CN105701324B - 大数据癌症监控系统 - Google Patents
大数据癌症监控系统 Download PDFInfo
- Publication number
- CN105701324B CN105701324B CN201410579137.7A CN201410579137A CN105701324B CN 105701324 B CN105701324 B CN 105701324B CN 201410579137 A CN201410579137 A CN 201410579137A CN 105701324 B CN105701324 B CN 105701324B
- Authority
- CN
- China
- Prior art keywords
- cancer
- analysis
- early
- user
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明名称为大数据癌症监控系统,本发明涉及利用健康体检的个人信息和血尿化验数据监控早期癌症,属于大数据在医疗领域的应用,是大数据和医疗的交叉技术领域。本发明的主要目的在于提供一个简易可行,准确性高的早期癌症监控系统。目前的早期癌症预测和监控大多数是与基因和生物标记物有关的,而且所有的预测和监控都是由医院和医生所控制管理的,用户是无法进行早期癌症自我监控的。本发明利用用户健康体检的个人信息和血尿化验数据,预测用户患癌症的概率和分值,提供早期癌症可能性的分析结果报告,帮助用户进行早期癌症自我监控。
Description
技术领域:
本发明涉及利用体检数据监控早期癌症,属于大数据在医疗领域的应用,是大数据和医疗的交叉技术领域。
背景技术:
世界卫生组织在2014年2月3日发布的《全球癌症报告》指出,中国的癌症发病率几乎占了全球的一半,新增癌症病例高居第一位。在肝、食道、胃和肺等4种恶性肿瘤中,中国新增病例和死亡人数均居世界首位。
国际抗癌联盟指出,癌症如能及早发现和充分治疗,三分之一的癌症可以预防的,三分之一的癌症患者可以完全治愈,但不幸的是80%的癌症患者错过了最佳诊断和治疗时机。所以,实时监控早期癌症具有非常重要的意义。
血液检查是体检中查出早期癌症的重要手段,王玉莲、王秀珍等在1996年第02期上发表的“恶性肿瘤患者血液流变学观察”的研究文章中指出“恶性肿瘤患者血液流变学指标和健康人比较有非常显著性的差异,特别是红细胞压积普遍降低。
英国爱丁堡大学的研究人员在2011年6月的“蛋白质组学临床应用”杂志上报告说,他们对60名上消化道癌症患者和60名健康人的尿液进行了对比分析,结果发现一些蛋白质的含量具有明显差异。其中代号为S100A6何S1009等六种蛋白质的指示性尤为明显,再98%的癌症患者尿液中都能发现其踪迹,而90%以上的健康人尿液都没有这些蛋白质。
目前的早期癌症预测和监控多数是与基因和生物标记物有关的,例如,西安电子科技大学杨利英等在“结合独立分量分析和线性判别分析的癌症预测方法”的专利中(申请号:CN201410025412)就是用过滤技术预处理基因微阵列数据。拜耳医药保健有限责任公司的威尔赫姆和艾廷申请的“癌症预测与预后以及监测癌症治疗的方法”专利(申请号:CN200680050593)涉及使用VEGF和sVEGFR作为用索拉非尼治疗对象的生物标记物。
尽管实践已经证明癌症患者和健康人的血尿化验数据具有明显差异,而且获取常规健康体检的血尿化验数据也并非难事,但利用常规健康体检的血尿化验数据自我监控早期癌症目前在国内外还是一项空白。
发明内容:
本发明的主要目的在于提供一个简易可行,准确性高的早期癌症监控系统。目前90%的早期癌症是没有明显症状的,以至于80%的癌症患者确诊时已属于中晚期。常规的影像学、细胞病理学、血清蛋白标志物等检测虽被广泛运用,但检查结果基本上是癌症中晚期,治愈的可能性极小,而且这些检测通常适用于癌症患者的复发预后及疗效监测,并不适用于癌症的早期发现。本发明借助于大数据价值提取技术,为人类自我监控早期癌症和最终战胜癌症提供了希望。
本发明的技术方案如下:
一种包括用户提供数据,数据管理,早期癌症预测,癌症预测结果分析和早期癌症预测结果分析报告生成以及呈现的大数据癌症监控方法,具体包括以下步骤:
1.用户提供数据:用户使用终端设备包括电脑,手机,平板电脑通过网络(互联网和移动网)连接云计算服务器,为大数据癌症监控平台所提供的健康体检的个人信息,血常规,血生化和尿常规化验数据。
2.数据管理:对用户提供的健康体检的个人信息,血常规,血生化和尿常规化验数据按照预测分析要求进行整合和转换。
3.早期癌症预测:大数据癌症监控平台使用健康体检的个人信息和血尿化验数据建立早期癌症预测模式,根据用户提供健康体检的个人信息和血尿化验数据进行早期癌症预测。
4.癌症预测结果分析:大数据癌症监控平台根据早期癌症预测结果对用户进行早期癌症分析。
5.早期癌症预测结果分析报告生成和呈现:大数据癌症监控平台根据数据用户性别,早期癌症预测结果和分析结果生成并呈现给用户早期癌症分析结果报告。
一种大数据癌症监控系统包括1个或多个带有内存及CPU处理器,数据管理模块,预测模式模块,实时分析模块和分析报告模块的的云计算系统,具体包括以下步骤:
1.数据管理模块:采集用户健康体检的个人信息,血常规,血生化和尿常规化验数据。
2.预测模式模块:使用1或多个预测模式根据用户健康体检的个人信息,血常规,血生化和尿常规化验数据进行早期癌症预测。
3.实时分析模块:根据用户提供健康体检的的个人信息,血尿化验数据和预测结果对用户进行早期癌症分析。
4.分析报告模块:根据数据管理模块用户提供的性别信息,预测模式模块的预测结果和实时分析模块的分析结果生成和呈现给用户的早期癌症分析结果报告。
目前的早期癌症预测和监控大多数是与基因和生物标记物有关的,而且所有的预测和监控都是由医院和医生所控制管理的,用户是无法进行早期癌症监控的。本发明利用用户健康体检的个人信息和血尿化验数据帮助用户进行早期癌症监控,目前在国内外都是一项创举。本发明是一项填补国内外空白的大数据癌症监控技术。
附图说明:
图1(100)表明一个用户,借助一个终端设备,通过网络,连接云计算系统,使用大数据癌症监控平台进行癌症监控的流程。
图2(200)表明用户登录大数据癌症监控平台后输入健康体检的个人信息和血尿化验数据,云计算数据库记录存储这些数据,然后将存储的数据转换成预测分析所用文件的流程。
图3(300)表明大数据癌症监控系统调取数据文件,整合处理数据,预测早期癌症,预测结果分析和早期癌症分析结果报告生成的流程。
图4(400)表明大数据癌症监控系统根据用户性别,预测和分析结果,生成癌症预测结果分析报告和呈现癌症预测结果分析报告给用户的的流程。
图5(500)表明大数据癌症监控系统从用户登录提供健康体检的个人信息和血尿化验数据,到数据整合转换,早期癌症预测,预测结果分析,分析结果报告生成和用户最后获取实时分析结果报告进行早期癌症监控的流程。
具体实施方式:
为了使本发明的目的,技术方案和创新点更加简单易懂,下面结合附图及具体实施方式,对本发明进行进一步详细阐述。在阐述之前,有一点想说明一下,下面所描述的具体实施例只是用于解释本发明,并不用于限制本发明。
图1(100)表明大数据癌症监控系统的系统结构,用户102可以在任何时间,任何地方,使用能连接互联网或移动网的手机,平板电脑,智能电视,笔记本电脑或桌面电脑等终端设备104,通过网络106,连接由多个服务器构成的云计算系统108。云计算系统108包括大数据癌症监控平台116,大数据癌症监控平台116是一个网络(互联网或移动网)应用平台,包括用户注册,登录,提供个人信息和体检数据,数据采集,显示分析结果报告,相关提示,或其他内容。例如,用户102可以通过网络106,登上一个或多个网站(如互联网),连到大数据癌症监控平台116,登陆输入健康体检的个人信息和血尿化验数据后,获取早期癌症分析报告进行早期癌症监控。
云计算系统108中的CPU处理器112和内存114是为用户102提供早期癌症监控的基础。大数据癌症监控平台116,数据管理模块118,预测模式模块120,实时分析模块122和分析报告模块124都寄存于云计算系统108中。
实施例1:用户102使用终端设备104手机,通过移动网络106,连接云计算系统108中的移动网站,登录大数据癌症监控平台116,提供健康体检的个人信息和血尿化验数据,获取早期癌症分析报告进行早期癌症监控。
实施例2:用户102使用终端设备104平板电脑,通过移动网络106,连接云计算系统108中的移动网站,登录大数据癌症监控平台116,提供健康体检的个人信息和血尿化验数据,获取早期癌症分析报告进行早期癌症监控。
实施例3:用户102使用终端设备104智能电视,通过互联网络106,连接云计算系统108中的互联网站,登录大数据癌症监控平台116,提供健康体检的个人信息和血尿化验数据,获取早期癌症分析报告进行早期癌症监控。
实施例4:用户102使用终端设备104笔记本电脑,通过互联网络106,连接云计算系统108中的互联网站,登录大数据癌症监控平台116,提供健康体检的个人信息和血尿化验数据,获取早期癌症分析报告进行早期癌症监控。
实施例5:用户102使用终端设备104桌面电脑,通过互联网络106,连接云计算系统108中的互联网站,登录大数据癌症监控平台116,提供健康体检的个人信息和血尿化验数据,获取早期癌症分析报告进行早期癌症监控。
图2(200)表明用户登录大数据癌症监控平台后输入健康体检的个人信息和血尿化验数据,云计算数据库记录存储这些数据,然后将存储的数据转换成预测分析所用文件的流程。用户102登录大数据癌症监控平台116(首次访问网站的用户需要注册后才能登陆),用户为获取最新的早期癌症分析报告,须提供最近一次的体检数据。
用户个人信息202包括性别,年龄,身高,体重,血压等信息;血常规数据204包括红细胞,白细胞,红细胞压积,淋巴细胞绝对值,淋巴细胞百分比,中性粒细胞绝对值,中性粒细胞百分比,血小板比积,单核细胞绝对值,单核细胞百分比,嗜酸细胞绝对值,嗜酸细胞百分比,嗜碱细胞绝对值,平均红细胞血红蛋白量,红细胞分布宽度(CV),血红蛋白,血小板计数,血小板分布宽度,平均红细胞血红蛋白浓度,血小板平均体积,平均红细胞体积等数据;血生化数据206包括白蛋白,谷丙转氨酶,谷草转氨酶,γ-谷氨酰转肽酶,总胆红素,尿素氮,肌酐,尿酸,葡萄糖,总胆固醇,甘油三脂,高密度脂蛋白胆固醇,低密度脂蛋白胆固醇,载脂蛋白A,载脂蛋白B等数据;尿常规数据208包括尿潜血,尿胆红素,维生素C,尿葡萄糖,酮体,比重,酸碱度,尿蛋白质,尿胆原,亚硝酸盐,尿白细胞等。
云计算数据库210自动记录存储用户102提供的个人信息202,血常规数据204,血生化数据206和尿常规数据208。然后云计算数据库210按照预测和分析所需文件的要求生成个人信息文件,血常规数据文件,血生化数据文件和尿常规数据文件。
实施例7:用户102提供的个人信息202中的性别为男,年龄为52岁,身高178cm,体重为75kg等,血常规数据204,血生化数据206和尿常规数据208均按体检报告填写。
实施例8:用户102提供的个人信息202中的性别为女男,年龄为45岁,身高165cm,体重为51kg等,血常规数据204,血生化数据206和尿常规数据208均按体检报告填写。
实施例7和8主要是说明个人信息202中的性别和年龄的区别,不同性别和年龄的用户,其早期癌症分析结果的报告是不同的。
图3(300)表明云计算系统108中数据管理模块118调取数据文件212,将数据进整合,处理和转换后提供给预测模式模块120,预测模式模块120调入预测模式302,进行早期癌症预测,实时分析模块122对预测分值进行分析对比,分析结果报告模块124根据预测和分析结果生成早期癌症分析结果报告的流程。图3(300)是图2(200)的延续。
数据管理模块118的主要任务是将4个不同内容的文件,个人信息文件,血常规数据文件,血生化数据文件和尿常规数据文件根据用户代码(ID)整合成一个文件,对错填和漏填的数据进行处理反馈,然后进行必要的数据转换,如分数,对数或平方根转换。
预测模式模块120主要是通过预测模式302的算式对数据管理模块118提供的数据文件进行运算,计算出用户患癌症的概率和分值。预测模式302为逻辑回归分析(LogisticRegression Analysis),其表达式为
a1:y=logit(p)=α+β1X1+β2X2+...+βnXn;
和
其中y为因变量,X为自变量,p为概率,α为截距(常数),β为回归系数,Exp为指数函数。
预测模式302包括肺癌,胃癌,肝癌,食管癌,直肠癌,宫颈癌,乳腺癌等早期预测模式。预测模式302通过对2300多名癌症患者和近70000名健康者个人信息数据202,血常规数据204,血生化数据206和尿常规数据208的分析对比,基于逻辑回归分析(LogisticRegression Analysis)建立了多个早期癌症预测模式。预测模式302建成后,经过2014年1-7月临床数据的验证,临床数据包括400名癌症患者和8000名健康者,全部早期癌症预测模式的准确率达到95%。
实时分析模块122将预测模式模块120计算出的用户患癌症的概率与预测模式302中储存的癌症患者的概率实时进行对比,提供早期癌症可能性的分析结果。
分析结果报告模块124根据数据文件212提供的个人信息202中的性别,预测模式模块120提供的预测分值和实时分析模块122提供的分析结果,生成早期癌症的分析结果报告。
图4(400)表明云计算系统108中的分析报告模块124通过大数据癌症监控平台116呈现早期癌症分析结果报告给用户102的的流程,图4(400)是图3(300)的延续。
分析报告模块124根据数据文件212提供的个人信息202中的性别,预测模式模块120提供的预测分值和实时分析模块122提供的分析结果,生成早期癌症的分析结果报告,然后通过大数据癌症监控平台116呈现在用户终端设备104,用户102可以通过打印,保存,传送等方式获取早期癌症分析结果报告。不同性别用户的早期癌症分析结果报告是不同的,例如,女性的早期癌症分析结果报告中包括宫颈癌和乳腺癌,男性的早期癌症分析结果报告中则不包括宫颈癌和乳腺癌。
图5(500)表明用户使用大数据癌症监控系统获取早期癌症分析结果报告进行早期癌症监控的流程。
方块502表明用户102登录大数据癌症监控平台116提供个人信息202,血常规数据204,血生化数据206和尿常规数据208。
方块504表明数据管理模块118将用户102提供的个人信息文件,血常规数据文件,血生化数据文件和尿常规数据文件整合转换成预测分析所需的单一数据文件。
方块506表明预测模式模块120对数据管理模块118提供的数据文件进行运算,计算出用户患癌症的概率。
方块508表明实时分析模块122将预测模式模块120计算出的用户患癌症的概率与预测模式302中储存的癌症患者的概率实时进行对比,提供早期癌症可能性的分析结果
方块510表明分析结果报告模块124根据数据文件212提供的个人信息202中的性别,预测模式模块120提供的预测分值和实时分析模块122提供的分析结果,生成早期癌症分析结果报告。
Claims (2)
1.一种大数据癌症监控系统,其特征在于,所述的系统包括1个或多个配置内存和CPU处理器的云计算系统,模块如下:
(1)数据管理模块:管理用户健康体检的个人信息,血常规,血生化和尿常规化验数据;
(2)预测模式模块:基于逻辑回归分析,预测模式根据用户提供的健康体检的个人信息,血常规,血生化和尿常规化验数据对用户进行早期癌症的预测;
具体的逻辑回归分析的表达式如下:
a1:y=logit(p)=α+β1*X1+β2*X2+...+βn*Xn;
a2:
其中y为因变量,X为自变量,p为概率,α为截距常数,β为回归系数,Exp为指数函数;
(3)实时分析模块:分析模块对预测模式模块产生的预测结果进行实时分析对比;
(4)分析报告模块:根据预测模式模块的预测结果和实时分析模块的分析对比结果呈现给用户早期癌症分析结果报告。
2.根据权利要求1所述系统,其特征在于,所述步骤(3)中实时分析模块对用户预测结果进行实时分析对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410579137.7A CN105701324B (zh) | 2014-10-15 | 2014-10-15 | 大数据癌症监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410579137.7A CN105701324B (zh) | 2014-10-15 | 2014-10-15 | 大数据癌症监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701324A CN105701324A (zh) | 2016-06-22 |
CN105701324B true CN105701324B (zh) | 2018-09-28 |
Family
ID=56940699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410579137.7A Active CN105701324B (zh) | 2014-10-15 | 2014-10-15 | 大数据癌症监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701324B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326654B (zh) * | 2016-08-24 | 2018-03-09 | 北京辛诺创新科技有限公司 | 基于大数据云分析的健康预测系统、智能终端和服务器 |
CN107273652A (zh) * | 2017-03-10 | 2017-10-20 | 马立伟 | 智能脑卒中风险监控系统 |
CN108461148A (zh) * | 2018-03-30 | 2018-08-28 | 张淼 | 一种筛查癌症的小程序 |
CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
CN110957043A (zh) * | 2018-09-26 | 2020-04-03 | 金敏 | 疾病预测系统 |
CN110415822A (zh) * | 2019-07-23 | 2019-11-05 | 珠海格力电器股份有限公司 | 一种预测癌症的方法和装置 |
CN113393935A (zh) * | 2021-06-30 | 2021-09-14 | 吾征智能技术(北京)有限公司 | 一种基于体检数据的癌症早期风险评估方法和系统 |
CN115274079A (zh) * | 2022-07-25 | 2022-11-01 | 成都市第六人民医院 | 一种基于大数据的医疗卫生管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101822533A (zh) * | 2010-04-02 | 2010-09-08 | 浙江大学 | 嵌入式心电脉搏信号监测预警系统 |
CN102043893A (zh) * | 2009-10-13 | 2011-05-04 | 北京大学 | 一种疾病预警方法和系统 |
CN103202699A (zh) * | 2013-03-25 | 2013-07-17 | 苏州德鲁克供应链管理有限公司 | 心理健康监测系统 |
CN103705225A (zh) * | 2012-10-08 | 2014-04-09 | 中国科学院上海高等研究院 | 血压疾病监护系统 |
CN104000562A (zh) * | 2014-06-09 | 2014-08-27 | 深圳市中兴移动通信有限公司 | 一种健康提醒系统、方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1185875A (ja) * | 1997-09-01 | 1999-03-30 | Dainippon Printing Co Ltd | 地域医療情報システム |
-
2014
- 2014-10-15 CN CN201410579137.7A patent/CN105701324B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043893A (zh) * | 2009-10-13 | 2011-05-04 | 北京大学 | 一种疾病预警方法和系统 |
CN101822533A (zh) * | 2010-04-02 | 2010-09-08 | 浙江大学 | 嵌入式心电脉搏信号监测预警系统 |
CN103705225A (zh) * | 2012-10-08 | 2014-04-09 | 中国科学院上海高等研究院 | 血压疾病监护系统 |
CN103202699A (zh) * | 2013-03-25 | 2013-07-17 | 苏州德鲁克供应链管理有限公司 | 心理健康监测系统 |
CN104000562A (zh) * | 2014-06-09 | 2014-08-27 | 深圳市中兴移动通信有限公司 | 一种健康提醒系统、方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105701324A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701324B (zh) | 大数据癌症监控系统 | |
Lukaski et al. | Assessment of adult malnutrition and prognosis with bioelectrical impedance analysis: phase angle and impedance ratio | |
Bhatraju et al. | Association between early recovery of kidney function after acute kidney injury and long-term clinical outcomes | |
Burrello et al. | The primary aldosteronism surgical outcome score for the prediction of clinical outcomes after adrenalectomy for unilateral primary aldosteronism | |
Kartoun et al. | The MELD-Plus: A generalizable prediction risk score in cirrhosis | |
Panahiazar et al. | Using EHRs and machine learning for heart failure survival analysis | |
Lipshutz et al. | Perioperative glycemic control: an evidence-based review | |
Rincon et al. | Impact of acute lung injury and acute respiratory distress syndrome after traumatic brain injury in the United States | |
Casey et al. | The current use of ultrasound to measure skeletal muscle and its ability to predict clinical outcomes: a systematic review | |
CN107273652A (zh) | 智能脑卒中风险监控系统 | |
Witteles et al. | Sensitivity of diagnostic and localization tests for pheochromocytoma in clinical practice | |
Aseltine Jr et al. | Racial and ethnic disparities in hospital readmissions after delivery | |
Liu et al. | Joint frailty models for zero-inflated recurrent events in the presence of a terminal event | |
Afifi et al. | Accumulative prognostic index for patients with barbiturate, glutethimide and meprobamate intoxication | |
Sánchez-Torralvo et al. | CT-determined sarcopenia in GLIM-defined malnutrition and prediction of 6-month mortality in cancer inpatients | |
EP3433614A1 (en) | Use of clinical parameters for the prediction of sirs | |
Mathis et al. | Early detection of heart failure with reduced ejection fraction using perioperative data among noncardiac surgical patients: a machine-learning approach | |
Kaur et al. | An integrated approach for cancer survival prediction using data mining techniques | |
Xie et al. | A modified acute respiratory distress syndrome prediction score: a multicenter cohort study in China | |
Oster et al. | A predictive algorithm using clinical and laboratory parameters may assist in ruling out and in diagnosing MDS | |
Yan et al. | Impact of intraoperative data on risk prediction for mortality after intra-abdominal surgery | |
Singh et al. | A Concept–Wide Association Study of Clinical Notes to Discover New Predictors of Kidney Failure | |
Matthay et al. | Resolution of alveolar edema in acute respiratory distress syndrome. Physiology and biology | |
Martin-Rodriguez et al. | The prognostic value of prehospital blood lactate levels to predict early mortality in acute cardiovascular disease | |
Sinicrope et al. | Tumor-Infiltrating Lymphocytes for Prognostic Stratification in Nonmetastatic Colon Cancer—Are We There Yet? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
DD01 | Delivery of document by public notice |
Addressee: Ma Liming Document name: Notification to Make Rectification |
|
DD01 | Delivery of document by public notice |
Addressee: Ma Liwei Document name: Notification that Application Deemed to be Withdrawn |
|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |