一种基于模拟退火算法的患者样本实时质控方法与流程

1.本发明涉及检验医学领域，具体涉及一种基于模拟退火算法与患者样本的实时质控方法。


背景技术：

2.在检验中，临床检验的结果与患者真实情况经常会存在误差，导致患者疾病诊断和治疗的延误，甚至对患者造成严重伤害。室内质量控制（iqc）已被确立为实验室中大多数测试分析的质量控制的主要手段。然而，许多临床研究指出，当前的传统iqc程序在检测分析仪器检测误差方面存在缺陷，比如不连续的质量控制计划、无法监测检验前误差、iqc材料缺乏互换性且价格昂贵等。采用患者结果的对检验结果进行实时质量控制（pbrtqc）的方法被认为是对传统iqc程序的有效补充。hoffman和waid提出了“平均值”（averageofnormal，aon）质量控制方法。aon质控法，即选定连续的患者数据的平均值作为控制限值，通常使用95％置信区间来确定稳定的患者平均值，若超出控制限值，系统就会发出错误信号。该方法也被国际上学者们不断研究和改进，力求更好应用于临床实验室。但是，pbrtqc需要针对人群中的每个项目对象进行量身定制，前期设置时需要了解实验室患者群体的特征和检测项目所用的分析方法。
3.pbrtqc的目的是通过统计正常样本的分布得出合适的控制限，而控制限大小与前期设置的滑动窗口、数据过滤比例有直接关系。传统方法是根据一定范围网格化搜索，不仅操作不便，而且容易漏掉中间数值。因此有必要选择合适的优化算法代替传统的遍历手段，提升浮动均值在质控上的应用效果。


技术实现要素：

4.有鉴于此，本发明意在将pbrtqc技术引入检验医学领域，建立一种能够一次性将拦截限、控制限等步骤寻优，能够大幅度简化pbrtqc的使用步骤，进一步节省医疗资源，降低医疗成本，保障医疗安全，惠及医患。
5.本发明提供的一种基于模拟退火算法的患者样本实时质控方法，整体框架分为以下四层。
6.第一层：数据获取层，负责采集患者常规检验项目的数据标本，并作相应的数据清洗。
7.第二层：数据分析层，根据质控原理定义参数，并得出目标函数。
8.第三层：计算参数层，根据褪火算法，对目标函数寻优，得出最佳的参数组合。
9.第四层：实时检测层，按照寻优得出的最佳参数，对数据进行实时质控。
10.模拟退火算法是一种基于蒙特卡洛思想设计的近似求解最优化问题的方法。它是一种适合解大规模组合优化问题的通用有效近似算法，是局部搜索算法的扩展，从理论上来说它是一个能求得全局最优化结果的算法，它是一种启发式算法，源于对固体退火的研究。它是利用问题的求解过程与融化物体退火过程的相似性，采用随机模拟物体退火过程
来完成问题的求解，也就是在控制温度的作用下对参数的值进行调整，知道所选取的参数值最终使能量函数(目标函数)达到全局最小值。
11.根据pbrtqc质控原理，在浮动均值的统计下，aon的质控目标函数推导为：min（n,thl,tll,cll,clu）= anped β
ꢀ×ꢀ
fpr，具体推导过程详见具体实施步骤；其中nped为检测时从引入误差开始直到检测出误差为止，受影响的患者样本数量（nped）， anped即为nped的平均数，β为常数，fpr为假阳。目标函数的5个参数意义分别为x1=n（步长），x2=tll（拦截限下限），x3=tlu（拦截限上限），x4=cll（控制限下限），x5=clu（控制限上限）。
12.浮动均值定义为一定长度n的浮动窗口下数据x的平均值，。
13.拦截限的作用是对数据进行过滤，控制限的作用是对样本浮动均值的检测范围，如果超出控制限范围，视为失控。
14.最小目标函数可以把这个算法的内部原理转化是对模拟退火算法优化的步骤：假设前一个状态为，系统根据某一指标（梯度下降，上节的能量），状态变为，相应的，系统的能量由变为，定义系统由变为的接受概率为：从上式可以看出，如果能量减小了，那么这种转移就被接受（概率为1），如果能量增大了，就说明系统偏离全局最优值位置更远了，此时算法不会立刻将其抛弃，而是进行概率操作：首先在区间[0,1]产生一个均匀分布的随机数，如果，则此种转移接受，否则拒绝转移，进入下一步，往复循环。其中p以能量的变化量和t进行决定概率p的大小，所以这个值是动态的。
[0015]
经优化后直接得出目标函数的5个参数：步长、拦截限下限、拦截限上限、控制限下限、控制限上限，用于浮动均值质控。
附图说明
[0016]
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。
[0017]
图1为本发明的系统框架图。
[0018]
图2为目标函数制定流程。
[0019]
图3为模拟退火算法优化。
[0020]
图4为质控上线的效果图。
具体实施方式
[0021]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0022]
pbrtqc目的是通过统计正常样本的分布得出合适的控制限，而控制限大小与前期设置的滑动窗口、数据过滤比例有直接关系。传统方法是根据一定范围网格化搜索，不仅操作不便，而且容易漏掉中间数值。本发明选择模拟退火优化算法直接代替传统的遍历手段，提升浮动均值在质控上的应用效果。
[0023]
图1为本发明的一种基于模拟退火算法的患者样本实时质控方法，包括以下步骤：数据获取：患者数据收集和测试选择；数据分析：根据质控原理定义参数，并得出目标函数；计算参数：对目标函数寻优，得出最佳的参数组合。；实时检测：对一定批次下的样本实时监测。
[0024]
结合图2，具体阐述目标函数的定义过程，为了方便描述，定义norm(a,b).pdf(x)为：以a为均值，b为标准差的正态分布下，x点的概率密度；定义norm(a,b).cdf(x)为：以a为均值，b为标准差的正态分布下，x点的累积概率密度。
[0025]
1）定义x1=n（步长），x2=tll（拦截限下限），x3=tlu（拦截限上限），x4=cll（控制限下限），x5=clu（控制限上限），beta=10000等参数，根据拦截限（x2,x3）范围对原数据进行过滤，只保留之内的数据。
[0026]
2）对剩余的数据通过box-cox转化手段进行转态，box-cox变换是在1964年提出的一种广义幂变换方法，是统计建模中常用的一种数据变换，用于连续的响应变量不满足正态分布的情况。box-cox变换可以明显地改善数据的正态性、对称性和方差相等性。转态公式如下所示：。
[0027]
3）计算剩余数据的均值、标准差，分别记作mu1、std1。
[0028]
4）计算错误拒绝率frp。
[0029]
5）原始数据加比例偏差后变为异常数据，比例误差定义为，令n
×
tea=[-50%,-48%,-46%,...,46%,48%,50%]；在这些公式中，x’表示引入模拟误差的患者数据，x是原始患者数据，n是用来控制引入误差大小的因子。
[0030]
6）根据拦截限（x2,x3）范围对异常数据进行过滤，只保留之内的数据。
[0031]
7）计算剩余数据的均值、标准差，分别记作mu2std2。计算t，定义f1函数，计算mu2与std2之间在f1下的定积分，计作ex2。
[0032]
8）定义f2函数，计算ex2与mu2之间在f2下的定积分，计作stdx2。
[0033]
9）计算误差检出率edp，anped。
[0034]
10）规定fminy=anped beta*frpmetropolis算法是模拟退火算法的基础，但是直接使用metropolis算法可能会导致寻优速度太慢，以至于无法实际使用，为了确保在有限的时间收敛，必须设定控制算法收敛的参数，可以调节温度参数t，t如果过大，就会导致退火太快，达到局部最优值就会结束迭代，如果取值较小，则计算时间会增加，实际应用中采用退火温度表，在退火初期采用较大的t值，随着退火的进行，逐步降低，具体如下：1）初始的温度t(0)应选的足够高，使的所有转移状态都被接受，初始温度越高，获
得高质量的解的概率越大，耗费的时间越长。
[0035]
2）定义退火速率，最简单的下降方式是指数式下降：，其中是小于1的正数，一般取值为0.8到0.99之间，使的对每一温度，有足够的转移尝试，指数式下降的收敛速度比较慢，其他下降方式如下：3）终止温度 如果在若干次迭代的情况下每有可以更新的新状态或者达到用户设定的阈值，则退火完成。
[0036]
模拟退火算法求解过程：1）初始化：初始解，每个温度的迭代次数l。
[0037]
2）产生新解。
[0038]
3）计算当前解和新解的目标函数（能量）。
[0039]
4）接受新解的概率函数。
[0040]
5）如果当前温度没有满足迭代次数，转第2步，否则转第7步。
[0041]
6）如果满足终止条件则输出当前解为最优解，结束程序；否则按一定方式退火，降低温度，转第2步。终止条件为连续若干个新解都没有被接受。
[0042]
经优化后直接得出目标函数的5个参数：步长、拦截限下限、拦截限上限、控制限下限、控制限上限，用于浮动均值质控。
[0043]
实时检测过程中，通过拦截限对数据进行过滤，之后根据控制限检测对样本浮动均值的检测范围，如果超出控制限范围，视为失控。