[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115424741B - 基于因果发现的药物不良反应信号发现方法及系统 - Google Patents

基于因果发现的药物不良反应信号发现方法及系统 Download PDF

Info

Publication number
CN115424741B
CN115424741B CN202211361950.8A CN202211361950A CN115424741B CN 115424741 B CN115424741 B CN 115424741B CN 202211361950 A CN202211361950 A CN 202211361950A CN 115424741 B CN115424741 B CN 115424741B
Authority
CN
China
Prior art keywords
adverse
node
event
causal
patient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211361950.8A
Other languages
English (en)
Other versions
CN115424741A (zh
Inventor
李劲松
王昱
马爽
田雨
周天舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202211361950.8A priority Critical patent/CN115424741B/zh
Publication of CN115424741A publication Critical patent/CN115424741A/zh
Application granted granted Critical
Publication of CN115424741B publication Critical patent/CN115424741B/zh
Priority to US18/364,470 priority patent/US20240145059A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Toxicology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于因果发现的药物不良反应信号发现方法及系统。本发明利用电子病历数据发现药物不良反应信号的过程中引入因果关系，最大化的保留真实世界电子病历数据中的数据维度，构建包含因果效应的贝叶斯网络结构，以及同时对用药干预和不良事件发生产生作用的混杂因素集。混杂因素集构建方法从数据出发，无需人工接入和先验知识，最大程度保留真实世界中存在的混杂因素，基于这些混杂因素构建用药干预组与对照组，模拟随机对照实验，使得组间不良反应发生情况的对比具有因果意义，进而生成具有因果关系的药物不良反应信号，在临床指导中具有重要价值。

Description

基于因果发现的药物不良反应信号发现方法及系统
技术领域
本发明属于医疗信息技术领域，尤其涉及一种基于因果发现的药物不良反应信号发现方法及系统。
背景技术
药物不良反应 (Adverse drug reactions，ADR) 可以定义为“与使用药物相关的干预措施导致的明显有害或令人不快的反应”。该定义包括由于错误、误用或滥用而发生的反应，对未经许可或在标签外使用的药物的可疑反应，以及正常剂量的药品的使用产生的反应。在过去的半个世纪里，检测潜在ADR的主要手段是自发报告系统，它们在世界范围内被广泛应用，并在不良事件罕见且不常见（少于接受治疗的患者的 1%）以及该事件是典型的药物诱发病症时非常有效，但自发报告系统依然存在漏报、选择性报告、重复报告等情况。
目前我国已经基本建立了药物不良反应监测体系。授权公告号为CN104765947B的发明专利《一种面向大数据的潜在药物不良反应数据挖掘方法》和授权公告号为CN111402971B的发明专利《一种基于大数据的药物不良反应快速识别方法及系统》都公开了基于自发报告的药物不良事件大数据挖掘潜在药物不良反应的方法。随着医疗信息化水平的不断发展，越来越多的数据被积累在电子病历等医疗信息系统当中，这些数据将为基于自发报告系统的药物不良反应发现带来新的补充证据。基于电子病历数据的ADR挖掘方法根据基本原理可以分为以下几类：基于比值失衡的方法、传统药物流行病学设计方法、处方序列对称分析、序贯统计检验、时序关联规则、有监督机器学习和树状扫描统计量等。授权公告号为CN110322944B的发明专利《药物不良反应智能检测方法、装置、系统和计算机装备》公开了一种利用多来源动态患者诊疗数据进行ADR发现的方法，以明确的药物不良反应发生规则作为推理依据，重点在于面向患者个体的药物不良反应发生判定。
真实世界中的临床场景较临床试验更为复杂，医生根据医学知识和经验给药，比如经常根据患者特征存在个性化给药的情况，因而药物在临床过程中产生的作用往往会与上市前的临床试验体现出不同的特征。无论是基于药物不良反应自发报告系统的数据还是基于电子病历数据，现有的药物不良反应发现方法主要可以分为两类：一类是基于已经确定的药物和不良反应相关知识进行显式的推理和判断；一类是基于数据分析或数据挖掘的方法。前者只是对现有知识进行临床应用，而后者只能在一定程度上发现药物和不良反应之间的相关性，相关性并不意味着存在因果关系，这会大大降低发现的潜在信号成为新的临床证据的可能性。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于因果发现的药物不良反应信号发现方法及系统。本发明利用电子病历数据发现药物不良反应信号的过程中引入因果关系，最大化的保留真实世界电子病历数据中的数据维度，构建包含因果效应的贝叶斯网络结构，以及同时对用药干预和不良事件发生产生作用的混杂因素集，并基于该混杂因素集构建用药干预组与对照组，模拟随机对照实验，使得组间不良反应发生情况的对比具有因果意义，进而生成具有因果关系的药物不良反应信号。
本发明的目的是通过以下技术方案来实现的：
根据本说明书的第一方面，提供一种基于因果发现的药物不良反应信号发现方法，该方法包括以下步骤：
采集并清洗真实世界电子病历数据；
选定目标药物和不良事件，将使用目标药物记为索引事件，将出现目标不良事件记为标志事件，根据发生索引事件或标志事件的患者人群构建患者队列；
通过构建含有因果特性的贝叶斯网络，生成同时影响药物干预与不良反应发生的混杂因素集；
基于混杂因素集构建干预组和对照组队列，模拟随机对照实验，评价干预组和对照组之间不良反应发生差异，生成具有因果关系的药物不良反应信号。
进一步地，所述目标药物为单一药物，或者具有相同疗效的一类药物，或者具备相同性质的一类药物；
所述不良事件使用诊断，或者一类特定的实验室检验结果，或者同时使用诊断和一类特定的实验室检验结果来定义。
进一步地，将发生索引事件或标志事件的患者人群定义为入组人群，定义入排标准筛选所述入组人群，筛选后的入组人群构成患者队列，患者队列中的患者数据构成入组患者数据集。
进一步地，所述混杂因素集的生成方法包括：
将患者队列中的患者数据记为入组患者数据集，包含表示索引事件是否发生的特 征
Figure 334958DEST_PATH_IMAGE001
、表示标志事件是否发生的特征
Figure 100002_DEST_PATH_IMAGE002
，以及入组患者从电子病历数据中提取出 来的其他特征；
通过单因素逻辑回归方法，保留对索引事件或对标志事件的发生会产生影响的特征，形成初筛后特征集；
将初筛后特征集中的特征作为贝叶斯网络的节点，根据K2算法从入组患者数据集 中学习到一个贝叶斯网络结构，在贝叶斯网络结构学习过程中引入因果关系，经过多轮迭 代得到每个节点的父节点集合，将特征
Figure 518683DEST_PATH_IMAGE001
和
Figure 78758DEST_PATH_IMAGE003
共同的父节点认为是同时对索引 事件和标志事件是否发生产生作用的因素，生成混杂因素集。
进一步地，对K2算法的节点优先次序进行优化，具体为：采用带有惩罚项的互信息计算公式计算初筛后特征集中特征的信息量，将所有特征按照信息量进行降序排序，按排序分配节点优先度。
进一步地，对K2算法的每个节点的最大父节点个数进行优化，具体为：计算初筛后特征集中每个特征与其他所有特征互信息和平均互信息，每个特征与其他特征的互信息值大于平均互信息值的次数记为该特征对应节点的最大父节点个数。
进一步地，对于贝叶斯网络中的每个节点
Figure 100002_DEST_PATH_IMAGE004
，初始化时父节点集合
Figure 100002_DEST_PATH_IMAGE005
为空集，计 算网络评分
Figure 865711DEST_PATH_IMAGE006
，其中
Figure 100002_DEST_PATH_IMAGE007
为评分函数，然后进入搜索节点
Figure 179887DEST_PATH_IMAGE004
的父节点的循 环；循环内，当集合
Figure 562326DEST_PATH_IMAGE005
中节点的个数小于最大父节点个数时，将满足节点优先次序在
Figure 600294DEST_PATH_IMAGE004
之 前且不在
Figure 560029DEST_PATH_IMAGE005
内的节点作为候选节点，在候选节点中选择网络评分
Figure 694207DEST_PATH_IMAGE008
最大的节 点z，将其网络评分记为
Figure 100002_DEST_PATH_IMAGE009
，若
Figure 917772DEST_PATH_IMAGE010
，将
Figure 377572DEST_PATH_IMAGE009
的值赋给
Figure 100002_DEST_PATH_IMAGE011
，并 令
Figure 686587DEST_PATH_IMAGE012
，进入下一轮迭代，直到
Figure 100002_DEST_PATH_IMAGE013
的时候停止循环，从而得到 每个节点
Figure 76986DEST_PATH_IMAGE004
的父节点集合。
进一步地，评分函数
Figure 171368DEST_PATH_IMAGE014
的计算公式如下：
Figure 100002_DEST_PATH_IMAGE015
其中，
Figure 520179DEST_PATH_IMAGE016
为集合
Figure 100002_DEST_PATH_IMAGE017
中的节点个数，
Figure 39192DEST_PATH_IMAGE018
为
Figure 100002_DEST_PATH_IMAGE019
的所有可能取值的个数，
Figure 374227DEST_PATH_IMAGE020
为
Figure 100002_DEST_PATH_IMAGE021
中所有节点的可能取值的个数；
Figure 41225DEST_PATH_IMAGE022
代表入组患者数据集D中特征
Figure 100002_DEST_PATH_IMAGE023
取第k种取值
Figure 563867DEST_PATH_IMAGE024
的 数据实例数量；
Figure 100002_DEST_PATH_IMAGE025
代表入组患者数据集D中特征
Figure 313386DEST_PATH_IMAGE023
取第k种取值
Figure 595987DEST_PATH_IMAGE024
并且
Figure 52245DEST_PATH_IMAGE026
的特征取第 j 种取值的数据实例数量，
Figure 100002_DEST_PATH_IMAGE027
为
Figure 491928DEST_PATH_IMAGE028
的特征取第 j种取值的数据实例数量；
Figure 100002_DEST_PATH_IMAGE029
为时间因果效 应强度。
进一步地，将索引事件是否发生作为干预，将标志事件是否发生作为结局，根据混杂因素集，采用倾向性评分匹配方法控制进入干预组和对照组的入组人群，对比两组人群间结局事件发生情况，当平均不良反应发生增益大于零时，认为当前干预和结局之间有因果关系，即当前选定药物会引发不良反应。
根据本说明书的第二方面，提供一种基于因果发现的药物不良反应信号发现系统，该系统包括：用于采集并清洗真实世界电子病历数据的数据采集模块；用于发现具有因果关系的药物不良反应信号的药物不良反应发现模块；用于呈现信号发现结果的信号结果显示模块；所述药物不良反应发现模块利用上述基于因果发现的药物不良反应信号发现方法，构建患者队列，构建含有因果特性的贝叶斯网络，生成混杂因素集，基于混杂因素集构建干预组和对照组，评价干预组和对照组之间不良反应发生差异，生成具有因果关系的药物不良反应信号。
本发明的有益效果是：本发明提出的基于贝叶斯网络的混杂因素集构建方法从数据出发，无需人工接入和先验知识，最大程度保留真实世界中存在的混杂因素，基于这些混杂因素来构建观察性研究中的对照组和干预组入组人群，以此得到的药物-不良反应之间的关系可以被认为是具备因果效应的，在临床指导中是更加有价值的。
附图说明
图1为一示例性实施例提供的基于因果发现的药物不良反应信号发现方法流程图；
图2为一示例性实施例提供的包括3维特征的贝叶斯网络结构示意图；
图3为一示例性实施例提供的贝叶斯网络学习流程图；
图4为一示例性实施例提供的基于因果发现的药物不良反应信号发现系统结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
如图1所示，本发明实施例提供一种基于因果发现的药物不良反应信号发现方法，包括以下步骤：
步骤1：数据采集和清洗
在电子病历数据中获取真实世界患者数据、用药数据、诊断数据、手术数据、实验室检验结果等，数据发生时间不做处理，保留原始日期和时间，具体来说获取的信息包括：①人口统计学信息：性别、年龄、民族；②医疗基本信息：过敏史、家族病史、血型；③诊疗信息：诊断记录、化验结果、用药记录、手术记录。
首先统一数据编码：性别、年龄、民族、过敏史、血型、化验结果、用药信息使用编码为自设编码，编码形式不限，诊断、家族病史使用ICD-10编码，手术信息使用ICD-9-CM编码。
统一数据编码后对数据进行规整合并和转化：性别、民族、过敏史、血型数据根据自然情况填充为分类变量数据；诊断相关特征、手术信息根据编码填充为二分类变量，即发生过记为1，反之为0；化验结果根据实际情况填充为多分类变量，即超过相应指标正常值上限的记为“偏高”，低于正常值下限的记为“偏低”，在正常值范围内的记为“正常”；对年龄数据进行分箱，分为4组，分别为“小于18岁”、“18至44岁”、“45岁至59岁”以及“60岁以上”。对于缺失数据，性别、民族、年龄、血型缺失的情况下，剔除整个样本；诊断相关数据、手术信息缺失视作未发生，记为0；化验结果数据缺失视作结果正常。
综上，将采集到的电子病历数据清洗转化成后续可以用于药物不良反应发现的形式。
步骤2：构建患者队列
首先选定要分析的目标药物和不良事件。例如，选定目标药物为“伏立康唑”，不良事件为“肝毒性”。
目标药物可以是单一药物也可以是具有相同疗效或具备相同性质的一类药物，当选定一类药物为目标药物后，选定的多种药物视作同种药物。
不良事件可以使用诊断或一类特定的实验室检验结果或同时使用诊断和一类特定的实验室检验结果来定义。例如，“肝毒性”的定义可以根据临床实际或临床指南，使用诊断“药物性肝损伤”或者以下由诊断与实验室检验结果组成的复合规则来定义：
谷丙转氨酶 ≥ 5 × 正常值上限(ULN)；
谷丙转氨酶 ≥ 3 × ULN伴 总胆红素 ＞2 × ULN；
碱性磷酸酶 ≥ 2 × ULN，不伴骨病且有谷氨酰转肽酶升高；
满足上述规则其中一条，即可认为发生目标不良事件。
本发明中，将首次使用目标药物和首次使用目标药物后首次出现目标不良事件定义为主要事件发生节点，首次使用目标药物的日期记为索引日期，使用目标药物记为索引事件；首次出现目标不良事件记为标志事件，相应日期记为标志日期。发生索引事件或标志事件的患者人群定义为入组人群，在此基础上可进一步定义一系列具体的入排标准（排除标准），用于进一步筛选入组人群，也可以不定义。筛选后的入组人群构成患者队列，患者队列中的患者数据记为入组患者数据集。
步骤3：基于因果发现的药物不良反应信号发现
3.1基于贝叶斯网络的混杂因素集构建
定义入组患者数据集为
Figure 869688DEST_PATH_IMAGE030
，包含n个特征
Figure 100002_DEST_PATH_IMAGE031
， 其中
Figure 674089DEST_PATH_IMAGE032
为表示索引事件是否发生的特征，
Figure 100002_DEST_PATH_IMAGE033
为表示标志事件是否发生的特征，
Figure 312750DEST_PATH_IMAGE034
为入组患者从电子病历数据中提取出来的其他特征。特征的值被存储在特征 集Va中，特征发生的时间被存储在时间集T中。构建混杂因素集的步骤如下（若无特别说明， 以下步骤中所属特征X的值均取自Va）：
1）特征相关性初筛。将
Figure 100002_DEST_PATH_IMAGE035
分别与
Figure 318140DEST_PATH_IMAGE036
和
Figure 100002_DEST_PATH_IMAGE037
进行单因素逻辑回 归，剔除与
Figure 307830DEST_PATH_IMAGE036
和
Figure 197813DEST_PATH_IMAGE037
对应的显著性水平
Figure 363084DEST_PATH_IMAGE038
均大于设定阈值
Figure 100002_DEST_PATH_IMAGE039
的特征，保留下来的特征 均为对索引事件或对标志事件的发生会产生影响的特征，新的特征集包含
Figure 996498DEST_PATH_IMAGE040
个特征，记为 初筛后特征集
Figure 100002_DEST_PATH_IMAGE041
。
2）特征信息量计算。计算初筛后特征集S中
Figure 473485DEST_PATH_IMAGE040
个特征的信息量，采用带有惩罚项的 互信息计算公式完成，强调
Figure 898650DEST_PATH_IMAGE042
与
Figure 100002_DEST_PATH_IMAGE043
之间的关系，同时弱化
Figure 514832DEST_PATH_IMAGE044
中特征之间的相互关系。设
Figure 100002_DEST_PATH_IMAGE045
为集合
Figure 721079DEST_PATH_IMAGE042
去掉特征
Figure 967253DEST_PATH_IMAGE046
后剩余 特征的集合，则特征
Figure 100002_DEST_PATH_IMAGE047
的信息量
Figure 320742DEST_PATH_IMAGE048
计算公式如下：
Figure 100002_DEST_PATH_IMAGE049
其中，
Figure 791431DEST_PATH_IMAGE050
为权重因子，一般可以由初筛后特征集包含的特征数量规模决定，可以取
Figure 100002_DEST_PATH_IMAGE051
。对
Figure 914719DEST_PATH_IMAGE052
和
Figure 100002_DEST_PATH_IMAGE053
来说，他们与自身的信息量为1，因此对应信息量计算公式如 下：
Figure 100719DEST_PATH_IMAGE054
Figure 100002_DEST_PATH_IMAGE055
3）贝叶斯网络结构学习。本发明将因果特性引入混杂因素筛选的过程，改进传统的K2算法从入组患者数据集中学习到一个贝叶斯网络结构，尽可能精准的表示数据集中各特征之间的关系。K2算法是一种基于评分的贝叶斯网络结构学习算法，为缩小搜索空间，需要向算法提供先验的节点优先次序以及每个节点的最大父节点个数。本发明根据入组患者数据集的特点，对上述两个关键参数的确定过程提出改进，具体如下。
首先，优化的节点优先次序计算。将所有特征按照上一步骤中的特征信息量进行 降序排序，排名第一的特征分配节点优先度1，排名第二的特征分配节点优先度2，以此类 推。若多个特征信息量相等，记为并列，分配的节点优先度相同。若m个节点优先度相同时， 分别计算这些特征与
Figure 854304DEST_PATH_IMAGE056
之间的互信息之和，即
Figure 100002_DEST_PATH_IMAGE057
对
Figure 317516DEST_PATH_IMAGE058
降序排列，排名第一的特征节点优先度不加分，排名第二的特征节点优先度增 加
Figure DEST_PATH_IMAGE059
，以此类推，从而得到各特征的节点优先度排序。
第二，优化的最大父节点个数。改变原有K2算法中对每个特征使用相同最大父节 点个数的方式，本发明使用动态算法，首先计算每个特征与其他所有特征互信息
Figure 599986DEST_PATH_IMAGE060
和平均 互信息
Figure DEST_PATH_IMAGE061
，特征
Figure 276211DEST_PATH_IMAGE062
与
Figure DEST_PATH_IMAGE063
的互信息
Figure 830558DEST_PATH_IMAGE064
计算公式如下：
Figure DEST_PATH_IMAGE065
特征
Figure 139487DEST_PATH_IMAGE062
的平均互信息
Figure 996453DEST_PATH_IMAGE061
计算公式如下：
Figure 438936DEST_PATH_IMAGE066
每个特征与其他特征的互信息值大于
Figure 550636DEST_PATH_IMAGE061
值的次数作为该节点父节点个数的 估计值，记为该节点的最大父节点个数。
最后，贝叶斯网络结构的学习。在贝叶斯网络结构的学习过程中，本发明引入了因 果关系的必备性质之一，即“因”的发生在“果”之前。所以，本发明要学习到的网络是一个
Figure DEST_PATH_IMAGE067
维贝叶斯网络，记为
Figure 113073DEST_PATH_IMAGE068
，其中，
Figure DEST_PATH_IMAGE069
是
Figure 2925DEST_PATH_IMAGE067
维特征向量；
Figure 932704DEST_PATH_IMAGE070
是一个有向无环图，
Figure DEST_PATH_IMAGE071
是有向无环图的节点，
Figure 566204DEST_PATH_IMAGE072
是有向无环图的边，代表特征之 间的依赖关系
Figure DEST_PATH_IMAGE073
是网络的参数，其中
Figure 983148DEST_PATH_IMAGE074
，
Figure DEST_PATH_IMAGE075
代表
Figure 9065DEST_PATH_IMAGE076
在图G中所有父节点的集合，
Figure DEST_PATH_IMAGE077
代表
Figure 616020DEST_PATH_IMAGE078
中所 有节点的可能取值，
Figure DEST_PATH_IMAGE079
为
Figure 50282DEST_PATH_IMAGE076
的所有可能取值的个数，
Figure 338043DEST_PATH_IMAGE080
是特征
Figure 710643DEST_PATH_IMAGE076
的第k种取值，
Figure DEST_PATH_IMAGE081
是
Figure 333124DEST_PATH_IMAGE082
的 第j种取值，
Figure DEST_PATH_IMAGE083
就是在特征
Figure 183792DEST_PATH_IMAGE076
所有父节点取值为
Figure 450695DEST_PATH_IMAGE084
的条件下，取值为
Figure 389002DEST_PATH_IMAGE080
的概率。
通过一个示例来解释
Figure DEST_PATH_IMAGE085
的含义，图2为一个贝叶斯网络 结构示意，共包含3维特征，即
Figure 233199DEST_PATH_IMAGE086
。令特征
Figure DEST_PATH_IMAGE087
，对于“肝功能异常”节点，它具有“肝移植术后”和“伏立康唑”两个父节 点，即
Figure 153138DEST_PATH_IMAGE088
。父节点可能的取值包含4种状况，即“非肝移植术后、 未服用伏立康唑” “肝移植术后、非服用伏立康唑” “非肝移植术后、服用伏立康唑”和“肝 移植术后、服用伏立康唑”，对应的数据可表示为
Figure DEST_PATH_IMAGE089
有4种取值，
Figure 133601DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE091
；“肝功能异常”节点本身具有2种可能性，即 “肝功能正常”“肝功能异常”，对应的数据表示为
Figure 238217DEST_PATH_IMAGE092
有2种取值：0和1，
Figure DEST_PATH_IMAGE093
。
如图3所示，对N中的每一个节点
Figure 445076DEST_PATH_IMAGE094
，初始化时设它的父节点集合
Figure DEST_PATH_IMAGE095
为空集
Figure DEST_PATH_IMAGE096
，计算 集合
Figure DEST_PATH_IMAGE097
的网络评分
Figure 619572DEST_PATH_IMAGE098
，然后进入搜索节点
Figure DEST_PATH_IMAGE099
的父节点的循环。循 环内，当集合
Figure 861067DEST_PATH_IMAGE100
中节点的个数小于最大父节点个数时，对满足节点优先次序在
Figure 149966DEST_PATH_IMAGE099
之前且 不在
Figure 112630DEST_PATH_IMAGE100
内的节点z，计算
Figure DEST_PATH_IMAGE101
，取
Figure DEST_PATH_IMAGE102
的节点z，比较
Figure DEST_PATH_IMAGE103
与
Figure 685956DEST_PATH_IMAGE104
的大小，若
Figure DEST_PATH_IMAGE105
，将
Figure 909520DEST_PATH_IMAGE106
的值赋给
Figure DEST_PATH_IMAGE107
，并令
Figure 962796DEST_PATH_IMAGE108
，进入下一轮迭代，直到
Figure DEST_PATH_IMAGE109
的时候停止循环， 从而得到每个节点
Figure 260092DEST_PATH_IMAGE099
的父节点集合。
上述计算过程中的评分函数
Figure 57016DEST_PATH_IMAGE110
采用改进的带有惩罚项的贝叶斯信息标准 评分。由于本发明前序优化估计的最大父节点个数可能大于实际父节点个数，这会为网络 带来多余的因果关系，因此本发明使用的评分函数按以下公式计算：
Figure DEST_PATH_IMAGE111
其中，
Figure 276032DEST_PATH_IMAGE112
为集合
Figure DEST_PATH_IMAGE113
中的节点个数，
Figure 359263DEST_PATH_IMAGE114
代表数据集D中特征
Figure DEST_PATH_IMAGE115
取第k种取值
Figure 296520DEST_PATH_IMAGE116
的数据实例数量
Figure DEST_PATH_IMAGE117
代表数据集D中特征
Figure 756189DEST_PATH_IMAGE115
取第k种取值
Figure 970657DEST_PATH_IMAGE118
并且
Figure DEST_PATH_IMAGE119
的特征取第 j种取 值的数据实例数量，
Figure 490369DEST_PATH_IMAGE120
为
Figure DEST_PATH_IMAGE121
的特征取第 j种取值的数据实例数量；
Figure 785695DEST_PATH_IMAGE122
代 表
Figure 799787DEST_PATH_IMAGE121
中所有节点的可能取值的个数；
Figure DEST_PATH_IMAGE123
为时间因果效应强度，它的大小反应了“因”发生在 “果”之前这一因果效应的强弱，对
Figure 852450DEST_PATH_IMAGE121
中的每一个特征s，计算发生时间
Figure 559375DEST_PATH_IMAGE124
的实例比 例，当这一比例大于设定阈值
Figure DEST_PATH_IMAGE125
（本实施例中
Figure 799120DEST_PATH_IMAGE126
）时，记
Figure DEST_PATH_IMAGE127
，反之
Figure 866171DEST_PATH_IMAGE128
。
Figure 786722DEST_PATH_IMAGE123
的计算方 法为：
Figure DEST_PATH_IMAGE129
评分函数计算公式中，第二项为惩罚项，
Figure 651167DEST_PATH_IMAGE130
代表网络的复杂程 度，
Figure DEST_PATH_IMAGE131
的加入也可以在一定程度上消除最大父节点估计值偏大带来的网络过拟合问题。
4）药物-不良反应信号发现混杂因素集构建。上面计算得到的贝叶斯网络中，
Figure 773013DEST_PATH_IMAGE132
共同的父节点被认为是同时对索引事件和标志事件是否发生产生作用的因 素，在后续的药物-不良反应信号因果性评价中作为混杂因素集。
3.2基于倾向性评分匹配的药物-不良反应信号因果关系评估
倾向性评分匹配是临床观察性研究中经常使用的一种控制混杂偏移的技巧，是具 有特定特征的个体被分配去干预组（相对于对照组）的可能性，即
Figure DEST_PATH_IMAGE133
，其中，Z为干预，所有干预组数据Z=1，对照组数据Z=0，X为给定 条件。真实世界观察性研究中，倾向性评分匹配的方法可以使构建的干预组与对照组队列 样本的混淆因素被良好的控制，从而达到模拟随机对照实验的目的，得到具有因果关系的 临床结论。
本发明中我们认为索引事件是否发生为干预Z，标志事件是否发生为结局Y。根据基于贝叶斯网络构建的混杂因素集，采用倾向性评分匹配的方法控制进入干预组和对照组的入组人群，对比两组人群间结局事件发生的情况，即可以得到具有因果效应的药物-不良反应信号结果，具体方法如下：
首先，构建干预组队列
Figure 112597DEST_PATH_IMAGE134
，筛选所有发生索引事件的患者入组，根据混杂因 素集，利用该队列患者混杂因素数据构建得到干预组混杂因素数据集，使用逻辑回归计算 干预组队列中各样本倾向性得分；
第二，构建对照组队列
Figure DEST_PATH_IMAGE135
，筛选所有未发生索引事件的患者入组，根据 混杂因素集，利用该队列患者混杂因素数据构建得到对照组混杂因素数据集，使用逻辑回 归计算对照组队列中各样本倾向性得分；
第三，基于患者相似性的分层倾向性评分匹配。将干预组倾向性评分降序排序，以
Figure 608694DEST_PATH_IMAGE136
Figure DEST_PATH_IMAGE137
为间隔分为
Figure 906689DEST_PATH_IMAGE138
个倾向性评分区间。对照组按相同方法分为若干倾向性评分 区间。对每一个干预组中的样本case，在对照组样本对应倾向性评分区间中选择与case本 身距离最小的样本作为匹配，即选择与case样本对应的患者最相似的患者样本作为匹配， 由匹配得到的样本，重新组成对照组样本。假设干预组/对照组混杂因素数据集包含c个混 杂因素特征，样本i和j之间的距离
Figure DEST_PATH_IMAGE139
采用如下距离计算公式：
Figure 261971DEST_PATH_IMAGE140
其中，如果样本i或j没有第f个特征的度量值，则指示项
Figure DEST_PATH_IMAGE141
（本发明在数据清 洗的过程中完成数据填补，故不存在上述情况）；否则，指示项
Figure 408175DEST_PATH_IMAGE142
。
Figure DEST_PATH_IMAGE143
为第f个特征对i 和j之间的相异度的贡献。对于二分类特征，只有两种状态，且两种状态具有同等价值和相 同的权重。当样本i和样本j的对应二分类特征值相同时，
Figure 287007DEST_PATH_IMAGE144
被置为0；反之
Figure DEST_PATH_IMAGE145
被置为1。对 于多分类特征，是二元特征的推广，可以取多于两个状态值。类似于二元特征，本发明定义， 当样本i和样本j的第f个属性特征值相同时，
Figure 380339DEST_PATH_IMAGE146
被置为0；反之
Figure DEST_PATH_IMAGE147
被置为1。
第四，计算平均不良反应发生增益ASG，计算公式如下：
Figure 344621DEST_PATH_IMAGE148
其中，E表示求期望，
Figure DEST_PATH_IMAGE149
和
Figure 28937DEST_PATH_IMAGE150
分别代表对照组和干预组中患者人数，对于患者i，
Figure DEST_PATH_IMAGE151
表示标志事件发生情况，当发生标志事件时，
Figure 765205DEST_PATH_IMAGE152
，反之
Figure DEST_PATH_IMAGE153
。本实施例中
Figure 280369DEST_PATH_IMAGE154
，所 以ASG的计算结果即为干预组中发生标志事件（不良反应）的患者人数减去对照组中发生标 志事件（不良反应）的患者人数，再除以干预组人数。当ASG>0时，认为当前干预和结局之间 有因果关系，即当前选定药物会引发不良反应。
如图4所示，本发明还提供一种基于因果发现的药物不良反应信号发现系统实施例，该系统包括：
用于采集并清洗真实世界电子病历数据的数据采集模块；
用于发现具有因果关系的药物不良反应信号的药物不良反应发现模块；
用于呈现信号发现结果的信号结果显示模块；
其中，药物不良反应发现模块为本发明核心模块，利用上述基于因果发现的药物不良反应信号发现方法，构建患者队列，构建含有因果特性的贝叶斯网络，生成混杂因素集，基于混杂因素集构建干预组和对照组，评价干预组和对照组之间不良反应发生差异，生成具有因果关系的药物不良反应信号。
本发明不局限于已经存在的药物-不良反应关系，利用真实世界电子病历数据发现药物-不良反应信号，可以识别在临床试验阶段没有表现出来的药物不良反应，对临床活动安全开展具有重要意义。
本发明不局限于发现药物-不良反应之间的相关性关系，通过将因果特性引入贝叶斯网络构建过程，生成最全面的混杂因素集，并通过控制这些混杂因素达到模拟随机对照试验的效果，实现对药物-不良反应因果关系的评估和验证。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (7)

1.一种基于因果发现的药物不良反应信号发现方法，其特征在于，包括以下步骤：
采集并清洗真实世界电子病历数据；
选定目标药物和不良事件，将使用目标药物记为索引事件，将出现目标不良事件记为标志事件，根据发生索引事件或标志事件的患者人群构建患者队列；
通过构建含有因果特性的贝叶斯网络，生成同时影响药物干预与不良反应发生的混杂因素集；所述混杂因素集的生成方法包括：
将患者队列中的患者数据记为入组患者数据集，包含表示索引事件是否发生的特征
Figure DEST_PATH_IMAGE002
、表示标志事件是否发生的特征
Figure DEST_PATH_IMAGE004
，以及入组患者从电子病历数据中提取出来的其他特征；
通过单因素逻辑回归方法，保留对索引事件或对标志事件的发生会产生影响的特征，形成初筛后特征集；
将初筛后特征集中的特征作为贝叶斯网络的节点，根据K2算法从入组患者数据集中学习到一个贝叶斯网络结构，在贝叶斯网络结构学习过程中引入因果关系，经过多轮迭代得到每个节点的父节点集合，将特征
Figure DEST_PATH_IMAGE005
和
Figure 973110DEST_PATH_IMAGE004
共同的父节点认为是同时对索引事件和标志事件是否发生产生作用的因素，生成混杂因素集；
对K2算法的节点优先次序进行优化，具体为：采用带有惩罚项的互信息计算公式计算初筛后特征集中特征的信息量，将所有特征按照信息量进行降序排序，按排序分配节点优先度；
对K2算法的每个节点的最大父节点个数进行优化，具体为：计算初筛后特征集中每个特征与其他所有特征互信息和平均互信息，每个特征与其他特征的互信息值大于平均互信息值的次数记为该特征对应节点的最大父节点个数；
基于混杂因素集构建干预组和对照组队列，模拟随机对照实验，评价干预组和对照组之间不良反应发生差异，生成具有因果关系的药物不良反应信号。
2.根据权利要求1所述的基于因果发现的药物不良反应信号发现方法，其特征在于，所述目标药物为单一药物，或者具有相同疗效的一类药物，或者具备相同性质的一类药物；
所述不良事件使用诊断，或者一类特定的实验室检验结果，或者同时使用诊断和一类特定的实验室检验结果来定义。
3.根据权利要求1所述的基于因果发现的药物不良反应信号发现方法，其特征在于，将发生索引事件或标志事件的患者人群定义为入组人群，定义入排标准筛选所述入组人群，筛选后的入组人群构成患者队列，患者队列中的患者数据构成入组患者数据集。
4.根据权利要求1所述的基于因果发现的药物不良反应信号发现方法，其特征在于，对于贝叶斯网络中的每个节点
Figure DEST_PATH_IMAGE007
，初始化时父节点集合
Figure DEST_PATH_IMAGE009
为空集，计算网络评分
Figure DEST_PATH_IMAGE011
，其中
Figure DEST_PATH_IMAGE013
为评分函数，然后进入搜索节点
Figure 172142DEST_PATH_IMAGE007
的父节点的循环；循环内，当集合
Figure 155141DEST_PATH_IMAGE009
中节点的个数小于最大父节点个数时，将满足节点优先次序在
Figure 753613DEST_PATH_IMAGE007
之前且不在
Figure 36827DEST_PATH_IMAGE009
内的节点作为候选节点，在候选节点中选择网络评分
Figure DEST_PATH_IMAGE015
最大的节点z，将其网络评分记为
Figure DEST_PATH_IMAGE017
，若
Figure DEST_PATH_IMAGE019
，将
Figure 4827DEST_PATH_IMAGE017
的值赋给
Figure DEST_PATH_IMAGE021
，并令
Figure DEST_PATH_IMAGE023
，进入下一轮迭代，直到
Figure DEST_PATH_IMAGE025
的时候停止循环，从而得到每个节点
Figure 22593DEST_PATH_IMAGE007
的父节点集合。
5.根据权利要求4所述的基于因果发现的药物不良反应信号发现方法，其特征在于，评分函数
Figure DEST_PATH_IMAGE027
的计算公式如下：
Figure DEST_PATH_IMAGE029
其中，
Figure DEST_PATH_IMAGE031
为集合
Figure DEST_PATH_IMAGE033
中的节点个数，
Figure DEST_PATH_IMAGE035
为
Figure DEST_PATH_IMAGE037
的所有可能取值的个数，
Figure DEST_PATH_IMAGE039
为
Figure DEST_PATH_IMAGE041
中所有节点的可能取值的个数；
Figure DEST_PATH_IMAGE043
代表入组患者数据集D中特征
Figure DEST_PATH_IMAGE045
取第k种取值
Figure DEST_PATH_IMAGE047
的数据实例数量；
Figure DEST_PATH_IMAGE049
代表入组患者数据集D中特征
Figure 457379DEST_PATH_IMAGE045
取第k种取值
Figure 329520DEST_PATH_IMAGE047
并且
Figure DEST_PATH_IMAGE051
的特征取第 j种取值的数据实例数量，
Figure DEST_PATH_IMAGE053
为
Figure DEST_PATH_IMAGE055
的特征取第 j种取值的数据实例数量；
Figure DEST_PATH_IMAGE057
为时间因果效应强度。
6.根据权利要求1所述的基于因果发现的药物不良反应信号发现方法，其特征在于，将索引事件是否发生作为干预，将标志事件是否发生作为结局，根据混杂因素集，采用倾向性评分匹配方法控制进入干预组和对照组的入组人群，对比两组人群间结局事件发生情况，当平均不良反应发生增益大于零时，认为当前干预和结局之间有因果关系，即当前选定药物会引发不良反应。
7.一种基于因果发现的药物不良反应信号发现系统，其特征在于，该系统包括：用于采集并清洗真实世界电子病历数据的数据采集模块；用于发现具有因果关系的药物不良反应信号的药物不良反应发现模块；用于呈现信号发现结果的信号结果显示模块；所述药物不良反应发现模块利用权利要求1-6中任一项所述方法，构建患者队列，构建含有因果特性的贝叶斯网络，生成混杂因素集，基于混杂因素集构建干预组和对照组，评价干预组和对照组之间不良反应发生差异，生成具有因果关系的药物不良反应信号。
CN202211361950.8A 2022-11-02 2022-11-02 基于因果发现的药物不良反应信号发现方法及系统 Active CN115424741B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211361950.8A CN115424741B (zh) 2022-11-02 2022-11-02 基于因果发现的药物不良反应信号发现方法及系统
US18/364,470 US20240145059A1 (en) 2022-11-02 2023-08-02 Method and system for discovering adverse drug reaction signal based on causal discovery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211361950.8A CN115424741B (zh) 2022-11-02 2022-11-02 基于因果发现的药物不良反应信号发现方法及系统

Publications (2)

Publication Number Publication Date
CN115424741A CN115424741A (zh) 2022-12-02
CN115424741B true CN115424741B (zh) 2023-03-24

Family

ID=84207511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211361950.8A Active CN115424741B (zh) 2022-11-02 2022-11-02 基于因果发现的药物不良反应信号发现方法及系统

Country Status (2)

Country Link
US (1) US20240145059A1 (zh)
CN (1) CN115424741B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690547A (zh) * 2023-12-19 2024-03-12 北京遥领医疗科技有限公司 基于药物真实世界疗效多维度逆向挖掘数据的方法
CN118366672A (zh) * 2024-04-23 2024-07-19 首都医科大学附属北京天坛医院 用于真实世界研究数据的混杂偏倚与缺失处理集成平台

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480895A (zh) * 2017-08-19 2017-12-15 中国标准化研究院 一种基于Bayes增强学习的可靠消费品风险评估方法
CN111986819A (zh) * 2020-09-01 2020-11-24 四川大学华西第二医院 药物不良反应监测方法、装置、电子设备及可读存储介质
CN112309585A (zh) * 2020-08-26 2021-02-02 国家药品监督管理局药品评价中心(国家药品不良反应监测中心) 一种不良反应信号检测方法和装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003290537A1 (en) * 2002-10-24 2004-05-13 Duke University Binary prediction tree modeling with many predictors and its uses in clinical and genomic applications
WO2006047491A2 (en) * 2004-10-25 2006-05-04 Prosanos Corporation Method, system, and software for analyzing pharmacovigilance data
CN102207990A (zh) * 2010-03-31 2011-10-05 国际商业机器公司 提供药品不良作用信息的方法和装置
US20130226616A1 (en) * 2011-10-13 2013-08-29 The Board of Trustees for the Leland Stanford, Junior, University Method and System for Examining Practice-based Evidence
US20130096947A1 (en) * 2011-10-13 2013-04-18 The Board of Trustees of the Leland Stanford Junior, University Method and System for Ontology Based Analytics
US9305267B2 (en) * 2012-01-10 2016-04-05 The Board Of Trustees Of The Leland Stanford Junior University Signal detection algorithms to identify drug effects and drug interactions
EP2852839A4 (en) * 2012-05-22 2016-05-11 Berg Llc INTERROGATORY CELL-BASED TESTS FOR IDENTIFYING MARKERS FOR DRUG-INDICATED TOXICITY
NZ730197A (en) * 2014-09-11 2022-07-01 Berg Llc Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data
US11120913B2 (en) * 2018-01-24 2021-09-14 International Business Machines Corporation Evaluating drug-adverse event causality based on an integration of heterogeneous drug safety causality models
US11164678B2 (en) * 2018-03-06 2021-11-02 International Business Machines Corporation Finding precise causal multi-drug-drug interactions for adverse drug reaction analysis
WO2020102043A1 (en) * 2018-11-15 2020-05-22 Ampel Biosolutions, Llc Machine learning disease prediction and treatment prioritization
CN111863281B (zh) * 2020-07-29 2021-08-06 山东大学 一种个性化药物不良反应预测系统、设备及介质
CN114822872A (zh) * 2022-04-14 2022-07-29 北京左医科技有限公司 风险信号识别模型的训练、药物风险信号挖掘方法、装置
CN115148375B (zh) * 2022-08-31 2022-11-15 之江实验室 一种高通量真实世界药物有效性与安全性评价方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480895A (zh) * 2017-08-19 2017-12-15 中国标准化研究院 一种基于Bayes增强学习的可靠消费品风险评估方法
CN112309585A (zh) * 2020-08-26 2021-02-02 国家药品监督管理局药品评价中心(国家药品不良反应监测中心) 一种不良反应信号检测方法和装置
CN111986819A (zh) * 2020-09-01 2020-11-24 四川大学华西第二医院 药物不良反应监测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN115424741A (zh) 2022-12-02
US20240145059A1 (en) 2024-05-02

Similar Documents

Publication Publication Date Title
Tripathi et al. Early prediction of diabetes mellitus using machine learning
Wiens et al. Patient risk stratification with time-varying parameters: a multitask learning approach
CN115424741B (zh) 基于因果发现的药物不良反应信号发现方法及系统
Pokharel et al. Temporal tree representation for similarity computation between medical patients
Mortazavi et al. Prediction of adverse events in patients undergoing major cardiovascular procedures
CN113657548A (zh) 医保异常检测方法、装置、计算机设备及存储介质
Pang et al. ZERO++: Harnessing the power of zero appearances to detect anomalies in large-scale data sets
Pishgar et al. Process mining model to predict mortality in paralytic ileus patients
Zhang et al. Time-aware adversarial networks for adapting disease progression modeling
Paul Hybrid decision tree-based machine learning models for diabetes prediction
CN117438090A (zh) 一种药源性免疫性血小板减少毒性预测模型、方法及系统
Khater et al. Interpretable models for ml-based classification of obesity
Gancheva et al. X-Ray Images Analytics Algorithm based on Machine Learning
Jonathan et al. Visual analytics of tuberculosis detection rat performance
Johnson Mortality prediction and acuity assessment in critical care
Cheng et al. Improving personalized clinical risk prediction based on causality-based association rules
Oliveira et al. Towards an intelligent systems to predict nosocomial infections in intensive care
Al-Hameli et al. Classification Algorithms and Feature Selection Techniques for a Hybrid Diabetes Detection System
US20240321465A1 (en) Machine Learning Platform for Predictive Malady Treatment
Jacobson et al. A Machine Learning-Based Statistical Analysis of Predictors for Spinal Cord Stimulation Success
Biddinika et al. Machine Learning Techniques for Heart Disease Prediction Using a Multi-Algorithm Approach
Banu et al. CHRONIC DISEASE DIAGNOSIS USING MACHINE LEARNING ALGORITHM
CN118711731A (zh) 基于ai的临床患者招募方法及系统
Hu Incorporating Knowledge from Authoritative Medical Ontologies in Causal Bayesian Networks Learned from Observational Patient Data
Wojtusiak et al. Discussion on Comparing Machine Learning Models for Health Outcome Prediction.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant