CN115376649A - 用于鞘内阿片类镇痛药的剂量预测方法及装置 - Google Patents

用于鞘内阿片类镇痛药的剂量预测方法及装置 Download PDF

Info

Publication number
CN115376649A
CN115376649A CN202211205118.9A CN202211205118A CN115376649A CN 115376649 A CN115376649 A CN 115376649A CN 202211205118 A CN202211205118 A CN 202211205118A CN 115376649 A CN115376649 A CN 115376649A
Authority
CN
China
Prior art keywords
intrathecal
dose
variables
patient
analgesic
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
Application number
CN202211205118.9A
Other languages
English (en)
Other versions
CN115376649B (zh
Inventor
覃旺军
刘丽宏
李朋梅
樊碧发
孔旭东
毛鹏
毛敏
王玮
刘健
郑东兴
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.)
China Japan Friendship Hospital
Original Assignee
China Japan Friendship Hospital
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 China Japan Friendship Hospital filed Critical China Japan Friendship Hospital
Priority to CN202211205118.9A priority Critical patent/CN115376649B/zh
Publication of CN115376649A publication Critical patent/CN115376649A/zh
Application granted granted Critical
Publication of CN115376649B publication Critical patent/CN115376649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H20/17—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 delivered via infusion or injection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Accommodation For Nursing Or Treatment Tables (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种用于鞘内阿片类镇痛药的剂量预测方法及装置，所述方法包括通过住院记录获取历史数据，根据所述历史数据生成训练样本；确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。本发明基于患者的临床特征和基因检测结果预测患者的所需鞘内镇痛剂量，对每个患者使用个体化剂量，能够最大程度地接近患者实际所需的剂量，减少达到患者实际所需鞘内剂量的时间。

Description

用于鞘内阿片类镇痛药的剂量预测方法及装置
技术领域
本发明属于智能模型技术领域，具体涉及一种用于鞘内阿片类镇痛药的剂量预测方法及装置。
背景技术
鞘内镇痛是指通过手术将导管植入脑脊液中，绕过血脑屏障，将小剂量***等阿片类镇痛药直接注入脑脊液，发挥强效镇痛作用。适用于经***途径给药后阿片类镇痛药效果不佳或不良反应难耐受的重度疼痛患者，是癌痛的新型治疗手段之一，具有给药剂量小、镇痛效果强和不良反应轻等特点。
鞘内镇痛虽然具有镇痛效果强等优点，但也存在给药剂量难以确定等缺点。相关技术中，目前临床上计算鞘内镇痛剂量采用的是患者当前口服剂量的1/300，在此基础上根据患者的治疗反应增加或降低剂量。然而，临床实践表明不同患者之间***鞘内剂量与口服剂量的比例存在较大的差异，在1/300附近随机分布。因此，患者按此比例计算的剂量鞘内给药后，需要很长的时间增加或降低剂量，容易造成镇痛不足和药物中毒等严重后果，鞘内镇痛的剂量难以确定的现状也导致鞘内镇痛患者的平均住院日(13天)远高于疼痛科的总体平均住院日(6.7天)。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种用于鞘内阿片类镇痛药的剂量预测方法及装置，以解决现有技术中鞘内镇痛的剂量难以确定的问题。
为实现以上目的，本发明采用如下技术方案：一种用于鞘内阿片类镇痛药的剂量预测方法，包括：
通过住院记录获取历史数据，根据所述历史数据生成训练样本；
确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；
将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
进一步的，所述因素变量，包括：
人体基本信息、疼痛特征、鞘内镇痛前镇痛药物使用信息、生化指标、鞘内镇痛药物使用信息及影响鞘内镇痛药物剂量的基因SNP位点基因型。
进一步的，所述人体基本信息包括性别、年龄、体重指数及卡氏功能状态评分；
所述疼痛特征包括疼痛持续时间、鞘内镇痛前的疼痛评分及原发肿瘤***；
所述鞘内镇痛前镇痛药物使用信息包括口服***等效剂量和拟转换为鞘内剂量的口服***等效剂量；
所述生化指标包括肝功能Child-pugh评分和肌酐清除率；
所述鞘内镇痛药物使用信息包括鞘内导管的位置、鞘内阿片类镇痛药的种类及鞘内镇痛药物的剂量；
所述影响鞘内镇痛药物剂量的基因SNP位点基因型包括ABCB1rs1045642、rs1128503、rs2032582和rs9282564。
进一步的，还包括:
对所述构建因素数据进行预处理。
进一步的，对所述构建因素数据进行预处理，包括：
将患者的鞘内镇痛前的阿片类镇痛药的剂量转换为口服***等效剂量；
将预设的部分所述因素变量设置为哑变量；
其中，所述预设的部分所述因素变量包括，性别、原发肿瘤***、口服***等效剂量、肝功能Child-pugh评分、肌酐清除率、鞘内导管的位置、鞘内阿片类镇痛药的种类、ABCB1 rs1045642、rs1128503、rs2032582和rs9282564。
进一步的，所述基于所述因素变量构建多元线性回归分析方程，包括：
利用SPSS统计分析软件，输入因素变量，以鞘内镇痛药物的剂量为因变量，以所述鞘内镇痛药物之外的其他因素变量为自变量，使用后退法对所述自变量与因变量的相关性进行多元线性逐步回归分析。
进一步的，所述影响鞘内镇痛药物剂量的基因为SNP位点基因型，采用基因测序获取。
进一步的，还包括：
使用平均绝对误差、均方根误差和R2分数算法评价预测模型的预测能力。
本申请实施例提供一种用于鞘内阿片类镇痛药的剂量预测装置，包括：
获取模块，用于通过住院记录获取历史数据，根据所述历史数据生成训练样本；
训练模块，用于确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；
预测模块，用于将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
本申请实施例提供一种计算机设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述任一项用于鞘内阿片类镇痛药的剂量预测方法的步骤。
本发明采用以上技术方案，能够达到的有益效果包括：
本发明提供一种用于鞘内阿片类镇痛药的剂量预测方法及装置，本申请基于患者的临床特征和基因检测结果预测患者的所需鞘内镇痛剂量，对每个患者使用个体化剂量，能够最大程度地接近患者实际所需的剂量，减少达到患者实际所需鞘内剂量的时间。此外，本申请通过鞘内剂量预测模型计算每个患者的所需剂量，可以提高剂量确定效率，避免镇痛不足和严重不良反应。
附图说明
为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明用于鞘内阿片类镇痛药的剂量预测方法的步骤示意图；
图2为本发明用于鞘内阿片类镇痛药的剂量预测装置的结构示意图；
图3为本发明用于鞘内阿片类镇痛药的剂量预测方法实施环境的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
传统的对所有患者采用同一种剂量策略的方法，可能让需要较高剂量的患者花费大量时间增加剂量，在此期间忍受镇痛剂量不足造成疼痛控制不佳的后果，也可能使需要较低剂量的患者在使用正常剂量后出现恶心呕吐、过度镇静、呼吸抑制等严重不良反应，影响患者的治疗结局。因此，亟需一种能够快速确定患者所需剂量的方法，以提高剂量确定效率，避免镇痛不足和严重不良反应。
下面结合附图介绍本申请实施例中提供的一个具体的用于鞘内阿片类镇痛药的剂量预测方法及装置。
如图1所示，本申请实施例中提供的用于鞘内阿片类镇痛药的剂量预测方法包括：
S101，通过住院记录获取历史数据，根据所述历史数据生成训练样本；
本申请中前瞻性纳入在医院疼痛科行***鞘内镇痛治疗的患者，共68例患者。可以理解的是，患者的数量可以根据实际情况进行确定或改变，本申请在此不进行限定。
S102，确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；
S103，将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
用于鞘内阿片类镇痛药的剂量预测方法的工作原理为：首先通过住院记录获取历史数据，根据所述历史数据生成训练样本；然后确定用于构建多元线性回归分析方程的因素变量，从而基于因素变量构建多元线性回归分析方程，然后将训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；最后将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
本申请通过建立预测患者所需鞘内阿片类镇痛药剂量的鞘内剂量预测模型，能够为鞘内镇痛患者提供快速、有效、安全的剂量方案，相较于传统的根据患者的治疗反应进行剂量滴定的方法，能够加快确定最佳鞘内剂量的速度。
一些实施例中，所述因素变量，包括：
人体基本信息、疼痛特征、鞘内镇痛前镇痛药物使用信息、生化指标、鞘内镇痛药物使用信息及影响鞘内镇痛药物剂量的基因SNP位点基因型。
所述人体基本信息包括性别(gender)、年龄(year)、体重指数(BMI)及卡氏功能状态评分(KPS)；
所述疼痛特征包括疼痛持续时间(paintime)、鞘内镇痛前的疼痛评分及原发肿瘤***(organ)；
所述鞘内镇痛前镇痛药物使用信息包括口服***等效剂量(OMED)和拟转换为鞘内剂量的口服***等效剂量(transdose)；
所述生化指标包括肝功能Child-pugh评分(childpugh)和肌酐清除率(Ccr)；
所述鞘内镇痛药物使用信息包括鞘内导管的位置(position)、鞘内阿片类镇痛药的种类(ITdrug)及鞘内镇痛药物的剂量(ITdose)；
所述影响鞘内镇痛药物剂量的基因SNP位点基因型包括ABCB1rs1045642、rs1128503、rs2032582和rs9282564。
可以理解的是，人体基本信息、疼痛特征、鞘内镇痛前镇痛药物使用信息、生化指标、鞘内镇痛药物使用信息及影响鞘内镇痛药物剂量的基因SNP位点基因型还可以包括其他因素，本申请在此不做限定。
一些实施例中，还包括：
对所述构建因素数据进行预处理。
作为一个优选的实施例，对所述构建因素数据进行预处理，包括：
将患者的鞘内镇痛前的阿片类镇痛药的剂量转换为口服***等效剂量；
将预设的部分所述因素变量设置为哑变量；
其中，所述预设的部分所述因素变量包括，性别、原发肿瘤***、口服***等效剂量、肝功能Child-pugh评分、肌酐清除率、鞘内导管的位置、鞘内阿片类镇痛药的种类、ABCB1 rs1045642、rs1128503、rs2032582和rs9282564。
具体的，将患者鞘内镇痛前的阿片类镇痛药的剂量转换为口服***等效剂量(OMED)，采用的转换比例如表1所示。
表1阿片类药物剂量换算比例
药物 口服给药(mg) 胃肠外***给药(mg)
*** 30 10
氢***酮 - 2
羟考酮 15 -
芬太尼 - 15ug/h(透皮吸收)
将部分因素变量设置为哑变量，包括性别(gender)、原发肿瘤***(organ)、口服***等效剂量(OMED)、Child-pugh评分(childpugh)、肌酐清除率(Ccr)、鞘内导管的位置(position)、鞘内阿片类镇痛药的种类(ITdrug)、ABCB1 rs1045642、rs1128503、rs2032582、rs9282564位点基因型等。具体变量赋值方法如表2所示。
表2哑变量赋值形式
Figure BDA0003873279330000061
Figure BDA0003873279330000071
一些实施例中，所述基于所述因素变量构建多元线性回归分析方程，包括：
利用SPSS统计分析软件，输入因素变量，以鞘内镇痛药物的剂量为因变量，以所述鞘内镇痛药物之外的其他因素变量为自变量，使用后退法对所述自变量与因变量的相关性进行多元线性逐步回归分析。
具体的，鞘内剂量预测模型为多元线性回归方程，形式为y＝kx1+kx2...kxn+b，其中x为自变量，即为性别、年龄、体重指数、卡氏功能状态评分、疼痛持续时间、鞘内镇痛前的疼痛评分、原发肿瘤***、口服***等效剂量、拟转换为鞘内剂量的口服***等效剂量、肝功能Child-pugh评分、肌酐清除率、鞘内导管的位置、鞘内阿片类镇痛药的种类、ABCB1rs1045642、rs1128503、rs2032582和rs9282564的多种，以鞘内镇痛药物的剂量为因变量，即为y；选择多个自变量的数据进行多元线性回归分析，得到最优多元回归方程也就是鞘内剂量预测模模型。
多元线性回归分析结果显示，患者的年龄(year)、BMI、疼痛持续时间(paintime)、拟转换为鞘内剂量的口服***等效剂量(transdose)、卡氏功能状态评分(KPS)和口服***等效剂量(OMED)≥600mg(OMED＝3)等因素与鞘内阿片类镇痛药剂量具有相关性如表3所示。基于多元线性回归分析结果建立了鞘内剂量预测模型，即鞘内***剂量(mg)＝19.752-0.134*年龄-0.305*BMI+1.141*疼痛持续时间(年)+0.005*拟转换为鞘内剂量的口服***等效剂量-0.0378*KPS值-4.035*口服***等效剂量≥600mg。
表3多元线性回归分析结果
Figure BDA0003873279330000081
如表4所示，分析结果显示，鞘内剂量预测模型具有显著的统计学意义。
表4预测模型的统计学分析结果
Figure BDA0003873279330000082
Figure BDA0003873279330000091
一些实施例中，所述影响鞘内镇痛药物剂量的基因为SNP位点基因型采用基因测序获取。检测位点的引物序列如下：
Figure BDA0003873279330000092
一些实施例中，还包括：
使用平均绝对误差、均方根误差和R2分数算法评价预测模型的预测能力。
本申请还能够对鞘内剂量预测模型的性能进行验证，具体为使用平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和R2分数评价预测模型的预测能力。该模型的MAE、RMSE和R2分数分别为2.24，3.22和64.9％，表明该模型具有较好的预测性能。
如图2所示，本申请实施例提供一种用于鞘内阿片类镇痛药的剂量预测装置，包括：
获取模块201，用于通过住院记录获取历史数据，根据所述历史数据生成训练样本；
训练模块202，用于确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；
预测模块203，用于将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
本申请实施例提供的用于鞘内阿片类镇痛药的剂量预测装置的工作原理为，获取模块201通过住院记录获取历史数据，根据所述历史数据生成训练样本；训练模块202确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；预测模块203将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
本申请提供一种计算机设备，包括：存储器和处理器，还可以包括网络接口，所述存储器存储有计算机程序，存储器可以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)。该计算机设备存储有操作***，存储器是计算机可读介质的示例。所述计算机程序被所述处理器执行时，使得所述处理器执行用于鞘内阿片类镇痛药的剂量预测方法，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的用于鞘内阿片类镇痛药的剂量预测方法可以实现为一种计算机程序的形式，计算机程序可在如图3所示的计算机设备上运行。
一些实施例中，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：通过住院记录获取历史数据，根据所述历史数据生成训练样本；确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
本申请还提供一种计算机存储介质，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)、数字多功能光光盘(DVD)或其他光学存储、磁盒式磁带存储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。
一些实施例中，本发明还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，通过住院记录获取历史数据，根据所述历史数据生成训练样本；确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
综上所述，本发明提供一种用于鞘内阿片类镇痛药的剂量预测方法及装置，本申请基于患者的临床特征和基因检测结果预测患者的所需鞘内镇痛剂量，对每个患者使用个体化剂量，能够最大程度地接近患者实际所需的剂量，减少达到患者实际所需鞘内剂量的时间。此外，本申请通过鞘内剂量预测模型计算每个患者的所需剂量，可以提高剂量确定效率，避免镇痛不足和严重不良反应。
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、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。
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方法的制造品，该指令方法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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种用于鞘内阿片类镇痛药的剂量预测方法，其特征在于，包括：
通过住院记录获取历史数据，根据所述历史数据生成训练样本；
确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；
将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
2.根据权利要求1所述的方法，其特征在于，所述因素变量，包括：
人体基本信息、疼痛特征、鞘内镇痛前镇痛药物使用信息、生化指标、鞘内镇痛药物使用信息及影响鞘内镇痛药物剂量的基因SNP位点基因型。
3.根据权利要求2所述的方法，其特征在于，
所述人体基本信息包括性别、年龄、体重指数及卡氏功能状态评分；
所述疼痛特征包括疼痛持续时间、鞘内镇痛前的疼痛评分及原发肿瘤***；
所述鞘内镇痛前镇痛药物使用信息包括口服***等效剂量和拟转换为鞘内剂量的口服***等效剂量；
所述生化指标包括肝功能Child-pugh评分和肌酐清除率；
所述鞘内镇痛药物使用信息包括鞘内导管的位置、鞘内阿片类镇痛药的种类及鞘内镇痛药物的剂量；
所述影响鞘内镇痛药物剂量的基因SNP位点基因型包括ABCB1rs1045642、rs1128503、rs2032582和rs9282564。
4.根据权利要求3所述的方法，其特征在于，还包括:
对所述构建因素数据进行预处理。
5.根据权利要求4所述的方法，其特征在于，对所述构建因素数据进行预处理，包括：
将患者的鞘内镇痛前的阿片类镇痛药的剂量转换为口服***等效剂量；
将预设的部分所述因素变量设置为哑变量；
其中，所述预设的部分所述因素变量包括性别、原发肿瘤***、口服***等效剂量、肝功能Child-pugh评分、肌酐清除率、鞘内导管的位置、鞘内阿片类镇痛药的种类、ABCB1rs1045642、rs1128503、rs2032582和rs9282564。
6.根据权利要求3所述的方法，其特征在于，所述基于所述因素变量构建多元线性回归分析方程，包括：
利用SPSS统计分析软件，输入因素变量，以鞘内镇痛药物的剂量为因变量，以所述鞘内镇痛药物之外的其他因素变量为自变量，使用后退法对所述自变量与因变量的相关性进行多元线性逐步回归分析。
7.根据权利要求2所述的方法，其特征在于，
所述影响鞘内镇痛药物剂量的基因为SNP位点基因型，采用基因测序获取。
8.根据权利要求1所述的方法，其特征在于，还包括：
使用平均绝对误差、均方根误差和R2分数算法评价预测模型的预测能力。
9.一种用于鞘内阿片类镇痛药的剂量预测装置，其特征在于，包括：
获取模块，用于通过住院记录获取历史数据，根据所述历史数据生成训练样本；
训练模块，用于确定因素变量，基于所述因素变量构建多元线性回归分析方程，将所述训练样本输入至所述多元线性回归分析方程进行训练，得到鞘内剂量预测模型；
预测模块，用于将待测患者的变量信息输入至所述鞘内剂量预测模型，得到预测结果。
10.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的用于鞘内阿片类镇痛药的剂量预测方法。
CN202211205118.9A 2022-09-29 2022-09-29 用于鞘内阿片类镇痛药的剂量预测方法及装置 Active CN115376649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211205118.9A CN115376649B (zh) 2022-09-29 2022-09-29 用于鞘内阿片类镇痛药的剂量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211205118.9A CN115376649B (zh) 2022-09-29 2022-09-29 用于鞘内阿片类镇痛药的剂量预测方法及装置

Publications (2)

Publication Number Publication Date
CN115376649A true CN115376649A (zh) 2022-11-22
CN115376649B CN115376649B (zh) 2023-07-07

Family

ID=84073373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211205118.9A Active CN115376649B (zh) 2022-09-29 2022-09-29 用于鞘内阿片类镇痛药的剂量预测方法及装置

Country Status (1)

Country Link
CN (1) CN115376649B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116230158A (zh) * 2023-03-27 2023-06-06 中国医学科学院肿瘤医院 一种疼痛评估及用药预测***及其使用方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105142517A (zh) * 2013-04-29 2015-12-09 弗劳恩霍夫应用研究促进协会 阿片样物质-镇痛和阿片样物质-血药浓度预测用非侵入性方法
CN109087692A (zh) * 2018-10-24 2018-12-25 上海交通大学医学院附属瑞金医院北院 一种基于生长激素刺激试验的胰岛素剂量确定方法及装置
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
WO2020118790A1 (zh) * 2018-12-12 2020-06-18 北京大学第三医院 评估受试者卵巢储备功能的***和方法
CN111312341A (zh) * 2020-01-17 2020-06-19 中南大学湘雅三医院 华法林剂量预测方法及预测装置
CN111613289A (zh) * 2020-05-07 2020-09-01 浙江大学医学院附属第一医院 个体化药物剂量预测方法、装置、电子设备及存储介质
WO2020216307A1 (zh) * 2019-04-23 2020-10-29 上海联影医疗科技有限公司 一种获取放射图像方法、***、装置及存储介质
CN112786145A (zh) * 2021-03-04 2021-05-11 华中科技大学同济医学院附属协和医院 一种器官移植患者他克莫司用药剂量精准预测方法
CN113035369A (zh) * 2021-03-10 2021-06-25 浙江大学 一种肾移植抗感染药物剂量预测模型的构建方法
CN113270203A (zh) * 2021-04-20 2021-08-17 郑州大学第一附属医院 药物剂量预测方法、装置、电子设备及存储介质
CN113610845A (zh) * 2021-09-09 2021-11-05 汕头大学医学院附属肿瘤医院 肿瘤局部控制预测模型的构建方法、预测方法及电子设备
CN113889221A (zh) * 2021-12-08 2022-01-04 首都医科大学宣武医院 重症肌无力患者他克莫司治疗剂量精准选择的***及其应用
CN114255883A (zh) * 2021-10-25 2022-03-29 郑州市中心医院 伏立康唑维持剂量预测数学模型及其构建方法和应用

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105142517A (zh) * 2013-04-29 2015-12-09 弗劳恩霍夫应用研究促进协会 阿片样物质-镇痛和阿片样物质-血药浓度预测用非侵入性方法
CN109087692A (zh) * 2018-10-24 2018-12-25 上海交通大学医学院附属瑞金医院北院 一种基于生长激素刺激试验的胰岛素剂量确定方法及装置
WO2020118790A1 (zh) * 2018-12-12 2020-06-18 北京大学第三医院 评估受试者卵巢储备功能的***和方法
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
WO2020216307A1 (zh) * 2019-04-23 2020-10-29 上海联影医疗科技有限公司 一种获取放射图像方法、***、装置及存储介质
CN111312341A (zh) * 2020-01-17 2020-06-19 中南大学湘雅三医院 华法林剂量预测方法及预测装置
CN111613289A (zh) * 2020-05-07 2020-09-01 浙江大学医学院附属第一医院 个体化药物剂量预测方法、装置、电子设备及存储介质
CN112786145A (zh) * 2021-03-04 2021-05-11 华中科技大学同济医学院附属协和医院 一种器官移植患者他克莫司用药剂量精准预测方法
CN113035369A (zh) * 2021-03-10 2021-06-25 浙江大学 一种肾移植抗感染药物剂量预测模型的构建方法
CN113270203A (zh) * 2021-04-20 2021-08-17 郑州大学第一附属医院 药物剂量预测方法、装置、电子设备及存储介质
CN113610845A (zh) * 2021-09-09 2021-11-05 汕头大学医学院附属肿瘤医院 肿瘤局部控制预测模型的构建方法、预测方法及电子设备
CN114255883A (zh) * 2021-10-25 2022-03-29 郑州市中心医院 伏立康唑维持剂量预测数学模型及其构建方法和应用
CN113889221A (zh) * 2021-12-08 2022-01-04 首都医科大学宣武医院 重症肌无力患者他克莫司治疗剂量精准选择的***及其应用

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
王春兰;: "阿片类药物治疗癌性疼痛的止痛效果及影响因素分析" *
王春兰;: "阿片类药物治疗癌性疼痛的止痛效果及影响因素分析", 中国医师杂志, vol. 20, no. 07, pages 1083 - 1085 *
程弦;白树堂;: "CYP2C9及APOE基因多态性与华法林稳态剂量和模型预测剂量的相关性研究" *
程弦;白树堂;: "CYP2C9及APOE基因多态性与华法林稳态剂量和模型预测剂量的相关性研究", 中国胸心血管外科临床杂志, vol. 26, no. 06, pages 543 - 547 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116230158A (zh) * 2023-03-27 2023-06-06 中国医学科学院肿瘤医院 一种疼痛评估及用药预测***及其使用方法
CN116230158B (zh) * 2023-03-27 2024-01-26 中国医学科学院肿瘤医院 一种疼痛评估及用药预测***及其使用方法

Also Published As

Publication number Publication date
CN115376649B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Berry Bayesian clinical trials
Peterson et al. The genetic architecture of major depressive disorder in Han Chinese women
Merino et al. Precision medicine in diabetes: an opportunity for clinical translation
CN115376649B (zh) 用于鞘内阿片类镇痛药的剂量预测方法及装置
Foulkes et al. A framework for multi-omic prediction of treatment response to biologic therapy for psoriasis
WO2015066421A1 (en) Integrated virtual patient framework
Marcu et al. In silico modelling of treatment‐induced tumour cell kill: developments and advances
Shi et al. Escalation with overdose control for phase I drug‐combination trials
US20230330668A1 (en) Neurodegenerative target discovery platform
Chen et al. Designing personalized treatment plans for breast cancer
Yan et al. BiRWDDA: a novel drug repositioning method based on multisimilarity fusion
Methaneethorn Population pharmacokinetics of valproic acid in patients with mania: implication for individualized dosing regimens
Martínez-Zamudio et al. Escape from oncogene-induced senescence is controlled by POU2F2 and memorized by chromatin scars
Dane et al. Subgroup analysis and interpretation for phase 3 confirmatory trials: White paper of the EFSPI/PSI working group on subgroup analysis
El Rouby et al. Clinical utility of pharmacogene panel‐based testing in patients undergoing percutaneous coronary intervention
Cheng et al. Systematic identification of cell cycle regulated transcription factors from microarray time series data
Waldman et al. Molecular medicine hones therapeutic arts to science.
Catananti et al. Heart failure and adverse drug reactions among hospitalized older adults
Bibi et al. Automated Machine Learning Analysis of Patients With Chronic Skin Disease Using a Medical Smartphone App: Retrospective Study
KR101783689B1 (ko) 질병 및 약물 특이적 임상 변수의 상보성을 활용한 신약 재창출 기법 및 장치
US20210174970A1 (en) Integrated virtual patient framework
Wang et al. The theranostic value of acetylation gene signatures in obstructive sleep apnea derived by machine learning
Rutten et al. Proof-of-principle study on ECT illustrates challenges and possible merits of using polygenic risk scores to predict treatment response in psychiatry
Liu et al. Association between adiposity and facial aging: results from a Mendelian randomization study
Zhang et al. A Population-Based Tumor-Volume Model for Head-and-Neck Cancer During Radiotherapy with a Dynamic Oxygenated Compartment

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