本发明涉及医疗保健信息处理，尤其涉及一种延迟反馈下的治疗效果估计方法和系统。
背景技术：
1、利用观察数据估计异质性治疗效果（heterogeneous treatment effects，hte）是一个基础性问题，适用于各种领域。例如，在精准医疗中，医生根据患者对药物的治疗效果来决定药物分配。与使用观察到的结果来做决策不同，hte考虑了个体或亚组之间的事实结果和反事实结果的变化。准确估计 hte 有许多难点，尤其是存在未观察到的反事实结果。
2、以前的研究已经提出了许多方法来从观察数据中估计 hte。例如匹配、分层、结果回归、加权和双重稳健方法。随着深度学习的进展，平衡神经网络（bnn）和反事实回归（cfr）提出了学习一个与治疗无关的协变量表示，以克服治疗组和对照组之间的协变量转变，其中独立性通过积分概率度量（ipm）来衡量。site 方法同时保留局部相似性并平衡表示的分布。受定向学习的启发，dragonnet 提出了一种自适应神经网络，端到端地建模倾向得分和反事实结果。dr-cfr 和 der-cfr 提出了一个解缠框架，用于从所有观察变量中识别混淆变量的表示。通过利用生成模型，cevae 和 ganite 为 hte 估计生成反事实结果。然而，这些算法依赖于及时和准确地观察最终的潜在结果。
3、然而，个体的干预通常不会立即影响感兴趣的结果，治疗需要时间才能对结果产生治疗效果。例如，药物需要时间为患者产生医疗效用，以长期预后作为感兴趣的结果，这有助于医生的治疗决策，这在实践中构成了一个关键挑战：如果观察窗口过短，一些样本将被错误地标记为负面，而其转化将在将来发生；但如果时间太长，算法将无法保证能及时更新。总之，忽视结果响应的延迟可能导致对hte的偏误估计。
技术实现思路
1、鉴于上述的分析，本发明实施例旨在提供一种延迟反馈下的治疗效果估计方法和系统，用以解决现有异质性治疗效果的估计存在偏差的问题。
2、一方面，本发明实施例提供了一种延迟反馈下的治疗效果估计方法，包括以下步骤：
3、获取个体的观察数据构建训练样本集；所述观察数据包括协变量数据、处理方案、观察结局和观察时间；
4、构建多任务训练网络模型，所述多任务训练网络模型包括用于预测潜在结局的第一预测模块和用于预测潜在响应时间的第二预测模块；基于所述训练样本集对所述多任务训练网络模型进行训练得到训练好的多任务预测网络模型；
5、基于所述训练好的多任务预测网络模型预测待估计个体的潜在结局和潜在响应时间，基于所述潜在结局和潜在响应时间得到待估计个体的治疗效果估计结果。
6、基于上述方法的进一步改进，基于所述训练样本集采用以下损失函数对所述多任务训练网络模型进行训练：
7、；
8、其中，表示当前训练批次第i个样本的协变量数据，表示预测得到的当前训练批次第i个样本的潜在结局，表示当处理方案是第一处理方案时预测的潜在结局的损失，表示当处理方案是第二处理方案时预测的潜在结局的损失，表示第二预测模块的积分概率度量损失，表示第一预测模块的积分概率度量损失，和表示权重参数，表示当前训练批次中样本的数量。
9、基于上述方法的进一步改进，
10、所述第一预测模块包括两个第一特征提取单元用于分别提取不同处理方案下的第一特征；所述第一预测模块的积分概率度量损失为不同处理方案下的第一特征间的积分概率度量；
11、所述第二预测模块包括两个第二特征提取单元用于分别提取不同处理方案下的第二特征；所述第二预测模块的积分概率度量损失为不同处理方案下的第二特征间的积分概率度量。
12、基于上述方法的进一步改进，采用以下公式计算当处理方案是第二处理方案时预测的潜在结局的损失：
13、；
14、其中，表示第一预测模块预测的第i个样本的潜在结局为1的概率，表示第二预测模块学习的第i个样本的潜在响应时间对应的时间参数，表示第i个样本的观察时间。
15、基于上述方法的进一步改进，采用以下公式计算当处理方案是第一处理方案时预测的潜在结局的损失：
16、；
17、其中，表示第一预测模块预测的第i个样本的潜在结局为1的概率，表示第二预测模块学习的第i个样本的潜在响应时间对应的时间参数，表示第i个样本的潜在响应时间。
18、基于上述方法的进一步改进，
19、所述潜在结局包括处理方案为第一处理方案时的第一潜在结局和处理方案为第二处理方案时第二潜在结局；所述潜在响应时间包括处理方案为第一处理方案时的第一潜在响应时间和处理方案为第二处理方案时的第二潜在响应时间；
20、基于所述潜在结局和潜在响应时间得到待估计个体的治疗效果估计结果，包括：
21、若第一潜在结局与第二潜在结局的差值大于第一阈值，则治疗效果好，否则：
22、若第一潜在结局与第二潜在结局的值均大于第三阈值，且第二潜在响应时间与第一潜在响应时间的差值大于第二阈值，则治疗效果好；否则，治疗效果不好。
23、另一方面，本发明实施例提供了一种延迟反馈下的治疗效果估计系统，包括以下模块：
24、数据获取模块，用于获取个体的观察数据构建训练样本集；所述观察数据包括协变量数据、处理方案、观察结局和观察时间；
25、模型训练模块，用于构建多任务训练网络模型，所述多任务训练网络模型包括用于预测潜在结局的第一预测模块和用于预测潜在响应时间的第二预测模块；基于所述训练样本集对所述多任务训练网络模型进行训练得到训练好的多任务预测网络模型；
26、治疗效果估计模块，用于基于所述训练好的多任务预测网络模型预测待估计个体的潜在结局和潜在响应时间，基于所述潜在结局和潜在响应时间得到待估计个体的治疗效果估计结果。
27、基于上述系统的进一步改进，模型训练模块用于基于所述训练样本集采用以下损失函数对所述多任务训练网络模型进行训练：
28、；
29、其中，表示当前训练批次第i个样本的协变量数据，表示预测得到的当前训练批次第i个样本的潜在结局，表示当处理方案是第一处理方案时预测的潜在结局的损失，表示当处理方案是第二处理方案时预测的潜在结局的损失，表示第二预测模块的积分概率度量损失，表示第一预测模块的积分概率度量损失，和表示权重参数，表示当前训练批次中样本的数量。
30、基于上述系统的进一步改进，采用以下公式计算当处理方案是第二处理方案时预测的潜在结局的损失：
31、；
32、其中，表示第一预测模块预测的第i个样本的潜在结局为1的概率，表示第二预测模块学习的第i个样本的潜在响应时间对应的时间参数， 表示第i个样本的观察时间。
33、基于上述系统的进一步改进，采用以下公式计算当处理方案是第一处理方案时预测的潜在结局的损失：
34、；
35、其中，表示第一预测模块预测的第i个样本的潜在结局为1的概率，表示第二预测模块学习的第i个样本的潜在响应时间对应的时间参数， 表示第i个样本的潜在响应时间。
36、与现有技术相比，本实施例提供的延迟反馈下的治疗效果估计方法通过构建训练样本集训练多任务训练网络模型，基于多任务训练网络模型同时预测待估计个体的潜在结局和潜在响应时间，从而将反事实回归扩展到延迟反馈的结果，通过考虑潜在结局的潜在响应时间来估计异质性治疗效果，从而考虑延迟反馈，可以更真实地反映治疗对患者结果的影响，从而更准确地估计治疗效果。延迟反馈的考虑使得研究人员能够全面评估治疗的长期效果，而不仅仅局限于短期结果。考虑延迟反馈可以帮助确定治疗在不同个体身上的响应时间，从而更好地个体化治疗策略。这对于制定更有效的医学治疗计划至关重要。在医学中，治疗可能伴随着一些潜在的风险和副作用。通过考虑延迟反馈，可以更全面地评估治疗的风险和效益，帮助医生和患者做出更明智的治疗决策。
37、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
1.一种延迟反馈下的治疗效果估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的延迟反馈下的治疗效果估计方法，其特征在于，基于所述训练样本集采用以下损失函数对所述多任务训练网络模型进行训练：
3.根据权利要求2所述的延迟反馈下的治疗效果估计方法，其特征在于，
4.根据权利要求2所述的延迟反馈下的治疗效果估计方法，其特征在于，采用以下公式计算当处理方案是第二处理方案时预测的潜在结局的损失：
5.根据权利要求2所述的延迟反馈下的治疗效果估计方法，其特征在于，采用以下公式计算当处理方案是第一处理方案时预测的潜在结局的损失：
6.根据权利要求1所述的延迟反馈下的治疗效果估计方法，其特征在于，
7.一种延迟反馈下的治疗效果估计系统，其特征在于，包括以下模块：
8.根据权利要求7所述的延迟反馈下的治疗效果估计系统，其特征在于，模型训练模块用于基于所述训练样本集采用以下损失函数对所述多任务训练网络模型进行训练：
9.根据权利要求8所述的延迟反馈下的治疗效果估计系统，其特征在于，采用以下公式计算当处理方案是第二处理方案时预测的潜在结局的损失：
10.根据权利要求8所述的延迟反馈下的治疗效果估计系统，其特征在于，采用以下公式计算当处理方案是第一处理方案时预测的潜在结局的损失：
