一种中医药呼吸道病毒感染后免疫反应预测方法及系统

摘要: 本发明涉及免疫预测,具体而言,涉及一种中医药呼吸道病毒感染后免疫反应预测方法及系统。背景技术:1、呼吸道病毒感染是临床常见的感染性疾病,患者在感染后可出现发热、...
一种中医药呼吸道病毒感染后免疫反应预测方法及系统

本发明涉及免疫预测,具体而言,涉及一种中医药呼吸道病毒感染后免疫反应预测方法及系统。

背景技术:

1、呼吸道病毒感染是临床常见的感染性疾病,患者在感染后可出现发热、咳嗽、咽痛、乏力、胸闷、气短等症状,并伴随白细胞计数、淋巴细胞计数、炎症因子、干扰素、肿瘤坏死因子等免疫相关指标的动态变化。随着人工智能技术的发展,利用机器学习算法构建模型,逐渐成为预测特定疾病反应的重要技术手段。

2、现有专利cn115579144a公开了一种非小细胞肺癌免疫治疗不良反应风险预测方法及系统,从肺癌患者数据信息中筛选出自变量作为输入,从免疫治疗不良反应中选择出预测因变量作为输出,构建风险预测模型。通过机器学习算法对风险预测模型进行训练,但是,预测目标多为不良反应,且具有时间阶段性,以患者基础资料作为模型输入,难以全面表征病毒感染后免疫系统的分子层级变化,导致模型预测免疫反应的准确性不足。

3、因此,有必要设计一种中医药呼吸道病毒感染后免疫反应预测方法及系统用以解决当前技术中存在的问题。

技术实现思路

1、鉴于此,本发明提出了一种中医药呼吸道病毒感染后免疫反应预测方法及系统,旨在解决以患者基础资料作为模型输入,难以全面表征病毒感染后免疫系统的分子层级变化,导致模型预测免疫反应的准确性不足的问题。

2、本发明提出了一种中医药呼吸道病毒感染后免疫反应预测方法,包括:

3、获取感染数据集,所述感染数据集包括临床表型数据、多组学数据、免疫组库数据和中医四诊数据;

4、基于所述感染数据集构建患者标记,基于呼吸道病毒感染的次数构建感染标记,基于病毒感染确诊时间进行差值计算构建病程滑动窗口,并基于所述患者标记、所述感染标记和所述病程滑动窗口确定数据关系,对所述感染数据集中的字段进行字段映射,并对映射后的感染数据集进行数据类型统一和单位统一,确定标准字段数据;

5、基于所述标准字段数据的状态字段、感染字段和免疫字段提取临床表型特征,基于所述标准字段数据对检测项目标识进行匹配,确定多组学特征,基于所述标准字段数据的基因以及基因序列确定免疫组库特征,并确定中医四诊特征;

6、基于所述数据关系、所述临床表型特征、所述多组学特征、所述免疫组库特征和所述中医四诊特征确定模型特征集,基于所述模型特征集确定免疫反应预测智能模型,并基于所述免疫反应预测智能模型确定呼吸道病毒感染后免疫反应预测结果。

7、进一步的,在构建患者标记、感染标记和时间标记,并基于所述患者标记、所述感染标记和所述时间标记确定数据关系时,包括:

8、对各患者身份信息构建所述患者标记;

9、基于各患者呼吸道病毒感染的次数和感染记录构建所述感染标记;

10、将各患者病毒感染确诊时间确定为时间起点,并对所述感染数据集中对应患者的采集时间与所述时间起点进行差值计算,确定病毒相对时间,基于所述病毒相对时间对所述感染数据集划分至对应的病程滑动窗口;

11、将相同患者标识、相同感染事件标识和相同病程时间窗口的临床表型数据、多组学数据、免疫组库数据和中医四诊数据进行关联,确定所述数据关系。

12、进一步的,在对所述感染数据集中的字段进行字段映射时,包括:

13、将所述感染数据集的临床表型数据的字段、多组学数据的字段、免疫组库数据的字段和所述中医四诊数据的字段映射为临床标准字段、组学标准字段、免疫组库标准字段和中医四诊标准字段,若所述字段对应若干个标准字段,则基于字段值、数据来源类型和上下文字段进行拆分映射,若所述字段无法对应标准字段,则将所述字段标记为未映射字段,且不对所述未映射字段进行字段映射。

14、进一步的,在对映射后的感染数据集进行数据类型统一和单位统一时,包括:

15、识别所述映射后的字段值的数据类型,所述数据类型包括数值类型和文本类型,若字段值为所述数值类型,则识别该字段值的单位,并将所述单位转换为医学标准单位,若字段值为所述文本类型,则识别该字段值的症状实体、否定表达和程度表达,并转换为结构化字段值。

16、进一步的,在提取所述临床表型特征时,包括:

17、基于所述标准字段数据的状态字段,提取年龄、性别、基础疾病、呼吸道疾病史、免疫抑制用药史和疫苗接种史,确定状态特征;

18、基于所述标准字段数据的感染字段,提取体温峰值、血氧最低值、呼吸频率峰值和病毒载量峰值,确定感染特征;

19、基于所述标准字段数据的免疫字段,提取白细胞计数、淋巴细胞计数、c反应蛋白、白细胞介素、干扰素以及肿瘤坏死因子的峰值和恢复幅度,确定免疫特征;

20、将所述状态特征、感染特征和免疫特征作为所述临床表型特征。

21、进一步的,在确定多组学特征时,包括:

22、基于所述标准字段数据获取转录组数据、蛋白组数据和代谢组数据,对所述转录组数据、蛋白组数据和代谢组数据的检测项目标识进行匹配,确定与呼吸道病毒感染后免疫反应的目标转录组标志物、目标蛋白组标志物和目标代谢组标志物;

23、将所述目标转录组标志物、目标蛋白组标志物和目标代谢组标志物的检测值分别与对应的参考范围进行比对,确定每个目标标志物的异常状态,将所述异常状态作为所述多组学特征。

24、进一步的,在确定免疫组库特征时,包括:

25、基于所述标准字段数据进行质量判断,剔除无法识别序列和基因无法注释序列,确定免疫组库序列,对所述免疫组库序列进行克隆归并,确定免疫克隆,获取所述免疫克隆的克隆计数和克隆频率,并将所述克隆计数和克隆频率作为所述免疫组库特征。

26、进一步的,在确定中医四诊特征时,包括:

27、基于所述标准字段数据获取望诊数据、闻诊数据、问诊数据和切诊数据;

28、基于所述望诊数据的面部状态和舌头状态确定望诊特征,基于所述闻诊数据的声音状态和口气状态确定闻诊特征,基于所述问诊数据的身体状态和睡眠状态确定问诊特征,基于所述切诊数据的脉象状态和脉律状态确定切诊特征;

29、将所述望诊特征、闻诊特征、问诊特征和切诊特征作为所述中医四诊特征。

30、进一步的,在基于所述模型特征集确定免疫反应预测智能模型时,包括:

31、将所述模型特征集划分为训练集和测试集;

32、基于stacking融合框架整合图神经网络与时间序列模型,并基于所述训练集进行训练,最终确定所述免疫反应预测智能模型。

33、与现有技术相比,本发明的有益效果在于:通过患者标记、感染标记和病程滑动窗口建立同一患者、同一感染事件和同一病程阶段之间的数据关系,能够避免不同患者、不同感染次数和不同病程阶段的数据混合。且通过字段映射、数据类型统一和单位统一,能够将临床表型数据、多组学数据、免疫组库数据和中医四诊数据转化为用于模型训练和预测的标准字段数据。通过临床表型特征、多组学特征、免疫组库特征和中医四诊特征的联合提取,能够从基础状态、感染强度、免疫指标、分子层级变化、免疫克隆变化和中医证候表现等多个角度表征呼吸道病毒感染后的免疫反应,并通过stacking融合框架整合图神经网络与时间序列模型,能够同时利用多源数据之间的结构关系和病程过程中的动态变化,提高免疫反应预测结果的全面性、准确性。

34、另一方面,本技术还提供了一种中医药呼吸道病毒感染后免疫反应预测系统,用于应用上述中医药呼吸道病毒感染后免疫反应预测方法,包括:

35、采集模块,被配置为获取感染数据集,所述感染数据集包括临床表型数据、多组学数据、免疫组库数据和中医四诊数据;

36、整合模块,被配置为基于所述感染数据集构建患者标记,基于呼吸道病毒感染的次数构建感染标记,基于病毒感染确诊时间进行差值计算构建病程滑动窗口,并基于所述患者标记、所述感染标记和所述病程滑动窗口确定数据关系,对所述感染数据集中的字段进行字段映射,并对映射后的感染数据集进行数据类型统一和单位统一,确定标准字段数据;

37、特征模块,被配置为基于所述标准字段数据的状态字段、感染字段和免疫字段提取临床表型特征,基于所述标准字段数据对检测项目标识进行匹配,确定多组学特征,基于所述标准字段数据的基因以及基因序列确定免疫组库特征,并确定中医四诊特征;

38、预测模块,被配置为基于所述数据关系、所述临床表型特征、所述多组学特征、所述免疫组库特征和所述中医四诊特征确定模型特征集,基于所述模型特征集确定免疫反应预测智能模型,并基于所述免疫反应预测智能模型确定呼吸道病毒感染后免疫反应预测结果。

39、可以理解的是,上述一种中医药呼吸道病毒感染后免疫反应预测方法及系统具备相同的有益效果,在此不再赘述。