CN120260969A 基于机器学习的自适应临床试验设计方法 （重庆恒誉康医药科技有限公司）

(19)国家知识产权局地址400000重庆市沙坪坝区高新区西永街道西永大道32号附1号研发楼二期GO6N(普通合伙)50273(57)摘要本发明提供基于机器学习的自适应临床试过动态优化模块实时预测最佳治疗方案并调整统计、伦理和资源的终止规则模块通过加权评定义治疗臂和分配比例，初始化虚拟定义治疗臂和分配比例，初始化虚拟数据生成，设定伦理约束，提供初始收集患者基线和反应数据，生成虚拟化和Sp4评估，接收Sp3反馈更新数据通过强化学习预测最佳治疗方案，动分析纵向数据评估治疗因果效应，调整试验参数，接收Sp3数据，反馈结综合显著性、安全性和资源效率评估，决定终止试验，整合Sp4评估结果Sp2:数据收集与增强Sp4:因果效应评估Sp3:动态优化分配Spl:试验初始化21.基于机器学习的自适应临床试验设计方法，其特征在于：所述自适应临床试验设计方法包括以下步骤：Sp1:设计一个融合强化学习、因果推断和数据增强技术的试验框架，通过定义初始治疗臂和分配比例确定试验的治疗方案和患者分配方式，初始化一个虚拟数据生成系统在试验过程中生成虚拟患者数据增强数据量，并设定伦理约束机制；Sp2:在试验过程中持续收集患者的真实数据并生成虚拟患者数据，通过获取患者的基线数据和治疗反应数据，生成符合治疗与结局因果关系的虚拟数据，并将真实数据与虚拟数据合并为统一的分析数据集支持后续优化和评估；Sp3:对合并后的数据集进行动态优化治疗分配，基于实时数据预测最佳治疗方案，并动态调整治疗分配比例优先为患者分配效果更优的治疗；Sp4:评估治疗的动态因果效应优化试验设计，通过分析纵向数据量化治疗在不同时间点对患者结局的影响，结合倾向评分和结果预测方法，并根据因果效应结果调整试验参数；Sp5:实施多目标优化规则决定试验终止，通过综合评估治疗效果的统计显著性、各治疗臂的安全性以及试验的资源使用情况，设计一个加权评估机制，并在该机制的综合结果达到预设阈值时终止试验。2.根据权利要求1所述的基于机器学习的自适应临床试验设计方法，其特征在于：所述Sp1中的治疗臂包括至少两种不同的治疗方案，分别为新型干预治疗方案和标准对照治疗方案，初始分配比例基于历史数据确定，历史数据包括前期试验结果、文献报道以及患者队列研究的数据，基于生成对抗网络的虚拟数据生成器用于在试验过程中生成虚拟患者数据以增强数据量，设定试验的伦理约束机制包括识别高风险动作的标准和动态调整的伦理阈值。3.根据权利要求1所述的基于机器学习的自适应临床试验设计方法，其特征在于：所述Sp2中的基线数据包括年龄、性别、生物标志物，收集患者的治疗反应数据包括治疗后的短期结局和长期结局，训练生成对抗网络模型包括生成器、判别器，其中生成器生成虚拟患者数据，判别器区分真实数据与虚拟数据。4.根据权利要求1所述的基于机器学习的自适应临床试验设计方法，其特征在于：所述Sp2中通过持续获取患者的基线数据和治疗反应数据，利用生成对抗网络生成符合治疗与结局因果关系的虚拟患者数据，并将真实数据与虚拟数据合并为统一数据集，合并的步骤为：首先对真实数据与生成对抗网络生成的虚拟数据进行标准化以统一格式和分布，随后验证虚拟数据的因果一致性以确保其符合治疗与结局的因果关系，接着为两类数据添加来源标签后整合为综合数据集，并通过权重调整平衡真实数据与虚拟数据的比例以避免偏差，最后对合并数据集进行质量检查和加密存储，采用区块链技术确保数据完整性和可追溯性，从而为动态优化治疗分配和因果效应评估提供数据集。5.根据权利要求1所述的基于机器学习的自适应临床试验设计方法，其特征在于：所述Sp3中的动态优化治疗分配通过深度伦理强化学习实现，具体包括定义患者特征和试验进展为状态、治疗方案为动作、综合短期反应与长期结局为奖励，结合深度Q网络预测各动作的预期累积奖励，同时引入动态伦理阈值约束高风险动作的选择，确保安全性，并根据预测结果动态调整治疗分配比例优先为患者分配效果更优的治疗。6.根据权利要求1所述的基于机器学习的自适应临床试验设计方法，其特征在于：所述3Sp4中的因果效应评估采用时间序列因果推断技术结合倾向评分和结果预测的双重鲁棒估计提升评估的稳健性，根据因果效应结果调整试验参数，减少效果不佳治疗臂的分配比例，增加效果显著治疗臂的样本量。7.根据权利要求1所述的基于机器学习的自适应临床试验设计方法，其特征在于：所述Sp5中的多目标优化规则通过设计一个加权评估机制，综合评估治疗效果的统计显著性、各治疗臂的安全性以及试验的资源使用情况，具体包括定义统计显著性指标为因果效应评估的p值、安全性指标为严重不良事件率、资源效率指标为样本量和预算使用率，分配动态权重以平衡各目标优先级，采用加权公式生成综合评估分数，并在分数达到预设阈值时终止试验，同时利用实时数据动态更新权重和阈值。8.根据权利要求1所述的基于机器学习的自适应临床试验设计方法，其特征在于：所述自适应临床试验设计方法额外包括一个计算机系统，所述计算机系统的组成架构包括试验全模块，以及模型解释模块，所述试验设计模块通过定义初始治疗方案和伦理约束实现了试验参数的科学设定，所述数据收集与增强模块通过合并真实数据和虚拟数据实现了高质量分析数据集的构建，所述动态优化模块通过预测最佳治疗方案实现了治疗分配的动态调整，所述因果效应评估模块通过分析纵向数据实现了治疗效果的稳健量化，所述终止规则模块通过综合多目标评估实现了试验终止的科学决策，所述数据安全模块通过区块链和隐私保护技术实现了数据完整性和隐私安全，所述模型解释模块通过决策分析和可视化工具实现了优化过程的透明性。4基于机器学习的自适应临床试验设计方法技术领域[0001]本发明涉及临床试验技术领域，具体为基于机器学习的自适应临床试验设计方背景技术[0002]根据中国专利号为“CN112951351A”公开的一种药物临床试验方案的设计方法，包括以下步骤：步骤1、将临床试验方案转化为行限制覆盖阵列设计问题；步骤2、构造行数较少的覆盖阵列，生成行限制覆盖阵列；步骤3、将生成的行限制覆盖阵列转化为实际的临床试验方案。本发明构造带有行限制的覆盖阵列，进而得到实际的临床测试方案，与普通的启发式方法相比，本发明立足于已有的覆盖阵列，然后进行数学操作即可得到行限制覆盖阵列，最后将生成的行限制覆盖阵列转化为实际的临床测试方案，时效性优势明显。[0003]上述专利文件及现有技术在使用时存在以下技术问题：[0004]问题一，传统临床试验调整通常参考单一标准，缺乏多维度考量，并且通常基于预设规则，缺乏实时性，无法持续响应新数据，无法根据患者实时反应调整，同时在传统临床试验中，容易忽视患者安全导致高风险治疗，并且通常未考虑安全性差异，可能导致部分高风险老年群体患者被分配到不合适的治疗方案；[0005]问题二，在罕见病或早期药物试验中，患者样本量有限，传统设计依赖真实数据，难以达到统计显著性，导致结果不可靠或试验失败。发明内容[0006]解决的技术问题[0007]针对现有技术的不足，本发明提供了基于机器学习的自适应临床试验设计方法，解决了以下问题：[0008]1、传统临床试验因单一统计显著性标准缺乏多维度考量，预设规则缺乏实时性以及忽视患者安全导致高风险分配；[0009]2、罕见病或早期药物试验中因患者样本量有限、传统设计依赖真实数据而难以达到统计显著性，导致结果不可靠或试验失败。[0010]技术方案[0011]为实现以上目的，本发明通过以下技术方案予以实现：基于机器学习的自适应临床试验设计方法，所述自适应临床试验设计方法包括以下步骤：[0012]Sp1:设计一个融合强化学习、因果推断和数据增强技术的试验框架，通过定义初始治疗臂和分配比例确定试验的治疗方案和患者分配方式，初始化一个虚拟数据生成系统在试验过程中生成虚拟患者数据增强数据量，并设定伦理约束机制；[0013]Sp2:在试验过程中持续收集患者的真实数据并生成虚拟患者数据增强数据量，通过获取患者的基线数据和治疗反应数据，生成符合治疗与结局因果关系的虚拟数据，并将真实数据与虚拟数据合并为统一的分析数据集支持后续优化和评估；5[0014]Sp3:对合并后的数据集进行动态优化治疗分配，具体包括定义状态、动作和奖励，基于实时数据预测最佳治疗方案，并动态调整治疗分配比例以优先为患者分配效果更优的[0015]Sp4:评估治疗的动态因果效应以优化试验设计，通过分析纵向数据量化治疗在不同时间点对患者结局的影响，结合倾向评分和结果预测方法确保评估的稳健性，并根据因果效应结果调整试验参数；[0016]Sp5:实施多目标优化规则以决定试验终止，通过综合评估治疗效果的统计显著性、各治疗臂的安全性以及试验的资源使用情况，设计一个加权评估机制，并在该机制的综合结果达到预设阈值时终止试验。[0017]优选的，所述Sp1中的治疗臂包括至少两种不同的治疗方案，分别为新型干预治疗方案和标准对照治疗方案，初始分配比例基于历史数据确定，历史数据包括前期试验结果、文献报道以及患者队列研究的数据，基于生成对抗网络的虚拟数据生成器用于在试验过程中生成虚拟患者数据以增强数据量，设定试验的伦理约束机制包括识别高风险动作的标准和动态调整的伦理阈值。数据包括治疗后的短期结局和长期结局，训练生成对抗网络模型包括生成器、判别器，其中生成器生成虚拟患者数据，判别器区分真实数据与虚拟数据。[0019]优选的，所述Sp2中通过持续获取患者的基线数据和治疗反应数据，利用生成对抗网络生成符合治疗与结局因果关系的虚拟患者数据，并将真实数据与虚拟数据合并为统一数据集，合并的步骤为：首先对真实数据与生成对抗网络生成的虚拟数据进行标准化以统一格式和分布，随后验证虚拟数据的因果一致性以确保其符合治疗与结局的因果关系，接着为两类数据添加来源标签后整合为综合数据集，并通过权重调整平衡真实数据与虚拟数据的比例以避免偏差，最后对合并数据集进行质量检查和加密存储，采用区块链技术确保数据完整性和可追溯性，从而为动态优化治疗分配和因果效应评估提供数据集。[0020]优选的，所述Sp3中的动态优化治疗分配通过深度伦理强化学习实现，具体包括定义患者特征和试验进展为状态、治疗方案为动作、综合短期反应与长期结局为奖励，结合深度Q网络预测各动作的预期累积奖励，同时引入动态伦理阈值约束高风险动作的选择，确保安全性，并根据预测结果动态调整治疗分配比例优先为患者分配效果更优的治疗。[0021]优选的，所述Sp4中的因果效应评估采用时间序列因果推断技术结合倾向评分和结果预测的双重鲁棒估计提升评估的稳健性，根据因果效应结果调整试验参数，减少效果不佳治疗臂的分配比例，增加效果显著治疗臂的样本量。[0022]优选的，所述Sp5中的多目标优化规则通过设计一个加权评估机制，综合评估治疗效果的统计显著性、各治疗臂的安全性以及试验的资源使用情况，具体包括定义统计显著性指标为因果效应评估的p值、安全性指标为严重不良事件率、资源效率指标为样本量和预算使用率，分配动态权重以平衡各目标优先级，采用加权公式生成综合评估分数，并在分数达到预设阈值时终止试验，同时利用实时数据动态更新权重和阈值。[0023]优选的，所述自适应临床试验设计方法额外包括一个计算机系统，所述计算机系统的组成架构包括试验设计模块、数据收集与增强模块、动态优化模块、因果效应评估模块、终止规则模块、数据安全模块，以及模型解释模块，所述试验设计模块通过定义初始治6疗方案和伦理约束实现了试验参数的科学设定，所述数据收集与增强模块通过合并真实数据和虚拟数据实现了高质量分析数据集的构建，所述动态优化模块通过预测最佳治疗方案实现了治疗分配的动态调整，所述因果效应评估模块通过分析纵向数据实现了治疗效果的稳健量化，所述终止规则模块通过综合多目标评估实现了试验终止的科学决策，所述数据安全模块通过区块链和隐私保护技术实现了数据完整性和隐私安全，所述模型解释模块通过决策分析和可视化工具实现了优化过程的透明性。[0024]有益效果[0025]本发明提供了基于机器学习的自适应临床试验设计方法。具备以下有益效果：[0026]1、本发明采用融合强化学习、因果推断和数据增强技术的自适应临床试验设计方法，综合统计、伦理和资源的多维度考量，优于传统单一标准，通过动态优化模块实时预测最佳治疗方案并调整分配比例，结合动态伦理约束确保高风险治疗选择受限，解决了传统临床试验预设规则缺乏实时性以及忽视患者安全导致高风险分配的问题，动态优化模块基于患者特征和实时反应数据持续调整治疗分配，因果效应评估模块通过纵向数据分析量化安全性差异，终止规则模块通过加权评估机制综合显著性、安全性和资源效率，显著降低高风险群体的不当分配风险，并通过实时响应新数据缩短试验周期约20%,提升患者获益和伦理合规性。[0027]2、本发明采用数据收集与增强模块通过生成对抗网络生成符合治疗与结局因果关系的虚拟患者数据，合并真实和虚拟数据形成统一数据集，解决了罕见病或早期药物试验中因患者样本量有限、传统设计依赖真实数据的问题，该模块通过标准化、因果一致性验证和权重调整构建高质量数据集，支持动态优化和因果效应评估的高精度分析，有效扩充数据量，显著提升小样本场景的统计功率，从而增强试验结果的可靠性和成功率，扩展了方法在罕见病研究和早期药物开发中的应用范围。附图说明[0028]图1为本发明的方法步骤图；[0029]图2为本发明的系统架构图；[0030]图3为本发明的系统硬件图；[0031]图4为本发明的治疗分配比例随时间变化图；[0032]图5为本发明的主要观察指标随时间变化图；[0033]图6为本发明的综合评估分数随时间变化图；[0034]图7为本发明的治疗效果对比柱状图。具体实施方式[0035]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他[0037]如图1至图7所示，基于机器学习的自适应临床试验设计方法，所述自适应临床试7验设计方法包括以下步骤：[0038]Sp1:设计一个融合强化学习、因果推断和数据增强技术的试验框架，通过定义初始治疗臂和分配比例确定试验的治疗方案和患者分配方式，初始化一个虚拟数据生成系统在试验过程中生成虚拟患者数据增强数据量，并设定伦理约束机制以确保试验的安全性和公平性，治疗臂包括至少两种不同的治疗方案，分别为新型干预治疗方案和标准对照治疗方案，初始分配比例基于历史数据确定，历史数据包括前期试验结果、文献报道以及患者队列研究的数据，基于生成对抗网络(GAN)的虚拟数据生成器用于在试验过程中生成虚拟患者数据以增强数据量，设定试验的伦理约束机制包括识别高风险动作的标准和动态调整的伦理阈值；[0039]Sp2:在试验过程中持续收集患者的真实数据并生成虚拟患者数据以增强数据量，通过获取患者的基线数据和治疗反应数据，生成符合治疗与结局因果关系的虚拟数据，并将真实数据与虚拟数据合并为统一的分析数据集以支持后续优化和评估，基线数据包括年龄、性别、生物标志物，收集患者的治疗反应数据包括治疗后的短期结局和长期结局，训练生成对抗网络模型包括生成器、判别器，其中生成器生成虚拟患者数据，判别器区分真实数据与虚拟数据；[0040]通过持续获取患者的基线数据和治疗反应数据，利用生成对抗网络生成符合治疗与结局因果关系的虚拟患者数据，并将真实数据与虚拟数据合并为统一数据集，合并的步骤为：首先对真实数据与生成对抗网络生成的虚拟数据进行标准化以统一格式和分布，随后验证虚拟数据的因果一致性以确保其符合治疗与结局的因果关系，接着为两类数据添加来源标签后整合为综合数据集，并通过权重调整平衡真实数据与虚拟数据的比例以避免偏差，最后对合并数据集进行质量检查和加密存储，采用区块链技术确保数据完整性和可追溯性，从而为动态优化治疗分配和因果效应评估提供数据集；[0041]Sp3:对合并后的数据集进行动态优化治疗分配，基于实时数据预测最佳治疗方案，并动态调整治疗分配比例以优先为患者分配效果更优的治疗，所述动态优化治疗分配通过深度伦理强化学习实现，具体包括定义患者特征和试验进展为状态、治疗方案为动作、综合短期反应与长期结局为奖励，结合深度Q网络预测各动作的预期累积奖励，同时引入动态伦理阈值约束高风险动作的选择，确保安全性，并根据预测结果动态调整治疗分配比例以优先为患者分配效果更优的治疗；[0042]Sp4:评估治疗的动态因果效应以优化试验设计，通过分析纵向数据量化治疗在不同时间点对患者结局的影响，结合倾向评分和结果预测方法确保评估的稳健性，并根据因果效应结果调整试验参数，因果效应评估采用时间序列因果推断技术结合倾向评分和结果预测的双重鲁棒估计提升评估的稳健性，根据因果效应结果调整试验参数，减少效果不佳治疗臂的分配比例，增加效果显著治疗臂的样本量；[0043]Sp5:实施多目标优化规则以决定试验终止，通过综合评估治疗效果的统计显著性、各治疗臂的安全性以及试验的资源使用情况，设计一个加权评估机制，并在该机制的综合结果达到预设阈值时终止试验，多目标优化规则通过设计一个加权评估机制，综合评估治疗效果的统计显著性、各治疗臂的安全性以及试验的资源使用情况，具体包括定义统计显著性指标为因果效应评估的p值、安全性指标为严重不良事件率、资源效率指标为样本量和预算使用率，分配动态权重以平衡各目标优先级，采用加权公式生成综合评估分数，并在8分数达到预设阈值时终止试验，同时利用实时数据动态更新权重和阈值。[0044]该方法通过融合强化学习、因果推断和数据增强技术，突破了传统临床试验固定设计和单一标准调整的局限，实现了治疗分配的动态优化、因果效应的稳健评估以及多目标优化的科学终止，显著降低高风险群体的不当分配风险，有效扩充数据量，显著提升小样本场景的统计功率，从而增强试验结果的可靠性和成功率，适用于罕见病研究、早期药物试[0046]如图1至图7所示，根据上述[0047]根据上述具体实施例一的内容，进一步包括以下内容：[0048]在Sp1中，这个试验框架是一个融合强化学习、因果推断和数据增强技术的自适应临床试验设计框架，旨在通过实时数据分析和动态调整优化治疗分配和试验终止决策，设计方法：首先定义初始治疗臂，包括新型干预和标准对照，以及定义分配比例，利用历史数据设定初始参数，然后初始化生成对抗网络作为虚拟数据生成系统增强数据量，最后设定伦理约束机制，包括识别高风险治疗的标准和动态调整的伦理阈值，确保患者安全和试验公平性；[0049]其中新型干预治疗方案是一种基于新开发药物、疗法以及组合治疗的方案，旨在针对特定疾病的生物学机制提供创新治疗，新型干预治疗方案通常基于最新科研成果或临床前数据，基于早期试验的历史数据表明其具有潜在疗效，适合作为试验的主要治疗臂，标准对照治疗方案是一种已被广泛接受的现有治疗方法，作为对照组，用于与新型干预治疗方案比较疗效和安全性，标准对照治疗方案基于已发表的临床试验结果确定，具有已知的疗效和副作用数据，作为评估新型治疗效果的基准；[0050]根据历史数据，包括前期试验结果、文献报道和患者队列研究的数据来源，结合贝叶斯先验统计方法分析治疗效果和安全性，其中，若历史数据表明新型干预治疗方案在特定亚群中显示出更高的初步响应率，则初始分配比例可能倾向于该治疗臂，即60%分配给新型治疗，40%分配给标准治疗，若历史数据不足或两种方案的疗效相当，则采用均匀分配，以确保试验初期的探索性。[0051]在Sp2中，真实数据收集通过医疗传感器、可穿戴设备和电子健康档案持续监测患者基线数据和治疗反应数据，虚拟数据生成利用GAN学习真实数据分布和因果关系，生成符合治疗与结局关系的虚拟患者数据，真实数据直接来自患者，真实数据包括基线特征和实际治疗反应，虚拟数据是模拟的基线和反应数据，虚拟数据是基于真实数据分布的模拟，用于增强数据量，通过虚拟数据扩充小样本数据，支持分析，将两者合并形成统一数据集，提升统计分析的稳健性和准确性，支持动态优化和因果效应评估；[0052]其中生成对抗网络的架构包括输入层、生成器、判别器、因果约束模块、数据处理单元和输出接口，输入层包括接收真实患者数据，从数据收集设备获取基线和反应数据，导入历史数据，确保生成数据符合真实分布，生成器包括基于深度神经网络，输入随机噪声和因果图先验，生成虚拟患者数据，输出包含基线特征和反应数据，判别器包括基于卷积神经网络，评估数据真实性，输出真实或虚拟的概率，通过对抗训练指导生成器优化，逼近真实数据分布，因果约束模块包括嵌入生成器，基于因果推断工具，确保虚拟数据符合治疗与结局的因果关系，定期验证因果一致性，调整生成器权重，数据处理单元包括标准化真实与虚9整平衡数据比例，质量检查确保无缺失或异常，输出接口包括将统一数据集传输至动态优化模块，支持深度伦理强化学习优化分配比例，提供数据给因果效应评估模块，用于时间序列因果推断，存储数据集至数据安全模块，使用区块链技术确保完整性和可追溯性；[0053]生成对抗网络的运行逻辑为：从试验设计模块获取真实患者数据，包括基线特征以及治疗反应数据，作为GAN模型的训练基础，生成器从随机噪声生成虚拟患者数据，模拟真实数据的分布和因果关系，判别器区分真实数据与虚拟数据，通过对抗训练优化生成器，使虚拟数据逼真且符合治疗与结局的因果结构，通过因果图先验确保虚拟数据反映治疗与结局的真实关系，然后生成器输出虚拟患者数据，包含模拟的基线特征和治疗反应，与真实数据格式对齐，扩充数据集以支持动态优化和因果效应评估，随后将虚拟数据与真实数据标准化，统一格式和分布，通过统计检验验证分布一致性，添加来源标签后整合为统一数据集，通过权重调整平衡真实与虚拟数据比例，确保分析无偏差，最后统一数据集提供给动态优化模块用于治疗分配优化、因果效应评估模块用于效果分析，增强小样本场景的统计功率，提升试验结果可靠性，根据动态优化模块的分配结果和因果效应评估模块的反馈，调整GAN生成器的参数，优化虚拟数据的质量，持续支持试验进程。[0054]在Sp3中，数据为合并后的统一分析数据集，包括患者基线特征、治疗反应数据和虚拟数据，动态分配通过动态优化模块分析这些数据，预测最佳治疗方案并调整比例，动态调整利用深度伦理强化学习(DERL)技术，结合深度Q网络和伦理约束，基于实时数据预测最示更好效果和安全性，比例从50%增至70%,分配比例根据预测动态变化，优先分配效果更优的治疗臂。[0055]在Sp4中，纵向数据是在多个时间点对同一组患者重复测量的结构化数据，记录患者在试验过程中的动态变化，涵盖基线特征、治疗分配和健康结局，时间点根据试验设计和疾病特征确定，利用多时间点数据减少随机误差，增强估计的稳健性，其中基线特征是患者在试验开始时的信息，包括年龄、性别、生物标志物和病情严重程度，治疗分配是患者接受的治疗方案及其时间点，健康结局包括短期结局和长期结局，短期结局为治疗后1个月的症状缓解率、生物标志物水平变化，长期结局为6个月或1年的生存率、生活质量评分，数据按时间序列收集，通过每周、每月或每次随访的测量，形成患者的病情随时[0056]倾向评分计算患者接受某治疗的概率，用于调整患者基线差异的混淆因素，通过逻辑回归模型估计，确保治疗分配的公平比较，通过计算倾向评分，表示在给定基线特征下患者接受某治疗的概率，使用逻辑回归估计倾向评分，输入为基线特征，输出为治疗分配概率，应用倾向评分匹配(PSM),平衡治疗组与对照组的特征分布，减少选择偏差；[0057]结果预测方法预测患者在接受或不接受治疗下的潜在结局，提升估计精度，使用线性回归模型预测患者的健康结局，输入包括基线特征、治疗分配和纵向数据，基于潜在结果框架，分别预测治疗组和对照组的预期结局，结合纵向数据，构建时间序列模型，捕捉结局随时间的变化趋势；[0058]双重鲁棒估计整合倾向评分和结果预测，形成双重保护机制，确保即使其中一种模型错误，估计仍保持准确，通过10折交叉验证评估估计的稳定性，检查结果是否对数据划分敏感。[0059]调整试验参数是根据因果效应结果优化试验设计，减少无效治疗的使用，提高效率和患者获益，具体调整方式包括以下：减少效果较差治疗臂的分配比例：若因果效应评估显示某治疗臂的效果显著低于另一治疗臂，表明其对患者结局的贡献较小，量化因果效应差异，调整分配比例，当标准对照的治疗效果显著低于新型干预的治疗效果，将新型干预的分配比例从50%增加至70%,标准对照从50%减少至30%,使用动态分配规则，根据实时因果效应更新概率，确保更多患者分配到效果更优的治疗臂；增加效果显著治疗臂的样本量：若某治疗臂显示出较高的因果效应，可能需要更多样本以确认其统计显著性，增加该治疗臂的样本量，通过重新计算样本量需求确保达到预设显著性水平，调整招募计划，优先纳入适合该治疗的患者，在罕见病试验中，若基因疗法的因果效应较高，则增加其样本量以验证疗效稳定性；终止效果不佳的治疗臂：若某治疗臂的因果效应接近零或负值，且无改善趋资源重新分配到其他治疗臂或新设计的治疗方案；调整试验时间点或随访频率：当纵向数据可能显示治疗效果在特定时间点更明显，调整随访计划，增加关键时间点的测量频率，延长或缩短试验周期，以捕捉长期效果或加速终止。[0060]在Sp5中，基于Sp4的因果效应估计估治疗效果是否达到显著水平，通过统计检验确定平均治疗效应(ATE)是否显著不为零，ATE是治疗组与对照组结局的平均差异，p值通过统计检验判断这一差异是否由治疗引起，而非随机波动，因此，Sp4先通过时间序列因果推断估计出ATE,再用ATE进行检验得出p值，接下来，用t检验验证ATE是否显著,计算ATE的标准误差(SE),基于样本方差和样本量，t统计量公式为：,根据t分布查表，得出双尾p值，若样本量大如1000人，可用z检用于量化治疗的因果效应是否统计显著,评估新型干预与标准对照的效果差异，p值表示在原假设下，观察到当前数据或更极端数据的概率，小p值表明治疗效果显著,拒绝原假设，大p值表明效果不显著。[0061]加权评估机制的评估操作如下：基于Sp2的反应数据，统计各治疗臂的副作用率，基于试验进展，计算样本量使用率、预算消耗率[0064]Ssig:统计显著性得分(1-p值，范围[0,1]);[0065]saf:安全性得分(1-副作用率，范围[0,1);[0066]Sres:资源效率得分(1-预算使用率，范围[0,1]);[0067]@1,①₂,@₃:权重(0.4、0.4、0.2),根据试验目标调整；[0068]通过Sp2中的前期试验结果，伦理敏感试验提高@₂,资源受限试验提高@₃,基于统计学标准、伦理指南和预算约束，将阈值设为0.85,要求显著性p<0.05、安全性副作用率<5%、预算使用率<90%,阈值可随试验阶段变化，基于Sp2的统一数据集，每收集新数据更新S,若S≥阈值，触发终止信号，终止前需通过伦理委员会确认，在加权评估机制的综合结果达到预设阈值时终止试验，是为了确保终止决策基于明确的、量化的标准，既避免过早终止导致证据不足，导致假阴性，影响新药开发的成功率，也避免过晚终止导致患者暴露于无效[0071]上述系统中的各个算法的核心公式内容如下所示：[0072]深度伦理强化学习(DERL):深度伦理强化学习将传统的强化学习与伦理约束相结合，确保在优化长期奖励的同时，满足患者安全和伦理要求，它不仅追求治疗效果的最大化，还通过数学约束避免高风险决策；[0074]Q(s,a):状态s下选择动作a的预期累积奖励(Q值);[0075]s:当前状态，例如患者的健康指标或试验阶段；[0076]a:采取的动作，例如分配某种治疗方案；[0077]r:即时奖励，例如治疗后[0079]γ:折扣因子(0≤γ<1),衡量未来奖励的重要性；[0080]s':执行动作a后的下一状态；[0081]a':下一状态下可能的动作；[0085]a∈high-riskactions:如果动作被归类为高风险；[0086]ethics:动态伦理阈值，根据患者情况或试验阶段调整；[0087]只有当Q值超过伦理阈值时，高风险动作才会被考虑，从而保障安全性。[0088]时间序列因果推断(TCI):时间序列因果推断结合纵向数据和双重鲁棒估计，动态评估治疗的因果效应，利用时间序列数据提升因果推断的准确性，特别适用于自适应临床试验中治疗效果的实时分析；[0089]双重鲁棒估计的因果效应为：[0091]ATE:治疗的平均因果效应，即治疗组与对照组结局的差异；[0093]Ⅱ(A=1):指示函数，当接受治疗(A=1)时为1,否则为0;[0094]Ⅱ(A=0):指示函数，当未接受治疗(A=0)时为1,否则为0;[0095]ê(X):倾向评分，表示在协变量X条件下接受治疗的概率；[0097]Y:观察到的结局，例如康复率或生存时间；[0098]u1(X):治疗组(A=1)在协变量X下的预测结局；[0099]u₀(X):对照组(A=0)在协变量X下的预测结局；[0100]该公式通过倾向评分调整混淆因素，并结合预测模型的双重鲁棒性，确保即使模型部分错误，因果效应估计仍保持可靠。[0101]生成对抗网络(GAN):生成对抗网络引入因果一致性约束，确保生成的数据不仅逼真，还符合治疗的因果关系，可用于弥补数据不足并支持因果分析；[0103]G:生成器，负责从噪声z生成逼真的数据；[0104]D:判别器，负责区分真实数据x和生成数据G(z);[0105]V(D,G):GAN的目标函数，表示判别器和生成器的对抗损失；[0106]IEx~pdata对真实数据分布Pata的期望；[0107]x:真实数据，例如患者的实际治疗记录；[0108]IEz~pz:对噪声分布p₂的期望；[0109]z:随机噪声输入，用于生成数据；[0110]D(x):判别器判断x为真实数据的概率；[0111]G(z):生成器基于噪声z生成的数据；[0112]1-D(G(z)):判别器判断生成数据为假的概率；[0113]生成器中加入因果图先验，确保生成的数据满足治疗与结局之间的因果结构。[0114]具体实施例四：[0115]如图1至图7所示，根据上述具体实施例中的内容，进一步公开以下内容：[0116]所述系统的组成架构包括试验设计模块、数据收集与增强模块、动态优化模块、因果效应评估模块、终止规则模块、数据安全模块，以及模型解释模块，具体包括以下内容：[0117]试验设计模块：通过定义至少两种治疗方案及初始分配比例，为试验奠定科学基础，初始化虚拟数据生成系统以增强数据量，解决小样本问题，设定伦理约束确保高风险治疗方案的选择符合患者安全标准，融合动态优化、因果分析和数据增强技术的设计框架，支持实时调整和个性化治疗，为数据收集与增强模块提供初始参数，为动态优化模块提供治疗方案选项，试验设计模块使用配备多核CPU和GPU的高性能服务器，GPU加速生成对抗网络模型训练，快速生成逼真虚拟数据，多核CPU处理试验参数计算，实时监控伦理约束，保证试验设计科学合理且符合伦理标准；[0118]数据收集与增强模块：通过获取患者基线数据和治疗反应数据，结合虚拟数据生成符合治疗与结局因果关系的数据，合并真实和虚拟数据形成统一数据集，为后续动态优化和因果评估提供高质量输入，突破传统试验的数据量限制，增强方法的适用性，支持动态优化模块的状态定义和因果效应评估模块的纵向数据分析，数据收集与增强模块通过可穿戴设备和医疗传感器进行数据采集，确保数据多样性和准确性，提升小样本场景的统计分析能力，边缘计算节点实时处理数据减少延迟，数据存储服务器保存真实数据和虚拟数据为后续分析提供支持，采集设备确保数据多样性和准确性，提升小样本场景的统计分析能[0119]动态优化模块：通过定义状态、动作和奖励，基于实时数据预测最佳治疗方案，动态调整分配比例，优化患者获益和试验效率，采用动态优化技术，实现个性化治疗分配，超越传统随机分配的局限，依赖数据收集与增强模块的统一数据集，反馈调整结果至因果效[0120]因果效应评估模块：通过分析纵向数据量化治疗在不同时间点对患者结局的影响，结合倾向评分和结果预测方法确保评估稳健性，根据因果效应结果调整试验参数，优化试验设计，利用数据收集与增强模块的数据，为终止规则模块提供显著性依据，因果效应评估模块使用配备高内存服务器和分布式计算框架的大数据分析平台，分析纵向数据如治疗后评分，量化因果效应，调整试验参数，分布式框架处理大规模数据，高内存服务器支持复杂因果模型计算，提高因果推断的精度和可靠性，为试验优化提供科学依据；[0121]终止规则模块：通过综合评估治疗效果的统计显著性、各治疗臂的安全性和资源使用情况，设计加权评估机制生成综合分数，并在分数达到预设阈值时终止试验，确保科学性和伦理性的平衡，多目标优化规则动态响应试验进展，区别于单一标准终止，整合因果效应评估模块的显著性数据和数据收集模块的资源信息，终止规则模块通过配备多核CPU和实时监控工具的决策支持系统，评估统计效果差异、不良事件率和预算使用，决定是否终止试验，多核CPU高效处理多目标优化规则，监控工具跟踪试验平衡伦理与效率；[0122]数据安全模块：通过区块链技术存储和共享试验数据，确保数据完整性和不可篡改性，采用差分隐私技术保护患者隐私，为所有模块提供安全的数据环境，符合临床试验的监管要求，为数据收集与增强模块提供安全存储，为其他模块提供可靠数据，数据安全模块利用区块链服务器和加密硬件模块如硬件安全模块，存储和共享试验数据，确保数据完整性和隐私保护，区块链服务器记录操作日志实现透明可追溯，加密模块管理密钥保护敏感[0123]模型解释模块：通过分析动态优化和因果评估的决策依据，提供可视化工具展示分配比例调整和因果效应结果，增强临床医生和监管机构的信任，支持方法的透明性和监管审批，解释动态优化模块的决策，验证因果效应评估模块的结果，模型解释模块通过配备型解释方法的计算和渲染，显示器清晰呈现动态调整和结果，提升模型透明性和监管信任，方便医生和机构理解；[0124]试验设计模块作为系统起点，为数据收集模块提供初始数据集和参数，为动态优化模块提供治疗选项，为因果效应评估模块提供分析基础，为终止规则模块设定评估标准，奠定整个试验的基础，数据收集与增强模块接收试验设计模块的初始数据，输出高质量数据集给动态优化模块支持治疗分配调整，给因果效应评估模块支持效果分析，并接收动态优化模块的反馈数据，更新数据集，动态优化模块根据数据收集模块提供的实时数据，动态调整分配比例，并反馈优化结果至数据收集模块，更新数据分布，输出数据给因果效应评估模块，供效果分析，间接影响终止规则模块的显著性评估，设计因果效应评估模块接收动态优化模块的分配数据，验证优化效果，输出显著性结果给终止规则模块，支持终止决策，反馈调整建议至数据收集模块，优化数据生成，终止规则模块综合因果效应评估模块的显著性、数据收集模块的安全性和资源效率如样本量，通过加权评估生成综合分数，判断是否达到终止阈值，整合各模块结果，决定试验终止，确保科学性和伦理平衡，数据安全模块和模型解释模块贯穿整个流程，分别保障数据隐私和模型透明度。[0126]如图1至图7所示，根据上述[0127]为进一步验证本申请方案相较于现有技术的优势，将本申请方案与现有技术进行[0128]实验1:新型干预vs标准对照在小细胞肺癌(SCLC)细胞增殖与凋亡中的效果对比：[0129]实验目标：比较新型干预(PD-1免疫检查点抑制剂联合EGFR靶向药物)与标准对照(传统化疗)对小细胞肺癌细胞增殖抑制和凋亡诱导的效果，评估治疗对癌细胞生物学行为的动态影响；[0130]治疗方案：在新型干预中，患者接受PD-1免疫检查点抑制剂纳武利尤单抗联合EGFR靶向药物奥希替尼治疗，纳武利尤单抗剂量为240毫克，每3周通过静脉注射给药一次，奥希替尼剂量为80毫克，每日口服一次，治疗持续6个月，期间定期监测患者反应和副作用；在标准对照中，患者接受依托泊苷联合顺铂化疗，依托泊苷剂量为100mg/m²,在每周期第1至3天通过静脉注射给药，顺铂剂量为75mg/m²,在每周期第1天通过静脉注射给药，每3周为[0131]观察指标：细胞增殖抑制率：通过Ki-67免疫组化染色评估癌细胞增殖活性降低百过液体活检测量血液中CTC数量变化百分比；肿瘤体积缩小率：通过CT/MRI测量肿瘤最大直径减少百分比；临床缓解率：根据RECIST标准评估部分缓解(PR,肿瘤直径减少≥30%)或完全缓解(CR,肿瘤消失)的患者比例；严重不良事件率：定义为需医疗干预的副作用；[0132]实验设计：选取120名确诊SCLC广泛期患者，其年龄18-75岁，性别、吸烟史等基线特征均衡，基于Sp1历史数据设定初始分配比例，即60%新型干预，40%标准对照，Sp1初始化治疗臂和生成对抗网络虚拟数据生成系统，Sp2通过医疗传感器、可穿戴设备收集真实数据并生成虚拟数据，合并为统一数据集，Sp3采用深度伦理强化学习动态优化分配比例，Sp4通过时间序列因果推断评估因果效应，Sp5综合显著性、安全性和资源效率决定试验终止，[0133]实验2:基因疗法vs激素治疗在杜氏肌营养不良症(DMD)肌肉纤维修复与功能改善中的效果对比：[0134]实验目标：比较基因疗法(CRISPR-Cas9基因编辑)与激素治疗(糖皮质激素)对杜氏肌营养不良症患者肌肉纤维修复和功能改善的效果，评估治疗对肌肉细胞再生和力量恢复的影响；[0135]治疗方案：在基因疗法中，患者接受CRISPR-Cas9基因编辑疗法，通过腺相关病毒载体递送，单次静脉注射，剂量为1×10^14病毒基因组每千克体重，靶向修复DMD基因外显子突变，促进肌营养不良蛋白表达，治疗后随访12个月，监测肌肉功能和安全性；在激素治疗中，患者接受糖皮质激素泼尼松治疗，剂量为0.75mg/kg,每日口服一次，若出现严重副作用，即若体重增加超过20%,可减量至0.5mg/kg/天口服，治疗持续12个月，定期评估患者反应和副作用；[0136]观察指标：肌肉纤维修复率：通过肌肉活检和免疫荧光染色评估修复的肌纤维百分比，即正常肌纤维占比；肌肉力量提升率：通过标准6分钟步行测试(6MWT)评估行走距离提升百分比；肌纤维坏死减少率：通过组织切片HE染色评估坏死肌纤维减少百分比；肌酸激酶(CK)水平下降率：通过血清检测评估CK浓度降低百分比，反映肌肉损伤程度；生活质量(QoL)改善率：通过PedsQL量表评估生活质量评分提升百分比；严重不良事件率：定义为需医疗干预的副作用；配，即50%基因疗法，50%激素治疗，Sp1设定治疗臂和伦理约束，Sp2通过可穿戴设备监测指标新型干预标准对照细胞增殖抑制率(%)细胞凋亡率(%)循环肿瘤细胞减少率肿瘤体积缩小率(%)临床缓解率(%)严重不良事件率(%)4(皮疹)8(恶心呕吐)指标肌肉纤维修复率(%)肌肉力量提升率(%)肌纤维坏死减少率(%)生活质量改善率(%)严重不良事件率(%)3(发热)6(体重增加)实验1:新型干预vs标准对照(SCLC):细胞增殖抑制率：新型干预组的癌细胞增殖活性降低68%,Ki-67阳性率从治疗前60%降至20%,标准对照组降低42%,从58%降至34%,这表明新型干预通过激活免疫系统和阻断生长信号，有效抑制癌细胞分裂，而化疗的细胞毒性作用较弱，部分癌细胞可能产生耐药性；[0145]细胞凋亡率：新型干预组的癌细胞凋亡率达27%,TUNEL染色显示大量细胞进入凋亡状态，标准对照组为16%,新型干预通过免疫杀伤和靶向信号诱导更强的凋亡反应，化疗的凋亡效果因耐药性受限；[0146]循环肿瘤细胞减少率：新型干预组的循环肿瘤细胞数量降低55%,从每7.5毫升血15个降至7个，标准对照组降低25%,从14个降至11个，新型干预通过免疫清除和抑制肿瘤[0147]肿瘤体积缩小率：新型干预组的肿瘤直径平均减少48%,计算机断层扫描和磁共振成像显示第4个月已达40%缩小率，标准对照组为32%,第4个月仅25%。新型干预的协同机制更有效控制肿瘤生长；[0148]临床缓解率：新型干预组45%患者达到缓解，其中27人部分缓解，2人完全缓解，标准对照组22%,其中13人部分缓解，1人完全缓解，新型干预显著提高患者肿瘤控制率，改善[0149]严重不良事件率：新型干预4%,即120个人中5皮疹，标准对照8%,即120个人中10人恶心呕吐，全组平均4.5%,低于传统设计；[0150]新型干预在细胞增殖抑制、凋亡诱导、循环肿瘤细胞减少、肿瘤缩小和临床缓解上全面优于化疗，显示其强大的抗癌效果，45%缓解率符合小细胞肺癌的治疗预期，证明其临床潜力。[0151]实验2:基因疗法vs激素治疗(DMD):[0153]肌肉力量提升率：基因疗法组6分钟步行测试距离从200米增至296米，提升率48%,激素治疗组从205米增至262米，提升率28%,基因疗法直接改善肌肉结构，显著增强[0154]肌纤维坏死减少率：基因疗法组坏死肌纤维占比从30%降至12%,减少率60%,激素治疗组从32%降至19%,减少率40%,基因疗法稳定肌膜，减少肌肉损伤，激素治疗仅部分缓解炎症相关坏死；[0155]肌酸激酶水平下降率：基因疗法组肌酸激酶从8000单位每升降至2800单位每升，下降率65%,激素治疗组从8200单位每升降至4510单位每升，下降率45%,基因疗法减少肌[0156]生活质量改善率：基因疗法组儿童生活质量量表评分从50分升至75分，改善率50%,激素治疗组从52分升至68分，改善率30%,基因疗法通过改善运动能力显著提升患者日常生活质量，激素治疗因副作用限制改善幅度；[0157]严重不良事件率：基因疗法3%,80个人中2发热，激素治疗6%,80个人中5人体重增加),全组平均4.5%,低于传统设计；[0158]基因疗法在肌肉修复、力量提升、坏死减少、肌酸激酶下降和生活质量改善上全面优于激素治疗，显示其精准修复基因缺陷的优势，50%生活质量改善率符合杜氏肌营养不[0160]动态优化分配通过深度伦理强化学习实现：试验设计模块初始分配实验1为60%Ki-67增殖抑制率达60%而化疗仅35%,因此将新型干预比例增至75%,实验2在第6个月发现基因疗法的6分钟步行测试力量提升率达40%而激素治疗仅20%,因此将基因疗法比例增至65%,这使得实验1有90名患者即120人中的90人接受新型干预，实验2有52名患者即80人中的52人接受基因疗法，显著提升实验1的45%临床缓解率和实验2的55%肌肉纤维修复率，而传统固定分配会让半数患者接受效果较差的化疗或激素治疗从而降低整体成功率，人虚拟数据扩充为130人数据集，生成对抗网络模拟实验1的Ki-67染色和循环肿瘤细胞数据以及实验2的肌肉活检和肌酸激酶数据，并通过因果一致性验证确保虚拟数据准确反映从而确认68%对比42%的增殖抑制率差异，实验2的p值从0.06降至0.01从而确认55%对比35%的肌肉纤维修复率差异，而传统小样本试验因数据不足可能无法得出显著结论从而错因果推断并结合倾向评分匹配平衡基线特征即实验1的年龄和吸烟史以及实验2的基因突变类型和年龄，通过分析纵向数据即实验1的每月循环肿瘤细胞检测和实验2的每3个月肌算出基因疗法的平均治疗效应为0.20且p值为0.01,根据这些结果将化疗比例降至25%并将激素治疗比例降至35%,这种精确评估确认了新型干预的显著优势即实验1的48%肿瘤缩小率和实验2的60%肌纤维坏死减少率，并优化了试验设计以确保资源集中于更有效的[0163]多目标优化终止通过加权评估实现：终止规则模块综合显著性即实验1的p值为0.01和实验2的p值为0.03、安全性即实验1新型干预副作用率4%对比化疗8%和实验2基因疗法副作用率3%对比激素治疗6%以及资源效率即实验1使用120人对比计划150人和实验值0.85从而触发试验终止，这及时避免了患者继续接受效果较差的化疗即22%缓解率和激素治疗即30%生活质量改善率，节约了20%的样本量并聚焦于新型干预的45%缓解率和基