CN116434954B - 一种临床治疗效果的评价方法 - Google Patents

一种临床治疗效果的评价方法 Download PDF

Info

Publication number
CN116434954B
CN116434954B CN202310244416.7A CN202310244416A CN116434954B CN 116434954 B CN116434954 B CN 116434954B CN 202310244416 A CN202310244416 A CN 202310244416A CN 116434954 B CN116434954 B CN 116434954B
Authority
CN
China
Prior art keywords
layer
neuron node
hidden layer
clinical
evaluation
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
Application number
CN202310244416.7A
Other languages
English (en)
Other versions
CN116434954B8 (zh
CN116434954A (zh
Inventor
楼力
范荣
李江伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaoxing Kexi Biotechnology Co ltd
Original Assignee
Shaoxing Kexi Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaoxing Kexi Biotechnology Co ltd filed Critical Shaoxing Kexi Biotechnology Co ltd
Priority to CN202310244416.7A priority Critical patent/CN116434954B8/zh
Publication of CN116434954A publication Critical patent/CN116434954A/zh
Publication of CN116434954B publication Critical patent/CN116434954B/zh
Application granted granted Critical
Publication of CN116434954B8 publication Critical patent/CN116434954B8/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请提供了一种临床治疗效果的评价方法，获取N个临床病人的指标数据，N≥100；对每个临床病人的指标数据进行预处理，构建训练样本；构建初始神经网络模型，利用训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；将多个待评价的临床病人的指标数据进行预处理后，分别输入到训练后的神经网络模型，产生每个待评价的临床病人的评价值；对多个待评价的临床病人的评价值进行数据处理，得到临床治疗效果的综合评价得分。

Description

一种临床治疗效果的评价方法
技术领域
本申请涉及评价方法，尤其涉及一种临床治疗效果的评价方法。
背景技术
临床治疗效果可以通过比较病人治疗前后病情变化来评价。在治疗进行过程中也可以进行评价，以判断病人病情的改善程度和速度。临床治疗效果是药物存在和上市的基础，是批准药物上市的基本要求和必要条件。药物要获得上市批准，申报者需要通过科学的研究以证明药物的临床治疗有效性。
近年来，我国明确要求以人民健康为中心，以药品临床价值为导向，引导和推动相关主体规范开展药品临床综合评价，持续推动药品临床综合评价工作标准化、规范化、科学化、同质化，助力提高药事服务质量，保障临床基本用药的供应与合理使用，更好地服务国家药物政策决策需求。
目前存在许多确定临床治疗效果的评价方法，用于判断病人病情改善或恶化的程度。这些方法中部分为主观评价方法，如各种问卷法或量表法，而有些则是客观指标方法，例如采用仪器设备测量体温、血压、心率、呼吸流速等进行评价。其中客观指标方法更合适表面治疗前后的差异，在全面性上存在局限，而主观评价方法在解释时往往存在较大的随意性。
因此如何提供一种高效、科学、准确的临床治疗效果的评价方法，成为目前需要解决的一个技术问题。
发明内容
鉴于上述问题，提出了本申请，以便提供一种临床治疗效果的评价方法，用于提高该评价方法的效率、科学性和准确性。
本申请提供的一种临床治疗效果的评价方法，包括：
步骤S1，获取N个临床病人的指标数据，N≥100；
步骤S2，对每个临床病人的指标数据进行预处理，构建训练样本；
步骤S3，构建初始神经网络模型，利用训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；
步骤S4，将多个待评价的临床病人的指标数据进行预处理后，分别输入到训练后的神经网络模型，产生每个待评价的临床病人的评价值；
步骤S5，对多个待评价的临床病人的评价值进行数据处理，得到临床治疗效果的综合评价得分。
进一步的，指标数据包括客观指标数据和主观指标数据。
进一步的，客观指标数据包括：①理化指标评价数据；②安全性评价数据；③治疗周期评价数据；④经济学评价数据；主观指标数据包括：⑤病人自我评价数据；⑥临床症状评价数据；⑦生存质量评价数据。
进一步的，步骤S3还包括步骤S31-S33：
步骤S31，采用输入层、隐含层、随机失活层和输出层构建初始神经网络模型；
步骤S32，将训练样本输入到初始神经网络模型，计算评价值和期望值的误差；
步骤S33，根据评价值和期望值的误差，调整初始神经网络模型，直至该误差达到预设精度阈值，得到训练后的神经网络模型。
进一步的，初始神经网络模型包括依次连接的输入层、第一隐含层、第一随机失活层、第二隐含层、第二随机失活层、第三隐含层、第三随机失活层、第四隐含层、第四随机失活层、输出层；
其中，输入层包括7个神经元节点，第一隐含层和第一随机失活层分别包括29个神经元节点，其中第一随机失活层的失活概率为0.5，第二隐含层和第二随机失活层分别包括28个神经元节点，其中第二随机失活层的失活概率为0.4，第三隐含层和第三随机失活层分别包括27个神经元节点，其中第三随机失活层的失活概率为0.3，第四隐含层和第四随机失活层分别包括26个神经元节点，其中第四随机失活层的失活概率为0.2，输出层包括4个神经元节点；
输入层中每个神经元节点的输入端分别接收1个指标数据，第一隐含层中每个神经元节点的7个输入端分别连接输入层中每个神经元节点的1个输出端，第一随机失活层中每个神经元节点的1个输入端分别依次连接第一隐含层中每个神经元节点的1个输出端，第二隐含层中每个神经元节点的512个输入端分别连接第一随机失活层中每个神经元节点的输出端，第二随机失活层中每个神经元节点的1个输入端分别依次连接第二隐含层中每个神经元节点的1个输出端，第三隐含层中每个神经元节点的256个输入端分别连接第二随机失活层中每个神经元节点的输出端，第三随机失活层中每个神经元节点的1个输入端分别依次连接第三隐含层中每个神经元节点的1个输出端，第四隐含层中每个神经元节点的128个输入端分别连接第三随机失活层中每个神经元节点的输出端，第四随机失活层中每个神经元节点的1个输入端分别依次连接第三隐含层中每个神经元节点的1个输出端，输出层中每个神经元节点的64个输入端分别连接第四随机失活层中每个神经元节点的输出端，输出层中每个神经元节点的输出端产生评价值，对应于每个临床病人的临床治疗效果。
进一步的，临床治疗效果分别为痊愈、显效、进步、无效四个等级，对应的评价值分别为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]。
进一步的，每个隐含层中第j个神经元节点的输出为：
其中，f1是每个隐含层中每个神经元节点对应的激活函数，wij是每个隐含层的上一层第i个神经元节点与每个隐含层第j个神经元节点相连的权值，xi是每个隐含层的上一层第i个神经元节点的输出数据，n是每个隐含层的上一层的神经元节点数目；
输出层中第k个神经元节点的输出为：
其中，f2是输出层中每个神经元节点对应的激活函数，wpk是第四随机失活层第p个神经元节点与输出层第k个神经元节点相连的权值，xp是第四随机失活层第p个神经元节点的输出数据。
进一步的，每个隐含层中每个神经元节点对应的激活函数f1(y)具体为：
其中，y为激活函数f1(y)的自变量；
输出层中每个神经元节点对应的激活函数f2(t)具体为：
其中，t为激活函数f2(t)的自变量。
进一步的，将训练样本输入到初始神经网络模型进行训练，评价值的误差计算公式为：
其中，o′k为期望值。
进一步的，对多个待评价的临床病人的评价值进行数据处理包括：对多个待评价的临床病人的评价值求平均值，以得到临床治疗效果的综合评价得分。
本申请的有益效果是：
(1)、本申请采用神经网络模型，利用客观指标数据和主观指标数据，对临床治疗效果进行综合评价，有效提高了评价结果的准确性和科学性。
(2)、本申请公开的神经网络模型中四个隐含层分别采用29、28、27、26个依次减少的神经元节点，提高了学习效率，同时也能够逼近任何非线性连续函数，提高了神经网络模型的非映射能力和学习能力，能够精确地对每个临床病人的治疗效果进行评价。进一步的，神经网络模型还具有与四个隐含层自适应的四个随机失活层，根据隐含层的神经元节点数目调整失活概率大小，当神经元节点数目较多时，增大失活概率，当神经元节点数目较少时，减小失活概率，通过自适应地使部分输入数据失活，有助于模拟学习大量指标数据，降低神经网络复杂度，防止过拟合，增强神经网络模型的准确性，提高神经网络模型的学习效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请提供的临床治疗效果的评价方法的流程图；
图2为本申请提供的神经网络模型的结构图。
具体实施方式
为使本申请实施例的目的、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。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
本申请公开了一种临床治疗效果的评价方法，采用神经网络模型利用客观指标数据和主观指标数据，对临床治疗效果进行综合评价，有效提高了评价结果的准确性和科学性。同时神经网络模型中设置神经元节点依次减少的四个隐含层和与四个隐含层自适应的四个随机失活层，降低了神经网络模型复杂度，提高了学习效率和准确性，能够精确地对每个临床病人的治疗效果进行评价。
下面结合附图和具体实施例对本申请作进一步说明。
如图1所示，在一个实施例中，提供了一种临床治疗效果的评价方法。该评价方法具体包括如下步骤S1至步骤S5：
步骤S1，获取N个临床病人的指标数据，N≥100。
其中，临床病人数量N可以根据训练精度和训练速度进行调节。
对N个临床病人的指标数据进行采集，获取得到N个临床病人的指标数据。每个临床病人的指标数据包括客观指标数据和主观指标数据。
具体的，客观指标数据包括：①理化指标评价数据；②安全性评价数据；③治疗周期评价数据；④经济学评价数据。
主观指标数据包括：⑤病人自我评价数据；⑥临床症状评价数据；⑦生存质量评价数据。
步骤S2，对每个临床病人的指标数据进行预处理，构建训练样本。
具体的，为了便于指标数据的计算，并规范化神经网络模型的输入要求，这里将指标数据预处理，经标么化后，变换到[0，1]区间。
步骤S3，构建初始神经网络模型，利用训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型。
步骤S4，将多个待评价的临床病人的指标数据进行预处理后，分别输入到训练后的神经网络模型，产生每个待评价的临床病人的评价值。
步骤S5，对多个待评价的临床病人的评价值进行数据处理，得到临床治疗效果的综合评价得分。
具体的，对多个待评价的临床病人的评价值进行数据处理包括：
对多个待评价的临床病人的评价值求平均值，以得到临床治疗效果的综合评价得分。
在本申请中，分别采集客观指标数据和主观指标数据，通过神经网络模型进行临床治疗效果进行综合评价，能够有效提高评价结果的准确性和科学性。
在本申请的另一实施例中，步骤S3还包括步骤S31-S33：
步骤S31，采用输入层、隐含层、随机失活层和输出层构建初始神经网络模型。
具体的，如图2所示，初始神经网络模型包括依次连接的输入层、第一隐含层、第一随机失活层、第二隐含层、第二随机失活层、第三隐含层、第三随机失活层、第四隐含层、第四随机失活层、输出层。
其中，输入层包括7个神经元节点，第一隐含层和第一随机失活层分别包括29个神经元节点，其中第一随机失活层的失活概率为0.5，第二隐含层和第二随机失活层分别包括28个神经元节点，其中第二随机失活层的失活概率为0.4，第三隐含层和第三随机失活层分别包括27个神经元节点，其中第三随机失活层的失活概率为0.3，第四隐含层和第四随机失活层分别包括26个神经元节点，其中第四随机失活层的失活概率为0.2，输出层包括4个神经元节点。
输入层中每个神经元节点的输入端分别接收1个指标数据，第一隐含层中每个神经元节点的7个输入端分别连接输入层中每个神经元节点的1个输出端，第一随机失活层中每个神经元节点的1个输入端分别依次连接第一隐含层中每个神经元节点的1个输出端，第二隐含层中每个神经元节点的512个输入端分别连接第一随机失活层中每个神经元节点的输出端，第二随机失活层中每个神经元节点的1个输入端分别依次连接第二隐含层中每个神经元节点的1个输出端，第三隐含层中每个神经元节点的256个输入端分别连接第二随机失活层中每个神经元节点的输出端，第三随机失活层中每个神经元节点的1个输入端分别依次连接第三隐含层中每个神经元节点的1个输出端，第四隐含层中每个神经元节点的128个输入端分别连接第三随机失活层中每个神经元节点的输出端，第四随机失活层中每个神经元节点的1个输入端分别依次连接第三隐含层中每个神经元节点的1个输出端，输出层中每个神经元节点的64个输入端分别连接第四随机失活层中每个神经元节点的输出端，输出层中每个神经元节点的输出端产生评价值，对应于每个临床病人的临床治疗效果。
进一步的，临床治疗效果分别为痊愈、显效、进步、无效四个等级，对应的评价值分别为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]。
进一步的，每个隐含层中第j个神经元节点的输出为：
其中，f1是每个隐含层中每个神经元节点对应的激活函数，wij是每个隐含层的上一层第i个神经元节点与每个隐含层第j个神经元节点相连的权值，xi是每个隐含层的上一层第i个神经元节点的输出数据，n是每个隐含层的上一层的神经元节点数目。
输出层中第k个神经元节点的输出为：
其中，f2是输出层中每个神经元节点对应的激活函数，wpk是第四随机失活层第p个神经元节点与输出层第k个神经元节点相连的权值，xp是第四随机失活层第p个神经元节点的输出数据。
进一步的，每个隐含层中每个神经元节点对应的激活函数f1(y)具体为：
其中，y为激活函数f1(y)的自变量。
输出层中每个神经元节点对应的激活函数f2(t)具体为：
其中，t为激活函数f2(t)的自变量。
步骤S32，将训练样本输入到初始神经网络模型，计算评价值和期望值的误差。
进一步的，将训练样本输入到初始神经网络模型进行训练，评价值的误差计算公式为：
其中，o’k为期望值。
步骤S33，根据评价值和期望值的误差，调整初始神经网络模型，直至该误差达到预设精度阈值，得到训练后的神经网络模型。
在本申请中，神经网络模型中四个隐含层分别采用29、28、27、26个依次减少的神经元节点，提高了学习效率，同时也能够逼近任何非线性连续函数，提高了神经网络模型的非映射能力和学习能力，能够精确地对每个临床病人的治疗效果进行评价。进一步的，神经网络模型还具有与四个隐含层自适应的四个随机失活层，根据隐含层的神经元节点数目调整失活概率大小，当神经元节点数目较多时，增大失活概率，当神经元节点数目较少时，减小失活概率，通过自适应地使部分输入数据失活，有助于模拟学习大量指标数据，降低神经网络复杂度，防止过拟合，增强神经网络模型的准确性，提高神经网络模型的学习效率。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。

Claims (7)

1.一种临床治疗效果的评价方法，其特征在于，包括步骤S1至步骤S5：
步骤S1，获取N个临床病人的指标数据，N≥100；
步骤S2，对每个临床病人的指标数据进行预处理，构建训练样本；
步骤S3，构建初始神经网络模型，利用训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；
步骤S4，将多个待评价的临床病人的指标数据进行预处理后，分别输入到训练后的神经网络模型，产生每个待评价的临床病人的评价值；
步骤S5，对多个待评价的临床病人的评价值进行数据处理，得到临床治疗效果的综合评价得分；
指标数据包括客观指标数据和主观指标数据；
步骤S3还包括步骤S31-S33：
步骤S31，采用输入层、隐含层、随机失活层和输出层构建初始神经网络模型；
步骤S32，将训练样本输入到初始神经网络模型，计算评价值和期望值的误差；
步骤S33，根据评价值和期望值的误差，调整初始神经网络模型，直至该误差达到预设精度阈值，得到训练后的神经网络模型；
初始神经网络模型包括依次连接的输入层、第一隐含层、第一随机失活层、第二隐含层、第二随机失活层、第三隐含层、第三随机失活层、第四隐含层、第四随机失活层、输出层；
其中，输入层包括7个神经元节点，第一隐含层和第一随机失活层分别包括29个神经元节点，其中第一随机失活层的失活概率为0.5，第二隐含层和第二随机失活层分别包括28个神经元节点，其中第二随机失活层的失活概率为0.4，第三隐含层和第三随机失活层分别包括27个神经元节点，其中第三随机失活层的失活概率为0.3，第四隐含层和第四随机失活层分别包括26个神经元节点，其中第四随机失活层的失活概率为0.2，输出层包括4个神经元节点；
输入层中每个神经元节点的输入端分别接收1个指标数据，第一隐含层中每个神经元节点的7个输入端分别连接输入层中每个神经元节点的1个输出端，第一随机失活层中每个神经元节点的1个输入端分别依次连接第一隐含层中每个神经元节点的1个输出端，第二隐含层中每个神经元节点的512个输入端分别连接第一随机失活层中每个神经元节点的输出端，第二随机失活层中每个神经元节点的1个输入端分别依次连接第二隐含层中每个神经元节点的1个输出端，第三隐含层中每个神经元节点的256个输入端分别连接第二随机失活层中每个神经元节点的输出端，第三随机失活层中每个神经元节点的1个输入端分别依次连接第三隐含层中每个神经元节点的1个输出端，第四隐含层中每个神经元节点的128个输入端分别连接第三随机失活层中每个神经元节点的输出端，第四随机失活层中每个神经元节点的1个输入端分别依次连接第三隐含层中每个神经元节点的1个输出端，输出层中每个神经元节点的64个输入端分别连接第四随机失活层中每个神经元节点的输出端，输出层中每个神经元节点的输出端产生评价值，对应于每个临床病人的临床治疗效果。
2.根据权利要求1所述的评价方法，其特征在于，客观指标数据包括：①理化指标评价数据；②安全性评价数据；③治疗周期评价数据；④经济学评价数据；主观指标数据包括：⑤病人自我评价数据；⑥临床症状评价数据；⑦生存质量评价数据。
3.根据权利要求1所述的评价方法，其特征在于，临床治疗效果分别为痊愈、显效、进步、无效四个等级，对应的评价值分别为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]。
4.根据权利要求3所述的评价方法，其特征在于，每个隐含层中第j个神经元节点的输出为：
其中，f1是每个隐含层中每个神经元节点对应的激活函数，wij是每个隐含层的上一层第i个神经元节点与每个隐含层第j个神经元节点相连的权值，xi是每个隐含层的上一层第i个神经元节点的输出数据，n是每个隐含层的上一层的神经元节点数目；
输出层中第k个神经元节点的输出为：
其中，f2是输出层中每个神经元节点对应的激活函数，wpk是第四随机失活层第p个神经元节点与输出层第k个神经元节点相连的权值，xp是第四随机失活层第p个神经元节点的输出数据。
5.根据权利要求4所述的评价方法，其特征在于，每个隐含层中每个神经元节点对应的激活函数f1(y)具体为：
其中，y为激活函数f1(y)的自变量；
输出层中每个神经元节点对应的激活函数f2(t)具体为：
其中，t为激活函数f2(t)的自变量。
6.根据权利要求5所述的评价方法，其特征在于，将训练样本输入到初始神经网络模型进行训练，评价值的误差计算公式为：
其中，o’k为期望值。
7.根据权利要求1所述的评价方法，其特征在于，对多个待评价的临床病人的评价值进行数据处理包括：对多个待评价的临床病人的评价值求平均值，以得到临床治疗效果的综合评价得分。
CN202310244416.7A 2023-03-08 2023-03-08 一种临床治疗效果的评价方法 Active CN116434954B8 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310244416.7A CN116434954B8 (zh) 2023-03-08 2023-03-08 一种临床治疗效果的评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310244416.7A CN116434954B8 (zh) 2023-03-08 2023-03-08 一种临床治疗效果的评价方法

Publications (3)

Publication Number Publication Date
CN116434954A CN116434954A (zh) 2023-07-14
CN116434954B true CN116434954B (zh) 2023-11-28
CN116434954B8 CN116434954B8 (zh) 2023-12-22

Family

ID=87078685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310244416.7A Active CN116434954B8 (zh) 2023-03-08 2023-03-08 一种临床治疗效果的评价方法

Country Status (1)

Country Link
CN (1) CN116434954B8 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250689A (zh) * 2016-07-28 2016-12-21 汪德清 一种红细胞输注需求量评估与疗效评价的系统和方法
CN109411082A (zh) * 2018-11-08 2019-03-01 西华大学 一种医疗质量评价及就诊推荐方法
CN113113130A (zh) * 2021-03-15 2021-07-13 湖南医云智享医疗科技有限公司 一种肿瘤个体化诊疗方案推荐方法
WO2022069884A1 (en) * 2020-10-02 2022-04-07 Oxford University Innovation Limited Clinical prototypes
CN115083555A (zh) * 2022-08-22 2022-09-20 四川省医学科学院·四川省人民医院 一种社区慢性病辅助决策系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250689A (zh) * 2016-07-28 2016-12-21 汪德清 一种红细胞输注需求量评估与疗效评价的系统和方法
CN109411082A (zh) * 2018-11-08 2019-03-01 西华大学 一种医疗质量评价及就诊推荐方法
WO2022069884A1 (en) * 2020-10-02 2022-04-07 Oxford University Innovation Limited Clinical prototypes
CN113113130A (zh) * 2021-03-15 2021-07-13 湖南医云智享医疗科技有限公司 一种肿瘤个体化诊疗方案推荐方法
CN115083555A (zh) * 2022-08-22 2022-09-20 四川省医学科学院·四川省人民医院 一种社区慢性病辅助决策系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BP和Elman神经网络评价针灸治疗颈椎病疗效研究;韦晓燕;张洪来;魏航;林秦烨;谭火媛;郭丽纯;;现代计算机(专业版)(22);全文 *

Also Published As

Publication number Publication date
CN116434954B8 (zh) 2023-12-22
CN116434954A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN111524602B (zh) 一种老年人记忆及认知功能评估筛查预警系统
CN105105743B (zh) 基于深度神经网络的心电图智能处理方法
CN111798954A (zh) 基于时间注意力机制和图卷积网络的药物组合推荐方法
CN107016438A (zh) 一种基于中医辨证人工神经网络算法模型的系统
Jain et al. Improving the prediction rate of diabetes using fuzzy expert system
CN113077873A (zh) 一种中医临床决策支持系统及方法
CN110298036A (zh) 一种基于词性增量迭代的在线医疗文本症状识别方法
CN109935337A (zh) 一种基于相似性度量的病案查找方法及系统
JP2022125154A (ja) リハビリ状態のための評価及び管理システム並びに関係する方法
US12027258B2 (en) Patient treatment resource utilization predictor
CN108231146A (zh) 一种基于深度学习的医疗记录模型构建方法、系统及装置
CN112002409A (zh) 一种中医辅助诊断系统
Jaafar et al. Diabetes mellitus forecast using artificial neural network (ANN)
CN116936108A (zh) 一种面向不平衡数据的疾病预测系统
CN111882066A (zh) 基于深度表征学习的反事实推理设备
Alasaady et al. A proposed approach for diabetes diagnosis using neuro-fuzzy technique
CN112329921B (zh) 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN116434954B (zh) 一种临床治疗效果的评价方法
CN112259232B (zh) 一种基于深度学习的vte风险自动评估系统
Gori et al. Predicting treatment outcome by combining different assessment tools: Toward an integrative model of decision support in psychotherapy.
Kumar et al. Analysis of CNN model based classification of diabetic retinopathy diagnosis
CN110598789A (zh) 一种基于模糊感知器的人体疲劳状态预测方法及系统
Wagholikar et al. Fuzzy naive Bayesian model for medical diagnostic decision support
CN114822788A (zh) 一种基于医患交互数据驱动的智能医生推荐方法
Liu et al. Application of Training Load Prediction Model based on Improved BP Neural Network in Sports Training of Athletes

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
CI03 Correction of invention patent

Correction item: Address

Correct: Room 401, Office Building, No. 1423 Renmin East Road, Yuecheng District, Shaoxing City, Zhejiang Province, 312000

False: Room 401, Office Building, No. 1423 Renmin East Road, Yuecheng District, Shaoxing City, Zhejiang Province, 312000

Number: 48-01

Page: The title page

Volume: 39

Correction item: Address

Correct: Room 401, Office Building, No. 1423 Renmin East Road, Yuecheng District, Shaoxing City, Zhejiang Province, 312000

False: Room 401, Office Building, No. 1423 Renmin East Road, Yuecheng District, Shaoxing City, Zhejiang Province, 312000

Number: 48-01

Volume: 39

CI03 Correction of invention patent
OR01 Other related matters
OR01 Other related matters