物疗效,避免或减少药物毒副反应,达到最佳治疗效果,将临床用药从传统经验模式提高到比较科学的水平。个体化用药是在最合适的时间、对最合适的患者、给予最合适的药物和最合适的剂量,治疗药物监测和药物基因组检测为个体化用药提供了重要的技术基础。
既往在定量药理学研究中群体药动学模型、药动学/药效学模型等应用较多,但是这些模型在计算参数时仅基于少量临床因素,无法适用于情况复杂的特殊人群,如覆盖多种群体特征的危重症患者。
因此,如何提供一种智能用药方法,使其快速有效地对患者进行用药指导,且能针对患有多种群体特征的患者进行针对性指导,是本领域技术人员亟待解决的技术问题。
发明内容
为此,本发明提供一种基于TDM和AI技术的智能用药决策方法及系统,以解决现有技术中由于用药预测仅基于少量临床因素而导致的无法适用于情况复杂的特殊人群的问题。
为了实现上述目的,本发明提供如下技术方案:
根据本发明的第一方面,提供了一种基于TDM和AI技术的智能用药决策方法,包括以下步骤:
S1:收集TDM检测系统内的医疗信息和患者的个体特征;
S2:根据收集得到的医疗信息和患者的个体特征,学习训练建立药物剂量预测模型和药物浓度预测模型;
S3:根据所述药物浓度预测模型得到药物浓度上限值和药物浓度下限值,根据药物浓度上限值和药物浓度下限值得出药物浓度范围,在药物浓度范围内选定药物浓度预测值;
S4:在所述药物剂量预测模型内输入药物浓度预测值得出药物剂量预测值。
进一步地,所述药物浓度预测模型的建立过程,具体为:
根据药物动力学和药物浓度拟合曲线得出药物浓度上限系数和药物浓度下限系数;
使用不含药物浓度以及药物剂量的特征集合,通过第一算法训练药物浓度的回归模型,并优化超参数,得到药物浓度回归模型预测值;
所述药物浓度回归模型预测值分别乘以所述药物浓度上限系数与所述药物浓度下限系数得到药物浓度上限值和药物浓度下限值,从而得到药物浓度范围。
进一步地,构建所述药物浓度上限系数与所述药物浓度下限系数的过程为:
根据药物动力学、药物半衰期和患者血液采样规则信息进行药物浓度曲线的拟合;
根据指定时间段的药物浓度曲线上截出一段曲线,并均匀采样出N个点;
计算N个点的平均值;
通过计算得出的平均值与截出的曲线,得出药物浓度上限系数与药物浓度下限系数。
进一步地,所述药物剂量预测模型的建立过程,具体为:
使用不含药物剂量的特征集合,通过第一算法训练药物剂量的回归模型,并优化超参数,得到药物剂量回归模型预测值;
在药物浓度范围内选定药物浓度预测值;
药物剂量回归模型预测值乘以药物浓度预测值得到药物剂量预测值。
进一步地,所述医疗信息的数据集包括训练集和评估集,所述训练集用于所述药物剂量预测模型和所述药物浓度预测模型建模,所述评估集用于测试评估模型性能。
进一步地,所述训练集的数据采集人群范围为住院期间药物剂量未调整的人群以及药物剂量调整后长时间未再次调整人群。
进一步地,所述评估集的数据采集人群范围为未知人群。
进一步地,所述患者的个体特征至少包括性别、年龄、体重、原发疾病、肝肾功能和临床症状。
进一步地,所述医疗信息的数据集至少包括用药类型、用药浓度、用药剂量、间隔时间、用药途径、用药方法、用药疗程、临床疗效、血药浓度和不良反应。
根据本发明的第二方面,提供了一种基于TDM和AI技术的智能用药决策系统,用于实现上述任一项所述的基于TDM和AI技术的智能用药决策方法,包括:
收集模块,用于收集TDM检测系统内的医疗信息;
训练模块,用于根据收集得到的所述医疗信息,学习训练建立药物剂量预测模型和药物浓度预测模型;
第一数据处理模块,用于处理药物浓度预测模型内的数据,输出药物浓度预测值;
第二数据处理模块,用于处理药物剂量预测模型内的数据,输出药物剂量预测值。
本发明具有如下优点:
本发明通过收集得到的医疗信息和患者的个体特征,学习训练建立药物剂量预测模型和药物浓度预测模型。通过药物浓度预测模型得到药物浓度范围,在药物浓度范围内选定适合的药物浓度预测值。通过药物剂量预测模型和药物浓度预测值得出药物剂量预测值。药物剂量预测模型和药物浓度预测模型是通过收集多种特征信息建立的,可针对多种群体特征的患者进行用药指导,为临床提供精准的参考,提高患者治疗的效果。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的一种基于TDM和AI技术的智能用药决策方法的流程图;
图2为本发明提供的一种基于TDM和AI技术的智能用药决策系统的连接框图。
图3为药物浓度预测模型预测的血浆有效浓度与实际血药浓度试验结果的对比图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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。
为了解决现有技术中由于用药预测仅基于少量临床因素而导致的无法适用于情况复杂的特殊人群的问题,根据本发明的第一方面,如图1所示的,提供了一种基于TDM和AI技术的智能用药决策方法,包括以下步骤:
S1:收集TDM检测系统内的医疗信息和患者的个体特征;
S2:根据收集得到的医疗信息和患者的个体特征,学习训练建立药物剂量预测模型和药物浓度预测模型;
S3:根据药物浓度预测模型得到药物浓度上限值和药物浓度下限值,根据药物浓度上限值和药物浓度下限值得出药物浓度范围,在药物浓度范围内选定药物浓度预测值;
S4:在药物剂量预测模型内输入药物浓度预测值得出药物剂量预测值。
本发明采集的数据具有多样性。医疗信息的数据集至少包括用药类型、用药浓度、用药剂量、间隔时间、用药途径、用药方法、用药疗程、临床疗效、血药浓度和不良反应。医疗信息的数据集包括训练集和评估集,训练集用于药物剂量预测模型和药物浓度预测模型建模,评估集用于测试评估模型性能。训练集的数据采集人群范围为药物剂量未调整的人群以及药物剂量调整后长时间未再次调整人群。评估集的数据采集人群范围为未知人群。患者的个体特征至少包括性别、年龄、体重、原发疾病、肝肾功能和临床症状。
本发明通过药物浓度预测模型得到药物浓度范围,在药物浓度范围内选定适合的药物浓度预测值。通过药物剂量预测模型和药物浓度预测值得出药物剂量预测值。药物剂量预测模型和药物浓度预测模型是通过收集多种特征信息建立的,可针对多种群体特征的患者进行用药指导,提高患者治疗的效果。
进一步地,药物浓度预测模型的建立过程,具体为:
根据药物动力学和药物浓度拟合曲线得出药物浓度上限系数和药物浓度下限系数;
使用不含药物浓度以及药物剂量的特征集合,通过第一算法训练药物浓度的回归模型,并采用3折交叉验证(CV)优化超参数,得到药物浓度回归模型预测值;
药物浓度回归模型预测值分别乘以药物浓度上限系数与药物浓度下限系数得到药物浓度上限值和药物浓度下限值,从而得到药物浓度范围。不同特征的患者计算得出的药物浓度范围不同,因此,解决了患者服药后个体差异性大的问题。
常用的五种机器学习算法包括XGBoost、梯度提升、随机森林、Bagging以及决策树。进行模型对比,参考皮尔逊相关系数,选择皮尔逊相关系数越接近于1的机器学习模型。例如,针对服用奥氮平药物的精神分裂患者,第一算法为XGBoost模型。XGBoost模型预测的奥氮平血浆有效浓度与稳态奥氮平血药浓度试验的拟合效果是五种机器学习算法中皮尔逊相关系数最高的,因此,采用XGBoost模型进行回归模型建立。
进一步地,构建药物浓度上限系数与药物浓度下限系数的过程为:
根据药物动力学、药物半衰期和患者血液采样规则信息进行药物浓度曲线的拟合;
根据指定时间段的药物浓度曲线上截出一段曲线,并均匀采样出N个点;
计算N个点的平均值;
通过计算得出的平均值与截出的曲线,得出药物浓度上限系数与药物浓度下限系数。
通过药物浓度上限系数和药物浓度下限系数得出药物浓度上限值和药物浓度下限值。例如奥氮平的治疗浓度20-80ng/ml,80ng/ml为药物浓度上限值,20ng/ml为药物浓度下限值,用药时的浓度应在20-80ng/ml中选择。
进一步地,药物浓度决定药物剂量的,根据选定的药物浓度预测值计算得出药物剂量预测值。
药物剂量预测模型的建立过程具体为:
使用不含药物剂量的特征集合,通过XGBoost模型训练药物剂量的回归模型,并采用3折交叉验证(CV)优化超参数,得到药物剂量回归模型预测值;
在药物浓度范围内选定药物浓度预测值;
药物剂量回归模型预测值乘以药物浓度预测值得到药物剂量预测值。
患者服药是一个试药的过程,服药周期长,服药后个体差异大,造成药物浓度监测频度以及结果的不确定。因此,通过上述模型得出的药物浓度范围能适应不同特征的患者,能解决服药后个体差异大的问题。
根据本发明的第二方面,如图2所示的,提供了一种基于TDM和AI技术的智能用药决策系统,用于实现上述任一项的基于TDM和AI技术的智能用药决策方法,包括:
收集模块,用于收集TDM检测系统内的医疗信息;
训练模块,用于根据收集得到的医疗信息,学习训练建立药物剂量预测模型和药物浓度预测模型;
第一数据处理模块,用于处理药物浓度预测模型内的数据,输出药物浓度预测值;
第二数据处理模块,用于处理药物剂量预测模型内的数据,输出药物剂量预测值。
如图3所示的,例如,针对服用奥氮平药物的精神分裂患者,通过绘制每个样本奥氮平药物浓度预测模型计算出的奥氮平血浆有效浓度预测值与奥氮平血药浓度试验结果检测的实际值的线性回归曲线,可以证明当前药物浓度预测值和实际值之间的相关性,得出相关性系数为0.82,表现出良好的拟合结果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于TDM和AI技术的智能用药决策方法,其特征在于,包括以下步骤:
S1:收集TDM检测系统内的医疗信息和患者的个体特征;
S2:根据收集得到的医疗信息和患者的个体特征,学习训练建立药物剂量预测模型和药物浓度预测模型;
S3:根据所述药物浓度预测模型得到药物浓度上限值和药物浓度下限值,根据药物浓度上限值和药物浓度下限值得出药物浓度范围,在药物浓度范围内选定药物浓度预测值;
S4:在所述药物剂量预测模型内输入药物浓度预测值得出药物剂量预测值。
2.如权利要求1所述的基于TDM和AI技术的智能用药决策方法,其特征在于,所述药物浓度预测模型的建立过程,具体为:
根据药物动力学和药物浓度拟合曲线得出药物浓度上限系数和药物浓度下限系数;
使用不含药物浓度以及药物剂量的特征集合,通过第一算法训练药物浓度的回归模型,并优化超参数,得到药物浓度回归模型预测值;
所述药物浓度回归模型预测值分别乘以所述药物浓度上限系数与所述药物浓度下限系数得到药物浓度上限值和药物浓度下限值,从而得到药物浓度范围。
3.如权利要求2所述的基于TDM和AI技术的智能用药决策方法,其特征在于,构建所述药物浓度上限系数与所述药物浓度下限系数的过程为:
根据药物动力学、药物半衰期和患者血液采样规则信息进行药物浓度曲线的拟合;
根据指定时间段的药物浓度曲线上截出一段曲线,并均匀采样出N个点;
计算N个点的平均值;
通过计算得出的平均值与截出的曲线,得出药物浓度上限系数与药物浓度下限系数。
4.如权利要求1所述的基于TDM和AI技术的智能用药决策方法,其特征在于,所述药物剂量预测模型的建立过程,具体为:
使用不含药物剂量的特征集合,通过第一算法训练药物剂量的回归模型,并优化超参数,得到药物剂量回归模型预测值;
在药物浓度范围内选定药物浓度预测值;
药物剂量回归模型预测值乘以药物浓度预测值得到药物剂量预测值。
5.如权利要求1所述的基于TDM和AI技术的智能用药决策方法,其特征在于,所述医疗信息的数据集包括训练集和评估集,所述训练集用于所述药物剂量预测模型和所述药物浓度预测模型建模,所述评估集用于测试评估模型性能。
6.如权利要求5所述的基于TDM和AI技术的智能用药决策方法,其特征在于,所述训练集的数据采集人群范围为药物剂量未调整的人群以及药物剂量调整后长时间未再次调整人群。
7.如权利要求5所述的基于TDM和AI技术的智能用药决策方法,其特征在于,所述评估集的数据采集人群范围为未知人群。
8.如权利要求1所述的基于TDM和AI技术的智能用药决策方法,其特征在于,所述患者的个体特征至少包括性别、年龄、体重、原发疾病、肝肾功能和临床症状。
9.如权利要求1所述的基于TDM和AI技术的智能用药决策方法,其特征在于,所述医疗信息的数据集至少包括用药类型、用药浓度、用药剂量、间隔时间、用药途径、用药方法、用药疗程、临床疗效、血药浓度和不良反应。
10.一种基于TDM和AI技术的智能用药决策系统,用于实现如权利要求1-9任一项所述的基于TDM和AI技术的智能用药决策方法,其特征在于,包括:
收集模块,用于收集TDM检测系统内的医疗信息;
训练模块,用于根据收集得到的所述医疗信息,学习训练建立药物剂量预测模型和药物浓度预测模型;
第一数据处理模块,用于处理药物浓度预测模型内的数据,输出药物浓度预测值;
第二数据处理模块,用于处理药物剂量预测模型内的数据,输出药物剂量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310185579.2A CN116230108A (zh) | 2023-03-01 | 2023-03-01 | 一种基于tdm和ai技术的智能用药决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310185579.2A CN116230108A (zh) | 2023-03-01 | 2023-03-01 | 一种基于tdm和ai技术的智能用药决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116230108A true CN116230108A (zh) | 2023-06-06 |
Family
ID=86580240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310185579.2A Pending CN116230108A (zh) | 2023-03-01 | 2023-03-01 | 一种基于tdm和ai技术的智能用药决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116230108A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116779096A (zh) * | 2023-06-28 | 2023-09-19 | 南栖仙策(南京)高新技术有限公司 | 一种用药策略确定方法、装置、设备和存储介质 |
CN116779186A (zh) * | 2023-08-23 | 2023-09-19 | 寿光市人民医院 | 一种用于心律失常患者的环磷腺苷用药数据信息处理系统 |
-
2023
- 2023-03-01 CN CN202310185579.2A patent/CN116230108A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116779096A (zh) * | 2023-06-28 | 2023-09-19 | 南栖仙策(南京)高新技术有限公司 | 一种用药策略确定方法、装置、设备和存储介质 |
CN116779096B (zh) * | 2023-06-28 | 2024-04-16 | 南栖仙策(南京)高新技术有限公司 | 一种用药策略确定方法、装置、设备和存储介质 |
CN116779186A (zh) * | 2023-08-23 | 2023-09-19 | 寿光市人民医院 | 一种用于心律失常患者的环磷腺苷用药数据信息处理系统 |
CN116779186B (zh) * | 2023-08-23 | 2023-12-12 | 寿光市人民医院 | 一种用于心律失常患者的环磷腺苷用药数据信息处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116230108A (zh) | 一种基于tdm和ai技术的智能用药决策方法及系统 | |
Bhattacharya et al. | Antlion re-sampling based deep neural network model for classification of imbalanced multimodal stroke dataset | |
Saxena et al. | Diagnosis of diabetes mellitus using k nearest neighbor algorithm | |
KR102225894B1 (ko) | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 | |
CN109410216B (zh) | 一种缺血性脑卒中图像区域分割方法及装置 | |
Ahmad et al. | Diagnostic decision support system of chronic kidney disease using support vector machine | |
Akter et al. | Comprehensive performance assessment of deep learning models in early prediction and risk identification of chronic kidney disease | |
Bhimireddy et al. | Blood glucose level prediction as time-series modeling using sequence-to-sequence neural networks | |
Andersson et al. | A 290 mV Sub-$ V_ {\rm T} $ ASIC for Real-Time Atrial Fibrillation Detection | |
KR20200029425A (ko) | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 | |
CN110400613B (zh) | 一种随访患者筛选方法、装置、可读介质及电子设备 | |
CN111883219A (zh) | 一种基于决策树的药品不良反应数据挖掘方法 | |
Koutny et al. | Parallel software architecture for the next generation of glucose monitoring | |
Martsenyuk et al. | Intelligent Big Data System Based on Scientific Machine Learning of Cyber-physical Systems of Medical and Biological Processes. | |
De et al. | Disease detection system (DDS) using machine learning technique | |
CN116597892A (zh) | 一种模型训练的方法以及分子结构信息的推荐方法及装置 | |
Nag et al. | Cybernetic health | |
Saputra et al. | Hyperparameter optimization for cardiovascular disease data-driven prognostic system | |
AU2020378970B2 (en) | Techniques for image-based examination of dialysis access sites | |
Zhang et al. | Application of L 1/2 regularization logistic method in heart disease diagnosis | |
CN114373539A (zh) | 中西医临床数据的处理方法、系统、存储介质及终端 | |
CN117357132B (zh) | 一种基于多层脑网络节点参与系数的任务执行方法及装置 | |
CN117036830B (zh) | 一种肿瘤分类模型训练方法、装置、存储介质及电子设备 | |
CN117057162B (zh) | 一种任务执行方法、装置、存储介质及电子设备 | |
Tripathy et al. | Fog-Assisted Smart Healthcare Prediction System for Diabetics Patients |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |