资源类型：
申请号：
申请日期：
授权年份：
公开号：
公开日：
法律状态：
主分类号：
分类号：
摘要：
本申请属于肿瘤化疗反应监测技术领域，更具体地说，涉及基于数字化平台的肿瘤化疗反应监测方法、介质及系统；本发明通过回归模型预测化疗副作用得分，基于化疗副作用得分得知拟执行的用药情况在一个疗程中患者所遭受的副作用情况，即预测的化疗副作用得分越高，患者所承受的副作用越强；并且通过定期的医学影像比较评估肿块变化量，在基于变化量和用药情况，预测肿块对应疗程内的肿块变化情况；通过副作用得分的预测和肿块变化情况的预测，为医护人员提供了决策导向。
主权项：
1.基于数字化平台的肿瘤化疗反应监测方法，其特征在于，包括以下步骤： S1：获取对应患者在恢复期内的用药情况；基于可穿戴设备捕捉患者的生理参数以及活动量信息； S2：基于手机APP周期性获取患者化疗副作用自评量表以及焦虑和抑郁量表； S3：确定化疗副作用自评量表与焦虑和抑郁量表之间的关联系数； S4：基于用药情况、生理参数、活动量信息、化疗副作用自评量表以及所述关联系数训练回归模型，将当前用药情况、生理参数、活动量信息作为输入，采用训练好的回归模型预测化疗副作用得分； 所述S4包括以下步骤： S4.1：基于关联系数调整化疗副作用自评量表的得分： Ac = Sc - α × (Sanxiety - S̄)； 式中：Ac表示调整后的化疗副作用自评表的得分；Sc表示原始的化疗副作用自评表的得分；Sanxiety表示焦虑和抑郁量表的得分；S̄表示焦虑和抑郁量表得分的平均值；α 是根据关联系数确定的调整系数； S4.2：对自变量参数用药情况、生理参数以及活动量信息进行预处理； S4.3：建立多元回归模型： C= beta0 + beta1 * D1+ beta2 * D2+ beta3 * D3 + … + betan * Dn+ epsilon； 式中：C表示化疗副作用自评表的得分；beta0 表示截距项；beta1、beta2、beta3 、…、betan分别表示模型所考虑的第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的系数；D1、D2、D3、…、Dn分别表示第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的值； epsilon表示误差项； S4.4：对步骤4.2中经过预处理后的自变量参数作为输入，训练多元回归模型； S4.5：通过均方误差作为模型的损失函数，再基于调整后的化疗副作用自评量表的得分和预测的得分进行模型的优化； S4.6：将实际确定的用药情况、生理参数以及活动量信息作为输入，通过多元回归模型预测化疗副作用得分； S5：基于患者恢复期的定期医学影像比较评估肿块变化量，再基于变化量和用药情况，预测肿块下一时刻的变化情况； S6：将S1到S5所获取的数据以及所得到的数据进行可视化展示，为更新诊疗方案提供参考依据。
