[发明专利]一种基于连续时间马尔可夫链的慢性疾病预测方法

权利要求书

1.一种基于连续时间马尔可夫链的慢性疾病预测方法，其特征在于，包括以下步骤：

获取慢性疾病患者的原始数据集，并从原始数据集中提取健康状态信息和健康状态之间的转移信息；

根据健康状态信息和健康状态之间的转移信息构建转移速率矩阵，并从移速率矩阵中提取每个自由转移速率的先验分布；

根据待预测数据集计算关于转移速率的似然函数，以及关于转移速率的后验分布的联合密度函数；得到各个自由转移速率的特征以及其医学解释；

基于得到的各个自由转移速率特征和医学解释来分析预测慢性疾病的健康转移速率和患者平均寿命。

2.根据权利要求1所述的基于连续时间马尔可夫链的慢性疾病预测方法，其特征在于，所述获取慢性疾病患者的原始数据集，并从原始数据集中提取健康状态信息和健康状态之间的转移信息，具体包括：

从原始数据集提取出慢性疾病患者的健康状态信息，以自然数标识(1,2,3…n)，数字越大表明健康状态越差，数字最小1代表健康，是不患病状态；数字最大n代表死亡状态，不同的慢性疾病健康状态数量不同；从原始数据集提取出慢性疾病患者潜在的健康状态转移信息。

3.根据权利要求2所述的基于连续时间马尔可夫链的慢性疾病预测方法，其特征在于，所述根据健康状态信息和健康状态之间的转移信息构建转移速率矩阵，并从移速率矩阵中提取每个自由转移速率的先验分布，具体包括：

根据健康状态信息和健康状态之间的转移信息构建转移速率矩阵Q，转移速率矩阵Q的表达式为：

基于贝叶斯理论估计方法选取转移速率矩阵Q中所有非零自由转移速率的先验分布，记为{q_ij}；其中，q_ij＝(i＝1,2,...,n；j＝1,2,...,n；i≠j)表示从健康状态i到健康状态j的转移速率，q_ij越大代表健康状况更容易从状态i转移到状态j。

4.根据权利要求3所述的基于连续时间马尔可夫链的慢性疾病预测方法，其特征在于，所述联合密度函数用表示，其中A为所有可能转移状况的集合；则先验分布的表达式为：

每个q_ij都是独立的Gamma分布，参数分别为α_ij和β_ij。

5.根据权利要求4所述的基于连续时间马尔可夫链的慢性疾病预测方法，其特征在于，所述似然函数L的表达式为：

其中，n_ij为数据集中统计的在所有病人中出现的从状态i转移到状态j的次数，Δt_i为数据集中统计的所有病人加起来在状态i上停留的总时长。

6.根据权利要求5所述的基于连续时间马尔可夫链的慢性疾病预测方法，其特征在于，根据贝叶斯理论计算后验分布，表达式为：

每个q_ij为独立的参数分别为α_ij和β_ij的Gamma分布，将其先验分布的密度函数带入到后验分布的表达式中将会得到：

7.根据权利要求6所述的基于连续时间马尔可夫链的慢性疾病预测方法，其特征在于，所述得到各个自由转移速率的特征以及其医学解释，具体包括：

自由转移速率的特征包括期望转移速率、转移速率的95％可信区间和状态转移平均时长，期望转移速率Eq_ij是从状态i到状态j转移的平均速率，越大代表整体上从i到j的转移越容易并且越快地发生；

转移速率的95％可信区间记为(a_ij,b_ij)代表的是从i到j的转移速率q_ij有95％的概率落在该区间上；

从状态i到状态j的平均转移时长为t_ij，该值越大代表平均意义上从状态i到状态j的转移时间越长；对应的如果期望转移速率Eq_ij越大，平均转移时长t_ij越小。