用于估计中间治疗的有效性的方法与流程

技术特征：
1.一种由一个或多个处理器执行的计算机实现的方法，所述方法包括：从数据库接收数据集，所述数据集包括：一组协变量矢量，每个协变量矢量包括相应患者的临床协变量，以及一组应答指示符，每个应答指示符与相应的协变量矢量相关联，其中所述一组应答指示符中的应答指示符在范围上变化；从所述数据库接收所述应答指示符的所述范围上的多个分割以限定对于所述应答指示符的多个应答类别；基于由所述多个分割指示的应答类别将每个应答指示符转换成相应的独热编码的矢量；基于每个协变量矢量和与所述协变量矢量相关联的相应的独热编码的矢量来训练神经网络模型；以及通过以下方式估计医学治疗的治疗效果：确定接受了所述医学治疗的患者的协变量矢量的第一子集和没有接受所述医学治疗的患者的协变量矢量的第二子集，并且对于一个或多个应答类别，将(i)第一概率与(ii)第二概率进行比较，所述第一概率是所述协变量矢量的第一子集中的协变量矢量与所述一个或多个应答类别相关联的概率，所述第二概率是所述协变量矢量的第二子集中的协变量矢量与所述一个或多个应答类别相关联的概率，其中所述第一概率和所述第二概率是通过使用经训练的神经网络模型来计算的；以及提供所估计的治疗效果以用于在计算装置的图形用户界面上显示。2.根据权利要求1所述的方法，其中所述神经网络模型利用非线性激活函数和损失函数。3.根据权利要求1所述的方法，其中在估计所述治疗效果时，所述一个或多个应答类别包括所述多个应答类别的所有。4.根据权利要求1所述的方法，其中训练所述神经网络模型进一步包括自举所述一组协变量矢量和所述一组应答指示符。5.根据权利要求1所述的方法，其中所述多个应答类别中的至少两个应答类别不相交。6.根据权利要求1所述的方法，其中所述神经网络模型利用softmax激活函数和交叉熵损失函数。7.根据权利要求1所述的方法，其中所述神经网络是前馈神经网络。8.一种由一个或多个处理器执行的计算机实现的方法，所述方法包括：从数据库接收第一数据集，所述第一数据集包括：一组协变量矢量，每个协变量矢量包括相应患者的临床协变量，以及一组应答指示符，每个应答指示符与相应的协变量矢量相关联，其中所述一组应答指示符中的应答指示符在范围上变化；从所述数据库接收所述应答指示符的所述范围上的多个分割以限定对于所述应答指示符的多个应答类别；用所述第一数据集训练神经网络模型(nnm)以获得第一nnm；自举所述第一数据集n次以获得n个第二数据集；
用所述n个第二数据集中的每个第二数据集训练所述nnm，以获得n组第二nnm；对于每个协变量矢量：从所述第一nnm和所述n个第二nnm获得对于所述协变量矢量的n 1个预测应答，每个预测应答是通过将所述第一nnm和所述n个第二nnm中的相应一个应用于所述协变量矢量来获得的，并且对于每个应答类别：通过以下方式来估计指示所述协变量矢量与所述应答类别相关联的关联概率：对于所述应答类别，将指示函数应用于所述n 1个预测应答中的每个预测应答，以获得对于所述应答类别的n 1个输出，并且通过归一化所述应答类别的所获得的n 1个输出的聚合来计算所述关联概率；通过以下方式估计医学治疗的治疗效果：确定接受了所述医学治疗的患者的协变量矢量的第一子集和没有接受所述医学治疗的患者的协变量矢量的第二子集，并且对于一个或多个应答类别，将(i)所述第一子集的关联概率的第一归一化聚合与(ii)所述第二子集的关联概率的第二归一化聚合进行比较；以及提供所估计的治疗效果以用于在计算装置的图形用户界面上显示。9.根据权利要求8所述的方法，其中所述一个或多个应答类别包括所述多个应答类别的所有。10.根据权利要求8所述的方法，其进一步包括通过以下方式估计所述治疗效果的不确定性：自举所述第一数据集m次以获得m个第三数据集；对于所述m个第三数据集中的每个第三数据集计算治疗效果以获得m个治疗效果；基于所述m个治疗效果的分布来计算所述不确定性。11.根据权利要求10所述的方法，其中所述治疗效果的不确定性包括所述m个治疗效果的置信区间和标准偏差中的至少一个。12.根据权利要求8所述的方法，其中所述nnm利用非线性激活函数和最小方差损失函数。13.根据权利要求12所述的方法，其中所述非线性激活函数是修正线性单元(relu)函数。14.根据权利要求8所述的方法，其中所述用所述第一数据集训练所述nnm以获得所述第一nnm包括：使用多个超参数来训练所述nnm；以及对于所述第一nnm选择具有最低验证误差的超参数集，所述超参数集选自所述多个超参数。15.一种非暂时性计算机可读介质，其存储由计算机系统可执行以执行操作的一个或多个指令，所述操作包括：接收数据集，所述数据集包括：一组协变量矢量，每个协变量矢量包括相应患者的临床协变量，以及一组应答指示符，每个应答指示符与相应的协变量矢量相关联，其中所述一组应答指
示符中的应答指示符在范围上变化；接收所述应答指示符的所述范围上的多个分割以限定对于所述应答指示符的多个应答类别；基于由所述多个分割指示的应答类别将每个应答指示符转换成相应的独热编码的矢量；基于每个协变量矢量和与所述协变量矢量相关联的相应的独热编码的矢量来训练神经网络模型，所述神经网络模型利用非线性激活函数和损失函数；以及通过以下方式估计医学治疗的治疗效果：确定接受了所述医学治疗的患者的协变量矢量的第一子集和没有接受所述医学治疗的患者的协变量矢量的第二子集，并且对于一个或多个应答类别，将(i)第一概率与(ii)第二概率进行比较，所述第一概率是所述协变量矢量的第一子集中的协变量矢量与所述一个或多个应答类别相关联的概率，所述第二概率是所述协变量矢量的第二子集中的协变量矢量与所述一个或多个应答类别相关联的概率，其中所述第一概率和所述第二概率是通过使用经训练的神经网络模型来计算的；以及提供所估计的治疗效果以用于在计算装置的图形用户界面上显示。16.根据权利要求15所述的非暂时性计算机可读介质，其中在估计所述治疗效果时，所述一个或多个应答类别包括所述多个应答类别的所有。17.根据权利要求15所述的非暂时性计算机可读介质，其中训练所述神经网络模型进一步包括自举所述一组协变量矢量和所述一组应答指示符。18.根据权利要求15所述的非暂时性计算机可读介质，其中所述多个应答类别中的至少两个应答类别不相交。19.根据权利要求15所述的非暂时性计算机可读介质，其中所述神经网络模型利用softmax激活函数和交叉熵损失函数。20.根据权利要求15所述的非暂时性计算机可读介质，其中所述神经网络是前馈神经网络。

技术总结
一种用于估计医学治疗的治疗效果的计算机实现的方法，所述方法包括：从数据库接收数据集，所述数据集包括一组协变量矢量和一组应答指示符，每个协变量矢量包括相应患者的临床协变量，每个应答指示符与相应的协变量矢量相关联，其中所述一组应答指示符中的应答指示符在范围上变化；从所述数据库接收所述应答指示符的所述范围上的多个分割以限定对于所述应答指示符的多个应答类别；基于由所述多个分割指示的应答类别将每个应答指示符转换成相应的独热编码的矢量；基于每个协变量矢量和与所述协变量矢量相关联的相应的独热编码的矢量来训练神经网络模型；以及通过确定接受了所述医学治疗的患者的协变量矢量的第一子集和没有接受所述医学治疗的患者的协变量矢量的第二子集、并且对于一个或多个应答类别将(i)第一概率与(ii)第二概率进行比较来估计医学治疗的治疗效果，所述第一概率是所述协变量矢量的第一子集中的协变量矢量与所述一个或多个应答类别相关联的概率，所述第二概率是所述协变量矢量的第二子集中的协变量矢量与所述一个或多个应答类别相关联的概率，其中所述第一概率和所述第二概率是通过使用经训练的神经网络模型来计算的；以及提供所估计的治疗效果以用于在计算装置的图形用户界面上显示。以用于在计算装置的图形用户界面上显示。以用于在计算装置的图形用户界面上显示。


技术研发人员：凌渥丹 祁褎然 汤琦
受保护的技术使用者：赛诺菲
技术研发日：2020.02.13
技术公布日：2022/3/21