[發明專利]一種患者隨訪提醒周期自適應調整方法

有效

• 申請號: 201310251851.9
• 申請日: 2013-06-24
• 公開（公告）號: CN103310109A
• 公開（公告）日: 2013-09-18
• 發明（設計）人: 方麗英;萬敏;李爽;程文帥;李會民;王普
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

1.一種患者隨訪提醒周期自適應調整方法，其特征在于包括以下步驟：

步驟一，采集患者隨訪數據；

患者隨訪數據包括：腫瘤大小的變化情況，腫瘤轉移率，理化檢查指標，患者生存質量評分，即Fact評分；

步驟二，建立患者隨訪系統；

患者隨訪系統包括患者信息模塊，醫生信息模塊，隨訪信息模塊，隨訪周期自適應調整模塊；數據信息儲存于Oracle數據庫中；其中，

患者信息模塊，包括患者的編號、姓名，年齡，性別，家庭住址與聯系電話等患者的基本信息；該模塊具有增加、刪除、修改與查詢功能；

醫生信息模塊，包括醫生的編號、姓名，性別，聯系電話等醫生的基本信息；該模塊具有增加、刪除、修改與查詢功能；

隨訪信息模塊，包括隨訪數據添加模塊和隨訪時間提醒模塊；隨訪數據添加模塊用于將人工采集到的患者的理化檢查指標、患者臨床癥狀體征指標和患者的Fact評分通過該模塊的添加功能存儲至數據庫，并記錄該次隨訪的時間，同時該模塊也具有修改與查詢隨訪數據的功能；隨訪時間提醒模塊主要服務于醫務工作者，該模塊可顯示本次的隨訪時間，下次應到訪時間，當距下次應到訪時間為10天以內時，開始在系統首頁循環提示醫生哪些患者需要近期隨訪并顯示下次隨訪的時間，以及已隨訪的次數等信息；

隨訪周期自適應調整模塊，根據生存質量評分的變化情況自適應地調整隨訪周期，從而得到患者下次應到訪的時間；該模塊的生成方法如下：

（1）定義系數模型

以數據庫中現有隨訪采集的腫瘤大小變化情況、腫瘤轉移率和理化檢查指標為輸入，以Fact評分為輸出，對隨訪縱向數據建立變系數模型：

Y_i(t_ij)=X_i(t_ij)^Tβ(t_ij)+ε_ij???????(1)

式中，Y_i(t_ij)為第i個患者第j次訪問的Fact評分測量值；i=1,2,...,n，j=1,2,...,m_i，n為患者人數，m_i為第i個患者的隨訪次數；ε_ij為模型誤差；X_i(t_ij)為第i個患者第j次觀測的p+1維觀測變量，即采集到的隨訪觀測指標，其表達式為：

Xi(tij)=(Wi0Xi0(tij),...,WipXip(tij))T]]>

式中，X⁰(t_ij)≡1，為指標因素的權重；

模型（1）中的β(t)為p+1維的未知函數系數，可能為隨時間變化的變系數、常系數或零系數，其表達式為：

β(t_ij)={β₀(t_ij),β₁(t_ij),...,β_p(t_ij)}^T

定義B樣條基函數：

B(t)=B01(t)···B0qn(t)0···00···0···························0···00···0Bkl(t)···Bkqn(t)]]>

式中，k=1,2,...,p，q_n=s_n+h+1，s_n為內部結點個數，h為多項式的階數；

對β(t)進行B樣條逼近得到表達式：

βk(t)=B1(t)Tγk=γk,1+B‾(t)Tγk*]]>

式中，為B(t)的共軛矩陣，γk=(γk,1,...,γk,qn)=(γk,1,γk*)]]>為樣條系數向量，γ_k，1對應常系數部分，對應變系數部分；

進行B樣條逼近后，模型變為：

Yi(tij)≈ZiT(tij)γ+eij]]>

Zi(tij)={XiT(tij)B(tij)}T]]>

式中，Z_i(t_ij)為的第j行，為逼近后的樣條系數向量；

（2）求變系數函數β_k(t)

1）定義最小二乘懲罰函數：

l(γ)=Σi=1n(Yi-ZiTγ)2+nλ1,nΣk=1pωk*||γk*||L1+nλ2,nΣk=1pωk,1|γk,1|I(||γk*||L1=0)]]>

式中，λ_1,n與λ_2,n為懲罰參數，引入懲罰參數的主要目的是在進行參數估計的同時，將較小的系數壓縮為0，從而剔除無關變量；與ω_k,1為自適應權重，權重依據系數的絕對值來選擇，這樣就可以對不同的系數進行不同程度的壓縮；為的L₁范數；l(γ)中的第二項用來分離變系數與常系數，第三項用來分離常系數與零系數；I(||γk*||L1=0)]]>表示：當I(||γk*||L1=0)]]>為單位矩陣，階數等于取0的個數；當

2）通過樣條系數確定變系數與常系數

定義變系數子集、常系數子集、零系數子集分別為V、C、Z；假設所有的變量為變系數子集V，通過最小化下式得到的懲罰估計：

l1(γ)=Σi=1n(Yi-ZiTγ)2+nλ1,nΣk=1pωk*||γk*||L1]]>

令λ_1,n=0，最小化l₁(γ)得到γ⁽⁰⁾：

γ(0)=(Σi=1nZiZiT)-1Σi=1nZiYi]]>

經二次方逼近得：

|γk,l|≈|γk,l(0)|+sign|γk,l(0)|(γk,l-γk,l(0))≈|γk,l(0)|+12|γk,l(0)|(γk,l2-γk,l(0)2)]]>

式中，k=1,…,p，l=2,...,q_n，sign(x)為符號函數；

不考慮常數項，l₁(γ)可以近似表示為：

l1(γ)=Σi=1n(Yi-ZiTγ)2+nλ1,nΣk=1pωk*Σl=2qnγk,l22|γk,l(0)|]]>

則：

γ(j)=(Σi=1nZiZiT+nλ1,nΩ(j-1))-1Σi=1nZiYi]]>

式中，Ω(j-1)=diag{0qnT,Ω1,(j-1)T,···,Ωp,(j-1)T},Ωk,(j-1)=ωk*{0,(2/γk,2(j-1))-1,...,(2/γk,qn(j-1))-1}T,]]>為第j-1次的迭代估計，k=1,…,p，j≥1；

對γ進行迭代過程中，如果則設置且該系數為常系數；否則為變系數；在計算中，設置ε=10^-4；

在該部分計算中，將變系數與常系數分離，同時將第k個協變量由V變為C；

3）通過樣條系數確定常系數與零系數

對于每一個k=1,…,p，如果X^(k)∈C，則其中為全為0的方陣；如果X^(k)∈V，則C與V為通過上一步計算得到的協變量子集，為所有變量的樣條系數，通過最小化下式得到

l2(γ1)=Σi=1n(Yi-ZiTγ1)2+nλ2,nΣk=1pω^k,1|γk,11|I(||γ^k*VC||L1=0)]]>

自適應權重可由上一步得到，如果則該系數為零系數，將協變量X^(k)指定為C；不斷迭代下式直到收斂，即可得到

γ(j)=(Σi=1nZiZiT+nλ2,nΩ(j-1))-1Σi=1nZiYi]]>

式中，Ω(j-1)=diag{0qnT,Ω1,(j-1)T,···Ωp,(j-1)T},Ωk,(j-1)=ω^k,1{(2|γk,1(j-1))-1,0qn-1T}T,]]>為第次的迭代估計，j≥1，在迭代過程中，如果設置一般設ε=10^-4；如果則表明該系數為零系數；

4）不斷重復步驟2）與3），直到γ^(j+1)-γ^(j)＜10^-5時，結束運算，得到最終的收斂估計

5）由樣條系數向量γ求變系數函數β_k(t)，方法如下：

如果收縮為0，β_k(t)被選擇為常系數，β_k(t)的估計為：

否則，β_k(t)被選擇為變系數，β_k(t)的估計為：

（3）根據變系數模型求Fact評分，依據隨訪周期調整規則調整隨訪周期，進而得到下次應到訪時間；

隨訪周期調整規則為：正常的隨訪周期為四周一次，當Fact評分下降超過10%，則隨訪周期改為兩周一次；當隨訪周期上升超過10%，則隨訪周期改為六周一次，隨訪周期的調整過程見圖2；

步驟三，更新隨訪管理系統數據；

根據隨訪周期自適應調整模塊的計算結果，將下次應到訪時間保存于數據庫中，醫生打開系統時，隨訪提醒模塊通過訪問數據庫即可顯示下次應到訪時間；當患者按照到訪時間進行診療時，采集患者本次的各項隨訪數據并存于數據庫中，作為下一次建模的訓練集。