技術領域

本發(fā)明屬于醫(yī)學信息處理技術領域，涉及一種基于患者隨訪數據的隨訪提醒周期自適應調整方法，利用數據建模的方法來動態(tài)調整隨訪周期的長短，輔助醫(yī)生診療。

背景技術：

在生物醫(yī)學與流行病學研究中，通常需要評價隨時間改變的治療、劑量、危險因素、身體癥狀等自變量對隨時間改變的病情、人群健康狀況等的效應。這種對同一個體在不同時間點上進行重復觀測得到的數據稱為隨訪數據。隨訪是患者就醫(yī)治療過程中的重要環(huán)節(jié)，隨訪數據是醫(yī)學科研項目的重要數據來源。保證患者及時隨訪不僅有利于定期了解患者健康情況，提高治療效果，而且還保證了科研數據的完整性和有效性，為科研項目的順利開展提供有力的數據保障。

目前，國外的隨訪系統(tǒng)發(fā)展基于理論研究方面的較多，如:KKGnanalinghamandG.T.Williams報道患者、普通醫(yī)生、外科醫(yī)生對隨訪的不同看法，ChristopherN.Sciamanna等報道通過WEB、移動通訊等新技術進行口服抗凝藥隨訪的花費情況等。另外，國外在隨訪系統(tǒng)開發(fā)方面也進行了一定的研究。如LeiliLind等使用java技術研發(fā)一種支持手機、Internet網的糖尿病患者隨訪系統(tǒng)。

國內隨訪系統(tǒng)較為普及，2004年，汕頭大學醫(yī)學院附屬腫瘤醫(yī)院開發(fā)基于C/S模式的惡性腫瘤患者隨訪系統(tǒng)，此系統(tǒng)可以與《廣東省醫(yī)院統(tǒng)計病案管理系統(tǒng)》軟件相銜接，對隨訪數據進行管理與統(tǒng)計。廣州百易公司研發(fā)的“醫(yī)患溝通互動平臺”，利用各種成熟、便捷的通訊聯(lián)絡工具，如手機、固定電話、互聯(lián)網、3G手機、數字電視等，搭建豐富的醫(yī)院與患者間溝通的橋梁。通過短信、電話、郵件、互聯(lián)網等方式實現與患者間的互動服務。隨訪平臺為患者與醫(yī)院/醫(yī)生提供了基于電話、短信及互聯(lián)網的隨訪解決方案，便于醫(yī)生與患者之間的密切聯(lián)系與溝通。2007年，吉林大學第一醫(yī)院建立隨訪管理系統(tǒng)，對肺癌患者隨訪資料進行統(tǒng)計和管理，便于科室的隨訪工作更科學的開展。2010年，同濟大學開發(fā)“腫瘤科雙模式隨訪系統(tǒng)”，醫(yī)護人員利用電話、短信平臺，自動進行滿意度問卷調查，為患者提供高效、快捷的病情跟蹤等服務。北京愛生誼聯(lián)公司的“愛生患者隨訪平臺”，湖南思遠科技的“億鴻達隨訪系統(tǒng)”等也是國內自主研發(fā)的有一定影響的隨訪系統(tǒng)。

該類隨訪系統(tǒng)存在一個共同問題：它們均為定期隨訪系統(tǒng)，隨訪周期固定，不能根據患者病情的發(fā)展，動態(tài)地調整隨訪方案。

技術實現要素：

本發(fā)明的目的是提供一種基于患者隨訪數據的隨訪提醒周期自適應調整系統(tǒng)，利用患者的各項隨訪數據，建立數學模型，預測患者的生存質量評分，依據生存質量評分的變化情況來相應地調整隨訪周期的長短，從而得到患者下次應到訪的時間，幫助醫(yī)生全面掌握患者的身體狀況，輔助醫(yī)生進行診療。

本發(fā)明采用的技術方案是：以多維縱向檢測指標為輸入，以生存質量評分為輸出，建立變系數模型，對生存質量評分進行預測，根據生存質量評分的變化情況來相應調整隨訪周期的長短，最終輸出患者下次應到訪的時間。

一種患者隨訪提醒周期自適應調整方法，其特征在于包括以下步驟：

步驟一，采集患者隨訪數據。

患者隨訪數據包括：腫瘤大小的變化情況，腫瘤轉移率，理化檢查指標，患者生存質量評分(Fact評分)。

步驟二，建立患者隨訪系統(tǒng)。

患者隨訪系統(tǒng)包括患者信息模塊，醫(yī)生信息模塊，隨訪信息模塊，隨訪周期自適應調整模塊。數據信息儲存于Oracle數據庫中。其中，

患者信息模塊，包括患者的編號、姓名，年齡，性別，家庭住址與聯(lián)系電話等患者的基本信息。該模塊具有增加、刪除、修改與查詢功能。

醫(yī)生信息模塊，包括醫(yī)生的編號、姓名，性別，聯(lián)系電話等醫(yī)生的基本信息。該模塊具有增加、刪除、修改與查詢功能。

隨訪信息模塊，包括隨訪數據添加模塊和隨訪時間提醒模塊。隨訪數據添加模塊用于將人工采集到的患者的理化檢查指標、患者臨床癥狀體征指標和患者生存質量評分(Fact評分)通過該模塊的添加功能存儲至數據庫，并記錄該次隨訪的時間，同時該模塊也具有修改與查詢隨訪數據的功能；隨訪時間提醒模塊主要服務于醫(yī)務工作者，該模塊可顯示本次的隨訪時間，下次應到訪時間，當距下次應到訪時間為10天以內時，開始在系統(tǒng)首頁循環(huán)提示醫(yī)生哪些患者需要近期隨訪并顯示下次隨訪的時間，以及已隨訪的次數等信息。

隨訪周期自適應調整模塊，根據生存質量評分的變化情況自適應地調整隨訪周期，從而得到患者下次應到訪的時間。該模塊的生成方法如下：

（1）定義變系數模型

以數據庫中現有隨訪采集的腫瘤大小變化情況、腫瘤轉移率和理化檢查指標為輸入，以Fact評分為輸出，對隨訪縱向數據建立變系數模型：

Yi(tij)=Xi(tij)Tβ(tij)+εij(1)

式中，Yi(tij)為第i個患者第j次訪問的Fact評分測量值；i=1,2,...,n，j=1,2,...,mi，n為患者人數，mi為第i個患者的隨訪次數；εij為模型誤差；Xi(tij)為第i個患者第j次觀測的p+1維觀測變量，即采集到的隨訪觀測指標，其表達式為：

Xi(tij)=(Wi0Xi0(tij),...,WipXip(tij))T]]>

式中，X0(tij)≡1，為指標因素的權重。

模型（1）中的β(t)為p+1維的未知函數系數，可能為變系數(隨時間變化)、常系數或零系數，其表達式為：

β(tij)={β0(tij),β1(tij),...,βp(tij)}T

定義B樣條基函數：

B(t)=B01(t)···B0qn(t)0···00···0···························0···00···0Bkl(t)···Bkqn(t)]]>

式中，k=1,2,...,p，qn=sn+h+1，sn為內部結點個數，h為多項式的階數。

對β(t)進行B樣條逼近得到表達式：

βk(t)=B1(t)Tγk=γk,l+B￣(t)Tγk*]]>

式中，為B(t)的共軛矩陣，為樣條系數向量，γk，1對應常系數部分，對應變系數部分。

進行B樣條逼近后，模型變?yōu)椋?/p>

Yi(tij)≈ZiT(tij)γ+eij]]>

Zi(tij)={XiT(tij)B(tij)}T]]>

式中，Zi(tij)為的第j行，為逼近后的樣條系數向量。

（2）求變系數函數βk(t)

1）定義最小二乘懲罰函數：

l(γ)=Σi=1n(Yi-ZiTγ)2+nλ1,nΣk=1pωk*||γk*||L1+nλ2,nΣk=1pωk,1|γk,1|I(||γk*||L1=0)]]>

式中，λ1,n與λ2,n為懲罰參數，引入懲罰參數的主要目的是在進行參數估計的同時，將較小的系數壓縮為0，從而剔除無關變量；與ωk,1為自適應權重，權重依據系數的絕對值來選擇，這樣就可以對不同的系數進行不同程度的壓縮；為的L1范數。l(γ)中的第二項用來分離變系數與常系數，第三項用來分離常系數與零系數。表示：當為單位矩陣，階數等于取0的個數；當

2）通過樣條系數確定變系數與常系數

定義變系數子集，常系數子集，零系數子集分別為V，C，Z。假設所有的變量為變系數子集V，通過最小化下式得到的懲罰估計：

l1(γ)=Σi=1n(Yi-ZiTγ)2+nλ1,nΣk=1pωk*||γk*||L1]]>

令λ1,n=0，最小化l1(γ)得到γ(0)：

γ(0)=(Σi=1nZiZiT)-1Σi=1nZiYi]]>

經二次方逼近得：

|γk,l|≈|γk,l(0)|+sign|γk,l(0)|(γk,l-γk,l(0))≈|γk,l(0)|+12|γk,l(0)|(γk,l2-γk,l(0)2)]]>

式中，k=1,…,p，l=2,...,qn，sign(x)為符號函數。

不考慮常數項，l1(γ)可以近似表示為：

l1(γ)=Σi=1n(Yi-ZiTγ)2+nλ1,nΣk=1pωk*Σl=2qnγk,l22|γk,l(0)|]]>

則：

γ(j)=(Σi=1nZiZiT+nλ1,nΩ(j-1))-1Σi=1nZiYi]]>

式中，Ω(j-1)=diag{0qnT,Ω1,(j-1)T,···,Ωp,(j-1)T},Ωk,(j-1)=ωk*{0,(2/γk,2(j-1))-1,...,(2/γk,qn(j-1))-1}T,]]>為γk,l第j-1次的迭代估計，k=1,…,p，j≥1。

對γ進行迭代過程中，如果則設置且該系數為常系數；否則為變系數。在計算中，設置ε=10-4。

在該部分計算中，將變系數與常系數分離，同時將第k個協(xié)變量由V變?yōu)镃。

3）通過樣條系數確定常系數與零系數

對于每一個k=1,…,p，如果X(k)∈C，則其中為全為0的方陣；如果X(k)∈V，則C與V為通過上一步計算得到的協(xié)變量子集，為所有變量的樣條系數，通過最小化下式得到

l2(γ1)=Σi=1n(Yi-ZiTγ1)2+nλ2,nΣk=1pω^k,1|γk,11|I(||γ^k*VC||L1=0)]]>

自適應權重可由上一步得到，如果則該系數為零系數，將協(xié)變量X(k)指定為C。不斷迭代下式直到收斂，即可得到

γ(j)=(Σi=1nZiZiT+nλ2,nΩ(j-1))-1Σi=1nZiYi]]>

式中，Ω(j-1)=diag{0qnT,Ω1,(j-1)T,···Ωp,(j-1)T},Ωk,(j-1)=ω^k,1{(2|γk,1(j-1))-1,0qn-1T}T,]]>為γk,l第j-1次的迭代估計，j≥1，在迭代過程中，如果設置一般設ε=10-4。如果則表明該系數為零系數。

4）不斷重復步驟2）與3），直到γ(j+1)-γ(j)＜10-5時，結束運算，得到最終的收斂估計

5）由樣條系數向量γ求變系數函數βk(t)，方法如下：

如果收縮為0，βk(t)被選擇為常系數，βk(t)的估計為：

否則，βk(t)被選擇為變系數，βk(t)的估計為：

（3）根據變系數模型求Fact評分，依據隨訪周期調整規(guī)則調整隨訪周期，進而得到下次應到訪時間。

隨訪周期調整規(guī)則為：正常的隨訪周期為四周一次，當Fact評分下降超過10%，則隨訪周期改為兩周一次；當隨訪周期上升超過10%，則隨訪周期改為六周一次，隨訪周期的調整過程見圖2。

步驟三，更新隨訪管理系統(tǒng)數據。

根據隨訪周期自適應調整模塊的計算結果，將下次應到訪時間保存于數據庫中，醫(yī)生打開系統(tǒng)時，隨訪提醒模塊通過訪問數據庫即可顯示下次應到訪時間。當患者按照到訪時間進行診療時，采集患者本次的各項隨訪數據并存于數據庫中，作為下一次建模的訓練集。

與現有技術相比，本發(fā)明的有益效果是：將縱向數據及變系數模型應用于醫(yī)學信息處理，根據生存質量評分的變化情況，自適應調整患者隨訪周期，彌補了定期隨訪系統(tǒng)的隨訪周期固定的缺陷，輔助醫(yī)生根據不同時刻檢測指標對腫瘤大小的時變響應而動態(tài)調整治療方案。通過判斷因素對疾病進展的影響為常數效應或時變效應，指導醫(yī)生針對影響系數較大的指標項采取合理的控制手段，間接抑制腫瘤的進一步發(fā)展。

附圖說明

圖1為本發(fā)明所涉及的隨訪系統(tǒng)組成框圖；

圖2為患者隨訪提醒周期自適應調整方法主流程圖；

圖3為隨訪周期自適應調整模塊建立方法流程圖。

具體實施方式

下面根據附圖和實施例對本發(fā)明做進一步說明。

本實施例使用由某醫(yī)院中晚期非小細胞肺癌（NSCLC）患者的實際隨訪數據，利用基于患者隨訪數據的隨訪提醒周期自適應調整系統(tǒng)對隨訪周期進行調整，得到患者下次應到訪時間，輔助醫(yī)生進行診療。

一種患者隨訪提醒周期自適應調整方法流程圖如附圖2所示，包括以下步驟：

步驟一，采集患者隨訪數據。

本實施例共采集220位患者的數據，主要包括以下五部分：

（1）腫瘤大小的變化情況：人工記錄通過CT觀測到的腫瘤大小，通過隨訪數據模塊的添加功能，將腫瘤大小數據保存至數據庫，并通過程序計算返回腫瘤大小變化率，以腫瘤大小變化率的變化率來判定腫瘤的惡化程度：

（2）腫瘤轉移率：根據醫(yī)生的記錄，腫瘤發(fā)生轉移記為1，未發(fā)生轉移記為0。

（3）理化檢查指標：

血常規(guī)指標：白細胞(WBC)，中性粒細胞(NEUT)，紅細胞(RBC)，血紅蛋白(HGB)，血小板(PLT)；

血生化指標：谷丙轉氨酶(ALT)，谷草轉氨酶(AST)，谷氨?；D肽(GGT)，血清乳酸脫氫酶(LDH)，總蛋白(TP)，白蛋白(ALB)，白蛋白/球蛋白(A/G)，血糖(GLU)，總膽紅素(TBIL)，尿素氮(BUN)，肌酐(CRE)；

腫瘤標志物：癌胚抗原(CEA)，癌抗原125(CA125)，鱗狀細胞癌抗原(SCC)，細胞角蛋白19片段(CyFEA21-1)，癌抗原199(CA-199)共21項指標。

下面給出這些指標的正常范圍：

白細胞(WBC)：(4-10)

中性粒細胞(NEUT)：(2-7)

紅細胞(RBC)：男：(4.5-5.5)；女:(3.5-5.0)

血紅蛋白(HGB)：男：120-160g/L；女110-150g/L

血小板(PLT)：100-300

谷丙轉氨酶(ALT)：(5-50)U/L

谷草轉氨酶(AST)：(8-40)U/L

谷氨?；D肽(GGT)：(5-54)U/L

血清乳酸脫氫酶(LDH)：(104-245)U/L

總蛋白(TP)：60-80g/L

白蛋白(ALB)：35-55g/L

白蛋白/球蛋白(A/G)：1.1-1.8

血糖(GLU)：空腹:3.89-6.11mmol/L；餐后2小時<7.8mmol/L；任意時間<11.1mmol/L

總膽紅素(TBIL)：5.1-19.0μmol/L

尿素氮(BUN)：2.3-7.8mmol/L

肌酐(CRE)：男79.6-132.6μmol/L；女：70.7-106.1μmol/L

癌胚抗原(CEA)：0-5ng/ml

癌抗原125(CA125)：0-35u/ml

鱗狀細胞癌抗原(SCC)：0-1.5ng/ml

細胞角蛋白19片段(CyFEA21-1)：0-3.3ng/ml

癌抗原199(CA-199)：0-37ng/ml

人工采集到的數據為數值型數據，但有些指標正常范圍幅度較大，數值型數據不能直接輸入模型，利用計算機參考指標的正常范圍對數值型數據進行分段處理，將數值型數據處理為分類型數據，在正常范圍內的記為1，超出正常范圍記為2。

（4)患者生存質量評分(Fact評分)：通過患者自行打分，以總評分作為患者當前生命質量的反映。

當患者首次到訪時，腫瘤大小的變化情況，轉移率等指標還無法計算出來，因此不能通過建模方法的來計算下次的應到訪時間，可將初次到訪采集到的Fact評分與所有患者初次采集的Fact評分平均值進行比較，當該患者的初次測量值與平均分相差不大時，確定本次隨訪周期為四周；當該患者的初次測量值小于平均分10%以上時，隨訪周期為六周；當該患者的初次測量值大于平均分10%以上時，隨訪周期為兩周。

步驟二，建立患者隨訪系統(tǒng)。

患者隨訪系統(tǒng)的組成框圖如圖1所示，包括以下模塊：

（1)患者信息模塊

（2)醫(yī)生信息模塊

（3)隨訪信息模塊

（4)隨訪周期自適應調整模塊

以數據庫中患者以往的隨訪數據建立變系數模型，預測患者當前狀態(tài)下的生存質量評分，依據生存質量評分的變化率相應地調整隨訪周期的長短，根據隨訪周期即可得到患者下次應到訪的時間。將到訪時間保存于數據庫中，當醫(yī)生打開系統(tǒng)時，下次應到訪時間即可在隨訪提醒模塊顯示。

建立隨訪周期自適應調整模塊的方法流程圖如圖3所示。本實施例中，患者人數n=220，觀測變量維數p=24，內部結點個數sn=3，多項式階數h=3。權重分配：腫瘤大小變化情況權重為5，腫瘤轉移率權重為5，腫瘤標志物的檢測指標癌胚抗原(CEA)、癌抗原125(CA125)、鱗狀細胞癌抗原(SCC)、細胞角蛋白19片段(CyFEA21-1)和癌抗原199(CA-199)權重為3。懲罰參數λ1,n取值為0.02，λ2,n取值為0.1。

步驟三，更新隨訪管理系統(tǒng)數據。

以上實施例僅用以說明本發(fā)明而并非限制本發(fā)明所描述的技術方案。因此，盡管本說明書參照上述的實施例對本發(fā)明已進行了詳細的說明，但是，本領域的普通技術人員仍然可以對本發(fā)明進行修改或等同替換。一切不脫離本發(fā)明精神和范圍的技術方案及其改進，均應涵蓋在本發(fā)明的權利要求范圍當中。