面向肥胖2型糖尿病的深度学习脂代谢预测方法

摘要: 本发明涉及糖尿病患者脂代谢预测,具体为面向肥胖2型糖尿病的深度学习脂代谢预测方法。背景技术:1、肥胖2型糖尿病患者的脂代谢异常是一个动态演变过程,现有预测方法多...
面向肥胖2型糖尿病的深度学习脂代谢预测方法

本发明涉及糖尿病患者脂代谢预测,具体为面向肥胖2型糖尿病的深度学习脂代谢预测方法。

背景技术:

1、肥胖2型糖尿病患者的脂代谢异常是一个动态演变过程,现有预测方法多采用深度学习模型进行端到端的回归预测,将所有患者视为同质群体,忽略了个体之间在脂代谢系统固有动力学属性上的根本差异。部分患者的血脂在受到外部扰动后能较快回归基线水平,而另一部分患者的血脂一旦升高便持续处于高位、难以恢复。这种差异本质上是患者脂代谢系统“惯性”和“恢复力”的个体化差异的反映。现有技术未能从动力学角度对脂代谢系统进行建模,导致对“弱恢复”型患者的预测精度严重不足。

2、此外,现有方法多为静态截面预测或简单时序外推,在利用患者历史血脂数据进行预测时,直接将最近一次检测值作为预测起点,未考虑该检测值在血脂波动周期中所处的具体相位,导致预测曲线与实际波动周期错位,进一步影响预测精度。

技术实现思路

1、针对现有技术的不足,本发明提供了面向肥胖2型糖尿病的深度学习脂代谢预测方法,现有技术因忽略个体之间脂代谢系统固有动力学属性差异而导致对弱恢复型患者预测精度严重不足,且预测时未考虑血脂波动周期相位而导致预测曲线与实际波动周期错位的问题。

2、为实现以上目的,本发明通过以下技术方案予以实现:面向肥胖2型糖尿病的深度学习脂代谢预测方法,包括以下步骤:

3、采集患者的历史脂代谢数据及扰动事件记录,构建各扰动事件对应的响应偏离量序列;

4、基于各响应偏离量序列拟合阻尼振荡方程,提取各扰动事件对应的阻尼比和固有角频率,汇总同一患者的多个拟合结果得到个体化动力学参数;

5、对所有患者的个体化动力学参数进行聚类,划分代谢表型;

6、将每一表型中全部患者的历史数据代入不含校正项的阻尼振荡方程进行回代验证,计算各时间点的拟合残差,对残差序列与时间进行线性回归得到残差斜率,根据残差斜率与预设阈值的比较结果标记需校正表型;

7、对需校正表型,基于其残差序列拟合随时间变化的校正因子;

8、对待预测患者,获取其代谢表型及对应的校正因子,获取其最近多次血脂检测值判定当前波动相位并校准预测起点,将校准后的起点作为初始值代入阻尼振荡方程,并在需校正时叠加校正因子,输出预测值。

9、作为本发明进一步的方案:所述扰动事件包括以下类型中的至少一种:降脂药物种类变更或日剂量变化超过50%、30天内体重变化超过3kg、饮食模式切换、运动量显著变化;

10、所述响应偏离量序列的构建方式为:识别各扰动事件的发生时刻,对于第p次扰动事件,提取扰动发生前的最近一次血脂检测值作为基线值,提取扰动发生后的多次血脂检测值作为响应序列,将各响应值相对于基线值的偏离量记为,得到偏离量序列;

11、每位患者至少积累3个有效扰动事件后方可进入后续个体化参数估计。

12、作为本发明进一步的方案:所述阻尼振荡方程为:

13、

14、其中,,ζ为阻尼比,ω为固有角频率,a和b为常数;

15、针对每个扰动事件对应的偏离量序列,通过非线性最小二乘法拟合该方程,提取该事件对应的ζ和ω。

16、作为本发明进一步的方案:通过非线性最小二乘法对每个扰动事件对应的偏离量序列拟合阻尼振荡方程后,计算各事件拟合的决定系数r2,将r2≥0.6的拟合结果标记为合格拟合;

17、同时计算同一患者全部事件拟合的残差平方和中位数,将残差平方和大于该中位数3倍的事件对标记为异常并排除;

18、对同一患者排除异常后剩余的合格拟合结果,将其所有ζ取中位数作为个体化阻尼比ζind,将其所有ω取中位数作为个体化固有角频率ωind。

19、作为本发明进一步的方案:所述对所有患者的个体化动力学参数进行聚类,具体为:

20、获取全部患者的(ζind,ωind)参数对并进行标准化处理后执行k-means聚类,将患者划分为三种脂代谢动力表型:表型a的ζind>0.8且ωind>0.3rad/天,表型b的0.4<ζind≤0.8且0.15<ωind≤0.3rad/天,表型c的ζind≤0.4且ωind≤0.15rad/天。

21、作为本发明进一步的方案:所述回代验证的具体方式为:对每一表型中的每一位患者,计算各历史时间点的残差e(t)=yac(t)-yda(t),其中yac(t)为历史时间点的实际观测偏离量,yda(t)为该时间点纯阻尼振荡方程的理论值;

22、将同一表型内所有残差按时间汇总后对该表型的残差序列进行线性回归e=k·t+b,得到残差斜率k,计算k的95%置信区间下限klower,若klower>0.003mmol/l/天,则标记为需校正表型。

23、作为本发明进一步的方案:所述校正因子的拟合方式为:对需校正表型,将其残差序列中各数据点代入二次多项式模型进行最小二乘拟合,以残差序列中各时间点的理论值与对应实际残差值之间偏差的平方和最小为目标,确定α和β的最优取值,得到该表型的校正因子表达式:

24、

25、其中,表示在距初始时刻t天时应叠加的校正量(mmol/l),其中指从预测时点开始向后推算的时间长度。

26、作为本发明进一步的方案:所述对待预测患者获取其代谢表型及对应的校正因子,具体为:若该患者所属表型被标记为需校正,则调用作为有效校正因子;

27、若被标记为无需校正,则调用为零作为零校正因子。

28、作为本发明进一步的方案:所述判定当前波动相位并校准预测起点,具体为:获取最近三次检测值x0、x1、x2,计算一阶差分δ1、δ2和二阶差分δ20,根据差分符号判定当前相位,当前相位分为上升中段、上升末段、下降中段、下降末段、波峰和波谷六种;

29、若判定为波峰或波谷阶段,则校准后起点x2'=x2×(1±ε),其中若为波峰±取正,波谷取负;

30、若为上升末段或下降末段,则校准后起点x2'=x2×(1±ε/2),其中若为上升末段±取正,下降取负;

31、若为上升中段或下降中段:则校准后起点x2'=x2。

32、作为本发明进一步的方案:所述将校准后的起点作为初始值代入阻尼振荡方程,并在需校正时叠加校正因子,具体为:

33、获取患者个体基线值xbase,计算初始偏离量y(0)和初始变化速度v0,代入阻尼振荡方程计算未来时间点t的理论值,若该患者所属表型需校正则最终预测偏离量,否则,最终血脂预测值;

34、其中个体基线值xbase的获取方式为:从存储的该患者历史数据中,提取所有非扰动状态下的血脂检测值,计算其算术平均值作为xbase。

35、本发明提供了面向肥胖2型糖尿病的深度学习脂代谢预测方法。与现有技术相比具备以下有益效果:

36、(1)本发明通过对肥胖2型糖尿病患者的脂代谢时序数据进行扰动响应事件的提取,并利用二阶线性阻尼振荡方程拟合个体化的阻尼比ζ和固有角频率ω,将脂代谢系统的恢复力和惯性量化为具有明确生理含义的动力学参数,进一步通过聚类将患者客观地划分为三种脂代谢动力表型,相比现有技术对所有患者不加区分地使用统一模型,实现了基于个体动力学属性的差异化预测基础,使预测模型能够反映患者脂代谢系统的固有属性差异,提升了预测的个体化水平;

37、(2)本发明通过回代验证计算各类表型的残差斜率及其置信区间下限,将该下限值与预设阈值比较,客观判定各类表型是否存在正向漂移项,实现了校正需求的客观数据驱动判定,针对需校正的表型拟合二次多项式校正因子并在预测时叠加校正量,无需校正的表型不施加校正,相比现有技术对所有患者采用统一模型,本发明仅对存在系统性偏差的表型进行针对性校正,有效解决了弱恢复型患者预测精度不足的问题;

38、(3)本发明通过获取待预测患者最近三次血脂检测值,计算一阶差分和二阶差分,当前波动相位划分为六种状态,根据相位判定结果对外推起点进行差异化微调,相比现有技术直接将最近一次检测值作为预测起点而不考虑其所处相位,本发明使预测曲线的初始状态与实际波动周期相位匹配,避免因起点相位偏差导致的预测错位,提升了预测准确性。