CN117637188B - 基于数字化平台的肿瘤化疗反应监测方法、介质及系统 - Google Patents
基于数字化平台的肿瘤化疗反应监测方法、介质及系统 Download PDFInfo
- Publication number
- CN117637188B CN117637188B CN202410112359.1A CN202410112359A CN117637188B CN 117637188 B CN117637188 B CN 117637188B CN 202410112359 A CN202410112359 A CN 202410112359A CN 117637188 B CN117637188 B CN 117637188B
- Authority
- CN
- China
- Prior art keywords
- score
- tumor
- scale
- side effect
- chemotherapy
- 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
- 238000002512 chemotherapy Methods 0.000 title claims abstract description 84
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000004044 response Effects 0.000 title claims description 15
- 230000000694 effects Effects 0.000 claims abstract description 121
- 239000003814 drug Substances 0.000 claims abstract description 50
- 229940079593 drug Drugs 0.000 claims abstract description 47
- 238000011282 treatment Methods 0.000 claims abstract description 15
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 208000019901 Anxiety disease Diseases 0.000 claims description 50
- 230000036506 anxiety Effects 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 5
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 230000005929 chemotherapeutic response Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000001647 drug administration Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 230000005907 cancer growth Effects 0.000 description 1
- 229940127089 cytotoxic agent Drugs 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009121 systemic therapy Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000011269 treatment regimen 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请属于肿瘤化疗反应监测技术领域,更具体地说,涉及基于数字化平台的肿瘤化疗反应监测方法、介质及系统;本发明通过回归模型预测化疗副作用得分,基于化疗副作用得分得知拟执行的用药情况在一个疗程中患者所遭受的副作用情况,即预测的化疗副作用得分越高,患者所承受的副作用越强;并且通过定期的医学影像比较评估肿块变化量,在基于变化量和用药情况,预测肿块对应疗程内的肿块变化情况;通过副作用得分的预测和肿块变化情况的预测,为医护人员提供了决策导向。
Description
技术领域
本申请属于肿瘤化疗反应监测技术领域,更具体地说,涉及基于数字化平台的肿瘤化疗反应监测方法、介质及系统。
背景技术
肿瘤化疗是一种使用化学物质来治疗癌症的医学方法,这些药物可以杀死或减缓癌细胞的生长,因为癌细胞通常比正常细胞分裂和增殖的更快;化疗是系统性治疗,意味着药物会通过血液传遍全身,并能够达到身体的各个部位。
随着精准医疗和个体化治疗策略的发展,对化疗治疗效果的监测以及预测变得尤为重要,通过现代影像技术如CT、MRI以及PET扫描,医生能够跟踪肿瘤的响应情况,评价治疗效果。
然而,化疗药物通常伴随有副作用,这些副作用可能严重影响患者的生活质量,并且在治疗决策中必须予以考虑;化疗副作用的眼中性和类型取决于多种因素,包括药物、剂量、患者个体等;在治疗过程中,患者会定期进行自评,以记录他们经历的副作用;这些自评量表提供了宝贵的信息;但他们受到患者主观感受的影响,无法准确反应客观的副作用程度;从造成对于患者肿瘤化疗的副作用预测产生偏差。
发明内容
本发明提供了一种基于数字化平台的肿瘤化疗反应监测方法、介质及系统,拟解决目前患者受主观感受的影响,无法准确反应客观的副作用程度,从而造成患者的副作用预测产生偏差。
基于数字化平台的肿瘤化疗反应监测方法,包括以下步骤:
S1:获取对应患者在恢复期内的用药情况;基于可穿戴设备捕捉患者的生理参数以及活动量信息;
S2:基于手机APP周期性获取患者化疗副作用自评量表以及焦虑和抑郁量表;
S3:确定化疗副作用自评量表与焦虑和抑郁量表之间的关联系数;
S4:基于用药情况、生理参数、活动量信息、化疗副作用自评量表以及所述关联系数训练回归模型,将当前用药情况、生理参数、活动量信息作为输入,采用训练好的回归模型预测化疗副作用得分;
S5:基于患者恢复期的定期医学影像比较评估肿块变化量,再基于变化量和用药情况,预测肿块下一时刻的变化情况;
S6:将S1到S5所获取的数据以及所得到的数据进行可视化展示,为更新诊疗方案提供参考依据。
本发明通过回归模型预测化疗副作用得分,基于化疗副作用得分得知拟执行的用药情况在一个疗程中患者所遭受的副作用情况,即预测的化疗副作用得分越高,患者所承受的副作用越强;并且通过定期的医学影像比较评估肿块变化量,在基于变化量和用药情况,预测肿块对应疗程内的肿块变化情况;通过副作用得分的预测和肿块变化情况的预测,为医护人员提供了决策导向。并且本发明将S1到S5所产生的数据以及获取的数据进行可视化展示,使得医护人员能够通过当前获取的生理参数以及活动量信息对用药情况进行调整;如此进一步的为医护人员提供了决策导向;并且本发明将焦虑和抑郁量表加入考虑范围中,充分考虑了在化疗期间患者承受的痛苦导致焦虑以及抑郁,进而导致化疗副作用自评价量表得分不准确的问题;在将焦虑和抑郁量表加入考虑范围后,从而极大程度的减小了由主观因素导致的预测误差。
优选的,所述S3包括以下步骤:
S3.1:对化疗副作用自评量表与焦虑和抑郁量表进行数据清洗;
S3.2:基于清洗后的化疗副作用自评量表以及焦虑和抑郁量表得到化疗副作用自评量表总分以及焦虑和抑郁量表总分;
S3.3:计算每种量表得分的均值、中位数、标准差和分布范围,并通过Kolmogorov-Smirnov测试确定量表得分的数据分布类型;
S3.4:基于化疗副作用自评量表与焦虑和抑郁量表的数据分布类型确定关联系数计算方式;
S3.5:基于确定的关联系数计算方式得到化疗副作用自评量表与焦虑和抑郁量表的关联系数;
S3.6:将关联系数、化疗副作用自评量表以及焦虑和抑郁量表总分进行可视化展示。
优选的,所述S3.1中数据清洗包括剔除异常值,并补充遗漏值的空白项以及补充剔除异常值后的空白项,具体步骤如下:
获取空白项所对应的同一病患历史量表中的对应项;
并采集空白项所对应的量表的历史量表得分数据,构成数据集;
将数据集输入训练好的回归模型中,得到当前量表的总得分;
基于得到的总得分反推历史量表中空白项的得分;
基于反推得到的空白项得分对空白项的值进行补充。
优选的,若一个量表中存在多个空白项,在得到当前量表的总分的情况下,确定空白项的总分;
查询前一历史量表中对应当前空白项的项目总分;
确定当前空白项总分和前一历史量表中对应当前空白项的项目总分的变化率;将前一历史量表中对应当前空白项的项目分数乘以变化率得到当前历史空白项的各个分值:
Vn=Mt/ Mt-1*Vn-1;
式中:Vn表示当前时刻第n个空白项的当前分支;Mt表示确定的空白项的总分;Mt-1表示上一时刻的空白项的总分;Vn-1表示前一历史量表中对应当前空白项的项目分数。
优选的,所述S3.4中,对于呈正态分布的数据采用皮尔森相关系数进行计算;对于不满足正态分布的数据采用斯皮尔曼等级相关系数进行计算。
优选的,所述生理参数包括:心率、血压、体温、呼吸频率以及血氧饱和度;
所述活动量包括:步数、活动时长以及能量消耗;
所述用药情况:包括药品种类、药物剂量以及给药频率。
优选的,所述S4包括以下步骤:
S4.1:基于关联系数调整化疗副作用自评量表的得分:
Ac = Sc - α × (Sanxiety - S̄);
式中:Ac表示调整后的化疗副作用自评表的得分;Sc表示原始的化疗副作用自评表的得分;Sanxiety表示焦虑和抑郁量表的得分;S̄表示焦虑和抑郁量表得分的平均值;α 是根据关联系数确定的调整系数;
S4.2:对自变量参数用药情况、生理参数以及活动量信息进行预处理;
S4.3:建立多元回归模型:
C= beta0 + beta1 * D1+ beta2 * D2+ beta3 * D3 + … + betan * Dn+ epsilon;
式中:C表示化疗副作用自评表的得分;beta0 表示截距项;beta1、beta2、beta3 、…、betan分别表示模型所考虑的第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的系数;D1、D2、D3、…、Dn分别表示第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的值; epsilon表示误差项;
S4.4:对步骤4.2中经过预处理后的自变量参数作为输入,训练多元回归模型;
S4.5:通过S4.5:通过均方误差作为模型的损失函数,再基于调整后的化疗副作用自评量表的得分和预测的得分进行模型的优化;
S4.6:将实际确定的用药情况、生理参数以及活动量信息作为输入,通过多元回归模型预测化疗副作用得分。
本发明通过确定的关联系数计算方式得到化疗副作用自评量表与焦虑和抑郁量表的关联系数;再根据关联系数确定调整系数,基于所确定的调整系数对化疗副作用评量表的得分进行调整;从而有效的避免了患者由于个人主观因素导致其填写的化疗副作用评分量表不准确的问题;进而提高了模型的预测精度。
优选的,所述S5包括以下步骤:
S5.1:基于图像分析量化肿块大小的变化,提取每次扫描间肿块变化的数值,计算相对变化量;
S5.2:将用药情况转换为数值数据,并将转换为数值数据的用药情况以及所述相对变化量进行归一化处理;
S5.3:基于归一化的用药情况数值数据和相对变化量对建立的自回归积分滑动平均模型进行训练;
S5.4:将经过归一化的拟用药情况数值数据和最近一次的相对变化量作为回归积分平滑平均模型的输入,预测本次用药后肿块的变化情况。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明所述的基于数字化平台的肿瘤化疗反应监测方法。
基于数字化平台的肿瘤化疗反应监测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如本发明所述的基于数字化平台的肿瘤化疗反应监测方法。
本发明的有益效果包括:
1.本发明通过回归模型预测化疗副作用得分,基于化疗副作用得分得知拟执行的用药情况在一个疗程中患者所遭受的副作用情况,即预测的化疗副作用得分越高,患者所承受的副作用越强;并且通过定期的医学影像比较评估肿块变化量,在基于变化量和用药情况,预测肿块对应疗程内的肿块变化情况;通过副作用得分的预测和肿块变化情况的预测,为医护人员提供了决策导向。并且本发明将S1到S5所产生的数据以及获取的数据进行可视化展示,使得医护人员能够通过当前获取的生理参数以及活动量信息对用药情况进行调整;如此进一步的为医护人员提供了决策导向;并且本发明将焦虑和抑郁量表加入考虑范围中,充分考虑了在化疗期间患者承受的痛苦导致焦虑以及抑郁,进而导致化疗副作用自评价量表得分不准确的问题;在将焦虑和抑郁量表加入考虑范围后,从而极大程度的减小了由主观因素导致的预测误差。
2.本发明通过确定的关联系数计算方式得到化疗副作用自评量表与焦虑和抑郁量表的关联系数;再根据关联系数确定调整系数,基于所确定的调整系数对化疗副作用评量表的得分进行调整;从而有效的避免了患者由于个人主观因素导致其填写的化疗副作用评分量表不准确的问题;进而提高了模型的预测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1 为本发明实施例提供的整体步骤框图。
图2为本发明实施例提供的S3的详细步骤框图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件,它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,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,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
参见图1和图2所示,对本发明的最优实施例做进一步的说明;
参见图1,基于数字化平台的肿瘤化疗反应监测方法,包括以下步骤:
S1:获取对应患者在恢复期内的用药情况;基于可穿戴设备捕捉患者的生理参数以及活动量信息;
所述生理参数包括:心率、血压、体温、呼吸频率以及血氧饱和度;
所述活动量包括:步数、活动时长以及能量消耗;
所述用药情况:包括药品种类、药物剂量以及给药频率。
S2:基于手机APP周期性获取患者化疗副作用自评量表以及焦虑和抑郁量表;
S3:确定化疗副作用自评量表与焦虑和抑郁量表之间的关联系数;
参见图2,所述S3包括以下步骤:
S3.1:对化疗副作用自评量表与焦虑和抑郁量表进行数据清洗;
所述S3.1中数据清洗包括剔除异常值,并补充遗漏值的空白项以及补充剔除异常值后的空白项,具体步骤如下:
获取空白项所对应的同一病患历史量表中的对应项;
并采集空白项所对应的量表的历史量表得分数据,构成数据集;
将数据集输入训练好的回归模型中,得到当前量表的总得分;在给出已知数据的情况下,通过已知数据对回归模型进行训练时本领域技术人员的常规技术手段,因此实施例中不在进行单独的赘述;其中回归模型的采用可以采用线性回归模型,但其并非是对本发明的限定。
基于得到的总得分反推历史量表中空白项的得分;
基于反推得到的空白项得分对空白项的值进行补充。
若一个量表中存在多个空白项,在得到当前量表的总分的情况下,确定空白项的总分;
查询前一历史量表中对应当前空白项的项目总分;
确定当前空白项总分和前一历史量表中对应当前空白项的项目总分的变化率;将前一历史量表中对应当前空白项的项目分数乘以变化率得到当前历史空白项的各个分值:
Vn=Mt/ Mt-1*Vn-1;
式中:Vn表示当前时刻第n个空白项的当前分支;Mt表示确定的空白项的总分;Mt-1表示上一时刻的空白项的总分;Vn-1表示前一历史量表中对应当前空白项的项目分数。
S3.2:基于清洗后的化疗副作用自评量表以及焦虑和抑郁量表得到化疗副作用自评量表总分以及焦虑和抑郁量表总分;
S3.3:计算每种量表得分的均值、中位数、标准差和分布范围,并通过Kolmogorov-Smirnov测试确定量表得分的数据分布类型;
S3.4:基于化疗副作用自评量表与焦虑和抑郁量表的数据分布类型确定关联系数计算方式;
所述S3.4中,对于呈正态分布的数据采用皮尔森相关系数进行计算;对于不满足正态分布的数据采用斯皮尔曼等级相关系数进行计算。
S3.5:基于确定的关联系数计算方式得到化疗副作用自评量表与焦虑和抑郁量表的关联系数;
S3.6:将关联系数、化疗副作用自评量表以及焦虑和抑郁量表总分进行可视化展示。
S4:基于用药情况、生理参数、活动量信息、化疗副作用自评量表以及所述关联系数训练回归模型,将当前用药情况、生理参数、活动量信息作为输入,采用训练好的回归模型预测化疗副作用得分;
所述S4包括以下步骤:
S4.1:基于关联系数调整化疗副作用自评量表的得分:
Ac = Sc - α × (Sanxiety - S̄);
式中:Ac表示调整后的化疗副作用自评表的得分;Sc表示原始的化疗副作用自评表的得分;Sanxiety表示焦虑和抑郁量表的得分;S̄表示焦虑和抑郁量表得分的平均值;α 是根据关联系数确定的调整系数;
S4.2:对自变量参数用药情况、生理参数以及活动量信息进行预处理;
S4.3:建立多元回归模型:
C= beta0 + beta1 * D1+ beta2 * D2+ beta3 * D3 + … + betan * Dn+ epsilon;
式中:C表示化疗副作用自评表的得分;beta0 表示截距项;beta1、beta2、beta3 、…、betan分别表示模型所考虑的第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的系数;D1、D2、D3、…、Dn分别表示第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的值; epsilon表示误差项;
例如:
C= beta0 + betaDrugDose *DDrugDose + betaHR* DHR + betaBP*DBP + betaAL * DAL+epsilon;
式中:C表示化疗副作用自评表的得分;betaDrugDose表示药物剂量的系数;DDrugDose表示药物剂量;betaHR表示心率的系数;DHR表示心率值;betaBP表示血压的系数;DBP表示血压值;betaAL表示活动量的系数;DAL表示活动量的值;epsilon表示误差项。
上述例子并非是对本发明的限定,其可以根据实际情况加入自变脸参数项,以及自变量的系数进行综合的计算。
S4.4:对步骤4.2中经过预处理后的自变量参数作为输入,训练多元回归模型;
S4.5:通过均方误差作为模型的损失函数,再基于调整后的化疗副作用自评量表的得分和多元回归模型输出的得分进行模型的优化;
S4.6:将实际确定的用药情况、生理参数以及活动量信息作为输入,通过多元回归模型预测化疗副作用得分。
基于临床本发明的申请人发现,在化疗期间大部分患者会产生焦虑以及抑郁的情况,而产生焦虑和抑郁的情况后,患者会对化疗的副作用的感受进行放大;因此本发明通过确定的关联系数计算方式得到化疗副作用自评量表与焦虑和抑郁量表的关联系数;再根据关联系数确定调整系数,基于所确定的调整系数对化疗副作用评量表的得分进行调整;从而有效的避免了患者由于个人主观因素导致其填写的化疗副作用评分量表不准确的问题;进而提高了模型的预测精度。
S5:基于患者恢复期的定期医学影像比较评估肿块变化量,再基于变化量和用药情况,预测肿块下一时刻的变化情况;
所述S5包括以下步骤:
S5.1:基于图像分析量化肿块大小的变化,提取每次扫描间肿块变化的数值,计算相对变化量;
S5.2:将用药情况转换为数值数据,并将转换为数值数据的用药情况以及所述相对变化量进行归一化处理;
S5.3:基于归一化的用药情况数值数据和相对变化量对建立的自回归积分滑动平均模型进行训练;
S5.4:将经过归一化的拟用药情况数值数据和最近一次的相对变化量作为回归积分平滑平均模型的输入,预测本次用药后肿块的变化情况。此处采用的回归积分平滑平均模型为现有模型,因此在得知具体的参数时,本领域技术人员对于具体的计算方式属于本领域的常规技术手段,因此本发明不在进行赘述,需要说明的是,不能认为本申请所采用的模型是现有技术,就认为本申请无创造性,需要注意的是,本申请的核心在于整个方案的技术逻辑,以及数据之间的关联性。
S6:将S1到S5所获取的数据以及所得到的数据进行可视化展示,为更新诊疗方案提供参考依据。
本发明通过回归模型预测化疗副作用得分,基于化疗副作用得分得知拟执行的用药情况在一个疗程中患者所遭受的副作用情况,即预测的化疗副作用得分越高,患者所承受的副作用越强;并且通过定期的医学影像比较评估肿块变化量,在基于变化量和用药情况,预测肿块对应疗程内的肿块变化情况;通过副作用得分的预测和肿块变化情况的预测,为医护人员提供了决策导向。并且本发明将S1到S5所产生的数据以及获取的数据进行可视化展示,使得医护人员能够通过当前获取的生理参数以及活动量信息对用药情况进行调整;如此进一步的为医护人员提供了决策导向;并且本发明将焦虑和抑郁量表加入考虑范围中,充分考虑了在化疗期间患者承受的痛苦导致焦虑以及抑郁,进而导致化疗副作用自评价量表得分不准确的问题;在将焦虑和抑郁量表加入考虑范围后,从而极大程度的减小了由主观因素导致的预测误差。
其次本发明将S1到S5中的数据进行可视化的展示,不仅能够让用户了解到患者的化疗情况,同时还能够了解到患者的心理情况。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明所述的基于数字化平台的肿瘤化疗反应监测方法。
基于数字化平台的肿瘤化疗反应监测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如本发明所述的基于数字化平台的肿瘤化疗反应监测方法。
以上仅为本申请的较佳实施例而已,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、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.基于数字化平台的肿瘤化疗反应监测方法,其特征在于,包括以下步骤:
S1:获取对应患者在恢复期内的用药情况;基于可穿戴设备捕捉患者的生理参数以及活动量信息;
S2:基于手机APP周期性获取患者化疗副作用自评量表以及焦虑和抑郁量表;
S3:确定化疗副作用自评量表与焦虑和抑郁量表之间的关联系数;
S4:基于用药情况、生理参数、活动量信息、化疗副作用自评量表以及所述关联系数训练回归模型,将当前用药情况、生理参数、活动量信息作为输入,采用训练好的回归模型预测化疗副作用得分;
所述S4包括以下步骤:
S4.1:基于关联系数调整化疗副作用自评量表的得分:
Ac = Sc - α × (Sanxiety - S̄);
式中:Ac表示调整后的化疗副作用自评表的得分;Sc表示原始的化疗副作用自评表的得分;Sanxiety表示焦虑和抑郁量表的得分;S̄表示焦虑和抑郁量表得分的平均值;α 是根据关联系数确定的调整系数;
S4.2:对自变量参数用药情况、生理参数以及活动量信息进行预处理;
S4.3:建立多元回归模型:
C= beta0 + beta1 * D1+ beta2 * D2+ beta3 * D3 + … + betan * Dn+ epsilon;
式中:C表示化疗副作用自评表的得分;beta0 表示截距项;beta1、beta2、beta3 、…、betan分别表示模型所考虑的第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的系数;D1、D2、D3、…、Dn分别表示第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的值; epsilon表示误差项;
S4.4:对步骤4.2中经过预处理后的自变量参数作为输入,训练多元回归模型;
S4.5:通过均方误差作为模型的损失函数,再基于调整后的化疗副作用自评量表的得分和预测的得分进行模型的优化;
S4.6:将实际确定的用药情况、生理参数以及活动量信息作为输入,通过多元回归模型预测化疗副作用得分;
S5:基于患者恢复期的定期医学影像比较评估肿块变化量,再基于变化量和用药情况,预测肿块下一时刻的变化情况;
S6:将S1到S5所获取的数据以及所得到的数据进行可视化展示,为更新诊疗方案提供参考依据。
2.根据权利要求1所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述S3包括以下步骤:
S3.1:对化疗副作用自评量表与焦虑和抑郁量表进行数据清洗;
S3.2:基于清洗后的化疗副作用自评量表以及焦虑和抑郁量表得到化疗副作用自评量表总分以及焦虑和抑郁量表总分;
S3.3:计算每种量表得分的均值、中位数、标准差和分布范围,并通过Kolmogorov-Smirnov测试确定量表得分的数据分布类型;
S3.4:基于化疗副作用自评量表与焦虑和抑郁量表的数据分布类型确定关联系数计算方式;
S3.5:基于确定的关联系数计算方式得到化疗副作用自评量表与焦虑和抑郁量表的关联系数;
S3.6:将关联系数、化疗副作用自评量表以及焦虑和抑郁量表总分进行可视化展示。
3.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述S3.1中数据清洗包括剔除异常值,并补充遗漏值的空白项以及补充剔除异常值后的空白项,具体步骤如下:
获取空白项所对应的同一病患历史量表中的对应项;
并采集空白项所对应的量表的历史量表得分数据,构成数据集;
将数据集输入训练好的回归模型中,得到当前量表的总得分;
基于得到的总得分反推历史量表中空白项的得分;
基于反推得到的空白项得分对空白项的值进行补充。
4.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,若一个量表中存在多个空白项,在得到当前量表的总分的情况下,确定空白项的总分;
查询前一历史量表中对应当前空白项的项目总分;
确定当前空白项总分和前一历史量表中对应当前空白项的项目总分的变化率;将前一历史量表中对应当前空白项的项目分数乘以变化率得到当前历史空白项的各个分值:
Vn=Mt/ Mt-1*Vn-1;
式中:Vn表示当前时刻第n个空白项的当前分支;Mt表示确定的空白项的总分;Mt-1表示上一时刻的空白项的总分;Vn-1表示前一历史量表中对应当前空白项的项目分数。
5.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述S3.4中,对于呈正态分布的数据采用皮尔森相关系数进行计算;对于不满足正态分布的数据采用斯皮尔曼等级相关系数进行计算。
6.根据权利要求1所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述生理参数包括:心率、血压、体温、呼吸频率以及血氧饱和度;
所述活动量包括:步数、活动时长以及能量消耗;
所述用药情况:包括药品种类、药物剂量以及给药频率。
7.根据权利要求1所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述S5包括以下步骤:
S5.1:基于图像分析量化肿块大小的变化,提取每次扫描间肿块变化的数值,计算相对变化量;
S5.2:将用药情况转换为数值数据,并将转换为数值数据的用药情况以及所述相对变化量进行归一化处理;
S5.3:基于归一化的用药情况数值数据和相对变化量对建立的自回归积分滑动平均模型进行训练;
S5.4:将经过归一化的拟用药情况数值数据和最近一次的相对变化量作为回归积分平滑平均模型的输入,预测本次用药后肿块的变化情况。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利1到权利要求7任意一项所述的基于数字化平台的肿瘤化疗反应监测方法。
9.基于数字化平台的肿瘤化疗反应监测系统,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1到7任意一项所述的基于数字化平台的肿瘤化疗反应监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112359.1A CN117637188B (zh) | 2024-01-26 | 2024-01-26 | 基于数字化平台的肿瘤化疗反应监测方法、介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112359.1A CN117637188B (zh) | 2024-01-26 | 2024-01-26 | 基于数字化平台的肿瘤化疗反应监测方法、介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117637188A CN117637188A (zh) | 2024-03-01 |
CN117637188B true CN117637188B (zh) | 2024-04-09 |
Family
ID=90018528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410112359.1A Active CN117637188B (zh) | 2024-01-26 | 2024-01-26 | 基于数字化平台的肿瘤化疗反应监测方法、介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117637188B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014017971A2 (en) * | 2012-07-24 | 2014-01-30 | Scientificmed Sweden Ab | Improved clinical effect of pharmaceutical products using communication tool integrated with compound of several pharmaceutical products |
CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
CN110782474A (zh) * | 2019-11-04 | 2020-02-11 | 中国人民解放军总医院 | 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法 |
CN116153531A (zh) * | 2023-04-17 | 2023-05-23 | 北京康爱医疗科技股份有限公司 | 一种肿瘤患者康复监测方法及系统 |
CN117275661A (zh) * | 2023-11-23 | 2023-12-22 | 太原理工大学 | 一种基于深度强化学习的肺癌患者用药预测方法及装置 |
-
2024
- 2024-01-26 CN CN202410112359.1A patent/CN117637188B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014017971A2 (en) * | 2012-07-24 | 2014-01-30 | Scientificmed Sweden Ab | Improved clinical effect of pharmaceutical products using communication tool integrated with compound of several pharmaceutical products |
CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
CN110782474A (zh) * | 2019-11-04 | 2020-02-11 | 中国人民解放军总医院 | 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法 |
CN116153531A (zh) * | 2023-04-17 | 2023-05-23 | 北京康爱医疗科技股份有限公司 | 一种肿瘤患者康复监测方法及系统 |
CN117275661A (zh) * | 2023-11-23 | 2023-12-22 | 太原理工大学 | 一种基于深度强化学习的肺癌患者用药预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
智能健康管理系统在乳腺癌患者术后的应用研究——基于护患双方的使用意愿;韩二环;中国优秀博硕士学位论文全文数据库;20180215;第2018卷(第2期);全文 * |
肝癌患者自我报告结局评估工具研究进展;刘梦琪等;护理研究;20230810;第37卷(第15期);2740-2744 * |
Also Published As
Publication number | Publication date |
---|---|
CN117637188A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230187071A1 (en) | Medical characterization system | |
US20240221948A1 (en) | Systems and methods of analyte measurement analysis | |
Müller et al. | Cortical representation of afferent bodily signals in borderline personality disorder: neural correlates and relationship to emotional dysregulation | |
JP5723024B2 (ja) | 逐次分類器を用いる心不全検出 | |
JP4981925B2 (ja) | リスク層別化のための患者間比較 | |
US20050234354A1 (en) | System and method for assessing a patient's risk of sudden cardiac death | |
US20130116578A1 (en) | Risk stratification based heart failure detection algorithm | |
CN112890816A (zh) | 一种个人用户的健康指数评分方法和装置 | |
US20190029533A1 (en) | System and method for determining a hemodynamic instability risk score for pediatric subjects | |
US12097035B2 (en) | Systems and methods of QT interval analysis | |
WO2008082479A1 (en) | Within-patient detection and between-patient stratifier | |
US20220254492A1 (en) | System and method for automated detection of clinical outcome measures | |
CN113905663B (zh) | 监测注意力缺陷伴多动障碍的诊断和有效性 | |
CN115299887B (zh) | 一种动态代谢功能的检测量化方法和系统 | |
CN105167763A (zh) | 一种健康检测仪 | |
CN114098658A (zh) | 一种健康状态的监测方法及装置 | |
CN111798956A (zh) | 一种用于人工智能麻醉的决策确定方法、装置及系统 | |
CN110752002A (zh) | 一种药物用量预测装置 | |
CN118213092B (zh) | 一种用于慢性创面疾病的远程医疗监管系统 | |
US20220265219A1 (en) | Neural network based worsening heart failure detection | |
WO2024032810A1 (zh) | 生命信息处理系统和生命信息处理方法 | |
CN117637188B (zh) | 基于数字化平台的肿瘤化疗反应监测方法、介质及系统 | |
JP2020533131A (ja) | アーカイブされた患者データを使用する併存疾患についての血管内測定値の補正 | |
Anisimov et al. | Intelligent remote health monitoring system for patients with chronic diseases | |
Mohamed et al. | Evidence-based prediction of Atrial Fibrillation using physiological signals |
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 |