本發(fā)明涉及腫瘤放療患者管理，具體為一種腫瘤放療患者癥狀管理與預(yù)后評估方法及系統(tǒng)。

背景技術(shù)：

1、隨著腫瘤放射治療技術(shù)的不斷發(fā)展，精準(zhǔn)放療、調(diào)強(qiáng)放療等新型治療手段的廣泛應(yīng)用極大地提高了放療的治療效果。然而，放射治療作為一種局部治療手段，在殺傷腫瘤細(xì)胞的同時(shí)不可避免地會對正常組織造成損傷，引發(fā)多種放療相關(guān)不良反應(yīng)。目前，臨床上對放療患者的癥狀管理主要依賴醫(yī)生的經(jīng)驗(yàn)判斷，通過觀察患者癥狀表現(xiàn)來調(diào)整治療方案。這種傳統(tǒng)的癥狀管理方式存在明顯局限性：首先，癥狀評估缺乏標(biāo)準(zhǔn)化和量化指標(biāo)，難以準(zhǔn)確判斷癥狀的嚴(yán)重程度；其次，單純依靠經(jīng)驗(yàn)難以有效預(yù)測患者的預(yù)后風(fēng)險(xiǎn)，無法實(shí)現(xiàn)及時(shí)、精準(zhǔn)的治療方案調(diào)整；再次，現(xiàn)有的預(yù)后評估模型往往將患者的基礎(chǔ)特征、癥狀表現(xiàn)和治療反應(yīng)等信息割裂處理，未能充分挖掘多維度醫(yī)療數(shù)據(jù)之間的關(guān)聯(lián)性，導(dǎo)致預(yù)測結(jié)果的可靠性和準(zhǔn)確性受限。

2、此外，近年來人工智能技術(shù)在醫(yī)療領(lǐng)域得到深入應(yīng)用，基于機(jī)器學(xué)習(xí)的預(yù)后評估方法逐漸成為研究熱點(diǎn)?，F(xiàn)有技術(shù)通常采用淺層神經(jīng)網(wǎng)絡(luò)或傳統(tǒng)的樹模型進(jìn)行預(yù)后預(yù)測，這些方法在處理異質(zhì)性醫(yī)療數(shù)據(jù)時(shí)存在以下問題：一是特征工程過度依賴人工經(jīng)驗(yàn)，難以自適應(yīng)地發(fā)現(xiàn)和增強(qiáng)對預(yù)后預(yù)測有價(jià)值的特征組合；二是模型結(jié)構(gòu)相對簡單，無法有效捕捉醫(yī)療數(shù)據(jù)中復(fù)雜的時(shí)序依賴關(guān)系和特征交互模式；三是預(yù)測結(jié)果缺乏可解釋性，難以為臨床決策提供可靠的定量化依據(jù)；四是模型更新機(jī)制不夠靈活，無法根據(jù)患者治療過程中的癥狀變化動態(tài)調(diào)整預(yù)測策略。因此，如何設(shè)計(jì)一種能夠綜合利用患者基本特征、癥狀信息和治療反應(yīng)，實(shí)現(xiàn)精準(zhǔn)預(yù)后評估和智能癥狀管理的技術(shù)方案，成為當(dāng)前亟待解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種腫瘤放療患者癥狀管理與預(yù)后評估方法及系統(tǒng)，能夠解決背景技術(shù)中提到的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種腫瘤放療患者癥狀管理與預(yù)后評估方法，包括：獲取腫瘤放療患者的基本信息，根據(jù)所述基本信息進(jìn)行預(yù)后評估，生成第一結(jié)果，根據(jù)所述第一結(jié)果判斷風(fēng)險(xiǎn)類別；獲取腫瘤放療患者的癥狀信息，根據(jù)所述癥狀信息評估癥狀嚴(yán)重程度，生成第二結(jié)果；根據(jù)所述第二結(jié)果和所述風(fēng)險(xiǎn)類別進(jìn)行癥狀管理，同時(shí)生成預(yù)后數(shù)據(jù)，通過所述預(yù)后數(shù)據(jù)更新所述第一結(jié)果。其中，根據(jù)所述基本信息進(jìn)行預(yù)后評估，生成第一結(jié)果。包括如下步驟：構(gòu)建患者特征矩陣，將所述基本信息中的數(shù)值型特征和類別型特征分別進(jìn)行標(biāo)準(zhǔn)化處理和編碼轉(zhuǎn)換，生成標(biāo)準(zhǔn)化特征矩陣；構(gòu)建雙重對比學(xué)習(xí)網(wǎng)絡(luò)對所述標(biāo)準(zhǔn)化特征矩陣進(jìn)行特征增強(qiáng)，生成增強(qiáng)特征矩陣；基于所述增強(qiáng)特征矩陣，通過集成樹模型進(jìn)行預(yù)后評估建模并輸出第一結(jié)果。

4、作為本發(fā)明所述的腫瘤放療患者癥狀管理與預(yù)后評估方法的一種優(yōu)選方案，其中：所述基本信息包括腫瘤放療患者的人口學(xué)特征、疾病相關(guān)信息、治療相關(guān)信息、既往病史，以及實(shí)驗(yàn)室檢查結(jié)果；所述雙重對比學(xué)習(xí)網(wǎng)絡(luò)包括全局對比學(xué)習(xí)模塊和局部對比學(xué)習(xí)模塊。

5、作為本發(fā)明所述的腫瘤放療患者癥狀管理與預(yù)后評估方法的一種優(yōu)選方案，其中：構(gòu)建患者特征矩陣，將所述基本信息中的數(shù)值型特征和類別型特征分別進(jìn)行標(biāo)準(zhǔn)化處理和編碼轉(zhuǎn)換，生成標(biāo)準(zhǔn)化特征矩陣，包括如下步驟：構(gòu)建原始特征矩陣，并將所述原始特征矩陣中的特征分為數(shù)值型特征和類別型特征；對所述數(shù)值型特征采用基于時(shí)間衰減的標(biāo)準(zhǔn)化處理，并對所述類別型特征采用加權(quán)目標(biāo)編碼轉(zhuǎn)換；將標(biāo)準(zhǔn)化處理后的數(shù)值型特征值和編碼轉(zhuǎn)換后的類別型特征值按照原始特征的對應(yīng)位置重新組合，生成標(biāo)準(zhǔn)化特征矩陣。

6、構(gòu)建雙重對比學(xué)習(xí)網(wǎng)絡(luò)對所述標(biāo)準(zhǔn)化特征矩陣進(jìn)行特征增強(qiáng)，生成增強(qiáng)特征矩陣，包括如下步驟：計(jì)算所述標(biāo)準(zhǔn)化特征矩陣中每兩個特征之間的皮爾遜相關(guān)系數(shù)，生成特征相關(guān)系數(shù)矩陣；遍歷所述特征相關(guān)系數(shù)矩陣中的所有相關(guān)系數(shù)，并根據(jù)相關(guān)系數(shù)的絕對值將特征分為第一類特征和第二類特征；其中，滿足所述第一類特征的條件為在所述特征相關(guān)系數(shù)矩陣中，存在至少一個相關(guān)系數(shù)的絕對值大于第一預(yù)設(shè)閾值的特征；滿足所述第二類特征的條件為在所述特征相關(guān)系數(shù)矩陣中，所有相關(guān)系數(shù)的絕對值均小于或等于第一預(yù)設(shè)閾值的特征；將所述第一類特征輸入所述全局對比學(xué)習(xí)模塊，生成全局特征表示矩陣；將所述第二類特征輸入所述局部對比學(xué)習(xí)模塊，生成局部特征表示矩陣；將第一類特征數(shù)量與總特征數(shù)量的比值作為全局特征權(quán)重；將第二類特征數(shù)量與總特征數(shù)量的比值作為局部特征權(quán)重；根據(jù)所述全局特征表示矩陣和局部特征表示矩陣、全局特征權(quán)重、局部特征權(quán)重，通過特征拼接運(yùn)算生成增強(qiáng)特征矩陣。

7、基于所述增強(qiáng)特征矩陣，通過集成樹模型進(jìn)行預(yù)后評估建模并輸出第一結(jié)果，包括如下步驟：針對所述增強(qiáng)特征矩陣中的每個增強(qiáng)特征，根據(jù)每個增強(qiáng)特征在所述全局特征表示矩陣和所述局部特征表示矩陣中對應(yīng)的值，以及所述全局特征權(quán)重和所述局部特征權(quán)重構(gòu)建雙路徑?jīng)Q策樹集成模型：計(jì)算所述全局特征權(quán)重與全局特征表示矩陣中對應(yīng)增強(qiáng)特征值的乘積，以及所述局部特征權(quán)重與局部特征表示矩陣中對應(yīng)增強(qiáng)特征值的乘積；計(jì)算所述增強(qiáng)特征矩陣中每個增強(qiáng)特征的總方差、組內(nèi)方差和組間方差；將所述組內(nèi)方差與所述總方差的比值與第二預(yù)設(shè)閾值進(jìn)行比較，確定所述每個增強(qiáng)特征值是否處于特征穩(wěn)定區(qū)間；對所述增強(qiáng)特征矩陣中的每個增強(qiáng)特征進(jìn)行分類判斷：若所述全局特征權(quán)重與所述全局特征表示矩陣中對應(yīng)增強(qiáng)特征值的乘積大于所述局部特征權(quán)重與所述局部特征表示矩陣中對應(yīng)增強(qiáng)特征值的乘積，且增強(qiáng)特征值處于所述特征穩(wěn)定區(qū)間內(nèi)，則采用深度優(yōu)先決策樹進(jìn)行預(yù)測；若所述局部特征權(quán)重與所述局部特征表示矩陣中對應(yīng)增強(qiáng)特征值的乘積大于所述全局特征權(quán)重與所述全局特征表示矩陣中對應(yīng)增強(qiáng)特征值的乘積，或增強(qiáng)特征值超出所述特征穩(wěn)定區(qū)間，則采用廣度優(yōu)先決策樹進(jìn)行預(yù)測。

8、計(jì)算深度優(yōu)先決策樹權(quán)重系數(shù)和廣度優(yōu)先決策樹權(quán)重系數(shù)，將所述深度優(yōu)先決策樹的預(yù)測結(jié)果與深度優(yōu)先決策樹權(quán)重系數(shù)相乘，加上所述廣度優(yōu)先決策樹的預(yù)測結(jié)果與廣度優(yōu)先決策樹權(quán)重系數(shù)的乘積，分別得到生存概率預(yù)測值、局部復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測值、遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測值，以及并發(fā)癥發(fā)生風(fēng)險(xiǎn)預(yù)測值，組成第一結(jié)果。

9、作為本發(fā)明所述的腫瘤放療患者癥狀管理與預(yù)后評估方法的一種優(yōu)選方案，其中：對于所述第一結(jié)果中的每個預(yù)測值，可信度計(jì)算規(guī)則如下：計(jì)算每個預(yù)測值的置信區(qū)間穩(wěn)定性得分；計(jì)算每個預(yù)測值的預(yù)測分布與真實(shí)分布之間的相似度得分；根據(jù)置信區(qū)間穩(wěn)定性得分與第三預(yù)設(shè)閾值的比較結(jié)果，以及相似度得分與第四預(yù)設(shè)閾值和第五預(yù)設(shè)閾值的比較結(jié)果，將可信度劃分為四個等級：當(dāng)置信區(qū)間穩(wěn)定性得分高于第三預(yù)設(shè)閾值，且相似度得分高于第五預(yù)設(shè)閾值時(shí)，可信度為3級；當(dāng)置信區(qū)間穩(wěn)定性得分高于第三預(yù)設(shè)閾值，且相似度得分高于第四預(yù)設(shè)閾值但不高于第五預(yù)設(shè)閾值時(shí)，可信度為2級；當(dāng)置信區(qū)間穩(wěn)定性得分高于第三預(yù)設(shè)閾值時(shí)，可信度為1級；其他情況下，可信度為0級。

10、作為本發(fā)明所述的腫瘤放療患者癥狀管理與預(yù)后評估方法的一種優(yōu)選方案，其中：根據(jù)所述第一結(jié)果判斷風(fēng)險(xiǎn)類別，包括如下步驟，計(jì)算生存概率預(yù)測值綜合分?jǐn)?shù)；基于局部復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測值、遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測值和并發(fā)癥發(fā)生風(fēng)險(xiǎn)預(yù)測值，計(jì)算風(fēng)險(xiǎn)事件綜合分?jǐn)?shù)；將所述生存概率預(yù)測值綜合分?jǐn)?shù)與風(fēng)險(xiǎn)事件綜合分?jǐn)?shù)進(jìn)行加權(quán)組合，結(jié)合可信度，計(jì)算最終風(fēng)險(xiǎn)分類得分，將腫瘤放療患者分為低風(fēng)險(xiǎn)、中等風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)三類：當(dāng)最終風(fēng)險(xiǎn)分類得分大于等于第六預(yù)設(shè)閾值，且可信度大于等于2級時(shí)，判定為低風(fēng)險(xiǎn)；當(dāng)最終風(fēng)險(xiǎn)分類得分大于等于第七預(yù)設(shè)閾值并小于第六預(yù)設(shè)閾值，或可信度為1級時(shí)，判定為中等風(fēng)險(xiǎn)；當(dāng)最終風(fēng)險(xiǎn)分類得分小于第七預(yù)設(shè)閾值，或可信度為0時(shí)，判定為高風(fēng)險(xiǎn)。

11、作為本發(fā)明所述的腫瘤放療患者癥狀管理與預(yù)后評估方法的一種優(yōu)選方案，其中：所述癥狀信息包括癥狀名稱、癥狀發(fā)生時(shí)間、癥狀持續(xù)時(shí)間、癥狀部位和癥狀表現(xiàn)；根據(jù)所述癥狀信息，對照放射治療急性反應(yīng)分級標(biāo)準(zhǔn)評估癥狀嚴(yán)重度，生成包含癥狀嚴(yán)重度等級的第二結(jié)果。

12、作為本發(fā)明所述的腫瘤放療患者癥狀管理與預(yù)后評估方法的一種優(yōu)選方案，其中：根據(jù)所述第二結(jié)果和所述風(fēng)險(xiǎn)類別進(jìn)行癥狀管理，同時(shí)生成預(yù)后數(shù)據(jù)，通過所述預(yù)后數(shù)據(jù)更新第一結(jié)果，包括如下步驟：根據(jù)所述第二結(jié)果中的癥狀嚴(yán)重度等級和所述風(fēng)險(xiǎn)類別，從配套的癥狀管理數(shù)據(jù)庫中提取對應(yīng)的放療調(diào)整方案和護(hù)理干預(yù)措施；獲取放療治療室采集的每次治療記錄和所述癥狀嚴(yán)重度等級，生成包含癥狀變化趨勢的預(yù)后數(shù)據(jù)；所述治療記錄包括實(shí)際照射劑量、累積照射劑量、癥狀持續(xù)時(shí)間，以及并發(fā)癥記錄；對所述預(yù)后數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，若所述預(yù)后數(shù)據(jù)中存在數(shù)據(jù)缺失，則對缺失值進(jìn)行填充；將標(biāo)準(zhǔn)化后的預(yù)后數(shù)據(jù)輸入所述雙重對比學(xué)習(xí)網(wǎng)絡(luò)，若得到的新全局特征表示矩陣與新局部特征表示矩陣的相似度低于所述增強(qiáng)特征矩陣中對應(yīng)矩陣的相似度，則重新計(jì)算特征權(quán)重并進(jìn)行特征對比學(xué)習(xí)，將優(yōu)化后的增強(qiáng)特征矩陣輸入所述雙路徑?jīng)Q策樹集成模型，更新所述第一結(jié)果中的生存概率預(yù)測值、局部復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測值、遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測值和并發(fā)癥發(fā)生風(fēng)險(xiǎn)預(yù)測值。

13、為進(jìn)一步解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種腫瘤放療患者癥狀管理與預(yù)后評估系統(tǒng)，包括：預(yù)后評估模塊，用于獲取腫瘤放療患者的基本信息，根據(jù)所述基本信息進(jìn)行預(yù)后評估，生成第一結(jié)果，根據(jù)所述第一結(jié)果判斷風(fēng)險(xiǎn)類別；癥狀評估模塊，用于獲取腫瘤放療患者的癥狀信息，根據(jù)所述癥狀信息評估癥狀嚴(yán)重程度，生成第二結(jié)果；動態(tài)管理模塊，用于根據(jù)所述第二結(jié)果和所述風(fēng)險(xiǎn)類別進(jìn)行癥狀管理，同時(shí)生成預(yù)后數(shù)據(jù)，通過所述預(yù)后數(shù)據(jù)更新所述第一結(jié)果。

14、一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述腫瘤放療患者癥狀管理與預(yù)后評估方法的步驟。

15、一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述腫瘤放療患者癥狀管理與預(yù)后評估方法的步驟。

16、本發(fā)明的有益效果：本發(fā)明通過構(gòu)建雙重對比學(xué)習(xí)網(wǎng)絡(luò)與雙路徑?jīng)Q策樹集成模型的創(chuàng)新架構(gòu)，實(shí)現(xiàn)了對腫瘤放療患者多維度醫(yī)療數(shù)據(jù)的動態(tài)關(guān)聯(lián)分析和自適應(yīng)特征增強(qiáng)。本發(fā)明不僅能夠精準(zhǔn)量化患者的預(yù)后風(fēng)險(xiǎn)，還可基于癥狀嚴(yán)重度分級實(shí)現(xiàn)個性化的治療方案調(diào)整，具有以下顯著優(yōu)勢：首先，采用基于時(shí)間衰減的標(biāo)準(zhǔn)化處理和加權(quán)目標(biāo)編碼轉(zhuǎn)換，提高了異質(zhì)性醫(yī)療數(shù)據(jù)的特征表達(dá)能力；其次，通過全局和局部對比學(xué)習(xí)的協(xié)同作用，增強(qiáng)了特征間的語義關(guān)聯(lián)性，提升了模型的泛化性能；再次，基于雙路徑?jīng)Q策樹的集成策略和多級可信度評估機(jī)制，顯著提高了預(yù)測結(jié)果的準(zhǔn)確性和可靠性；最后，動態(tài)預(yù)后數(shù)據(jù)更新機(jī)制使模型能夠自適應(yīng)調(diào)整特征權(quán)重，實(shí)現(xiàn)了癥狀管理的持續(xù)優(yōu)化，為臨床實(shí)踐提供了更為科學(xué)和精準(zhǔn)的決策支持。