首页 艾滋病疗法的评价及疗效的预测(重庆理工)

艾滋病疗法的评价及疗效的预测(重庆理工)

举报
开通vip

艾滋病疗法的评价及疗效的预测(重庆理工)艾滋病疗法的评价及疗效的预测 参赛队员:叶 萌(通信学院), 刁寅亮(通信学院) 简福斌(通信学院) 指导教师:龚 劬 参赛单位:重庆大学 参赛时间:2006年9月22∼25日 艾滋病疗法的评价及疗效的预测 【摘要】本问题要求我们根据几种治疗方案下艾滋病治疗效果的测试数据,对艾滋病治疗的方案:包括最佳治疗终止时间,各种疗法的优劣选择,治疗所需的费用三个问题建立模型进行科学分析。 第一个问题归结为一个对大量样本数据的统计分析及预测问题。首先定义了标准浓度来综合刻画CD4浓度和HIV指标。因为所给的数据较为分散,直接处...

艾滋病疗法的评价及疗效的预测(重庆理工)
艾滋病疗法的评价及疗效的预测 参赛队员:叶 萌(通信学院), 刁寅亮(通信学院) 简福斌(通信学院) 指导教师:龚 劬 参赛单位:重庆大学 参赛时间:2006年9月22∼25日 艾滋病疗法的评价及疗效的预测 【摘要】本问题要求我们根据几种治疗 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 下艾滋病治疗效果的测试数据,对艾滋病治疗的方案:包括最佳治疗终止时间,各种疗法的优劣选择,治疗所需的费用三个问题建立模型进行科学分析。 第一个问题归结为一个对大量样本数据的统计分析及预测问题。首先定义了标准浓度来综合刻画CD4浓度和HIV指标。因为所给的数据较为分散,直接处理的难度很大,所以我们首先用聚类分析方法,以CD4和HIV浓度为两个指标将所有测试病人进行分类,共分成三类:轻度,重度和中度病人,并用回归分析方法得到了每一类病人的标准浓度函数的估计,检验表明其回归模型较为准确。然后我们建立了用于预测疗效的数学模型,引入疗效函数η(t),根据η(t)的值便能够判断是否应该继续治疗以及治疗的效果,或者得到停止治疗的最佳时间。我们得出轻度病人最佳终止治疗时间为27周;中度病人为29周;重度病人应该继续治疗。 对第二个问题,为了避免对大量数据进行回归分析时的复杂计算,我们依据患者CD4指标的差别将患者分为轻症和重症两类。并定义了轻症率作为全局评价的标准,为t时刻样本中轻症患者数量与该时刻样本总量的比值。对每一种疗法,我们统计了样本量大于30的测试时刻的轻症率,用回归分析方法,得到了比较理想的轻症率变化曲线。我们用轻症率曲线来评价四种疗法的优劣,大大简化了模型。我们还引入了评价指标()pt()ptZ刻画治疗方案的治疗效果,它综合了每种疗法的疗效和治疗时间,更具有实际意义。 模型分析得到疗法4为最佳的治疗方案,其优劣次序依次为4,2,3, 1。 第三个问题需要综合考虑疗法的优劣和费用高低,我们以疗效、费用、治疗时间为目标,建立了一个多目标规划模型。然后我们将这三个目标进行了优先级划分,采用目标规划中的序贯式算法编写lingo程序,很快得到综合选择的结果。在认为疗效最重要,费用次要,时间最次要的优先级别划分下,得到最好的治疗方案仍为疗法4。 关键字:聚类分析 回归分析 轻症率 评价指标 多目标优化 序贯式算法 - 1 - 一. 问题的重述 第一个问题要求对一种方案治疗期间内测试记录的样本数据建立适当的数学模型进科学分析,要求能够预测往后的治疗效果或预测最佳停止治疗的时间。 第二个问题要求我们综合考虑四种治疗方法下测试得到的样本数据,对数据进行适当的处理,建立模型评价四种疗法的优劣,并预测较优方法的继续治疗效果或最佳终止时间。 第三个问题给出了第二题疗法中所用药品的价格。要求对综合治疗价格和疗效两方面的因素,建立一个新的添加了优化思想的疗效评价和预测模型。并分析在综合了价格因素考虑之后,模型有什么变化。 二. 模型的基本假设 1.艾滋病在现有医学条件下是无法彻底治愈的。 2.测试所得的疗效规律基本符合艾滋病治疗的真实规律。 3.所有病人均严格按照治疗方案进行治疗。 4.不考虑病人年龄的影响。 三. 符号说明 符号 所表示的意义 ,ttcdhivCC t时刻CD4,HIV的浓度 C 标准浓度lg(1)cdhivCC+ iΩ 第i类病人的样本集合 t 测量的时间(周) ()iFt 第i类样本的回归函数 *()iFt ()iFt的极值 􀁬CV ()iFt的一阶微分 􀁬Ca ()iFt的二阶微分 I 标识是否停止治疗的0—1变量 η 治疗方案的预测效果 ijβ 第i类样本第j个回归参数 - 2 - cdCb ln(1)cdC+ ()pt 轻症率 mT 最佳终止治疗时间 n 样本总数 􀁬t C t时刻回归预测值 􀀃iε 残差 2R 决定系数(回归误差检验参数) s 剩余方差(回归误差检验参数) F F检验参数(回归误差检验参数) ()Wi 标识第i个病人是否为轻症病人的0—1变量 Z 对方案优劣的评价指数 ()ei 第i种疗法的疗效 ()ki 第i种疗法的日费用 ()ti 第i种方案所需的治疗时间 ()xi 标识是否选用方案i的0—1变量 ,dd+− 优化时所用的偏差变量 四.问题的分析及模型的建立 4.1 预测治疗效果的模型及最佳治疗终止时间的确定。 4.1.1 问题的分析 第一组数据给出了一种治疗方案下的一组艾滋病病人CD4和HIV两种指标的变化情况,我们的任务是从这些离散的测试数据得出CD4和HIV两个指标随治疗时间的变化规律,进而对继续治疗可能出现的结果进行预测,并确定最佳终止治疗的时间。 首先根据所给的数据进行分析,因为人体中的CD4细胞起着抵御HIV病毒的作用,同时CD4可能被HIV感染而裂解,其数量会急剧减少,这两个指标之间有着密 - 3 - 不可分的联系,不能由其中任意一个数据的变化来确定病情的发展,需要一个能联系两者的标准指标。 因为两者之间此消彼长,可以选择两个数据量的比值作为观察的标准,'C=cdhivCC而题中过给的和的浓度数量级相去甚远,为了准确分析,通过简单的变形得到我们接下作为分析指标的标准浓度: cdChivClg(1)cdhivCCC+= 我们认为C越小,病人的病情越严重。由于数据相对较多,为了能较为快速直观地得到模型的建立方向,可以先随机挑选一些病人的治疗情况进行分析。因为并不是所有的病人在每一周都进行了测试,所以得到的治疗效果关系并不准确,但是仍能看出一些趋势,在D4初值较高的人(即轻度病人)中随机选择了10个病人作为第一组,在C初值较低的人中随机选择了20个病人作为第二组(即重度病人),治疗期间变化的折线图如下所示: CC 图1 轻度病人治疗效果抽样趋势图2 重度病人治疗效果抽样趋势 从上图中可以发现这两组病人的治疗趋势有一定的区别,轻度的病人在治疗一段时间之后,很多样本的治疗效果都呈现了下降的趋势;而重度病人在治疗期间,多数样本并没有比较明显的转折点,呈现一直缓慢向上的走势.同时两组中都有病人在后阶段C值下降,我们认为这些人需要停止治疗。 于是可以考虑将所有的病人根据治疗开始时初始病况进行分类,分为几类分别建立模型进行分析,能够因病情而异较为准确地得到治疗预测方法。分类的标准应该综合考虑CD4和HIV的情况,不能直接依据某一个指标,所以这个分类的问题可以转化为一个多元统计中的聚类分析问题[1]。 聚类步骤如下: 1.设,分别表示病人第t周测试所得的CD4,HIV的浓度,那么提出第i个病人第零周初始值,。()tcdCi()thivCi(0)tcdC(0)thivC 2.将所有的样本分别以,为横纵坐标在坐标平面上标志出来。同样考虑到CD4与HIV的浓度量纲不同,将稍做处理,变换为()tcdCi()thivCi()tcdCi - 4 - ()'tcdCi=。lg(()1)tcdCi+ 3.将指标“靠近”的点进行聚类,两个指标之间的“靠近程度”用相似系数表示。设'tcdC,thivC分别为两个指标的均值,n为样本总数。 则相似系数 0011020211(()'')(())[(()'')(())]nttcdcdhivhivinnttcdcdhivhiviiCiCCiCrCiCCiC===−−=−−ΣΣΣ 2 此方法为系统聚类法[1]。 4.用matlab软件编写程序进行求解,令iΩ为第i类病人的集合,那么将所有的病人分成三类,分别表示轻度、中度和重度的病人,再将该病人的所有数据归到相应的集合下(程序及结果见附录1.1) 123,,ΩΩΩ123,,ΩΩΩ 分类结果见下表: 表1 各类病人人数 用这些通过聚类分析得到的数据分别将三个集合中的数据做平面坐标系中的tC−关系散点图。 图3 图4 要从这些样本点中直观地观察出指标变化的趋势并不容易,治疗过程中CD4与HIV的变化与药物疗效、病人病情、体质情况、药物作用时间等多个因素密切相关。但是因为该问题要求我们对该种治疗方法在时间推进下疗效进行预测或者确定最佳停止治疗的时间,那么这些样本点就可以简单抽象为时间和标准浓度两个变量之间的关系模型。 轻度病人 中度病人 重度病人 23人 243人 85人 - 5 - 图5 4.1.2模型的建立 假设对一个病人而言,第t 周的标准浓度与时间的关系为 ()tCft= ① 艾滋病治疗的目的是要尽量减少HIV的浓度,以及增加CD4的含量,若CD4的含量没有增加,也至少要保证降低CD4减少的速度,则 tC变化的速率为的一阶微分: ()tCft=()CdftVdt= tC的速率变化的快慢则为的二阶微分: ()tCft=22()Cdftadt= 通过治疗,要求,既标准浓度C处于增长状态。或者若,则需要,表示即使C在降低,也能够使C 降低的速率变缓。用就能够方便地预测继续治疗的效果。0CV>0CV<0Ca>()tCft= 再引入0—1变量I,表示治疗效果不明显,可以停止治疗。0I=1I=表示效果较好,应继续治疗。那么 􀁬􀁬􀁬101000CCCVIVa>⎧⎪=<>⎨⎪⎩可继续治疗且可继续治疗其他可停止治疗 综上所述,治疗效果的数学模型表示为: ()dftIdtη=⋅ ② 模型解释:对任意一个时间点t,η值越大表示效果越好,如果η=0效果不佳可以停止治疗。而最佳停止治疗点应该为第一个使η=0的时间点。 标准浓度函数的回归模型()tCft= 通过翻查一些医学统计资料,在对很难看出走势的待回归样本集,通常先选择二次项回归的方法[2]。通过观察图1和图2发现,对于需要停止治疗的病人的标准浓度曲线呈二次曲线型, 所以我们用matlab软件对已分组的三个集合分别进行二次项回归处理。(程序及运行结果见附录1.2)。对于不需要停止治疗(即C()tCft=t逐渐稳定)的病人的标准浓度曲线呈函数()tCft=01()tFttββ=+的曲线型。 - 6 - 需要停止治疗的病人在治疗过程的标准浓度函数的回归模型为 20122(0,)CttNβββεσ⎧=+++⎨⎩∼ ε 可继续治疗的病人在治疗过程的标准浓度函数的回归模型为 012(0,)tCtNβεβεσ⎧=+⎪+⎨⎪⎩∼ 4.1.3模型的求解 第一次对集合中所有的样本数据进行回归得到结果,同时用matlab命令可以直接得到相应的误差分析。通过误差分析可直观地判断回归的效果。 参阅相关统计书籍,举例来说:计算出参数β后,得到的􀁬iC可以看作对的期望值的估计,那么设误差的iCiε的估计值为􀀃iε,称为残差,那么记残差的平方和21niQε==Σ􀀇,再引入变量22Qsn=−作为样本的剩余方差,作为其中一个评判标准。另外还有误差分析参数2,,RFp。因为这些误差分析方法都已经是成熟的算法,所以在此不一一赘述推导过程,每个参数的意义及matlab对三个样本集合的回归分析见表1。回归后第i个集合的C关系为t−2012()iiiiFtttβββ=++. 表2 三类病人初次二次回归结果 集合 回归系数 回归系数估计值 系数置信区间 10β 0.7520 [0.6569 ,0.8470] 11β 0.0441 [0.0286 ,0.0597] 12β -0.0008 [-0.0012 ,-0.0004] 1Ω(轻度病人) 2R= 0.4106 =33.7895 =0.0000 =0.0802 Fp2s 20β 0.4879 [0.4554 ,0.5204] 21β 0.0419 [0.0366,0.0471] 22β -0.0008 [-0.0009,-0.0006] 2Ω (中度病人) 2R=0.3770 = 205.5920 =0.0000 =0.1029 Fp2s - 7 - 30β 0.2801 [0.23, 0.33] 31β 0.0417 [0.03 , 0.05] 32β 0.0000 [0.00, 0.00] 3Ω(重度病人) 2R= 0.28 =73.05 =0.0000 =0.01 Fp2s 其中各检验系数所表示意义: 2(0,1)R∈---决定系数,即相关系数R的平方,2R越大表示自变量对因变量起的决定作用越大 2s---样本方差,为残差的方差,越小表示回归后的函数越准确 F---检验参数,当时,表示回归效果显著F0FF>(临界值) p---表示F统计量落到零假设的拒绝域之外的概率, 值越小,回归效果越好p 从表1中可以看出,对集合中的所有样本点进行回归分析,结果显示:得到的模型精度不高,三个集合回归后的误差均比较大。 对,得到的二次项系数为零,回归得到的是一个C关于t线性增长的函数,这显然表示二次项回归并不符合该样本集合的特征,同时也说明至少测试的时间范围内,C的趋势一直处于上升或不降的状态,并没有出现二次项中一阶微分为零的点。其实际意义表示对重度病人在测试的时间段内,病情一直在好转或稳定,因此这类人可继续治疗,其标准浓度曲线呈函数3Ω()tCft=01()tFttββ=+变化规律。 对和,得到的系数和置信区间均正常,但是1Ω2Ω2R都未超过0.5,而F和s2的值也不理想。这有可能是样本中的异常点造成的,这些异常点偏离整体的变化趋势(在模型中表现为残差的置信区间不包含零点),给模型的的有效性和精度带来不利影响。 (1)先对这两个集合结果进行改进,图6为剔除异常点前后残差置信区间的。变化情况。 - 8 - 图6 通过matlab程序,逐次剔除异常点后,就能得到比较精确的二次回归函数(程序及运算结果见附录1.3):轻度与中度病人样本回归后的曲线与散点图如图7-10所示。 图7轻度病人集回归曲线图8 轻度1Ω1Ω的回归置信区间及转折点 图9 中度病人集回归曲线图10 中度病人集2Ω2Ω的回归置信区间及转折点 - 9 - 表3:轻度与中度病人二次回归最终结果 从表3中各项回归参数的误差检验可以看出该回归模型较符合数据的分布规律。 (2)对重度病人的回归结果进行改进 由于回归得到的二次项系数为零,那么表示C在测试的时间段内一直趋势都在增长。通过观察图2发现,用01()tFttββ=+对样本集合进行回归分析比较合适。该函数的变化如右图所示。对该函数进行简单变形, 3Ω 0112200 11tβ(程序见附录1.4) 得到回归后的函数曲 3Ω3Ω 集合 回归系数 回归系数估计值 系数置信区间 回归方程 10β 0.6899 [0.6252, 0.7471] 11β 0.0601 [0.0498, 0.0703] 12β -0.0011 [-0.0013, -0.0008] 1()Ft=0.6899+0.0601t −0.0011 2t 1Ω 2R=0.7613 =130.7694 =0.0000 = 0.0301 Fp s2 20β 0.4090 [0.3930,0.4250] 21β 0.0644 [0.0614,0.0674] 22β -0.0011 [-0.0012,-0.0010] 2()Ft=0.4090+0.0644t0.0011t −2 2Ω 2R= 0.8124 =1957.31 =0.0000 =0.0002 Fp s2 ( ) 1 ( ) Ft t t Ft t β α α β β β = → = + = + + 变成了一个一阶线性的函数关系,容易通 过程序实现该样本集的回归分析。或者用非线性回归的方法直接回归都能得到结果 线如图 11 所示: 图 11 的回归曲线 的回归置信区间 图12 - 10 - 回归得到的参数果如下表:表4 重度病人样本回归结果 结 从表 4 可以看出,回归所得的结果各项误差检验都达到了理想状态,表明这样 函数关系基本上可以反映真实的治疗情况。 合 4.1.3 得到的三个集合回归得出的函数关系:再结合 4.1.2 中列写出的数学模型 的 4.1.4模型求解结果 综 (即4.1.2中的②式) ()dftI dt η=⋅ 对各种病情的病人分别进行疗效预测得到的结果如表 5, 表 5 标准浓度函数及停止治疗时间 4.1.5 模型的结果分析 对病情较轻的病人,在使用该治疗方法在治疗的前期,基本可以增大标准浓度 慢 C 的降低速率,使得病情得到较好的控制。但是治疗持续 了一 C的含量或者有效地减 段时间以后,可能因为人体的抗药性增强或者病毒本身的扩散特性问题,会出现一个治疗效果的极值点,往后的继续治疗效果并不明显甚至会出现病情的反弹。所以在当治疗进行到一定程度时,可以停止该种方案的治疗考虑另外的治疗方法。而对病情较重的病人,在治疗前期好转的效果比较明显,到后期虽然好转的速度减缓,但是治疗仍旧在发挥积极 的作用。我们给出的治疗效果模型η越大,表示该方案的治疗效果越明显。根据实际情况分析,也可以确定一个η的下限sη,当sηη<时,可以认为基本上已经没有疗效,也能考虑停止用药。于是由此可以得到比较明该模型得到的结果,重度的病人需要治疗更长的时间,也与实际情况相符。 确的预测方向。 病情 标准浓度函数 30β 1.3714 [0.5693,2.4230] 31β 6.4286 [4.1465,8.0974] 31.3714()6.4286tFtt=+ 3Ω 2R= 0.6944 =664.37 Fp=0.0000 =0.0020 s2 预测结果 轻度 1()Ft =0. .001 第 27 周左右 6899+0.0601t-0 12t 是最佳停止治疗时间 中度 2()Ft=0.4090+0.0644-0.0011 t2t 第29周左右是最佳停止治疗时间 重度31.3714()tFtt= 6.4286 + 继续治疗的效果函数为3()tη - 11 - 4.2 在探索阶段,并没有某种绝对的治疗方案,所以需 要确定判别疗法好坏的指标。从病患的愿望出发,治疗的目的就是希望 四种疗法优劣的评判模型 4.2.1 问题的分析及模型的建立 目前对艾滋病的治疗仍然处 要对各种治疗方案的测试结果建立模型进行科学分析,用以判断及预测相应治疗方案的优劣。首先需 能够尽量痊愈或者减轻病症,所以我们考虑根据患者的CD4含量(本题只要求考虑CD4指标)分为轻症和重症两类ΩΩ。在治疗过程中,如果有一定效果,则必有[3]ln(1)3.6。重轻, 重症病人向轻症病人转化。根据相关的资料,若以 为判别标准,临床艾滋病重症 与轻症的判别点约为 33 ,转化为附件 2 种所给的数据形式,则判别点为 设 ,i 为病人序号,第 i 个病人的 CD4 浓度指标为 , 所给的数据 cdCcdC+= cdCb=ln(1)cdC+()cdCbi ln(1)(0,6.298)cdC+∈ ,可以将该区域均分为两个病情判别区 轻症区间为 , 重症区间为 ()cdCbi∈(0,3.6)()cdCbi∈ (3.6, 6.298) 变量 设一个0—1 0(),()1()(3.6,6.298),cdcdCbiiWiCbii⎧∈∈Ω⎪=⎨∈∈⎪⎩重轻(0,3.6) Ω 那么在一个时刻点 t,对一组病人进行统计,在 t 时刻样本集合中的轻症率为 1()() n i W i p t n = = Σ ③ 假设一个治疗方案一定存在一个最佳终止治疗的时间点 T。 以设定,一个行 之有 2.如果以各疗法存在最佳终止治疗的时间点,那么在这个时间点 T 上, 应大 于初始值 。 3. 曲线的一阶导数表示病情好转的速率,应大于零且越大越好。 4. 增量和病情好转速率综合考虑时,应优先考虑 增量,因为艾滋病是不 可治愈的,好的疗法应该追求使更多的人好转。 关于一个疗法的治疗效果判定,依据上述引入的变量,我们可 效的治疗方案,需要满足1.()pt随时间变化的曲线总趋势应该是上升的,表示治疗后,重症病人减少。 ()pT(0)p ()pt ()pt()pt - 12 - 综上所述,判别某一疗法疗效的数学模型为: 设第m种治疗方案的轻症率为() mpt,最佳终止治疗的时间点为 mT 。 建立评价指标模型 mZ=()(0)mmmmpTpT− 将 开方就是增强 mT()mpt 增量的重要程度。 mZ 越大,治疗方案越好。 4.2.2 模型的求解 型求解步骤: 据轻重症的划分方法计算附件 2 中所给样本的初始轻症率。 有些 的计算方法(即 4.2.1 中③式)分 行回归分析,得到近似的连续函 模 首先,计算根 其次,考虑到并不是在所有的时间点上,都有足够多的样本点进行分析。在 周次,只有零星几个数据。所以,提取样本数据在30个以上的时间点及该点上的样本集合。第三步,对四种不同的疗法,根据轻症率 ()pt别在所有提取的时间点上,计算离散轻症率的值。第四步,分别对四种疗法下轻症率的离散数据进 数()mpt。 第五步,用 4.1 中建立的模型,对回归得到的函数 ()mpt ,预测最佳停止治疗的 时间点 ,并得到该处的 mT()mmpT 。 最后,4.2.1 中建立的模型评价几种治疗方案的优劣。 据以上步骤,用 excel 和 matlab 软件求解。得到结果如下图: 的点,以得到较为理想的回归曲线。) 图 13 根 四种疗法的下()tpt−散点图及回归曲线。(这里回归时同样经过几次回归剔除了异常 1()pt 图14 2()pt - 13 - 62.1) 表6 四种疗法()pt回归系数及误差检验 回归系数 回归系数估计值 图15 3()pt 图16 4()pt 四种疗法都使用二次多项式回归,回归得到的参数及误差检验如表 : (程序见附件 集合 系数置信区间 10 β 0.2235 [0.185 0 ,0.2620] 11β 0.0046 [0.0006 ,0.0098] 12β -0.0003 [ -0.0004 ,-0.0001] 2R = 0.9478 =5 =0.000 F 4.4979 p 1 2s=0.0003 20β 0.2548 [0.103 ,0.3 7 394] 21β 0.0049 [0.0006 ,0.0121] 22β -0.0002 [-0.0005,-0.0001] 2R =0.7624 = =0.0134 F 9.6274 p 2s=0.0017 30β 0.2637 [0.180 ,0.3 7 494] 31β 0.0043 [0.0012 ,0.0093] 32β -0.0003 [ -0.0006 ,-0.0001] 2R = 0.7219 =6 =0.0408 F .4898 p 2s=0.0013 40β 0.2684 [0.629 , 0.37 41β 0.0137 [0.0019 , 0.0256] 疗法 1 疗法 2 疗法 3 疗法 4 1 38] - 14 - 42β -0.0004 [ -0.0007 , -0.0001] 2R=0.4782 F = 4.58 .0387 27 p=0 2s=0.0035 1,3的二次回归效果不是很明显,在剔除 四种疗法在初次做回归时,疗法 2, 几个异常点之后,回归的效果如上表所示,变得比较理想。 四种疗法的优劣评价 回归方程 了 对得到的四条回归曲线,用4.2.1中建立的模型,可以对四种疗法的优劣进行评价,评价后得到的结果见表7。 表7 最佳终止T 绘出四种疗法的轻症率函数 ()pt 疗法4为最有效的治疗方案,对其治疗 ()mpt mT m()mm (0)mp mZ 1()pt =0.2235+ -0.0003 7.7667 0.2411 0.2235 0.0064 0.0046t2t 疗法2 1()pt=0.2548+-0.0002t 0.0049 t2 12.25 0.2848 0.2548 0.0086 疗法3 1()pt=0.2637+0.0043t-0.0003t 2 7.1667 0.2791 0.2637 0.0058 疗法4 1()pt=0.2684+0.0137t-0.0004t 2 17.1250 0.3857 0.2684 0.0283 劣疗法4 > 法2> 疗法 > 疗法 治疗时间 时刻 的轻症率 p T 初始轻 症率 评价指标 疗法 1 从优到 疗 3 1 的回归曲线进行直观比较,如图 17 所示。 模型评价的结果是 效果可以用 4.1 中建 立的模型进行模拟。得到该方案治疗下最佳终止治疗时间应在第 20 周左右。 图17 四种疗法的轻症率函数曲线 - 15 - 4.3综合考虑药价与治疗效果的评价和预测模型 4.3.1 问题的分析 学模型,可以评价一种治疗方案的 个病人在实际求医过程中,自然会考虑到药品价格的问题,希望 程度或者说优先顺序上,我们将疗效放在首位,费用 重于金钱,而对于艾滋病这样一种不能彻底痊愈的 疾病 上题中我们通过临床获得的数据和建立的数 优劣。但是对于一 可以挑选一种既有效,又经济的治疗方案。对于这样一个理想的方案,我们认为大致需要满足以下条件 1.治疗的效果尽可能好。 2.治疗费用尽可能少。 3.治疗的时间尽可能短。 在满足这三个目标的重要 其次,治疗时间最次。毕竟生命 ,需要做好长时间治疗的准备。综合上述分析,该问题已经逐渐明朗化为一个具有层次性的多目标规划问题。 4.3.2 模型的建立和求解 根据4.3.1中的分析, 假设一组0—1变量()xi,当()1xi=时表示选择第i种方案, ()0=时表示不选择。由上述分析可以得到以下数学模型: x()()eixi⋅Σ x i s.t. . 可以用序 法能求解多目标规划问题,算法思想如下: i 的 i p ma min()()kixi⋅Σ min()()tixi⋅Σ ()1xi=Σ lingo程序贯式算 引入偏差变量 ,dd,建立以下目标: +− 1.设()ei为方案疗效,令()()iieipT=− (0)11()min{xidd+− ()⋅ + 表示所选方案的疗效至少要大于各方案中的最小疗效 2. i 所需的 i =所选方案的日花费, k i } −=Σ 则目标为1min{}d −设()ki为方案费用,令(k , e i e(i)} ) 22()max{()xiddki+−−=Σ ()表示所选方案的费用至少要低于到各方案中的最大费用 目标为2min{}d +设()ti为方案 ⋅ + 3. i 所花的时间,另 ()itiT= - 16 - 33()max{()}xiddti+−−=Σ () 表示所选方案的治疗时间至少要短于各方案中最长的时间 3 min{}d+ 给出四种疗法(),(),()eikiti 的表格: 表8 各种疗法的各项指标 用 mq 表示某种方案的优先级,那么疗效、费用、治疗时间的优先级分别为 , 当疗效> 其数学模型为: 123,,qqq把原来的多目标规划模型转化为单目标规划。费用>治疗时间 min 11 2233Bqdqdqd−=+ ++ + Σe i ⋅ x i + d +−d − = go 软件编写程序(程序及运行见附录 3.1) 4。 本模型综合考虑了疗效、费用、治疗时间三个目标的关系,并通过优先级的确 重缓急,同时也简化了优化的程序。现在得到的结果是在本模型 s.t. 0.0154 11()() 22()()3.65kixidd+−⋅+−=Σ 33()()17.125tixidd+−⋅+−=Σ ()1xi=Σ 用lingdo/lin运行得到的结果:最优的治疗方案为方案 4.3.2 模型的分析 定明确了目标的轻 优先级划分的标准下得到的。当改变几个目标的优先级之后,得到的结果也会随之改变。比如若将费用放在考虑的首位,那么最优的结果将变成疗法1。所以在具体求解使可以根据具体情况考虑,以得到最为准确的选择。 t i ⋅ + 目标为 经过上述分析,发现可以采用目标规划的序贯式算法,即根据优先级的先后次序, 编写程序将目标规划问题分解成一系列的但目标规划问题,然后再依次求解。 治疗方法 1 2 3 4 疗效() ei 0.0 0.0 0 0.0 0. 3 176 30 154 117(美 ()ki 1.225 3.45 2.45 3.65 治疗时间(周)(ti ) 7 1 7.6667 12.25 .1667 7.1250 治疗费用 元/日) - 17 - 五. 模型的优缺点及推广 5.1 模型的优缺点 在问题一和问题二中,为了计算模型一我们均 结果的准确性有很大提高。 际情况的变量间的函数关系。另 外回 模型一、二中对大量数据的处理方法具有可借鉴性,可以推广到很多具有类别 。模型三的处理方法对很多多目标规划问题具有普遍的意义。 六. 参考文献 [1] 何晓群, 现代统计分析方法与应用, P222-P224。 eoside Analogues plus Indinavir in Persons with Human Immunodeficiency Virus 金明,张莲花,刘波, MATLAB 工具箱应用, 北京:电子工业出版社,2004。 七. 附录 1.1 采用了聚类的办法来简化处理大 量而离散的数据。对 模型一、二采用回归分析方法处理数据,在难以用机理分析找出自变量与因变量之间关系的情况下,通过回归分析确定了接近实 归还能够在计算的同时检验回归的误差,能很好地说明模型的准确性。模型二还通过病症轻重分类和定义轻症率,大大减少了回归的数据量,进而方便的确定了变量间的关系,对模型所做的有效性检验也得到了很令人满意的结果。模型三具有灵活和易推广性,指标的选择和优先级的确定都是自由的,会可以对具体的问题进行具体分析。但是在模型二中对轻重症分类的标准我们本身也并不确知,所以分类指标带有一定的主观性。 5.2 模型的推广 特性的问题分析中 北京:中国人民大学出版社, 1998, [2]http://www.math.tku.edu.tw/chinese/faculty/cyc/class/Training%20Courses/doct2.pdf [3] Scott M. Hammer ,etc.,for The AIDS Clinical Trials Group 320 Study Team, A ControlledTrial of Two Nucl Infection and CD4 Cells Counts of 200 per Cubic Millimeter or Less, N Engl J Med 1997; 337: 725-733, Sep 11,1997. [4] 姜启源,邢文训,谢金星,杨顶辉, 大学数学实验, 北京:清华大学出版社,2005 [5] 刘琼荪,龚劬,何中市,傅鹏,任善强,数学实验,北京:高等教育出版社,2004 [6] 谢金星,薛毅, 优化建模与LINDO/LINGO软件,北京:清华大学出版社,2005。 [7] 苏 - 18 - 程序 tt=1;p=1;tt=[]; qq(i+1,1) qq(i+1,1); ) =tt(:,2); '); ind(T==2); ind(T==3); T]=dendrogram(Z); 23638 23583 Q2= 23446 23524 23545 23708 tt(t,1)=qq(1,1); tt(t,2)=qq(1,3); tt(t,3)=qq(1,4); for i=1:1571 if qq(i,1)~= t=t+1; tt(t,1)= tt(t,2)=qq(i+1,3); tt(t,3)=qq(i+1,4); end end size(tt >> vv(:,1) >> vv(:,2)=tt(:,3); Y=pdist(vv); Z = linkage(Y,'ward T = cluster(Z,3); q=find(T==1); q q=f q q=f q [H, 结果: Q1= 23721 23508 23519 23731 23688 23680 23612 23582 23650 23462 23591 23737 23542 23455 23481 23572 23777 23655 23675 23691 23571 23735 23744 23705 23494 23495 23527 23733 23435 23548 23550 23546 23544 23598 23736 23448 23730 23578 23439 23575 23592 23610 23665 23769 23613 23447 23484 23621 23520 23584 23576 23523 23547 23605 23654 23431 23506 - 19 - 23727 23432 23551 23479 23651 23536 23611 23483 23741 23663 23760 23723 23558 23496 23443 23643 23554 23515 23534 23562 23714 23761 23602 23677 23430 23454 23693 23540 23630 23480 23686 23754 23775 23460 23620 23531 23476 23585 23619 23759 23451 23599 23672 23757 23743 23745 23640 23695 23669 23608 23750 23493 23465 23528 23459 23748 23629 23501 23535 23541 23631 23526 23649 23717 23603 23658 23709 23704 23502 23604 23644 23440 23563 23746 23765 23707 23609 23642 23767 23682 23668 23633 23660 23685 23990 23555 23538 23566 23438 23511 23751 23623 23513 23568 23452 23718 23720 23678 23428 23768 23518 23716 23441 23514 23689 23701 23552 23564 23445 23662 23437 23424 23657 23589 23756 23758 23492 23740 23559 23753 23617 23590 23606 23509 23645 23711 23512 23626 23553 23543 23679 23703 23474 23726 23684 23567 23771 23529 23670 23666 23676 23442 23532 23577 23661 23635 23464 23601 23458 23471 23426 23579 23588 23763 23594 23596 23510 23694 23749 23491 23636 23507 23719 23573 23616 23574 23715 23772 - 20 - 23457 23690 23667 23648 23497 23600 23537 23490 23569 23504 23607 23485 23722 23530 23622 23522 23770 23696 23652 23659 23647 23618 23639 23468 23627 23683 23580 23625 23565 23628 23671 23463 23738 23487 23488 Q3= 23453 23472 23516 23624 .2 a; ,4)'; 1),x1,x2]; ess(y',X); 23456 23467 23556 23641 23615 23461 23482 23489 23664 23469 23498 23646 23614 23560 23499 23713 23595 23505 23732 23429 23734 23593 23681 23478 23586 23697 23747 23570 23653 23637 23766 23500 23521 23702 23764 23698 23427 23712 23710 23597 23729 23692 23752 23475 23434 23587 23706 23780 23425 23450 23776 23674 23739 23774 23755 23539 23549 23470 23632 23581 23561 23473 23742 23762 23449 23503 23477 23773 23728 23736 23700 23533 23634 23687 23466 23486 23444 23557 23724 23656 23436 1 bo=a n=1529; >> y=bo(: >> x=bo(:,3)'; >> x1=x'; x2=(x.^2)'; >> X=[ones(n, >> [b,bint,r,rint,s]=regr >> b,bint,s - 21 - 1.3 size(rint);v=[];t=1; )*rint(i,2)<=0 v); 1; o(i,:); ) .4 12; ,4)'; 1),x1]; egress(y',X); n(b,t) n’,b0) ; 01 :1 ; 2)+xx) ; e 2.1 7 8 16 17 23 31 32 33]; 0.2128 0.2 0.1111 0.0781 0.1025]; ww= for i=1:ww(1) if rint(i,1 v(t)=i; t=t+1; end end w=size( m=size(bo); tt=1;aa=[];j= for i=1:m(1) for j=1:w(2) if i==v(j) aa(tt,:)=b tt=tt+1; end end end size(aa 1 n=10 >> y=bo(: >> x=bo(:,3)'; >> x1=x'; >> X=[ones(n, >> [b,bint,r,rint,s]=r >> b,bint,s Function y=fu Y=b(1)*t./(b(2)+x) ; [b,R,J]=nlinfit(x,y,’fu bi=nlparci(b,R,J) ; b,bi ; xx=0 :0. yy=b(1)*xx./(b( plot(x,y, ‘+’,xx,yy),paus nlintool(x,y,’fun’,b) x=[0 y=[0.2125 0.25 0.2655 0.2121 - 22 - n=9; x2=x.^2; ,1),x',x2']; s(y',X); 果 0.2235 0.1850 0.2620 = 0.2548 0.1703 0.3394 0.7624 9.6274 0.0134 0.0017 = 0.2637 int = 0.1780 0.3494 X=[ones(n [b,bint,r,rint,s]=regres 结 b = 0.0046 -0.0003 bint = -0.0006 0.0098 -0.0004 -0.0001 b 0.0049 -0.0002 bint = -0.0053 0.0151 -0.0005 0.0000 s = b 0.0043 -0.0003 b 0.0002 0.0158 -0.0006 -0.0001 - 23 - s = 0.7219 6.4898 0.0408 0.0013 = 0.2684 int = 0.1629 0.3738 = 0.4782 4.5827 0.0387 0.0035 .1 el: el/1..3/:P,z,Goal,dplus,dminus,a; ? ?; 0; 17.125; 1250; m(level:P*z); dminus(1)-dplus(1)=a(1); b 0.0137 -0.0004 b 0.0019 0.0256 -0.0007 -0.0001 s 3 mod sets: lev qq/1..4/:k,t,x,f; endsets data: P=? Goal=? ? a=0.0154 3.65 k=1.225 3.45 2.45 3.65; t=7.667 12.25 7.1667 17. f=0.0176 0.0300 0.0154 0.1173; enddata min=@su z(1)=dminus(1); z(2)=dplus(2); z(3)=dplus(3); @sum(qq:f*x)+ - 24 - @sum(qq:k*x)+dminus(2)-dplus(2)=a(2); @sum(qq:t*x)+dminus(3)-dplus(3)=a(3); @sum(qq:x)=1; @for(qq:@bin(x)); size(level): Global optimal solution found at iteration: 0 0000 Variable Value Reduced Cost 0000 Variable Value Reduced Cost 0000 Variable Value Reduced Cost @for(level(i)|i#lt#@ @bnd(0,z(i),Goal(i))); end Objective value: 0.00 P( 1) 1.000000 0.000000 P( 2) 0.000000 0.000000 P( 3) 0.000000 0.000000 Z( 1) 0.000000 0.000000 Z( 2) 200.0000 0.000000 Z( 3) 0.000000 0.000000 X( 1) 1.000000 0.000000 X( 2) 0.000000 0.000000 X( 3) 0.000000 0.000000 X( 4) 0.000000 0.000000 Global optimal solution found at iteration: 0 Objective value: 0.00 P( 1) 0.000000 0.000000 P( 2) 1.000000 0.000000 P( 3) 0.000000 0.000000 Z( 1) 0.000000 0.000000 Z( 2) 0.000000 0.000000 Z( 3) 0.000000 0.000000 X( 1) 1.000000 0.000000 X( 2) 0.000000 0.000000 X( 3) 0.000000 0.000000 X( 4) 0.000000 0.000000 Global optimal solution found at iteration: 0 Objective value: 0.00 P( 1) 0.000000 0.000000 - 25 - P( 2) 0.000000 0.000000 P( 3) 1.000000 0.000000 Z( 1) 0.000000 0.000000 Z( 2) 0.000000 0.000000 Z( 3) 0.000000 0.000000 X( 1) 0.000000 0.000000 X( 2) 0.000000 0.000000 X( 3) 0.000000 0.000000 X( 4) 1.000000 0.000000 - 26 -__
本文档为【艾滋病疗法的评价及疗效的预测(重庆理工)】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
下载需要: 免费 已有0 人下载
最新资料
资料动态
专题动态
is_678043
暂无简介~
格式:doc
大小:143KB
软件:Word
页数:0
分类:工学
上传时间:2018-09-06
浏览量:12