本公开整体涉及药物功效预测和患者分层，并且更具体地，涉及用于利用基于决策智能(di)的模型的应用进行药物发现和适用性监测的计算机化框架。
背景技术：
1、过去几年，制药行业的数据数字化急剧增长。然而，除了其他缺点之外，这种数字化还涉及获取、检查和应用该知识来解决复杂临床问题的挑战。
技术实现思路
1、根据一些实施方案，公开了用于基于这种数字化进行基于di的药物确定的新颖计算机化框架的系统和方法。如本文所讨论，计算机化框架可利用动态地且递归地训练的人工智能/机器学习(ai/ml)集成配置来分析基因组数据及从其得出的功能。根据一些实施方案，集成确定和应用可增加与药物发现和个性化相关联的训练、验证和外部测试集的准确度。此外，在一些实施方案中，基于集成的计算机化框架可被配置用于使用利用二元突变数据和分级聚类数据训练的集成算法来分析样本，这可使得能够确定药物功效和患者分层。
2、因此，如从本公开显而易见的，使用基于集成的算法方法与(例如，对相同数据)使用单个算法相比提供了改进的准确度。例如，在预测患者的药物响应中，集成方法针对特定患者的药物选择和剂量标识的准确度可表现出7.7％的增加。因此，如本文所讨论，经由集成配置驱动更稳健的、准确的分析和确定。
3、如本文所讨论，集成模型是指ai/ml(和/或深度学习)算法的多层组合，该多层组合将其他算法的预测组合起来作为用于训练最终算法并产生最终集成的特征。预测器的集成可单独地训练并且使它们的超参数得以调谐以获得最佳性能。概念上，集成允许较高层算法从较低层的性能中学习。此外，集成的性质提供了对机器学习中的若干常见问题的解决方案。因此，当调谐单个算法时，可能存在其中一组超参数为最佳的上下文，也可能存在导致不准确的结果的频繁异常。然而，如本文所讨论，在集成中，多个算法(和/或多组算法)可在具有不同调谐的情况下重复许多次，从而扩展药物选择和应用对患者病况的功能性和适用性。
4、根据一些实施方案，公开了一种供基于di的计算机化框架用于确定性地监测并跟踪标识的药物对患者病况的适用性的方法。根据一些实施方案，本公开提供了一种用于执行框架的功能性的上述技术步骤的非暂态计算机可读存储介质。该非暂态计算机可读存储介质具有有形地存储在其上或有形地编码在其上的计算机可读指令，该计算机可读指令在由设备执行时使得至少一个处理器执行供基于d1的计算机化框架用于确定性地监测并跟踪标识的药物对患者病况的适用性的方法。
5、根据一个或多个实施方案，提供了一种系统，该系统包括被配置为根据此类实施方案提供功能性的一个或多个处理器和/或计算设备。根据一个或多个实施方案，功能性在由至少一个计算设备执行的方法的步骤中具体体现。根据一个或多个实施方案，由计算设备的处理器执行以根据一个或多个此类实施方案实现功能性的程序代码(或程序逻辑)在非暂态计算机可读介质中具体体现、由非暂态计算机可读介质具体体现和/或在非暂态计算机可读介质上具体体现。
1.一种方法，包括：
2.根据权利要求1所述的方法，还包括：
3.根据权利要求2所述的方法，其中所述集成模型包括所确定的一组算法的非线性执行。
4.根据权利要求2所述的方法，其中存储在所述数据库中的所述信息还指示所述一组算法。
5.根据权利要求1所述的方法，其中所述集成是基于所确定的响应性来训练的。
6.根据权利要求1所述的方法，其中所述集成包括基于包括曲线下面积公式、r矩阵和p值公式的信息的一组算法。
7.根据权利要求1所述的方法，其中所确定的响应性包括分数值，其中所述值指示所述药物如何影响特定簇的二元突变。
8.根据权利要求1所述的方法，还包括：
9.根据权利要求1所述的方法，还包括：
10.根据权利要求9所述的方法，其中所述特征缩减基于一组约束。
11.根据权利要求1所述的方法，还包括：
12.一种设备，包括：
13.根据权利要求12所述的设备，其中所述处理器被进一步配置为：
14.根据权利要求12所述的设备，其中所述处理器被进一步配置为：
15.根据权利要求12所述的设备，其中所述处理器被进一步配置为：
16.根据权利要求12所述的设备，其中所述处理器被进一步配置为：
17.一种有形地编码有计算机可执行指令的非暂态计算机可读存储介质，所述计算机可执行指令在由设备执行时执行一种方法，所述方法包括：
18.根据权利要求17所述的非暂态计算机可读存储介质，还包括：
19.根据权利要求17所述的非暂态计算机可读存储介质，还包括：
20.根据权利要求17所述的非暂态计算机可读存储介质，还包括：
