基于机器学习的GLP-1类药物临床试验成功率预测与风险评估平台
GLP-1临床试验风险预测系统是一个基于机器学习的智能分析平台，专门用于预测GLP-1受体激动剂类药物临床试验的成功风险。通过分析22,093个GLP-1相关临床试验记录，构建18个临床驱动的风险特征，为药物研发决策提供科学依据。
数据优化成果: 项目总数据从约1.36GB优化到约80MB（缩减94.2%），同时保持完整的分析能力。
- 🔬 科学预测: 基于真实临床试验数据的机器学习模型
- 📊 风险评估: 识别高风险临床试验，降低研发失败率
- 💡 决策支持: 为药物开发提供数据驱动的风险管控工具
- 🌐 开源透明: 完整的可解释性分析和可视化展示
- Python: 3.10+
- 内存: 推荐8GB以上（优化后要求降低）
- 系统: Windows/Linux/macOS
- 存储: 仅需约80MB空间
# 1. 克隆项目
git clone https://github.com/your-username/glp1-risk-prediction.git
cd glp1-risk-prediction
# 2. 创建虚拟环境
python -m venv venv
# 3. 激活虚拟环境
# Windows PowerShell
venv\Scripts\Activate.ps1
# Linux/macOS
source venv/bin/activate
# 4. 安装依赖
pip install -r requirements.txt# 启动Jupyter
jupyter notebook
# 在浏览器中打开 http://localhost:8888
# 按顺序运行notebook：
# 1. 01_数据预处理_详细讲解.ipynb
# 2. 02_特征工程_详细讲解.ipynb
# 3. 03_特征分析与可视化_详细讲解.ipynb
# 4. 04_标签定义_正确方法_详细讲解.ipynb
# 5. 05_集成学习_详细讲解.ipynb
# 6. 06_仪表盘_改进版_详细讲解.ipynb# 按顺序运行处理脚本
python scripts/01_数据预处理.py
python scripts/02_特征工程.py
python scripts/03_特征分析与可视化.py
python scripts/04_标签定义_正确方法.py
python scripts/05_集成学习.py
python scripts/06_仪表盘_改进版.pyglp1-risk-prediction/
├── 📁 data/ # 数据管理
│ ├── 📁 raw/ # 原始临床试验数据 (44.5MB，优化后)
│ ├── 📁 processed/ # 处理后的结构化数据 (35.4MB，优化后)
│ └── 📁 external/ # 外部数据源（预留）
├── 📁 scripts/ # 核心处理脚本
│ ├── 📁 analysis/ # 分析工具脚本
│ ├── 01_数据预处理.py # 数据加载和清洗
│ ├── 02_特征工程.py # 18个风险特征构建
│ ├── 03_特征分析与可视化.py # 特征探索分析
│ ├── 04_标签定义_正确方法.py # 风险标签定义
│ ├── 05_集成学习.py # 模型训练和评估
│ └── 06_仪表盘_改进版.py # 可视化仪表板
├── 📁 docs/ # 项目文档
│ ├── 📁 api/ # API文档（预留）
│ ├── 📁 tutorials/ # 教程文档
│ ├── architecture.md # 系统架构说明
│ ├── feature_engineering.md # 特征工程详解
│ └── models.md # 模型架构说明
├── 📁 results/ # 输出结果
│ ├── 📁 models/ # 训练好的模型文件
│ ├── 📁 visualizations/ # 可视化图表 (18个图表)
│ └── 📁 reports/ # 分析报告
├── 📁 notebooks/ # Jupyter笔记本
├── 📁 assets/ # 静态资源
├── 📄 requirements.txt # Python依赖包列表
├── 📄 LICENSE # 开源许可证
└── 📄 README.md # 项目说明（本文档）
glp1-risk-prediction/
├── data/ # 数据目录
│ ├── raw/ # 原始数据
│ │ ├── studies.txt # 临床试验数据 (14.4MB，优化后)
│ │ ├── conditions.txt # 适应症数据 (2.2MB，优化后)
│ │ └── eligibilities.txt # 入选标准数据 (27.9MB，优化后)
│ └── processed/ # 处理后的数据
│ ├── preprocessed_data.csv
│ ├── glp1_18clinical_features.csv
│ ├── glp1_18clinical_features_with_labels.csv
│ ├── feature_descriptions.csv
│ └── label_definition.json
├── scripts/ # Python脚本（15个）
│ ├── 01_数据预处理.py
│ ├── 02_特征工程.py
│ ├── 03_特征分析与可视化.py
│ ├── 04_标签定义_正确方法.py
│ ├── 05_集成学习.py
│ ├── 06_仪表盘_改进版.py
│ ├── analysis/ # 分析工具脚本
│ │ ├── analyze_conditions.py
│ │ ├── analyze_label_options.py
│ │ ├── analyze_studies_status.py
│ │ └── analyze_time_split.py
│ └── tools/ # 项目工具脚本
│ ├── check_duplicate_files.py
│ ├── cleanup_duplicates.py
│ ├── cleanup_project.py
│ ├── move_remaining_files.py
│ ├── organize_results.py
│ └── verify_filename_conventions.py
├── notebooks/ # Jupyter Notebook（6个）
│ ├── 01_数据预处理_详细讲解.ipynb
│ ├── 02_特征工程_详细讲解.ipynb
│ ├── 03_特征分析与可视化_详细讲解.ipynb
│ ├── 04_标签定义_正确方法_详细讲解.ipynb
│ ├── 05_集成学习_详细讲解.ipynb
│ └── 06_仪表盘_改进版_详细讲解.ipynb
├── models/ # 训练好的模型（8个）
│ ├── best_model_pipeline.pkl
│ ├── logistic_regression.pkl
│ ├── random_forest.pkl
│ ├── gradient_boosting.pkl
│ ├── svm.pkl
│ ├── scaler.pkl
│ ├── standard_scaler.pkl
│ └── feature_names.csv
├── results/ # 分析结果（30个文件）
│ ├── visualizations/ # 可视化图表（15个）
│ │ ├── feature_correlation.png
│ │ ├── feature_distributions.png
│ │ ├── feature_importances_ensemble.png
│ │ ├── model_dashboard.png
│ │ ├── pdp_analysis_dashboard.png
│ │ ├── roc_curve_ensemble.png
│ │ ├── shap_summary_dashboard.png
│ │ ├── shap_summary_ensemble.png
│ │ └── 文件命名规范.md
│ └── reports/ # 分析报告（15个）
│ ├── model_performance_report.md
│ ├── model_performance_results.csv
│ ├── shap_analysis_results.csv
│ ├── 报告来源说明.md
│ └── 可视化图片解释说明.md
├── docs/ # 项目文档
│ └── GLP1临床试验风险预测项目综合说明.md
├── requirements.txt # 依赖包列表
├── README.md # 项目说明
└── 项目综合状态报告.md # 项目状态报告
项目采用统一文件命名规范和清晰目录结构：
- 可视化文件命名：
*_ensemble.png（集成学习）、*_dashboard.png（仪表盘） - 目录分类：所有图片→
visualizations/，所有报告→reports/ - 避免重名：不同脚本生成的文件使用不同的命名约定
项目构建了18个临床驱动的风险特征，涵盖7个维度：
| 特征维度 | 特征数量 | 代表特征 | 临床意义 |
|---|---|---|---|
| 试验规模与统计效力 | 1 | enrollment_log |
试验规模与统计效力 |
| 药物研发时代 | 3 | start_year, pre_semaglutide_era |
研发技术水平和监管环境 |
| 试验阶段与监管风险 | 2 | phase_Unknown, phase_PHASE4 |
试验阶段和监管要求 |
| 适应症与目标人群 | 3 | is_obesity, is_t2d, is_weight_loss |
治疗领域特异性 |
| 入排标准与患者选择 | 2 | exc_count, criteria_total_len |
患者选择严格程度 |
| 安全性文本信号 | 5 | mentions_bmi, high_risk_term_count |
安全性关注程度 |
| 交互特征 | 2 | year_x_enrollment, enrollment_log_x_phase_Unknown |
特征交互效应 |
- 基础模型: 逻辑回归、随机森林、XGBoost
- 集成策略: 加权集成 + 堆栈集成
- 类别不平衡处理: SMOTE过采样技术
- 性能指标: AUC=0.6453，召回率=40%
- SHAP分析: 全局特征重要性
- LIME分析: 局部样本解释
- PDP分析: 部分依赖图
- 中文可视化: 完整的中文标签支持
| 指标 | 随机分割 | 时间分割 | 说明 |
|---|---|---|---|
| AUC | 0.6453 | 0.6348 | 模型区分能力 |
| 召回率 | 0.4000 | 0.4286 | 高风险试验检测率 |
| 精确率 | 0.0056 | 0.0024 | 预测准确性 |
| F1分数 | 0.0111 | 0.0047 | 综合性能 |
- 总试验数: 22,093个GLP-1相关临床试验
- 高风险试验: 73个 (0.40%)
- 特征数量: 18个临床风险特征
- 数据总量: 约80MB (50个文件)
- 优化效果: 从约1.36GB缩减到80MB（缩减94.2%）
| 类别 | 技术栈 | 版本 |
|---|---|---|
| 编程语言 | Python | 3.10+ |
| 机器学习 | scikit-learn, XGBoost | 最新稳定版 |
| 数据处理 | pandas, numpy | 最新稳定版 |
| 可视化 | matplotlib, seaborn, plotly | 最新稳定版 |
| 可解释性 | SHAP, LIME | 最新稳定版 |
| 开发工具 | Jupyter, VS Code | - |
- 📋 项目综合状态报告 - 完整的项目状态评估
- 🏗️ 系统架构说明 - 详细的技术架构设计
- 🔬 特征工程详解 - 18个风险特征说明
- 🤖 模型架构说明 - 机器学习模型设计
- 📊 试验状态分析报告 - 临床试验数据分布分析
- 🎯 标签方案可行性分析 - 风险标签优化策略
- ⏰ 时间分割分析报告 - 模型泛化能力评估
- 风险评估: 预测GLP-1类药物临床试验成功率
- 决策支持: 优化临床试验设计和执行策略
- 成本控制: 降低研发失败带来的经济损失
- 快速部署: 项目仅需80MB空间，可快速部署到任何环境
- 方法研究: 临床试验数据分析方法论
- 技术验证: 机器学习在医疗领域的应用验证
- 学术研究: 临床试验风险因素探索
- 质量监控: 临床试验质量和安全性评估
- 趋势分析: 药物研发趋势和风险模式识别
- 政策制定: 基于数据的监管政策优化
我们欢迎各种形式的贡献！请参考以下指南：
如果您发现任何问题或有改进建议，请：
- 查看现有问题
- 创建新的issue，详细描述问题
- 提供复现步骤和环境信息
- Fork本项目
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 打开Pull Request
- 遵循PEP 8代码风格
- 添加适当的注释和文档
- 确保所有测试通过
- 更新相关文档
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。
感谢所有为本项目做出贡献的开发者和研究人员：
- 数据提供: AACT (Aggregate Analysis of ClinicalTrials.gov)
- 技术支持: scikit-learn, XGBoost, SHAP等开源社区
- 研究支持: 相关临床试验研究机构和专家
重要提示: 本项目为研究用途，预测结果仅供参考，不构成医疗建议或投资建议。
- 预测结果基于历史数据，不保证未来准确性
- 使用者应自行验证结果的适用性
- 作者不对使用本项目产生的任何后果负责
如有任何问题或合作意向，请通过以下方式联系：
- 项目主页: GitHub Repository
- 问题反馈: Issues
- 邮箱: jiyuan@sdmcro.com
如果这个项目对您有帮助，请给个⭐️支持一下！