[发明专利]一种个性化药物不良反应预测系统、设备及介质

说明书

本发明提供一种个性化药物不良反应预测方法、系统、设备及介质，属于生物医学技术领域。本发明提出了基于多核函数学习的多任务学习模型(KEMULA)，以替代传统的“一刀切”和“完全个性化”的学习方法。更具体地说，该模型通过假设该模型的共享函数来学习一个受约束的个性化ADR排序函数来计算和排序每个患者的ADR发展风险。该函数称为个性化ADR排序函数，其是计算患者发生相关ADR风险的几个评分函数的线性组合。该模型还结合了拉普拉斯正则化，以确保相似患者的personADRank函数所训练的变量信息接近，这可以提升该模型对给定患者与相应ADR之间关联的因果关系(真阳性)，因此本发明具有良好的实际应用之价值。

技术领域

本发明属于生物医学技术领域，具体涉及一种个性化药物不良反应预测方法、系统、设备及介质。

背景技术

公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。

世界卫生组织将药物不良反应(ADRs)描述为“对有毒和意外的药物反应，这种反应通常发生在人类正常使用的剂量范围内”。ADRs 对公共卫生安全构成严重挑战。仅在美国，2004年就有超过21,000例ADRs报告，据估计，每年大概有6-7％的住院患者出现药物不良反应。此外，与药物相关的发病率和死亡率每年造成1,170亿美元的损失。在英国，国民健康服务(NHS)每年的由于药物不良反应造成的财务成本为4.66亿GB。ADRs每年可能导致大约10万人死亡，使其成为美国国内第四大死因。因此，有必要和迫切地研究ADRs，特别是研究那些未报告和罕见的药物不良反应。

药物警戒(PhV)的主要目的是监测药物不良反应(ADRs)信号(即，识别潜在的药物和不良反应关联关系，这些关联在性质、剂量和/或频率方面可能是新发现的)。世界卫生组织将信号定义为“关于不良反应事件和药物之间可能的因果关系的报告信息，这种关系是未知的或没有完全记录的”。在现有的ADR信号传递方法中，传统统计方法或数据挖掘方法，如不相称性分析(DPA)方法、A-priori算法和基于 药物，不良反应网络的推理方法，通常用于挖掘和监测药物与ADRs之间的信号关联。

DPA方法，如相对报告率(RRR)，通常用于产生假设，旨在量化药物-ADR联合发生的“不成比例”的程度，与没有关联情况下报告频数进行比较。然而，这些信号检测方法通常只提取出一些假阳性药物-ADR关联关系。此外，DPA是一种完全基于频率的方法，难以挖掘和监测出罕见的药物与ADR关联关系。基于药物,ADR网络的推理方法通过计算由药物,ADR和ADR,ADR二元组组成的二分网络图中药物及其相关不良反应ADRs，邻居药物节点的交集，预测潜在的药物-ADR相关性。然而，这些方法只能挖掘和监测单一药物和单一ADR之间的关联信号；它们不能捕获药物组合与多项不良反应(ADRs)之间的关联关系。此外，基于网络的推理方法没有考虑药物的化学分子结构和基因组序列等特征，以及没有考虑药物之间的相似性，从而导致所监测到的药物不良反应信号准确性较低。

与上述标准的数据挖掘和传统统计方法相比，ADRs信号建模由于患者的异质性而具有挑战性。患者的异质性来自于表型数据特征相似但可从被不同的治疗方法和医疗条件所区分。为了解决患者的异质性，我们可以通过考虑患者的内在特异性来建立个性化的ADRs信号监测模型。一种实现个性化模型的简单方法是为每个患者建立一个特有的ADRs信号监测模型。然而，发明人发现，这种完全个性化的建模策略的缺点是：其模型计算性能在时间和空间复杂性方面效率不高，尤其是当ADRs或与ADRs相关的历史记录患者数量很大时。

发明内容