[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

说明书

本发明提供了一种基于连续时间马尔可夫链的慢性疾病预测方法，包括：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、患者平均寿命和防治方案等。可以解决现有方法对疾病发展过程的相关参数估计不准确，描述不完整的问题。

技术领域

本发明涉及医疗检测技术领域，具体涉及一种基于连续时间马尔可夫链的慢性疾病预测方法。

背景技术

慢性疾病发展过程的研究在医学领域非常重要，它能够帮助我们科学地对慢性疾病发展进行认识与了解，进而能够为预测疾病患者的平均年龄，以及防治慢性疾病提供科学依据。一般慢性疾病会分为几个健康阶段，每个健康阶段都代表不同的健康程度。通常在研究中对每个健康阶段用数字进行标识，数字越大代表健康状态越糟糕，数字最大的健康状态为死亡。搞清楚各个健康阶段之间的转移状况就搞清楚了慢性疾病发展及演变的过程，因此研究演变成了对健康状态转移情况的模拟。在众多数学模型中，马尔可夫链是对该转移情况模拟的一个较好的选择，成了目前的主流模型。原因有二，一是本身模型并不复杂便于理解，二是它的前提假设马尔可夫性质在慢性疾病发展过程中是合理的。然而即便研究核心都是运用马尔可夫链，其中还是有细微差异的。目前基于马尔可夫链常见的模拟慢性疾病发展过程的研究方法分为两类：

一种是基于离散时间马尔可夫链的方法。这种方法将健康状态转移情况用转移矩阵表示出来，但是假设时间是离散的，目的是通过已有的医学中病人每个离散时间点健康状态的数据来估计转移矩阵。文献“SIJIA DAVIS.USING MARKOV CHAIN TO DESCRIBE THEPROGRESSION OF CHRONIC DISEASE”采用的是这种方法。但是该方法的缺陷也很明显，因为选择用离散时间进行模拟，所以很难准确地掌握病人确切的状态转移时间。比如以间隔一年为单位，如果病人从一个健康状态到另一个健康状态的转移时间是0.5年，那么该模型很难捕捉到这个确切的信息，以至于造成模型估计的偏差。

另一种是基于连续时间马尔可夫链的方法。在这种方法中，时间是连续的，随之离散方法中的转移矩阵到此方法中变成了转移速率矩阵。目的是根据已有的数据估计转移速率矩阵以实现对健康状态转移情况的描述，在文献“M.J.Sweeting,V.T.Farewell,D.DeAngelis.Multi-state Markov models for disease progression in the presence ofinformative examination times:An application to hepatitis C.1161-1174,2008.”有所提及。该方法相对于离散时间方法而言能够精确地捕捉病人转移时间的信息，但是还是对转移速率矩阵的估计有严格的要求。传统估计方法如极大似然估计能够给出一个合理的估计，但是因缺乏对参数不确定性的讨论导致最终对慢性疾病的发展过程的描述还是存在着不完整性。

发明内容

针对现有技术存在的上述不足，本发明的目的在于：提供了一种基于连续时间马尔可夫链的慢性疾病预测方法，预先构建转移速率矩阵，然后分析矩阵中每个自由转移速率的先验分布、似然函数以及联合密度函数，得到每个自由转移速率的特征，最后基于得到的特征分析预测慢性疾病的健康转移速率、患者平均寿命和防治方案等。可以解决现有方法对疾病发展过程的相关参数估计不准确，描述不完整的问题。

一种基于连续时间马尔可夫链的慢性疾病预测方法，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；