CN107610780B - 一种生理信息数据的分析评价系统及方法 - Google Patents
一种生理信息数据的分析评价系统及方法 Download PDFInfo
- Publication number
- CN107610780B CN107610780B CN201711106517.9A CN201711106517A CN107610780B CN 107610780 B CN107610780 B CN 107610780B CN 201711106517 A CN201711106517 A CN 201711106517A CN 107610780 B CN107610780 B CN 107610780B
- Authority
- CN
- China
- Prior art keywords
- health index
- module
- physiological information
- historical
- information 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
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种生理信息数据的分析评价系统,其特征在于,所述单项健康指数计算模块中还设有历史数据分析模块,所述历史数据分析模块中设有归一化指数调整模块,所述历史数据分析模块于对新生理信息数据、相应历史生理信息数据和参考目标值进行对比分析,得到该项生理信息数据的历史变化趋势结果,所述归一化指数调整模块根据历史变化趋势结果对新生理信息数据的归一化指数进行调整。达到评价更合理、针对性更强,更直观、更全面地综合反映人体健康状态,更科学的体现出生理信息变化趋势的效果。
Description
技术领域
本发明涉及生理信息数据分析领域,特别是涉及一种生理信息数据的分析评价系统及方法。
背景技术
随着经济的发展和社会的转型,社会人群所承受的压力日渐积累,导致慢性非传染性疾病发病率、患病率、病死率逐年上升,慢性非传染性疾病相关危险因素的流行日益严重,已经严重威胁国人的健康。在第四次国家卫生服务调查结果中显示,2008年全国慢性病总病例数达到2.6亿,而慢性病死亡已占总死亡率的75%。专家预测到2020年,慢性病死亡比例将上升到85%。随着老龄化的加速,中国慢性病人群也呈快速上升趋势,从2000到2010年十年间,中国糖尿病患者上升了305%;高血压患者上升了176%;脑血管病患者上升了106%;冠心病、肿瘤患者上升了60%;每年新增慢病患者约:1000万。2012年,中国的糖尿病患者数量近1亿;高血压患者数超过2亿;各种慢性病患者总数达到2.6亿。慢性病的不断蔓延给国家带来沉重的经济负担,远超传染病和其他伤害所造成的疾病负担。
在这种情况下,要让对生命的认知、对健康生活方式的认知在老百姓当中得到普及,人人都应树立健康理念。在健康问题中,20%是需要医疗解决的问题,80%是需要个人解决的问题,一定要做到防病、治病以自己为主导。不仅要重视疾病的治疗,更要重视疾病的预防。建立以健康为中心的整体管理体系,真正做到将疾病关口前移。健康风险评估是健康管理过程中关键的专业技术部分,并且只有通过健康管理才能实现,是慢性病预防的第一步,也称为危险预测模型。它是通过所收集的大量的个人健康信息,分析建立生活方式、环境、遗传等危险因素与健康状态之间的量化关系,预测个人在一定时间内发生某种特定疾病或因为某种特定疾病导致死亡的可能性,并据此按人群的需求提供有针对性的控制与干预。
由申请号201510313126.9的专利公开内容可知,现有一种通过对不同生理信息数据进行收集分类、计算评分、加权综合的健康指数计算方法,以提供对各项生理信息数据所反应的健康状况进行评估的依据。但其对生理信息数据的预处理不够周到完善,例如缺乏对年龄、性别等重要差异指标的判定,各分类的算法模型也不够精确,所得分析结果容易出现偏差,很难满足更细致的分析需求,也无法反映健康状况的变化趋势;
又由申请号201610418245.5的专利公开内容可知,其对不同生理信息数据进行归一化处理,并确定年龄、性别和各指标的权重分配,不同类型生理信息数据采用更精准的算法模型,最终可通过加权得到综合指数,相较于前述专利,针对性更明显,结果精确性更好。但是该专利内容对历史生理信息数据依然缺乏有针对性的利用,无法反映出健康状况变化的趋势,同时,对于原始生理信息数据中可能存在的错误干扰项,如无法进行甄别和处理,则会极大的影响后续分析结果的准确性。
同时上述两件专利最后一步都是对所有单项健康指数加权然后进行累加,这就会造成在累加过程中,各个单项健康指数的分数相互抵消,不能很直观展示身体不同部分的健康状态,况且大部分情况下,即使是身体局部的健康状态,也是需要由多项检测数据协同诠释的。
又由申请号201410856804.1与201610166382.4的专利公开内容可知,现有技术均对某单一生理信息数据如心电数据等进行历史生理信息数据分析并获得判据,通过判据与判断阈值的比较,判断生理信息数据的正常或异常的方法,适用于周期性较短的单一项目的生理信息数据分析,由于缺乏对正常状态或异常状态内部变化趋势的进一步分析,无法适用于与慢性病相关的周期较长的综合性健康分析系统。
因此,需要一种评价更合理、针对性更强,更直观、更全面地综合反映人体健康状态,更科学的体现出生理信息变化趋势的生理信息数据分析评价系统及方法。
发明内容
本发明所要解决的技术问题是克服现有技术的不足,提供一种评价更合理、针对性更强,更直观、更全面地综合反映人体健康状态,更科学的体现出生理信息变化趋势的生理信息数据分析评价系统及方法。
为解决上述技术问题,本发明提供一种生理信息数据的分析评价系统,其特征在于,包括数据输入模块、数据分类模块、单项健康指数计算模块、健康指数综合加权模块,所述单项健康指数计算模块中包括升正态分布数据计算模块、降正态分布数据计算模块和平台型分布数据计算模块,所述单项健康指数计算模块中还设有历史数据分析模块,所述历史数据分析模块中设有归一化指数调整模块,所述历史数据分析模块于对新生理信息数据、相应历史生理信息数据和参考目标值进行对比分析,得到该项生理信息数据的历史变化趋势结果,所述归一化指数调整模块根据历史变化趋势结果对新生理信息数据的归一化指数进行调整。
所述单项健康指数计算模块中还设有健康指数调整模块,所述健康指数调整模块对新健康指数及其相应历史健康指数进行综合加权,得到该健康指数的调整值。
所述健康指数综合加权模块中还设有健康指数分组模块,所述健康指数分组模块包括健康指数分组求和模块和健康指数标准化模块,所述健康指数分组求和模块对生理信息数据进行分组并计算各分组内各项生理信息数据的健康指数总值,所述健康指数标准化模块对各分组的健康指数总值进行标准化处理,得到健康指数标准化总值。
所述数据分类模块中还设有中心型分布数据分类模块和阶跃型分布数据分类模块,所述单项健康指数计算模块中设有中心型分布数据计算模块和阶跃型分布数据计算模块,所述中心型分布数据计算模块用于计算中心型分布数据分类模块中的生理信息数据,所述阶跃型分布数据计算模块用于计算阶跃型分布数据分类模块中的生理信息数据,所述中心型分布数据计算模块中还包含未知参数推算模块,用以推算未知参数,所述健康指数综合加权模块中还包括健康指数筛选模块,所述健康指数筛选模块提取各分组的标准化健康指数总值及组内最小健康指数,生成二维表。
包括数据输入、数据分类、单项健康指数计算、健康指数综合加权的步骤,所述单项健康指数计算中包括升正态分布数据计算、降正态分布数据计算和平台型分布数据计算,对于存在历史生理信息数据的新生理信息数据,则提取至少一项历史生理信息数据,将新生理信息数据和历史生理信息数据按照时间顺序依次与该生理信息数据的参考目标值相比较,得到该项生理信息数据的历史变化趋势结果,并依据该历史变化趋势结果对新生理信息数据的归一化指数结果进行相应调整。
所述健康指数分组模块中健康指数分组求和模块对生理信息数据进行分组并计算各分组内各项生理信息数据的健康指数总值,健康指数分组模块中所述健康指数标准化模块对各分组的健康指数总值进行标准化处理,得到健康指数标准化总值,对于存在历史健康指数的新健康指数,则提取至少一项历史健康指数,对新健康指数及其历史健康指数分别赋予加权值,计算出该健康指数的调整值。
提取两项历史生理信息数据,将新生理信息数据和历史生理信息数据按照时间顺序依次与该生理信息数据的参考目标值相比较,当历史变化趋势结果为单向远离时,即x(t)<x(t-1)<x(t-2)<a或者x(t)>x(t-1)>x(t-2)>a,则对新生理信息数据的归一化指数结果削减0.5,即y=f-0.5,其中a表示参考目标值,x(t)表示新生理信息数据的检测值,x(t-1)表示时间较近的历史生理信息数据的检测值,x(t-2)表示时间较远的历史生理信息数据的检测值,又提取新健康指数的两项历史健康指数,并对新健康指数及其历史健康指数分别赋予随着测定时间的渐远而依次减小的加权值,计算出该健康指数的调整值,即 其中f′(t)为该健康指数的调整值,f(t)为新健康指数,f(t-1)为时间较近的历史健康指数,f(t-2)为时间较远的历史健康指数,新健康指数的加权值h1=1,时间较近的历史健康指数的加权值h2=0.6,时间较远的历史健康指数的加权值h3=0.4。
所述数据分类中增设中心型分布数据分类与阶跃型分布数据分类,所述中心型分布数据分类下的生理信息数据采用中心型分布函数进行归一化处理,所述阶跃型分布数据分类下的生理信息数据采用阶跃型分布函数进行归一化处理,对各分组的标准化健康指数总值及组内最小健康指数进行提取,生成二维表。
有益效果:本发明提出了综合健康指数的概念及评价方法,评价更合理、针对性更强,更直观、更全面地综合反映人体健康状态,更科学的体现出生理信息变化趋势,且效率高,评价速度快。
附图说明
图1为本发明的示例性实施例的结构简图;
图2为本发明的示例性实施例中的单项健康指数计算模块结构示意图;
图3为本发明的示例性实施例中的单项健康指数计算模块工作流程示意图;
图4为本发明的示例性实施例中的健康指数分组模块结构示意图;
图5为本发明的示例性实施例中的健康指数分组模块工作流程示意图;
图6为本发明的示例性实施例中的二维表示例图;
图7为本发明的示例性实施例中各类型数据计算模块与未知参数推算模块结构示意图;
图8为本发明的示例性实施例中各类型数据分类模块结构示意图。
具体实施方式
下面结合附图和示例性实施例对本发明作进一步的说明:
如图1所示,现有技术中,主要利用数据输入模块中采集的生理信息数据,在数据分类模块中进行分类,以匹配单项健康指数计算模块中相应的健康指数计算函数,根据不同的计算函数计算出各生理信息数据的单项健康指数,再通过健康指数综合加权模块的综合加权求得综合健康指数。
如图2、3所示,在本发明提供的一种生理信息数据的分析评价系统及方法中,单项健康指数计算模块中还包含历史数据分析模块和健康指数调整模块,其中历史数据分析模块中还包括归一化指数调整模块,历史数据分析模块会提取新生理信息数据、相应的历史生理信息数据及该项生理信息数据的参考目标值,并进行对比分析,得到该项生理信息的历史变化趋势结果,归一化指数调整模块将根据历史变化趋势结果对新生理信息的归一化指数进行调整。
如,提取新生理信息数据及两项历史生理信息数据,将新生理信息数据和历史生理信息数据按照时间顺序依次与该生理信息数据的参考目标值相比较,当历史变化趋势结果为单向远离时,即x(t)<x(t-1)<x(t-2)<a或者x(t)>x(t-1)>x(t-2)>a,则对新生理信息数据的归一化指数结果削减0.5,即y=f-0.5,其中a表示参考目标值,x(t)表示新生理信息数据的检测值,x(t-1)表示时间较近的历史生理信息数据的检测值,x(t-2)表示时间较远的历史生理信息数据的检测值。
以体检指标中的“总胆固醇”为例,其参考范围为:2.300---5.720,单位为:mmol/L,那么其标准值:a=(2.300+5.720)/2=4.01,如果某人半年做一次体检,连续三次总胆固醇的检测值依次为:x(t-2)=4.300、x(t-1)=4.750、x(t)=5.120,虽然递增幅度不大,但满足x(t)>x(t-1)>x(t-2)>a,应当引起重视,因此在这种情况下,如果算得最近的f(x)=0.88,那么经过调整后的总胆固醇的健康指数为:y=f(x)-0.5=0.88-0.5=0.38,该健康指数得到了明显的削减,因此起到了很直观的预警作用,即总胆固醇指标在持续恶化。更进一步的,通过对历史趋势进行更深度的分析,可以得到更为复杂的历史变化趋势结果,包括而不限于单向远离的情况,并通过增加或削减归一化指数给出更有针对性的提示,或维持原归一化指数不变,应当知晓的是,调整过的归一化指数并不能代替原始的归一化指数,原始的归一化指数作为单项健康指数仍然具有其特定的意义,因而将被历史数据分析模块或其他存储模块收录。
对于上述单项健康指数,如果历史数据分析模块或其他存储模块中收录有其相应的历史健康指数,也可以直接提取两项历史健康指数,与新健康指数、参考健康指数一起对比分析得到该生理信息数据的健康指数历史趋势变化结果,并根据该历史趋势变化结果对新健康指数进行调整,使其具有显著的变化从而引起警示。
对于生理信息数据中可能存在的错误干扰项,现有技术中并未给出处理方式,本发明引入历史健康指数做为权衡,通过健康指数调整模块对新健康指数及其相应历史健康指数进行加权,得到该健康指数的调整值。如,提取新健康指数的两项历史健康指数,并对新健康指数及其历史健康指数分别赋予随着测定时间的渐远而依次减小的加权值,计算出该健康指数的调整值,即其中f′(t)为该健康指数的调整值,f(t)为新健康指数,f(t-1)为时间较近的历史健康指数,f(t-2)为时间较远的历史健康指数,新健康指数的加权值h1=1,时间较近的历史健康指数的加权值h2=0.6,时间较远的历史健康指数的加权值h3=0.4。
以血压的测量为例,会受到一些偶然因素的影响,例如检测的饮食,以及活动等。对于一个36-40岁的男子,其正常标准在收缩压120mmHg,如果其最近三次的测量值依次为:x(t-2)=119、x(t-1)=122、x(t)=150,其中x(t)=150极有可能是一个受偶然因素影响的错误干扰项,其正态分布函数为:则:f(t-2)=0.9980,f(t-1)=0.9935,f(t)=0.2320,得相较于f(t),f′(t)明显降低了本次血压测量异常波动较大而造成的干扰,能更好的参与后续的综合指数评价分析。
如图4、5、6所示,本发明中的健康指数分组模块对生理信息数据进行分组并计算各分组内各项生理信息数据的健康指数总值,分组健康指数标准化模块对各分组的健康指数总值进行标准化处理,得到健康指数标准化总值。
例如在体检报告中,检测项很多,可以按照检测内容进行分组,大致可以分成以下几组:
一般检查:体重指数、血压,共2项;
生化检验:谷丙转氨酸、谷草转氨酸、谷氨酰转肽酶、尿素氮、肌酐、尿酸、空腹血糖、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,共11项;
肿瘤检测:甲胎蛋白、癌胚蛋白、游离前列腺特异抗原,共3项;
血常规:白细胞、红细胞、血红蛋白、红细胞压积、红细胞平均体积、红细胞平均血红蛋白含量、红细胞平均血红蛋白浓度、红细胞体积分布宽度、血小板、大血小板比例、血小板平均体积、血小板体积分布宽度、中性粒细胞百分比、淋巴细胞百分比、中间细胞百分比、中性粒细胞绝对值、淋巴细胞绝对值、中间细胞绝对值,共18项。
然后计算每个分组的健康指数总值,可以很直观的反映出该分组的健康状况,为了方便起见,假设每个分组的健康指数都相同,如:
一般检查:0.5+0.5=1.0;
生化检验:0.8×11=8.8;
肿瘤检测:0.95+0.95+0.95=2.85;
血常规:0.9×18=16.2。
由于各个分组的检测项数量不同,那么检测项多的分组,其分组的健康指数总值就高,如上述计算的分组的健康指数总值所示,“一般检查”组的健康指数总值只有1.0,而血常规组的健康指数总值则有16.2,可以看出,由于分组中检测项的数量差别,而导致不同分组的健康指数总值所起的作用不同,检测项数量少的分组,其作用被削弱,容易被淹没,比如有的分组的健康指数总值小,却无法分清是该分组的健康程度差,还是由于检测项数量少而导致健康指数总值小。
针对这种情况,可以通过求各分组的健康指数标准化总值的方式,使各个分组起到相同程度的作用,而且也易于相互比较。在该例中,假设每个分组的检测项数量的标准为10,那么各个分组的健康指数标准化总值为:
一般检查:(1.0/2)×10=5.0;
生化检验:(8.8/11)×10=8.0;
肿瘤检测:(2.85/3)×10=9.5;
血常规:(16.2/18)×10=9.0。
通过标准化处理后,就可以根据上述分组的健康指数标准化总值,判断出“一般检查”组的健康程度比其他分组要差一些。
当需要增加一些新的检测项时,既可以通过增加新的分组的来归纳;也可以在现有分组中加入这些检测项,进行平滑扩展。
与此相似的,对于分组内的各单项健康指数而言,有的单项健康指数高,有的单项健康指数低,尤其是对于较低的单项健康指数,其作用很有可能被较高的单项健康指数所弱化,导致问题无法被暴露,从而隐藏了其中的健康隐患。
以上述的“一般检查”分组为例,如体重指数与血压的单项健康指数均为0.5,则该分组的健康指数总值为1,如体重指数与血压的单项健康指数分别为0.2和0.8,则该分组的健康指数总值仍为1,但却无法从分组的健康指数总值中看出体重指数的负面影响。
为了解决这一问题,本发明通过健康指数筛选模块提取各分组的标准化健康指数总值及组内最小健康指数,生成二维表。
如图6所示的二维表,可以看出,尽管“血常规”分组的健康指数总值很高,反映的健康状态较好,但是提取出的分组中的最小单项健康指数为0.3,0.3所代表的健康程度是较低的,这样就可以准确指出被淹没的健康程度较低的检测项,从而达到全面准确的评价健康状况的目的。
如图7、8所示,本发明的数据分类模块中还设有中心型分布数据分类模块和阶跃型分布数据分类模块,单项健康指数计算模块中设有中心型分布数据计算模块和分布数据计算模块,中心型分布数据计算模块采用中心型分布函数计算中心型分布数据分类模块中的生理信息数据,阶跃型分布数据计算模块采用阶跃型分布函数计算阶跃型分布数据分类模块中的生理信息数据,中心型分布函数为其中a代表健康状态下的该生理信息数据的最佳值,b代表尺度参数,阶跃型分布函数为
中心型分布数据计算模块中还包含未知参数推算模块,用以对中心型分布函数中的不确定参数进行推算,包括:
当生理信息数据为自然数且最佳值a已知的情况下,设定健康指数f=0.1,通过函数计算获得尺度参数b的取值。例如,对于一个46-50岁的男子,其正常标准在收缩压128mmHg,根据大量医疗案例分析,如果某人的收缩压达到160mmHg,就直接设定其归一化指数为0.1,那么根据公式求得b=21.09,那么得出该计算函数为:
当生理信息数据为区间[c,d]的情况下,设定区间边界值对应的健康指数f=0.85,通过函数计算获得最佳值a和尺度参数b的取值。例如,在血常规检测中,红细胞的参考范围为:3.500-5.800,单位为1012/L,那么根据公式计算得出a=4.65,b=2.875,那么得出该计算函数为
本发明主要用于提供一种评价更合理、针对性更强,更直观、更全面地综合反映人体健康状态,更科学的体现出生理信息变化趋势的生理信息分析评价系统及方法。
以上实施例不以任何方式限定本发明,凡是对以上实施例以等效变换方式做出的其它改进与应用,都属于本发明的保护范围。
Claims (2)
1.一种生理信息数据的分析评价系统,其特征在于,包括数据输入模块、数据分类模块、单项健康指数计算模块、健康指数综合加权模块,所述单项健康指数计算模块中包括升正态分布数据计算模块、降正态分布数据计算模块和平台型分布数据计算模块,所述单项健康指数计算模块中还设有历史数据分析模块,所述历史数据分析模块中设有归一化指数调整模块,所述历史数据分析模块用于对新生理信息数据、相应历史生理信息数据和参考目标值进行对比分析,得到该项生理信息数据的历史变化趋势结果,所述归一化指数调整模块根据历史变化趋势结果对新生理信息数据的归一化指数进行调整;所述单项健康指数计算模块中还设有健康指数调整模块,所述健康指数调整模块对新健康指数及其相应历史健康指数进行综合加权,得到该健康指数的调整值;
所述健康指数综合加权模块中还设有健康指数分组模块,所述健康指数分组模块包括健康指数分组求和模块和健康指数标准化模块,所述健康指数分组求和模块对生理信息数据进行分组并计算各分组内各项生理信息数据的健康指数总值,健康指数分组模块中健康指数标准化模块对各分组的健康指数总值进行标准化处理,得到健康指数标准化总值,对于存在历史健康指数的新健康指数,则提取至少一项历史健康指数,对新健康指数及其历史健康指数分别赋予加权值,计算出该健康指数的调整值,具体为,提取两项历史生理信息数据,将新生理信息数据和历史生理信息数据按照时间顺序依次与该生理信息数据的参考目标值相比较,当历史变化趋势结果为单向远离时,即x(t)<x(t-1)<x(t-2)<a或者x(t)>x(t-1)>x(t-2)>a,则对新生理信息数据的归一化指数结果削减0.5,其中a表示参考目标值,x(t)表示新生理信息数据的检测值,x(t-1)表示时间较近的历史生理信息数据的检测值,x(t-2)表示时间较远的历史生理信息数据的检测值,又提取新健康指数的两项历史健康指数,并对新健康指数及其历史健康指数分别赋予随着测定时间的渐远而依次减小的加权值,计算出该健康指数的调整值,即其中f′(t)为该健康指数的调整值,f(t)为新健康指数,f(t-1)为时间较近的历史健康指数,f(t-2)为时间较远的历史健康指数,新健康指数的加权值h1=1,时间较近的历史健康指数的加权值h2=0.6,时间较远的历史健康指数的加权值h3=0.4。
2.如权利要求1所述的一种生理信息数据的分析评价系统,其特征在于:所述数据分类模块中还设有中心型分布数据分类模块和阶跃型分布数据分类模块,所述单项健康指数计算模块中设有中心型分布数据计算模块和阶跃型分布数据计算模块,所述中心型分布数据计算模块用于计算中心型分布数据分类模块中的生理信息数据,所述阶跃型分布数据计算模块用于计算阶跃型分布数据分类模块中的生理信息数据,所述中心型分布数据计算模块中还包含未知参数推算模块,用以推算未知参数,所述健康指数综合加权模块中还包括健康指数筛选模块,所述健康指数筛选模块提取各分组的标准化健康指数总值及组内最小健康指数,生成二维表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711106517.9A CN107610780B (zh) | 2017-11-10 | 2017-11-10 | 一种生理信息数据的分析评价系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711106517.9A CN107610780B (zh) | 2017-11-10 | 2017-11-10 | 一种生理信息数据的分析评价系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610780A CN107610780A (zh) | 2018-01-19 |
CN107610780B true CN107610780B (zh) | 2021-02-12 |
Family
ID=61086419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711106517.9A Active CN107610780B (zh) | 2017-11-10 | 2017-11-10 | 一种生理信息数据的分析评价系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610780B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841870B (zh) * | 2022-12-14 | 2023-06-06 | 贵州麦瓣健康咨询有限公司 | 一种健康体检控制系统及控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778312A (zh) * | 2012-10-24 | 2014-05-07 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
-
2017
- 2017-11-10 CN CN201711106517.9A patent/CN107610780B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778312A (zh) * | 2012-10-24 | 2014-05-07 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107610780A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10163174B2 (en) | Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit | |
Sk et al. | Coronary Heart Disease Prediction and Classification using Hybrid Machine Learning Algorithms | |
CN107153774A (zh) | 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
CN115083604A (zh) | 一种术后不良事件预测模型的构建方法、系统和预测装置 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN113593708A (zh) | 基于集成学习算法的脓毒症预后预测方法 | |
CN107610780B (zh) | 一种生理信息数据的分析评价系统及方法 | |
CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
CN111175480A (zh) | 一种血液生化指标计算性别和年龄的方法 | |
Rathi et al. | Early Prediction of Diabetes Using Machine Learning Techniques | |
CN117079810A (zh) | 一种心血管疾病非计划再住院风险预测方法 | |
CN113096815A (zh) | 一种基于logistic回归的慢性肾病预测方法 | |
CN111883258A (zh) | 一种构建ohss分度分型预测模型的方法 | |
Singh et al. | Predictive analysis in health care | |
Setyawati et al. | Feature selection for the classification of clinical data of stroke patients | |
Silahtaroğlu et al. | An early prediction and diagnosis of sepsis in intensive care units: An unsupervised machine learning model | |
JP7333549B2 (ja) | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 | |
WO2022250143A1 (ja) | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 | |
CN116864062B (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
CN113035352B (zh) | 基于bp神经网络的糖尿病视网膜病变预警方法 | |
Kolli et al. | Machine learning algorithm to predict coronary artery calcification in asymptomatic healthy population |
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 |