[發明專利]生存分析模型的構建方法、裝置、電子終端及存儲介質

在審

• 申請號: 202011566696.6
• 申請日: 2020-12-25
• 公開（公告）號: CN112614595A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 郎超;高新震;郭俐彤;才紅波;趙冬;王瀧
• 申請（專利權）人: 聯仁健康醫療大數據科技股份有限公司
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H50/30
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種生存分析模型的構建方法，其特征在于，包括：

獲取隨訪數據；其中，所述隨訪數據包括隨訪對象發生感興趣事件的風險變量列的數據，和所述感興趣事件的結局列的數據；

獲取所述風險變量列的數據的先驗概率值；

將所述風險變量列的數據和所述結局列的數據，按預設時段進行劃分；

根據各預設時段的所述風險變量列的數據、所述結局列的數據和所述風險變量列的數據的先驗概率值，確定各預設時段對應的預設危害風險模型中的基線風險參數和自變量系數；

根據確定各預設時段的基線風險參數和自變量系數的預設危害風險模型，確定累積危害風險模型。

2.根據權利要求1所述的方法，其特征在于，所述根據各預設時段的所述風險變量列的數據、所述結局列的數據和所述風險變量列的數據的先驗概率值，確定各預設時段對應的預設危害風險模型中的基線風險參數和自變量系數，包括：

從所述風險變量列中，確定目標變量列；

根據各預設時段的所述目標變量列的數據、所述結局列的數據和所述目標變量列的數據的先驗概率值，確定各預設時段對應的預設危害風險模型中的基線風險參數和自變量系數。

3.根據權利要求2所述的方法，其特征在于，若所述目標變量列的數量為一列，則根據確定各預設時段的基線風險參數和自變量系數的預設危害風險模型，所確定的累積危害風險模型，為所述目標變量列對應的獨立累積危害風險模型；

若所述目標變量列的數量為至少兩列，則根據確定各預設時段的基線風險參數和自變量系數的預設危害風險模型，所確定的累積危害風險模型，為所述目標變量列對應的聯合累積危害風險模型。

4.根據權利要求1所述的方法，其特征在于，所述根據各預設時段的所述風險變量列的數據、所述結局列的數據和所述風險變量列的數據的先驗概率值，確定各預設時段對應的預設危害風險模型中的基線風險參數和自變量系數，包括：

構建各預設時段的COX回歸模型，并獲取各預設時段的COX回歸模型中，基線風險參數的先驗概率值；

基于貝葉斯參數估計方法，根據各預設時段的風險變量列的數據和結局列的數據，各預設時段的COX回歸模型中的基線風險參數的先驗概率值，以及所述風險變量列的數據的先驗概率值，對各預設時段對應的預設危害風險模型中的基線風險和自變量系數進行估計。

5.根據權利要求1所述的方法，其特征在于，所述根據確定各預設時段的基線風險參數和自變量系數的預設危害風險模型，確定累積危害風險模型，包括：

獲取預測樣本集，并將所述預測樣本集輸入確定各預設時段的基線風險參數和自變量系數的預設危害風險模型中；

根據確定各預設時段的基線風險參數和自變量系數的預設危害風險模型的輸出結果，確定累積危害風險模型。

6.根據權利要求1所述的方法，其特征在于，在所述確定累積危害風險模型之后，還包括：

對所述自變量系數進行展示；和/或，對所述累積危害風險模型進行展示。

7.根據權利要求1所述的方法，其特征在于，所述風險變量列包括至少下述一列：性別、年齡和生物標志物；所述結局列包括事件列和時間列。

8.一種生存分析模型的構建裝置，其特征在于，包括：

隨訪數據獲取模塊，用于獲取隨訪數據；其中，所述隨訪數據包括隨訪對象發生感興趣事件的風險變量列的數據，和所述感興趣事件的結局列的數據；

先驗概率獲取模塊，用于獲取所述風險變量列的數據的先驗概率值；

時段劃分模塊，用于將所述風險變量列的數據和所述結局列的數據，按預設時段進行劃分；

參數確定模塊，用于根據各預設時段的所述風險變量列的數據、所述結局列的數據和所述風險變量列的數據的先驗概率值，確定各預設時段對應的預設危害風險模型中的基線風險參數和自變量系數；

模型確定模塊，用于根據確定各預設時段的基線風險參數和自變量系數的預設危害風險模型，確定累積危害風險模型。