一种米诺地尔反应敏感度检测方法及其预测方法

本公开涉及医学数据处理领域，具体涉及一种米诺地尔反应敏感度检测方法及其预测方法。背景技术：1、米诺地尔治疗雄激素性脱发作为公认的药物已经被普遍认可，并被fda所批准；米诺地尔不管对男性还是女性的雄性激素脱发的改善效果并不是具有确定性的，也即部分人由于遗传因素等原因存在对米诺地尔的反应不够敏感，而且有相关统计数据表明，反应不够敏感的比例占比在百分之30以上。基于此，现有技术中基本需要先检测毛囊对于米诺地尔反应敏感度，有些是采用测定磺基转移酶活性来间接指示对米诺地尔反应敏感度，例如us10633688b2中公开的方法：将患者的毛囊样品(从1到n个毛囊)置于含有约50mm磷酸钾缓冲液(ph值约为6.5)、约5mm氯化镁、约20μm腺苷3',5'-二磷酸的反应混合物中(pap)或腺苷3'-磷酸盐、5'-磷酸盐(paps)、约5mm硫酸对硝基苯酯和约0.1mm米诺地尔，然后在37℃下孵育大约4至16小时，然后可以用分光光度计读取约405nm处的吸光度,或将其与具有对应于米诺地尔磺基转移酶活性的强度范围的参考色卡进行比较，具有相对高水平磺基转移酶活性的患者将具有相对高的比色读数,也即可以相对明显的颜色变化。然而，作为主要的检测手段，需要较为专业的操作和判断才能完成，如果居家做这样的检测，在缺少专业医务人员的指导下，无法得到准确的米诺地尔反应敏感度结果。另外，us10633688b2还提出一种以脱发者的米诺地尔反应敏感度的情况通过使用神经网络来预测米诺地尔治疗雄激素性脱发的可能性，还能为脱发者提供不同类型或剂量的药物推荐。然而，这种方式需要大量的磺基转移酶活性的检测才能实现准确的预测，而且只能基于脱发者本人的情况进行预测，就需要脱发者本人的长期的检测，这样的方式需要脱发者持续配合检测(每次都需要拔头发)不容易被脱发者所接受，脱发者的依从性会越来越低，样本量少的情况下又得不到准确的结果，甚至还不如单次检测给出的建议客观。技术实现思路1、本公开提供一种米诺地尔反应敏感度检测方法及其预测方法，能够解决米诺地尔治疗雄激素性脱发的敏感度检测需要大量拔头发的持续检测才能获得准确结果的问题。本公开提供以下技术方案来解决上述技术问题：2、作为本公开实施例的一个方面，提供一种米诺地尔反应敏感度检测方法，包括如下步骤：3、获取米诺地尔磺基转移酶活性数据；4、收集脱发者的遗传数据以及个人脱发信息，所述个人脱发信息包括如下信息中的一个或多个：脱发严重程度、生活习惯指标、年龄、体重、性别或居住地；5、基于磺基转移酶活性数据、脱发者的遗传数据以及个人脱发信息与脱发者数据库中的脱发者数据集进行相似度匹配，对相似度最高的脱发者相应的米诺地尔反应敏感度作为参考输出脱发者的米诺地尔反应敏感度；其中，脱发者数据集为以脱发者对米诺地尔治疗的效果为因变量，以磺基转移酶活性数据、脱发者的遗传数据以及个人脱发信息为自变量的数据集合。6、可选的，获取米诺地尔磺基转移酶活性数据，包括：7、获取至少两根带有毛囊的头发；8、将所述头发置于带有化验物质的化验容器中使得混合均匀并静置至少4个小时后得到混合反应物；9、在混合反应物中混入碱性缓冲液，然后用分光光度计读取磺基转移酶在405nm处的吸光度，并将其与参考色卡进行比对得到比色读数，将所述比色读数作为米诺地尔磺基转移酶活性数据。10、可选的，收集脱发者的遗传数据，包括：11、获取脱发者直系亲属的关于脱发治疗的检查和诊断数据。12、可选的，收集所述个人脱发信息，包括如下方式：13、由脱发者通过个人填写的方式收集，和/或，在医疗系统中截取个人脱发信息。14、可选的，所述脱发者数据集的获取方式，包括：15、将磺基转移酶活性数据、脱发者的遗传数据以及个人脱发信息输入boruta模型中，将起到作用的自变量进行标记并根据作用概率赋予概率值并进行变量标记，并在后续的boruta模型建模过程中纳入标记后的变量；16、对于所述变量使用xgboost机器学习模型进行构建，对构建后的模型进行网格调参以调整模型最优参数，在调整所述模型最优参数而形成的最优模型中，以受试者工作特征曲线对所述最优模型进行验证，得到受试者工作特征曲线下面积最高的最优模型训练得到的变量集作为脱发者数据集；其中，模型最优参数作为变量集中变量的最优概率值，所述脱发者数据集包括调整后的变量和变量所对应的最优概率值。17、可选的，基于磺基转移酶活性数据、脱发者的遗传数据以及个人脱发信息与脱发者数据库中的脱发者数据集进行相似度匹配，包括：18、将磺基转移酶活性数据、脱发者的遗传数据以及个人脱发信息作为变量与所述变量对应的最优概率值相乘得到的输入值与脱发者数据集中采用同样方式计算出来的模型值相比较，将正负差值不超过20％的模型值选中作为匹配数据集；19、在匹配数据集中挑选具有与磺基转移酶活性数据相同或最相近的变量作为相似度高的值进行相似度排序，如果碰到磺基转移酶活性数据相同的变量，则按照模型值相同或最相近的值进行排序，进而得到相似度最高的模型值对应的脱发者的米诺地尔反应敏感度。20、可选的，对构建后的模型进行网格调参以调整模型最优参数，包括：将对数损失函数结合正则化项得到构建后的模型的目标函数obj(θ)：21、22、..其中，k为xgboost机器学习模型中cart树的棵数，fk表示所有的cart树，n为cart树中叶子节点的数量；23、为对数损失函数：24、25、其中，yi为xgboost机器学习模型中cart树中第i个叶子节点的输出值，为xgboost机器学习模型中cart树中第i个叶子节点的预测值，i为1-n之间的自然数；26、ω(fk)为正则化项：27、28、其中，γ和λ用来进行网格调参的常数，n为cart树中叶子节点的数量，k为xgboost机器学习模型中cart树的棵数，k为大于1的自然数，w为n个叶子节点组成的k维向量，为第k个向量值的平方，k为1-k的自然数。29、可选的，调整所述模型最优参数而形成的最优模型，包括：30、通过调整γ和λ的值，得到多个最优模型。31、可选的，受试者工作特征曲线为多个关于脱发者对于米诺地尔是否敏感的混淆矩阵中的，所述混淆矩阵中包括真实结果和预测结果，其中，混淆矩阵中的每个样本对应一个预测结果，所述预测结果为一个预测概率值，将混淆矩阵中的一个样本预测概率值作为预测阈值，其他样本中的概率值如果低于所述预测阈值，则判定为脱发者对于米诺地尔不敏感，如果高于所述预测阈值，则判定为所述脱发者对于米诺地尔敏感；依次将每个样本对应一个预测结果作为一个预测阈值，则能够得到多个混淆矩阵；统计每个混淆矩阵中的脱发者对于米诺地尔敏感的概率和不敏感的概率分别作为x轴和y轴进行画图，就能得到多个不同的受试者工作特征曲线。32、作为本公开实施例的另一方面，还提供一种米诺地尔反应敏感度预测方法，采用上述检测方法，并将输出的米诺地尔反应敏感度作为预测脱发者是否对米诺地尔敏感的预测指标。33、本公开的有益效果是：结合脱发者的遗传数据以及个人脱发信息，并结合大数据样本来预测对米诺地尔的反应敏感度，再结合个人的米诺地尔磺基转移酶活性数据，给出的检测结果更为准确；而且，也能够给出相应的反应敏感概率，能够给予脱发者采用米诺地尔是否有效的准确预期，使得治疗的依从性提高，即使在得到较低概率的反应敏感度，也能正确对待米诺地尔的使用预期或者及时更改脱发改善方案；34、另外，本公开采用xgboost机器学习模型并根据大量的脱发者样本数据选取对数损失函数结合正则化项作为目标函数进行训练，能够很好的训练过往收集到的脱发者样本数据，再通过调整训练后的模型，进行受试者工作特征曲线的验证，进而得到最优模型。35、本公开进行相似度匹配时，将个人的米诺地尔磺基转移酶活性数据作为首要匹配数据，以避免匹配脱发者数据集在匹配时的跑偏而导致匹配不准确。