基本信息
- 项目名称：
- 基于人工智能的个体化给药方案设计系统--环孢素A血药浓度和用量预测
- 来源：
- 第十一届“挑战杯”国赛作品
- 小类：
- 生命科学
- 大类：
- 科技发明制作B类
- 简介：
- 《基于人工智能的个体化给药方案设计系统--环孢素A血药浓度和用量预测》是基于神经网络技术和遗传算法的原理研发的，它主要用于个体化给药方案设计，为临床医生提供用药决策。系统设计了友好界面，使临床医生能够进行人机交互活动，从而辅助医生确定合理的病人给药方案。
- 详细介绍：
- 1 系统开发的基本思路 ①通过收集整理肾移植患者病例数据，建立使用CsA治疗肾移植患者的临床用药数据库；②结合群体药动学知识，充分分析CsA血药浓度或用量的影响因素，确定建模因子，然后根据神经网络和遗传算法的基本原理，使用Matlab7.0软件编制程序，拟合血药浓度或用量及其影响因素之间的关系，分别建立CsA血药浓度及其用量的预测模型，最终用真实的临床数据验证模型的可行性；③在理论研究的基础上，经扩充临床用药数据库后，使用Visual Basic 6.0、MATLAB 7.0、MIDEVA 4.5等工具编制程序，建立个体化给药系统；④结合临床新收集的病例用药数据，反复调试，逐步完善该系统，提高系统的预测性能，并尝试推广至其他药物的个体化给药方案设计。 2系统结构 该系统分为四大模块： ①血药浓度预测模型的建立 利用一定数量的训练样本，在对影响血药浓度的因素进行合理选择之后，通过合理的参数设置使网络进行自适应训练。当网络达到用户满意的预测精度后，模型构建完毕。该血药浓度预测模型可以用于未知病例的血药浓度预测。 ②血药浓度预测功能 通过用户输入各显著变量的值（病人最近的身体状况和用药量），该系统自动输出下一次TDM前可能达到的血药浓度值，该值可以作为医生给药的参考。 ③用量计算（预测）模型的建立 利用一定数量的训练样本，在对影响用药量的因素进行合理选择之后，通过合理的参数设置使网络进行自适应训练。当网络达到用户满意的预测精度后，模型构建完毕，该用量计算模型可以用于未知病例的用量计算。 ④用量计算（预测）功能 通过用户输入生化指标值、目前的血药浓度值，以及医生希望通过给药达到的目标血药浓度，该系统自动输出合适的给药量，从而辅助临床个体化给药。 3 系统特色 ①本系统具有CsA血药浓度预测、用药量计算功能。目前环孢素A的剂量预测准确度可以达到90%，血药浓度的预测精度可以达到80%，符合临床要求。可以推广应用到需要开展TDM的各种药物的个体化给药方案设计； ②系统具有图形输出功能。能够直观描述预测结果与实际值的吻合程度； ③采用Microsoft Excel表建立临床用药数据库，该Excel表为临床医生所熟悉，因而有利于临床医生对临床用药数据进行管理，并进行相关的统计分析和处理； ④系统界面友好，操作简单，功能齐全，医生易于掌握。 4 开发环境 本软件的开发环境为MATLAB 7.0、MIDEVA 4.5、VB6.0。Matlab 是MathWorks 公司于1982 年推出的一套高性能的数值计算和可视化软件，适合于科学和工程技术人员使用的计算语言，它集数值分析、矩阵运算、信号处理和图形显示于一体，构成了一个方便、界面友好的用户环境。由于VB 的数值计算功能并不十分强大，往往一个简单的算法就需要很多代码完成。为了使VB最大限度地发挥MATLAB 功能，减少软件开发的时间，同时使软件脱离MATLAB 这一庞大的运行环境，本系统采用MIDEVA4.5将由Matlab7.0编写并调试成功的M文件转换为DLL文件，然后在VB6.0中调用这一类动态库。 5 系统配置要求 支持系统：Windows 2x或者XP，Vista。 注意：使用该软件前系统必须安装过Visual C++以及MIDEVA 4.5。
作品图片
作品专业信息
设计、发明的目的和基本思路、创新点、技术关键和主要技术指标
- 目的：环孢素A（CsA）是目前临床常用的强效免疫抑制剂，广泛用于肝、肾等器官移植，用来减轻和防止术后排异反应，从而提高病人的生存率和移植器官的存活率。然而，CsA治疗窗狭窄，药动学参数个体差异大，容易产生肝肾毒性等严重不良反应。因此，研究器官移植病人个体化给药方案设计，对提高移植器官的存活率，减少毒性反应和排异反应的发生具有重要的临床意义。《基于人工智能的个体化给药方案设计系统》可用于CsA的血药浓度和用量预测，从而辅助临床医生合理用药，减轻病人痛苦，提高临床药物治疗水平。 基本思路：①收集整理数据，建立CsA临床用药数据库②结合群体药动学知识确定建模因子，根据神经网络和遗传算法的基本原理建立CsA血药浓度及其用量的预测模型，并用真实的临床数据验证模型的可行性③结合临床新收集的用药数据，调整参数，完善系统，推广应用。 主要创新点：①研究手段新颖，融合了生物医学、计算机科学、临床药学、医学统计学等多学科交叉优势，构建模型用于CsA的血药浓度预测和用量计算。国内尚未见同类报道；②采用Excel表建立临床用药数据库，该表为临床医生所熟悉，因而有利于临床医生对临床用药数据进行管理，并进行相关的统计分析和处理；③数据来源于首都医科大学附属北京友谊医院药剂科，为国人真实可靠的数据，开发的系统适合于国人使用。 技术关键和技术指标： ①建立使用CsA治疗肾移植患者的临床用药信息数据库 ②确定合理的建模因子，选择合适的神经网络模型以及优化算法 ③选择合适的系统开发工具
科学性、先进性
- 传统的CsA给药方案是临床医生根据CsA血药浓度监测结果并结合自身经验设计而成，由于该方法要求频繁测量病人CsA的血药浓度水平，同时监护肝肾功能，因而可能延误治疗和浪费药物资源，让病人面临毒性和排斥的风险。目前大部分国内外学者主要依据群体药动力学原理和方法，通过对肾移植术后患者CsA的血药浓度进行监测，期望实现肾移植术后患者个体化给药。但是药物的体内过程是极其复杂的，应用传统的数学方法很难理想地确定药物动力学变量、药物输入与药效之间的定量关系，预测效果不甚理想。 本系统结合群体药代动力学原理和方法，采用神经网络和遗传算法技术构建CsA血药浓度和用量预测模型，从而优化CsA个体化给药方案。其不但无须假设药物行为模型，避免了模型误差，且无需复杂的实验操作，因而简单易用，界面友好，易于为临床医生和药师接受。该系统已经在首都医科大学附属北京友谊医院进行试用，目前CsA的剂量预测准确度大多数可以达到90%，CsA的血药浓度的预测精度大多数可以达到80%，符合临床要求。
获奖情况及鉴定结果
- 论文《Prediction of cyclosporine A blood concentration by genetic algorithm and BP neural network》获得2008年校 “创新一等奖”；发表于2008年第二届生物医学工程与生物信息学国际会议论文集，并且被EI compendex收录。
作品所处阶段
- 系统试用阶段
技术转让方式
- 暂未转让
作品可展示的形式
- 实物、产品、磁盘、现场演示、图片
使用说明,技术特点和优势,适应范围,推广前景的技术性说明,市场分析,经济效益预测
- 使用说明：将病例数据按一定的格式录入临床用药数据库。然后导入数据、参数设置，网络训练后，便得到血药浓度预测或用量计算的最优模型。将预监测病人的各项指标数据录入后，通过使用上述模型，便可得到血药浓度预测值或用药量。 技术特点和优势：1、系统具有CsA血药浓度预测、用药量计算功能。目前环孢素A的剂量预测精度大多数可以达到90%，血药浓度的预测精度大多数可以达到80%，符合临床要求。可以推广应用到需要开展TDM的各种药物的个体化给药方案设计；2、系统具有图形输出功能，能够直观描述预测结果与实际值的吻合程度；3、采用Microsoft Excel表建立临床用药数据库，该Excel表为临床医生所熟悉，因而有利于临床用药数据的管理和统计分析；4、系统界面友好，操作简单，功能齐全，医生易于掌握。 适应范围、推广前景：此系统可以推广到需要开展TDM的各种相关药物。该系统对降低严重不良反应的发生率具有重要临床意义；对减轻病人痛苦和经济负担具有现实意义，能够产生良好的经济效益和社会效益。
同类课题研究水平概述
- 目前，国内外研究人员已经注意到此项技术在医学领域的应用价值，并进行了相关综述介绍和探索。中国药科大学刘晓东教授承担了“用神经网络模型研究中药复方药代动力学与药效动力学”课题(项目编号39970903)，相秉仁等提出了一种以遗传神经网络为基础的抗肿瘤药物不良反应诊断系统，得到了较好的预测结果。Veng-Pedersen介绍了神经网络应用于不同药物动力学及药效学模型的推算过程指出了理论上的可行性。Beier使用神经网络用较少的药动学数据得到较好的结果。可见神经网络在合理用药方面有一定的理论基础。Gustavo 和Maton使用神经网络技术对肾移植病人的CsA剂量进行预测，并与相关的时间序列数学模型预测结果进行比较，表明神经网络是一个非常有效的工具。JoseD教授认同此观点。但是笔者经文献查询发现把神经网络应用于CsA个体化给药方案设计的研究国内尚未见同类报道。Gustavo Camps-Valls等人的神经网络的模型、算法、优化手段、收敛速度等还不十分理想，有待改进和提高。另外，CsA有效血药浓度的数据大部分参考国外文献。为更进一步确保病人的用药安全与合理，建立一个适合于国人的相对个体化给药方案是非常必要的。 本人在前期工作中开展过对CsA血药浓度的预测研究，并取得了一定的研究成果。课题通过结合群体药代动力学原理和方法，充分分析CsA血药浓度或用量的影响因素，利用BP神经网络技术，建立CsA血药浓度时间序列预测模型。为避免神经网络易陷入局部极小的缺陷，利用了具有良好的全局搜索能力的遗传算法改进BP神经网络模型，提出一种将遗传算法和BP算法相结合的学习算法(GA-BP)来训练BP神经网络。最终，利用医院的临床数据进行验证，结果表明该模型取得了良好的预测效果。
