用于预测术后患者无进展生存概率的tte模型建立方法与流程-k8凯发

本发明涉及生物医药信息学及医学检测，更具体地，涉及用于预测术后患者无进展生存概率的tte模型建立方法。

背景技术：

1、术后复发是导致腹膜后肉瘤（retroperitonealsarcoma，rps）患者死亡的首要原因。据统计，首次接受根治性手术的rps患者5年内局部复发率在45%-50%左右，而5年内远位转移发生率约为21%-34%。因此，中华医学会、美国国立综合癌症网络（nationalcomprehensivecancernetwork，nccn®）等临床诊疗指南均建议对rps患者进行终身随访以及定期影像学检查。相对于总生存期（overallsurvival，os），无进展生存期（progression-freesurvival，pfs）或无病生存期（disease-freesurvival，dfs）能直观反映rps的进展和复发情况，其数据在有限的临床实践时间中能更早获取而尽快用于评价疾病预后，因此pfs（dfs）也是rps临床研究中主要关注的临床终点之一。亟需探索对pfs具有预测价值的模型以及显著因素等，以期对术后疾病进展过程实现个体化预测和早期干预。

技术实现思路

1、有鉴于此，本发明旨在提供一种用于预测术后患者无进展生存概率的tte模型（time-to-event模型，也称事件发生时间模型）建立方法，该模型能准确估计术后患者pfs概率，还能有效识别对pfs影响显著的变量。

2、根据本发明的一方面，提出了一种用于预测术后患者无进展生存概率的tte模型建立方法，所述tte模型用于预测腹膜后肉瘤患者的术后无进展生存概率，所述方法包括：

3、构建患者数据集，所述患者数据集包括所收集的患者的术后无进展生存期数据；

4、通过拟合所构建的患者数据集，建立tte模型的基础风险模型；

5、得到多个候选的预测变量，所述候选的预测变量包括时变预测变量和常预测变量，所述时变预测变量包括多个潜在预后标志物的统计量的纵向模型的预测值，所述潜在预后标志物包括术后身体质量指数bmi、术后血清总蛋白tp、术后白细胞wbc，所述常预测变量包括基线特征变量和术前实验室检查指标相关截面变量，包括肿瘤分级grade、基线转移meta、切除效果comp、切除肿瘤体积restv、术前纤维蛋白原lnfib；

6、根据候选的预测变量影响无进展生存期预测的显著程度，从所述多个候选的预测变量中选出关键预测变量加入所述基础风险模型，以建立tte模型的终模型，所述终模型用于预测患者个体的无进展生存概率。

7、在一些实施方式中，构建患者数据集包括：

8、对原始患者数据集进行检查，识别极端删失数据，所述极端删失数据指个体删失事件时间大于患者群体中所有进展事件时间的最大值的数据；

9、通过缩尾法将识别出的极端删失数据填充为患者群体中所有进展事件时间的最大值。

10、在一些实施方式中，所述基础风险模型采用指数分布模型。

11、在一些实施方式中，基于下式建立所述终模型：

12、，

13、其中，代表第 i个个体的tte终模型的风险函数；表示所述tte基础风险模型的函数；和分别为第 i个个体的时变预测变量和常预测变量；和是描述第 j个预测变量效应的系数，系数为正则表明该预测变量为风险因素，系数为负则表明该预测变量为保护因素，系数为0则表明该预测变量为无关因素；指代风险函数受时变预测变量影响的函数形式； p、 q和 r依次为所述终模型中连续型常预测变量、二分类常预测变量和时变预测变量的个数。

14、在一些实施方式中，根据候选的预测变量影响无进展生存期预测的显著程度，从所述多个候选的预测变量中选出关键预测变量加入所述基础风险模型，包括：

15、结合逐步正向选择法和逐步逆向剔除法，根据候选的预测变量影响无进展生存期预测的显著程度，从候选的预测变量中选出所述关键预测变量。

16、在一些实施方式中，所述方法还包括：

17、进行个体参数的多变量cox回归，以分析不同个体参数变量对无进展生存的风险比，纳入分析的个体参数变量包括所述终模型中的所述关键预测变量的纵向模型的结构参数的经验贝叶斯估计；

18、根据个体参数的多变量cox回归的分析结果，识别对无进展生存影响显著的个体参数变量。

19、在一些实施方式中，所述方法还包括：

20、进行基于终模型预测常变量的多变量cox回归，以分析所述终模型的不同预测常变量对无进展生存的风险比，纳入分析的预测常变量包括所述终模型中的所述关键预测变量的纵向模型在指定时间的预测结果；

21、根据基于终模型预测常变量的多变量cox回归的分析结果，识别对无进展生存影响显著的终模型预测常变量。

22、在一些实施方式中，所述方法还包括：

23、根据个体参数的多变量cox回归的分析结果和基于终模型预测常变量的多变量cox回归的分析结果，分别绘制用于预测患者术后指定时期的无进展生存期的列线图。

24、根据本发明的另一方面，还提出了一种电子设备，所述电子设备包括：

25、存储器，存储有可执行指令；

26、处理器，所述处理器运行所述存储器中的所述可执行指令，以实现如上所述的用于预测术后患者无进展生存概率的tte模型建立方法。

27、根据本发明的另一方面，还提出了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如上所述的用于预测术后患者无进展生存概率的tte模型建立方法。

28、根据本发明的技术方案，首先构建腹膜后肉瘤（rps）患者的数据集，该患者数据集包括所收集的rps患者的术后无进展生存期数据，然后通过拟合该患者数据集，构建tte模型的基础风险模型；并得到多个候选的预测变量，所述候选的预测变量包括时变预测变量和常预测变量，所述时变预测变量包括多个潜在预后标志物的统计量的纵向模型的预测值，所述潜在预后标志物包括术后身体质量指数bmi、术后血清总蛋白tp、术后白细胞wbc，所述常预测变量包括基线特征变量和术前实验室检查指标相关截面变量，所述基线特征变量包括肿瘤分级grade、基线转移meta、切除效果comp、切除肿瘤体积restv、术前纤维蛋白原lnfib；然后根据候选的预测变量影响无进展生存期预测的显著程度，从所述多个候选的预测变量中选出关键预测变量加入所述基础风险模型，以建立tte模型的终模型，所述终模型用于预测患者个体的无进展生存概率。根据本发明的技术方案至少具有如下有益效果：

29、1、所建立的tte终模型相比基础风险模型，大大提高了预测效果和个体化程度；

30、2、相比传统的生存分析方法，加入了时间变化的预测因素，这可以动态评估术后患者状态，调整个体风险；

31、3、应用了先进的混合模型技术，减少了回顾性数据的偏倚，提高预测可靠性；

32、4、结合使用终模型和cox回归验证，使得关键变量选择和效应评估更加精准；

33、5、构建列线图，直观地实现个体无进展生存的动态预测；

34、6、为强化术后监测、制定精准干预提供了量化决策支持。

35、总而言之，根据本发明的tte终模型构建方案，引入了基于纵向模型预测的时变预测变量以及基线特征变量和术前实验室检查指标相关截面变量作为终模型的协变量，运用多种先进的统计模型与方法，构建出用于预测腹膜后肉瘤患者的术后无进展生存概率的tte模型，应用该模型能有效估计腹膜后肉瘤患者术后pfs概率，还能准确识别对pfs影响显著的变量，对腹膜后肉瘤患者术后疾病进展过程实现个体化预测和早期干预具有重大临床意义。

36、本发明的方法和装置具有其他的特性和优点，这些特性和优点在并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。