抗精神病药物增重风险预测方法、装置、系统和存储介质

本发明涉及人工神经网络预测领域，尤其涉及抗精神病药物增重风险预测方法、装置、系统和存储介质。

背景技术：

1、精神分裂症(schizophrenia,sz)是一组病因未明的重性精神障碍，终生患病率约1％，具有慢性高致残性的特点。抗精神病药物是精神分裂症患者临床治疗的一线选择，可有效改善患者的精神症状，促使其社会功能的恢复，但同时也成为精神分裂症患者易于合并代谢综合征的重要影响因素。肥胖是精神分裂症患者最常罹患的典型代谢综合征特征。研究显示：精神分裂症患者治疗随访6个月后，其肥胖的发生率大约为20％，且随着病程的延长可高达60％以上，显著高于普通健康人群。肥胖不仅进一步损害患者的认知功能、阻碍其临床转归，还与ii型糖尿病、心脑血管代谢疾病乃至早期死亡风险密切相关。然而，目前尚缺乏有效的治疗手段来避免抗精神病药物治疗后出现的体重增长，这也是当前亟待解决的临床问题。

2、现有证据表明，肠道菌群失调与抗精神病药物治疗后的体重增长关系密切。然而，在抗精神病药物治疗的精神分裂症患者群体中，“致肥胖”微生物谱的确切组成尚不明确。同时，针对首发未用药的精神分裂症患者，目前尚无有效手段用于准确预测其启动抗精神病药物治疗后的增重风险。因此，临床迫切地需要开发简易、非侵入性的方法以评估增重风险，这将有助于指导临床抗精神病药物的治疗决策，并促进新的体重管理及治疗策略的形成。

技术实现思路

1、本发明提供了抗精神病药物增重风险预测方法、装置、系统和存储介质，以实现基于肠道菌群数据构建一种预测模型对精神分裂病患者启动精神病药物治疗后的增重风险进行预测的技术效果。

2、为了解决上述技术问题，本发明实施例提供了抗精神病药物增重风险预测方法，包括以下步骤：

3、获取待评估者未启动抗精神病药物治疗时的第一粪便样本数据和第一临床指标数据，并对所述第一粪便样本数据进行基因测序获取相应的第一肠道菌群数据，并将所述第一肠道菌群数据和所述第一临床指标数据作为样本数据；

4、将所述样本数据分为训练样本数据和测试样本数据，并通过所述训练样本数据和随机森林模型输出的关键菌种对人工神经网络预测模型进行训练，并将所述测试样本数据输入训练后模型进行针对所述待评估者启动抗精神病药物治疗后产生增重风险的预测，输出相应预测数据。

5、本发明提供的抗精神病药物增重风险预测方法首先需要获得待评估者在未启动抗精神病药物治疗时的第一粪便样本数据和临床指标数据即第一临床指标数据，所述第一临床指标数据包括待评估者的性别、年龄、病程以及bmi数据等临床数据内容，作为后续构建预测模型的参数基础。在存储完数据后，系统还将对获取的粪便样本数据进行基因测序获取第一肠道菌群数据，为后续进行模型训练提供数据支持。

6、为了提高预测模型的预测准确性，系统在获得了样本数据后，首先将样本数据中不同类别的数据分别均分，获得训练样本数据和测试样本数据，并且使得两份子样本数据中的相对丰度数据和临床指标数据均为平均分配，提高了训练后模型对测试样本数据的敏感性以及由训练后模型根据测试样本数据进行预测后输出的预测数据的准确性。除此之外，系统还将通过随机森林模型输出的关键菌种对神经网络预测模型进行训练，以此进一步提高预测模型的预测准确性和实用性。同时，本发明所采用的预测方法实施简便明确，对于待评估者的安全不存在更多侵入伤害即具有非侵入性，因此进一步提高了预测方法的安全性和实用性。

7、作为优选例子，在所述获取待评估者未启动抗精神病药物治疗时的第一粪便样本数据和临床指标数据之后，还包括：

8、分别获取长期接受抗精神病药物治疗的体重超重/肥胖患者和正常体重患者的第二粪便样本数据和第二临床指标数据，并分别对两类患者的所述第二粪便样本数据进行基因测序，获得并输出相应的第二肠道菌群数据；

9、根据所述第二肠道菌群数据构建并训练所述随机森林模型，并整合所述第二肠道菌群数据作为相应参数输入训练后模型中进行关键菌种分析，输出相应所述关键菌种。

10、为了更进一步提高预测模型输出的预测数据的准确性，系统在采集到了待评估者即未接受抗精神病药物治疗者的样本数据后，还将采集长期接受抗精神病药物治疗者的样本数据，并按照体重区别将采集的样本数据分为体重超重/肥胖患者的数据以及体重正常患者的数据，并分别对上述两种患者的粪便样本数据进行基因测序，获得对应的相对丰度数据，并整合两类患者的相对丰度数据输出第二肠道菌群数据。

11、获得了第二肠道菌群数据后，系统即可根据第二肠道菌群数据通过随机森林模型算法构建相应的随机森林模型，并整合上述数据作为参数输入至构建的模型中进行关键菌种分析，通过对同样长期接受抗精神病治疗，但一方为正常体重的患者，另一方为超重/肥胖的患者，两类患者体内的肠道菌群数据进行分析进而确定导致接受了抗精神病药物治疗的患者产生增重风险即导致患者启动药物治疗后肥胖或超重的关键菌种，以供后续系统对预测模型进行进一步参数更新，提高预测模型输出预测数据的准确性。

12、作为优选例子，所述通过所述训练样本数据对人工神经网络预测模型进行训练，具体包括：

13、通过格点搜索算法和交叉验证算法对所述人工神经网络验证模型的参数进行训练，并在训练过程中将学习率、激活函数、层数、神经元数和dropout作为优化参数对模型训练进行优化。

14、为了减少人为干预，使得作为测试样本数据的数据更加客观，系统在对预测模型进行训练时将通过格点搜索和交叉验证算法对参数进行训练，并在训练中采用包括学习率、激活函数、层数、神经元数和dropout等参数作为优选参数对模型训练的参数进行优化，提高了预测模型的预测准确性和预测效率。

15、作为优选例子，在所述输出相应关键菌种以及代谢产物之后，还包括：

16、根据所述关键菌种对人工神经网络预测模型的参数进行更新优化，并将样本数据输入至更新后的预测模型进行训练和测试，并输出相应的第二预测数据，将所述第二预测数据和未经参数更新的预测模型输出的第一预测数据分别与实际数据进行差异值计算，输出相应第一差异值和第二差异值，并将所述第一差异值与所述第二差异值进行对比；

17、若对比结果为所述第二差异值小于所述第一差异值，则确定所述关键菌种与增重风险的相关性达到预设标准，将所述关键菌种确定为与增重风险相关的菌种；

18、若所述对比结果为所述第二差异值大于或等于所述第一差异值，则确定所述关键菌种与增重风险的相关性未达到预设标准，则整合所述关键菌种和生成的相应分析报告发送至预设终端。

19、在获得了关键菌种后，系统即可根据获得的关键菌种对预测模型进行进一步的更新优化，进而提高预测模型的预测准确性，并输出更具实用性的预测数据即第二预测数据。并在输出获得更具实用性的预测数据即第二预测数据后，依次分别计算其和未经过参数优化的模型输出的预测数据即第一预测数据与实际数据之间的差异值，并将获得的两个差异值进行对比，根据对比结果确定随机森林模型输出的关键菌种是否为系统需要的、与增重风险预测相关的菌种，进而确定是否要将所述关键菌种确定为预测模型的基本训练数据，进一步提高预测模型的预测准确性。

20、相应的，本发明提供了抗精神病药物增重风险预测装置，所述抗精神病药物增重风险预测装置包括数据获取模块和模型预测模块；

21、其中，所述数据获取模块用于获取待评估者未启动抗精神病药物治疗时的第一粪便样本数据和第一临床指标数据，并对所述第一粪便样本数据进行基因测序获取相应的第一肠道菌群数据，并将所述第一肠道菌群数据和所述第一临床指标数据作为样本数据；

22、所述模型预测模块用于将所述样本数据分为训练样本数据和测试样本数据，并通过所述训练样本数据和随机森林模型输出的关键菌种对人工神经网络预测模型进行训练，并将所述测试样本数据输入训练后模型进行针对所述待评估者启动抗精神病药物治疗后产生增重风险的预测，输出相应预测数据。

23、作为优选例子，所述数据获取模块在所述获取待评估者未启动抗精神病药物治疗时的第一粪便样本数据和临床指标数据之后，还包括：

24、分别获取长期接受抗精神病药物治疗的体重超重/肥胖患者和正常体重患者的第二粪便样本数据和第二临床指标数据，并分别对两类患者的所述第二粪便样本数据进行基因测序，获得并输出相应的第二肠道菌群数据；

25、根据所述第二肠道菌群数据构建并训练所述随机森林模型，并整合所述第二肠道菌群数据作为相应参数输入训练后模型中进行关键菌种分析，输出相应所述关键菌种。

26、作为优选例子，所述模型预测模块通过所述训练样本数据对人工神经网络预测模型进行训练，具体包括：

27、通过格点搜索算法和交叉验证算法对所述人工神经网络验证模型的参数进行训练，并在训练过程中将学习率、激活函数、层数、神经元数和dropout作为优化参数对模型训练进行优化。

28、作为优选例子，所述模型预测模块在输出相应关键菌种以及代谢产物之后，还包括：

29、根据所述关键菌种对人工神经网络预测模型的参数进行更新优化，并将样本数据输入至更新后的预测模型进行训练和测试，并输出相应的第二预测数据，将所述第二预测数据和未经参数更新的预测模型输出的第一预测数据分别与实际数据进行差异值计算，输出相应第一差异值和第二差异值，并将所述第一差异值与所述第二差异值进行对比；

30、若对比结果为所述第二差异值小于所述第一差异值，则确定所述关键菌种与增重风险的相关性达到预设标准，将所述关键菌种确定为与增重风险相关的菌种；

31、若所述对比结果为所述第二差异值大于或等于所述第一差异值，则确定所述关键菌种与增重风险的相关性未达到预设标准，则整合所述关键菌种和生成的相应分析报告发送至预设终端。

32、相应的，本发明还提供了抗精神病药物增重风险预测系统，所述抗精神病药物增重风险预测系统包括存储器、处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器处理所述计算机程序时实现以上任一项所述的抗精神病药物增重风险预测方法。

33、相应的，本发明还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器调用并执行，实现以上任一项所述的抗精神病药物增重风险预测方法。