CN105808906A - 患者个人特性的分析方法及其装置 - Google Patents

患者个人特性的分析方法及其装置 Download PDF

Info

Publication number
CN105808906A
CN105808906A CN201410843742.0A CN201410843742A CN105808906A CN 105808906 A CN105808906 A CN 105808906A CN 201410843742 A CN201410843742 A CN 201410843742A CN 105808906 A CN105808906 A CN 105808906A
Authority
CN
China
Prior art keywords
value
inspection
patient
numerical value
pathogenic factor
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.)
Granted
Application number
CN201410843742.0A
Other languages
English (en)
Other versions
CN105808906B (zh
Inventor
金星
金星一
金明秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung SDS Co Ltd
Original Assignee
Samsung SDS Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung SDS Co Ltd filed Critical Samsung SDS Co Ltd
Publication of CN105808906A publication Critical patent/CN105808906A/zh
Application granted granted Critical
Publication of CN105808906B publication Critical patent/CN105808906B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

本发明涉及一种患者个人特性的分析方法及其装置。本发明提供一种计算反映没有落入通常范畴的患者特性的特性值，并且利用所计算的特性值来预测所述患者的疾病，或提供专用于所述患者的个体化医疗服务的方法。本发明的一实施例的患者个人特性分析方法包括以下步骤：接收患有第一疾病的受检者的检查数据；所述患者个人特性分析装置判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型；以及在判定结果为所述检查数据不符合所述第一疾病统计模型的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数值来计算所述受检者的特性值。

Description

患者个人特性的分析方法及其装置
技术领域
本发明涉及一种患者个人特性的分析方法及其装置。更详细地，涉及一种在特定受检者由于体质上的特异性等而呈现与反映多数患者数据的统计模型不相同的检查结果时，提供反映所述受检者的体质上特异性等的特性值的方法及装置。
背景技术
提供一种利用基于计算机的计算的疾病预测技术。所述疾病预测技术大体可分为基因分析和环境因素分析。基因分析被预测为对人类的疾病预测和治疗带来最大的影响。由于需要相当高的费用，并且存在隐私保护问题，因此通过基因分析的疾病预测技术的普及仍然缓慢。
环境因素分析为如下方法：可用统计学观点分析个人的生活、习惯及检查数值并导出有意义的结果，从而在不久的将来引入疾病的预测和个体化处方。利用最近广泛应用的大数据分析技术，能够分析更广的数据，而且分析的数据越多，疾病预测的准确度也会更高。
然而，在执行环境因素分析过程中，为了生成准确的统计模型而确保更多的群体(population)固然重要，但是识别因具有器质性特异性等理由而没有落入通常范畴的患者并对该患者提供个体化的医疗服务也同样重要。这是因为对于具有器质性特异性的特异患者即使确保很多群体也难以形成统计上有意义的群集。
因此，需要提供一种对于没有落入通常范畴的患者通过反映该患者特性来预测疾病或提供反映该患者特性的个体化的医疗服务等的方法。
发明内容
本发明所要解决的技术问题是计算反映没有落入通常范畴的患者特性的特性值。
本发明所要解决的另一技术问题是利用计算出的特性值来预测所述患者的疾病，或提供专用于所述患者的个体化医疗服务。
本发明所要解决的又一技术问题是通过将没有落入通常范畴的患者的检查数据或环境因素数据累积到群体数据库中，从而随后能够对没有落入通常范畴的其他患者进行基于统计模型的疾病预测。
本发明的技术问题并不限定于上面所提及的技术问题，本领域技术人员应能从下面的记载中明确理解没有提及的其他技术问题。
为了实现上述技术问题，本发明的一方面的患者个人特性分析方法包括以下步骤：接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型；以及在判定结果判定为不符合的情况下，所述患者个人特性分析装置计算所述受检者的特性值α。此时，所述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值与发病者基准值为相同的值的方式被计算，关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后的值，关于特定发病原因的所述个体化加权值是利用所述受检者的特性值α来确定的值，关于各发病原因的所述个体化加权值中的至少一个值是与关于其他发病原因的个体化加权值彼此不同的值。
根据一实施例，所述发病者基准值是将所述发病原因的发病贡献率反映到依据所述第一疾病统计模型得到的各发病原因DFactori的检查数值中心值DF_MIDi后的值的合计值，所述检查数值中心值DF_MIDi可以是DFactori的典型群组的中心点与n维空间的原点之间的距离。
根据一实施例，所述发病者基准值可以是将所述发病原因的发病贡献率反映到依据所述第一疾病统计模型得到的各发病原因DFactori的检查数值中心值DF_MIDi后的值的合计值，所述检查数值中心值DF_MIDi可以是属于DFactori的典型群组的各点与n维空间的原点之间的距离的平均值。
根据一实施例，特定疾病的发病原因中可包括次级发病原因。此时，判定步骤可包括：利用由群体数据库提供装置提供的所述第一疾病的发病者的关于所述第一疾病的各发病原因的检查数值数据来生成所述第一疾病统计模型，所述检查数值数据可包括关于属于各发病原因的多个次级发病原因的检查数值。
生成所述第一疾病统计模型的步骤可包括：第一步骤，利用关于属于所述第一疾病的第一发病原因的多个次级发病原因的检查数值，将表示各发病者的关于所述第一发病原因的检查数值的点映射(mapping)在n维空间(n是次级发病原因的个数)上；第二步骤，对各发病者的检查数值数据重复所述第一步骤；第三步骤，通过基于密度的聚类获取关于所述第一发病原因的典型群组；第四步骤，将所述典型群组设定为关于所述第一发病原因的第一疾病统计模型；以及第五步骤，对所述第一疾病的第二至第M发病原因(M为所述第一疾病的发病原因个数)重复所述第一至第四步骤。
根据一实施例，获取典型群组的第三步骤可包括：第3A步骤，选择在所述第一步骤中被映射在n维空间上的点中的一个点；第3B步骤，通过判定从所述第3A步骤中选择的点起所指定的半径ε以内是否存在所指定的个数p的点，来判定以所选择的点为中心点的所述典型群组是否成立；第3C步骤，对在所述第一步骤中被映射在n维空间上的所有其他点重复所述第3A步骤和所述第3B步骤；以及第3D步骤，在经过所述第3A步骤和所述第3B步骤后典型群组不成立的情况下，调整所述ε和p中的至少一个之后，重复所述第3A步骤和所述第3B步骤。
此时，所述第3B步骤可包括判定为多个典型群组成立的步骤。即，对于一个发病原因，可以只存在一个典型群组，但是还可以存在多个典型群组。
判定受检者的关于各发病原因的检查数值是否符合所述第一疾病统计模型的步骤可包括：步骤A，利用所述受检者的检查数据中的关于属于所述第一发病原因的多个次级发病原因的检查数值，将表示所述受检者的关于所述第一发病原因的检查数值的受检者点映射在所述n维空间上；步骤B，通过判定所述受检者点是否属于关于所述第一发病原因的典型群组，来判定所述受检者的关于所述第一发病原因的检查数值是否符合所述第一疾病统计模型；以及步骤C，对所述第二至第M发病原因重复所述步骤A至步骤B。
在一实施例中，判定受检者的针对各发病原因的检查数值是否符合所述第一疾病统计模型的步骤进一步可包括：在表示所述受检者的关于所述第一发病原因的检查数值的受检者点属于关于所述第一发病原因的典型群组的情况下，赋予基于所述第一发病原因的发病贡献率确定的点数；对所述第二至第M发病原因重复进行赋予所述点数的步骤；以及在被赋予的点数的合计值超过关于所述第一疾病的基准值的情况下，判定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型。
在另一实施例中，判定受检者的针对各发病原因的检查数值是否符合所述第一疾病统计模型的步骤进一步可包括：计算表示所述受检者的关于第一发病原因的检查数值的受检者点与针对所述第一发病原因的典型群组的中心点之间的距离，并且将基于所述第一发病原因的发病贡献率确定的加权值反映到所计算的距离中来调整所述受检者点与所述中心点之间的距离；对所述第二至第M发病原因重复进行调整所述距离的步骤；以及在经调整的距离的合计值未达到关于所述第一疾病的基准值的情况下，判定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型。
在一实施例中，所述第一疾病统计模型是从由群体数据库提供装置提供的所述第一疾病的发病者的关于所述第一疾病的各发病原因的检查数值获取的，所述患者个人特性分析方法进一步可包括以下步骤：通过将所述受检者的检查数值插入到群体数据库中，来更新所述群体数据库；接收患有所述第一疾病的其他受检者的检查数据；以及利用已更新的群体数据库来生成已更新的所述第一疾病统计模型。
在一实施例中，所述患者个人特性分析方法进一步可包括以下步骤：在所述受检者还患有与所述第一疾病不同的第二疾病的情况下，判定所述检查数据是否符合从所述第二疾病的发病者的检查数值获取的第二疾病统计模型，在判定结果判定为不符合的情况下，只利用所述受检者的检查数据中符合所述第二疾病统计模型的一部分检查数值来更新所述受检者的已更新的特性值。
在一实施例中，所述患者个人特性分析方法进一步可包括以下步骤：利用所计算的特性值来预测与所述第一疾病不同的第二疾病的发病可能性。此时，预测所述第二疾病的发病可能性的步骤可包括：通过将所述特性值作为加权值来反映到一部分检查数值，来基于所述特性值调整所述一部分检查数值；通过判定包括经调整的一部分检查数值的所述受检者的检查数据是否符合从所述第二疾病的发病者的检查数值获取的第二疾病统计模型，来预测所述第二疾病的发病可能性。
在一实施例中，所述患者个人特性分析方法进一步可包括以下步骤：所述患者个人特性分析装置将所计算的特性值发送给个体化处方装置；以及所述个体化处方装置利用所述特性值来调整处方项目。
根据本发明的另一实施例，患者个人特性分析方法包括以下步骤：接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型；在判定结果判定为不符合的情况下，计算所述受检者的特性值α。此时，所述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值与发病者基准值为相同的值的方式被计算，关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到针对所述特定发病原因的所述受检者的检查数值的值，关于特定发病原因的所述个体化加权值以如下方式被设定：在关于所述特定发病原因的所述受检者的检查数值符合关于所述特定发病原因的所述第一疾病统计模型的情况下，被设定为利用所述受检者的特性值α指定的第一加权值，在关于所述特定发病原因的所述受检者的检查数值不符合针对所述特定发病原因的所述第一疾病统计模型的情况下，被设定为利用所述受检者的特性值α指定的第二加权值。所述第一加权值和所述第二加权值是彼此不同的值。
在一实施例中，所述第一加权值可以是正(+)值，与此相反，所述第二加权值可以是负(-)值。
在一实施例中，所述第一加权值和所述第二加权值可以均是正(+)值，并且所述第一加权值大于所述第二加权值的值。
本发明的又一实施例的患者个人特性分析方法包括以下步骤：接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型；在判定结果为所述检查数值不符合所述第一疾病统计模型的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数值来计算所述受检者的特性值。
根据一实施例，计算所述特性值的步骤可包括：以调整检查数值的合计成为发病者基准值的方式计算所述特性值，其中，所述调整检查数值是将所述特性值作为加权值来反映到所述检查数据中符合所述第一疾病统计模型的检查数值后的值。根据另一实施例，计算特性值的步骤可包括：以调整检查数值的合计成为发病者基准值的方式计算所述特性值，其中，所述调整检查数值是将第一加权值和第二加权值均反映到所述检查数据中符合所述第一疾病统计模型的检查数值后的值，其中所述第一加权值是所述检查数值的关于检查项目的发病贡献率，所述第二加权值是所述特性值。此时，所述发病者基准值可以是将所述发病原因的发病贡献率反映到依据所述第一疾病统计模型得到的各发病原因的检查数值中心值后的值的合计值。
根据本发明的又一实施例，可提供一种存储在存储介质中的计算机程序，所述计算机程序与计算装置相结合执行以下步骤：接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第一疾病统计模型；在判定结果为所述检查数据与所述第一疾病统计模型不符合的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数据来计算所述受检者的特性值。
根据本发明的又一实施例，可提供一种患者个人特性分析装置，所述患者个人特性分析装置包括一个以上的处理器、网络接口、内存和存储装置，所述存储装置中存储有被加载到所述内存而通过所述处理器执行的计算机程序。此时，所述计算机程序包括：通过所述网络接口接收患有第一疾病的受检者的检查数据的一系列指令(instruction)；判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型的一系列指令；以及在判定结果为所述检查数据不符合所述第一疾病统计模型的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数据来计算所述受检者的特性值的一系列指令。
根据本发明的又一实施例，提供一种存储在存储介质中的计算机程序，所述计算机程序与计算装置相结合执行以下步骤：接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第一疾病统计模型；在判定结果判定为不符合的情况下，执行计算所述受检者的特性值α的步骤，所述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值与发病者基准值为相同的值的方式被计算，关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后的值，关于特定发病原因的所述个体化加权值是利用所述受检者的特性值α来确定的值。
本发明的又一实施例的患者个人特性分析装置包括一个以上的处理器、网络接口、内存和存储装置，所述存储装置中存储有被加载到所述内存而通过所述处理器执行的计算机程序的执行文件。此时，所述计算机程序包括：接收患有第一疾病的受检者的检查数据的一系列指令；判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型的一系列指令；以及在判定结果判定为不符合的情况下，计算所述受检者的特性值α的一系列指令，所述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值与发病者基准值为相同的值的方式被计算，关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后的值，关于特定发病原因的所述个体化加权值是利用所述受检者的特性值α来确定的值。
根据如上所述的本发明，能够对将检查数据适用于统计模型来算出的疾病预测结果与实际状况彼此不同的受检者提供对所述受检者的生物特异性等进行数值化后的特性值。
此外，具有可利用所述特性值来提供所述受检者的个体化医疗服务的效果。
此外，具有可利用所述特性值来提供针对受检者的疾病预测服务的效果。
此外，通过将所述受检者的检查数据附加到群体数据库，从而可将脱离通常范畴的患者数据反映到统计模型中，其结果，具有能够以较高的准确度对脱离通常范围的患者提供基于统计模型的疾病预测服务的效果。
附图说明
图1是本发明的一实施例的患者个人特性分析系统的结构图。
图2是本发明的另一实施例的患者个人特性分析系统的结构图。
图3是本发明的又一实施例的患者个人特性分析方法的顺序图。
图4是关于图3所示的发明的一部分操作的详细顺序图。
图5至图6是用于说明从群体数据库的特定疾病发病者的数据生成关于所述特定疾病的统计模型的过程的图。
图7是关于图3所示的发明的其他一部分操作的详细顺序图。
图8是用于说明评价患有特定疾病的受检者的检查数据是否符合关于所述特定疾病的统计模型的方法的图。
图9是包括可在图3所示的操作之后执行的操作的顺序图。
图10至图11是用于说明在将不符合统计模型的疾病发病者的检查数据更新到群体DB中时，如何更换所述统计模型的图，其中所述统计模型是利用群体DB中存储的疾病发病者的数据而生成的。
图12是本发明的又一实施例的患者个人特性分析装置的方框结构图。
图13是本发明的又一实施例的患者个人特性分析装置的硬件结构图。
具体实施方式
下面，参照附图，对本发明的优选实施例进行详细说明。参照附图的同时参照详细地后述的实施例，将会明确本发明的优点及特性，以及实现这些的方法。但是，本发明并不限定于以下所公开的实施例，而是可以以彼此不同的多种方式实现，本实施例仅仅用于完整地公开本发明，并且为了向本发明所属技术领域的技术人员完整地告知本发明的范围而提供的，本发明仅由权利要求的范围定义。在说明书全文中相同的附图标记指相同的结构要素。
如果没有其他定义，则在本说明书中所使用的所有用语(包括技术用语及科技用语)能够以本发明所属技术领域的技术人员共同理解的含义使用。另外，在通常使用的词典中定义的用语只要没有被明确地特别定义，就不理想地或过度地解释。本说明书中所使用的用语用于说明实施例，并不限制本发明。在本说明书中，单数形式只要在句子中未特别提及就可以包括复数形式。
下面，参照图1，对本发明的一实施例的患者个人特性分析系统的结构及操作进行说明。如图1所示，本实施例的患者个人特性分析系统可包括患者个人特性分析装置10、群体数据库提供装置20和医院健康检查管理装置30。
医院健康检查管理装置30对进行健康检查的受检者的检查数据进行管理。所述检查数据可被加工成已指定的形式并提供给群体数据库提供装置20。医院健康检查管理装置30可将各受检者所患有的疾病的目录附加到所述检查数据中并提供给群体数据库提供装置20。在一实施例中，医院健康检查管理装置30不将未患有特殊疾病的受检者的检查数据提供给群体数据库提供装置20。
在一实施例中，所述检查数据中不仅包括关于通过血液检查、组织检查等进行的检查项目的检查数值，而且还包括关于通过问卷调查(survey)所进行的生活习惯相关检查项目的检查数值。医院健康检查管理装置30通过网络连接有生物体信息收集装置、可穿戴设备和智能手机等用户装置(未图示)，所述检查数据中进一步可包括从所述用户装置收集到的关于生活习惯相关检查项目的检查数值。例如，所述检查数据中进一步可包括通过智能手表等可穿戴设备收集到的受检者的运动量信息。
群体数据库提供装置20对包括每个人的按检查项目的检查数值的群体数据库(populationdatabase)进行存储、更新和删除。所述群体数据库中进一步包括关于每个人所患有的疾病的信息。例如，在检查时每个人所患有的疾病的疾病代码可与每个人的记录相匹配(matching)。当从患者个人特性分析装置10接收到对第一疾病(例如，糖尿病)发病者的检查数值数据的提供请求时，群体数据库提供装置20将所述群体数据库中所包括的各个第一疾病发病者的检查数值数据提供给患者个人特性分析装置10。
另外，医院健康检查管理装置30通过将在问卷调查中勾选为患有第一疾病的受检者的检查数据发送给患者个人特性分析装置10，请求对所述受检者进行特性分析。患者个人特性分析装置10接收所述检查数据，并且确认所述受检者的检查数值与所述群体数据库中存储的第一疾病发病者的检查数值在统计上是否相似。
在一实施例中，为了确认所述受检者的检查数据与所述第一疾病发病者的检查数值在统计上是否相似，患者个人特性分析装置10可利用从群体数据库提供装置20接收的第一疾病发病者的检查数值来生成所述第一疾病的统计模型。随后将进一步详细说明患者个人特性分析装置10确认所述检查数据与所述群体数据库中存储的数据在统计上是否相似的方法和生成所述特性值的方法。
在所述受检者的检查数值与所述群体数据库中存储的第一疾病发病者的检查数值在统计上不相似的情况下，可理解为所述受检者与多数第一疾病发病者不同地具有器质性特异性。此时，患者个人特性分析装置10生成所述受检者的特性值。所述受检者的特性值可理解为内含所述受检者的器质性特异性的数值。例如，所述受检者的特性值可以是表示对各检查项目(或者，发病原因或环境因素)的免疫水平的值的集合。
为了对所述受检者提供个体化的医疗服务，可在很多方面应用所述受检者的特性值。例如，患者个人特性分析装置10可将所生成的特性值发送给医院健康检查管理装置30，医院健康检查管理装置30可向医院内个体化处方装置(未图示)传递所述特性值。所述个体化处方装置可利用所述特性值调整对所述受检者已制定的处方项目，或向医生终端传递所述特性值，从而引导所述受检者的主治医生基于所述特性值调整已制定的处方项目。
患者个人特性分析装置10也可以利用所述特性值来提前预测所述受检者没有勾选的疾病的发病。假设以对所述受检者提出第一疾病至第十疾病的同时，对受检者所患有的疾病进行勾选的方式进行问卷调查。假设在所述问卷调查中所述受检者勾选为患有第一疾病，而在问卷调查中回复为未患第二疾病至第十疾病。并且，假设所述受检者实际上患有第二疾病。患者个人特性分析装置10可判断所述受检者的检查数据是否符合利用所述群体数据库的所述第二疾病发病者的数据来生成的第二疾病统计模型。此时，患者个人特性分析装置10可在将所述特性值作为加权值反映到所述受检者的检查数据中的一部分检查数值之后，判断该检查数值是否符合所述第二疾病统计模型。
如果考虑受检者的器质性特异性，不考虑所述特性值而将检查数据按原来检查数值与所述第二疾病统计模型进行比较，则判断所述检查数据与第二疾病统计模型不符合，其结果被预测为所述受检者患第二疾病的可能性较低的可能性较高。相反，在本实施例中，由于将所述特性值作为加权值反映到与常人相比受检者具有特弱的免疫力的脆弱发病原因中，因此能够防止以所述受检者对所述脆弱发病原因具有平均水平的免疫力为前提而进行的错误判断。随后将详细说明利用所述特性值来预测受检者的疾病发病可能性的方法。
患者个人特性分析装置10在勾选为患有第一疾病的所述受检者的检查数值与所述群体数据库中存储的第一疾病发病者的检查数值在统计上不相似的情况下，将所述受检者的检查数值发送给群体数据库提供装置20，使得所述受检者的检查数据能够作为新形式的第一疾病发病模式累积到所述群体数据库中。如果具有与所述受检者相似的模式的检查数值的受检者的检查记录充分累积到所述群体数据库中，则所述受检者的检查数值也可以反映到统计模型中。因此，以后对于具有与所述受检者相似的器质性特异性的其他受检者就能统计预测具有所述第一疾病的发病可能性。
如已说明的那样，群体数据库提供装置20响应于患者个人特性分析装置10的请求，将特定疾病的发病者的检查数值发送给患者个人特性分析装置10。患者个人特性分析装置10利用从群体数据库提供装置20接收到的第一疾病发病者的检查数值来生成所述第一疾病的统计模型。但是，在第一疾病发病者的人数较多的情况下，可能会产生在群体数据库提供装置20与患者个人特性分析装置10之间因过多的网络信息流通量负载引起的性能方面的问题。
为了解决这种问题，与如图1所示不同地，群体数据库提供装置20和患者个人特性分析装置10也可以被实现在物理上相同的一个计算装置内部。
此外，为了解决上述问题，如图2所示，群体数据库提供装置20也可以提供由疾病发病者的检查数值生成的疾病统计模型。即，在该情况下，群体数据库提供装置20直接利用各疾病发病者的检查数值来生成统计模型，并将生成的统计模型提供给患者个人特性分析装置10。随后将详细说明利用各疾病发病者的检查数值来生成统计模型的方法。
下面，参照图3至图11，对本发明的几个实施例的患者个人特性分析方法进行说明。所述患者个人特性分析方法可通过计算装置来执行。所述计算装置例如可以是图1和图2所示的患者个人特性分析装置10。应注意，下面为了方便理解，对于所述患者个人特性分析方法中所包括的各操作的执行主体，可省略其记载。
图3是用于概要说明本实施例的患者个人特性分析方法的顺序图。如图3所示，如果接收到勾选为患有特定疾病(图3中为第一疾病)的受检者的检查数据(S100)，则获取所述特定疾病的统计模型(S200)，判定接收到的检查数据是否符合所述统计模型(S300)，在判定为不符合的情况下计算所述受检者的特性值(以下，在说明书的一部分记载或附图中，可用符号“α”表示特性值)(S400)。
另外，如果判定为接收到的检查数据符合所述统计模型，则表示所述受检者具有通常范畴中所包括的标准的器质性特性。因此，对所述受检者执行通常的诊疗和处方即可(S302)。
根据本发明的实施例，生成特性值的对象是具有不包括在通常范畴的水平的器质性特异性的患者。本发明的实施例将在问卷调查中勾选为患有特定疾病但检查数据与所述特定疾病的统计模型不符合的患者视为所述具有不包括在通常范畴的水平的器质性特异性的患者。
下面，按各细节操作进一步详细说明参照图3来进行说明的患者个人特性分析方法。
首先，参照图4，进一步详细说明生成特定疾病(第一疾病)的统计模型的方法(S200)。
首先，可向群体数据库请求所有第一疾病发病者的检查数值(S210)。在一实施例中，可向群体数据库只请求第一疾病发病者的检查数值中与所述第一疾病的发病原因有关的检查数值。下面，以{Dfactor1、Dfactor2、…Dfactorn}的形式表示第一疾病的发病原因。下面的表1是第一疾病发病原因的示例。
[表1]
环境因素 发病贡献率
饮食习惯(K1) 50％
运动量(L1) 30％
肥胖指数(K2) 10％
压力(K3) 6％
营养均衡(L2) 3％
其他(L3) 1％
另外，在本发明的几个实施例中，各发病原因由次级发病原因(sub-factor)构成。即，可以是Dfactor1＝{Dfactor11、Dfactor12、Dfactor13、…、Dfactor1n}。例如，以Dfactor1＝饮食习惯(K1)为例，可以是饮食习惯＝{饮食量(Dfactor11)、杂粮与否(Dfactor12)}。
下面，按各发病原因将表示群体数据库中各发病者的检查数值的点映射在n维空间(n是Dfactori的次级发病原因个数)上(S220)。以Dfactor1为例，在第一轴为Dfactor11的值，第二轴为Dfactor12的值的二维平面上标记指群体数据库中各发病者的检查数值的点(参照图5)。
接下来，通过基于密度的聚类(Density-basedspatialclustering)，获取关于Dfactor1的典型群组(S230、S240)。此时，对映射在n维空间上的所有点，在以该点为中心的半径ε以内存在已指定的个数p的点的情况下，判断为所述典型群组成立。
在一实施例中，若没有一个点在半径ε以内存在已指定的个数p的点的情况下，在调整所述半径ε和个数p中的至少一个之后，对映射在n维空间上的所有点，在以该点为中心进行调整后的半径ε以内存在经调整的个数p的点的情况下判定为所述典型群组成立。此时，可以以增加所述半径ε或减少所述个数p的方式调整所述半径ε和个数p中的至少一个。
在一实施例中，可允许多个典型群组成立。图6中示出了二维平面上成立两个典型群组41、42的状况。
在另一实施例中，如果存在多个满足典型群组成立条件的点，则在所述多个中心点中选择在所述半径ε内存在最多的点的一个中心点，并且可以以该中心点为基准只选择一个典型群组。
在又一实施例中，如果存在多个满足典型群组成立条件的点，则缩小所述半径ε并选择一个存在最多的点的中心点，并且可以以该中心点为基准只选择一个典型群组。在又一实施例中，如果存在多个满足典型群组成立条件的点，则扩大所述半径ε并选择一个存在最多的点的中心点，并且可以以该中心点为基准只选择一个典型群组。图5中示出了二维平面上只成立一个典型群组40的状况。
关于Dfactor1的所述典型群组作为关于Dfactor1的统计模型来使用。
对各Dfactori(2<＝i<＝n)附加执行用于获取关于Dfactori的统计模型的上述一系列操作S220、S230、S240(S250)。各发病原因的统计模型构成所述第一疾病的统计模型。
接下来，参照图7，进一步详细说明判定受检者的检查数据是否符合统计模型的方法(S300)。
首先，对所有Dfactori重复进行用于评价受检者的各Dfactori的检查数值是否符合Dfactori的统计模型的步骤(S310)。此时，评价Dfactor1的检查数值是否符合Dfactor1的统计模型的步骤包括：步骤A，利用所述受检者的检查数据中的关于属于所述第一发病原因Dfactor1的多个次级发病原因的检查数值，将受检者点映射在所述n维空间上，所述受检者点表示所述受检者的关于所述第一发病原因的检查数值；和步骤B，通过判定所述受检者点是否属于关于所述第一发病原因的典型群组，判定所述受检者的关于所述第一发病原因的检查数值是否符合所述第一疾病统计模型。
参照图8，对所述步骤A和步骤B进行说明。受检者的检查数据中可不另外存在Dfactor1(饮食习惯)的检查数值，而只存在Dfactor11(饮食量)、Dfactor12(杂粮与否)和Dfactor13(素食摄入比率)的检查数值。此时，受检者的关于Dfactor1的检查数值(Cfactor1)在以Dfactor11(饮食量)的值为第一轴，Dfactor12(杂粮与否)的值为第二轴，Dfactor13(素食摄入比率)的值为第三轴的三维空间上以一个点来表示。
在一实施例中，在对应于Cfactor1的点与Dfactor1的典型群组的中心点之间的距离(EuclideanDistance，欧氏距离)小于或等于Dfactor1的典型群组的半径ε的情况下，评价为受检者的关于所述第一发病原因的检查数值符合所述第一疾病统计模型。此时，在对应于Cfactor1的点与Dfactor1的典型群组的中心点之间的距离(EuclideanDistance)超过Dfactor1的典型群组的半径ε的情况下，评价为受检者的关于所述第一发病原因的检查数值不符合所述第一疾病统计模型。
在另一实施例中，在对应于Cfactor1的点与Dfactor1的典型群组的中心点之间的距离处于所述Dfactor1的典型群组的中心点与所述Dfactor1的典型群组中另一点之间的距离的最小值与最大值之间的情况下，评价为受检者的关于所述第一发病原因的检查数值符合所述第一疾病统计模型，反之，评价为受检者的关于所述第一发病原因的检查数值不符合所述第一疾病统计模型。
接下来，合计对所述检查数据的按各Dfactori的评价结果(S320)。假设对于患有第一疾病的受检者的检查数据，按第一疾病的各Dfactori的评价结果如下面的表2所示。下面，对判定患有第一疾病的受检者的所述检查数据是否整体上符合第一疾病的统计模型的几个实施例进行说明。
[表2]
Dfactori 发病贡献率(DCRi) 是否符合统计模型
饮食习惯(K1) 50％ O
运动量(L1) 30％ X
肥胖指数(K2) 10％ O
压力(K3) 6％ O
营养均衡(L2) 3％ X
其他(L3) 1％ X
在判定检查数据是否符合第一疾病的统计模型的第一实施例中，可限于判定为所述检查数据符合所有Dfactori的统计模型的情况，最终判定为所述检查数据符合所述第一疾病的统计模型。即，在判定为至少一个Dfactori的统计模型不符合的情况下，视为该检查数据整体上不符合第一疾病的统计模型。
在判定检查数据是否符合第一疾病的统计模型的第二实施例中，可如下面的表3那样合计对所述检查数据的按Dfactori的评价结果。在下面的表3中，在判断为关于Dfactori的受检者的检查数值符合Dfactori的统计模型的情况下，对Dfactori赋予基于Dfactori的发病贡献率确定的点数，并且合计被赋予的点数。
[表3]
在所述点数的合计值超过关于第一疾病的基准值的情况下(S330)，可最终判定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型(S340)，反之，最终判定为所述受检者的检查数据不符合所述第一疾病统计模型(S350)。在表3中表示出的例子中，如果关于所述第一疾病的基准值为80，则最终判定为所述受检者是具有不符合所述第一疾病统计模型的器质性特异性的患者。
在一实施例中，对于各疾病所述基准值可被指定为不同的值。在另一实施例中，对于所有疾病所述基准值也可以被指定为相同的值。
在本实施例中，为了判定受检者的检查数据是否符合统计模型，可整理成执行下面的操作。
第一操作：在表示所述受检者的关于所述第一发病原因的检查数值的受检者点属于关于所述第一发病原因的典型群组的情况下，赋予基于所述第一发病原因的发病贡献率确定的点数。
第二操作：对所述第二至第M发病原因重复进行赋予所述点数的步骤。
第三操作：在所赋予的点数的合计值超过关于所述第一疾病的基准值的情况下，判定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值中获取的第一疾病统计模型。
在判定检查数据是否符合第一疾病的统计模型的第三实施例中，可如下面的表4那样合计对所述检查数据的按Dfactori的评价结果。表4中按Dfactori进一步表示出典型群组的中心点与Cfactori之间的n维空间(n是Dfactori的次级发病原因个数)上的距离(EuclideanDistance)，其中，所述Cfactori是受检者的检查数据中关于与Dfactori对应的检查数值的数据。所述距离是在对各Dfactori判定是否符合统计模型时计算出的数值。
[表4]
表4中表示的方式并不是因判断为属于典型群组而均赋予相同的点数，即使属于典型群组也进一步评价离典型群组的中心点有多近，这一点与表3中表示出的方式不同。此外，对表4中表示的方式来说，最终判定为点数合计越低越符合统计模型，这一点也与表3中表示的方式不同。
在本实施例中，为了判定受检者的检查数据是否符合统计模型，可整理为执行下面的操作。
第一操作：计算表示受检者的关于第一发病原因Dfactor1的检查数值的受检者点与关于所述第一发病原因Dfactor1的典型群组的中心点之间的距离。
第二操作：在所计算的距离中反映基于第一发病原因Dfactor1的发病贡献率确定的加权值来调整所述受检者点与所述中心点之间的距离。
第三操作：对所述第二至第M发病原因(Dfactor2至DfactorM)重复进行调整所述距离的操作。
第四操作：在经调整的距离的合计值未达到所述第一疾病的基准值时，判定为所述受检者的检查数值符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型。
在一实施例中，对于各疾病所述基准值可被指定为不同的值。在另一实施例中，对于所有疾病所述基准值可被指定为相同的值。
目前为止对判断患有第一疾病的受检者的检查数据是否符合第一疾病的统计模型的实施例进行了说明。下面，详细说明用于计算虽然判定为所述检查数据不符合第一疾病的统计模型但实际上患有第一疾病的受检者的特性值的操作。
下面，对计算特性值的第一实施例进行说明。
根据本实施例，可仅利用所述检查数据中符合所述第一疾病的统计模型的一部分检查数值来计算所述受检者的特性值。
[表5]
Dfactori 发病贡献率(DCRi) 是否符合统计模型
饮食习惯(i＝1) 50％ X
运动量(i＝2) 30％ X
肥胖指数(i＝3) 10％ O
压力(i＝4) 6％ O
营养均衡(i＝5) 3％ X
其他(i＝6) 1％ X
假设如图5所示被分析成患有第一疾病的某受检者的检查数据符合所述第一疾病的统计模型的状况。表5的分析结果表示：该受检者在具有较高的发病贡献率的饮食习惯项目中，具有与第一疾病的发病者所具有的饮食习惯不同的另一饮食习惯，在具有第二高的发病贡献率的运动量项目中也具有与第一疾病的发病者所具有的运动量不同的运动量。即，该受检者具有良好的饮食习惯，并且具有适当的运动量。尽管如此，仍患有第一疾病，这表明对于该受检者，肥胖指数项、压力项对第一疾病的影响大于普通人。
为了反映这种器质性特异性，可通过下面的数学式计算该受检者的特性值α。对于表5，以本实施例的方式提供用于求出受检者的特性值α的数学式1。在下面的数学式中“T”表示发病者基准值。
[数学式1]
(CFactor3*α)+(CFactor4*α)＝T
CFactor3指关于肥胖指数的检查数值，CFactor4指关于压力的检查数值。如数学式1所记载的，在本实施例中，在计算所述特性值时不利用检查数值中不符合第一疾病的统计模型的检查数值。
下面，CFactori意味着表示关于Dfactori的检查数值的受检者点与n维空间的原点之间的距离。即，CFactori使n维空间上存在的受检者点的位置数值化为标量(scalar)。
使所述数学式1一般化，则所述数学式1是对检查数据的检查数值中符合统计模型的各个检查数值计算(CFactori×α)，并且使将所有(CFactori×α)相加后的数值为所述发病者基准值。
在一实施例中，所述发病者基准值T为已指定的数值。例如，所述发病者基准值可以是“1”。
在另一实施例中，所述发病者基准值T可以是对所有发病原因合计各发病原因DFactori的检查数值中心值DF_MIDi来计算出的值。数学式2是本实施例中计算发病者基准值T的数学式。
[数学式2]
&Sigma; i = 1 M DF _ MID i = T (其中，M为发病原因的个数)
关于DFactori的所述检查数值中心值DF_MIDi可表示DFactori的典型群组的中心点与n维空间的原点之间的距离，或可以是属于DFactori的典型群组的各点与n维空间的原点之间的距离的平均值。
下面，对计算特性值的第二实施例进行说明。
在所述数学式1中没有反映出各DFactori的发病贡献率DCRi。相反，根据本实施例，可计算所述特性值，使得调整检查数值的总计为所述发病者基准值T，所述调整检查数值是将第一加权值和第二加权值均反映到所述检查数据中的符合所述第一疾病统计模型的检查数据后的值，其中第一加权值是关于所述检查数值的检查项目的发病贡献率，所述第二加权值是所述特性值。对表5提供用于以本实施例的方式求出受检者的特性值α的数学式3。
[数学式3]
(CFactor3*α*0.1)+(CFactor4*α*0.07)＝T
在一实施例中，所述发病者基准值T为已指定的数值。例如，所述发病者基准值T可以是“1”。
在另一实施例中，所述发病者基准值T可以是将发病贡献率作为加权值来反映到各发病原因DFactori的检查数值中心值DF_MIDi之后求和计算出的值。数学式4是在本实施例中用于计算发病者基准值T的数学式。
[数学式4]
&Sigma; i = 1 M ( DF _ MID i * DCR i ) = T (其中，M为发病原因的个数)
关于DFactori的所述检查数值中心值DF_MIDi可表示DFactori的典型群组的中心点与n维空间的原点之间的距离，或可以是属于DFactori的典型群组的各点与n维空间的原点之间的距离的平均值。
下面，对计算特性值的第三实施例进行说明。
根据本实施例，当计算特性值时，对符合统计模型的发病原因DFactori和不符合统计模型的发病原因DFactorj取不同的加权值进行计算。即，与计算特性值的第一实施例和第二实施例不同，检查数据不符合统计模型的发病原因的检查数值CFactorj也用于特性值计算。
根据计算特性值的第一实施例和第二实施例，对于检查数据符合统计模型的发病原因的检查数值CFactori，加权值为所述特性值α，对于检查数据不符合统计模型的发病原因的检查数值CFactorj，加权值为0。相反，根据计算特性值的第三实施例，对检查数据符合统计模型的发病原因的检查数值CFactori适用第一加权值，对检查数据不符合统计模型的发病原因的检查数值CFactorj适用与所述第一加权值不同的第二加权值。
所述第一加权值和第二加权值均可利用所述特性值α来指定。例如，所述第一加权值可以是Aα，所述第二加权值可以是Bα(A≠B)。
在一实施例中所述第一加权值可以是正(+)值，与此相反，所述第二加权值可以是负(-)值。
在一实施例中，所述第一加权值和所述第二加权值均可以是正(+)值，并且所述第一加权值大于所述第二加权值的值。
根据本实施例则如下。下面的数学式5也是针对表5。
[数学式5]
(CFactor1*α*0.5)+(CFactor2*α*0.3)+(CFactor3*2α*0.1)+(CFactor4*2α*0.07)+(CFactor5+α*0.03)+(CFactor6*α*0.01)＝T
在一实施例中，所述发病者基准值T为已指定的数值。例如，所述发病者基准值T可以是“1”。
在另一实施例中，所述发病者基准值T可以是按各发病原因DFactori将发病贡献率作为加权值来反映到检查数值中心值DF_MIDi之后求和计算出的值。数学式4是在本实施例中用于计算发病者基准值T的数学式。
关于DFactori的所述检查数值中心值DF_MIDi可表示DFactori的典型群组的中心点与n维空间的原点之间的距离，或可以是属于DFactori的典型群组的各点与n维空间的原点之间的距离的平均值。
关于发病者基准值，对本实施例进行整理说明如下。
第一规则：计算所述受检者的特性值，使得将关于所述第一疾病的各发病原因的调整检查数值相加后的数值和发病者基准值T为相同的值。
第二规则：关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后的值。
第三规则：关于特定发病原因的所述个体化加权值以如下方式被设定：在关于所述特定发病原因的所述受检者的检查数值符合关于所述特定发病原因的所述第一疾病统计模型的情况下，被设定为利用所述受检者的特性值α指定的第一加权值，在关于所述特定发病原因的所述受检者的检查数值不符合关于所述特定发病原因的所述第一疾病统计模型的情况下，被设定为利用所述受检者的特性值α指定的第二加权值。
第四规则：所述第一加权值和所述第二加权值是彼此不同的值。
下面，对计算特性值的第四实施例进行说明。
根据本实施例，当计算特性值时，按符合统计模型的发病原因DFactori以不同的加权值进行计算。以本实施例的方式提供用于求出受检者的特性值α的数学式6。
[数学式6]
&Sigma; i = 1 M ( CFactor i * A i &alpha; * DCR i ) = T (其中，M为发病原因的个数)
如数学式6所表示的，利用所述受检者的特性值α来确定关于各发病原因DFactori的加权值Aiα。例如，Ai可以是以相隔距离为基础确定的值，所述相隔距离是表示关于DFactori的检查数值的受检者点与DFactori的典型群组的中心点之间的距离(EuclideanDistance)。例如，Ai可以是与所述相隔距离成正比的值，或可以是成反比的值。应当注意，本发明的实施例并不限定于关于Ai设定的所述示例，而是可根据上面没有提及的多种基准设定Ai。
在一实施例中，所述发病者基准值T是已指定的数值。例如，所述发病者基准值T可以是“1”。
在另一实施例中，所述发病者基准值T可以是按各发病原因DFactori将发病贡献率作为加权值来反映到检查数值中心值DF_MIDi之后求和计算出的值。数学式4是在本实施例中用于计算发病者基准值T的数学式。
关于DFactori的所述检查数值中心值DF_MIDi可表示DFactori的典型群组的中心点与n维空间的原点之间的距离，或可以是属于DFactori的典型群组的各点与n维空间的原点之间的距离的平均值。
下面，对计算特性值的第五实施例进行说明。
根据本实施例，当计算特性值时，按符合统计模型的发病原因DFactori以不同的加权值进行计算。即，在本实施例中可按各发病原因计算出彼此不同的特性值。此时，关于所述受检者的所述特性值表示关于各发病原因的一系列特性值。以本实施例的方式提供用于求出受检者的特性值(αi，1<＝i<＝M)的数学式7。
[数学式7]
&Sigma; i = 1 M ( CFactor i * &alpha; i * DCR i ) = T
根据本实施例，可分别生成关于第一疾病的数学式7、关于第二疾病的数学式7、…、关于第n疾病的数学式7，并且以利用已生成的数学式来求解联立方程式的方式求出关于各发病原因DFactori的αi。
下面，参照图9来说明可将以上面说明的方式生成的受检者的特性值作为何种用途来应用。
首先，可利用所述特性值来提前预测问卷调查中未勾选的其他疾病是否发病(S500)。
假设以对受检者提出第一疾病至第十疾病的同时，对受检者所患有的疾病进行勾选的方式进行问卷调查。假设在所述问卷调查中所述受检者勾选为患有第一疾病，而在问卷调查中回复为未患第二疾病至第十疾病。并且，假设所述受检者实际上患有第二疾病。患者个人特性分析装置10可判断所述受检者的检查数据是否符合利用所述群体数据库中的所述第二疾病发病者的数据来生成的第二疾病统计模型。
假设将所述受检者的检查数据和关于第一疾病的统计模型进行比较的结果，判定为所述检查数据不符合所述统计模型，并且根据计算特性值的第一实施例计算出所述受检者的特性值。假设该结果如表5所示，并且在第二疾病统计模型的发病因子中也包括肥胖指数和压力。此时，当判断受检者的检查数据是否与第二疾病统计模型一致时(S300)，所计算的特性值作为加权值被反映到肥胖指数的检查数值和压力检查数值。
接下来，可利用受检者的所述特性值，对所述受检者提供个体化处方(S600)。如已说明的，所生成的特性值可被传递到个体化处方装置。所述个体化处方装置可利用所述特性值来调整对所述受检者已制定的处方项目，或向医生终端传递所述特性值，引导所述受检者的主治医生基于所述特性值调整已制定的处方项目。
在勾选为患有第一疾病的所述受检者的检查数值和所述群体数据库中存储的第一疾病发病者的检查数值在统计上不相似的情况下，可将所述受检者的检查数值发送给群体数据库提供装置，使得所述受检者的检查数据作为新形式的第一疾病发病模式被累积到所述群体数据库中(S700)。
如果具有与所述受检者相似的模式的检查数值的受检者的检查记录充分累积到所述群体数据库中，则所述受检者的检查数值也可以被反映到统计模型中。图10中示出了当累积到多个具有与所述受检者相似的模式的检查数值的受检者的检查记录时，因累积到多个检查记录而生成新的典型群组43。由于以后具有与所述受检者相似的器质性特异性的其他受检者的检查数值将被分析成包括在典型群组43中，因此可在统计上预测具有所述第一疾病的发病可能性。
另外，考虑具有器质性特异性的受检者数量不多的情况，对于表示依据现有的统计模型检查数据被评价为第一疾病的发病概率较低但实际上患有第一疾病的受检者的数据需要放宽典型群组成立条件。图11示出了这种实施例。生成了表示当依据现有统计模型时第一疾病的发病可能性被否定但实际上患有第一疾病的受检者的检查数据的点的典型群组43，可确认与其他典型群组41、42的成立条件相比放宽了典型群组43的成立条件ε、p。
目前为止参照图1至图11来进行说明的本发明的几个实施例的患者个人特性分析方法可通过在计算装置中运行计算机程序来执行。为了这种实施，可提供一种存储在存储介质中的计算机程序，所述计算机程序与计算机装置相结合执行以下步骤：接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第一疾病统计模型；在判定结果为所述检查数据与所述第一疾病统计模型不符合的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数据来计算所述受检者的特性值。
下面，参照图12至图13，对本发明的又一实施例的患者个人特性分析装置的结构及操作进行说明。
图12是本实施例的患者个人特性分析装置的方框结构图。如图12所示，本实施例的患者个人特性分析装置可包括网络接口102、检查数据接收部104、检查数值查询部106、统计模型生成部108、检查数据分析部110和特征值计算部112，进一步可包括疾病预测部114和DB反馈部116。
当检查数据接收部104通过网络接口102接收到患有第一疾病的受检者的检查数据时，检查数据查询部106通过网络接口102向群体数据库请求患有所述第一疾病的发病者的检查数值。检查数值查询部106将由所述群体数据库提供的第一疾病发病者的检查数值中关于所述第一疾病的发病原因的检查数值数据加工成已指定的形式并提供给统计模型生成部108。
统计模型生成部108对由检查数值查询部106提供的数据进行基于密度的聚类，对所述第一疾病的各发病原因分别构成代表关于群体数据库的第一疾病发病者的检查数值的典型群组。所述各发病原因的典型群组构成所述第一疾病的整体统计模型。
检查数据分析部110判定受检者的检查数据是否符合所生成的统计模型。如果检查数据分析部110的分析结果，检查数据不符合统计模型，则特征值计算部112计算内含所述受检者的器质性特异性或对特定发病因子的敏感性等的关于所述受检者的特性值。关于所述特性值的计算方法参照已说明的实施例。
特性值计算部112可通过网络接口102将生成的所述特性值提供给外部装置。所述特性值可作为用于提供对所述受检者的个体化医疗服务的基础数据来应用。
疾病预测部114执行对所述受检者没有勾选(即，受检者认为没有患)的其他疾病的疾病预测。此时，可在通过将所述特性值反映到检查数据的检查数值中的一部分来事先进行调整之后，判定包括经调整的值的检查数据是否符合其他疾病的统计模型。
DB反馈部116在勾选为患有特定疾病的所述受检者的检查数值与所述群体数据库中存储的特定疾病发病者的检查数值在统计上不相似的情况下，将所述受检者的检查数值发送给群体数据库提供装置，使得所述受检者的检查数据可作为新形式的特定疾病发病模式被累积到所述群体数据库中。
目前为止图12的各结构要素可指软件(software)，或如FPGA(field-programmablegatearray，现场可编程门阵列)或者ASIC(application-specificintegratedcircuit，专用集成电路)的硬件(hardware)。但是，所述结构要素并不限定于软件或硬件，而是可以构成为位于可寻址(addressing)的存储介质的结构，还可以构成为运行一个或更多个处理器的结构。由所述结构要素提供的功能可通过进一步细分的结构要素来实现，还可以以将多个结构要素相加来执行特定的功能的一个结构要素来实现。
图13是疾病发病预测装置100的与图12不同的另一结构图。患者个人特性分析装置10可具有图13所示的结构。患者个人特性分析装置10可包括执行命令的处理器126、存储有疾病发病预测程序数据的存储器122、内存128、用于进行与外部装置的数据收发的网络接口124以及与存储器122、网络接口124、处理器126和内存128相连接而成为数据移动通道的系统总线120。存储器122是非挥发性内存、磁盘和硬盘等辅助存储装置。
在一实施例中，存储器122中可存储有计算机程序的执行文件和资源文件，所述计算机程序通过与计算装置相结合来执行以下步骤：接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第一疾病统计模型；以及在判定结果为所述检查数据与所述第一疾病统计模型不符合的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数据来计算出所述受检者的特性值。
在另一实施例中，存储器122中可存储有计算机程序的执行文件和资源文件，所述计算机程序通过与计算装置相结合来执行以下步骤：接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第一疾病统计模型；以及在判断结果判定为不符合的情况下，计算所述受检者的特性值α。
此时，所述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值与发病者基准值为相同的值的方式被计算，关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后的值。
进一步，关于特定发病原因的所述个体化加权值以如下方式被设定：在关于所述特定发病原因的所述受检者的检查数值符合关于所述特定发病原因的所述第一疾病统计模型的情况下，可被设定为利用所述受检者的特性值α指定的第一加权值，在关于所述特定发病原因的所述受检者的检查数值不符合关于所述特定发病原因的所述第一疾病统计模型的情况下，可被设定为利用所述受检者的特性值α指定的第二加权值，所述第一加权值和所述第二加权值可以是彼此不同的值。
以上参照附图对本发明的实施例进行了说明，但本发明所属技术领域的技术人员应能理解，本发明可不变更本发明的技术思想或必要特征而以其他具体方式实施。因此，应理解为以上所述的实施例在所有方面为示例性的并非限定性的。

Claims (23)

1.一种患者个人特性分析方法，包括以下步骤：
患者个人特性分析装置接收患有第一疾病的受检者的检查数据；
所述患者个人特性分析装置判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型；以及
在判定结果判定为不符合的情况下，所述患者个人特性分析装置计算所述受检者的特性值α，
所述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值与发病者基准值为相同的值的方式被计算，
关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后的值，
关于特定发病原因的所述个体化加权值是利用所述受检者的特性值α确定的值，
关于各发病原因的所述个体化加权值中的至少一个值是与关于其他发病原因的个体化加权值彼此不同的值。
2.根据权利要求1所述的患者个人特性分析方法，其中，
所述发病者基准值是将所述发病原因的发病贡献率反映到依据所述第一疾病统计模型得到的各发病原因DFactori的检查数值中心值DF_MIDi后的值的合计值，
所述检查数值中心值DF_MIDi是DFactori的典型群组的中心点与n维空间的原点之间的距离。
3.根据权利要求1所述的患者个人特性分析方法，其中，
所述发病者基准值是将所述发病原因的发病贡献率反映到依据所述第一疾病统计模型得到的各发病原因DFactori的检查数值中心值DF_MIDi后的值的合计值，
所述检查数值中心值DF_MIDi是属于DFactori的典型群组的各点与n维空间的原点之间的距离的平均值。
4.根据权利要求1所述的患者个人特性分析方法，其中，
判定步骤包括：
利用由群体数据库提供装置提供的所述第一疾病的发病者的关于所述第一疾病的各发病原因的检查数值数据来生成所述第一疾病统计模型，
所述检查数值数据包括关于属于各发病原因的多个次级发病原因的检查数值。
5.根据权利要求4所述的患者个人特性分析方法，其中，
生成所述第一疾病统计模型的步骤包括：
第一步骤，利用关于属于所述第一疾病的第一发病原因的多个次级发病原因的检查数值，将表示各发病者的关于所述第一发病原因的检查数值的点映射在n维空间上，其中，n是次级发病原因的个数；
第二步骤，对各发病者的检查数值数据重复所述第一步骤；
第三步骤，通过基于密度的聚类获取关于所述第一发病原因的典型群组；
第四步骤，将所述典型群组设定为关于所述第一发病原因的第一疾病统计模型；以及
第五步骤，对所述第一疾病的第二至第M发病原因重复所述第一至第四步骤，其中，M为所述第一疾病的发病原因的个数。
6.根据权利要求5所述的患者个人特性分析方法，其中，
所述第三步骤包括：
第3A步骤，选择在所述第一步骤中被映射在n维空间上的点中的一个点；
第3B步骤，通过判定从所述第3A步骤中选择的点起所指定的半径ε以内是否存在所指定的个数p的点，来判定以所选择的点为中心点的所述典型群组是否成立；
第3C步骤，对在所述第一步骤中被映射在n维空间上的所有其他点重复所述第3A步骤和所述第3B步骤；以及
第3D步骤，在经过所述第3A步骤和所述第3B步骤后典型群组不成立的情况下，调整所述ε和p中的至少一个之后，重复所述第3A步骤和所述第3B步骤。
7.根据权利要求6所述的患者个人特性分析方法，其中，
所述第3B步骤包括判定为多个典型群组成立的步骤。
8.根据权利要求5所述的患者个人特性分析方法，其中，
判定步骤进一步包括：
步骤A，利用所述受检者的检查数据中的关于属于所述第一发病原因的多个次级发病原因的检查数值，将表示所述受检者的关于所述第一发病原因的检查数值的受检者点映射在所述n维空间上；
步骤B，通过判定所述受检者点是否属于关于所述第一发病原因的典型群组，来判定所述受检者的关于所述第一发病原因的检查数值是否符合所述第一疾病统计模型；以及
步骤C，对所述第二至第M发病原因重复所述步骤A至步骤B。
9.根据权利要求8所述的患者个人特性分析方法，其中，
判定所述受检者的关于所述第一发病原因的检查数值是否符合所述第一疾病统计模型的步骤B包括：
在表示所述受检者的关于所述第一发病原因的检查数值的受检者点属于关于所述第一发病原因的典型群组的情况下，赋予基于所述第一发病原因的发病贡献率确定的点数；
对所述第二至第M发病原因重复进行赋予所述点数的步骤；以及
在被赋予的点数的合计值超过关于所述第一疾病的基准值的情况下，判定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型。
10.根据权利要求8所述的患者个人特性分析方法，其中，
判定所述受检者的关于所述第一发病原因的检查数值是否符合所述第一疾病统计模型的步骤B包括：
计算表示所述受检者的关于第一疾病发病原因的检查数值的受检者点与关于所述第一发病原因的典型群组的中心点之间的距离，并且将基于所述第一发病原因的发病贡献率确定的加权值反映到所计算的距离中来调整所述受检者点与所述中心点之间的距离；
对所述第二至第M发病原因重复进行调整所述距离的步骤；以及
在经调整的距离的合计值未达到关于所述第一疾病的基准值的情况下，判定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型。
11.根据权利要求1所述的患者个人特性分析方法，其中，
所述第一疾病统计模型是从由群体数据库提供装置提供的所述第一疾病的发病者的关于所述第一疾病的各发病原因的检查数值获取的，
所述患者个人特性分析方法进一步包括以下步骤：
所述患者个人特性分析装置通过将所述受检者的检查数值插入到群体数据库中，来更新所述群体数据库；
所述患者个人特性分析装置接收患有所述第一疾病的其他受检者的检查数据；
所述患者个人特性分析装置利用已更新的群体数据库来生成已更新的所述第一疾病统计模型；以及
判定所述其他受检者的检查数据是否符合已更新的所述第一疾病统计模型。
12.根据权利要求1所述的患者个人特性分析方法，包括以下步骤：
在所述受检者还患有与所述第一疾病不同的第二疾病的情况下，所述患者个人特性分析装置判定所述检查数据是否符合从所述第二疾病的发病者的检查数值获取的第二疾病统计模型，在判定结果判定为不符合的情况下，只利用所述受检者的检查数据中符合所述第二疾病统计模型的一部分检查数值来计算所述受检者的已更新的特性值。
13.根据权利要求1所述的患者个人特性分析方法，进一步包括以下步骤：所述患者个人特性分析装置利用所计算的特性值来预测与所述第一疾病不同的第二疾病的发病可能性。
14.根据权利要求13所述的患者个人特性分析方法，其中，
预测所述第二疾病的发病可能性的步骤包括：
通过将所述特性值作为加权值来反映到一部分检查数值，来基于所述特性值调整所述一部分检查数值；
通过判定包括经调整的一部分检查数值的所述受检者的检查数据是否符合从所述第二疾病的发病者的检查数值获取的第二疾病统计模型，来预测所述第二疾病的发病可能性。
15.根据权利要求1所述的患者个人特性分析方法，进一步包括以下步骤：
所述患者个人特性分析装置将所计算的特性值发送给个体化处方装置；以及
所述个体化处方装置利用所述特性值来调整处方项目。
16.一种患者个人特性分析方法，包括以下步骤：
患者个人特性分析装置接收患有第一疾病的受检者的检查数据；
所述患者个人特性分析装置判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型；以及
在判定结果判定为不符合的情况下，所述患者个人特性分析装置计算所述受检者的特性值α，
所述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值与发病者基准值为相同的值的方式被计算，
关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值的值，
关于特定发病原因的所述个体化加权值以如下方式被设定：在关于所述特定发病原因的所述受检者的检查数值符合关于所述特定发病原因的所述第一疾病统计模型的情况下，被设定为利用所述受检者的特性值α指定的第一加权值，在关于所述特定发病原因的所述受检者的检查数值不符合所述特定发病原因的所述第一疾病统计模型的情况下，被设定为利用所述受检者的特性值α指定的第二加权值，
所述第一加权值和所述第二加权值是彼此不同的值。
17.根据权利要求16所述的患者个人特性分析方法，其中，
所述第一加权值是正值，与此相反，所述第二加权值是负值。
18.根据权利要求16所述的患者个人特性分析方法，其中，
所述第一加权值和所述第二加权值均是正值，并且所述第一加权值是大于所述第二加权值的值。
19.一种患者个人特性分析方法，包括以下步骤：
患者个人特性分析装置接收患有第一疾病的受检者的检查数据；
所述患者个人特性分析装置判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型；以及
所述患者个人特性分析装置在判定结果为所述检查数值不符合所述第一疾病统计模型的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数值来计算所述受检者的特性值。
20.根据权利要求19所述的患者个人特性分析方法，其中，
计算所述特性值的步骤包括：
以调整检查数值的合计成为发病者基准值的方式计算所述特性值，其中，所述调整检查数值是将所述特性值作为加权值来反映到所述检查数据中符合所述第一疾病统计模型的检查数值后的值。
21.根据权利要求20所述的患者个人特性分析方法，其中，
计算特性值的步骤包括：
以调整检查数值的合计成为发病者基准值的方式计算所述特性值，其中，所述调整检查数值是将第一加权值和第二加权值均反映到所述检查数据中符合所述第一疾病统计模型的检查数值后的值，其中所述第一加权值是所述检查数值的关于检查项目的发病贡献率，所述第二加权值是所述特性值。
22.根据权利要求21所述的患者个人特性分析方法，其中，
所述发病者基准值是将所述发病原因的发病贡献率反映到依据所述第一疾病统计模型得到的各发病原因的检查数值中心值后的值的合计值。
23.一种患者个人特性分析装置，包括：
一个以上的处理器；
网络接口；
内存；以及
存储装置，存储有被加载到所述内存而通过所述处理器执行的计算机程序的执行文件，
所述计算机程序包括：
接收患有第一疾病的受检者的检查数据的一系列指令；
判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型的一系列指令；以及
在判定结果判定为不符合的情况下，计算所述受检者的特性值α的一系列指令，
所述受检者的特性值以合计关于所述第一疾病的各发病原因的调整检查数值后的数值与发病者基准值为相同的值的方式被计算，
关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后的值，
关于特定发病原因的所述个体化加权值是利用所述受检者的特性值α来确定的值。
CN201410843742.0A 2014-10-27 2014-12-30 患者个人特性的分析方法及其装置 Expired - Fee Related CN105808906B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2014-0146070 2014-10-27
KR1020140146070A KR101758055B1 (ko) 2014-10-27 2014-10-27 환자 개인 특성에 대한 분석 방법 및 그 장치

Publications (2)

Publication Number Publication Date
CN105808906A true CN105808906A (zh) 2016-07-27
CN105808906B CN105808906B (zh) 2018-05-11

Family

ID=55792203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410843742.0A Expired - Fee Related CN105808906B (zh) 2014-10-27 2014-12-30 患者个人特性的分析方法及其装置

Country Status (4)

Country Link
US (1) US20160117457A1 (zh)
KR (1) KR101758055B1 (zh)
CN (1) CN105808906B (zh)
WO (1) WO2016068391A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808095A (zh) * 2016-09-08 2018-03-16 卡巴斯基实验室股份制公司 用于检测网页的异常元素的系统和方法
JP2018180993A (ja) * 2017-04-14 2018-11-15 株式会社日立製作所 データ分析支援システム及びデータ分析支援方法
CN110024040A (zh) * 2016-11-25 2019-07-16 韩国科学技术研究院 用于判断循环系统疾病的发病潜在可能性的装置及其方法
CN111210071A (zh) * 2020-01-03 2020-05-29 深圳前海微众银行股份有限公司 业务对象预测方法、装置、设备及可读存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11620471B2 (en) * 2016-11-30 2023-04-04 Cylance Inc. Clustering analysis for deduplication of training set samples for machine learning based computer threat analysis
KR102004438B1 (ko) * 2017-12-18 2019-07-29 왓비타 주식회사 사용자 건강습관정보 수집을 통한 건강관리 서비스 제공 장치 및 제공 방법
KR102079342B1 (ko) * 2017-12-20 2020-02-19 고려대학교 산학협력단 인지력 기반의 외국어능력 검사장치 및 그 방법
KR102028048B1 (ko) * 2018-01-29 2019-10-02 연세대학교 산학협력단 데이터 기반의 예방 의료정보 제공 및 평가를 위한 장치 및 방법

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020005888A (ko) * 2000-07-10 2002-01-18 황인택 원격 건강관리 서비스를 제공하는 방법 및 시스템
CN101110095A (zh) * 2006-07-20 2008-01-23 中国科学院自动化研究所 一种对常见脑疾病易感基因的批量检测方法
CN103020454A (zh) * 2012-12-15 2013-04-03 中国科学院深圳先进技术研究院 发病关键因素提取与疾病预警方法及系统
CN103177179A (zh) * 2011-12-21 2013-06-26 三星电子株式会社 诊断因素集合确定设备和方法
WO2013161191A1 (ja) * 2012-04-26 2013-10-31 日本電気株式会社 保健指導対象者選定条件作成支援装置
US20140019100A1 (en) * 2012-07-12 2014-01-16 Infinitt Healthcare Co., Ltd. Radiation treatment planning apparatus and method thereof
CN103908256A (zh) * 2013-01-02 2014-07-09 三星电子株式会社 用于支持多参数图像的获取的设备和方法
US20140236872A1 (en) * 2013-02-15 2014-08-21 The Charles Stark Draper Laboratory, Inc. Method for integrating and fusing heterogeneous data types to perform predictive analysis

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7087018B2 (en) * 2002-11-13 2006-08-08 Siemens Medical Solutions Usa, Inc. System and method for real-time feature sensitivity analysis based on contextual information
GB0803514D0 (en) * 2008-02-27 2008-04-02 Depuy Int Ltd Customised surgical apparatus

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020005888A (ko) * 2000-07-10 2002-01-18 황인택 원격 건강관리 서비스를 제공하는 방법 및 시스템
CN101110095A (zh) * 2006-07-20 2008-01-23 中国科学院自动化研究所 一种对常见脑疾病易感基因的批量检测方法
CN103177179A (zh) * 2011-12-21 2013-06-26 三星电子株式会社 诊断因素集合确定设备和方法
WO2013161191A1 (ja) * 2012-04-26 2013-10-31 日本電気株式会社 保健指導対象者選定条件作成支援装置
US20140019100A1 (en) * 2012-07-12 2014-01-16 Infinitt Healthcare Co., Ltd. Radiation treatment planning apparatus and method thereof
CN103020454A (zh) * 2012-12-15 2013-04-03 中国科学院深圳先进技术研究院 发病关键因素提取与疾病预警方法及系统
CN103908256A (zh) * 2013-01-02 2014-07-09 三星电子株式会社 用于支持多参数图像的获取的设备和方法
US20140236872A1 (en) * 2013-02-15 2014-08-21 The Charles Stark Draper Laboratory, Inc. Method for integrating and fusing heterogeneous data types to perform predictive analysis

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808095A (zh) * 2016-09-08 2018-03-16 卡巴斯基实验室股份制公司 用于检测网页的异常元素的系统和方法
CN107808095B (zh) * 2016-09-08 2021-03-26 卡巴斯基实验室股份制公司 用于检测网页的异常元素的系统和方法
CN110024040A (zh) * 2016-11-25 2019-07-16 韩国科学技术研究院 用于判断循环系统疾病的发病潜在可能性的装置及其方法
JP2018180993A (ja) * 2017-04-14 2018-11-15 株式会社日立製作所 データ分析支援システム及びデータ分析支援方法
CN111210071A (zh) * 2020-01-03 2020-05-29 深圳前海微众银行股份有限公司 业务对象预测方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
KR20160049264A (ko) 2016-05-09
US20160117457A1 (en) 2016-04-28
CN105808906B (zh) 2018-05-11
WO2016068391A1 (ko) 2016-05-06
KR101758055B1 (ko) 2017-07-14

Similar Documents

Publication Publication Date Title
CN105808906A (zh) 患者个人特性的分析方法及其装置
US10559377B2 (en) Graphical user interface for identifying diagnostic and therapeutic options for medical conditions using electronic health records
US20070094048A1 (en) Expert knowledge combination process based medical risk stratifying method and system
EP1388812A1 (en) Method for training a learning-capable system
US10593000B2 (en) System and method for determining thresholds or a range of values used to allocate patients to a treatment level of a treatment program
CN108135548A (zh) 用于监测压力状态的方法和系统
CN112151130B (zh) 一种基于文献检索的决策支持系统和构建方法
CN114783580B (zh) 一种医疗数据质量评估方法及系统
CN112908452A (zh) 事件数据建模
KR102342770B1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
Silan et al. Quantifying frailty in older people at an italian local health unit: A proposal based on partially ordered sets
US11537888B2 (en) Systems and methods for predicting pain level
CN112768074A (zh) 一种基于人工智能的重疾风险预测方法及系统
KR102499912B1 (ko) 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템
CN115547483A (zh) 用于监测患慢性炎症性疾病的患者的远程监测方法和系统
He et al. On the accuracy of classifying hospitals on their performance measures
Baba et al. Predictive approaches for low-cost preventive medicine program in developing countries
Gupta et al. Wellness detection using clustered federated learning
EP3405894A1 (en) Method and system for identifying diagnostic and therapeutic options for medical conditions using electronic health records
CN111640490A (zh) 基于大数据的医院门诊自助推荐方法
Nikolaeva et al. Patient measurements simulation and event processing in telemedicine systems
Gaur et al. Early Prediction and Prevention of Lifestyle Diseases
Lequertier et al. Length of stay prediction with standardized hospital data from acute and emergency care using a deep neural network
Irene et al. Improved deep convolutional neural network-based COOT optimization for multimodal disease risk prediction
US8972333B2 (en) Reflecting the quantitative impact of ordinal indicators

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180511

Termination date: 20211230

CF01 Termination of patent right due to non-payment of annual fee