CN119153099B 一种肿瘤放疗患者症状管理与预后评估方法及系统 （中山大学孙逸仙纪念医院深汕中心医院）

一种肿瘤放疗患者症状管理与预后评估方本发明公开了一种肿瘤放疗患者症状管理根据所述基本信息进行预后评估，生成第一结明通过融合双重对比学习网络与双路径决策树实践提供精准化的预后评估和个性化的症状管2所述第一结果判断风险类别；根据所述第二结果和所述风险类别进行症状管理，同时生成预后数构建患者特征矩阵，将所述基本信息中的数值型特征所述构建患者特征矩阵，将所述基本信息中的数值型特征和类别型特对原始特征矩阵X中的数值型特征采用基于时间衰减的Z_score标;对原始特征矩阵X中的类别型特征采用加权目标编;;将标准化处理后的数值型特征值和编码转换后的类别型特征值按照原始特征的对应;其中，ay为第i个待评估患者的第j个标准化特征值，若第j个特征为数值型特征，则3所述双重对比学习网络包括全局对比学习模块和局部对比;;fi为待评估患者的局部特征表示；为第w个近邻历史患者的局部特征表示；计算所述标准化特征矩阵中每两个特征之间的皮尔逊相关遍历所述特征相关系数矩阵中的所有相关系数，并根据相关系数的绝对将所述第一类特征输入所述全局对比学习模块，生成全局特征表示矩将第一类特征数量与总特征数量的比值作为全局特征权重；将基于所述增强特征矩阵，通过集成树模型进行预后评估建模并输针对所述增强特征矩阵中的每个增强特征，根据每个增强特征在4计算所述全局特征权重与全局特征表示矩阵中对应增强计算所述增强特征矩阵中每个增强特征的总方差、组内方对所述增强特征矩阵中的每个增强特征进行分类判断：若所述全局特征表示矩阵中对应增强特征值的乘积大于所述局部特征权重与所述局部特征表示矩计算深度优先决策树权重系数和广度优先决策树权重根据置信区间稳定性得分与第三预设阈值的比较结果，以及相似度基于局部复发风险预测值、远处转移风险预测值和并发将所述生存概率预测值综合分数与风险事件当最终风险分类得分大于等于第六预设阈值，且可信度大于等于2级时，判定为低风5根据所述症状信息，对照放射治疗急性反应分级标准评估症状严根据所述第二结果中的症状严重度等级和所述风险类别，从配套的获取放疗治疗室采集的每次治疗记录和所述症状严重度等级，对所述预后数据进行标准化处理，若所述预后数据中存在数据缺失特征权重并进行特征对比学习，将优化后的增强特征矩阵输入所述双路径决策树集成模7.一种采用如权利要求1~6任一所述的肿瘤放疗患者症状管理与预后评估方法的系症状评估模块，用于获取肿瘤放疗患者的症状信息，根据所述症状动态管理模块，用于根据所述第二结果和所述风险类别8.一种计算机设备，包括存储器和处理器，所述存储器处理器执行时实现权利要求1至6中任一项所述的肿瘤放疗患者症状管理与预后评估方法6放疗患者的症状管理主要依赖医生的经验判断，通过观察患者症状表现来调整治疗方案。方法逐渐成为研究热点。现有技术通常采用浅层神经网络或传统的树模型进行预后预测，7[0007]作为本发明所述的肿瘤放疗患者症状管理与预后评估方法的一种优选方案，其[0008]作为本发明所述的肿瘤放疗患者症状管理与预后评估方法的一种优选方案，其[0009]构建双重对比学习网络对所述标准化特征矩阵进行特征增强，生成增强特征矩全局特征表示矩阵中对应增强特征值的乘积大于所述局部特征权重与所述局部特征表示8[0012]作为本发明所述的肿瘤放疗患者症状管理与预后评估方法的一种优选方案，其[0013]作为本发明所述的肿瘤放疗患者症状管理与预后评估方法的一种优选方案，其[0014]作为本发明所述的肿瘤放疗患者症状管理与预后评估方法的一种优选方案，其[0015]作为本发明所述的肿瘤放疗患者症状管理与预后评估方法的一种优选方案，其9被处理器执行时实现如上所述肿瘤放疗患者症状管理与预后评估的创新架构，实现了对肿瘤放疗患者多维度医疗数据的动态关联分析和自适应特征增强。[0022]图2为本发明提出的一种肿瘤放疗患者症状管理与预后评估方法的计算机设备员随时进行信息补充和更新。所有采集的信息都需要经过规范化处理和质量控制，确保数据的准确性和完整性，这些经过处理的基础数据将为后续的预后评估和风险分类提供全[0043]然后，对原始特征矩阵X中的数值型特征采用基于时间衰减的Z_score标准化处j为[0049]w,=exp(-u(to-t,))；携带的预后信息能够被充分利用。;者数量；为局部温度参数，取值范围为[0.1,1.0]；预设阈值T1的取值范围为[0.3,自编码器虽然能够学习特征的隐含表示，但往往忽视了医疗数据的层次性和局部相关性，特征表示矩阵中对应增强特征值的乘积大于局部特征权重与局部特征表示矩阵中对应增局部特征权重与局部特征表示矩阵中对应增强特征值的乘积大于全局特征权重与全局特树权重系数为增强特征矩阵B中所有增强特征的全局特征权重之和除以所有增强特征的全局特征权重与局部特征权重之和；广度优先决策树权重系数为1减去深度优先决策树权重[0080]当置信区间稳定性得分高于第三预设阈值，且相似度得部特征的动态权衡和自适应特征选择。具体体现为：通过组内方差与总方差比值判定特征稳定性，结合全局局部特征权重的比较，本发明实现了在稳定区间内优先考虑全局表征了基于置信区间稳定性和分布相似度的多级可信度评估机制，通过验证集和训练集两个维度的相似度阈值约束，为预测结果提供了更细粒度的可靠性保证。本发明显著提升了预后评估模型在异质性数据场景下的鲁棒性和可解释性，为临床决策提供了更可靠的定量化参考依据。数P为惩罚系数。[0104]FS=BSP-(1-F)RS；CommonToxicityCriteria)毒性反得到的新全局特征表示矩阵与新局部特征表示矩阵的相似度低于增强特征矩阵中对应矩与预后预测的动态关联：首先基于症状严重度等级和风险类别进行及时的治疗方案调整，[0117]综上，本发明通过构建双重对比学习网络与双路径决策[0124]实施例4，为本发明的一个实施例，提供了肿瘤放疗患者症状管理与预后评估方[0125]为验证本发明的有效性，选取某三甲医院放疗科2023年1月至2023年12月期间收[0126]构建双重对比学习网络，其中全局对比学习模块采用三92.577.818.990.875.220.791.276.519.217.021.021.6[0130]如表1所示，本发明与现有技术相比在六项核心评估指标上均表现出显著的性能提升。预测准确率由77.8%提升至92.5%（p<0.001特异度和敏感度分别达到90.8%和观察指标治疗前治疗2周治疗4周治疗6周治疗8周改善率(%)P值放射性皮炎发生率(%)015.228.532.125.4<0.001放射性口腔炎发生率(%)012.825.628.920.123.5<0.001吞咽困难发生率(%)010.522.325.718.225.8<0.001疲劳程度评分2.53.23.82.928.4<0.0