一种药物副作用的评价方法、系统和电子设备

技术领域

本发明涉及信息技术领域，尤其涉及一种药物副作用的评价方法、系统和电子设备。

背景技术

目前基于药物基因组学的药物副作用评估，通常根据预设基因位点的检测数据，基于预设的判断逻辑，通过人工判读来对应基因型数据并进行归类，只给出药物的部分潜在的不良反应和副作用种类，缺少不同药物之间的副作用风险评估与比较，既无法做到对单一药物多种副作用风险的总体评价，也无法针对不同药物进行定量分析，其对医生制定治疗方案的帮助比较有限。

因此，提出一种药物副作用的评价方法、系统和电子设备。

发明内容

本说明书提供一种药物副作用的评价方法、系统和电子设备，通过将基因检测数据和待测药物的名称代入所述副作用指数模型，得到所述待测药物的副作用评价指数，辅助选择具体用药。

本申请提供的一种药物副作用的评价方法采用如下的技术方案，包括：

构建副作用指数模型；

获取患者的基因检测数据和待测药物的名称；

将基因检测数据和待测药物的名称代入所述副作用指数模型，得到所述待测药物的副作用评价指数；

汇总与所述患者相关的所有副作用评价指数，辅助评价潜在用药风险。

可选的，所述将基因检测数据和待测药物信息代入副作用指数模型，得到所述待测药物的副作用评价指数，包括：

根据所述基因检测数据和所述待测药物信息，调取所述待测药物的多个评分参数；

根据多个所述评分参数，为所述待测药物的副作用打分，得到副作用评价指数。

可选的，所述根据多个所述评分参数，为所述待测药物的副作用打分，得到副作用评价指数，包括：

所述评分参数包括不良反应权重α、不良反应评级β和基因作用地位γ中的一种或多种；

根据Index＝F(α，β，γ)计算得到所述待测药物的副作用评价指数。

可选的，所述构建副作用指数模型，包括：

收集药物副作用的随访数据；

根据所述随访数据中药物的每种副作用的发生情况，计算副作用的发生率和副作用的严重程度；

结合专家评议结果，得到药物的不良反应权重α；

建立药物与不良反应权重α的关联关系。

可选的，所述构建副作用指数模型，包括：

收集并根据历史患者的临床反馈数据，提取副作用的名称和对应的副作用评分；

收集所述历史患者的基因检测数据，结合所述副作用评分和所述历史患者的基因检测数据，确定不良反应评级β；

建立副作用与不良反应评级β的关联关系。

可选的，所述构建副作用指数模型，包括：

根据药物基因组学文献，匹配与药物影响相关的第一基因位点，确定第一基因型的基因作用地位γ，所述第一基因型为所述第一基因位点上的基因类型；

建立第一基因型与基因作用地位γ的关联关系。

可选的，所述构建副作用指数模型，还包括：

构建多个基础分类器；

根据所述评分参数训练每一所述基础分类器的投票权重；

对每一基础分类器使用加权平均法进行集成

其中，w

本申请提供的一种药物副作用的评价系统采用如下的技术方案，包括：

构建模块，用于构建副作用指数模型；

获取模块，用于获取患者的基因检测数据和待测药物的名称；

评价模块，用于将基因检测数据和待测药物的名称代入所述副作用指数模型，得到所述待测药物的副作用评价指数；

汇总模块，用于汇总与所述患者相关的所有副作用评价指数，辅助评价潜在用药风险。

可选的，所述评价模块，包括：

调取子模块，用于根据所述基因检测数据和所述待测药物信息，调取所述待测药物的多个评分参数；

评分子模块，用于根据多个所述评分参数，为所述待测药物的副作用打分，得到副作用评价指数。

可选的，所述评分子模块，包括：

所述评分参数包括不良反应权重α、不良反应评级β和基因作用地位γ中的一种或多种；

评分单元，根据Index＝F(α，β，γ)计算得到所述待测药物的副作用评价指数。

可选的，所述构建模块，包括：

第一收集子模块，用于收集药物副作用的随访数据；

计算子模块，用于根据所述随访数据中药物的每种副作用的发生情况，计算副作用的发生率和副作用的严重程度；

权重确定子模块，用于结合专家评议结果，得到药物的不良反应权重α；

第一关联子模块，用于建立药物与不良反应权重α的关联关系。

可选的，所述构建模块，包括：

第二收集子模块，用于收集并根据历史患者的临床反馈数据，提取副作用的名称和对应的副作用评分；

评级确定子模块，用于收集所述历史患者的基因检测数据，结合所述副作用评分和所述历史患者的基因检测数据，确定不良反应评级β；

第二关联子模块，用于建立副作用与不良反应评级β的关联关系。

可选的，所述构建模块，包括：

匹配子模块，用于根据药物基因组学文献，匹配与药物影响相关的第一基因位点，确定第一基因型的基因作用地位γ，所述第一基因型为所述第一基因位点上的基因类型；

第三关联子模块，用于建立第一基因型与基因作用地位γ的关联关系。

可选的，所述构建模块，包括：

分类器构建子模块，用于构建多个基础分类器；

投票权重训练子模块，用于根据所述评分参数训练每一所述基础分类器的投票权重；

集成计算子模块，用于对每一基础分类器使用加权平均法进行集成

其中，w

本说明书还提供一种电子设备，其中，该电子设备包括：

处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项方法。

本说明书还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。

本申请中，通过构建副作用指数模型；获取患者的基因检测数据和待测药物的名称；将基因检测数据和待测药物的名称代入所述副作用指数模型，得到所述待测药物的副作用评价指数；汇总与所述患者相关的所有副作用评价指数，针对同一疾病的不同药物进行定量分析，便于医生(专业人员)可以直观的了解药物的风险情况，辅助医生(专业人员)选择具体用药。

附图说明

图1为本说明书实施例提供的一种药物副作用的评价方法的原理示意图；

图2为本说明书实施例提供的一种药物副作用的评价方法的流程示意图；

图3为本说明书实施例提供的一种药物副作用的评价系统的结构示意图；

图4为本说明书实施例提供的一种电子设备的结构示意图；

图5为本说明书实施例提供的一种计算机可读介质的原理示意图。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。

本说明书中“副作用”和“不良反应”均系指应用治疗量的药物后所出现的治疗目的以外的药理作用，本说明书中的“副作用”和“不良反应”含义等同。

图1为本说明书实施例提供的一种药物副作用的评价方法的原理示意图，该方法包括：

S1构建副作用指数模型；

S2获取患者的基因检测数据和待测药物的名称；

S3将基因检测数据和待测药物的名称代入所述副作用指数模型，得到所述待测药物的副作用评价指数；

S4汇总与所述患者相关的所有副作用评价指数，辅助评价潜在用药风险。

现有的药物副作用的评价方法针对药物一般只有定性描述，比如针对特定副作用风险高/低等，其不仅缺乏对药物的总体风险评估，更无法定量地对各种不同药物的副作用风险进行横向对比，药物的副作用影响主要依赖于医生的主观评价，没有一个统一的标准，且需要花费较长的时间判断药物的副作用影响。因此，为了满足精准医疗的市场需求，减少医生(专业人员)评估药物副作用的时间，提供一种综合临床实际和医生意见、体现医生评价共性的药物副作用的评价方法；基于待测药物和患者的基因检测数据，通过副作用指数模型对待测药物的副作用进行定性和定量分析，进而得到每一待测药物的副作用指数，能够高效率、高精确度、低成本地提供用药参考。具体的，如图2所示，该方法包括：

S1构建副作用指数模型；

在本申请中，如图2所示，构建副作用指数模型具体包括：

S11确定评分参数；

在本说明书的一个实施例中，所述评分参数包括关键参数和一般参数，所述关键参数包括不良反应权重α、不良反应评级β和基因作用地位γ中的一种或多种。

具体的，S111得到不良反应权重α，包括：

收集药物副作用的随访数据；

所述随访数据包括患者编号、患者服用的药物名称和患者产生的具体的副作用(不良反应)，其中，患者编号是根据不同的对应病症进行分类编号，每一患者的患者编号唯一。

构建药品库，所述药品库包括目前已公开的药物名称，以及为每一药物创建唯一的药物编号。

在本说明书的一个实施例中，随访数据样式如表1所示：

(表1)

在表1中，通过0/1表示无/有不良反应，即无不良反应标记为0，有不良反应标记为1，便于数据记录和后期计算药物的副作用发生次数和副作用发生率。

“不良反应1”、“不良反应2”等等为具体的副作用(不良反应)，比如呕吐、乏力、嗜睡等。

根据所述随访数据中药物的每种副作用的发生情况，计算副作用的发生率和副作用的严重程度，结合专家评议结果，得到药物的不良反应权重α；

在本说明书的一个实施例中，专家评议结果如表2所示：

(表2)

专家线下通过1-10对不良反应发生概率级别进行打分，分值越高，不良反应发生概率越高，即1为发生概率最低，10代表发生概率最高。

专家线下通过1-10对不良反应总体严重程度进行打分，分值越高，不良反应总体严重程度越高，即1为该不良反应最轻微，10代表该不良反应最严重。

在本说明书的一个实施例中，可以根据药品数据库和药物副作用的随访数据为基础，整理不同药物在实际的临床使用当中所存在的副作用种类、严重程度以及发生概率等情况，将药物根据其副作用的综合情况进行分类，根据专家评议结果，综合计算出每一药物对应的不良反应权重α，建立药物与不良反应权重α的关联关系，即后期通过药物名称或药物内部编号即可查找到与该药物对应的不良反应权重α。

S112得到不良反应评级β，包括：

收集并根据历史患者的临床反馈数据，提取副作用的名称和对应的副作用评分；

在本说明书的一个实施例中，临床反馈数据如表3所示：

(表3)

临床反馈数据系医生(专业人员)自主评分，分值越高，副作用(不良反应)越严重，副作用(不良反应)的风险越高，在指定临床方案时所受到的重视程度越高。依照实际情况将严重程度分级分为多个等级，且可以依照一级、二级……等数词划分等级，也可以依照轻微、中等、严重……等程度词划分等级。

在本说明书的一个实施例中，将严重程度分级分为三个等级，严重程度分级包括：轻微、中等和严重，采用百分制打分，其中1-19对应的严重程度分级为轻微，20-49对应的严重程度分级为中等，50-100对应的严重程度分级为严重。在本说明书的另一个实施例中，将严重程度分级分为四个等级，严重程度分级包括：一级、二级、三级和四级，采用百分制打分，其中0-25对应的严重程度分级为一级，26-50对应的严重程度分级为二级，51-75对应的严重程度分级为一级，76-100对应的严重程度分级为四级。

收集所述历史患者的基因检测数据，结合所述副作用评分和所述历史患者的基因检测数据，确定不良反应评级β；

在本说明书的一个实施例中，所述历史患者的基因检测数据的样式如表4所示：

(表4)

其中，所述历史患者为之前已经确诊并且已经接收药物治疗的患者。

在本说明书的一个实施例中，以医生(专业人员)的临床反馈数据和历史患者的基因检测数据库为基础，从医生和患者的角度，对药物基因组学所涉及的副作用进行评级或者打分，结合专家意见，综合得到各类不良反应的严重程度评级β，建立副作用与不良反应评级β的关联关系。

在本说明书的一个实施例中，为了确保数据符合临床实际情况和用药相关的经验情况，对表3、表4的数据进行综合加权计算，并结合不良反应权重α和不良反应评级β进行交叉验证和误差校准。

S113得到基因作用地位γ，包括：

根据药物基因组学文献，匹配与药物副作用影响相关的第一基因位点，结合使用相同药物的历史患者的基因检测数据，确定第一基因型的基因作用地位γ，所述第一基因型为所述第一基因位点上的基因类型；

具体的，根据药物基因组学文献，确定与药物相关的第一基因名称和/或第一基因位点名称，以及确定与第一基因和/或第一基因位点对应的基因对于药物副作用的影响力大小权重。

表5为基于药物基因组学文献整理的基因地位文献调查表：

(表5)

其中，第一基因位点是根据药物基因组学，有充足临床证据表明存在与具体药物/疾病存在相关性的基因位点。在本说明书的一个实施例中，第一基因位点的个数为一个或多个，根据每一第一基因位点的影响权重，以及根据每一基因位点对应的第一基因型的影响权重，通过线性加权综合计算基因作用地位γ。

在本说明书的一个实施例中，所述药物基因组学文献包括药物说明书、实验记录、Sider数据库等药物副作用、公开发表的论文等，在S112中所涉及药物基因组学对应的相关基因/基因位点的基础上，通过上述药物基因组学文献确定各个第一基因位点对各类药物副作用的影响力大小权重，第一基因位点上具体的第一基因型对各类药物副作用影响力大小，得到基因作用地位γ，建立第一基因型与基因作用地位γ的关联关系。

应当注意的是，针对同一药物，同一基因位点的不同基因型对于药物的副作用影响力大小可能相同；不同基因位点的相同基因型对于药物的副作用影响力大小可能不同，因此基因作用地位γ与基因位点的具体基因型相关。

在本模型的构建过程中，不良反应权重α、不良反应评级β和基因作用地位γ使得治疗用药、患者的基因检测数据与潜在副作用风险建立关联。

S12对副作用指数模型进行训练。

具体的，通过集成学习等机器学习方法，构建多个基础分类器；

每一个基础分类器单独学习，且使用不同的学习建模方法，比如通过线性回归、随机森林、SVM支持向量机等进行学习；

根据上述获得的评分参数训练每一所述基础分类器的投票权重；

对每一基础分类器使用加权平均法进行集成

其中，w

在本说明书的一个实施例中，以部分临床反馈数据作为测试集，用于验证训练的准确性和有效性。作为优选的，还可以将计算得到的副作用评价指数交由线下专家审核，辅助验证其准确性和可靠性。

为了提高副作用评价指数的准确性，使其符合最新的临床医疗、实验和科研结果，定期更新临床数据和相关文献数据，以更新不良反应权重α、不良反应评级β和基因作用地位γ等评分参数，进行模型迭代和优化。由于本模型只需要运用相关的机器学习算法进行再训练，而不需要人工修改部分结论、增删现有逻辑和架构，因此，迭代优化空间大，且有效节约了维护成本。

S2获取患者的基因检测数据和待测药物的名称；

所述基因检测数据包括基因位点和基因型，基因位点和基因型一一对应。

为了提高数据安全性，患者的基因检测数据存储于通过国家信息安全等级保护三级认证的数据库系统中。

由于该基因检测数据直接影响后期的评价结果，在提取所述基因检测数据之后，要进行质控处理，以保证其基因位点和基因型数据的完整性及合规性，每一基因位点都是符合预设的有效数据，才会到下游进行分析判读，从而提高副作用的评价指数的准确度。

待测药物是与患者疾病对应的潜在适应药物(可能用药)。在本说明书的一个实施例中，待测药物可以是由医生(专业人员)根据患者病情直接确定的药物。

在本说明书的另一个实施例中，获取患者的基本信息，所述基本信息包括患者的病因，根据病因在药品数据库中筛选用于治疗该疾病的全部药物作为待测药物。

S3将基因检测数据和待测药物的名称代入所述副作用指数模型，得到所述待测药物的副作用评价指数；

具体的，S31根据所述基因检测数据和所述待测药物信息，调取所述待测药物的多个评分参数；

在本说明书的一个实施例中，根据药物与不良反应权重α的关联关系，通过患者的待测药物信息查找与之对应的不良反应权重α，每一待测药物对应一个不良反应权重α；

根据副作用与不良反应评级β的关联关系，通过患者的基因检测数据查找与之对应的不良反应评级β；

根据第一基因位点与基因作用地位γ的关联关系，通过患者的待测药物信息，查找对应第一基因位点，根据患者的基因检测数据中的第一基因位点对应的第一基因型，确定与之对应的基因作用地位γ。

在得到与该患者和该待测药物对应的不良反应权重α、不良反应评级β和基因作用地位γ之后，S32根据多个所述评分参数，为所述待测药物的副作用打分，得到副作用评价指数。

在本说明书的一个实施例中，根据副作用评价指数Index＝F(α，β，γ)计算得到所述待测药物的副作用评价指数。其中，F(α，β，γ)是人工确定的函数。在本说明书的一个实施例中，副作用评价指数Index为百分制，分数越高，综合副作用相对越小。

通过副作用指数模型即可得到待测药物的副作用评价指数，节约医生(专业人员)的时间及人力成本。

在本说明书的一个实施例中，通过副作用指数模型，根据待测药物信息，还可以输出与之相关的风险高的副作用，辅助医生(专业人员)决策。

S4汇总与所述患者相关的所有副作用评价指数，辅助评价潜在用药风险。

针对同一所述患者，一个待测药物对应一个副作用评价指数，即n个待测药物对应n个副作用评价指数(n≥1)。为了实现针对同一疾病的不同药物的横向比较，提供各种对症的潜在治疗药物基于药物基因组学相关理论与实践的直观用药风险，汇总与该患者相关的n个副作用评价指数。

由于针对同一疾病的多个待测药物，其副作用评价指数越高，对应的待测药物的副作用越低，为了便于快速选择与患者适配的药物，基于n个副作用评价指数，从高到低对n个待测药物进行排序。

医生(专业人员)在开具处方时，不仅仅要考虑药物的副作用，还要考虑药物代谢、药物应答等情况，因此，副作用评价指数最高的药物，并不一定是最适合该患者的用药；但副作用评价指数很低的药物，往往是不适合该患者的用药，作为优选的，依照副作用评价指数对所述待测药物进行分类，减弱指数数值带来的决策干扰。

具体的，按照副作用评价指数所属区间划分副作用评价等级，然后基于副作用评价等级对待测药物进行分类。副作用评价等级和与之对应的副作用评价指数所属区间可依照实际情况自行配置。

在说明书的一个实施例中，副作用评价等级包括：“推荐常规用药”、“医生评估后使用”、“谨慎使用或更换其他药物”和“不推荐使用，建议更换其他药物”，具体的：

“推荐常规用药”对应的副作用评价指数区间为76-100；

“医生评估后使用”对应的副作用评价指数区间为51-75；

“谨慎使用或更换其他药物”对应的副作用评价指数区间为26-50；

“不推荐使用，建议更换其他药物”对应的副作用评价指数区间为0-25。

通过对待测药物进行分类，一方面可以为医生简便、直接地认知各种药物的副作用风险提供了定量化的参考指标，在另一方面，根据药物基因组学的检测结果也可为患者提供个性化用药准确的风险指导说明。

而且，本申请中的副作用指数模型，不只有针对特定副作用的风险高/低等定性描述，而且包含药物的总体副作用评价指数，可以定量地对各种不同药物的副作用风险进行横向对比，减少了主观分析中可能存在的误差，提高了可重复性和可靠性。

为了便于医生(专业人员)直观查看数据结果，根据待测药物名称、高风险的副作用、副作用评价指数和副作用评价等级，生成患者的潜在用药风险评估表，如表6所示：

(表6)

图3本说明书实施例提供的一种药物副作用的评价系统的结构示意图，该系统包括：

构建模块301，用于构建副作用指数模型；

获取模块302，用于获取患者的基因检测数据和待测药物的名称；

评价模块303，用于将基因检测数据和待测药物的名称代入所述副作用指数模型，得到所述待测药物的副作用评价指数；

汇总模块304，用于汇总与所述患者相关的所有副作用评价指数，辅助评价潜在用药风险。

可选的，所述评价模块303，包括：

调取子模块，用于根据所述基因检测数据和所述待测药物信息，调取所述待测药物的多个评分参数；

评分子模块，用于根据多个所述评分参数，为所述待测药物的副作用打分，得到副作用评价指数。

可选的，所述评分子模块，包括：

所述评分参数包括不良反应权重α、不良反应评级β和基因作用地位γ中的一种或多种；

评分单元，根据Index＝F(α，β，γ)计算得到所述待测药物的副作用评价指数。

可选的，所述构建模块301，包括：

第一收集子模块，用于收集药物副作用的随访数据；

计算子模块，用于根据所述随访数据中药物的每种副作用的发生情况，计算副作用的发生率和副作用的严重程度；

权重确定子模块，用于结合专家评议结果，得到药物的不良反应权重α；

第一关联子模块，用于建立药物与不良反应权重α的关联关系。

可选的，所述构建模块301，包括：

第二收集子模块，用于收集并根据历史患者的临床反馈数据，提取副作用的名称和对应的副作用评分；

评级确定子模块，用于收集所述历史患者的基因检测数据，结合所述副作用评分和所述历史患者的基因检测数据，确定不良反应评级β；

第二关联子模块，用于建立副作用与不良反应评级β的关联关系。

可选的，所述构建模块301，包括：

匹配子模块，用于根据药物基因组学文献，匹配与药物影响相关的第一基因位点，确定第一基因型的基因作用地位γ，所述第一基因型为所述第一基因位点上的基因类型；

第三关联子模块，用于建立第一基因型与基因作用地位γ的关联关系。

可选的，所述构建模块301，包括：

分类器构建子模块，用于构建多个基础分类器；

投票权重训练子模块，用于根据不良反应权重α、不良反应评级β和基因作用地位γ训练每一所述基础分类器的投票权重；

集成计算子模块，用于对每一基础分类器使用加权平均法进行集成

其中，w

本发明实施例的装置的功能已经在上述的方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。