生存分析模型的构建方法、装置、电子终端及存储介质

摘要

本发明实施例公开了一种生存分析模型的构建方法、装置、电子终端及存储介质，该方法包括：获取随访对象发生感兴趣事件的风险变量列和结局列的数据；获取风险变量列的数据的先验概率值；将风险变量列和结局列的数据，按预设时段进行划分；根据各预设时段的风险变量列和结局列的数据、风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数；根据各预设时段的预设危害风险模型，确定累积危害风险模型。通过将先验概率值结合实际随访数据，能够计算出各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数，从而使得基线风险参数和自变量系数可随时间动态变化，提高了模型的预测准确率。

说明书

技术领域

本发明实施例涉及医疗科研的预后分析技术，尤其涉及一种生存分析模型的构建方法、装置、电子终端及存储介质。

背景技术

生存分析指的是一系列用来探究感兴趣事件的发生时间的统计方法，其为医疗科研的预后分析的一个重要研究内容，例如可用于分析病人确诊疾病之后多长时间会死亡，疾病治愈之后多久会复发等。

目前，通常采用的生存分析手段是，通过构建比例风险回归模型(proportionalhazards model，可称为COX回归模型)来进行分析。然而，建立COX回归模型时，需将等比例风险假定作为前提条件，即假定各危险因素的作用不随时间的变化而变化。这就导致，使用COX回归模型对感兴趣事件进行预测时，得到的预测准确率较低。

发明内容

有鉴于此，本发明实施例提供了一种生存分析模型的构建方法、装置、电子终端及存储介质，构建出的生存分析模型中基线风险参数和自变量系数可随时间动态变化，从而提高了模型的预测准确率。

第一方面，本发明实施例提供了一种生存分析模型的构建方法，包括：

获取随访数据；其中，所述随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和所述感兴趣事件的结局列的数据；

获取所述风险变量列的数据的先验概率值；

将所述风险变量列的数据和所述结局列的数据，按预设时段进行划分；

根据各预设时段的所述风险变量列的数据、所述结局列的数据和所述风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数；

根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。

第二方面，本发明实施例还提供了一种生存分析模型的构建装置，包括：

随访数据获取模块，用于获取随访数据；其中，所述随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和所述感兴趣事件的结局列的数据；

先验概率获取模块，用于获取所述风险变量列的数据的先验概率值；

时段划分模块，用于将所述风险变量列的数据和所述结局列的数据，按预设时段进行划分；

参数确定模块，用于根据各预设时段的所述风险变量列的数据、所述结局列的数据和所述风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数；

模型确定模块，用于根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。

第三方面，本发明实施例还提供了一种电子终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例提供的生存分析模型的构建方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明任意实施例提供的生存分析模型的构建方法。

本发明实施例提供的一种生存分析模型的构建方法、装置、电子终端及存储介质，其中该生存分析模型的构建方法，包括：获取随访数据；其中，随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和感兴趣事件的结局列的数据；获取风险变量列的数据的先验概率值；将风险变量列的数据和结局列的数据，按预设时段进行划分；根据各预设时段的风险变量列的数据、结局列的数据和风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数；根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。通过将先验概率值结合实际随访数据，能够计算出各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数，从而使得构建出的生存分析模型中基线风险参数和自变量系数可随时间动态变化，提高了模型的预测准确率。

附图说明

图1是本发明实施例一提供的一种生存分析模型的构建方法的流程示意图；

图2是本发明实施例一提供的一种生存分析模型的构建方法中基于生存分析模型进行预测的预测结果的界面示意图；

图3是本发明实施例二提供的一种生存分析模型的构建方法的流程示意图；

图4是本发明实施例二提供的一种生存分析模型的构建方法中自变量系数的可视化的示意图；

图5是本发明实施例二提供的一种生存分析模型的构建方法中累积危害风险模型的可视化的示意图；图6是本发明实施例三提供的一种生存分析模型的构建装置的结构示意图；

图7是本发明实施例四提供的一种电子终端的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。

实施例一

图1是本发明实施例一提供的一种生存分析模型的构建方法的流程示意图，本实施例可适用于构建生存分析模型的情况，例如可适用于在预后分析领域，构建基线风险参数和自变量系数可随时间变化的生存分析模型的情况。该方法可以由本发明实施例提供的生存分析模型的构建装置(可简称为构建装置)来执行，且构建装置可配置于本发明实施例提供的电子终端中，例如可配置于计算机中。

参见图1，生存分析模型的构建方法，具体包括如下步骤：

S110、获取随访数据；其中，随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和感兴趣事件的结局列的数据。

本发明实施例所提供的生存分析模型，可以用应用于医疗科研的预后分析领域。在该预后分析领域中，随访对象通常为人，随访对象发生感兴趣事件例如包括病人确诊疾病之后多长时间会死亡，或者疾病治愈之后多久会复发等等。

其中，不同感兴趣事件所对应的风险变量列和结局列，通常存在差异。其中，结局列通常表征感兴趣事件发生的时间；风险变量列通常表征可能影响感兴趣事件发生的各影响因素，且风险变量列的数量可以为至少一列。此外，随访数据除包括上述风险变量列的数据和结局列的数据之外，还可包含其他数据，例如未被列入风险变量列的随访对象的其他信息等。

其中，风险变量列和结局列的数据，可以为离散数据，也可以为连续数据。其中，离散数据例如包括，风险变量列中表征包含不同状态的影响因素的状态量、结局列中表征感兴趣事件是否发生的分类值等；连续数据例如包括，风险变量列中表征连续变化的某影响因素的数据(例如年龄)、结局列中感兴趣事件的发生时间等。

在一些可选的实现方式中，风险变量列包括至少下述一列：性别、年龄和生物标志物；结局列包括事件列和时间列。

在这些可选的实现方式中，为研究随访对象何时发生感兴趣事件，随访对象的性别、年龄和生物标志物皆可作为风险变量列。其中，不同感兴趣事件对应的生物标志物存在差异，例如当分析病人肿瘤手术后多长时间会死亡时，生物标志物可包括血常规各项指标，又如分析癌症患者多长时间会死亡时，生物标志物可包括癌细胞是否发生转移等。此外，风险变量列并不限于为上述变量列，例如还可以包括民族、地域等，在此不做穷举。

其中，结局列中的事件列可以表征感兴趣事件是否发生，时间列可以表征事件发生时间。并且，最开始获取到的结局列中可以只包括时间列的数据，并且可以将时间列的数据，变换为各预设时段中事件列的数据。例如，某随访对象的随访数据中结局列的时间列数据为78，则变换到事件列的数据可以是，第78个月对应的预设时段的事件列数据为表征发生的状态量，之前时段的事件列数据为表征未发生的状态量。

本发明实施例中，构建装置可以通过多种方式获取随访数据，例如从本地存储空间或远程存储空间中，读取历史收集的随访数据，在此不做穷举。通过获取随访数据，以便于对生存分析模型进行构建。

S120、获取风险变量列的数据的先验概率值。

本实施例中，每一列风险变量列的每一个数据，可对应一先验概率值。其中，风险变量列的数据的先验概率值，可表征风险变量列的数据对感兴趣事件发生的影响权重。在构建生存分析模型时，该影响权重通常作为风险变量列的数据的系数。当影响权重的值大于零时，可认为该风险变量列的数据对感兴趣事件的发生有促进作用，反之当影响权重的小于零时，可认为该风险变量列的数据对感兴趣事件的发生有抑制作用。

其中，各数据对应的先验概率值，可以根据专家判断及个人经验等主观先验信息来确定，也可以根据可信度高的历史研究中的后验概率值作为当前研究中的先验概率值。其中，构建装置可以通过多种方式获取风险变量列的数据的先验概率值，例如通过用户界面接收用户设置的各数据对应的先验概率值等，在此不做穷举。通过获取风险变量列的数据的先验概率值，以便于对生存分析模型进行构建。

S130、将风险变量列的数据和结局列的数据，按预设时段进行划分。

其中，预设时段的设置方式可以是，将结局列的时间列中最大最小值之间的区间划分(等分或不等分)为预设数量，并将划分后的各时段作为各预设时段。其中，划分时段的步长可根据经验值或实验值进行设置，例如可以设置为一个月。

其中，将风险变量列的数据和结局列的数据，按预设时段进行划分，可以认为是：将结局列中时间列的数据，变换为各预设时段中事件列的数据；从随访起始时间点起，到当前时间点结束，将每个预设时段内随访对应的风险变量列的数据和事件列的数据，作为一组数据。

通过按预设时段对风险变量列的数据和结局列的数据进行划分，有利于根据划分后每组的数据进行分段建模，以回归得到预设危害风险模型(即生存分析模型)中随时间变化的基线风险参数和自变量系数。

S140、根据各预设时段的风险变量列的数据、结局列的数据和风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数。

本实施例中，预设危害风险模型示例性的可建模为λ(t)＝λ

传统COX回归模型属于半参数模型，即在λ

其中，针对每个预设时段，可利用贝叶斯参数估计方法，结合风险变量列的数据的先验概率值(即β对应的先验概率值)，和实际随访数据，确定后验概率，即确定预设危害风险模型中的基线风险参数λ

在一些可选的实现方式中，根据各预设时段的风险变量列的数据、结局列的数据和风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数，包括：

从风险变量列中，确定目标变量列；根据各预设时段的目标变量列的数据、结局列的数据和目标变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数。

在这些可选的实现方式中，可以从风险变量列中选择至少一列作为目标变量列，并将目标变量列作为参数回归规程中的输入。从而有利于确定每一列风险变量列，单独对预设危害风险模型中的基线风险参数和自变量系数的影响，或者确定多列联合起来，对对预设危害风险模型中的基线风险参数和自变量系数的影响。

在一些进一步的实现方式中，若目标变量列的数量为一列，则根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，所确定的累积危害风险模型，为目标变量列对应的独立累积危害风险模型；若目标变量列的数量为至少两列，则根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，所确定的累积危害风险模型，为目标变量列对应的联合累积危害风险模型。

在这些进一步的实现方式中，当目标变量列为一列时，确定的预设风险模型的基线风险参数和自变量系数也仅与该列数据相关，相应的基于预设风险模型确定的累积危害风险模型也仅与该列数据相关，因此可作为该列数据对应的独立累积危害风险模型。同理，当目标变量列为多列时，确定的预设风险模型的基线风险参数和自变量系数也与多列数据相关，相应的基于预设风险模型确定的累积危害风险模型也与多列数据相关，因此可作为这些列数据对应的联合累积危害风险模型。

通过基于一列或多列风险变量列的数据，有利于分别确定每列风险变量列的数据，对预设危害风险和累积危害风险模型的影响。

S150、根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。

其中，在确定各时段的基线风险参数λ

此外，在确定累积危害风险模型之后，还可以基于该确定的累积危害风险模型，根据目标对象的风险变量列的数据，对结局列的数据进行预测分析，以实现对目标对象的预后分析。示例性的，图2是本发明实施例一提供的一种生存分析模型的构建方法中基于生存分析模型进行预测的预测结果的界面示意图。

参见图2，可提供一界面用于展示基于生存分析模型进行预测的预测结果，并且界面左侧部分，可以用于输入参数，即输入目标对象的风险变量列的数据(例如年龄、性别、吸烟史、...血红蛋白等等)；当界面左侧的“计算”按钮控件被触发时，可基于生存分析模型，根据界面左侧输入的数据进行预测，得到该目标对象随时间变化的累积危害风险、生存率等，其中生存率与累积危害风险呈反相关；在得到预测结果后，可进行可视化呈现，具体例如图2界面右侧部分的图形可视化呈现，或列表呈现等，以使用户了解该目标对象在各阶段的累积危害风险、生存率等，便于进行必要的医护介入，以提高目标对象生存率。

此外，累积危害模型与预设危害风险模型之间具备转换关系，除包括累积关系外，还可以包括指数转换关系等，具体可根据预设危害风险模型和累积危害模型的实际建模情况进行确定。

在一些可选的实现方式中，根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型，包括：获取预测样本集，并将预测样本集输入确定各预设时段的基线风险参数和自变量系数的预设危害风险模型中；根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型的输出结果，确定累积危害风险模型。

在这些可选的实现方式中，首先，可以获取群体的预测样本集，该预测样本集中可以包括群体中每个对象的风险变量列的数据；接着，可以将每个对象的风险变量列的数据集，输入各预设时段的预设危害风险模型中，以预测每个对象发生感兴趣事件所属的预设时段；最后，针对每个预设时段，可根据该预设时段以前发生感兴趣事件的对象数量或占比，确定该预设时段累积危害风险，以得到各预设时段的累积危害风险模型。

本发明实施例提供的一种生存分析模型的构建方法，获取随访数据；其中，随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和感兴趣事件的结局列的数据；获取风险变量列的数据的先验概率值；将风险变量列的数据和结局列的数据，按预设时段进行划分；根据各预设时段的风险变量列的数据、结局列的数据和风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数；根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。通过将先验概率值结合实际随访数据，能够计算出各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数，从而使得构建出的生存分析模型中基线风险参数和自变量系数可随时间变化，提高了模型的预测准确率。

实施例二

图3是本发明实施例二提供的一种生存分析模型的构建方法的流程示意图，本实施例在上述实施例的基础上，对基线风险参数和自变量系数的回归步骤进行了优化，能够基于贝叶斯参数估计方法，实现基线风险参数和自变量系数的估计；并且，还增加了对自变量系数和累积危害风险模型进行可视化展示的步骤，能够使用户直观了解到各风险变量随时间变化对感兴趣时间的影响程度，提高用户体验。

参见图3，生存分析模型的构建方法，具体包括如下步骤：

S310、获取随访数据；其中，随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和感兴趣事件的结局列的数据。

S320、获取风险变量列的数据的先验概率值。

S330、将风险变量列的数据和结局列的数据，按预设时段进行划分。

S340、构建各预设时段的COX回归模型，并获取各预设时段的COX回归模型中，基线风险参数的先验概率值。

其中，预设危害风险模型可以为分段的COX回归模型。其中，为回归得到每个预设时段的基线风险参数λ

S350、基于贝叶斯参数估计方法，根据各预设时段的风险变量列的数据和结局列的数据，各预设时段的COX回归模型中的基线风险参数的先验概率值，以及风险变量列的数据的先验概率值，对各预设时段对应的预设危害风险模型中的基线风险和自变量系数进行估计。

其中，基于贝叶斯参数估计方法估计基线风险参数和自变量系数，可以是通过基于马尔科夫-蒙特卡洛(Markov Chain Monte Carlo，MCMC)算法的贝叶斯参数估计方法估计基线风险参数和自变量系数。其中MCMC例如可以包括Gibbs算法和M-H算法等。

其中，基于贝叶斯公式，可根据实际数据(即各预设时段的风险变量列的数据和结局列的数据)，和先验概率(即基线风险参数的先验概率值和风险变量列的数据的先验概率值)，计算出后验概率，即计算出基线风险参数λ

S360、根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。

S370、对自变量系数进行展示；和/或，对累积危害风险模型进行展示。

其中，可以采用合适图形展示形式，对自变量系数和/或累积危害风险模型进行展示。例如，可以采用镶嵌图的形式对自变量系数进行展示，可采用曲线图的形式来对累积危害风险模型进行展示。此外，其他图形展示形式，例如点状图、柱状图等，可以应用于本实施例中，在此不做穷举。

通过将对自变量系数和/或对累积危害风险模型进行展示，能够使用户直观了解到各风险变量随时间变化对感兴趣时间的影响程度，提高用户体验。

示例性的，以一组开源的乳房切除术的数据集为例，对生存分析模型的构建方法进行大致描述，例如包括下述步骤：

步骤1：获取随访数据。

示例性的，表1为本发明实施例提供的随访数据的数据表。参见表1，随访数据的数据表中，可包括感兴趣事件的风险变量列metastized列的数据和感兴趣事件的结局列time列和event列的数据；其中，metastized列可以表征癌细胞是否转移的风险变量列，且该列数据可包括yes和no两个状态量；其中，time列表可表征随访时间，具体可以为自随访起始时间起到当前时间的月份；其中，event列可以感兴趣事件是否发生，且该列数据可包括TRUE和FALSE两个分类值。

表1

其中，可以对获取的随访数据进行可视化，以使用户初步了解随访数据的基本情况。其中，可以从不同维度对其进行可视化，例如可以以时间作为横轴，删失事件的数量作为纵轴进行随访数据展示，又如可以以时间作为横轴，随访对象作为纵轴对删失事件和是否转移进行展示，在此不做穷举。

步骤2：获取风险变量列的数据的先验概率值。

步骤3：将风险变量列的数据和所述结局列的数据，按预设时段进行划分。

其中，可以将time列由0到最大数值之间的时段进行均分，将均分时段作为各预设时段，以进行风险变量列的数据和所述结局列的数据划分。

步骤4：根据各预设时段的风险变量列的数据、结局列的数据和风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数。

示例性的，图4是本发明实施例二提供的一种生存分析模型的构建方法中自变量系数的可视化的示意图。参见图4，为94％可信区间内自变量系数的可视化的示意图，图中采用镶嵌图的形式对自变量系数进行展示，且图中横轴表征自变量系数的数值大小，从上到下的每条镶嵌图表征从随访起始时间到当前时间，各预设时段对应的自变量系数。

图4中，图中每条镶嵌图中的圆点可表征自变量系数的均值，当圆点位于横轴数值为0的纵线右侧时，可认为是否转移对感兴趣事件有促进作用。根据横轴数值为0的纵线，可大致确定是否转移变为一个非风险因素的时间，从而可有利于随访对象发生感兴趣事件的预后分析。

步骤5：根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。

其中，确定累积危害风险模型之后，还可以通过计算c-index模型精度的方法，对采用传统方法确定累积危害风险模型，与采用本实施例方法确定累积危害风险模型进行比较。经上述实际数据表的数据进行计算，确定出本实施例方法确定累积危害风险模型的模型精度为0.65，采用传统方法确定累积危害风险模型的模型精度为0.62。由此可知，本实施例方法确定累积危害风险模型的模型精度更好。

示例性的，图5是本发明实施例二提供的一种生存分析模型的构建方法中累积危害风险模型的可视化的示意图。参见图5，为采用传统方法确定累积危害风险模型，与采用本实施例方法确定累积危害风险模型的比较。

图5中，偏上方的两条线为metastized列为yes对应的累积危害风险模型，偏下方的两条线为metastized列为no对应的累积危害风险模型。并且，实线表征采用传统方法确定累积危害风险模型，虚线表征采用本实施例方法确定累积危害风险模型。其中，由上方圆圈圈住的交叉部分可知，考虑时变效应的情况下，转移患者的死亡风险被高估；由下方圆圈圈住的交叉部分可知，考虑时变效应的情况下，非转移患者的死亡风险被低估。

通过将累积危害风险模型进行展示，有利于使用户能够更加准确评估随访对象风险，以对随访对象进行更适当的指导。

本发明实施例中，对基线风险参数和自变量系数的回归步骤进行了优化，能够基于贝叶斯公式和马尔科夫-蒙特卡洛实现基线风险参数和自变量系数的回归；并且，还增加了对自变量系数和累积危害风险模型进行可视化展示的步骤，能够使用户直观了解到各风险变量随时间变化对感兴趣时间的影响程度，提高用户体验。此外，本发明实施例与上述实施例提供的生存分析模型的构建方法属于同一发明构思，未详尽描述的技术细节可参见上述施例，且具备相同的技术效果。

实施例三

图6是本发明实施例三提供的一种生存分析模型的构建装置的结构示意图，本实施例可适用于构建生存分析模型的情况，例如可适用于在预后分析领域，构建基线风险参数和自变量系数可随时间变化的生存分析模型的情况。应用该生存分析模型的构建装置可以实现本发明任一实施例所提供的生存分析模型的构建方法。

参见图6，生存分析模型的构建装置，包括：

随访数据获取模块610，用于获取随访数据；其中，随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和感兴趣事件的结局列的数据；

先验概率获取模块620，用于获取风险变量列的数据的先验概率值；

时段划分模块630，用于将风险变量列的数据和结局列的数据，按预设时段进行划分；

参数确定模块640，用于根据各预设时段的风险变量列的数据、结局列的数据和风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数；

模型确定模块650，用于根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。

在一些可选的实现方式中，参数确定模块，具体用于：

从风险变量列中，确定目标变量列；

根据各预设时段的目标变量列的数据、结局列的数据和目标变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数。

在一些进一步的实现方式中，若目标变量列的数量为一列，则根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，所确定的累积危害风险模型，为目标变量列对应的独立累积危害风险模型；

若目标变量列的数量为至少两列，则根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，所确定的累积危害风险模型，为目标变量列对应的联合累积危害风险模型。

在一些可选的实现方式中，参数确定模块，具体用于：

构建各预设时段的COX回归模型，并获取各预设时段的COX回归模型中，基线风险参数的先验概率值；

基于贝叶斯参数估计方法，根据各预设时段的风险变量列的数据和结局列的数据，各预设时段的COX回归模型中的基线风险参数的先验概率值，以及风险变量列的数据的先验概率值，对各预设时段对应的预设危害风险模型中的基线风险和自变量系数进行估计。

在一些可选的实现方式中，模型确定模块，具体用于：

获取预测样本集，并将预测样本集输入确定各预设时段的基线风险参数和自变量系数的预设危害风险模型中；

根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型的输出结果，确定累积危害风险模型。

在一些可选的实现方式中，生存分析模型的构建装置，还包括：

展示模块，用于在确定累积危害风险模型之后对自变量系数进行展示；和/或，对累积危害风险模型进行展示。

在一些可选的实现方式中，风险变量列包括至少下述一列：性别、年龄和生物标志物；结局列包括事件列和时间列。

本发明实施例所提供的生存分析模型的构建装置可执行本发明任一实施例所提供的生存分析模型的构建方法，具备执行方法相应的功能模块和有益效果。未详尽描述的技术细节，可参见本发明任一实施例所提供的生存分析模型的构建方法。

实施例四

图7是本发明实施例四提供的一种电子终端的结构示意图。图7示出了适于用来实现本发明任一实施方式的示例性终端12的框图。图7显示的终端12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担生存分析模型的构建功能，或者基于模型的预测功能的终端。

如图7所示，终端12以通用计算设备的形式表现。终端12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

终端12典型地包括多种计算机可读介质。这些介质可以是任何能够被终端12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。终端12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

终端12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该终端12交互的设备通信，和/或与使得该终端12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，终端12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与终端12的其它模块通信。应当明白，尽管图中未示出，可以结合终端12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(RedundantArrays of Independent Disks，RAID)装置、磁带驱动器以及数据备份存储装置等。

处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的生存分析模型的构建方法，该方法包括：

获取随访数据；其中，随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和感兴趣事件的结局列的数据；获取风险变量列的数据的先验概率值；将风险变量列的数据和结局列的数据，按预设时段进行划分；根据各预设时段的风险变量列的数据、结局列的数据和风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数；根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。

当然，本领域技术人员可以理解，处理器还可以实现本发明任一实施例所提供的生存分析模型的构建方法的技术方案。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，例如实现本发明上述实施例所提供的生存分析模型的构建方法，该方法包括：

获取随访数据；其中，随访数据包括随访对象发生感兴趣事件的风险变量列的数据，和感兴趣事件的结局列的数据；获取风险变量列的数据的先验概率值；将风险变量列的数据和结局列的数据，按预设时段进行划分；根据各预设时段的风险变量列的数据、结局列的数据和风险变量列的数据的先验概率值，确定各预设时段对应的预设危害风险模型中的基线风险参数和自变量系数；根据确定各预设时段的基线风险参数和自变量系数的预设危害风险模型，确定累积危害风险模型。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法指令，还可以执行本发明任意实施例提供所提供的生存分析模型的构建方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明指令的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。