CN107273704A - 一种脑卒中复发预测模型的建立方法及装置 - Google Patents
一种脑卒中复发预测模型的建立方法及装置 Download PDFInfo
- Publication number
- CN107273704A CN107273704A CN201710567125.6A CN201710567125A CN107273704A CN 107273704 A CN107273704 A CN 107273704A CN 201710567125 A CN201710567125 A CN 201710567125A CN 107273704 A CN107273704 A CN 107273704A
- Authority
- CN
- China
- Prior art keywords
- cerebral apoplexy
- prediction model
- patients
- parameter
- recurrence prediction
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种脑卒中复发预测模型的建立方法及装置,其中,该方法包括:获取多个年龄段的多个脑卒中患者中每个脑卒中患者的病理数据集合;从每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,将与脑卒中复发具有显著相关的参数及每个参数对应的属性值确定为每个脑卒中患者的病理数据子集合;根据病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型。本发明中,通过多个年龄段的脑卒中患者的参数,可以建立脑卒中复发预测模型,这样,可以对脑卒中患者是否复发进行预测,提前进行预防和治疗。
Description
技术领域
本发明涉及健康管理及数据处理技术领域,具体而言,涉及一种脑卒中复发预测模型的建立方法及装置。
背景技术
脑卒中是世界范围内人口死亡的大三位病因和成人残疾的首要原因,也是老年人认知功能障碍和情感障碍的重要病因之一。我国是脑血管病的高发国家,2/3的脑卒中患者死亡或者遗留不同程度的残疾,给国家和家庭造成巨大的经济负担。
脑卒中不仅具有高发病率、高死亡率和高致残率,也具有高复发率,脑卒中复发所导致的死亡率远远高于新发卒中的死亡率。
现有技术中,往往是基于病人的临床表现来判断病人是否发病,这样容易错过脑卒中的最佳防范时机,因此,能够有效的预测脑卒中的复发,从而采取措施对脑卒中的复发进行预防就显得尤为重要。
但是,现有技术中无法对脑卒中患者的复发进行预测,从而导致无法及时治疗和预防。
发明内容
有鉴于此,本发明实施例的目的在于提供一种脑卒中复发预测模型的建立方法及装置,以解决现有技术中无法对脑卒中患者的复发进行预测,从而导致无法及时治疗和预防的问题。
第一方面,本发明实施例提供了一种脑卒中复发预测模型的建立方法,其中,所述方法包括:
获取多个年龄段的多个脑卒中患者中每个脑卒中患者的病理数据集合,所述病理数据集合包括多种与脑卒中复发相关联的参数及每种参数对应的属性值;
从所述每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,将与所述脑卒中复发具有显著相关的参数及每个参数对应的属性值确定为所述每个脑卒中患者的病理数据子集合;
根据所述病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型。
结合第一方面,本发明实施例提供了上述第一方面的第一种可能的实现方式,其中,所述建立第一脑卒中复发预测模型之后,所述方法还包括:
对所述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发预测模型。
结合第一方面,本发明实施例提供了上述第一方面的第二种可能的实现方式,其中,所述从所述每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,包括:
通过计算所述病理数据集合中任意两种参数之间的相关系数,确定任意两种所述参数之间是否显著相关;
将存在显著相关的参数确定为与脑卒中复发显著相关的参数。
结合第一方面,本发明实施例提供了上述第一方面的第三种可能的实现方式,其中,所述根据所述病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型,包括:
根据所述病理数据子集合对应的面板数据,建立多种面板数据回归模型;
通过对每个面板数据回归模型的有效性进行验证,从所述多种面板数据回归模型中确定所述第一脑卒中复发预测模型。
结合第一方面的第一种可能的实现方式,本发明实施例提供了上述第一方面的第四种可能的实现方式,其中,对所述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发预测模型,包括:
根据所述第一脑卒中复发预测模型和确定的面板数据回归模型的修正函数,通过如下公式建立所述第二脑卒中复发预测模型;
Y=f(X)+D(t)g(ε)
其中,在上述公式中,Y为脑卒中复发预测值,f(x)为第一脑卒中复发预测模型,D(t)g(ε)为修正函数,D(t)为马尔科夫模型的状态划分标准,g(ε)为马尔科夫函数。
结合第一方面的第四种可能的实现方式,本发明实施例提供了上述第一方面的第五种可能的实现方式,其中,通过以下步骤确定所述修正函数:
根据所述第一脑卒中复发预测模型,计算每个脑卒中患者的脑卒中复发的预测值;
根据每个脑卒中患者对应的预测值和实际值之间的差值,确定所述修正函数。
结合第一方面的第五种可能的实现方式,本发明实施例提供了上述第一方面的第六种可能的实现方式,其中,所述根据每个脑卒中患者对应的预测值和实际值之间的差值,确定所述修正函数,包括:
将每个脑卒中患者对应的脑卒中复发预测值和实际值之间的差值,确定为马尔科夫函数的状态划分标准;
根据所述差值建立马尔科夫函数;
将所述状态划分标准和所述马尔科夫函数之间的乘积确定为所述修正函数。
第二方面,本发明实施例提供了一种脑卒中复发预测模型的建立装置,其中,所述装置包括:
获取模块,用于获取多个年龄段的多个脑卒中患者中每个脑卒中患者的病理数据集合,所述病理数据集合包括多种与脑卒中复发相关联的参数及每种参数对应的属性值;
筛选模块,用于从所述每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,将与所述脑卒中复发具有显著相关的参数及每个参数对应的属性值确定为所述每个脑卒中患者的病理数据子集合;
建立模块,用于根据所述病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型。
结合第二方面,本发明实施例提供了上述第二方面的第一种可能的实现方式,其中,所述装置还包括:
修正模块,用于对所述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发预测模型。
结合第二方面,本发明实施例提供了上述第二方面的第二种可能的实现方式,其中,所述建立模块,包括:
第一建立单元,用于根据所述病理数据子集合对应的面板数据,建立多种面板数据回归模型;
第一确定单元,用于通过对每个面板数据回归模型的有效性进行验证,从所述多种面板数据回归模型中确定所述第一脑卒中复发预测模型。
在本发明实施例提供的脑卒中复发预测模型的建立方法及装置中,通过多个年龄段的脑卒中患者的参数,可以建立脑卒中复发预测模型,这样,可以对脑卒中患者是否复发进行预测,提前进行预防和治疗。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例1所提供的脑卒中复发预测模型的建立方法的流程图;
图2示出了本发明实施例1所提供的脑卒中复发预测模型的建立方法中,确定每个脑卒中患者的病理数据子集合的流程图;
图3示出了本发明实施例2所提供的脑卒中复发预测模型的建立装置的结构示意图;
图4示出了本发明实施例2所提供的脑卒中复发预测模型中,建立模块的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到现有技术中,大都是针对病人的临床表现来判断脑卒中患者是否复发,但是,这样容易错过脑挫中的最佳防范时机。现有技术中,无法对脑卒中患者的复发进行预测,从而导致错过最佳的治疗时机。基于此,本发明实施例提供了一种脑卒中患者复发预测模型的建立方法及装置,下面通过实施例进行描述。
实施例1
参考图1所示,本发明实施例提供了一种脑卒中复发预测模型的建立方法,该方法包括步骤S110-S130,具体如下:
S110,获取多个年龄段的多个脑卒中患者中每个脑卒中患者的病理数据集合,该病理数据集合包括多种与脑卒中复发相关联的参数及每种参数对应的属性值;
S120,从每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,将与脑卒中复发显著相关的参数及每个参数对应的属性值确定为每个脑卒中患者的病理数据子集合;
S130,根据上述病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型。
在本发明实施例中,获取的是多个年龄段的脑卒中患者的病理数据集合,并且,在每个年龄段均会获取多个脑卒中患者的参数数据,比如说,获取的是20-60岁之间的脑卒中患者的病理数据集合,则可以将20-60岁划分为多个年龄段,如20-25岁为一个年龄段,25-30岁为一个年龄段等等,分别在每个年龄段内获取多个脑卒中患者的病理数据集合。
将每个脑卒中患者的参数及参数对应的属性值记为一个数据集合,该数据集合中包括该脑卒中患者对应的多种与脑卒中复发相关联的参数及每个参数对应的属性值。
具体的,每个病理数据集合中的参数可以包括患者的年龄、心率、压差、饮酒史、糖化血红蛋白、葡萄糖、总胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、脂蛋白α和同型半胱氨酸等。上述只是列举了部分与脑卒中复发相关联的参数,具体参数的选取并不局限于此。
其中,可以通过查阅文献来确定与脑卒中复发相关的参数,也可以根据个人经验来确定,本发明实施例并部限定上述参数是通过怎样的方式选取的。
在步骤S120中,从每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,参考图2所示,具体是通过步骤S210-S220实现的:
S210,通过计算病理数据集合中任意两种参数之间的相关系数,确定任意两种参数之间是否显著相关;
S220,将存在显著相关的参数确定为与脑卒中复发显著相关的参数。
具体的,在本发明实施例中,采用Pearson检验的方法对上述病理数据集合中的参数进行相关性分析,具体过程如下所示:
在本发明实施例中,可以将每个脑卒中患者当做一个样本,每个脑卒中患者对应的病理数据集合记为一个样本数据集合。在本发明实施例中,获取了多个脑卒中患者的病理数据集合,因此,存在多个样本数据集合,每个样本数据集合中的参数的种类是一样的,但是,不同样本对应的参数的属性值存在差异。
设上述所有样本数据集合中任意两种参数的总体分别记为(X,Y),其方差分别记为var(X)和var(Y),其中,var(X)表示参数总体X的方差,var(Y)表示参数总体Y的方差,参数总体X和参数总体Y的协方差记为cov(X,Y),则上述两种参数的总体的相关系数定义为:
其中,在上述公式中,ρ(X,Y)为上述参数总体X和参数总体Y的相关系数。
在本发明实施例中,存在多个样本数据集合,因此,上述参数总体(X,Y)包括的参数有(X1,Y1)、(X2,Y2)…(Xn,Yn),其中,(X1,Y1)表示的是第一个样本数据集合中的X参数和Y参数,(X2,Y2)表示的是第二个样本数据集合中的X参数和Y参数,上述n表示共有n个样本。
在本发明实施例中,当ρXY>0时,则认为参数总体X和参数总体Y具有相同的变化趋势,当ρXY<0时,则认为参数总体X和参数总体Y具有相反的变化趋势。一般情况下,上述计算出的ρXY不会为零。
通过上述公式,可以确定出上述样本数据集合中任意两种参数样本之间的相关系数,之后,则通过假设检验的方法验证任意两种参数样本之间是否存在相关性。
具体的,做出如下假设:
H0:ρXY=0;两个参数之间不存在线性相关;
H1:ρXY≠0;两个参数之间存在显著线性相关;
根据计算出的任意两个参数总体之间的相关系数以及上述假设,可以确定出哪两个参数之间显著相关,将存在显著相关的参数确定为与脑卒中复发具有显著相关的参数。并且,将上述选择出的与脑卒中显著相关的参数及每个参数对应的属性值确定为该脑卒中患者的病理数据子集合。
在上述步骤S130中,根据病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型,具体包括如下步骤(1)和(2);
(1)根据上述病理数据子集合对应的面板数据,建立多种面板数据回归模型;
(2)通过对每个面板数据回归模型的有效性进行验证,从多种面板数据回归模型中确定上述第一脑卒中复发预测模型。
在执行上述步骤(1)之间,首先需要得到上述病理数据子集合对应的面板数据,其中,面板数据是一种同时具备时序数据(指按照一定时间顺序记录的数据)和截面数据(是指在某一特定时刻下不同个体数据的组合)双重特征的数据,综合考虑了数据的时序属性和截面属性,将数据的时序属性和截面属性作为一个整体看待。
在本发明实施例中获取的是多个脑卒中患者的病理数据子集合,即获取了不同个体分别对应的病理数据子集合,此时的病理数据子集合为一维的数据,为了将上述病理数据子集合转换成面板数据,需要在上述病理数据子集合中添加时间维度,具体的,在本发明实施例中按照每个脑卒中患者的年龄,将上述病理数据子集合进行划分,可以得到多个年龄段组对应的病理数据子集合。具体的,可以以五年为一个组别,比如说,将35-40岁的脑卒中患者对应的病理数据子集合作为一个组别,将40-45岁的脑卒中患者对应的病理数据子集合作为一个组别。
按照上述方式,进行划分后,可以得到多个组别对应的病理数据子集合,之后在从每个组别中选取预设数量个病理数据子集合,将最终选择出来的病理数据子集合同时具有了时序数据和截面数据的双重特征,即得到了上述步骤(1)中的面板数据。
上述步骤(1)中,则需要根据得到的脑卒中患者的病理数据子集合对应的面板数据,建立多种面板数据回归模型,具体包括:
一般情况下,面板数据回归模型通常可以通过如下公式表达:
yit=ai+b1ix1it+b2ix2it+…+bkixkit+uit
其中,在上述公式中,yit表示的是解释变量在t时刻和个体i上的测量值,uit表示随机误差项,并且,uit满足相互独立、零均值且同方差,ai表示的是常数项,b1i,b2i…bki表示的是解释变量系数,具体的,bki标识的是第k个解释变量在第i个个体上的系数,x1it,x2it…xkit表示的是解释变量,i表示的是个体参数,t表示的是时间参数,k表示的是个体总数,其中,i=1,2…N,t=1,2…T。
为了简化上述公式,记bi=(b1i,b2i,…,bki),其中,bi为k维行向量;记xit=(x1it,x2it,…,xkit)T,其中,xit为k维列向量,因此,上述面板数据回归模型,还可以表示为:
yit=ai+bixit+uit
上述则为面板数据回归模型的基本表达公式,一般情况下,面板数据回归模型可以分为如下三种:无个体影响的混合模型、存在个体影响的变截距模型和存在个体影响的变系数模型。
在本发明实施例中,根据获取到的病理数据子集合对应的面板数据,可以分别建立出上述三种模型,但是,并不是上述三种模型均适用于本方案,因此,在建立出上述三种模型后,还需要从中选择一种最优模型,作为本发明实施例中的第一脑卒中复发预测模型,具体的,上述三种面板数据模型的建立过程如下:
无个体影响的混合模型的建立,
在本发明实施例中,上述无个体影响的混合模型中的个体指的是每个脑卒中患者,并且,在本发明实施例中所有表述中出现的个体,均指代的是脑卒中患者。
无个体影响的混合模型指的是面板数据回归模型不受个体的影响,且对于不同的个体,解释变量均相同,不会发生变化,即:ai=aj=a,bi=bj=b,其中,i表示的是第i个脑卒中患者,j表示的是第j个脑卒中患者。
因此,在该中情况下,建立的面板数据回归模型可以记为:
yit=a+bxit+uit
其中,在上述公式中,i=1,2…N,t=1,2…T。
存在个体影响的变截距模型的建立:
存在个体影响的变截距模型指的是数据回归模型会受到个体的影响,而个体对模型的影响只会体现在模型的截距上,具体的体现在对于不同的个体,ai的取值不同,即ai≠aj,但是解释变量系数在不同个体间仍然保持不变,因此,在该种情况下的面板数据回归模型可以记为:
yit=ai+bxit+uit
其中,在上述公式中,i=1,2…N,t=1,2…T。
存在个体影响的变系数模型的建立:
存在个体影响的变系数模型是指面板数据回模型会受到个体的影响,且这种影响不仅体现在模型的截距上,还体现在解释变量系数在不同个体之间各不相同;这种不同表现在函数上则为ai和bi的差异,即对于不同的个体ai≠aj,bi≠bj;因此,在该种情况下的面板数据回归模型可以记为:
yit=ai+bixit+uit
其中,在上述公式中,i=1,2…N,t=1,2…T。
在本发明实施例中,当建立了上述三个模型后,还需要分别对上述三个模型的有效性进行验证,从中选择一个有效的模型作为本发明实施例中的病理数据子集合对应的面板数据回归模型。
在上述步骤(2)中,通过对上述三个面板数据回归模型的有效性进行验证,选取其中一种面板数据回归模型,并将该面板数据回归模型确定为第一脑卒中复发预测模型,具体过程包括:
首先检验在本发明实施例中,个体是否对面板回归模型产生影响,即判断上述无个体影响的混合模型是否为有效模型,具体过程如下:
提出假设H1:a1=a2=...aN;b1=b2=...bN
如果通过上述假设检验,验证个体对模型具有影响,则需要进一步验证个体对模型产生何种影响,即判断存在个体影响的变截距模型和存在个体影响的变系数模型那个更有效,具体可以通过如下假设进行验证:
提出假设H2:b1=b2=...bN
如果验证上述假设H1成立,则证明个体不会对模型产生影响,则可以确定出无个体影响的混合模型为有效模型,此时,不需要进行下一步验证了。
上述验证假设检验H1的具体过程如下所示:
在本发明实施例中采用F统计量的方法,首先需要计算无个体影响的混合模型的残差平方和S1,计算存在个体影响的变截距模型的残差平方和S2,以及计算存在个体影响的变系数模型的残差平方和S3。给定显著性水平下F统计量的临界值Fα。
计算假设H1的F统计量F1,F1服从自由度为[(N-1)(k+1),N(T-k-1)]的F分布:
其中,在上述F分布中,S1表示无个体影响的混合模型的残差平方和,S2表示的是存在个体影响的变截距模型的残方差平方和,S3表示存在个体影响的变系数模型的残方差平方和,N表示的是个体总数,T表示的是时间跨度总长度,k表示的是解释变量总个数。
通过上述公式可以计算出F1,如果F1小于给定显著性水平下F统计量的临界值Fα,即F1<Fα,则接受原假设,即认为样本数据符合无个体影响的混合模型;反之,若F1>Fα,则拒绝原假设,还需对假设H2做出进一步检验。
在本发明实施例中,则通过如下过程对假设H2进行检验:
假设H2的F统计量F2,F2服从自由度为[(N-1)k,N(T-k-1)]的F分布:
通过上述可以计算出F2,如果F2小于给定显著性水平下F统计量的临界值Fα,即F2<Fα,则接受原假设,即认为个体对模型的影响仅仅表现在模型的截距上,解释变量系数在不同个体上均相同,样本数据符合存在个体影响的变截距模型;反之,若F2>Fα,则拒绝原假设,认为样本数据符合存在个体影响的变系数模型。
基于上述过程,可以选择一个有效的面板数据模型作为本发明实施例中的第一脑卒中复发预测模型,可以实现对脑卒中复发的预测,但是,如果仅仅以建立的面板数据模型作为脑卒中复发预测模型,可能会存在预测精准度不太高的问题,因此,为了进一步提高脑卒中复发预测模型的精准度,还需要对上述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发预测模型。
具体的,上述步骤中,对上述第一脑卒中复发模型进行修正,是通过如下过程实现的:
根据第一脑卒中复发预测模型和确定的修正函数,通过如下公式建立第二脑卒中复发预测模型;
Y=f(X)+D(t)g(ε)
其中,在上述公式中,Y表示脑卒中复发预测值,f(X)表示第一脑卒中复发预测模型,D(t)g(ε)为修正函数,D(t)为马尔科夫模型的状态划分标准,g(ε)为马尔科夫函数。
具体的,在本发明实施例中,上述修正函数,则是通过如下过程确定的:
根据第一脑卒中复发预测模型,计算每个脑卒中患者的脑卒中复发的预测值;根据每个脑卒中患者对应的预测值和实际值之间的差值,确定上述修正函数。
其中,根据每个脑卒中患者对应的预测值和实际值之间的差值,确定上述修正函数,包括:
将每个脑卒中患者对应的脑卒中复发预测值和实际值之间的差值,确定为马尔科夫函数的状态划分标准;根据上述差值建立马尔科夫函数;将上述状态划分标准和马尔科夫函数之间的乘积确定为上述修正函数。
在本发明实施例中,在分析参数线性相关的基础上,可以建立脑卒中复发预测指数与各危险因子之间的线性预测方程,具体如下:
Y=AX+ε
其中,在上述公式中,Y表示脑卒中复发预测指数,X是危险因子,ε是误差项,这样就可以根据该模型预测出下一次脑卒中复发的预测指数计算值
将上述和Y之间的偏差作为马尔科夫预测模型的状态划分标准,该标准可以表示为:
假定当实际观测值与模型的预测值的误差大于0.5时,为状态1;当误差值小于0.5时,为状态2,同时对于预测情况来说,不存在预测值等于实际值的情况。
之后,则建立GM(1,1)的马尔科夫函数,上述g(ε)就是基于误差的绝对值的GM(1,1)函数。
在本发明实施例中,GM(1,1)主要是利用最初记录的数据序列来预测未来的发展状态,这样对最初的数据进行处理,使最初的数据的规律性变得更强。
在本发明实施例中,通过对上述第一脑卒中复发模型进行修正,得到的第二脑卒中复发预测模型的精度更高,使得脑卒中复发的预测更加准确。
为了详细的介绍上述脑卒中复发预测模型的建立方法,下面将以具体实施例为例进行介绍。
其中,一个可能的具体实施例如下所示:
在本实施例中,假设获取了117个脑卒中患者的病理数据集合,并且,这117个脑卒中患者属于不同的年龄段,对于每个脑卒中患者才采集如下12个参数对应的属性值,该12个参数具体包括:
年龄(AGE)、心率(HR)、压差(PD)、饮酒史(DH)、糖化血红蛋白(HbAl)、葡萄糖(Glu)、总胆固醇(TG)、甘油三酯(TCHO)、高密度脂蛋白胆固醇(HDLC)、低密度脂蛋白胆固醇(LDLC)、脂蛋白α和同型半胱氨酸(Hcy)。
之后,则采用Pearson检验对上述任意两个参数之间的相关性进行检验,选出与脑卒中复发显著相关的至少一个参数及其对应的属性值。
其中,通过上述Pearson检验得到的结果如表1所示。
表1
B | S.E. | Wald | Sig. | Exp(B) | |
AGE | -0.001 | 0.018 | 0.004 | 0.949 | 0.999 |
HR | 0.053 | 0.025 | 4.493 | 0.034 | 1.055 |
PD | 0.005 | 0.013 | 0.152 | 0.697 | 1.005 |
DH | -0.011 | 0.014 | 0.626 | 0.429 | 0.989 |
HbA1 | -0.064 | 0.106 | 0.363 | 0.547 | 0.938 |
Glu | 0.004 | 0.079 | 0.002 | 0.962 | 1.004 |
TG | -0.386 | 0.164 | 5.569 | 0.018 | 0.679 |
TCHO | -0.328 | 0.190 | 2.981 | 0.084 | 0.721 |
HDLC | -0.614 | 0.761 | 0.650 | 0.420 | 0.541 |
LDLC | -0.475 | 0.209 | 5.186 | 0.023 | 0.622 |
LPa | 0.000 | 0.001 | 0.000 | 0.991 | 1.000 |
Hcy | -0.061 | 0.026 | 5.506 | 0.019 | 0.941 |
其中,在表1中,B表示的是变量系数,S.E.表示的是标准误差,Sig.也叫P值,是T检验的概率值,Exp(B)表示的是变量系数B的系数值。
根据上述表1中的结果,可以得出,与脑卒中复发显著相关的参数为心率、总胆固醇、低密度脂蛋白胆固醇和同型半胱氨酸。
当确定出上述与脑卒中复发显著相关的参数后,将上述参数及每个参数对应的属性值确定为脑卒中患者的病理数据子集合。
之后,则确定上述病理数据子集合对应的面板数据,具体的,将上述病理数据子集合按照年龄划分为不同的年龄段组,可以没间隔5年划分一个组别,当然,还可以是6年、7年等任意数值,划分后,可以得到多个年龄段组,从每个年龄段组中随机选取预设数量组病理数据子集合,将最终选取的多组病理数据子集合确定为建立面板数据回归模型所需要的面板数据。
根据上述确定出的面板数据,则分别建立无个体影响的混合模型、存在个体影响的变截距模型和存在个体影响的变系数模型等三个模型,并进行假设检验,最终可以确定出第一脑卒中复发预测模型为:
R=-0.016+0.012HR-0.104TG+0.059LDLC-0.006HCY
其中,在上述公式中,R表示的是预测值。
在确定出上述第一脑卒中复发预测模型后,可以得到实际值和预测值之间的差值,根据该差值可以进行状态的划分,其中,选取的部分预测值、实际值及对应的状态的数据如表2所示。
表2
这样,根据上述表2中的数据,可以将GM(1,1)的马尔科夫函数应用到上述第一脑瘁中复发预测模型中,即对上述第一脑卒中复发预测模型进行修正,修正后得到的第二脑卒中复发预测模型为:
R=-0.016+0.012HR-0.104TG+0.059LDLC-0.006HCY+D(t)·[(-3.7780)e-0.1777(t-1)+4.3236]
为了验证修正后得到的第二脑卒中复发预测模型的准确度,选取了部分通过最终得到的第二脑卒中复发预测模型的预测结果与实际情况的对照表,参考表3所示,预先规定,当计算出的预测值大于1时,则认为脑卒中患者有可能复发,当小于1时,则认为脑卒中患者不会复发。
表3
本发明实施例提供的脑卒中复发预测模型的建立方法及装置,通过多个年龄段的脑卒中患者的参数,可以建立脑卒中复发预测模型,这样,可以对脑卒中患者是否复发进行预测,提前进行预防和治疗。
实施例2
参考图3所示,本发明实施例提供了一种脑卒中复发预测模型的建立装置,该装置用于执行本发明实施例1提供的方法,该装置包括获取模块310、筛选模块320和建立模块330,其中,
上述获取模块310,用于获取多个年龄段的多个脑卒中患者中每个脑卒中患者的病理数据集合,该病理数据集合包括多种与脑卒中复发相关联的参数及每种参数对应的属性值;
上述筛选模块320,用于从每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,将与脑卒中复发具有显著相关的参数及每个参数对应的属性值确定为每个脑卒中患者的病理数据子集合;
上述建立模块330,用于根据上述病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型。
其中,作为一个实施例,本发明实施例提供的装置还包括修正模块;
上述修正模块,用于对上述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发预测模型。
其中,作为一个实施例,参考图4所示,上述建立模块330,根据病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型,是通过第一建立单元331和第一确定单元332实现的,具体包括:
上述第一建立单元331,用于根据上述病理数据子集合对应的面板数据,建立多种面板数据回归模型;上述第一确定单元332,用于通过对每个面板数据回归模型的有效性进行验证,从上述多种面板数据回归模型中确定第一脑卒中复发预测模型。
其中,上述修正模块,对上述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发模型是通过第二建立单元实现的,具体包括:
上述第二建立单元,用于根据第一脑卒中复发预测模型和确定的修正函数,通过如下公式建立第二脑卒中复发预测模型;
Y=f(X)+D(t)g(ε)
其中,在上述公式中,Y为脑卒中复发预测值,f(x)为第一脑卒中复发预测模型,D(t)g(ε)为修正函数,D(t)为马尔科夫模型的状态划分标准,g(ε)为马尔科夫函数。
其中,本发明实施例所提供的脑卒中复发预测模型的建立装置还包括计算模块和确定模块;
上述计算模块,用于根据第一脑卒中复发预测模型,计算每个脑卒中患者的脑卒中复发的预测值;上述确定模块,用于根据每个脑卒中患者对应的预测值和实际值之间的差值,确定修正函数。
具体的,上述确定模块,确定修正函数,是通过第二确定单元、第二建立单元和第三确定单元实现的,具体包括:
上述第二确定单元,用于将每个脑卒中患者对应的脑卒中复发预测值和实际值之间的差值,确定为马尔科夫函数的状态划分标准;上述第二建立单元,用于根据上述差值建立马尔科夫函数;上述第三确定单元,用于将上述状态划分标准和马尔科夫函数之间的乘积确定为上述修正函数。
具体的,上述筛选模块320,筛选与脑卒中患者复发显著相关的参数,是通过第四确定单元和第五确定单元实现的,具体包括:
上述第四确定单元,用于通过计算病理数据集合中任意两种参数之间的相关系数,确定任意两种参数之间是否显著相关;上述第五确定单元,用于将存在显著相关的参数确定为与脑卒中复发显著相关的参数。
本发明实施例提供的脑卒中复发预测模型的建立装置,通过多个年龄段的脑卒中患者的参数,可以建立脑卒中复发预测模型,这样,可以对脑卒中患者是否复发进行预测,提前进行预防和治疗。
本发明实施例所提供的脑卒中复发预测模型的建立装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,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,在本发明提供的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。
所述功能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)执行本发明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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种脑卒中复发预测模型的建立方法,其特征在于,所述方法包括:
获取多个年龄段的多个脑卒中患者中每个脑卒中患者的病理数据集合,所述病理数据集合包括多种与脑卒中复发相关联的参数及每种参数对应的属性值;
从所述每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,将与所述脑卒中复发具有显著相关的参数及每个参数对应的属性值确定为所述每个脑卒中患者的病理数据子集合;
根据所述病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型。
2.根据权利要求1所述的方法,其特征在于,所述建立第一脑卒中复发预测模型之后,所述方法还包括:
对所述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发预测模型。
3.根据权利要求1所述的方法,其特征在于,所述从所述每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,包括:
通过计算所述病理数据集合中任意两种参数之间的相关系数,确定任意两种所述参数之间是否显著相关;
将存在显著相关的参数确定为与脑卒中复发显著相关的参数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型,包括:
根据所述病理数据子集合对应的面板数据,建立多种面板数据回归模型;
通过对每个面板数据回归模型的有效性进行验证,从所述多种面板数据回归模型中确定所述第一脑卒中复发预测模型。
5.根据权利要求2所述的方法,其特征在于,对所述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发预测模型,包括:
根据所述第一脑卒中复发预测模型和确定的修正函数,通过如下公式建立所述第二脑卒中复发预测模型;
Y=f(X)+D(t)g(ε)
其中,在上述公式中,Y为脑卒中复发预测值,f(x)为第一脑卒中复发预测模型,D(t)g(ε)为修正函数,D(t)为马尔科夫模型的状态划分标准,g(ε)为马尔科夫函数。
6.根据权利要求5所述的方法,其特征在于,通过以下步骤确定所述修正函数:
根据所述第一脑卒中复发预测模型,计算每个脑卒中患者的脑卒中复发的预测值;
根据每个脑卒中患者对应的预测值和实际值之间的差值,确定所述修正函数。
7.根据权利要求6所述的方法,其特征在于,所述根据每个脑卒中患者对应的预测值和实际值之间的差值,确定所述修正函数,包括:
将每个脑卒中患者对应的脑卒中复发预测值和实际值之间的差值,确定为马尔科夫函数的状态划分标准;
根据所述差值建立马尔科夫函数;
将所述状态划分标准和所述马尔科夫函数之间的乘积确定为所述修正函数。
8.一种脑卒中复发预测模型的建立装置,其特征在于,所述装置包括:
获取模块,用于获取多个年龄段的多个脑卒中患者中每个脑卒中患者的病理数据集合,所述病理数据集合包括多种与脑卒中复发相关联的参数及每种参数对应的属性值;
筛选模块,用于从所述每个脑卒中患者的病理数据集合中,筛选与脑卒中复发显著相关的参数,将与所述脑卒中复发具有显著相关的参数及每个参数对应的属性值确定为所述每个脑卒中患者的病理数据子集合;
建立模块,用于根据所述病理数据子集合对应的面板数据,建立第一脑卒中复发预测模型。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
修正模块,用于对所述第一脑卒中复发预测模型进行修正,得到第二脑卒中复发预测模型。
10.根据权利要求8所述的装置,其特征在于,所述建立模块,包括:
第一建立单元,用于根据所述病理数据子集合对应的面板数据,建立多种面板数据回归模型;
第一确定单元,用于通过对每个面板数据回归模型的有效性进行验证,从所述多种面板数据回归模型中确定所述第一脑卒中复发预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710567125.6A CN107273704A (zh) | 2017-07-12 | 2017-07-12 | 一种脑卒中复发预测模型的建立方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710567125.6A CN107273704A (zh) | 2017-07-12 | 2017-07-12 | 一种脑卒中复发预测模型的建立方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107273704A true CN107273704A (zh) | 2017-10-20 |
Family
ID=60071824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710567125.6A Pending CN107273704A (zh) | 2017-07-12 | 2017-07-12 | 一种脑卒中复发预测模型的建立方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273704A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及系统 |
CN109124660A (zh) * | 2018-06-25 | 2019-01-04 | 南方医科大学南方医院 | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 |
CN109346179A (zh) * | 2018-12-10 | 2019-02-15 | 陈阳 | 一种冠心病介入术后复发预测模型及其建模方法、装置 |
CN109616218A (zh) * | 2018-12-04 | 2019-04-12 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
CN110095440A (zh) * | 2018-01-31 | 2019-08-06 | 上海交通大学 | 基于体表自发荧光左右对称性和强度判断脑卒中发生及愈后程度的方法及其应用 |
CN111243696A (zh) * | 2020-01-08 | 2020-06-05 | 温州医科大学 | 一种脑卒中发病的自动检测方法 |
CN111312398A (zh) * | 2019-12-17 | 2020-06-19 | 南通市第二人民医院 | 一种脑卒中复发预测模型的建立方法及装置 |
CN112690774A (zh) * | 2020-09-29 | 2021-04-23 | 首都医科大学附属北京天坛医院 | 一种基于磁共振影像的卒中复发预测方法和系统 |
CN116705306A (zh) * | 2023-08-03 | 2023-09-05 | 首都医科大学附属北京天坛医院 | 监测脑卒中的方法、监测脑卒中的装置和存储介质 |
CN117612713A (zh) * | 2023-10-08 | 2024-02-27 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200060A (zh) * | 2014-07-30 | 2014-12-10 | 福建医科大学附属第一医院 | 预测巨大肝癌患者术后近期复发转移概率的模型及方法 |
CN105678762A (zh) * | 2016-01-06 | 2016-06-15 | 四川大学 | 一种基于图像信息的缺血性脑卒中治疗监测系统 |
-
2017
- 2017-07-12 CN CN201710567125.6A patent/CN107273704A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200060A (zh) * | 2014-07-30 | 2014-12-10 | 福建医科大学附属第一医院 | 预测巨大肝癌患者术后近期复发转移概率的模型及方法 |
CN105678762A (zh) * | 2016-01-06 | 2016-06-15 | 四川大学 | 一种基于图像信息的缺血性脑卒中治疗监测系统 |
Non-Patent Citations (4)
Title |
---|
安雅臣等: "缺血性脑卒中复发危险因素分析及预测模型的构建", 《中华流行病学杂志》 * |
安雅臣等: "缺血性脑卒中复发预测模型的构建", 《中国康复理论与实践》 * |
栾梅等: "急性缺血性脑卒中患者复发危险因素分析及预后指数模型构建", 《临床急诊杂志》 * |
邱莉婷等: "基于逐步回归分析—马尔可夫链模型的大坝变形预测", 《水电能源科学》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110095440A (zh) * | 2018-01-31 | 2019-08-06 | 上海交通大学 | 基于体表自发荧光左右对称性和强度判断脑卒中发生及愈后程度的方法及其应用 |
CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及系统 |
CN109124660A (zh) * | 2018-06-25 | 2019-01-04 | 南方医科大学南方医院 | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 |
CN109124660B (zh) * | 2018-06-25 | 2022-06-10 | 南方医科大学南方医院 | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 |
CN109616218A (zh) * | 2018-12-04 | 2019-04-12 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
CN109346179A (zh) * | 2018-12-10 | 2019-02-15 | 陈阳 | 一种冠心病介入术后复发预测模型及其建模方法、装置 |
CN109346179B (zh) * | 2018-12-10 | 2022-08-26 | 山东管理学院 | 一种冠心病介入术后复发预测模型及其建模方法、装置 |
CN111312398B (zh) * | 2019-12-17 | 2022-03-01 | 南通市第二人民医院 | 一种脑卒中复发预测模型的建立方法及装置 |
CN111312398A (zh) * | 2019-12-17 | 2020-06-19 | 南通市第二人民医院 | 一种脑卒中复发预测模型的建立方法及装置 |
CN111243696A (zh) * | 2020-01-08 | 2020-06-05 | 温州医科大学 | 一种脑卒中发病的自动检测方法 |
CN112690774A (zh) * | 2020-09-29 | 2021-04-23 | 首都医科大学附属北京天坛医院 | 一种基于磁共振影像的卒中复发预测方法和系统 |
CN112690774B (zh) * | 2020-09-29 | 2022-07-19 | 首都医科大学附属北京天坛医院 | 一种基于磁共振影像的卒中复发预测方法和系统 |
CN116705306A (zh) * | 2023-08-03 | 2023-09-05 | 首都医科大学附属北京天坛医院 | 监测脑卒中的方法、监测脑卒中的装置和存储介质 |
CN116705306B (zh) * | 2023-08-03 | 2023-10-31 | 首都医科大学附属北京天坛医院 | 监测脑卒中的方法、监测脑卒中的装置和存储介质 |
CN117612713A (zh) * | 2023-10-08 | 2024-02-27 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析系统及方法 |
CN117612713B (zh) * | 2023-10-08 | 2024-06-11 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273704A (zh) | 一种脑卒中复发预测模型的建立方法及装置 | |
Lin et al. | Alternative measures of between‐study heterogeneity in meta‐analysis: reducing the impact of outlying studies | |
Mittas et al. | Ranking and clustering software cost estimation models through a multiple comparisons algorithm | |
Chenery et al. | A uniform analysis of development patterns | |
CN107545245A (zh) | 一种年龄估计方法及设备 | |
CN103810101B (zh) | 一种软件缺陷预测方法和软件缺陷预测系统 | |
CN110197728A (zh) | 糖尿病的预测方法、装置及计算机设备 | |
CN108304887A (zh) | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 | |
CN106651373A (zh) | 一种混合欺诈交易检测分类器建立方法及装置 | |
CN109872776A (zh) | 一种基于加权基因共表达网络分析对胃癌潜在生物标志物的筛选方法及其应用 | |
CN109615012A (zh) | 基于机器学习的就诊数据异常识别方法、设备及存储介质 | |
CN113935608A (zh) | 一种社区养老服务设施的评价方法和装置 | |
CN112599218A (zh) | 药物敏感预测模型的训练方法、预测方法及相关装置 | |
CN115579128B (zh) | 一种多模型特征增强疾病筛查系统 | |
CN104866710B (zh) | 预测细胞色素p450 1a2抑制剂抑制浓度的方法 | |
CN112990695A (zh) | 基于博弈dea-多目标决策的dg电能质量评估方法 | |
CN116598012A (zh) | 一种基于联邦学习价值评估的慢性病医疗保健方法和系统 | |
CN116564409A (zh) | 基于机器学习的转移性乳腺癌转录组测序数据识别方法 | |
CN107944750A (zh) | 一种贫困深度分析方法及系统 | |
CN107657453A (zh) | 欺诈数据的识别方法及装置 | |
CN109192306A (zh) | 一种糖尿病的判断装置、设备及计算机可读存储介质 | |
CN107832483A (zh) | 基于uds和ahp的柴油机噪声品质评价方法 | |
CN107169264A (zh) | 一种复杂疾病诊断方法及系统 | |
CN111986819B (zh) | 药物不良反应监测方法、装置、电子设备及可读存储介质 | |
CN106682938A (zh) | 大数据精准营销模型的构建方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |