[发明专利]基于变分推断和深度学习的腹膜透析模式辅助推荐系统

说明书

本发明公开了一种变分推断和深度学习的腹膜透析治疗效果预测系统，包括信息获取模块、计算处理模块、辅助推荐模块和、自学习模块，其中计算处理模块中采用基于变分推断和深度学习的预测模型，包括：获取回顾性实验数据集；推导得到变分下界，将最大化似然函数转化为最大化变分下界；构建对应模型，以最大化变分下界为优化目标；使用超参数搜索，挑选出最佳超参数组合；在测试集上测试采取最佳超参数训练的模型。该模型能够在给定个体特征的情况下，预测对该个体采用自动腹膜透析和手动腹膜透析的预期治疗效果差异，并且通过变分推断方法解耦隐变量，减少选择偏误对预测的影响，获得更准确的预测性能，能够更好地辅助决策者对治疗模式的选择。

技术领域

本发明涉及腹膜透析人工智能领域，特别是一种基于变分推断和深度学习的腹膜透析模式辅助推荐系统。

背景技术

腹膜透析和血液透析、肾移植是目前中末期肾脏病病人的三种主要治疗手段。由于肾源短缺导致肾移植的病人渐少，而各级血液透析中心的病人渐趋饱和，腹膜透析正被越来越多的病人所采用。腹膜透析又分为手动腹膜透析和自动腹膜透析，近几年来，随着科技的发展和人们生活水平的不断提高，自动腹膜透析的占比逐年增加，然而自动腹膜透析相较于手动腹膜透析是否有更好的治疗效果尚未可知。

“接受/不接受某种干预措施，该患者的病情会改善吗？”是临床医生普遍关心的问题。实际上，这是一个关于个体化干预效果(Individualized Treatment Effects，ITE)的典型问题。ITE被定义为在给定患者状况的情况下，采取和不采取某种干预措施的预期结果之间的差异。对ITE的估计是精准医学领域的一项重要任务，可帮助临床医生选择合适的治疗方法。更一般地，ITE估计在需要进行行为决策的其他场景中也很有用，例如政府判断谁将从就业培训补贴中受益最多，老师决定哪个学习项目对某个特定的学生最有利等。ITE估计的常用方法主要可分为前瞻性研究和回顾性研究，前瞻性研究一般是设置临床随机对照试验(randomized controlled trials，RCTs)，回顾性研究一般根据以往记录的真实世界数据来估计干预效果。

RCT是将患者随机分配到不同的干预组中，观察不同干预组中患者的干预效果差异。然而RCT研究花费的时间长，费用高，甚至在一些情况下由于医学伦理因素不能进行。

回顾性研究则直接根据利用既往数据估计干预效果。由于数据相对易于获取，回顾性研究受到越来越广泛的关注。然而从既往数据估计个体干预效果也面临两个主要挑战：反事实结果缺失和选择偏误。由于在同一时间一位患者只能接受一种干预方案，所以我们无从得知未采取的方案(即反事实)的结果。为此解决这一问题，一些传统的ITE估计方法通过回归模型来拟合患者特征与潜在干预结果之间的关联，从而估计反事实结果，比如普通最小二乘法(Ordinary least squares，OLS)回归；还有研究采用基于最近邻匹配的方法，在采取相反干预措施的样本中搜索特征最为相似的训练样本，以此估计反事实结果，比如倾向性评分匹配(Propensity score matching，PSM)。然而，由于既往数据中干预措施的选择并不受控，其可能受到患者特征的影响，从而导致选择偏误。例如，在是否进行手术的决策上，老年人更倾向于选择保守治疗而拒绝手术，年轻人则更倾向于手术。在这种情况下，不同干预方案的组别之间本身就存在分布上的差异，在通过上述方法估计ITE时会将这种差异引入，从而造成ITE估计的不正确。

发明内容

本发明的目的在于提供一种基于变分推断和深度学习的腹膜透析模式辅助推荐系统。

实现本发明目的的技术解决方案为：一种基于变分推断和深度学习的腹膜透析模式辅助推荐系统，包含：

信息获取模块，用于获取腹膜透析患者的基本信息；

计算处理模块，用于预测手动或自动腹膜透析模式下的治疗效果；

辅助推荐模块，用于决策者根据预测的治疗效果选择合适的治疗模式；