一种基于PCSK9干预的HIV合并高脂血患者疗效评估系统的制作方法

本发明属于智慧医疗，具体涉及一种基于pcsk9干预的hiv合并高脂血患者疗效评估系统。

背景技术：

1、hiv感染者较非hiv感染者有更高的动脉粥样硬化心血管疾病（atheroscleroticcardiovascular disease,ascvd）发生率，且发病年龄更为年轻。目前流行病学、遗传学和临床干预研究证据充分证实低密度脂蛋白胆固醇是ascvd的致病性危险因素。最新美国心脏协会／美国心脏病学会血液胆固醇管理指南中将hiv感染确定为血脂异常的一个风险增加因素。因此，加强hiv患者血脂管理、合理选择降脂药物是降低该人群ascvd风险的关键环节。pcsk9是一种主要由肝脏合成分泌的丝氨酸蛋白酶，其主要通过结合低密度脂蛋白受体（ldl-r）的降解，从而降低低密度脂蛋白胆固醇（ldl-c）的清除率。多项研究已经发现血清pcsk9水平与动脉粥样硬化斑块负荷程度密切相关，并且血清pcsk9水平与冠状动脉粥样硬化中坏死核心组织的程度和数量呈线性相关。研究发现pcsk9抑制剂可使心肌梗死风险降低20%，提示pcsk9抑制剂可能是降低ascvd风险和主要不良心血管事件终点事件的新兴疗法。明确pcsk9对hiv患者心血管风险的影响及其安全性、耐受性以及疗效研究是非常必要的。

2、随着人工智能和大数据技术的发展，对于患者疗效评估提出了更加智能化的要求，结合人工智能和大数据的技术优势，对数据的采集、存储、处理和分析等方面实现优化，在智慧医疗的背景下，本技术旨在提供一种基于pcsk9干预的hiv合并高脂血患者疗效评估系统，使得采集的数据更加全面、挖掘出大量数据之间的隐性关联，使得患者疗效评估更加高效、全面和准确。

技术实现思路

1、本发明的目的在于克服现有技术中存在的上述问题，提供了一种基于pcsk9干预的hiv合并高脂血患者疗效评估系统，该系统通过搭建知识库模块、数据采集处理模块、数据分析模块和可视化输出模块，分别建立了纳入标准、排除标准和剔除标准知识图谱，采集患者的多样性医疗数据实现处理和分析，利用人工卷积神经网络模型实现患者疗效综合评估。

2、为了实现上述发明目的，本发明提供了以下技术方案：

3、一种基于pcsk9干预的hiv合并高脂血患者疗效评估系统，包括如下功能模块：

4、知识库模块，包括患者纳入标准知识库单元、患者排除标准知识库单元和剔除标准知识库单元；

5、所述患者纳入标准知识库单元，用于录入患者纳入标准条件文档，对所述纳入标准条件文档进行知识抽取，得到纳入标准条件实体集ei和实体之间的关系属性集ri；所述实体集ei中包括4类一级实体：年龄类实体、hiv感染水平类实体、空腹胆固醇类实体和空腹甘油三脂类实体；所述关系属性集ri包括实体集ei中各实体的属性对应的数值范围；根据所述ei和ri构建患者纳入标准条件知识图谱a；

6、所述患者排除标准知识库单元，用于录入患者排除标准条件文档，对所述排除标准条件文档进行知识抽取，得到排除标准条件实体集eo和实体之间的关系属性集ro；所述实体集eo中包括7类一级实体：使用药物类实体、接受其他临床试验类实体、脏器功能类实体、基础疾病类实体、不良生活习惯类实体、依从性程度类实体和特殊体质类实体；其中基础疾病类实体又包括5类二级实体：糖尿病类实体、高血压类实体、心脏病类实体、脑出血类实体、恶性肿瘤类实体；所述关系属性集ro包括实体集eo中各实体的属性对应的数值范围和程度等级；所述根据所述eo和ro构建患者排除标准条件知识图谱b；

7、所述患者剔除标准知识库单元，用于录入患者剔除标准条件文档和历史患者的剔除事件数据，对所述剔除标准条件文档和历史患者的剔除事件数据进行知识抽取，得到剔除标准条件实体集ea和实体之间的关系属性集ra；所述实体集ea中包括4类一级实体：过敏类实体、患者意愿类实体、研究者意愿类实体和剔除事件类实体；所述关系属性集ra包括实体集ea中各实体的属性对应的等级范围和属性事件；根据所述ea和ra构建患者剔除标准条件知识图谱c；

8、数据采集处理模块：包括患者纳入相关数据采集处理单元、患者用药数据采集处理单元和患者用药前后生理指标数据采集处理单元；

9、所述患者纳入相关数据采集处理单元：采集每名hiv合并高脂血患者的基本信息数据文档和病历数据文档；预先建立医学词典，所述医学词典包括医学指标关键词和对应的属性关键词；利用所述医学词典，对所述基本信息数据文档和病历数据文档进行结构化处理，得到每名hiv合并高脂血患者的结构化文档数据，所述结构化文档数据是key-value形式，key表示识别出的医学指标，value表示医学指标对应的属性值；利用预先建立的知识图谱a，对每份所述结构化文档数据进行匹配和筛选，得到符合纳入标准条件的患者结构化文档数据；利用预先建立的知识图谱b，对符合纳入标准条件的患者结构化文档进行匹配和过滤，过滤掉符合排除标准条件的患者结构化文档，得到最终符合条件的患者结构化文档数据并对其中的患者进行顺序编码；对患者进行均匀分组，编号为单号的患者归为他汀组，编号为双号的患者归为pcsk9抑制剂组，为每名患者制定理论用药方案；

10、所述患者用药数据采集处理单元：采集患者的实际用药数据，包括用药时间、用药剂量、用药次数、用药后是否存在过敏反应、具体症状和过敏时间；每隔时间周期t1，对患者的实际用药数据进行汇总处理，得到患者的实际用药指标数据集和过敏反应数据集；对每名患者的理论用药方案进行解析，得到其在当前时间周期内的理论用药指标数据集；计算所述实际用药指标数据集与理论用药指标数据集之间的差异，得到患者依从性评估等级；利用所述过敏反应数据集，得到患者的过敏评估等级和持续性过敏情况；每隔时间周期t1，利用所述知识图谱c、所述患者依从性评估等级、过敏评估等级和持续性过敏情况对用药后的患者进行匹配筛选，将符合剔除标准条件的患者剔除；

11、所述患者用药前后生理指标数据采集处理单元：采集患者用药前的相关数据，形成患者基本数据集、既往病史数据集和患者用药前生理指标数据集；所述患者基本数据集包括性别、年龄、身高和体重；所述既往病史数据集包括hiv病史、高血压病史、糖尿病史、冠心病、脑梗死、吸烟史、饮酒史；所述患者用药前生理指标数据集包括血脂数据、血糖数据、血压数据、肝功能、肾功能、肌酸激酶、cd4、hiv 病毒载量、血常规数据、心电图、颈部血管超声数据、心脏超声数据、四肢动脉硬化指标数据；

12、对所述患者用药前生理指标数据集进行处理，以每个指标数据对应的最小细分指标为单位，将所涉及的指标分为正常和异常2类，并按照<key,value,p>三元组的格式分别存储至用药前正常指标数据集和用药前异常指标数据集中；其中key表示细分指标，value表示细分指标对应的数值，p为标志位用于指示该指标正常或异常；

13、分别对所述患者基本数据集、既往病史数据集、用药前正常指标数据集和用药前异常指标数据集中的数据进行特征提取，得到患者基本数据特征向量、患者既往病史特征向量和患者用药前生理指标特征向量；

14、患者基本数据特征向量的计算方式如下：预先建立基本数据等级映射表，其中包括年龄范围及对应的等级，分为青年、中年和老年；包括bmi及对应的等级，分为过轻、正常、超重和肥胖；利用所述基本数据等级映射表，对所述患者基本数据集进行处理，得到每个患者的基本画像数据三元组<性别，年龄等级，肥胖等级>，对患者基本画像数据进行赋值映射分别得到所述性别、年龄等级和肥胖等级3个数据的特征值，每个特征值取值范围为[0,1]，将3个特征值拼接起来构成患者基本数据特征向量；

15、既往病史特征向量的计算方式如下：将所述既往病史数据集中的数据分为4类特征，分别为hiv感染情况、高血压病史及糖尿病史情况、心脏病史情况和不良生活习惯情况，计算出4类特征对应的特征值，将4个特征值拼接起来构成患者既往病史特征向量；其中所有患者的hiv感染情况对应的特征值均赋值为1，利用公式计算后三个特征值，其中fa表示特征值，n表示某类特征对应的指标个数，yi表示指标具体取值，当存在某个既往病史时，该指标取值为1，否则为0；

16、用药前生理指标特征向量的计算方式如下：分别统计用药前正常指标数据集和用药前异常指标数据集中分别对应的指标个数，得到正常指标个数p1和异常指标个数p2，计算正常指标个数占总指标个数的百分比p1/(p1+p2)，作为正常指标对应的特征值，计算异常指标个数占总指标个数的百分比p2/(p1+p2)，作为异常指标对应的特征值，将2个特征值拼接起来构成患者用药前生理指标特征向量；

17、每隔时间周期t2，采集患者用药后的相关数据，形成患者用药后生理指标数据集和用药后不良事件数据集；所述用药后生理指标数据集包括血脂数据、血糖数据、血压数据、肝功能、肾功能、肌酸激酶、cd4、hiv 病毒载量、血常规数据、心电图、颈部血管超声数据、心脏超声数据、四肢动脉硬化指标、凝血功能；所述用药后不良事件数据集包括患者用药后出现的不良反应症状、不良反应时间、不良反应次数；

18、分别对所述用药后生理指标数据集和患者不良事件数据集中的数据进行特征提取，得到患者用药后生理指标特征向量和不良事件特征向量；

19、对所述患者用药后生理指标数据集进行处理，以每个指标数据对应的最小细分指标为单位，将所涉及的指标分为正常和异常2类，并按照<key,value,p>三元组的格式分别存储至用药前正常指标数据集和用药前异常指标数据集中；其中key表示细分指标，value表示细分指标对应的数值，p为标志位用于指示该指标正常或异常；

20、患者用药后生理指标特征向量计算方式如下：分别统计用药后正常指标数据集和用药后异常指标数据集中分别对应的指标个数，得到正常指标个数p1和异常指标个数p2，计算正常指标个数占总指标个数的百分比p1/(p1+p2)，作为正常指标对应的特征值，计算异常指标个数占总指标个数的百分比p2/(p1+p2)，作为异常指标对应的特征值，将2个特征值拼接起来构成患者用药后生理指标特征向量；

21、不良事件特征向量计算方式如下：统计患者不良事件数据集中出现的不良反应类型数量k和每种类型不良反应对应出现的次数（n1,n2,...nk），其中，n1~nk分别表示第1到k种不良反应出现的次数；将每种不良反应出现次数占总次数的比例作为该不良反应对应的特征值，将k个特征值拼接起来构成患者不良事件特征向量；

22、所述数据分析模块包括人工疗效评估单元和神经网络疗效评估单元；

23、所述人工疗效评估单元：分别选取他汀组和pcsk9 抑制剂组中占总样本数量80%的患者样本进行人工疗效评估，通过比对分析患者基本数据集、既往病史数据集、患者用药前生理指标数据集和患者用药后生理指标数据集，研究者依据临床经验和医学常识对患者用药前后指标进行分析，得到患者对应的疗效评估等级标签，所述标签包括优、良和差，利用该疗效评估等级标签对所述80%的患者样本进行打标，得到打标后的他汀组训练样本集和pcsk9 抑制剂组训练样本集；

24、所述神经网络疗效评估单元：利用所述打标后的他汀组训练样本集和pcsk9 抑制剂组训练样本集，确定两组训练样本集中每名患者基本数据特征向量、患者既往病史特征向量、患者用药前生理指标特征向量、患者用药后生理指标特征向量和用药后不良事件特征向量，分别拼接成他汀组患者综合特征向量和pcsk9 抑制剂组患者综合特征向量，分别输入事先构建的人工卷积神经网络模型a和b中进行训练迭代，得到收敛的他汀组疗效评估模型和pcsk9 抑制剂组疗效评估模型；选取他汀组和pcsk9 抑制剂组中剩余占总样本数量20%的患者样本数据，分别输入所述他汀组疗效评估模型和pcsk9 抑制剂组疗效评估模型，得到他汀组疗效评估结果和pcsk9 抑制剂组疗效评估结果；

25、可视化输出模块：将评估结果以图表的形式进行输出。

26、通过采用上述技术，与现有技术相比，本发明的有益效果是：

27、本技术利用利用大数据和知识图谱技术对患者数据进行采集和处理分析，提升了患者数据处理分析的全面性和精确性。

28、本技术利用多种方式对采集的患者非结构化数据进行处理，实现了结构化数据特征的提取，为后续成功利用人工智能技术实现数据分析奠定了基础。

29、本技术首先依据人工经验对部分患者样本进行疗效分析，依据分析结果实现了部分患者样本的标注，再利用该标注后的数据训练人工神经网络模型，对剩余的患者数据进行了智能化的疗效评估，提升了疗效评估的数据处理量，为后续的医学研究奠定了理论基础。