CN106599553B - 疾病预警装置 - Google Patents
疾病预警装置 Download PDFInfo
- Publication number
- CN106599553B CN106599553B CN201611087043.3A CN201611087043A CN106599553B CN 106599553 B CN106599553 B CN 106599553B CN 201611087043 A CN201611087043 A CN 201611087043A CN 106599553 B CN106599553 B CN 106599553B
- Authority
- CN
- China
- Prior art keywords
- early warning
- target user
- information
- stage
- assumptions
- 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
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明适用于疾病预测技术领域,提供了一种疾病预警方法及装置,该方法包括:采集目标用户的第一信息;所述第一信息包括影像信息;将所述第一信息与预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子;其中,所述预设数据库包括多个预警阶段和与各个所述预警阶段对应的第二信息,且每个所述预警阶段对应至少一个风险因子;按照所述目标用户的预警特征所对应的预警阶段,根据所述风险因子并结合时间序列模型对所述目标用户的预警特征进行预警分析。该方法具有个体适应性强、成本低、预测准确度高的优点。
Description
技术领域
本发明属于医疗信息决策技术领域,尤其涉及一种疾病预警方法及装置。
背景技术
心血管疾病是严重危害世界及国人健康的重大疾病,其早发现、早诊断和早治疗对于降低心血疾病发病率及死亡率、降低医疗成本具有非常重要的意义。目前关于心血管疾病的早期预警系统主要集中于两种方案:基于大规模人群统计数据的心血管疾病早期预警系和基于影像学特征(超声、计算机断层扫描 (CT)、磁共振成像(MRI))的心血管疾病诊断方法。
现有的基于大规模统计数据的心血管疾病预警系统尽管具有检测代价较低并且可以在一定程度上区分高中低风险人群的特性,但其特异性差、识别能力低,因此很难实现个性化的预测。而基于影像学特征的心血管疾病预测方法虽然在个人识别能力有一定程度的提高,但由于其造价高,很难实现大规模人群筛查和个体的多次跟踪。
发明内容
有鉴于此,本发明实施例提供了一种疾病预警方法及装置,以解决现有技术中对患有心血管等疾病用户的病情预警普适性较差和成本高的问题。
本发明实施例的第一方面,提供了一种疾病预警方法,包括:
采集目标用户的第一信息;所述第一信息包括影像信息;
将所述第一信息与预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子;其中,所述预设数据库包括多个预警阶段和与各个所述预警阶段对应的第二信息,且每个所述预警阶段对应至少一个风险因子;
按照所述目标用户的预警特征所对应的预警阶段,根据所述风险因子并结合时间序列模型对所述目标用户的预警特征进行预警分析。
本发明实施例的第二方面,提供了一种疾病预警装置,包括:
信息采集模块,用于采集目标用户的第一信息;所述第一信息包括影像信息;
匹配模块,用于将所述第一信息与预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子;其中,所述预设数据库包括多个预警阶段和与各个所述预警阶段对应的第二信息,且每个所述预警阶段对应至少一个风险因子;
预警模块,用于按照所述目标用户的预警特征所对应的预警阶段,根据所述风险因子并结合时间序列模型对所述目标用户的预警特征进行预警分析。
本发明实施例相对于现有技术所具有的有益效果:本发明实施例采集目标用户的第一信息;然后将所述第一信息与预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子;最后按照所述目标用户的预警特征所对应的预警阶段,根据所述风险因子并结合时间序列模型对所述目标用户的预警特征进行预警分析,通过采集目标用户个性化的第一信息,能够解决现有技术中对患有心血管等疾病用户的病情预警个性化较差、成本高的问题,达到对患有心血管等疾病用户的病情预警个性化、低成本和预测准确度较高的目的。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的疾病预警方法的流程图;
图2是本发明实施例一提供的按照目标用户的预警特征所对应的预警阶段,根据风险因子结合时间序列模型对目标用户的预警特征进行预警的实现流程图;
图3是本发明实施例二提供的疾病预警装置的结构框图;
图4是本发明实施例二提供的预警模块的结构框图;
图5为本发明实施例三提供的疾病预警装置的示意框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明实施例一提供的疾病预警方法的实现流程,详述如下:
步骤S101,采集目标用户的第一信息。
其中,所述目标用户的第一信息包括影像信息。本实施例中,影像信息可以包括颈动脉超声信息、冠脉CT信息和磁共振信息中的至少一种。目标用户可以为患有心血管、癌症等疾病的用户。对目标用户的影像信息的采集可以通过相应的影像医疗设备检测得出并获取到,对此不做限制。本步骤中采集的目标用户的第一信息为具有个性化的目标用户的影像信息。
步骤S102,将所述第一信息与预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子。
其中,所述预设数据库包括多个预警阶段和与各个所述预警阶段对应的第二信息,且每个所述预警阶段对应至少一个风险因子。具体的,每个风险因子对应一种人体症状,如心率、血压变异性等症状。第二信息包括影像信息。例如,第二信息可以包括颈动脉超声信息、冠脉CT信息和磁共振信息中的至少一种。
一个实施例中,所述预设数据库可以通过以下过程建立:
首先,获取一定数量的疾病患者的第一信息。
在本实例中,收集N个疾病患者的信息用于早期初步筛查。患者年龄段集中于40-70岁之间,收集的主要信息包括但不局限于:个人基本信息、生理参数、临床检验数据和影像信息。其中,个人基本信息可以包括但不限于:年龄、性别、身高、体重、心血管疾病病史、遗传病史、是否抽烟、是否喝酒等。生理参数包括但不限于:心电信号、脉搏波信号、血压信息等。临床检验数据包括但不限于:低密度脂蛋白、高密度脂蛋白、甘油三酯、白细胞数量、血糖、血肌酐、血尿素氮、凝血酶原时间、活化凝血酶原时间、尿酸、C反应蛋白、 B型利钠肽、凝血标记物等。本实施例中,个人基本信息、生理参数、临床检验数据和影像信息这些均为预设数据库中的第二信息中的信息。
具体的,对于每个患者,可以先对患者的个人基本信息进行调查或获取;然后采集患者的血液尿液等信息进行采集,以获取患者的临床检验数据;接着获取患者的生理参数;最后获取患者的影像信息。应理解的,以上仅为获取每个患者信息的示例过程,人基本信息、生理参数、临床检验数据和影像信息的获取顺序并不以此为限。
然后,利用影像信息结合医生的经验知识将所采集的疾病患者信息分成多个类别,每个类别对应疾病的各个预警阶段。
以心血管疾病为例,利用影像信息结合医生的经验知识将所采集的心血管疾病患者信息分成低风险、中风险、高风险和发作等四个预警阶段。低风险预警阶段的标准为:有高血脂、高血压、糖尿病、家族遗传史和无颈动脉斑块,出现血脂堆积;中风险预警阶段的标准为:小于50%狭窄冠脉斑块,无显性血管重塑及低衰减斑块,出现粥样斑块和/或纤维化斑块;高风险预警阶段的标准为:大于50%狭窄冠脉斑块,显性血管重塑或低衰减斑块,斑块负荷大于70%或纤维帽斑块或管腔面积小于4平方毫米,出现板块破裂,血栓形成;发作预警阶段的标准为心肌梗塞、心脏骤停或心绞痛发生。
步骤S103,按照所述目标用户的预警特征所对应的预警阶段,结合所述风险因子对所述目标用户的预警特征进行预警。
本实施例中,所述疾病可以包括心血管疾病、癌症等疾病。以下以心血管疾病为例对步骤S103进行说明,但并不以此为限。参见图2,一个实施例中,步骤S103可以通过以下过程实现:
步骤S201,获取在所述目标用户的预警特征所对应的预警阶段中,各个所述风险因子对应的对所述目标用户预警特征的跟踪频率。
其中,在步骤S101中采集目标用户的第一信息以后,可以将所述第一信息与预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子,然后根据各个风险因子的重要程度,以及所述目标用户预警特征所处的预警阶段,设置对风险因子的跟踪频率及跟踪时长。
具体的,风险因子在预警特征的不同预警阶段对应的跟踪频率和跟踪时长一般不同。可以理解的,高风险预警阶段风险因子对应的跟踪频率要大于低风险预警阶段风险因子对应的跟踪频率;高风险预警阶段风险因子对应的跟踪时长要大于低风险预警阶段风险因子对应的跟踪时长。
步骤S202,按照各个所述风险因子的跟踪频率,结合时间序列模型评估所述目标用户斑块的发展趋势,以判定所述目标用户预警特征的预警阶段。
本步骤中,所述时间序列模型包含但不局限于:自回归模型、移动平均模型或自回归移动平均模型。
一个实施例中,所述时间序列模型可以为:
其中,Xt为预测结果;ξt-j为风险因子在t-j时刻的值;μt为风险因子在t时刻的偏移,和θj为模型系数,与目标用户相关,通过目标用户的历史信息拟合得到。其中,历史信息可以包括以往的个人基本信息、生理参数、临床检验数据和影像信息。即通过公式(1)所示的时间序列模型,即可有效识别重要风险因子及风险因子与疾病发作的复杂关系,可计算出疾病的发展趋势。例如,所述疾病为心血管疾病,则根据公式(1)可评估出用户血管斑块的发展趋势,从而判定目标用户预警特征当前所处的预警阶段和发展趋势,以对目标用户的预警特征进行预警分析。
优选的,所采集的目标用户的第一信息还可以包括个人基本信息、生理参数和临床检验数据。对应的,所述判定所述目标用户预警特征的预警阶段和发展趋势步骤具体为:
根据所述目标用户斑块的发展趋势,结合所述综合模型判定所述目标用户预警特征的预警阶段。
本发明实施例的融合机器学习算法和时间序列模型的疾病预测模型,可实现个性化、低成本、高准确度的疾病发作预测。所述综合模型通过机器学习算法探索所述目标用户的个人基本信息、生理参数和临床检验数据与斑块风险级别和其影像学特征的关系得出。
具体的,所涉及的机器学习算法可以包括随机森林、决策树、神经网络等机器学习算法。与传统预测模型中所利用的Cox模型相比,本发明实施例所应用的机器学习算法可以更有效的识别重要风险因子及其与斑块级别的复杂关系,并提高预测的准确度。
利用公共数据库中1万多人的临床检查信息,基于随机生存森林算法建立了心衰及心律失常病人一年内死亡率模型,其研究结果表明,相比较传统的Cox 模型,所提出的随机生存森林算法可以有效识别重要风险因子及其复杂关系,能够大大提高预测模型的精确程度。而所涉及的随机森林算法具有普适性,同样可以应用到本发明实施例所涉及的基于机器学习算法的预测模型中。因此,以机器学习算法为随机生存森林为例,对目标用户疾病预测的流程为:
首先,从所有受试疾病患者中随机抽取B个样本作为训练集,剩余的样本作为测试集,共抽取K次。其中,B为大于等于2的整数;K为大于等于1的整数。
然后,基于每次抽取的样本建立对数秩决策树,基于每一棵树的规则,利用测试集计算累积风险函数。
最后,将多棵树的累积风险函数求平均值,得到最终风险函数,并通过所述最终风险函数建立所述综合模型。对于心血管疾病来说,通过所述综合模型,即可得出与疾病患者的斑块的发展趋势对应的疾病患者预警特征的预警阶段和发展趋势,从而能够对疾病患者的病情进行预警。
进一步的,步骤S103还可以包括:
步骤S203,根据所述目标用户预警特征的预警阶段,调整风险因子的跟踪频率,以对所述目标用户的预警特征进行实时预警分析。
具体的,在步骤S202中通过对所述目标用户的重要风险因子的高频率采集,运用时间序列模型评估各重要斑块的发展趋势,并结合所述综合模型,实时判定所述目标的风险级别及发展趋势之后,还可以根据判定结果调整各风险因子的跟踪频率,以对所述目标用户的预警特征进行实时预警,实现个性化的心血管疾病实时预警。
上述疾病预警方法,基于患者风险水平的个性化信息据跟踪方案,该跟踪方案所涉及的预测因子及跟踪频率与患者的预警阶段和发展速度相关;基于时间序列模型的个体化斑块发展及心血管疾病预测模型,该预测模型基于每个患者多次检测的风险因子及其发展规律,可实现斑块发展速度的有效评估及斑块破裂的实时预警。
与现有的心血管等疾病预测模型相比,本发明实施例可有效识别患者重要风险因子及风险因子与疾病发作的复杂关系,从而有效提高心血管等疾病的早期筛查的准确度;与现有基于影像学特征的模型相比,本发明实施例提出的基于病人风险水平的个性化信息跟踪方案可有效降低成本和跟踪复杂程度,并为后期进行个性化预测奠定数据基础;且本发明实施例提出的利用时间序列模型进行斑块发展趋势的预测具有低复杂度、低成本、预测准确率较高的特点,能够实现心血管疾病发作的实时预警。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的疾病预警方法,图3示出了本发明实施例提供的疾病预警装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分。
参照图3,该装置包括:信息采集模块301、匹配模块302和预警模块303。其中:
信息采集模块301,用于采集目标用户的第一信息;所述第一信息包括影像信息。
匹配模块302,用于将所述第一信息与预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子。其中,所述预设数据库包括多个预警阶段和与各个所述预警阶段对应的第二信息,且每个所述预警阶段对应至少一个风险因子。
预警模块303,用于按照所述目标用户的预警特征所对应的预警阶段,结合所述风险因子对所述目标用户的预警特征进行预警。
其中,所述疾病可以包括心血管疾病、癌症等疾病。以下以心血管疾病为例对预警模块303进行说明,但并不以此为限。参见图4,一个实施例中,所述预警模块303可以包括获取单元401和评估预警单元402。其中:
获取单元401,用于获取在所述目标用户的预警特征所对应的预警阶段中,各个所述风险因子对应的对所述目标用户预警特征的跟踪频率;
评估预警单元402,用于按照各个所述风险因子的跟踪频率,结合时间序列模型评估所述目标用户斑块的发展趋势,以判定所述目标用户预警特征的预警阶段。
本实施例中,所述时间序列模型可以为:
其中,Xt为斑块预测结果;ξt-j为风险因子在t时刻的值;μt为风险因子在t时刻的偏移,和θj为模型系数,与目标用户相关,可以通过个体历史信息拟合得到。
进一步的,所述目标用户的第一信息还包括个人基本信息、生理参数和临床检验数据。所述判定单元402具体可以用于:
根据所述目标用户斑块的发展趋势,结合所述综合模型判定所述目标用户预警特征的预警阶段和发展趋势。
优选的,所述预警模块303还可以包括调整单元403。其中:
调整单元403,用于根据所述目标用户预警特征的预警阶段,调整风险因子的跟踪频率。
实施例三:
参见图5,是本发明实施例四提供的嵌入式应用程序的数据处理装置的示意框图。如图所示的该终端信息交互的装置可以包括:一个或多个处理器501 (图中仅示出一个);一个或多个输入设备502(图中仅示出一个),一个或多个输出设备503(图中仅示出一个)和存储器504。上述处理器501、输入设备502、输出设备503和存储器504通过总线505连接。存储器504用于存储指令,处理器501用于执行存储器504存储的指令。其中:
所述处理器501,用于通过输入设备502采集目标用户的第一信息;所述第一信息包括影像信息;
所述处理器501,还用于将所述第一信息与存储在存储器504中的预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子;其中,所述预设数据库包括多个预警阶段和与各个所述预警阶段对应的第二信息,且每个所述预警阶段对应至少一个风险因子;
所述处理器501,还用于按照所述目标用户的预警特征所对应的预警阶段,根据所述风险因子并结合时间序列模型对所述目标用户的预警特征进行预警分析,并通过输出设备503输出预警结果。
可选的,所述处理器501具体用于获取在所述目标用户的预警特征所对应的预警阶段中,各个所述风险因子对应的对所述目标用户预警特征的跟踪频率;以及按照各个所述风险因子的跟踪频率,结合时间序列模型评估所述目标用户斑块的发展趋势,以判定所述目标用户预警特征的预警阶段和发展趋势。
可选的,所述第一信息还包括个人基本信息、生理参数和临床检验数据;所述处理器501具体用于根据所述目标用户斑块的发展趋势,结合所述综合模型判定所述目标用户预警特征的预警阶段和发展趋势;其中,所述综合模型通过机器学习算法探索所述目标用户的个人基本信息、生理参数和临床检验数据与斑块风险级别和其影像学特征的关系得出。
可选的,所述处理器501还用于根据所述目标用户预警特征的预警阶段,调整风险因子的跟踪频率,以对所述目标用户的预警特征进行实时预警分析。
所述存储器504,用于存储软件程序、模块和所述网络交互数据,所述处理器501通过运行存储在所述存储器504的软件程序以及单元,从而执行各种功能应用以及数据处理,实现终端的信息交互功能。
应当理解,在本发明实施例中,所称处理器501可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备502可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备503可以包括显示器(LCD等)、扬声器等。
该存储器504可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器504的一部分还可以包括非易失性随机存取存储器。例如,存储器504还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器501、输入设备502、输出设备503和存储器504可执行本发明实施例提供的终端信息处理的方法的实施例中所描述的实现方式,也可执行终端信息处理的装置的实施例中所描述的实现方式,在此不再赘述。
综上所述,与现有的心血管等疾病预测模型相比,本发明实施例可有效识别患者重要风险因子及风险因子与疾病发作的复杂关系,从而有效提高心血管等疾病的早期筛查的准确度;与现有基于影像学特征的模型相比,本发明实施例提出的基于病人风险水平的个性化信息跟踪方案可有效降低成本和跟踪复杂程度,并为后期进行个性化预测奠定数据基础;且本发明实施例提出的利用时间序列模型进行斑块发展趋势的预测具有低复杂度、低成本、预测准确率较高的优点,能够实现心血管疾病发作的实时预警。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (4)
1.一种疾病预警装置,其特征在于,包括:
信息采集模块,用于采集目标用户的第一信息;所述第一信息包括影像信息;
匹配模块,用于将所述第一信息与预设数据库中的与各个预警阶段对应的第二信息进行匹配,并根据匹配结果得出所述目标用户的预警特征所对应的预警阶段和对应的风险因子;其中,所述预设数据库包括多个预警阶段和与各个所述预警阶段对应的第二信息,且每个所述预警阶段对应至少一个风险因子;
预警模块,用于按照所述目标用户的预警特征所对应的预警阶段,根据所述风险因子并结合时间序列模型对所述目标用户的预警特征进行预警分析;所述时间序列模型为:
其中,Xt为预测结果;ξt-j为风险因子在t时刻的值;μt为风险因子在t时刻的偏移,和θj为模型系数,与目标用户相关,通过目标用户的历史信息拟合得到;其中,所述历史信息包括以往的个人基本信息、生理参数、临床检验数据和影像信息。
2.根据权利要求1所述的疾病预警装置,其特征在于,所述疾病包括心血管疾病;所述预警模块包括:
获取单元,用于获取在所述目标用户的预警特征所对应的预警阶段中,各个所述风险因子对应的对所述目标用户预警阶段的跟踪频率;
评估预警单元,用于按照各个所述风险因子的跟踪频率,结合时间序列模型评估所述目标用户斑块的发展趋势,以判定所述目标用户预警特征的预警阶段。
3.根据权利要求2所述的疾病预警装置,其特征在于,所述第一信息还包括个人基本信息、生理参数和临床检验数据;所述评估预警单元具体用于:
根据所述目标用户斑块的发展趋势,结合综合模型判定所述目标用户预警特征的预警阶段;
其中,所述综合模型通过机器学习算法探索所述目标用户的个人基本信息、生理参数和临床检验数据与斑块风险级别和其影像学特征的关系得出;
所述综合模型的建立过程为:
从所有受试疾病患者中随机抽取B个样本作为训练集,剩余的样本作为测试集,共抽取K次;其中,B为大于等于2的整数;K为大于等于1的整数;
基于每次抽取的样本建立对数秩决策树,基于每一棵树的规则,利用测试集计算累积风险函数;
将多棵树的累积风险函数求平均值,得到最终风险函数,并通过所述最终风险函数建立所述综合模型。
4.根据权利要求2所述的疾病预警装置,其特征在于,所述预警模块还包括:
调整单元,用于根据所述目标用户预警特征的预警阶段,调整风险因子的跟踪频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611087043.3A CN106599553B (zh) | 2016-11-29 | 2016-11-29 | 疾病预警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611087043.3A CN106599553B (zh) | 2016-11-29 | 2016-11-29 | 疾病预警装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599553A CN106599553A (zh) | 2017-04-26 |
CN106599553B true CN106599553B (zh) | 2019-08-16 |
Family
ID=58594380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611087043.3A Active CN106599553B (zh) | 2016-11-29 | 2016-11-29 | 疾病预警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599553B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292103B (zh) * | 2017-06-19 | 2020-07-31 | 京东方科技集团股份有限公司 | 一种预测图像生成方法及装置 |
CN108461155B (zh) * | 2018-02-26 | 2021-09-17 | 云南省疾病预防控制中心 | 一种关于伤寒与副伤寒肠道传染病疫情的精准控制方法 |
CN108630321B (zh) * | 2018-04-11 | 2020-02-21 | 平安科技(深圳)有限公司 | 流行病预测方法、计算机装置及计算机可读存储介质 |
CN108647249B (zh) * | 2018-04-18 | 2022-08-02 | 平安科技(深圳)有限公司 | 舆情数据预测方法、装置、终端及存储介质 |
US12093790B1 (en) * | 2018-05-04 | 2024-09-17 | Massachusetts Mutual Life Insurance Company | Systems and methods for computational risk scoring based upon machine learning |
CN109949941A (zh) * | 2019-03-15 | 2019-06-28 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 基于大数据精准医疗的心血管疾病风险监控系统 |
CN110988693A (zh) * | 2019-10-25 | 2020-04-10 | 沃特威(广州)电子科技有限公司 | 一种基于建模仿真的化学电池储能应用分析方法 |
CN110522449B (zh) * | 2019-10-29 | 2020-04-17 | 南京景三医疗科技有限公司 | 一种斑块分型方法、装置、电子设备及可读存储介质 |
CN112053779B (zh) * | 2020-06-15 | 2024-01-26 | 深圳博脑医疗科技有限公司 | 疾病检测模型的构建方法、构建装置及终端设备 |
CN112117015B (zh) * | 2020-10-28 | 2023-09-05 | 平安科技(深圳)有限公司 | 一种脓毒症的预警设备、方法、装置及存储介质 |
CN112244882B (zh) * | 2020-10-30 | 2023-06-02 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的疾病预警方法和装置 |
CN117497166B (zh) * | 2023-12-29 | 2024-04-19 | 深圳三基同创电子有限公司 | 一种基于云计算的智能手表生理体征参数监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009156936A2 (en) * | 2008-06-27 | 2009-12-30 | Koninklijke Philips Electronics N.V. | System and method for determining a personal health related risk |
CN102043893A (zh) * | 2009-10-13 | 2011-05-04 | 北京大学 | 一种疾病预警方法和系统 |
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 |
CN105232060A (zh) * | 2015-08-31 | 2016-01-13 | 陈琼 | 基于独立风险因子组合筛查的预警系统 |
CN105787606A (zh) * | 2016-03-24 | 2016-07-20 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于超短期负荷预测的电力调度在线趋势预警系统 |
US20160342770A1 (en) * | 2015-05-19 | 2016-11-24 | Mastercard International Incorporated | Method and system for integrating infectious disease data with transaction data |
-
2016
- 2016-11-29 CN CN201611087043.3A patent/CN106599553B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009156936A2 (en) * | 2008-06-27 | 2009-12-30 | Koninklijke Philips Electronics N.V. | System and method for determining a personal health related risk |
CN102043893A (zh) * | 2009-10-13 | 2011-05-04 | 北京大学 | 一种疾病预警方法和系统 |
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 |
US20160342770A1 (en) * | 2015-05-19 | 2016-11-24 | Mastercard International Incorporated | Method and system for integrating infectious disease data with transaction data |
CN105232060A (zh) * | 2015-08-31 | 2016-01-13 | 陈琼 | 基于独立风险因子组合筛查的预警系统 |
CN105787606A (zh) * | 2016-03-24 | 2016-07-20 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于超短期负荷预测的电力调度在线趋势预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106599553A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599553B (zh) | 疾病预警装置 | |
Ahmadi et al. | Diseases diagnosis using fuzzy logic methods: A systematic and meta-analysis review | |
Alizadehsani et al. | Handling of uncertainty in medical data using machine learning and probability theory techniques: A review of 30 years (1991–2020) | |
Romiti et al. | Artificial intelligence (AI) and cardiovascular diseases: an unexpected alliance | |
Sk et al. | Coronary Heart Disease Prediction and Classification using Hybrid Machine Learning Algorithms | |
CN106456078B (zh) | 用于对血流储备分数的基于机器学习的评估的方法和系统 | |
CN100481096C (zh) | 心脏成像的自动区域心肌评定的方法 | |
CN102246197A (zh) | 利用专家知识和应用复杂性科学自动化管理医学数据以用于风险评估和诊断 | |
CN102405473A (zh) | 医护点动作医疗系统和方法 | |
CN112669967A (zh) | 一种主动式健康医疗决策辅助方法及设备 | |
CN107665737A (zh) | 血管壁应力应变状态获取方法、计算机可读介质及系统 | |
CN110335681A (zh) | 一种用于老年痴呆预警系统及预警方法 | |
Alghamdi | A novel deep learning method for predicting athletes’ health using wearable sensors and recurrent neural networks | |
Chang et al. | The study that applies artificial intelligence and logistic regression for assistance in differential diagnostic of pancreatic cancer | |
Shen et al. | Risk prediction for cardiovascular disease using ECG data in the China Kadoorie Biobank | |
Zhuang et al. | Arrhythmia diagnosis of young martial arts athletes based on deep learning for smart medical care | |
Oanh et al. | Predicting hypertension based on machine learning methods: A case study in northwest vietnam | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
Alhadeethy et al. | Deep learning model for predicting and detecting overlapping symptoms of cardiovascular diseases in hospitals of UAE | |
Shathesh et al. | An intelligent hybrid mechanism to predict the risk of cardio vascular disease | |
Thomas et al. | Artificial Intelligence of Things for Early Detection of Cardiac Diseases | |
Shenoy et al. | Artificial intelligence in preventive and managed healthcare | |
Kumar et al. | Medical image classification algorithm based on weight initialization-sliding window fusion convolutional neural network | |
Dileep et al. | IGHOA Based Modified Convolutional Neural Network for Prediction of Cardiovascular Disease | |
Hong et al. | An intelligent fuzzy-neural diagnostic system for osteoporosis risk assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |