技术领域
[0001] 本
发明涉及一种用药粒度选取优化方法，尤其涉及一种基于多粒度决策模型的最优用药粒度的计算方法。
背景技术
[0002] 目前,随着环境污染的加剧，竞争压
力的加重，一些
疾病的发病率有增加的趋势，这种情况越来越受到人们的重视。最新统计表明：1810万新增癌症病例中，亚洲约占全球癌症总发病数的50％；960万癌症死亡患者中，亚洲约占全球癌症总死亡数的60％。中国每年有400万的癌症新发病例，很多人都饱受癌症的折磨。
[0003] 在中国新医改的大背景下，智慧医疗正在走进寻常百姓的生活。智慧医疗是以患者数据为中心的医疗服务模式，记录患者在医院的所有行为和诊疗数据。合理的利用收集起来的医疗数据，为诊断病情提供行之有效的解决方案是当前研究的重点任务。
[0004] 当前癌症药物种类繁多，例如，
肺癌的常用药品有1187种，胃癌的常用药品有754种，结肠癌的常用药品有503种等。间接说明了当前医疗
水平有限，对于癌症是没有特效药的，只能尝试多种药物，用药不当不仅病情不会好转，花费大量金钱，还会浪费病人宝贵的时间，耽误病情，错过最佳
治疗时机。针对癌症药物的用药粒度选择提出使用多粒度决策模型，如果以往患者用药数据能为当前病人提供有效的用药依据，那对于病人病情的康复意义非凡。
发明内容
[0005] 本发明的目的是提供一种基于多粒度决策模型的最优用药粒度的计算方法，能够将癌症患者的用药粒度选择问题转化为多粒度决策模型选取最优粒度问题，并优化最优用药粒度计算方法，根据以往患者用药数据能为当前病人提供有效的用药依据，为医生选取抗癌药物提供自动化的辅助工具。
[0006] 本发明采用下述技术方案：
[0007] 一种基于多粒度决策模型的最优用药粒度的计算方法，包括以下具体步骤：
[0008] A：在单粒度层次的用药粒度决策模型的
基础上，通过对药物的用药剂量取不同的粒度层次，在癌症患者的用药系统中构建多粒度层次的用药粒度决策模型；然后进入步骤B；
[0009] B：判断癌症患者病重程度，若癌症患者为Ⅰ期和Ⅱ期患者则选取全局最优用药粒度，进入步骤C；若癌症患者为Ⅲ期和Ⅳ期患者则选取局部最优用药粒度，进入步骤F；
[0010] C：根据患者数据的条数进行判断，若患者数据条数小于等于5000条，进入步骤D；若新增患者数据大于5000条，则进入步骤E；其中，患者数据包括对象O、条件属性P和决策属性d；
[0011] D：使用协调性方法计算全局最优用药粒度；
[0012] E：使用
树形结构方法计算全局最优用药粒度；
[0013] F：根据患者数据的条数进行判断，如果患者数据的条数小于等于1000条，则进入步骤G；如果患者数据的条数大于1000条，则进入步骤H；
[0014] G：利用串行方法计算局部最优用药粒度；
[0015] H：利用并行方法计算局部最优用药粒度。
[0016] 所述的步骤A中：
[0017] 单粒度层次的用药粒度决策模型是一个二元组S＝(O，P∪{d})；其中，O为对象，是癌症患者的集合，用O＝{x1，x2，…，xn}表示，其中x1为患者1，x2为患者2，以此类推,xn为患者n；P为条件属性，包括患者的基本情况和用药量，P＝{a1，a2，…，an}，分别代表不同的条件属性，决策属性d表示药物治疗效果，用Y或N表示，Y表示治疗有效，N表示治疗无效；
[0018] 在单粒度层次的用药粒度决策模型S＝(O，P∪{d})中，通过对条件属性集合P中药物用量取不同的观测值得到多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})，其中k表示层数，包含了所能构造的所有粒度层；多粒度层次的用药粒度决策模型所构造的粒度层次数是I，由细粒度向粗粒度逐层构造，对象O＝{x1，x2，…，xn}，每一层的属性集记为1≤k≤I， 分别表示第k层用药粒度决策模型中的
第1个条件属性、第2个条件属性、…、第m个条件属性。
[0019] 所述的步骤A中所构建的多粒度层次的用药粒度决策模型中，条件属性P包括患者的基本情况和用药量，P＝{a1，a2，…，a10}，依次为病重程度、性别、年龄、药物A、药物B、药物C、药物D、药物E、药物F和药物G；多粒度层次的用药粒度决策模型的层数k为3，将患者的药1 1
量用片或粒表示时，得到第一层用药粒度决策模型S＝(O，P∪{d})；当患者的药物用量用盒或者瓶表示时，得到第二层用药粒度决策模型S2＝(O，P2∪{d})；当患者的药物用量用
疗程表示时，得到第三层用药粒度决策模型S3＝(O，P3∪{d})。
[0020] 所述的步骤D包括以下具体步骤：
[0021] D1：在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，把各个对象按条件属性进行划分，设对象x1的每个条件属性 和对象x2的每个条件属性 一一对应相同，则把x1和x2划分为一类，以此类推，记录划分结果并得到
每一层划分结果的集合，记为RO；
[0022] D2：在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，把各个对象按决策属性进行划分，设对象x1、x2和x3的药物治疗有效，而对象x4和x5的药物治疗无效，则按照决策属性进行划分，将x1、x2和x3划分为一类，将x4和x5划分为一类，依次类推，记录划分结果，得到所有对象在每一层上划分的集合，记为Rr；
[0023] D3：比较划分结果RO和划分结果Rr，如果 则判断此层决策模型是协调的；如果 则判断此层决策模型是不协调；首次出现不协调的粒度层数的上一层即为全局最优用药粒度；RO表示对象按照属性划分所得到的集合，Rr表示对象按照药物治疗效果划分所得到的集合。
[0024] 所述的步骤E包括以下具体步骤：
[0025] 用树形结构求解全局最优粒度，将步骤A得到的多粒度层次的用药粒度决策模型转换成树形存储，多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中，多粒度层次的用药粒度决策模型的每一层决策模型都是由多个树组成的森林，树的每一层表示每一个条件属性，叶子结点的下方存储的是对象O和决策属性d，根据同一叶子结点下方决策属性d的一致性判断此层决策模型是否协调，首次出现不协调的粒度层数的上一层即为全局最优用药粒度。
[0026] 所述的步骤G包括以下具体步骤：
[0027] G1：在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，把各个对象按条件属性进行划分，假设对象x1的每个属性 和对象x2的每个属性一一对应相同，则把x1和x2划分为一类，以此类推，记录划分结果并得到每
个对象划分结果的集合，记为[x]pk，即对象x在第k层用药粒度决策模型上按条件属性P划分的结果；
[0028] G2：在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，把各个对象按决策属性进行划分，假设对象x1和x2的药物治疗有效，而对象x3，x4和x5的药物治疗无效，则按照决策属性进行划分，将x1和x2划分为一类，将x3，x4和x5划分为一类，依次类推，记录划分结果并得到各个对象所在的集合，记为[x]d，即对象x按决策属性d划分的结果；
[0029] G3：比较步骤2中各个对象x所在集合[x]d是否包含步骤1中各个对象x所在集合若 则判断该对象x所在层的决策模型是协调的；若 则判断该对象x所在层的决策模型是不协调；首次出现不协调的粒度层数的上一层即为对象x的局部最优用药粒度，即 且 时，第k层粒度是关于对象x的局部最优用药
粒度；并由此得到所有对象的局部最优用药粒度的集合。
[0030] 所述的步骤H中，根据所使用的计算机的处理器的
内核数量N，将若干条患者数据平均划分为N组，然后所使用的计算机的处理器的N个内核分别按照步骤G所述的方法，分别计算对应的一组患者数据，最终得到所有对象的局部最优用药粒度的集合。
[0031] 本发明通过利用多粒度决策模型来解决癌症患者的用药选取问题；针对不同情况，给出了计算全局最优用药粒度的两种方法，通过分析癌症患者病重程度，在为Ⅰ期和Ⅱ期患者所建立的多粒度决策模型中，选用全局最优用药粒度；在为Ⅲ期和Ⅳ期患者所建立的多粒度决策模型中，选用局部最优用药粒度；同时，本发明还在新增患者数据条数大于5000条的情况下，选取树形结构求解全局最优用药粒度的方法，提升了时间效率；对选取局部最优用药粒度的过程做了并行，解决了时间过长的问题，节省了将近一半的时间。
[0032] 对于抗癌药物的选取，医生一般基于现有的经验，存在一定的误诊率，不仅造成病人时间和金钱的浪费，还会延误病情。本文基于多粒度决策模型，提出了两种选取全局最优用药粒度的方法，并给出了具体
算法，并行了选取局部最优粒度的过程。结果表明：新增患者数据量大于5000的情况下，树形结构选择全局最优粒度的方法在时间性能上较协调性的方法有很大的优势，并行选取局部最优粒度所用时间大约为串行所用时间的一半，为医生选取抗癌药物提供了自动化的辅助工具。
附图说明
[0033] 图1为本发明生成的第一层用药粒度决策模型示意图；
[0034] 图2为本发明生成的第二层用药粒度决策模型示意图；
[0035] 图3为本发明生成的第三层用药粒度决策模型示意图；
[0036] 图4为本发明提出的病患数据决策说明示意图；
[0037] 图5为本发明构造的树形结构说明示意图；
[0038] 图6为分别使用树形结构方法和协调性方法计算系统最优粒度时间对比示意图；
[0039] 图7为分别使用串行方法和并行方法计算局部最优粒度时间对比示意图；
[0040] 图8为使用串行方法和并行方法计算局部最优粒度时间对比折线图；
[0041] 图9为本发明的流程示意图。
具体实施方式
[0042] 以下结合附图和
实施例对本发明作以详细的描述：
[0043] 如图1至图9所示，本发明所述的基于多粒度决策模型的最优用药粒度的计算方法，包括以下步骤：
[0044] A：在单粒度层次的用药粒度决策模型的基础上，通过对药物的用药剂量取不同的粒度层次，在癌症患者的用药系统中构建多粒度层次的用药粒度决策模型；然后进入步骤B；
[0045] 由于市面上的抗癌药物制剂大约有一千多种，而医生对于药物的选取只能基于现有的知识与经验，缺乏自动化的辅助工具。癌症患者的用药粒度选择问题可以抽象为多粒度决策模型选取最优粒度问题，对癌症患者的药物用量取不同的观测值就可以得到不同粒度层次的用药粒度决策模型。
[0046] 本发明中所构建的单粒度层次的用药粒度决策模型是一个二元组S＝(O，P∪{d})；其中，O为对象，是癌症患者的集合，可用O＝{x1，x2，…，xn}表示，其中x1为患者1，x2为患者2，以此类推；P＝{a1，a2，…，an}，分别代表不同的条件属性，决策属性d表示药物治疗效果，用Y或N表示，Y表示治疗有效，N表示治疗无效。
[0047] 在单粒度层次的用药粒度决策模型S＝(O，P∪{d})中，通过对条件属性集合P中药物用量取不同的观测值得到多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})，其中k表示层数，包含了所能构造的所有粒度层；多粒度层次的用药粒度决策模型所构造的粒度层次数是I，由细粒度向粗粒度逐层构造，对象O＝{x1，x2，…，xn}，每一层的属性集记为1≤k≤I， 分别表示第k层用药粒度决策模型中的
第1个条件属性、第2个条件属性、…、第m个条件属性。
[0048] 本实施例中，步骤A中所构建的多粒度层次的用药粒度决策模型中，条件属性P包括患者的基本情况和用药量，P＝{a1，a2，…，a10}，依次为病重程度、性别、年龄、药物A、药物B、药物C、药物D、药物E、药物F和药物G；多粒度层次的用药粒度决策模型的层数k为3，；将患者的药量用最小单位即片或粒表示时，可以得到第一层用药粒度决策模型S1＝(O，P1∪{d})，如图1所示。当患者的药物用量用盒或者瓶表示时，我们可以得到第二层用药粒度决策模型S2＝(O，P2∪{d})，如图2所示。当患者的药物用量用疗程表示时，我们可以得到第三层用药粒度决策模型S3＝(O，P3∪{d})，如图3所示。
[0049] 设多粒度层次的用药粒度决策模型所构造的粒度层次数是I，由细粒度向粗粒度逐层构造，对象O＝{x1，x2，…，xn}，每一层的属性集记为 1≤k≤I，分别表示第k层用药粒度决策模型中的第1个条件属性、第2个条件属
性、…、第m个条件属性，即得到了多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})。
[0050] B：判断癌症患者病重程度，若癌症患者为Ⅰ期和Ⅱ期患者则选取全局最优用药粒度，进入步骤C；若癌症患者为Ⅲ期和Ⅳ期患者则选取局部最优用药粒度，进入步骤F；
[0051] C：根据患者数据的条数进行判断，若患者数据条数小于等于5000条，进入步骤D；若新增患者数据大于5000条，则进入步骤E；其中，患者数据包括对象O、条件属性P和决策属性d；
[0052] D：使用协调性方法计算全局最优用药粒度；
[0053] D1：在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，把各个对象按条件属性进行划分，假设对象x1的每个条件属性 和对象x2的每个条件属性 一一对应相同，则把x1和x2划分为一类，以此类推，记录划分结果并得
到每一层划分结果的集合，记为RO。
[0054] D2：在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，把各个对象按决策属性进行划分，假设对象x1、x2和x3的药物治疗有效，而对象x4和x5的药物治疗无效，则按照决策属性进行划分，将x1、x2和x3划分为一类，将x4和x5划分为一类，依次类推，记录划分结果，得到所有对象在每一层上划分的集合，记为Rr。
[0055] D3：比较划分结果RO和划分结果Rr，如果 则判断此层决策模型是协调的；如果 则判断此层决策模型是不协调；首次出现不协调的粒度层数的上一层即为全局最优用药粒度；RO表示对象按照属性划分所得到的集合，Rr表示对象按照药物治疗效果划分所得到的集合。
[0056] 综上，步骤D1至步骤D3中，在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，如果 则称多粒度层次的用药粒度决策模型的此层决策模型是协调的，否则称多粒度层次的用药粒度决策模型的此层决策模型是不协调的，并以此确定全局最优用药粒度。
[0057] E：使用树形结构方法计算全局最优用药粒度。
[0058] 用树形结构求解全局最优粒度，将步骤A得到的多粒度层次的用药粒度决策模型转换成树形存储，转换过程如图4至图5所示，在图4所示的多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中，O中存在5个对象，分别为x1、x2、x3、x4和x5；条件属性是a1，a2和a3，决策属性用d表示。
[0059] 观察图5树形结构可得出：构造完成的多粒度层次的用药粒度决策模型的每一层都是由多个树组成的森林，树形选取方法和协调性方法的不同之处就在于划分结果和协调性可以同时获得，节省了大量时间。树的每一层表示每一个条件属性，由上至下，依次为条件属性a1，a2和a3，叶子结点的下方存储的是对象O和决策属性d。根据同一叶子结点下方决策属性d的一致性判断此层决策模型是否协调，首次出现不协调的粒度层数的上一层即为全局最优用药粒度。
[0060] 鉴于患者数据属于持续增长类型，本发明主要讨论的是条件属性不变，对象批量增长的情况下选取全局最优粒度。在现有患者数据的基础上，批量增加数据，分别使用步骤D中协调性的计算全局最优用药粒度的方法和步骤E中使用树形结构方法计算全局最优用药粒度的方法，时间性能上的结果对比如图6所示。
[0061] 结果表明：两种算法计算结果一致的同时，随着对象的增加，两种求解全局最优粒度的方法所用时间均呈增长趋势。当增加对象个数为5000时，两种方法所用时间相差不多，仅为1秒左右，但是当增加对象个数大于5000，且越来越大时，在时间性能上，树形结构方法的优势就显示出来了。这为癌症患者选择用药粒度节省了大量宝贵时间。
[0062] F：根据患者数据的条数进行判断，如果患者数据的条数小于等于1000条，则进入步骤G；如果患者数据的条数大于1000条，则进入步骤H；
[0063] G：利用串行方法计算局部最优用药粒度：
[0064] G1：在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，把各个对象按条件属性进行划分，假设对象x1的每个属性 和对象x2的每个属性一一对应相同，则把x1和x2划分为一类，以此类推，记录划分结果并得到每
个对象划分结果的集合，记为[x]pk，即对象x在第k层用药粒度决策模型上按条件属性P划分的结果。
[0065] G2：在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中的每一层上，把各个对象按决策属性进行划分，假设对象x1和x2的药物治疗有效，而对象x3，x4和x5的药物治疗无效，则按照决策属性进行划分，将x1和x2划分为一类，将x3，x4和x5划分为一类，依次类推，记录划分结果并得到各个对象所在的集合，记为[x]d，即对象x按决策属性d划分的结果。
[0066] G3：比较步骤2中各个对象x所在集合[x]d是否包含步骤1中各个对象x所在集合[x]pk，若 则判断该对象x所在层的决策模型是协调的；若 则判断该对象x所在层的决策模型是不协调；首次出现不协调的粒度层数的上一层即为对象x的局部最优用药粒度，即 且 时，第k层粒度是关于对象x的局部最优用药
粒度；并由此得到所有对象的局部最优用药粒度的集合。
[0067] 综上，步骤G1至步骤G3中，根据各个对象的协调性选择局部最优用药粒度，即在多粒度层次的用药粒度决策模型Sk＝(O，Pk∪{d})中，对于x∈O，给定k，1≤k≤I，若且 即对象x所在的第k层的决策模型是协调的且第k+1层的决策模型是不协调的，则判断第k层粒度是关于对象x的局部最优用药粒度，并由此得到所有对象的局部最优用药粒度的集合。
[0068] H：利用并行方法计算局部最优用药粒度；
[0069] 根据所使用的计算机的处理器的内核数量N，将若干条患者数据平均划分为N组，然后所使用的计算机的处理器的N个内核分别按照步骤G所述的方法，分别计算对应的一组患者数据，最终得到所有对象的局部最优用药粒度的集合。例如所使用的计算机的处理器的内核数量为4，则将若干条患者数据平均划分为4组，然后所使用的计算机的处理器的4个内核分别按照步骤G所述的方法，分别计算对应的一组患者数据，即计算机的处理器的每一个内核分别计算对应的一组患者数据。
[0070] 通过依次增加对象的个数，使用步骤G和步骤H分别求取新增对象的局部最优粒度，结果表明，随着对象个数的增加，步骤G和步骤H两种求解局部最优粒度的方式所耗时间均呈增长趋势。但是总体而言，步骤H计算局部最优粒度所花费的时间比步骤G计算大约节省了一半的时间，增加的对象个数越大，节省的时间越多，如图7所示。
[0071] 如图8所示：批量增加对象的个数为1000时，步骤G求解局部最优粒度的时间本身就不多，所以步骤H效果并不明显，但是批量增加的对象越多，步骤G求解局部最优粒度所用的时间越多，步骤H的效果就越明显，由图8可得，步骤H求解局部最优粒度所用时间大约为步骤G求解局部最优粒度所用时间的一半，能够得出，当需要求解每个患者的最优用药粒度时，使用步骤H求解方式能节省大约一半的时间，早日为患者的治疗提供自动化的辅助工具。
[0072] 本发明通过利用多粒度决策模型来解决癌症患者的用药选取问题；针对不同情况，给出了计算全局最优用药粒度的两种方法，通过分析癌症患者病重程度，在为Ⅰ期和Ⅱ期患者所建立的多粒度决策模型中，选用全局最优用药粒度；在为Ⅲ期和Ⅳ期患者所建立的多粒度决策模型中，选用局部最优用药粒度；同时，本发明还在新增患者数据条数大于5000条的情况下，选取树形结构求解全局最优用药粒度的方法，提升了时间效率；对选取局部最优用药粒度的过程做了并行，解决了时间过长的问题，节省了将近一半的时间。
[0073] 对于抗癌药物的选取，医生一般基于现有的经验，存在一定的误诊率，不仅造成病人时间和金钱的浪费，还会延误病情。本文基于多粒度决策模型，提出了两种选取全局最优用药粒度的方法，并给出了具体算法，并行了选取局部最优粒度的过程。结果表明：新增患者数据量大于5000的情况下，树形结构选择全局最优粒度的方法在时间性能上较协调性的方法有很大的优势，并行选取局部最优粒度所用时间大约为串行所用时间的一半，为医生选取抗癌药物提供了自动化的辅助工具。
