基于药代学评价胞二磷胆碱的临床数据处理方法及系统与流程

1.本发明涉及医疗数据处理技术领域，具体来说，涉及基于药代学评价胞二磷胆碱的临床数据处理方法及系统。


背景技术：

2.胞二磷胆碱为核苷衍生物，可改善头部外伤后或脑手术后意识障碍的意识状态及脑电图，促进脑卒中偏瘫病人的上肢运动功能的恢复，对促进大脑功能恢复、促进苏醒有一定作用；且促进卵磷脂生物合成和抗磷脂酶a作用，与蛋白分解酶抑制剂合用，可保护及修复胰腺组织。胞二磷胆碱作为主要原料的注射液，通过对患者的注射，能够提高患者对胞二磷胆碱的吸收，从而对脑部进行治疗；但该注射液使用后会产生一系列的不良反应，因此仍需要经过进一步的临床试验来提高对药物特征的理解掌握，从而能够针对不同人群选取最佳剂量进行治疗。
3.在针对药物的研究时，通常会引入药代学来帮助记录药物的各种功效特性，其中药代学全称为药物代谢动力学（pharmacokinetics），主要是定量研究药物在生物体内的过程（吸收、分布、代谢和排泄），并运用数学原理和方法阐述药物在机体内的动态规律的一门学科。确定药物的给药剂量和间隔时间的依据，是该药在它的作用部位能否达到安全有效的浓度。药物在作用部位的浓度受药物体内过程的影响而动态变化。在创新药物研制过程中，药物代谢动力学研究与药效学研究、毒理学研究处于同等重要的地位，已成为药物临床前研究和临床研究的重要组成部分。
4.在临床试验过程中，会产生大量的临床试验数据，而临床数据除具有“大数据”的特征外，还具有不完整性、冗余性、非标准化、隐私性、价值高的特点。数据采集方式往往使用病例报告表，包括纸质病例报告表和电子病例报告表，前者包含了大量的非结构化数据和半结构化数据，非结构化数据是数据结构或记录格式未经标准化的一种数据形式，通常采用了自然语言录入的方式；半结构化数据是部分结构化了的数据形式，相对于结构化数据，其构成更为复杂和不确定。
5.为了使这两类数据更规范明了且有利于分析统计，需要通过语义分析以及数据提取将非结构化数据或半结构化数据转化成结构化数据。20世纪80年代开始临床数据的采集开始逐步使用电子数采集系统，方便研究者创建结构化的电子病历系统，通过该系统，患者个体的医疗信息更加一目了然，有利于临床医生对病史进行追根溯源，并能够在此基础上建立临床数据库。
6.现有的医院临床数据处理过程较为繁琐，从临床数据记录到统计分析等流程均需要付出大量精力，同时药代学需要记录的数据参数较多，而人工的记录、计算统计及分析，会严重影响药物的研究进度；而目前医院内针对临床数据处理采用计算机系统运行，但仍需要提升处理的效率，同时需要对提高对药物的疗效与活性的检测精度。此外，现有的临床数据处理完毕后，不能够快速的进行同步共享，影响不同实验室或医院对药物研究的进度。


技术实现要素：

7.针对相关技术中的问题，本发明提出基于药代学评价胞二磷胆碱的临床数据处理方法及系统，以克服现有相关技术所存在的上述技术问题。
8.为此，本发明采用的具体技术方案如下：根据本发明的一个方面，提供了基于药代学评价胞二磷胆碱的临床数据处理方法，该方法包括以下步骤：s1、实时采集多组注射胞二磷胆碱试剂患者的临床试验数据；s2、对所述临床试验数据进行标识与整合，生成临床试验数据库；s3、对所述临床实验数据库进行预处理，生成临床试验数据集；s4、将所述临床试验数据集分为训练集、测试集及验证集，并利用深度学习的方法构建药代学模型；s5、对所述药代学模型进行求解得到预测模型；s6、根据所述验证集对所述预测模型进行预测，并结合测试集对预测结果进行评估；s7、将预测结果与评估结果生成反馈信息数据，并由子服务器上传至主服务器。
9.进一步的，所述临床试验数据包括患者注射胞二磷胆碱注射液后体内的生物利用度、吸收速率、表观分布容积及药物消除速率。
10.进一步的，所述对所述临床试验数据进行标识与整合，生成临床试验数据库包括以下步骤：s21、设置每个患者在医疗信息系统中的身份标识信息；s22、记录患者在临床试验中每次采集临床试验数据的时间节点，形成时间标识信息；s23、建立所述身份标识信息及时间标识信息与患者对应的临床试验数据之间的关联关系；s24、将所述临床试验数据进行整合，形成临床试验数据库。
11.进一步的，所述对所述临床实验数据库进行预处理，生成临床试验数据集包括以下步骤：s31、对所述临床试验数据集进行清洗，消除冗余数据；s32、对所述临床试验数据集内数据利用熵进行离散化处理；s33、对所述临床试验数据集内数据进行归一化处理。
12.进一步的，所述利用深度学习的方法建立药代学模型公式如下：；其中，m、n表示所述训练集中m个样本构建的mxn矩阵，n表示训练样本的n个指标，x=[x0，x1，
…
x
m
]为矩阵中的n维向量，表示n种事件，y表示药代学模型值，θ
t
=[θ1,θ2,θ3,
…
θ
n
]表示n维向量的特证权重量。
[0013]
进一步的，所述根据所述验证集对所述预测模型进行预测采用以下公式：
；其中，，表示x条件下事件y发生的条件概率，表示条件概率的参数，t表示基于期望分类结果所确定的阈值，y*表示预测值，表示特证权重量。
[0014]
进一步的，所述将预测结果与评估结果生成反馈信息数据，并再经区块化处理后由前置服务器上传至主服务器包括以下步骤：s71、将所述反馈信息数据进行区块化处理，生成信息区块；s72、将所述信息区块由子服务器上传至主服务器；s73、通过主服务器建立所述信息区块与区块链数据的连接关系。
[0015]
进一步的，所述将所述反馈信息数据进行区块化处理，生成信息区块包括用于存储信息区块摘要信息的头部、用于存储反馈信息数据的主体及同于表明当前反馈信息数据在区块链数据中位置的块高度。
[0016]
根据本发明的另一个方面，还提供了基于药代学评价胞二磷胆碱的临床数据处理系统，该系统包括：临床试验数据采集模块，用于实时采集多组注射胞二磷胆碱试剂患者的临床试验数据；数据整合模块，用于对所述临床试验数据进行标识与整合，生成临床试验数据库数据预处理模块，用于对所述临床实验数据库进行预处理，生成临床试验数据集；药代学模型构建模块，用于利用深度学习的方法构建药代学模型；模型求解模块，用于对所述药代学模型进行求解得到预测模型；模型预测评估模块，用于根据所述验证集对所述预测模型进行预测，并结合测试集对预测结果进行评估；结果上传模块，用于将预测结果与评估结果生成反馈信息数据，并由子服务器上传至主服务器。
[0017]
进一步的，所述子服务器设置在各医院与试验点，若干子服务器均通过局域网连接同一主服务器。
[0018]
本发明的有益效果为：通过对临床试验数据进行记录，且与患者身份标识信息及记录时间节点间形成的密切关联，保证了数据采集的准确性，确保各个药代学参数数据与患者保持对应，减少数据错误带来的影响；同时通过对临床数据库进行清洗，减少了数据中的冗余数据，降低数据库的体量，进一步提高后续数据的精确度。通过构建深度学习的药代学模型，配合采集到的数据进行深层次的学习，能够不断提高模型的学习与处理能力，提高模型的计算识别精度，配合求解得到预测模型，能够对提供的数据进行精确的预测，保证药物活性研究过程中的精确度，从而大大提高模型的识别效率。此外，通过引入区块链技术，将预测结果与评估结果进行快速的同步，能够使得各服务器第一时间得到药物的实验数据，从而进一步提高研究的效率。
附图说明
[0019]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]
图1是根据本发明实施例的基于药代学评价胞二磷胆碱的临床数据处理方法的流程图；图2是根据本发明实施例的基于药代学评价胞二磷胆碱的临床数据处理系统的系统框图。
[0021]
图中：1、临床试验数据采集模块；2、数据整合模；3、数据预处理模块；4、药代学模型构建模块；5、模型求解模块；6、模型预测评估模块；7、结果上传模块。
具体实施方式
[0022]
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0023]
根据本发明的实施例，提供了基于药代学评价胞二磷胆碱的临床数据处理方法及系统。
[0024]
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于药代学评价胞二磷胆碱的临床数据处理方法，该方法包括以下步骤：s1、实时采集多组注射胞二磷胆碱试剂患者的临床试验数据；其中，所述临床试验数据包括患者注射胞二磷胆碱注射液后体内的生物利用度、吸收速率、表观分布容积及药物消除速率等，对多名患者注射一定剂量胞二磷胆碱试剂，并从注射时间开始定时进行数据检测，通过医院信息系统(his)进行记录与收集，his具体为利用电子计算机和通讯设备，为医院所属各部门提供病人诊疗信息和行政管理信息的收集、存储、处理、提取和数据交换的能力，并满足所有授权用户的功能需求。
[0025]
此外，生物利用度指药物从某制剂吸收进入全身血循环的速度和程度，是生物药剂学(biopharmaceutics)的一项重要参数，是评价药物制剂质量的重要指标，也是选择给药途径的依据之一。可分为绝对生物利用度与相对生物利用度：血管外给药后，可用绝对生物利用度与相对生物利用度反映药物从某制剂吸收进入全身血循环的程度。绝对生物利用度指血管外给药后，吸收进入血循环的药物量占所给予的药物总量的比例。相对生物利用度指血管外途径给予的两种制剂型等剂量使用后，二者吸收进入血循环的药物量之比。
[0026]
吸收速率指表示药物在使用部位吸收入大循环的速度。
[0027]
表观分布容积指药物进入机体后，实际上各组织中的药物浓度是不同的。在进行药代动力学计算时，可设想药物是均匀地分布于各种组织与体液，且其浓度与血液中相同，在这种假设条件下药物分布所需的容积称为表观分布容积。因此表观分布容积是一个数学概念，并不代表具体的生理空间，用来估算在给一定的剂量的药物后，人体接触药物的程度
与强度。
[0028]
清除速率是指单位时间内机体清除药物的速率，其单位有:l/h，m/min等。总清除率是指单位时间内从机体清除的药物表观分布容积数，它包含肾外清除率和肾清除率。总清除率等于个别清除率的总和。
[0029]
s2、对所述临床试验数据进行标识与整合，生成临床试验数据库；其中，所述对临床试验数据进行标识与整合，生成临床试验数据库包括以下步骤：s21、设置每个患者在医疗信息系统中的身份标识信息；s22、记录患者在临床试验中每次采集临床试验数据的时间节点，形成时间标识信息；s23、建立所述身份标识信息及时间标识信息与患者对应的临床试验数据之间的关联关系；s24、将所述临床试验数据进行整合，形成临床试验数据库。
[0030]
由于患者的医疗信息是涉及个人的隐私数据，对与医疗信息的安全性要求较高，所以需要建立病患与医疗系统之间的专用通道，用来收集病患的基本信息（包括患者的身高、年龄与体重等）及病历等医疗信息。从而有效地降低了医疗信息在传输过程中发生泄漏的概率，大大提高了医疗信息的安全性，对于反馈患者的医疗信息时，可以只上传患者的一些基本病历，而对患者的一些敏感信息(比如，姓名、社保账号等信息)则不进行上传，从而也能进一步地保证患者的隐私安全，并且可通过使用代号对病患及其医疗信息进行匹配及记录，用于之后的数据收集与身份标识。将患者的身份标识与其对应的临床数据相互匹配，形成医疗临床试验数据库，供后续进行的数据处理。
[0031]
s3、对所述临床实验数据库进行预处理，生成临床试验数据集；其中，对所述临床实验数据库进行预处理，生成临床试验数据集包括以下步骤：s31、对所述临床试验数据集进行清洗，消除冗余数据；s32、对所述临床试验数据集内数据利用熵进行离散化处理；s33、对所述临床试验数据集内数据进行归一化处理。
[0032]
此外，由于对患者进行多次检测，在数据记录过程中会存在某次数据异常的情况，或者存在数据相似，导致整体数据及数据数据处理效率受到影响，因此需要进行数据清洗，消除异常与冗余数据；同时由于数据量太大，在离散化时将该指标的百分位数作为候选的分割节点，即每次寻找熵最大的分割节点时只需最多循环99次，从1％分位数至99％分位数，从中选取最大的节点即可。
[0033]
s4、将所述临床试验数据集分为训练集、测试集及验证集，并利用深度学习的方法构建药代学模型；其中，所述利用深度学习的方法建立药代学模型公式如下：；其中，m、n表示所述训练集中m个样本构建的mxn矩阵，n表示训练样本的n个指标，x=[x0，x1，
…
x
m
]为矩阵中的n维向量，表示n种事件，y表示药代学模型值，θ
t
=[θ1,θ2,θ3,
…
θ
n
]表示n维向量的特证权重量。
[0034]
s5、对所述药代学模型进行求解得到预测模型；
s6、根据所述验证集对所述预测模型进行预测，并结合测试集对预测结果进行评估；其中，所述根据所述验证集对所述预测模型进行预测采用以下公式：；其中，，表示x条件下事件y发生的条件概率，表示条件概率的参数，t表示基于期望分类结果所确定的阈值，y*表示预测值，表示特证权重量。
[0035]
其中，对药代学模型求解方式为利用极大似然函数进行参数的求解得到预测模型，之后采用梯度下降算法对似然函数求解进行预测。当预测结果为1时，表示胞二磷胆碱试剂吸收量高活性强，当预测结果为0时，表示该胞二磷胆碱试剂吸收量低活性差。即通过模型预测及其结果，结合药代学参数，来判断胞二磷胆碱试剂在不同患者体内的吸收量、活性等效果，观察胞二磷胆碱试剂的药效，从而能够通过将数据代入模型计算不同患者所需要注射的用量。
[0036]
s7、将预测结果与评估结果生成反馈信息数据，并由子服务器上传至主服务器。
[0037]
其中，所述将预测结果与评估结果生成反馈信息数据，并再经区块化处理后由前置服务器上传至主服务器包括以下步骤：s71、将所述反馈信息数据进行区块化处理，生成信息区块；s72、将所述信息区块由子服务器上传至主服务器；s73、通过主服务器建立所述信息区块与区块链数据的连接关系。
[0038]
其中，本步骤通过采用子服务器将每个病人的病历数据进行区块化处理，再通过主服务器将病历区块串连起来，形成区块链数据。即在医院中的子服务器是医院授权批准，通过特定的接口连接院内信息系统，通过获取特定患者的电子病历数据，进行数据区块化。接着，在通过主服务器将区块化的数据组合为区块链，通过局域网可以将数据共享到所有连接主服务器的节点上，从而实现各种远程医疗服务。
[0039]
此外，将所述反馈信息数据进行区块化处理，生成信息区块包括用于存储信息区块摘要信息的头部、用于存储反馈信息数据的主体及同于表明当前反馈信息数据在区块链数据中位置的块高度。
[0040]
并且，在各医院的联合授权同意下，局域网内特定患者的某个或整条区块链数据暂时解密，得到一段有效访问时间，外部机构或个人可通过指定路径，在有效访问时间内对该区块链数据进行访问。
[0041]
根据本发明的另一个实施例，如图2所示，还提供了基于药代学评价胞二磷胆碱的临床数据处理系统，该系统包括：临床试验数据采集模块1，用于实时采集多组注射胞二磷胆碱试剂患者的临床试验数据；数据整合模块2，用于对所述临床试验数据进行标识与整合，生成临床试验数据库
数据预处理模块3，用于对所述临床实验数据库进行预处理，生成临床试验数据集；药代学模型构建模块4，用于利用深度学习的方法构建药代学模型；模型求解模块5，用于对所述药代学模型进行求解得到预测模型；模型预测评估模块6，用于根据所述验证集对所述预测模型进行预测，并结合测试集对预测结果进行评估；结果上传模块7，用于将预测结果与评估结果生成反馈信息数据，并由子服务器上传至主服务器。
[0042]
在一个实施例中，所述子服务器设置在各医院与试验点，若干子服务器均通过局域网连接同一主服务器。
[0043]
实施例预测模型所使用的原始数据为从多家医院获取5000名“颅脑外伤”病人在定量定时注射胞二磷胆碱试剂后检测指标数据，原始临床数据是包含患者的多种药代学参数指标的各项量化的数值，模型使用的训练样本的类标号为(药效强、药效差：本次实验仅采用药物浓度作为检测指标，检测浓度大于20%为药效强，低于或等于20%时为药效低)。
[0044]
利用检测结果字段的平均值来对缺失的指标数据进行填补和采用“1
‑
99”分位法来对指标数据中的离群点进行处理，以对这些数据进行清洗和整合。在训练模型时从原始数据中5000病人的检测指标数据，对作为实验数据的病人的药代学参数检测指标的数据利用进行一系列处理，并进行模型的训练与构建。
[0045]
结合混淆矩阵(如下表1所示)对这些评估度量进行介绍：表1：混淆矩阵其中，tp(true positive)为真阳性，表示被分类器(逻辑回归模型)正确分类的正元组，即真正例的个数；tn(true negative)为真阴性，表示被分类器正确分类的负元组，即真负例的个数；fp(false positive)为假阳性，表示被分类器错误分类的正元组，即假正例的个数；fn(false negative)为假阴性，表示被分类器错误分类的负元组，即假负例的个数。
[0046]
用于进行模型检测的数据集包含5000病人，将这些数据集代入建立的最终的预测模型中，得到的模型预测具体结果如表2所示。
[0047]
表2：结果混淆矩阵
根据上述结果可得到如表3所示的度量结果：表3：度量结果度量公式结果准确度tp tn/p n82.5%精度tp/tp fp90.7%召回率tp/p91.7%从上述结果中可以看出，针对“颅脑外伤”疾病的预测结果是可以接受的，从结果中也看出，对于偏斜数据，一般不仅需要求得模型的准确率，更要结合模型的精度与召回率以对模型得到更加准确的判断，从而确保了模型的准确性。
[0048]
综上所述，借助于本发明的上述技术方案，通过对临床试验数据进行记录，且与患者身份标识信息及记录时间节点间形成的密切关联，保证了数据采集的准确性，确保各个药代学参数数据与患者保持对应，减少数据错误带来的影响；同时通过对临床数据库进行清洗，减少了数据中的冗余数据，降低数据库的体量，进一步提高后续数据的精确度。通过构建深度学习的药代学模型，配合采集到的数据进行深层次的学习，能够不断提高模型的学习与处理能力，提高模型的计算识别精度，配合求解得到预测模型，能够对提供的数据进行精确的预测，保证药物活性研究过程中的精确度，从而大大提高模型的识别效率。此外，通过引入区块链技术，将预测结果与评估结果进行快速的同步，能够使得各服务器第一时间得到药物的实验数据，从而进一步提高研究的效率。
[0049]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。