CN117079760A - 华法林剂量调整方法、系统及临床辅助决策系统 - Google Patents
华法林剂量调整方法、系统及临床辅助决策系统 Download PDFInfo
- Publication number
- CN117079760A CN117079760A CN202310911525.XA CN202310911525A CN117079760A CN 117079760 A CN117079760 A CN 117079760A CN 202310911525 A CN202310911525 A CN 202310911525A CN 117079760 A CN117079760 A CN 117079760A
- Authority
- CN
- China
- Prior art keywords
- feature
- module
- processing
- medication
- adjustment
- 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.)
- Granted
Links
- PJVWKTKQMONHTI-UHFFFAOYSA-N warfarin Chemical compound OC=1C2=CC=CC=C2OC(=O)C=1C(CC(=O)C)C1=CC=CC=C1 PJVWKTKQMONHTI-UHFFFAOYSA-N 0.000 title claims abstract description 117
- 229960005080 warfarin Drugs 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000003814 drug Substances 0.000 claims abstract description 113
- 229940079593 drug Drugs 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 87
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 101001122178 Arabidopsis thaliana Lipoamide acyltransferase component of branched-chain alpha-keto acid dehydrogenase complex, mitochondrial Proteins 0.000 claims description 5
- 101100165212 Homo sapiens BCE1 gene Proteins 0.000 claims description 5
- 102100021293 Putative protein BCE-1 Human genes 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 208000007536 Thrombosis Diseases 0.000 description 4
- 238000003556 assay Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 108010074051 C-Reactive Protein Proteins 0.000 description 2
- 102100032752 C-reactive protein Human genes 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 206010067171 Regurgitation Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- IYIKLHRQXLHMJQ-UHFFFAOYSA-N amiodarone Chemical compound CCCCC=1OC2=CC=CC=C2C=1C(=O)C1=CC(I)=C(OCCN(CC)CC)C(I)=C1 IYIKLHRQXLHMJQ-UHFFFAOYSA-N 0.000 description 2
- 229960005260 amiodarone Drugs 0.000 description 2
- 208000034158 bleeding Diseases 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010053567 Coagulopathies Diseases 0.000 description 1
- 239000003154 D dimer Substances 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 208000011682 Mitral valve disease Diseases 0.000 description 1
- 206010027727 Mitral valve incompetence Diseases 0.000 description 1
- 208000025747 Rheumatic disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 229940127219 anticoagulant drug Drugs 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000035602 clotting Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000539 dimer Substances 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 108010052295 fibrin fragment D Proteins 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000000552 rheumatic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种华法林剂量调整方法及系统、临床辅助决策系统。该方法通过对目标患者在华法林用药期的特征数据进行预处理，得到目标特征数据；将目标特征数据输入预设用药剂量调整模型，该模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；通过关键特征提取模块，获取第一关键特征；通过所述时序分析模块，得到第一中间特征；通过第一任务模块对第一中间特征处理，获取第一输出特征、是否检验INR值的概率值；通过第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药方式调整的概率值。本发明解决了现有技术方案训练任务单一，时序信息利用及可解释性不足，进而预测准确度有待提升的技术问题。
Description
技术领域
本发明涉及人工智能领域，具体而言，涉及一种华法林剂量调整方法、系统及临床辅助决策系统。
背景技术
华法林是临床上广泛应用的抗凝药，可用于防治血管内栓塞或血栓形成的疾病，预防中风或其它血栓性疾病。在华法林治疗期间，用药剂量不当会存在严重的潜在出血风险和抗凝不足的栓塞风险，因此需要长期监测国际标准化比值（Internationalnormalized ratio，INR），根据INR值动态化调整华法林剂量，以确保其处于安全且有效的水平。然而，每个患者的目标 INR 区间具有较大的个体差异性；同时，华法林的药效会受到其他合并用药、草药、保健品等多种因素的影响，因此华法林剂量的调整具有极大的挑战性。
目前，服用华法林患者的剂量调整多采用门诊就诊方式，医生结合患者一段时间内华法林服用剂量和 INR 值进行评估后，调整后续华法林服用剂量，人工方法存在不便利、调整滞后的问题, 且高频次的 INR 检测对患者的时间和经济成本造成了巨大的负担，导致许多患者依从性差，易发生不良事件。为了解决上述问题，一种方法是基于预先选定的预测特征，直接根据临床知识给出华法林剂量的线性预测公式，该方法忽略了患者的异质性，且不能反映预测特征与华法林剂量之间的关系，不能根据患者 INR 值及当下健康状况个性化调整华法林用药剂量；另一种方法是使用传统机器学习模型进行预测华法林用药剂量，这种方法对输入特征如何时序性影响华法林计量的分析能力有限，影响预测准确度；还有一种方法是使用深度学习模型进行预测，但现有模型的训练任务较为单一，且对输入特征的时序性预测效应分析有限，预测能力有进一步提升的空间。另外，现有技术中缺乏对是否检验INR值进行评估，也会导致华法林用药剂量调整方式预测不够准确。
因此，亟需开发一套可评估是否需要检测INR值并准确预测华法林用药剂量调整方式的方法及系统。
发明内容
本发明实施例提供了一种华法林剂量调整方法、系统及临床辅助决策系统，以至少解决相关技术中现有技术方案训练任务单一，时序信息利用及可解释性不足，进而预测准确度有待提升的技术问题。
本发明实施例的第一方面提供了一种华法林剂量调整方法，该方法包括 ：
获取目标患者在华法林用药期的特征数据；
对所述特征数据进行预处理，得到所述目标患者在华法林用药期的目标特征数据；
将所述目标特征数据输入预设的用药剂量调整模型进行处理，计算得到是否检验INR值的概率值、是否进行用药调整的概率值，所述预设的用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；
通过所述关键特征提取模块，对所述目标特征数据进行分析处理，获取第一关键特征；通过所述时序分析模块对所述第一关键特征进行分析处理，得到第一中间特征；
通过所述第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；通过所述第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药方式调整的概率值。
可选的，所述第一任务模块包括第一全连接层、第二全连接层；所述第二任务模块包括第三全连接层、第四全连接层；
其中，所述通过所述第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值，包括：使用第一全连接层对所述第一中间特征进行处理，获取第一输出特征，再将所述第一输出特征输入第二全连接层进行激活处理，获取是否检验INR值的概率值；
其中，所述通过所述第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药调整的概率值，包括：使用第三全连接层对所述第一中间特征进行处理，获取第二输出特征，将第一输出特征、第二输出特征拼接得到第三输出特征，将所述第三输出特征输入第四全连接层，计算得到是否进行用药调整的概率值。
可选的，所述的关键特征提取模块包括第五全连接层、注意力层，其中，所述通过所述关键特征提取模块，对所述目标特征数据进行分析处理，获取第一关键特征，包括 ：
通过所述第五全连接层接收目标特征数据，并将目标特征数据升维，获取升维后的目标特征数据；
将所述升维后的目标特征数据输入注意力层，注意力层对升维后的目标特征数据进行重要性评估及特征加权求和，得到第一关键特征。
可选的，所述的时序分析模块包括Transformer-Decoder模型及Average pooling层，其中，所述通过所述时序分析模块对所述第一关键特征进行分析处理，得到第一中间特征，包括：
第一关键特征经Transformer-Decoder模型处理后，将处理结果输入Averagepooling层进行池化操作，获取第一中间特征 。
可选的，在所述获取所述目标患者在华法林用药期的特征数据之前，所述方法还包括 ：
获取多个患者在华法林用药期的历史特征数据；
对所述历史特征数据进行预处理，得到目标历史特征数据；
将所述目标历史特征数据输入用药剂量调整模型框架，所述预设用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；
通过所述关键特征提取模块对所述目标历史特征数据进行分析处理，得到第二关键特征；
通过所述时序分析模块对所述第二关键特征进行分析处理，得到第二中间特征；
通过第一任务模块对所述第二中间特征进行处理，获取第四输出特征、是否检验INR值的概率值；
通过第二任务模块对第二中间特征、第四输出特征进行处理，获取是否进行用药调整的概率值;
基于是否检验INR值的概率值、是否进行用药调整的概率值计算交叉熵损失函数，基于损失函数对模型参数进行优化，获取训练好的用药剂量调整模型。
可选的，所述的基于是否检验INR值的概率值、是否进行用药调整的概率值计算交叉熵损失函数，基于损失函数对模型参数进行优化，获取训练好的用药剂量调整模型，包括：
基于是否检验INR值的概率值，计算第一交叉熵损失；基于是否进行用药调整的概率值计算，计算第二交叉熵损失；
基于第一交叉熵损失、第二交叉熵损失，通过如下方式计算模型损失函数：，其中，α为超参数，LBCE1为第一交叉熵损失，LBCE2为第二交叉熵损失；
基于模型损失函数对模型参数进行优化，至用药剂量调整模型收敛，获取训练好的用药剂量调整模型。
本发明实施例的第二方面提供了一种华法林剂量调整系统，该系统包括 ：
数据采集模块，用于获取目标患者在华法林用药期的特征数据；
数据预处理模块，用于对所述特征数据进行预处理，得到所述目标患者在华法林用药期的目标特征数据；
计算模块，用于将目标特征数据输入预设的用药剂量调整模型进行处理，计算得到是否检验INR值的概率值、是否进行用药调整的概率值，其中所述预设用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；
所述关键特征提取模块，用于对所述目标特征数据进行分析处理，获取第一关键特征；
所述时序分析模块，用于对所述第一关键特征进行分析处理，得到第一中间特征；
所述第一任务模块，用于对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；
所述第二任务模块，用于对第一中间特征、第一输出特征进行处理，获取是否进行用药调整的概率值。
可选的， 所述系统还包括：
用药剂量调整模型训练模块，用于接收数据预处理模块发来的训练数据，对用药剂量调整模型进行训练 。
本发明实施例的第三方面，提供了一种临床辅助决策系统，包括所述的华法林剂量调整系统，还包括临床辅助决策模块，所述临床辅助决策模块包括 ：
分级单元，用于对目标患者是否进行用药调整的概率进行分级处理，得到所述目标患者是否进行用药调整的等级；
知识查找单元，用于查找不同等级的用药调整的处理知识；
提示单元，用于向所述目标患者的临床医师发送包含所述风险等级和所述处理知识的提示信息。
本发明实施例的第四方面提供了一种计算机设备，包括：存储器、处理器，以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上述第一方面的华法林剂量调整方法。
本发明实施例的第五方面提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述第一方面的华法林剂量调整方法。
本发明实施例提供的技术方案与现有技术相比，具有以下优点：
本发明实施例提供的华法林剂量调整方法，能够基于预设的用药剂量调整模型对目标患者在华法林用药期的目标特征数据进行计算，得到是否检验INR值的概率值、是否进行用药调整的概率值，该模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块，通过关键特征提取模块，对目标特征数据进行分析处理，获取第一关键特征，可以对目标特征数据进行重要性评估及信息整合，找到较为重要的目标特征数据，识别是哪些目标特征数据影响到当前推荐的华法林用药剂量，提高方法可解释性；进一步地，通过时序分析模块对第一关键特征进行分析处理，得到第一中间特征，可以充分挖掘第一关键特征对华法林剂量的时序预测效应，提高对华法林用药剂量预测的准确度；进一步地，通过第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；通过第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药方式调整的概率值，双任务机制能够同时获取是否检验INR值、是否进行用药调整的概率值，为临床提供了更多有益信息，且进一步提高了模型预测的准确度。
综上所述，本发明实施例提供的华法林剂量调整方法，能根据患者 INR 值及当下健康状况个性化调整华法林剂量，且预测准确度较高。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例提供的一种华法林剂量调整方法的流程示意图；
图2是本发明实施例提供的第一任务模块、第二任务模块的工作流程示意图；
图3是本发明实施例提供的一种训练用药剂量调整模型的方法的流程示意图；
图4是本发明实施例提供的一种训练用药剂量调整模型的结构示意图；
图5是本发明实施例提供的一种华法林剂量调整系统的结构示意图；
图6是本发明实施例提供的一种临床辅助决策系统的结构示意图；
图7是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种华法林剂量调整方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是本发明实施例提供的一种华法林剂量调整方法的流程示意图，该方法可以由一种华法林剂量调整系统执行，如图1所示，该方法包括如下步骤：
步骤S101，获取目标患者在华法林用药期的特征数据；
本实施例中的目标患者可以理解为具有中风或其他血栓性疾病风险，或患有心房颤动、瓣膜置换术后等疾病，需要评估是否检验INR值、是否调整华法林剂量的患者。可选的，上述华法林用药期指的是目标患者使用药物的一段时期，具体可以是从第一次服用药物时起，直到获取目标患者在华法林用药期的特征数据前，最后一次用药时止的一段时间。
本实施例中的特征数据为患者在每个用药时间点的特征的值，包括人口统计学、诊断结果、合并用药、化验指标、INR等相关特征，以及患者在每个用药时间点是否检测了INR、华法林的用药剂量调整方案两项特征的值，举例来说，其中是否检测了INR的特征取值为0或1，0为未检测INR值，1为检测了INR值；其中华法林的用药剂量调整方案取值为0/1/2，0表明当前用药剂量相比于上次剂量应降低，1表明当前用药剂量相比于上次剂量应不变，2表明当前用药剂量相比于上次剂量应升高。
步骤S102，对所述特征数据进行预处理，得到所述目标患者在华法林用药期的目标特征数据；
本实施例中的目标特征数据可以理解为经过数据预处理后得到的特征数据。
本实施例中的特征数据分为连续特征数据、离散特征数据，其中连续特征数据指的是按测量或者计量方法得到的，在一段长度内可以任意获得的特征，其数值是不间断的。比如[0,1]之间的数，可以取n个数。离散特征数据指的是其数值只能用自然数来表示，只能用计量单位统计的，如个数，人数等。举例来说，例如人口统计学特征中，如人数、年龄、性别是离散特征数据；平均收入、平均寿命是连续特征数据；诊断结果中，如否患有某类疾病（是/否）、某项指标是否正常（是/否）是离散特征，某类疾病对应的异常检测结果为连续特征数据；血液、超声心动图、心电图、胸片检查，如正常、异常患者的个数是离散特征数据，患者某项测定结果是连续特征数据。
本实施例中的预处理包括空值填充、OneHot编码，具体地，所述的特征数据包括连续特征数据、离散特征数据，华法林剂量调整系统可以将采集到的特征数据中空值率高于预设阈值，例如空值率高于8%的连续特征数据进行剔除，并基于预先构建好的线性回归模型，对经过剔除处理后的连续特征数据中的空值进行填充，再对离散特征数据中的空值进行掩码，得到经过空值填充处理后的连续特征和离散特征，再对空值填充处理后的离散特征数据进行OneHot编码，最终得到所述患者在华法林用药期的目标特征数据，所有的目标特征数据构成目标特征数据集，用D表示，D=｛fk,ok| k=1,...n｝，其中n表示数据量；fk=｛fk1,fk2,...fkl｝,l代表时序输入的窗口长度；在fk 中的时间点j上，目标特征的值用fkj表示：fkj=｛fkj1, fkj2,...fkjm｝，代表j时刻m个目标特征的值，ok=｛ok1, ok2,｝代表在第l个时间点，患者在每个用药时间点是否检测了INR、华法林的用药剂量调整方案两项特征的值。
步骤S103，将所述目标特征数据输入预设的用药剂量调整模型进行处理，计算得到是否检验INR值的概率值、是否进行用药调整的概率值，所述预设的用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块。
本实施例中的预设的用药剂量调整模型可以理解为预先训练完成的用于预测是否检验INR值的概率值、是否进行用药方式调整的概率值的模型，如图4所示，用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块。
将目标特征数据输入预设的用药剂量调整模型进行处理，包括步骤S1031至步骤S1034；
步骤S1031，通过所述关键特征提取模块，对所述目标特征数据进行分析处理，获取第一关键特征；
本实施例中的第一关键特征可以理解为经过关键特征提取模块分析处理后的目标特征数据，关键特征提取模块对目标特征数据进行重要性评估及信息整合，找到较为重要的目标特征数据作为第一关键特征，第一关键特征用于识别是哪些目标特征数据影响到当前推荐的华法林用药剂量，提高方法可解释性。
步骤S1032，通过所述时序分析模块对所述第一关键特征进行分析处理，得到第一中间特征；
本实施例中的第一中间特征可以理解为经过时序分析模块分析处理后的第一关键特征，时序分析模块对第一关键特征对华法林剂量的时序预测效应进行深入挖掘，能够更充分挖掘时序信息，提高预测华法林用药剂量预测的准确度，且能识别哪个历史节点的第一关键特征显著影响了当前的华法林剂量预测。
步骤S1033，通过所述第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；
本实施例中的第一输出特征可以理解为经过第一任务模块处理后的第一中间特征，第一输出特征进入两个分支，分支一是继续进入第一任务模块，由第一任务模块处理，得到是否检验INR值的概率值；分支二是进入第二任务模块，用于计算是否进行用药方式调整的概率值。
步骤S1034，通过所述第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药方式调整的概率值。
本实施例中的第二任务模块，对时序分析模块输出的第一中间特征、第一任务模块输出的第一输出特征进行处理，计算得到是否进行用药方式调整的概率值。
基于上述步骤S101至步骤S103所限定的技术方案，可以获知，本发明实施例通过获取目标患者在华法林用药期的特征数据；对所述特征数据进行预处理，得到所述目标患者在华法林用药期的目标特征数据；将所述目标特征数据输入预设的用药剂量调整模型，所述用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；通过所述关键特征提取模块，对所述目标特征数据进行分析处理，获取第一关键特征；通过所述时序分析模块对所述第一关键特征进行分析处理，得到第一中间特征； 通过第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；通过第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药方式调整的概率值。
容易注意到的是，在上述过程中，采用的华法林用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块，通过关键特征提取模块，对目标特征数据进行分析处理，获取第一关键特征，可以对目标特征数据进行重要性评估及信息整合，找到较为重要的目标特征数据，识别是哪些目标特征数据影响到当前推荐的华法林用药剂量，提高方法可解释性；进一步地，通过时序分析模块对第一关键特征进行分析处理，得到第一中间特征，可以充分挖掘第一关键特征对华法林剂量的时序预测效应，提高对华法林用药剂量预测的准确度；进一步地，通过第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；通过第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药方式调整的概率值，能够同时获取是否检验INR值、是否进行用药调整的概率值，为临床提供了更多有益信息，且进一步提高了模型预测的准确度。
由此可见，本申请所提供的方案达到了能根据患者 INR 值及当下健康状况个性化调整华法林剂量，且预测准确度较高的技术效果，进而解决了现有技术方案训练任务单一，时序信息利用及可解释性不足，进而预测准确度有待提升的技术问题。
图2是本发明实施例提供的第一、第二任务模块工作流程示意图，所述第一任务模块包括第一全连接层、第二全连接层；所述第二任务模块包括第三全连接层、第四全连接层；
其中，所述通过所述第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值，包括：
S201、使用第一全连接层对所述第一中间特征进行处理，获取第一输出特征；
S202、再将所述第一输出特征输入第二全连接层进行激活处理，获取是否检验INR值的概率值；
本实施例中的第一输出特征可以理解为经过第一全连接层处理后的第一中间特征，第一全连接层将第一中间特征映射为输出结果，即第一输出特征；第一输出特征输入第二全连接层进行激活处理，获取是否检验INR值的概率值，第二全连接层的激活函数为Sigmoid。
其中，所述通过所述第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药调整的概率值，包括：
S203、使用第三全连接层对所述第一中间特征进行处理，获取第二输出特征；
S204、将第一输出特征、第二输出特征拼接得到第三输出特征；
S205、将所述第三输出特征输入第四全连接层，计算得到是否进行用药调整的概率值。
本实施例中的第二任务模块包括第三、第四全连接层，第三全连接层将第一中间特征映射为输出结果，即第二输出特征；拼接第一、第二输出特征得到第三输出特征，将第三输出特征输入第四全连接层进行激活处理，计算得到是否进行用药调整的概率值，第四全连接层的激活函数为Softmax。
第二任务模块利用了第一任务模块输出的第一输出特征，计算得到是否进行用药调整的概率值，从而基于双任务的设置提高了输出结果的准确度。。
在一种可选的实施例中，所述的关键特征提取模块包括第五全连接层、注意力层，其中，所述通过所述关键特征提取模块，对所述目标特征数据进行分析处理，获取第一关键特征，包括 ：
通过所述第五全连接层接收目标特征数据，并将目标特征数据升维，获取升维后的目标特征数据；
将所述升维后的目标特征数据输入注意力层，注意力层对升维后的目标特征数据进行重要性评估及特征加权求和，得到第一关键特征。
本实施例中的第五全连接层，用于对目标特征数据进行升维，将升维后的目标特征数据输入注意力层，注意力层对升维后的目标特征数据中的每个数据进行重要性评估，给出评估分数，基于评估分数进行特征加权求和，举例来说，目标特征数据包括人口统计学、诊断结果、合并用药、化验指标、INR，经全连接及注意力层得出第一关键特征时，可知年龄的注意力得分为0.2，血压的注意力得分为0.1，INR的注意力得分为0.5。上述得分表明，INR在生成第一关键特征的过程中权重更高，换言之，在预测目标时发挥了更重要的作用，这为辅助临床提供了较好的可解释性。
在一种可选的实施例中，所述的时序分析模块包括Transformer-Decoder模型及Average pooling层，其中，所述通过所述时序分析模块对所述第一关键特征进行分析处理，得到第一中间特征，包括：
第一关键特征经Transformer-Decoder模型处理后，将处理结果输入Averagepooling层进行池化操作，获取第一中间特征 。
本实施例中的Transformer-Decoder模型，该模型来源于：Vaswani A, ShazeerN, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser L,Polosukhin I. Attentionis all you need. arXiv e-prints, 2017;1706–03762.中公开的模型。第一关键特征经过Transformer-Decoder模型处理，得到中间向量，将处理结果输入Average pooling层进行池化操作，获取第一中间特征 。
本实施例中基于Transformer-Decoder中的Self-attention层及关键特征提取模块中提及的注意力层，本实施例中的技术方案能够识别华法林用药剂量的关键影响因素，即患者在哪个时点的哪个预测特征显著影响了当前推荐的华法林用药剂量调整方案，从而能更有依据地支持临床决策。
图3是本发明实施例提供的一种训练用药剂量调整模型的方法的流程示意图，在所述获取所述目标患者在华法林用药期的特征数据之前，所述方法还包括 ：
S301、获取多个患者在华法林用药期的历史特征数据；
本实施例中，患者在华法林用药期的历史特征数据可以理解为用于作为用药剂量调整模型训练样本的，预先收集的历史患者在华法林用药期的特征数据。华法林用药剂量调整系统，可以从预设数据库中提取预先存储的患者病历信息，从患者病历信息中提取历史患者在华法林用药期的特征数据。
S302、对所述历史特征数据进行预处理，得到目标历史特征数据；
本实施例中的目标历史特征数据，可以理解为用于输入到用药剂量调整模型，对用药剂量调整模型进行训练的数据，所有的目标历史特征数据构成目标历史特征数据集，用D′表示，D′=｛fi,oi| i=1,...n｝，其中n表示数据量, fi=｛fi1, fi2,...fil｝,l代表时序输入的预设长度；在fi 的时间点j上，目标特征的值用fij表示，fij=｛fij1, fij2,...fijm｝代表在j时刻m个目标特征的值，oi=｛oi1, oi2,｝代表在第l个时间点，患者在每个用药时间点是否检测了INR、华法林的用药剂量调整方案两项特征的值。
本实施例中，对历史特征数据进行预处理，预处理的步骤与步骤S102相同。
S303、将所述目标历史特征数据输入用药剂量调整模型框架，所述预设用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；
将目标历史特征数据输入预设的用药剂量调整模型进行处理，包括步骤S3031至步骤S3035；
S3031、使用所述关键特征提取模块对所述目标历史特征数据进行分析处理，得到第二关键特征；
本实施例中的第二关键特征可以理解为经过关键特征提取模块分析处理后的目标历史特征数据，关键特征提取模块对目标历史特征数据进行重要性评估及信息整合，找到较为重要的目标历史特征数据作为第二关键特征，第二关键特征用于识别是哪些目标历史特征数据影响到当前推荐的华法林用药剂量，提高方法可解释性。
S3032、使用所述时序分析模块对所述第二关键特征进行分析处理，得到第二中间特征；
本实施例中的第二中间特征可以理解为经过时序分析模块分析处理后的第二关键特征，时序分析模块对第二关键特征对华法林剂量的时序预测效应进行深入挖掘，能够更充分挖掘时序信息，提高预测华法林用药剂量预测的准确度，且能识别哪个历史节点的第二关键特征显著影响了当前的华法林剂量预测。
S3033、使用第一任务模块对所述第二中间特征进行处理，获取第四输出特征、是否检验INR值的概率值；
本实施例中的第四输出特征可以理解为经过第一任务模块处理后的第二中间特征，第四输出特征进入两个分支，分支一是继续进入第一任务模块，由第一任务模块处理，得到是否检验INR值的概率值；分支二是进入第二任务模块，用于计算是否进行用药方式调整的概率值。
S3034、使用第二任务模块对第二中间特征、第四输出特征进行处理，获取是否进行用药调整的概率值;
本实施例中的第二任务模块，对时序分析模块输出的第二中间特征、第一任务模块输出的第四输出特征进行处理，计算得到是否进行用药方式调整的概率值。
S3035、基于是否检验INR值的概率值、是否进行用药调整的概率值计算交叉熵损失函数，基于损失函数对模型参数进行优化，获取训练好的用药剂量调整模型。
本实施例中，可以在获得目标历史特征数据集后，对目标历史特征数据集进行数据集划分，获取训练集、验证集和测试集。使用训练集中的目标历史特征数据输入用药剂量调整模型框架，得到初步训练好的华法林用药剂量调整模型，再将测试集中的目标历史特征数据输入该初步训练好的华法林用药剂量调整模型，将得到的是否检验INR值的概率、是否进行用药调整的概率值与真实值对比，并对该模型的准确度进行评估，如果准确度高于或等于预设准确度，可以确定该模型合格，将其确定为训练好的华法林用药剂量调整模型，如果准确度低于预设准确度，可以确定该模型不合格，需要对模型重新训练或进一步训练。
在一种可选的实施例中，所述的基于是否检验INR值的概率值、是否进行用药调整的概率值计算交叉熵损失函数，基于损失函数对模型参数进行优化，获取训练好的用药剂量调整模型，包括 ：
基于是否检验INR值的概率值，计算第一交叉熵损失LBCE1；基于是否进行用药调整的概率值计算，计算第二交叉熵损失LBCE2；
基于第一交叉熵损失LBCE1、第二交叉熵损失LBCE2，通过如下方式计算模型损失函数：
， 其中，α为超参数，LBCE1为第一交叉熵损失，LBCE2为第二交叉熵损失;
基于模型损失函数对模型参数进行优化，至用药剂量调整模型收敛，获取训练好的用药剂量调整模型。
本实施例中，模型参数基于双任务机制的整合损失函数进行优化。相比于现有技术常用的单任务损失，该整合损失能更有效地引导模型获取调整华法林用药剂量的能力。
根据本发明实施例的第二方面，本发明还提供了一种华法林剂量调整系统的实施例，其中，图5是根据本发明实施例的一种华法林剂量调整系统的结构示意图，如图所示，该系统500包括：
数据采集模块501，用于获取目标患者在华法林用药期的特征数据；
数据预处理模块502，用于对所述特征数据进行预处理，得到所述目标患者在华法林用药期的目标特征数据；
计算模块503，用于将目标特征数据输入预设的用药剂量调整模型进行处理，计算得到是否检验INR值的概率值、是否进行用药调整的概率值，其中所述预设用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；
所述关键特征提取模块，用于对所述目标特征数据进行分析处理，获取第一关键特征；
所述时序分析模块，用于对所述第一关键特征进行分析处理，得到第一中间特征；
所述第一任务模块，用于对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；
所述第二任务模块，用于对第一中间特征、第一输出特征进行处理，获取是否进行用药调整的概率值。
本实施例提供的华法林剂量调整系统500能够执行上述任一实施例所述的方法，其执行方式和有益效果类似，在此不再赘述。
在一种可选的实施例中，上述华法林剂量调整系统500还包括：用药剂量调整模型训练模块，用于接收数据预处理模块发来的训练数据，对用药剂量调整模型进行训练。
本发明实施例中的用药剂量调整模型训练模块，用于实时接收数据预处理模块发来的训练数据，对用药剂量调整模型进行训练。
根据本发明实施例的第三方面，本发明还提供了一种临床辅助决策系统，图6是本发明实施例提供的一种临床辅助决策系统的结构示意图，如图6所示，临床辅助决策系统包括上述的华法林剂量调整系统500，还包括临床辅助决策模块600，所述临床辅助决策模块包括：
分级单元601，用于对目标患者是否进行用药调整的概率进行分级处理，得到所述目标患者是否进行用药调整的等级；
知识查找单元602，用于查找不同等级的用药调整的处理知识；
提示单元603，用于向所述目标患者的临床医师发送包含所述风险等级和所述处理知识的提示信息。
本实施例提供的临床辅助决策系统应用于服用华法林患者居家期间的自我管理。能够根据患者实际情况提示是否需要进行INR检测、是否需要调整华法林剂量以及调整方向，使患者INR值维持在合理水平。同时将患者相关信息发送给目标患者的临床医师，对于有出血或血栓风险的患者进行及时的随访干预。
示例性的，下面给出临床辅助决策系统对是否进行INR检测、是否进行用药方式调整的概率值的两个案例。
患者A：人口统计学特征：年龄72岁，女性，非风湿性二尖瓣关闭不全，二尖瓣重度返流；化验特征：D-二聚体为5.7mg/L，超敏C反应蛋白为12mg/L；合并用药特征：胺碘酮每日服用690.5mg；INR特征：前3天INR测量值分别为2.5，2.4，2.6；当前华法林用量：3mg/天；基于患者A的特征，临床辅助决策系统输出是否需要INR检测概率为0.8，需要减少华法林药量概率为0.8，不变为0.1，增加为0.1，阈值为0.5，则将输出结果输入到临床知识库中，最终输出为：提示患者需要进行INR检测，建议患者减少华法林药量，减少为2.25mg/天。
患者B：人口统计学特征：年龄36岁，男性，非风湿性三尖瓣尖瓣关闭不全，三尖瓣尖瓣重度返流；化验特征：D-二聚体为0.5mg/L，超敏C反应蛋白为5mg/L；合并用药特征：胺碘酮每日服用490mg；INR特征：前3天INR测量值分别为1.8，1.7，1.9；当前华法林用量：0.75mg/天；基于患者B的特征，临床辅助决策系统输出当天是否需要INR检测概率为0.8，需要减少华法林药量概率为0.2，不变为0.1，增加为0.7，阈值为0.5，则将输出结果输入到临床知识库中，最终输出为：提示患者需要进行INR检测，建议患者增加华法林药量，增加为1.5mg/天。
上述案例说明临床辅助决策系统可以有效评估患者是否需要进行INR检测、是否需要调整华法林剂量以及调整方向，此系统可以辅助临床及时对患者进行治疗和干预。
根据本发明实施例的第四方面，还提供了一种计算机设备，如图7所示，计算机设备包括：存储器720、处理器710，以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上述第一方面的华法林剂量调整方法。
具体地，上述处理器710可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器720可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器720可以包括硬盘驱动器（Hard Disk Drive，HDD）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（Universal Serial Bus，USB）驱动器或者两个及其以上这些的组合。在合适的情况下，存储器720可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器720可在综合网关设备的内部或外部。在特定实施例中，存储器720是非易失性固态存储器。在特定实施例中，存储器720包括只读存储器（Read-Only Memory，ROM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable ROM，PROM）、可擦除PROM（Electrical Programmable ROM，EPROM）、电可擦除PROM（Electrically ErasableProgrammable ROM，EEPROM）、电可改写ROM（Electrically Alterable ROM，EAROM）或闪存，或者两个或及其以上这些的组合。
处理器710通过读取并执行存储器720中存储的计算机程序指令，以执行本公开实施例所提供的华法林剂量调整方法的步骤。
在一个示例中，该计算机设备还可包括收发器730和总线740。其中，如图7所示，处理器710、存储器720和收发器730通过总线740连接并完成相互间的通信。
总线740包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口（Accelerated Graphics Port，AGP）或其他图形总线、增强工业标准架构（ExtendedIndustry Standard Architecture，EISA）总线、前端总线（Front Side BUS，FSB）、超传输（Hyper Transport，HT）互连、工业标准架构（Industrial Standard Architecture，ISA）总线、无限带宽互连、低引脚数（Low Pin Count，LPC）总线、存储器总线、微信道架构（MicroChannel Architecture，MCA）总线、外围控件互连（Peripheral Component Interconnect，PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial Advanced TechnologyAttachment，SATA）总线、视频电子标准协会局部（Video Electronics StandardsAssociation Local Bus，VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线740可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
根据本发明实施例的第五方面，还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述的华法林剂量调整方法。
上述的存储介质可以例如包括计算机程序指令的存储器720，上述指令可由处理器710执行以完成本公开实施例所提供的华法林剂量调整方法。可选的，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器（Random Access Memory，RAM）、光盘只读存储器（Compact Disc ROM，CD-ROM）、磁带、软盘和光数据存储设备等。上述计算机程序可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种华法林剂量调整方法，其特征在于，包括：
获取目标患者在华法林用药期的特征数据；
对所述特征数据进行预处理，得到所述目标患者在华法林用药期的目标特征数据；
将所述目标特征数据输入预设的用药剂量调整模型进行处理，计算得到是否检验INR值的概率值、是否进行用药调整的概率值，所述预设的用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；
通过所述关键特征提取模块，对所述目标特征数据进行分析处理，获取第一关键特征；
通过所述时序分析模块对所述第一关键特征进行分析处理，得到第一中间特征；
通过所述第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；
通过所述第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药方式调整的概率值。
2.根据权利要求1所述的方法，其特征在于，所述第一任务模块包括第一全连接层、第二全连接层；所述第二任务模块包括第三全连接层、第四全连接层；
其中，所述通过所述第一任务模块对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值，包括：使用第一全连接层对所述第一中间特征进行处理，获取第一输出特征，再将所述第一输出特征输入第二全连接层进行激活处理，获取是否检验INR值的概率值；
其中，所述通过所述第二任务模块对第一中间特征、第一输出特征进行处理，获取是否进行用药调整的概率值，包括：使用第三全连接层对所述第一中间特征进行处理，获取第二输出特征，将第一输出特征、第二输出特征拼接得到第三输出特征，将所述第三输出特征输入第四全连接层，计算得到是否进行用药调整的概率值。
3.根据权利要求1所述的方法，其特征在于，所述的关键特征提取模块包括第五全连接层、注意力层，其中，所述通过所述关键特征提取模块，对所述目标特征数据进行分析处理，获取第一关键特征，包括：
通过所述第五全连接层接收目标特征数据，并将目标特征数据升维，获取升维后的目标特征数据；
将所述升维后的目标特征数据输入注意力层，注意力层对升维后的目标特征数据进行重要性评估及特征加权求和，得到第一关键特征。
4.根据权利要求1所述的方法，其特征在于，所述的时序分析模块包括Transformer-Decoder模型及Average pooling层，其中，所述通过所述时序分析模块对所述第一关键特征进行分析处理，得到第一中间特征，包括：
第一关键特征经Transformer-Decoder模型处理后，将处理结果输入Average pooling层进行池化操作，获取第一中间特征 。
5.根据权利要求1所述的方法，其特征在于，在所述获取所述目标患者在华法林用药期的特征数据之前，所述方法还包括：
获取多个患者在华法林用药期的历史特征数据；
对所述历史特征数据进行预处理，得到目标历史特征数据；
将所述目标历史特征数据输入用药剂量调整模型框架，所述预设用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；
通过所述关键特征提取模块，对所述目标历史特征数据进行分析处理，获取第二关键特征；
通过所述时序分析模块对所述第二关键特征进行分析处理，得到第二中间特征；
通过第一任务模块对所述第二中间特征进行处理，获取第四输出特征、是否检验INR值的概率值；
通过第二任务模块对第二中间特征、第四输出特征进行处理，获取是否进行用药调整的概率值;
基于是否检验INR值的概率值、是否进行用药调整的概率值计算交叉熵损失函数，基于损失函数对模型参数进行优化，获取训练好的用药剂量调整模型。
6.根据权利要求5所述的方法，其特征在于，所述的基于是否检验INR值的概率值、是否进行用药调整的概率值计算交叉熵损失函数，基于损失函数对模型参数进行优化，获取训练好的用药剂量调整模型，包括：
基于是否检验INR值的概率值，计算第一交叉熵损失；基于是否进行用药调整的概率值计算，计算第二交叉熵损失；
基于第一交叉熵损失、第二交叉熵损失，通过如下方式计算模型损失函数：，其中，α为超参数，LBCE1为第一交叉熵损失，LBCE2为第二交叉熵损失；
基于模型损失函数对模型参数进行优化，至用药剂量调整模型收敛，获取训练好的用药剂量调整模型。
7.一种华法林剂量调整系统，其特征在于，包括 ：
数据采集模块，用于获取目标患者在华法林用药期的特征数据；
数据预处理模块，用于对所述特征数据进行预处理，得到所述目标患者在华法林用药期的目标特征数据；
计算模块，用于将目标特征数据输入预设的用药剂量调整模型进行处理，计算得到是否检验INR值的概率值、是否进行用药调整的概率值，其中所述预设用药剂量调整模型包括关键特征提取模块、时序分析模块、第一任务模块、第二任务模块；
所述关键特征提取模块，用于对所述目标特征数据进行分析处理，获取第一关键特征；
所述时序分析模块，用于对所述第一关键特征进行分析处理，得到第一中间特征；
所述第一任务模块，用于对所述第一中间特征进行处理，获取第一输出特征、是否检验INR值的概率值；
所述第二任务模块，用于对第一中间特征、第一输出特征进行处理，获取是否进行用药调整的概率值。
8.根据权利要求7所述的系统，其特征在于， 所述系统还包括：
用药剂量调整模型训练模块，用于接收数据预处理模块发来的训练数据，对用药剂量调整模型进行训练。
9.一种临床辅助决策系统，其特征在于，包括权利要求7-8所述的华法林剂量调整系统，还包括临床辅助决策模块，所述临床辅助决策模块包括：
分级单元，用于对目标患者是否进行用药调整的概率进行分级处理，得到所述目标患者是否进行用药调整的等级；
知识查找单元，用于查找不同等级的用药调整的处理知识；
提示单元，用于向所述目标患者的临床医师发送包含所述风险等级和所述处理知识的提示信息。
10.一种计算机设备，其特征在于，包括：存储器、处理器，以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求 1-6中任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310911525.XA CN117079760B (zh) | 2023-07-25 | 2023-07-25 | 华法林剂量调整方法、系统及临床辅助决策系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310911525.XA CN117079760B (zh) | 2023-07-25 | 2023-07-25 | 华法林剂量调整方法、系统及临床辅助决策系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117079760A true CN117079760A (zh) | 2023-11-17 |
| CN117079760B CN117079760B (zh) | 2023-12-19 |
Family
ID=88703292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310911525.XA Active CN117079760B (zh) | 2023-07-25 | 2023-07-25 | 华法林剂量调整方法、系统及临床辅助决策系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117079760B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090187522A1 (en) * | 2008-01-18 | 2009-07-23 | Siemens Medical Solutions Usa, Inc. | System and Method for Privacy Preserving Predictive Models for Lung Cancer Survival Analysis |
| CN102690888A (zh) * | 2012-06-15 | 2012-09-26 | 向华 | 用于检测与华法林用药剂量相关的基因snp的引物系统及其用途 |
| CN202730128U (zh) * | 2012-07-03 | 2013-02-13 | 湖北维达健基因技术有限公司 | 华法林个性化用药基因测序试剂盒 |
| CN107292110A (zh) * | 2017-06-28 | 2017-10-24 | 贵州省人民医院 | 用于医疗辅助终端设备和后端设备的抗凝管理方法及装置 |
| CN110010252A (zh) * | 2019-04-01 | 2019-07-12 | 上海交通大学医学院附属新华医院 | 华法林给药剂量预测方法及装置 |
| CN111081384A (zh) * | 2019-12-06 | 2020-04-28 | 浙江迪谱诊断技术有限公司 | 一种心血管疾病临床用药指导系统及方法 |
| CN113192649A (zh) * | 2021-06-01 | 2021-07-30 | 山东英盛生物技术有限公司 | 一种指导癫痫疾病个体化精准用药的系统 |
| CN113393945A (zh) * | 2021-08-05 | 2021-09-14 | 中国医学科学院阜外医院 | 一种临床药物过敏管理方法、辅助装置及系统 |
| CN113555079A (zh) * | 2021-09-16 | 2021-10-26 | 台州市中心医院（台州学院附属医院） | 一种基于神经网络的用药预测系统 |
| CN116359201A (zh) * | 2023-04-23 | 2023-06-30 | 北京华泰诺安探测技术有限公司 | 一种药品鉴定方法、系统、存储介质和电子设备 |
| CN116403677A (zh) * | 2023-02-23 | 2023-07-07 | 深圳市龙华区人民医院 | 一种调强放疗计划复杂度特征空间收缩的质量控制方法 |
-
2023
- 2023-07-25 CN CN202310911525.XA patent/CN117079760B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090187522A1 (en) * | 2008-01-18 | 2009-07-23 | Siemens Medical Solutions Usa, Inc. | System and Method for Privacy Preserving Predictive Models for Lung Cancer Survival Analysis |
| CN102690888A (zh) * | 2012-06-15 | 2012-09-26 | 向华 | 用于检测与华法林用药剂量相关的基因snp的引物系统及其用途 |
| CN202730128U (zh) * | 2012-07-03 | 2013-02-13 | 湖北维达健基因技术有限公司 | 华法林个性化用药基因测序试剂盒 |
| CN107292110A (zh) * | 2017-06-28 | 2017-10-24 | 贵州省人民医院 | 用于医疗辅助终端设备和后端设备的抗凝管理方法及装置 |
| CN110010252A (zh) * | 2019-04-01 | 2019-07-12 | 上海交通大学医学院附属新华医院 | 华法林给药剂量预测方法及装置 |
| CN111081384A (zh) * | 2019-12-06 | 2020-04-28 | 浙江迪谱诊断技术有限公司 | 一种心血管疾病临床用药指导系统及方法 |
| CN113192649A (zh) * | 2021-06-01 | 2021-07-30 | 山东英盛生物技术有限公司 | 一种指导癫痫疾病个体化精准用药的系统 |
| CN113393945A (zh) * | 2021-08-05 | 2021-09-14 | 中国医学科学院阜外医院 | 一种临床药物过敏管理方法、辅助装置及系统 |
| CN113555079A (zh) * | 2021-09-16 | 2021-10-26 | 台州市中心医院（台州学院附属医院） | 一种基于神经网络的用药预测系统 |
| CN116403677A (zh) * | 2023-02-23 | 2023-07-07 | 深圳市龙华区人民医院 | 一种调强放疗计划复杂度特征空间收缩的质量控制方法 |
| CN116359201A (zh) * | 2023-04-23 | 2023-06-30 | 北京华泰诺安探测技术有限公司 | 一种药品鉴定方法、系统、存储介质和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 于佳雪;付振;: "华法林在心脏瓣膜病并心房颤动患者中的抗凝效果", 中国误诊学杂志, no. 01 * |
| 席爱萍;张刚;郝占平;唐英杰;李淼晶;: "机械心脏瓣膜置换术后不同剂量华法林与凝血指标的关系研究", 中国煤炭工业医学杂志, no. 12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117079760B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112121250B (zh) | 用于血液透析的脱水量预测方法与使用该方法的电子装置 | |
| US11923094B2 (en) | Monitoring predictive models | |
| CN111613289A (zh) | 个体化药物剂量预测方法、装置、电子设备及存储介质 | |
| KR102131973B1 (ko) | 개인 건강관리 방법 및 시스템 | |
| AU2016278356A1 (en) | Method and system for assessing mental state | |
| CN111279425A (zh) | 预测医疗治疗效果的系统和方法 | |
| US20170042483A1 (en) | System and methods to predict serum lactate level | |
| AU2015330732A1 (en) | Method and system for predicting Continous Cardiac Output (CCO) of a patient based on physiological data | |
| CN113539482B (zh) | 一种术后临床路径智能分析管理系统 | |
| CN118506968B (zh) | 一种抗菌药物联合用药的判别方法、干预系统和计算机程序产品 | |
| Lee et al. | Design and rationale for the acute congestive heart failure urgent care evaluation: the ACUTE study | |
| CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 | |
| US20200118687A1 (en) | Risk assessment of disseminated intravascular coagulation | |
| CN117079760B (zh) | 华法林剂量调整方法、系统及临床辅助决策系统 | |
| CN117174291A (zh) | 一种糖尿病前期人群发生糖尿病风险预测的方法及系统 | |
| Shojaee-Mend et al. | Prediction of Diabetes Using Data Mining and Machine Learning Algorithms: A Cross-Sectional Study | |
| CN117079810A (zh) | 一种心血管疾病非计划再住院风险预测方法 | |
| CN110134672B (zh) | 一种用于高血压药物治疗价格敏感度的识别方法及装置 | |
| CN116913550A (zh) | 一种ppi相关糖尿病风险预测模型的建模方法和应用 | |
| CN116564513A (zh) | 一种贲门癌预测系统 | |
| KR102499912B1 (ko) | 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템 | |
| CN111184948B (zh) | 基于血管靶向光动力疗法的鲜红斑痣处理方法及系统 | |
| Zhu et al. | Design and development of a readmission risk assessment system for patients with cardiovascular disease | |
| Caruso et al. | The trade-off between costs and outcome after cardiac surgery. Evidence from an Italian administrative registry | |
| Pan et al. | Research on Assessment of Diabetic Foot Neuropathy Based on Multi-subdomain Classification Algorithm |
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 |