CN115862850A - 基于纵向多维数据的肝细胞癌监测模型的建模方法及装置 - Google Patents
基于纵向多维数据的肝细胞癌监测模型的建模方法及装置 Download PDFInfo
- Publication number
- CN115862850A CN115862850A CN202310154793.1A CN202310154793A CN115862850A CN 115862850 A CN115862850 A CN 115862850A CN 202310154793 A CN202310154793 A CN 202310154793A CN 115862850 A CN115862850 A CN 115862850A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- information
- follow
- longitudinal
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于纵向多维数据的肝细胞癌监测模型的建模方法及装置,涉及医疗技术领域,该方法包括:获取样本患者的纵向随访病例信息,从纵向随访病例信息中提取样本评估信息;从样本评估信息中确定第一样本特征信息,并基于第一样本特征信息构建第一模型;将样本患者的样本评估信息输入至第一模型中,得到第一模型输出的第一预测评分;从样本患者的第一预测评分以及样本评估信息中确定第二样本特征信息,并基于第二样本特征信息以及第一预测评分构建第二模型;对第一模型以及第二模型进行序贯处理,构建第三模型。本发明基于纵向多维数据构建的第三模型可更好地监测患者的肝细胞癌发生状况,应用于肝硬化人群时具有较为良好的效果。
Description
技术领域
本发明涉及医疗技术领域,具体涉及基于纵向多维数据的肝细胞癌监测模型的建模方法及装置。
背景技术
肝细胞癌是肝癌的主要组织学亚型,可以占原发性肝癌的90%以上。
若能够更加精准地进行肝细胞癌的监测,可以及早鉴定肝细胞癌风险高的患者,有助于指导临床医生为患者选择并实施更加准确的治疗措施,并对这些患者尽早实施干预和治疗,从而获取更好的手术效果并改善患者预后,是能够显著提高肝细胞癌生存率的关键措施之一。
目前,临床上已存在多种可用于肝细胞癌监测的肝细胞癌预测模型,然而,这些模型的效能多在肝硬化人群中明显下降。由于仅使用单次随访数据,多为基线临床数据,大多数模型缺少长期监测肝细胞癌发生的效能的真实数据,无法正确体现肝细胞癌的极早期发生状况及进展变化,容易造成肝细胞癌监测管理不合理、治疗管理不及时等临床问题。
发明内容
有鉴于此,本发明实施例提供了一种基于纵向多维数据的肝细胞癌监测模型的建模方法及装置,以解决肝细胞癌预测模型无法正确地监测肝细胞癌的问题。
根据第一方面,本发明实施例提供了一种基于纵向多维数据的肝细胞癌监测模型的建模方法,所述方法包括:
获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息;
从所述样本患者的所述样本评估信息中确定第一样本特征信息,并基于所述样本患者的所述第一样本特征信息构建第一模型;所述第一模型用于预测第一预测评分,所述第一预测评分用于表征样本患者对应的肝细胞癌监测状况;
将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分;
从所述样本患者的所述第一预测评分以及所述样本评估信息中确定第二样本特征信息,并基于所述样本患者的所述第二样本特征信息以及所述第一预测评分构建第二模型;所述第二模型用于预测第二预测评分,所述第二预测评分用于表征所述样本患者对应的肝细胞癌监测状况;
对已构建的所述第一模型以及已构建的所述第二模型进行序贯处理,构建第三模型;所述第三模型用于预测第三预测评分,所述第三预测评分用于表征样本患者对应的肝细胞癌监测状况。
结合第一方面,在第一方面第一实施方式中,所述获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息,具体包括以下步骤:
获取所述样本患者的所述纵向随访病例信息,并确定所述纵向随访病例信息的类型;
若确定所述纵向随访病例信息为非结构化类型信息,对非结构化的所述纵向随访病例信息进行结构化处理,得到结构化的所述纵向随访病例信息;
从结构化的所述纵向随访病例信息进行筛选,提取所述样本评估信息。
结合第一方面,在第一方面第二实施方式中,所述第一模型通过以下步骤进行建模得到:
确定所述第一样本特征信息对应的初始评估因子;
对所述初始评估因子进行调整,得到第一评估因子;
基于所述第一样本特征信息和所述第一评估因子,构建所述第一模型。
结合第一方面第二实施方式,在第一方面第三实施方式中,所述将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分,具体包括:
将样本患者的所述样本评估信息输入至所述第一模型中,基于所述第一模型对应的所述第一样本特征信息和所述第一评估因子对所述样本评估信息进行处理,得到所述第一模型输出的所述第一预测评分。
结合第一方面第二实施方式,在第一方面第四实施方式中,所述第二模型通过以下步骤进行建模得到:
对所述样本患者进行分组,得到患病组的样本患者和非患病组的样本患者;
基于初始纵向模型,拟合所述患病组和所述非患病组中所述样本患者的所述样本评估信息及之前随访产生的第一预测评分,分别得到所述患病组的第一组平均轮廓和所述非患病组的第二组平均轮廓;所述初始纵向模型采用多元线性混合效应模型;
基于所述第一组平均轮廓和所述第二组平均轮廓,构建所述第二模型。
结合第一方面第四实施方式,在第一方面第五实施方式中,所述第三模型应用时,所述第二预测评分通过以下步骤得到:
确定待评估者首次随访对应的第一预测评分超过第一分值时,获取待评估者当次随访及之前随访的纵向随访病例信息,以及每次随访的第一预测评分,并对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取待评估者的评估信息;
从所述待评估者的多次随访对应的所述第一预测评分以及所述评估信息中确定当次随访的第二特征信息;
将所述多次随访的第一预测评分以及评估信息输入至所述第二模型中,基于所述初始纵向模型计算所述待评估者对应的纵向轮廓;
将所述纵向轮廓分别与所述第一组平均轮廓和所述第二组平均轮廓进行比较,得到所述待评估者归纳为所述患病组的第一分组概率和归纳为所述非患病组的第二分组概率;
基于所述第一分组概率,计算所述待评估者对应的所述第二预测评分。
结合第一方面,在第一方面第六实施方式中,所述第三模型应用时,所述第三预测评分通过以下步骤得到:
获取待评估者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取待评估者的所述评估信息;
从首次随访的所述评估信息中确定首次随访的第一特征信息;
将首次随访的所述第一特征信息输入至所述第一模型,得到由所述第一模型输出待评估者首次随访对应的所述第一预测评分;
确定待评估者首次随访对应的第一预测评分超过第一分值时,从所述待评估者的当次随访及之前随访的所述第一预测评分以及所述评估信息中确定当次随访的第二特征信息;
将当次随访的所述第二特征信息输入至所述第二模型,得到由所述第二模型输出的待评估者当次随访对应的所述第二预测评分,以及基于首次随访的第一预测评分和当次随访的第二预测评分得到待评估者的第三预测评分;
确定待评估者首次随访对应的第一预测评分不超过第一分值时,基于首次随访的第一预测评分得到待评估者的第三预测评分。
第二方面,本发明实施例还提供一种基于纵向多维数据的肝细胞癌监测模型的建模装置,所述装置包括:
信息提取模块,用于获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息;
第一构建模块,用于从所述样本患者的所述样本评估信息中确定第一样本特征信息,并基于所述样本患者的所述第一样本特征信息构建第一模型;所述第一模型用于预测第一预测评分,所述第一预测评分用于表征样本患者对应的肝细胞癌监测状况;
预测评估模块,用于将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分;
第二构建模块,用于从所述样本患者的所述第一预测评分以及所述样本评估信息中确定第二样本特征信息,并基于所述样本患者的所述第二样本特征信息以及所述第一预测评分构建第二模型;所述第二模型用于预测第二预测评分,所述第二预测评分用于表征所述样本患者对应的肝细胞癌监测状况;
第三构建模块,用于对已构建的所述第一模型以及已构建的所述第二模型进行序贯处理,构建第三模型;所述第三模型用于预测第三预测评分,所述第三预测评分用于表征样本患者对应的肝细胞癌监测状况。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器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程序时实现如上述任一种所述的基于纵向多维数据的肝细胞癌监测模型的建模方法的步骤。
第四方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于纵向多维数据的肝细胞癌监测模型的建模方法的步骤。
本发明提供的基于纵向多维数据的肝细胞癌监测模型的建模方法及装置,通过从样本患者的纵向随访病例信息中提取得到纵向数据类型包含血清学标志物的样本评估信息,并基于样本评估信息构建第一模型,再基于样本评估信息以及第一模型输出的第一预测评分构建第二模型,最后基于第一模型以及第二模型序贯应用得到最终的第三模型,在不增加额外经济负担的情况下,具有较高的肝细胞癌监测精度和良好的肝细胞癌分层监测作用,第三模型输出的第三预测评分能够指导医生为患者制定更好的治疗方案,特别的,第三模型应用于肝硬化人群时仍具有较为良好的效果,为其在临床上的实际推广与应用增加了可行性。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明提供的基于纵向多维数据的肝细胞癌监测模型的建模方法的流程示意图;
图2示出了本发明提供的基于纵向多维数据的肝细胞癌监测模型的建模方法中获取样本评估信息的流程示意图;
图3示出了本发明提供的基于纵向多维数据的肝细胞癌监测模型的建模方法中第二预测评分获取过程的流程示意图;
图4示出了本发明提供的基于纵向多维数据的肝细胞癌监测模型的建模方法中第三预测评分获取过程的流程示意图;
图5示出了本发明提供的基于纵向多维数据的肝细胞癌监测模型的建模方法装置的结构示意图;
图6示出了本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
肝细胞癌是肝癌的主要组织学亚型,可以占原发性肝癌的90%以上。慢性肝病患者在医院完成治疗后,医院可以通过随访方式获取到患者在不同时间点的具有时间序列特征的纵向随访病例信息,及时得到患者病情变化的相关反馈。部分患者可能是多种疾病并存,通过随访方式,也能够在一定程度上帮助医生跟踪观察患者其他疾病的信数据息。肝细胞癌的良好预后绝大部分取决于肝细胞癌早期诊断和疾病分期。经手术切除、消融手术、肝移植术后的早期/极早期肝癌患者的平均生存时长超过5年。
若能够更加精准地进行肝细胞癌的监测,可以及早鉴定肝细胞癌风险高的患者,有助于指导临床医生为患者选择并实施更加准确的治疗措施,并对这些患者尽早实施干预和治疗,从而获取更好的手术效果并改善患者预后,是能够显著提高肝细胞癌生存率的关键措施之一。
目前,临床上已存在多种用于进行肝细胞癌监测的肝细胞癌预测模型,但是由于缺乏多病因、多临床特征的构建和验证队列,和目前越来越多慢性肝病患者并发症多、代谢紊乱、抗病毒治疗影响复杂的临床趋势,肝细胞癌预测模型应用受限且其在人群中的效能也需进一步评估。由于仅基于单次随访数据,多为基线临床数据,传统COX或Logistic回归模型等肝细胞癌预测模型,忽略了肝细胞癌风险/复发风险在随访时间内进展/消退的特点即不断变化的特点,且上述肝细胞癌预测模型的效能在肝硬化等慢性肝疾病患者人群中明显下降。临床上,也容易造成肝细胞癌监测管理不合理、治疗管理不及时和医患沟通不融洽等问题。
其中,随访指的是医院对曾经就诊的病人以通讯或其他的方式,定期了解患者病情变化和指导患者康复的一种观察方法,通过随访可以提高医院医前及医后服务水平,同时方便医生对病人进行跟踪观察,掌握第一手资料以进行统计分析、积累经验,从而更好地为患者服务。
为了解决上述问题,如图1所示,图1是本实施例中提供的一种基于纵向多维数据的肝细胞癌监测模型的建模方法的流程示意图。本发明实施例的建模方法可用于电子设备中。如图1所示,建模方法包括如下步骤:
S10、获取样本患者的纵向随访病例信息,对纵向随访病例信息进行处理,从纵向随访病例信息中提取样本患者的样本评估信息。纵向可以表征时间先后顺序,即时序。纵向随访病例信息表征样本患者在随访过程的具有时序特征的不同时间点的人口学特征、临床特征、实验室检查指标、以及疾病史和用药史等信息。
样本患者的纵向随访病例信息可以通过随访的方式获取。纵向随访病例信息可以存储至医院的医疗卫生***的数据库中,纵向随访病例信息也可以是样本患者自主反馈的文本信息、影像信息,纵向随访病例信息还可以是医务人员基于样本患者反馈的文本信息、影像信息进行记录后得到的,例如,记录在病例本上的相关信息。在此对纵向随访病例信息的获取方式不做任何限制,只需能够获取到纵向随访病例信息即可。
由于纵向随访病例信息可能是非结构化的数据,在步骤S10中还会对纵向随访病例信息中的非结构化数据进行结构化处理,从而能够从中提取到评估者的样本评估信息。需要说明的是,并非所有结构化的纵向随访病例信息均为样本评估信息,样本评估信息是从结构化的纵向随访病例信息中进行筛选后得到的用于后续模型建模用的相关数据/特征。
在本发明实施例中,样本患者的样本评估信息均为其临床资料,包括性别、年龄、肝指标信息等等,肝指标信息则可以通过医疗体检等方式获取,肝指标信息包括以下信息:
样本患者的甲胎蛋白(AFP)、白蛋白(ALB)、总胆红素(TBIL)和血小板计数(PLT)。
S20、从样本患者的样本评估信息中确定第一样本特征信息,并基于样本患者的第一样本特征信息构建第一模型,其中,第一模型用于预测第一预测评分,第一预测评分用于表征样本患者对应的肝细胞癌监测状况。
在本发明实施例中,第一预测评分是基于第一模型得到的,第一模型采用aMAP评分模型,第一模型为aMAP(age-Male-ALBI-Platelets)模型。
实际应用时,第一模型的输入数据为从待评估者随访产生的当次随访病例信息中提取得到的评估信息,并用于得到待评估者的第一预测评分。
第一样本特征信息包括样本患者的性别、年龄以及肝指标信息中的部分信息。更具体的,aMAP模型是基于样本患者的性别、年龄、肝指标信息中的白蛋白、总胆红素以及血小板计数计算得到对应的第一预测评分,即,第一样本特征信息包括年龄、性别、白蛋白、总胆红素以及血小板计数。
也就是说,除年龄、性别以外,第一模型中仅包含三种常见的临床检验指标,即白蛋白(ALB)、总胆红素(TBIL)和血小板计数(PLT),使得风险预测模型以及基于风险预测模型的该方法能够在基层医院也能很好的推广,且由于不涉及肝脏炎症指标,aMAP评分在处于肝脏炎症活动期的患者中也能获取较好的评估性能。
在本发明实施例中,第一模型通过以下步骤进行建模:
a10、确定第一样本特征信息。
第一样本特征信息的确定过程详细可见如图1所示的步骤S20,在此不作赘述。
a20、确定第一样本特征信息对应的初始评估因子。
a30、对初始评估因子进行调整,得到第一评估因子。
a40、基于第一样本特征信息和第一评估因子,构建第一模型。
最终得到的第一预测评分的计算方式为:
aMAP= ({0.06 ×年龄 +0.89 ×性别 (男性: 1;女性: 0) + 0.48 ×[(log10TBIL× 0.66) + (ALB × -0.085)] -0.01 ×PLT)} + 7.4)/14.77 × 100
可以理解的是,上式中0.06、0.89、0.48、0.66、-0.085、0.01、7.4、14.77以及100都是aMAP评分模型相应的第一评估因子。
S30、将样本患者的样本评估信息输入至已构建的第一模型中,得到由第一模型输出的样本患者对应的第一预测评分。
具体的,步骤S30包括:将样本患者的样本评估信息输入至第一模型中,基于第一模型对应的第一样本特征信息和第一评估因子对样本评估信息进行处理,得到第一模型输出的第一预测评分。
S40、从样本患者的第一预测评分以及样本评估信息中确定第二样本特征信息,并基于样本患者的第二样本特征信息以及第一预测评分构建第二模型,其中,第二模型用于预测第二预测评分,第二预测评分同样用于表征样本患者对应的肝细胞癌监测状况。
在本发明实施例中,第二预测评分是基于第二模型得到的,第二模型也利用了aMAP评分模型,第二模型为aMAP-2模型。
实际应用时,第二模型的输入数据为待评估者当次随访及之前随访产生的纵向随访病例信息中提取得到的评估信息以及第一预测评分,第二模型用于得到待评估者的第二预测评分。
第二样本特征信息包括样本患者的肝指标信息中的部分信息。更具体的,aMAP-2模型是基于样本患者的第一预测评分、肝指标信息中的甲胎蛋白计算得到对应的第二预测评分,即,第二样本特征信息包括第一预测评分和甲胎蛋白。
在本发明实施例中,第二模型通过以下步骤进行建模:
b10、对样本患者进行分组,得到患病组的样本患者(肝细胞癌组患者)和非患病组的样本患者(非肝细胞癌组患者)。
b20、基于初始纵向模型,拟合患病组和非患病组中样本患者的样本评估信息以及当此随访及之前随访产生的第一预测评分,分别得到患病组的第一组平均轮廓和非患病组的第二组平均轮廓,其中,初始纵向模型采用多元线性混合效应模型(MultivariateLinear Mixed Effect Models,MLMM)。
在本发明实施例中,初始纵向模型的结构如下:
其中,当拟合MLMM时,,/>代表某位患者,/>代表该患者的某一次随访,X和Z表示拟合变量的不同设计矩阵,E表示期望值,/>和/>分别表示拟合变量的线性混合效应模型中的固定系数和随机系数,MVN为多元正态分布。/>使用贝叶斯马尔可夫链蒙特卡洛算法(Markov-ChainMonte-Carlo, MCMC)进行测算,/>为计算方差和协方差时的模型内部参数。
b30、基于第一组平均轮廓和第二组平均轮廓,构建第二模型。
已经参加过第二模型建模的样本患者会进入训练库中,每当获取到新的样本患者以及其样本评估信息时,会利用其样本评估信息计算新的样本患者的纵向轮廓,并与第一组平均轮廓和第二组平均轮廓进行比较,给出该样本患者被分类为肝细胞癌组的分组预测概率,即第二预测评分(aMAP-2评分),用于继续训练第二模型。第二预测评分数值范围为0-1,第二预测评分越接近于1,则表示该样本患者分类为肝细胞癌组的概率越大。
在本发明实施例中,分组预测概率是基于边际预测方法得到的,即,基于aMAP-2评分是基于边际预测方法得到的,具体的计算公式为:
该公式中,为分组预测概率,/>表示边际预测法,/>表示一位患者,/>为组别,即患病组或非患病组,/>为加和号角标,/>,/>是长度2的向量,/>表示样本患者属于每组的先验概率权重比,/>表示模型学习过程中产生的参数。
对于每一次贝叶斯MCMC模拟,使用两条长度足够的链(总共6000次迭代,前3000次迭代被烧毁),并通过轨迹图评估两条MCMC链之间的收敛性,所有贝叶斯MCMC模拟都使用算法生成的无信息先验。
患者随访过程中的肝细胞癌风险的动态变化被每次随访都将产生改变的aMAP-2评分所展示,可以通过平均预测周期(MLT)表示肝细胞癌患者被aMAP-2评分预测为高风险结果时刻与其临床确诊时的平均时间差。aMAP-2评分的MLT结果显示肝细胞癌患者可提前被首次预警为肝细胞癌高风险,从而及时加强肝细胞癌监测并及时干预。
S50、对已构建的第一模型以及已构建的第二模型进行序贯处理,构建第三模型。其中,第三模型用于预测第三预测评分,第三预测评分同样用于表征样本患者对应的肝细胞癌监测状况。
在本发明实施例中,第三预测评分是基于第三模型得到的,由于第三模型是基于已构建的第一模型和第二模型序贯应用得到,第三模型为aMAPàaMAP-2模型。具体的,在第三模型的实际应用时,第一模型和第二模型的序贯应用指的是先利用第一模型得到待评估者的第一预测评分,当待评估者首次随访对应的第一预测评分超过第一分值时,再利用第二模型得到待评估者的第二预测评分,根据之前的第一预测评分以及第二预测评分得到待评估者的第三预测评分;待评估者首次随访对应的第一预测评分不超过第一分值时,会直接根据第一预测评分得到第三预测评分。
可见,基于第三模型得到的第三预测评分具有较高的肝细胞癌监测精度和良好的肝细胞癌分层监测作用,第三预测评分能够指导医生为患者制定更好的治疗方案。
本发明的肝细胞癌监测模型的建模方法,通过从样本患者的纵向随访病例信息中提取得到纵向数据类型包含血清学标志物的样本评估信息,并基于样本评估信息构建第一模型,再基于样本评估信息以及第一模型输出的第一预测评分构建第二模型,最后基于第一模型以及第二模型序贯应用得到最终的第三模型,在不增加额外经济负担的情况下,具有较高的肝细胞癌监测精度和良好的肝细胞癌分层监测作用,第三模型输出的第三预测评分能够指导医生为患者制定更好的治疗方案,特别的,第三模型应用于肝硬化人群时仍具有较为良好的效果,为其在临床上的实际推广与应用增加了可行性。
为了解决上述问题,如图2所示,在本实施例中提供了一种基于纵向多维数据的肝细胞癌监测模型的建模方法,本发明实施例的基于纵向多维数据的肝细胞癌监测模型的建模方法可用于电子设备中,图2是根据本发明实施例的基于纵向多维数据的肝细胞癌监测模型的建模方法的获取样本评估信息的流程示意图,如图2所示,步骤S10包括如下步骤:
S11、获取样本患者的纵向随访病例信息,并确定纵向随访病例信息的类型。
S12、确定纵向随访病例信息为非结构化类型信息,对非结构化的纵向随访病例信息进行结构化处理,得到结构化的纵向随访病例信息。
S13、从结构化的纵向随访病例信息进行筛选,提取样本评估信息。
在步骤S12中会对纵向随访病例信息中的非结构化数据进行结构化处理,从而能够从中提取到评估者的样本评估信息,在步骤S13中会从结构化的纵向随访病例信息中进行筛选后得到的用于后续模型建模用的样本评估信息。
为了解决上述问题,如图3所示,在本实施例中提供了一种基于纵向多维数据的肝细胞癌监测模型的建模方法,本发明实施例的基于纵向多维数据的肝细胞癌监测模型的建模方法可用于电子设备中,图3是根据本发明实施例的基于纵向多维数据的肝细胞癌监测模型的建模方法中第二预测评分获取过程的流程示意图,如图3所示,第二预测评分通过以下步骤得到:
A10、确定待评估者首次随访对应的第一预测评分超过第一分值时,获取待评估者当次随访及之前随访的纵向随访病例信息,以及每次随访的第一预测评分,并对纵向随访病例信息进行处理,从纵向随访病例信息中提取待评估者的评估信息。
步骤A10中获取评估信息的方式详细请见如图1所示的步骤S10,在此不作赘述。
A20、从待评估者的多次随访对应的第一预测评分以及评估信息中确定第二特征信息。
第二特征信息的确定方式详细请见如图1所示的步骤S40,在此不作赘述。
A30、将多次随访的第一预测评分以及评估信息输入至第二模型中,基于初始纵向模型计算待评估者对应的纵向轮廓。
步骤A30详细请见如第二模型的建模过程,在此不作赘述。
A40、将纵向轮廓分别与第一组平均轮廓和第二组平均轮廓进行比较,得到待评估者归纳为患病组的第一分组概率和归纳为非患病组的第二分组概率。
同样的,步骤A40是基于边际预测方法得到第一分组概率和第二分组概率。
A50、基于第一分组概率,计算待评估者对应的第二预测评分。
为了解决上述问题,如图4所示,在本实施例中提供了基于纵向多维数据的肝细胞癌监测模型的建模方法及装置,本发明实施例的基于纵向多维数据的肝细胞癌监测模型的建模方法可用于电子设备中,图4是根据本发明实施例的基于纵向多维数据的肝细胞癌监测模型的建模方法中第三预测评分获取过程的流程示意图,如图4所示,第三预测评分通过以下步骤得到:
B10、获取待评估者的纵向随访病例信息,对纵向随访病例信息进行处理,从纵向随访病例信息中提取待评估者的评估信息。
步骤B10详细请见如图1所示的步骤S10,在此不作赘述。
B20、从首次随访的评估信息中确定首次随访的第一特征信息。
B30、将首次随访的第一特征信息输入至第一模型,得到由第一模型输出的待评估者首次随访对应的第一预测评分。
步骤B30详细请见如图1所示的步骤S30,在此不作赘述。
B40、确定待评估者首次随访对应的第一预测评分超过第一分值时,从待评估者的当次随访及之前随访的第一预测评分以及评估信息中确定当次随访的第二特征信息。
第一特征信息和第二特征信息的确定方式分别详细请见如图1所示的步骤S20和步骤S40,在此不作赘述。
B50、将当次随访的第二特征信息输入至第二模型,得到由第二模型输出的待评估者当次随访对应的第二预测评分,以及基于首次随访的第一预测评分和当次随访的第二预测评分得到待评估者的第三预测评分。
B60、确定待评估者首次随访对应的第一预测评分不超过第一分值时,基于首次随访对应的第一预测评分得到待评估者的第三预测评分。
下面对本发明提供的基于纵向多维数据的肝细胞癌监测模型的建模方法装置进行描述,下文描述的基于纵向多维数据的肝细胞癌监测模型的建模方法装置与上文描述的基于纵向多维数据的肝细胞癌监测模型的建模方法可相互对应参照。
如图5所示,在本实施例中提供了一种基于纵向多维数据的肝细胞癌监测模型的建模方法装置,本发明实施例的基于纵向多维数据的肝细胞癌监测模型的建模方法可用于电子设备中,图5是根据本发明实施例的基于纵向多维数据的肝细胞癌监测模型的建模方法装置的结构示意图,如图5所示,该装置包括:
信息提取模块10,用于获取样本患者的纵向随访病例信息,对纵向随访病例信息进行处理,从纵向随访病例信息中提取样本患者的样本评估信息。纵向随访病例信息为记录了样本患者的人口学特征、临床特征、实验室检查指标、以及疾病史和用药史等的信息。
样本患者的纵向随访病例信息可以通过随访的方式获取。纵向随访病例信息可以存储至医院的医疗卫生***的数据库中,纵向随访病例信息也可以是样本患者自主反馈的文本信息、影像信息,纵向随访病例信息还可以是医务人员基于样本患者反馈的文本信息、影像信息进行记录后得到的,例如,记录在病例本上的相关信息。在此对纵向随访病例信息的获取方式不做任何限制,只需能够获取到纵向随访病例信息即可。
由于纵向随访病例信息可能是非结构化的数据,在第一构建模块20中还会对纵向随访病例信息中的非结构化数据进行结构化处理,从而能够从中提取到评估者的样本评估信息。需要说明的是,并非所有结构化的纵向随访病例信息均为样本评估信息,样本评估信息是从结构化的纵向随访病例信息中进行筛选后得到的用于后续模型建模用的相关数据/特征。
在本发明实施例中,样本患者的样本评估信息均为其临床资料,包括性别、年龄、肝指标信息等等,肝指标信息则可以通过医疗体检等方式获取,肝指标信息包括样本患者的甲胎蛋白(AFP)、白蛋白(ALB)、总胆红素(TBIL)和血小板计数(PLT)。
第一构建模块20,用于从样本患者的样本评估信息中确定第一样本特征信息,并基于样本患者的第一样本特征信息构建第一模型,其中,第一模型用于预测第一预测评分,第一预测评分用于表征样本患者对应的肝细胞癌监测状况。
在本发明实施例中,第一预测评分是基于第一模型得到的,第一模型采用aMAP评分模型,第一模型为aMAP模型。
第一样本特征信息包括样本患者的性别、年龄以及肝指标信息中的部分信息训练。更具体的,aMAP模型是基于样本患者的性别、年龄、肝指标信息中的白蛋白、总胆红素以及血小板计数计算得到对应的第一预测评分,即,第一样本特征信息包括性别、年龄、白蛋白、总胆红素以及血小板计数。
也就是说,除年龄、性别以外,第一模型中仅包含三种常见的临床检验指标,即白蛋白(ALB)、总胆红素(TBIL)和血小板计数(PLT),使得风险预测模型以及基于风险预测模型的该装置能够在基层医院也能很好的推广,且由于不涉及肝脏炎症指标,aMAP评分在处于肝脏炎症活动期的患者中也能获取较好的评估性能。
预测评估模块30,用于将样本患者的样本评估信息输入至已构建的第一模型中,得到由第一模型输出的样本患者对应的第一预测评分。
第二构建模块40,用于从样本患者的第一预测评分以及样本评估信息中确定第二样本特征信息,并基于样本患者的第二样本特征信息以及第一预测评分构建第二模型,其中,第二模型用于预测第二预测评分,第二预测评分同样用于表征样本患者对应的肝细胞癌监测状况。
在本发明实施例中,第二预测评分是基于第二模型得到的,第二模型也是采用aMAP评分模型,第二模型为aMAP-2模型。
第二样本特征信息包括样本患者的肝指标信息中的部分信息。更具体的,aMAP-2模型是基于样本患者的第一预测评分、肝指标信息中的甲胎蛋白计算得到对应的第二预测评分,即,第二样本特征信息包括谷第一预测评分和甲胎蛋白。
第三构建模块50,用于对已构建的第一模型以及已构建的第二模型进行序贯处理,构建第三模型。其中,第三模型用于预测第三预测评分,第三预测评分同样用于表征样本患者对应的肝细胞癌监测状况。
在本发明实施例中,第三预测评分是基于第三模型得到的,由于第三模型是基于已构建的第已风险预测模型以及已构建的第二模型序贯应用得到,第三模型为aMAPàaMAP-2模型。具体的,在第三模型的实际应用时,第一模型和第二模型的序贯应用指的是先利用第一模型得到待评估者的第一预测评分,当待评估者首次随访对应的第一预测评分超过第一分值时,再利用第二模型得到待评估者的第二预测评分,根据之前的第一预测评分以及第二预测评分得到待评估者的第三预测评分;待评估者对应的第一预测评分不超过第一分值时,会直接根据第一预测评分得到第三预测评分。
可见,基于第三模型得到的第三预测评分具有较高的肝细胞癌监测精度和良好的肝细胞癌分层监测作用,第三预测评分能够指导医生为患者制定更好的治疗方案。
本发明的基于纵向多维数据的肝细胞癌监测模型的建模装置,通过从样本患者的纵向随访病例信息中提取得到纵向数据类型包含血清学标志物的样本评估信息,并基于样本评估信息构建第一模型,再基于样本评估信息以及第一模型输出的第一预测评分构建第二模型,最后基于第一模型以及第二模型序贯应用得到最终的第三模型,在不增加额外经济负担的情况下,具有较高的肝细胞癌监测精度和良好的肝细胞癌分层监测作用,第三模型输出的第三预测评分能够指导医生为患者制定更好的治疗方案,特别的,第三模型应用于肝硬化人群时仍具有较为良好的效果,为其在临床上的实际推广与应用增加了可行性。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑命令,以执行基于纵向多维数据的肝细胞癌监测模型的建模方法,该方法包括:
获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息;
从所述样本患者的所述样本评估信息中确定第一样本特征信息,并基于所述样本患者的所述第一样本特征信息构建第一模型;所述第一模型用于预测第一预测评分,所述第一预测评分用于表征样本患者对应的肝细胞癌监测状况;
将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分;
从所述样本患者的第一预测评分以及所述样本评估信息中确定第二样本特征信息,并基于所述样本患者的所述第二样本特征信息以及所述第一预测评分构建第二模型;所述第二模型用于预测第二预测评分,所述第二预测评分用于表征所述样本患者对应的肝细胞癌监测状况;
对已构建的所述第一模型以及已构建的所述第二模型进行序贯处理,构建第三模型;所述第三模型用于预测第三预测评分,所述第三预测评分用于表征样本患者对应的肝细胞癌监测状况。
此外,上述的存储器430中的逻辑命令可以通过软件功能单元的形式实现并作为独立的介质销售或使用时,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部分可以以软件介质的形式体现出来,该计算机软件介质存储在一个存储介质中,包括若干命令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序介质,所述计算机程序介质包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于纵向多维数据的肝细胞癌监测模型的建模方法,该方法包括:
获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息;
从所述样本患者的所述样本评估信息中确定第一样本特征信息,并基于所述样本患者的所述第一样本特征信息构建第一模型;所述第一模型用于预测第一预测评分,所述第一预测评分用于表征样本患者对应的肝细胞癌监测状况;
将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分;
从所述样本患者的第一预测评分以及所述样本评估信息中确定第二样本特征信息,并基于所述样本患者的所述第二样本特征信息以及所述第一预测评分构建第二模型;所述第二模型用于预测第二预测评分,所述第二预测评分用于表征所述样本患者对应的肝细胞癌监测状况;
对已构建的所述第一模型以及已构建的所述第二模型进行序贯处理,构建第三模型;所述第三模型用于预测第三预测评分,所述第三预测评分用于表征样本患者对应的肝细胞癌监测状况。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于纵向多维数据的肝细胞癌监测模型的建模方法,该方法包括:
获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息;
从所述样本患者的所述样本评估信息中确定第一样本特征信息,并基于所述样本患者的所述第一样本特征信息构建第一模型;所述第一模型用于预测第一预测评分,所述第一预测评分用于表征样本患者对应的肝细胞癌监测状况;
将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分;
从所述样本患者的第一预测评分以及所述样本评估信息中确定第二样本特征信息,并基于所述样本患者的所述第二样本特征信息以及所述第一预测评分构建第二模型;所述第二模型用于预测第二预测评分,所述第二预测评分用于表征所述样本患者对应的肝细胞癌监测状况;
对已构建的所述第一模型以及已构建的所述第二模型进行序贯处理,构建第三模型;所述第三模型用于预测第三预测评分,所述第三预测评分用于表征样本患者对应的肝细胞癌监测状况。
以上所描述的装置实施例仅仅是示意性的,其中所述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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件介质的形式体现出来,该计算机软件介质可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干命令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于纵向多维数据的肝细胞癌监测模型的建模方法,其特征在于,所述方法包括:
获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息;
从所述样本患者的所述样本评估信息中确定第一样本特征信息,并基于所述样本患者的所述第一样本特征信息构建第一模型;所述第一模型用于预测第一预测评分,所述第一预测评分用于表征样本患者对应的肝细胞癌监测状况;
将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分;
从所述样本患者的所述第一预测评分以及所述样本评估信息中确定第二样本特征信息,并基于所述样本患者的所述第二样本特征信息以及所述第一预测评分构建第二模型;所述第二模型用于预测第二预测评分,所述第二预测评分用于表征所述样本患者对应的肝细胞癌监测状况;
对已构建的所述第一模型以及已构建的所述第二模型进行序贯处理,构建第三模型;所述第三模型用于预测第三预测评分,所述第三预测评分用于表征样本患者对应的肝细胞癌监测状况。
2.根据权利要求1所述的基于纵向多维数据的肝细胞癌监测模型的建模方法,其特征在于,所述获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息,具体包括以下步骤:
获取所述样本患者的所述纵向随访病例信息,并确定所述纵向随访病例信息的类型;
若确定所述纵向随访病例信息为非结构化类型信息,对非结构化的所述纵向随访病例信息进行结构化处理,得到结构化的所述纵向随访病例信息;
从结构化的所述纵向随访病例信息进行筛选,提取所述样本评估信息。
3.根据权利要求1所述的基于纵向多维数据的肝细胞癌监测模型的建模方法,其特征在于,所述第一模型通过以下步骤进行建模得到:
确定所述第一样本特征信息对应的初始评估因子;
对所述初始评估因子进行调整,得到第一评估因子;
基于所述第一样本特征信息和所述第一评估因子,构建所述第一模型。
4.根据权利要求3所述的基于纵向多维数据的肝细胞癌监测模型的建模方法,其特征在于,所述将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分,具体包括:
将样本患者的所述样本评估信息输入至所述第一模型中,基于所述第一模型对应的所述第一样本特征信息和所述第一评估因子对所述样本评估信息进行处理,得到所述第一模型输出的所述第一预测评分。
5.根据权利要求3所述的基于纵向多维数据的肝细胞癌监测模型的建模方法,其特征在于,所述第二模型通过以下步骤进行建模得到:
对所述样本患者进行分组,得到患病组的样本患者和非患病组的样本患者;
基于初始纵向模型,拟合所述患病组和所述非患病组中所述样本患者的所述样本评估信息及之前随访产生的第一预测评分,分别得到所述患病组的第一组平均轮廓和所述非患病组的第二组平均轮廓;所述初始纵向模型采用多元线性混合效应模型;
基于所述第一组平均轮廓和所述第二组平均轮廓,构建所述第二模型。
6.根据权利要求5所述的基于纵向多维数据的肝细胞癌监测模型的建模方法,其特征在于,所述第三模型应用时,所述第二预测评分通过以下步骤得到:
确定待评估者首次随访对应的第一预测评分超过第一分值时,获取待评估者当次随访及之前随访的纵向随访病例信息,以及每次随访的第一预测评分,并对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取待评估者的评估信息;
从所述待评估者的多次随访对应的第一预测评分以及评估信息中确定第二特征信息;
将所述多次随访的第一预测评分以及所述评估信息输入至所述第二模型中,基于所述初始纵向模型计算所述待评估者对应的纵向轮廓;
将所述纵向轮廓分别与所述第一组平均轮廓和所述第二组平均轮廓进行比较,得到所述待评估者归纳为所述患病组的第一分组概率和归纳为所述非患病组的第二分组概率;
基于所述第一分组概率,计算所述待评估者对应的所述第二预测评分。
7.根据权利要求1所述的基于纵向多维数据的肝细胞癌监测模型的建模方法,其特征在于,所述第三模型应用时,所述第三预测评分通过以下步骤得到:
获取待评估者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取待评估者的所述评估信息;
从首次随访的所述评估信息中确定首次随访的第一特征信息;
将首次随访的所述第一特征信息输入至所述第一模型,得到由所述第一模型输出的待评估者首次随访对应的所述第一预测评分;
确定待评估者首次随访对应的第一预测评分超过第一分值时,从所述待评估者的当次随访及之前随访的所述第一预测评分以及所述评估信息中确定当次随访的第二特征信息;
将当次随访的所述第二特征信息输入至所述第二模型,得到由所述第二模型输出的待评估者当次随访对应的所述第二预测评分,以及基于首次随访的第一预测评分和当次随访的第二预测评分得到待评估者的第三预测评分;
确定待评估者首次随访对应的第一预测评分不超过第一分值时,基于首次随访的第一预测评分得到待评估者的第三预测评分。
8.一种基于纵向多维数据的肝细胞癌监测模型的建模装置,其特征在于,所述装置包括:
信息提取模块,用于获取样本患者的纵向随访病例信息,对所述纵向随访病例信息进行处理,从所述纵向随访病例信息中提取样本患者的样本评估信息;
第一构建模块,用于从所述样本患者的所述样本评估信息中确定第一样本特征信息,并基于所述样本患者的所述第一样本特征信息构建第一模型;所述第一模型用于预测第一预测评分,所述第一预测评分用于表征样本患者对应的肝细胞癌监测状况;
预测评估模块,用于将所述样本患者的所述样本评估信息输入至已构建的所述第一模型中,得到由所述第一模型输出的所述样本患者对应的第一预测评分;
第二构建模块,用于从所述样本患者的所述第一预测评分以及所述样本评估信息中确定第二样本特征信息,并基于所述样本患者的所述第二样本特征信息以及所述第一预测评分构建第二模型;所述第二模型用于预测第二预测评分,所述第二预测评分用于表征所述样本患者对应的肝细胞癌监测状况;
第三构建模块,用于对已构建的所述第一模型以及已构建的所述第二模型进行序贯处理,构建第三模型;所述第三模型用于预测第三预测评分,所述第三预测评分用于表征样本患者对应的肝细胞癌监测状况。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于纵向多维数据的肝细胞癌监测模型的建模方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于纵向多维数据的肝细胞癌监测模型的建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154793.1A CN115862850B (zh) | 2023-02-23 | 2023-02-23 | 基于纵向多维数据的肝细胞癌监测模型的建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154793.1A CN115862850B (zh) | 2023-02-23 | 2023-02-23 | 基于纵向多维数据的肝细胞癌监测模型的建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115862850A true CN115862850A (zh) | 2023-03-28 |
CN115862850B CN115862850B (zh) | 2023-05-16 |
Family
ID=85658731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310154793.1A Active CN115862850B (zh) | 2023-02-23 | 2023-02-23 | 基于纵向多维数据的肝细胞癌监测模型的建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862850B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167462A (zh) * | 2023-04-23 | 2023-05-26 | 南方医科大学南方医院 | 肝细胞癌预测模型构建方法、肝细胞癌预测方法及装置 |
CN116386901A (zh) * | 2023-06-05 | 2023-07-04 | 南方医科大学南方医院 | 乙肝临床治愈预测模型构建方法及装置、预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100184093A1 (en) * | 2008-07-25 | 2010-07-22 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
US20130084570A1 (en) * | 2010-04-14 | 2013-04-04 | The Board Of Regents Of The University Of Texas Sy | Methods of evaluating response to cancer therapy |
US20160078184A1 (en) * | 2014-09-11 | 2016-03-17 | The Regents Of The University Of Michigan | Machine learning for hepatitis c |
US20170183737A1 (en) * | 2015-12-29 | 2017-06-29 | Industrial Technology Research Institute | Method for estimating a risk for a subject suffering from hepatocellular carcinoma and method for the prognosis of hepatocellular carcinoma |
US20200411188A1 (en) * | 2018-03-06 | 2020-12-31 | Ieso Digital Health Limited | Improvements in or relating to psychological profiles |
WO2022221712A1 (en) * | 2021-04-15 | 2022-10-20 | Curemetrix, Inc. | Detecting, scoring and predicting disease risk using multiple medical-imaging modalities |
CN115602319A (zh) * | 2022-12-07 | 2023-01-13 | 南方医科大学南方医院(Cn) | 一种无创肝纤维化评估装置 |
-
2023
- 2023-02-23 CN CN202310154793.1A patent/CN115862850B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100184093A1 (en) * | 2008-07-25 | 2010-07-22 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
US20130084570A1 (en) * | 2010-04-14 | 2013-04-04 | The Board Of Regents Of The University Of Texas Sy | Methods of evaluating response to cancer therapy |
US20160078184A1 (en) * | 2014-09-11 | 2016-03-17 | The Regents Of The University Of Michigan | Machine learning for hepatitis c |
US20170183737A1 (en) * | 2015-12-29 | 2017-06-29 | Industrial Technology Research Institute | Method for estimating a risk for a subject suffering from hepatocellular carcinoma and method for the prognosis of hepatocellular carcinoma |
US20200411188A1 (en) * | 2018-03-06 | 2020-12-31 | Ieso Digital Health Limited | Improvements in or relating to psychological profiles |
WO2022221712A1 (en) * | 2021-04-15 | 2022-10-20 | Curemetrix, Inc. | Detecting, scoring and predicting disease risk using multiple medical-imaging modalities |
CN115602319A (zh) * | 2022-12-07 | 2023-01-13 | 南方医科大学南方医院(Cn) | 一种无创肝纤维化评估装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167462A (zh) * | 2023-04-23 | 2023-05-26 | 南方医科大学南方医院 | 肝细胞癌预测模型构建方法、肝细胞癌预测方法及装置 |
CN116167462B (zh) * | 2023-04-23 | 2023-08-15 | 南方医科大学南方医院 | 肝细胞癌预测模型构建方法、肝细胞癌预测方法及装置 |
CN116386901A (zh) * | 2023-06-05 | 2023-07-04 | 南方医科大学南方医院 | 乙肝临床治愈预测模型构建方法及装置、预测方法及装置 |
CN116386901B (zh) * | 2023-06-05 | 2024-01-30 | 南方医科大学南方医院 | 乙肝临床治愈预测模型构建方法及装置、预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115862850B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115862850B (zh) | 基于纵向多维数据的肝细胞癌监测模型的建模方法及装置 | |
US8793144B2 (en) | Treatment effect prediction system, a treatment effect prediction method, and a computer program product thereof | |
US20160063212A1 (en) | System for Generating and Updating Treatment Guidelines and Estimating Effect Size of Treatment Steps | |
Hsu et al. | Effective multiple cancer disease diagnosis frameworks for improved healthcare using machine learning | |
CN109805898A (zh) | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 | |
CN108231146B (zh) | 一种基于深度学习的医疗记录模型构建方法、***及装置 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及*** | |
CN113160986B (zh) | 用于预测全身炎症反应综合征发展的模型构建方法及*** | |
Inácio et al. | Nonparametric Bayesian estimation of the three‐way receiver operating characteristic surface | |
Nanayakkara et al. | Unifying cardiovascular modelling with deep reinforcement learning for uncertainty aware control of sepsis treatment | |
WO2024131026A1 (zh) | 模型构建方法、装置、设备和介质 | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
CN112071431B (zh) | 基于深度学习和知识图谱的临床路径自动生成方法及*** | |
Derevitskii et al. | Analysis course of the disease of type 2 diabetes patients using Markov chains and clustering methods. | |
Evirgen et al. | Prediction and diagnosis of diabetic retinopathy using data mining technique | |
Kumarage et al. | Efficient feature selection for prediction of diabetic using LASSO | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及*** | |
Gholami et al. | Self-supervised learning for improved optical coherence tomography detection of macular telangiectasia type 2 | |
Nagin et al. | Recent Advances in Group-Based Trajectory Modeling for Clinical Research | |
Arya et al. | Explainable AI for enhanced interpretation of liver cirrhosis biomarkers | |
CN113990502A (zh) | 一种基于异构图神经网络的icu心衰预测*** | |
Zhu et al. | Design and development of a readmission risk assessment system for patients with cardiovascular disease | |
Momo et al. | Length of stay prediction for hospital management using domain adaptation | |
Kumar et al. | Medical image classification algorithm based on weight initialization-sliding window fusion convolutional neural network |
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 |