CN107945879A - 一种用于治未病的医疗数据挖掘方法 - Google Patents
一种用于治未病的医疗数据挖掘方法 Download PDFInfo
- Publication number
- CN107945879A CN107945879A CN201711307752.2A CN201711307752A CN107945879A CN 107945879 A CN107945879 A CN 107945879A CN 201711307752 A CN201711307752 A CN 201711307752A CN 107945879 A CN107945879 A CN 107945879A
- Authority
- CN
- China
- Prior art keywords
- time
- value
- sign data
- data table
- sign
- 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
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开一种用于治未病的医疗数据挖掘方法。本发明对每种疾病患者的历史体征数据进行分析，获得患者从健康状态到患病之前的体征变化趋势模型，然后使用该趋势模型对健康人群的体征数据进行跟踪，一旦发现符合趋势模型的个体，就可以对他(她)进行预警。本发明能够有效识别出个体体征数据的变化趋势并进行预警，同时解决了个体基础体征差异、体征数据的时间序列不一致、随机和周期性等噪音等问题。这一方法在健康人群体检数据筛查中应用，可以尽早发现具有潜在发病可能的个体，提高预防和治疗效果，降低治疗成本。
Description
技术领域
本发明涉及一种用于治未病的医疗数据挖掘方法。
背景技术
医疗大数据对海量的历史病例和健康人群的体征数据进行长期跟踪、分 析和处理，可以对体征数据的变化趋势进行学习，发现具有较高患病风险的 人群。对这些人群进行针对性的预防和早期检查措施，可以有效降低发病率 或者使发现时间提早。借用中医中治未病的概念，本发明专利提出一种用于 治未病的医疗数据挖掘方法。
目前普遍使用传统统计方法对于疾病进行检测，例如统计指标A对疾病g 的灵敏度和特异性。其中:
灵敏度＝真阳性人数/(真阳性人数+假阴性人数)*100％
特异度＝真阴性人数/(真阴性人数+假阳性人数)*100％
使用同样的方法也可以得到一些疾病的前驱症状，从而对疾病进行提前 发现，使病人可以尽早获得诊断和治疗。
现在一些互联网企业开始使用网络数据对流行性疾病进行预测，例如百 度和谷歌根据不同区域人群的搜索词频来判断流感的扩散趋势：一个区域的 人群如果在某一时间对感冒、发烧、板蓝根等词汇的搜索频率提升时，通常 会认为感冒的发病率提高，如果临近区域对同一类词汇的搜索频率相继提升 时，会认为可能出现流感。
但是在症状或者检验指标呈阳性时，往往疾病已经发生，互联网手段也 只能对群体性的疾病传播进行预测和控制，而对个体的疾病预测并无帮助。
当前，随着便携式电子设备的迅猛发展和常规体检的普及，如何对体征 和检验大数据进行分析和挖掘，根据个体的体征及变化趋势，在疾病发生之 前进行预测，使得针对性的预防成为可能，极大的提高人民的生活质量，并 有效节省医疗资源。
发明内容
本发明的核心思想，是对每种疾病患者的历史体征数据进行分析，获得 患者从健康状态到患病之前的体征变化趋势模型，然后使用该趋势模型对健 康人群的体征数据进行跟踪，一旦发现符合趋势模型的个体，就可以对他(她) 进行预警。实现该趋势模型的几个关键点在于：
1.历史体征数据的时间并不均匀一致。不同的人检查某一体征指标的时 间不固定，频率也不同。为了挖掘相关性需要对历史体征数据进行处理；
2.考虑每个个体不同的基础体征。不同的个体，其基础体征有一定的差 异，用整个人群的平均体征数据去衡量个体体征会有较大的误差。
3.具有噪音过滤的模型。个体体征数据具有周期性和随机性特征，在模 型中既要发现变化趋势，又要过滤掉这些噪音。
疾病g对应的体征指标A(具有较高灵敏度和特异性)的原始数据如表1：
表1:原始数据表orig
其中id字段为被跟踪人员的编号，发病时间为该人员在发现患病后估算得 到的初始发病时间，length字段表示该人员总共测量体征指标A的次数。每 个record[]字段都记录一次测量体征指标A的结果，每个record有测量时间 time和测量得到的值value两个域。其中time表示从格林威治时间1970年 01月01日00时00分00秒起至测量采样时为止的总秒数。
对原始数据的挖掘过程依次执行以下步骤：
参数变量定义：
orig：原始数据表；c_orig：时间序列体征数据表；
I：人员编号；Inter：时间间隔常数；
or＝orig[i]：第i号人员的原始数据；cr＝c_orig[i]：第i号人员的时间序列 体征数据；
or_p：当前人员在原始数据表中的第几次体检数据；
cr_p：当前人员在时间序列体征数据表中的第几个体征数据；
c_time：当前人员在时间序列体征数据表中的第cr_p个体征数据对应的 时间；
or.record[or_p].value：当前人员在原始数据表中的第or_p次体检数据；
cr.value[cr_p]：当前人员在时间序列体征数据表中的第cr_p个体征数据；
or.record[or_p].time：当前人员在原始数据表中的第or_p次的体检时间；
next_ov、base：临时变量；p、q：常量，其中p为长期均线周期数，q 为短期均线周期数，且p>q；
cr.length：当前人员在时间序列体征数据表中的体征数据个数；
or.length：当前人员在原始数据表中的体检个数；
or.ill_time：当前人员在原始数据表中的发病时间；
arv_p：中间变量，用于记录时间序列体征数据表中第cr_p-p+1个到第cr_p 个体征数据的均值；
arv_q：中间变量，用于记录时间序列体征数据表中第cr_p-p+1个到第cr_p 个体征数据的均值；
arv_p’：中间变量，用于记录时间序列体征数据表中第cr_p-p个到第cr_p-1 个体征数据的均值；
arv_q’：中间变量，用于记录时间序列体征数据表中第cr_p-p个到第cr_p-1 个体征数据的均值；
步骤1.使用插值法获得时间序列均匀一致的体征数据表，具体的实现过 程如下：
步骤1-1.创建时间序列体征数据表c_orig，表格形式参看表2；初始化人 员编号i＝0；inter赋值为时间间隔常数，例如需要一致化为间隔一个月的体征 数据，inter可以设置为3600*24*30，如果需要一致化为间隔一周的体征数据， inter可以设置为3600*24*7。
表2.时间序列体征数据表c_orig
步骤1-2.获得第i号人员的原始数据or＝orig[i]和时间序列体征数据cr＝ c_orig[i]；并初始化or_p＝0、cr_p＝0；
步骤1-3.将or.record[or_p].value、or.record[or_p].time分别赋值到cr.value[cr_p]和c_time；
步骤1-4.针对第or_p+1次体检，将or_p+1赋值给or_p，即or_p＝or_p+1； 如果or_p大于等于or.length，则跳转到步骤1-10；否则将or.record[or_p].value 赋值给next_ov；
步骤1-5.计算时间序列体征数据表中的第cr_p+1个体征数据对应的时间 c_time+inter，并将时间c_time+inter赋值到c_time，即c_time＝c_time+inter， 如果赋值后的c_time大于等于or.record[or_p].time，则跳转到步骤1-8；
步骤1-6.计算cr.value[cr_p+1]，具体的：
cr.value[cr_p+1]＝inter*(next_ov-cr.value[cr_p])/(or.record[or_p].time-c_time)；
cr_p＝cr_p+1；
步骤1-7.跳转到步骤1-5；
步骤1-8.如果c_time等于or.record[or_p].time，则将next_ov赋值给 cr.value[cr_p+1]；
步骤1-9.跳转到步骤1-4；
步骤1-10.将cr_p赋值给cr.length，然后针对下一个人员，即i＝i+1；若i 小于等于n，n为原始数据表中人员个数，则跳转到步骤1-2；否则结束。
步骤2.对基础体征进行处理
步骤2-1.初始化人员编号，即i＝0。
步骤2-2.获得第i号人员的原始数据or＝orig[i]和时间序列体征数据cr＝ c_orig[i]；并初始化or_p＝0、cr_p＝0；
步骤2-3.初始化base＝0；
步骤2-4.如果or.ill_time>0且or.record[or_p].time>or.ill_time，则直接跳转 到步骤2-11；
步骤2-5.将base+or.record[i].value赋值给base，同时or_p＝or_p+1；
步骤2-6.如果or_p<or.length，则跳转到步骤2-4；
步骤2-7.如果base不等于0，则base＝base/or_p；
步骤2-8.初始化cr_p＝0；
步骤2-9.将cr.value[cr_p]-base赋值给cr.value[cr_p]；
步骤2-10.对cr_p累加，即cr_p＝cr_p+1；再对cr_p进行判断，如果 cr_p<cr.length，则跳转到步骤2-9；
步骤2-11.对i进行累加，即i＝i+1；再对i进行判断,如果i<n，则跳转到步 骤2-2；
步骤3.任取时间序列体征数据表中的一行，即某个人员的时间序列体征 数据cr，并对cr进行预警判断，具体如下：
步骤3-1.初始化cr_p＝p+1；
步骤3-2.计算
arv_p＝(cr.value[cr_p-p+1]+cr.value[cr_p-p+2]+...+cr.value[cr_p])/p；
步骤3-3.计算
arv_q＝(cr.value[cr_p-q+1]+cr.value[cr_p-q+2]+...+cr.value[cr_p])/q
步骤3-4.计算
arv_p’＝(cr.value[cr_p-p]+cr.value[cr_p-p+1]+...+cr.value[cr_p-1])/p
步骤3-5.计算
arv_q’＝(cr.value[cr_p-q]+cr.value[cr_p-q+1]+...+cr.value[cr_p-1])/q
步骤3-6.若arv_q>arv_q’且arv_p>arv_p’且arv_q>arv_p且
cr.value[cr_p]>arv_q，则对该人员进行预警，并结束；
步骤3-7.对cr_p进行累加，即cr_p＝cr_p+1，然后对cr_p进行判断，如果 cr_p<cr.length，则跳转到步骤3-2，否则结束；
趋势计算模型，为过滤噪音并发现体征数据变化趋势，本发明使用均线 系统建立趋势模型。采用长期均线(周期数为p)和短期均线(周期数为q) 两种均线，其中p>q，一旦长短期均线都上升，短期均线高于长期均线并且当 前周期的体征值高于短期均线，表明趋势成立，均线系统自动过滤了噪音。
本发明有益效果如下：
本发明方法针对个体某种特定疾病未发病时的预警，提出一种个体体征 数据的挖掘方法。该方法可以有效识别出个体体征数据的变化趋势并进行预 警，同时解决了个体基础体征差异、体征数据的时间序列不一致、随机和周 期性等噪音等问题。这一方法在健康人群体检数据筛查中应用，可以尽早发 现具有潜在发病可能的个体，提高预防和治疗效果，降低治疗成本。
具体实施方式
本发明的核心思想，是对每种疾病患者的历史体征数据进行分析，获得 患者从健康状态到患病之前的体征变化趋势模型，然后使用该趋势模型对健 康人群的体征数据进行跟踪，一旦发现符合趋势模型的个体，就可以对他(她) 进行预警。实现该趋势模型的几个关键点在于：
历史体征数据的时间并不均匀一致。不同的人检查某一体征指标的时间 不固定，频率也不同。为了挖掘相关性需要对历史体征数据进行处理；
考虑每个个体不同的基础体征。不同的个体，其基础体征有一定的差异， 用整个人群的平均体征数据去衡量个体体征会有较大的误差。
具有噪音过滤的模型。个体体征数据具有周期性和随机性特征，在模型 中既要发现变化趋势，又要过滤掉这些噪音。
疾病g对应的体征指标A(具有较高灵敏度和特异性)的原始数据如表1：
表1:原始数据表orig
其中id字段为被跟踪人员的编号，发病时间为该人员在发现患病后估算得 到的初始发病时间，length字段表示该人员总共测量体征指标A的次数。每 个record[]字段都记录一次测量体征指标A的结果，每个record有测量时间 time和测量得到的值value两个域。其中time表示从格林威治时间1970年 01月01日00时00分00秒起至测量采样时为止的总秒数。
对原始数据的挖掘过程依次执行以下步骤：
参数变量定义：
orig：原始数据表；c_orig：时间序列体征数据表；
I：人员编号；Inter：时间间隔常数；
or＝orig[i]：第i号人员的原始数据；cr＝c_orig[i]：第i号人员的时间序列 体征数据；
or_p：当前人员在原始数据表中的第几次体检数据；
cr_p：当前人员在时间序列体征数据表中的第几个体征数据；
c_time：当前人员在时间序列体征数据表中的第cr_p个体征数据对应的 时间；
or.record[or_p].value：当前人员在原始数据表中的第or_p次体检数据；
cr.value[cr_p]：当前人员在时间序列体征数据表中的第cr_p个体征数据；
or.record[or_p].time：当前人员在原始数据表中的第or_p次的体检时间；
next_ov、base：临时变量；p、q：常量，其中p为长期均线周期数，q 为短期均线周期数，且p>q；
cr.length：当前人员在时间序列体征数据表中的体征数据个数；
or.length：当前人员在原始数据表中的体检个数；
or.ill_time：当前人员在原始数据表中的发病时间；
arv_p：中间变量，用于记录时间序列体征数据表中第cr_p-p+1个到第cr_p 个体征数据的均值；
arv_q：中间变量，用于记录时间序列体征数据表中第cr_p-p+1个到第cr_p 个体征数据的均值；
arv_p’：中间变量，用于记录时间序列体征数据表中第cr_p-p个到第cr_p-1 个体征数据的均值；
arv_q’：中间变量，用于记录时间序列体征数据表中第cr_p-p个到第cr_p-1 个体征数据的均值；
步骤1.使用插值法获得时间序列均匀一致的体征数据表，具体的实现过 程如下：
步骤1-1.创建时间序列体征数据表c_orig，表格形式参看表2；初始化人 员编号i＝0；inter赋值为时间间隔常数，例如需要一致化为间隔一个月的体征 数据，inter可以设置为3600*24*30，如果需要一致化为间隔一周的体征数据， inter可以设置为3600*24*7。
表2.时间序列体征数据表c_orig
步骤1-2.获得第i号人员的原始数据or＝orig[i]和时间序列体征数据cr＝ c_orig[i]；并初始化or_p＝0、cr_p＝0；
步骤1-3.将or.record[or_p].value、or.record[or_p].time分别赋值到cr.value[cr_p]和c_time；
步骤1-4.针对第or_p+1次体检，将or_p+1赋值给or_p，即or_p＝or_p+1； 如果or_p大于等于or.length，则跳转到步骤1-10；否则将or.record[or_p].value 赋值给next_ov；
步骤1-5.计算时间序列体征数据表中的第cr_p+1个体征数据对应的时间 c_time+inter，并将时间c_time+inter赋值到c_time，即c_time＝c_time+inter， 如果赋值后的c_time大于等于or.record[or_p].time，则跳转到步骤1-8；
步骤1-6.计算cr.value[cr_p+1]，具体的：
cr.value[cr_p+1]＝inter*(next_ov-cr.value[cr_p])/(or.record[or_p].time-c_time)；
cr_p＝cr_p+1；
步骤1-7.跳转到步骤1-5；
步骤1-8.如果c_time等于or.record[or_p].time，则将next_ov赋值给 cr.value[cr_p+1]；
步骤1-9.跳转到步骤1-4；
步骤1-10.将cr_p赋值给cr.length，然后针对下一个人员，即i＝i+1；若i 小于等于n，n为原始数据表中人员个数，则跳转到步骤1-2；否则结束。
步骤2.对基础体征进行处理
步骤2-1.初始化人员编号，即i＝0。
步骤2-2.获得第i号人员的原始数据or＝orig[i]和时间序列体征数据cr＝ c_orig[i]；并初始化or_p＝0、cr_p＝0；
步骤2-3.初始化base＝0；
步骤2-4.如果or.ill_time>0且or.record[or_p].time>or.ill_time，则直接跳转 到步骤2-11；
步骤2-5.将base+or.record[i].value赋值给base，同时or_p＝or_p+1；
步骤2-6.如果or_p<or.length，则跳转到步骤2-4；
步骤2-7.如果base不等于0，则base＝base/or_p；
步骤2-8.初始化cr_p＝0；
步骤2-9.将cr.value[cr_p]-base赋值给cr.value[cr_p]；
步骤2-10.对cr_p累加，即cr_p＝cr_p+1；再对cr_p进行判断，如果 cr_p<cr.length，则跳转到步骤2-9；
步骤2-11.对i进行累加，即i＝i+1；再对i进行判断,如果i<n，则跳转到步 骤2-2；
步骤3.任取时间序列体征数据表中的一行，即某个人员的时间序列体征 数据cr，并对cr进行预警判断，具体如下：
步骤3-1.初始化cr_p＝p+1；
步骤3-2.计算
arv_p＝(cr.value[cr_p-p+1]+cr.value[cr_p-p+2]+...+cr.value[cr_p])/p；
步骤3-3.计算
arv_q＝(cr.value[cr_p-q+1]+cr.value[cr_p-q+2]+...+cr.value[cr_p])/q
步骤3-4.计算
arv_p’＝(cr.value[cr_p-p]+cr.value[cr_p-p+1]+...+cr.value[cr_p-1])/p
步骤3-5.计算
arv_q’＝(cr.value[cr_p-q]+cr.value[cr_p-q+1]+...+cr.value[cr_p-1])/q
步骤3-6.若arv_q>arv_q’且arv_p>arv_p’且arv_q>arv_p且
cr.value[cr_p]>arv_q，则对该人员进行预警，并结束；
步骤3-7.对cr_p进行累加，即cr_p＝cr_p+1，然后对cr_p进行判断，如果 cr_p<cr.length，则跳转到步骤3-2，否则结束；
趋势计算模型，为过滤噪音并发现体征数据变化趋势，本发明使用均线 系统建立趋势模型。采用长期均线(周期数为p)和短期均线(周期数为q) 两种均线，其中p>q，一旦长短期均线都上升，短期均线高于长期均线并且当 前周期的体征值高于短期均线，表明趋势成立，均线系统自动过滤了噪音。
Claims (1)
1.一种用于治未病的医疗数据挖掘方法，其特征在于具体包括如下步骤：
步骤1.使用插值法获得时间序列均匀一致的体征数据表，具体的实现过程如下：
参数变量定义：
orig：原始数据表；c_orig：时间序列体征数据表；
I：人员编号；Inter：时间间隔常数；
or＝orig[i]：第i号人员的原始数据；cr＝c_orig[i]：第i号人员的时间序列体征数据；
or_p：当前人员在原始数据表中的第几次体检数据；
cr_p：当前人员在时间序列体征数据表中的第几个体征数据；
c_time：当前人员在时间序列体征数据表中的第cr_p个体征数据对应的时间；
or.record[or_p].value：当前人员在原始数据表中的第or_p次体检数据；
cr.value[cr_p]：当前人员在时间序列体征数据表中的第cr_p个体征数据；
or.record[or_p].time：当前人员在原始数据表中的第or_p次的体检时间；
next_ov、base：临时变量；p、q：常量，其中p为长期均线周期数，q为短期均线周期数，且p>q；
cr.length：当前人员在时间序列体征数据表中的体征数据个数；
or.length：当前人员在原始数据表中的体检个数；
or.ill_time：当前人员在原始数据表中的发病时间；
arv_p：中间变量，用于记录时间序列体征数据表中第cr_p-p+1个到第cr_p个体征数据的均值；
arv_q：中间变量，用于记录时间序列体征数据表中第cr_p-p+1个到第cr_p个体征数据的均值；
arv_p’：中间变量，用于记录时间序列体征数据表中第cr_p-p个到第cr_p-1个体征数据的均值；
arv_q’：中间变量，用于记录时间序列体征数据表中第cr_p-p个到第cr_p-1个体征数据的均值；
表1:疾病g对应的体征指标A的原始数据表orig
其中id字段为被跟踪人员的编号，发病时间为该人员在发现患病后估算得到的初始发病时间，length字段表示该人员总共测量体征指标A的次数；每个record[]字段都记录一次测量体征指标A的结果，每个record有测量时间time和测量得到的值value两个域；其中time表示从格林威治时间1970年01月01日00时00分00秒起至测量采样时为止的总秒数；
步骤1-1.创建时间序列体征数据表c_orig，表格形式参看表2；初始化人员编号i＝0；inter赋值为时间间隔常数；
表2.时间序列体征数据表c_orig
步骤1-2.获得第i号人员的原始数据or＝orig[i]和时间序列体征数据cr＝c_orig[i]；并初始化or_p＝0、cr_p＝0；
步骤1-3.将or.record[or_p].value、or.record[or_p].time分别赋值到cr.value[cr_p]和c_time；
步骤1-4.针对第or_p+1次体检，将or_p+1赋值给or_p，即or_p＝or_p+1；如果or_p大于等于or.length，则跳转到步骤1-10；否则将or.record[or_p].value赋值给next_ov；
步骤1-5.计算时间序列体征数据表中的第cr_p+1个体征数据对应的时间c_time+inter，并将时间c_time+inter赋值到c_time，即c_time＝c_time+inter，如果赋值后的c_time大于等于or.record[or_p].time，则跳转到步骤1-8；
步骤1-6.计算cr.value[cr_p+1]，具体的：
cr.value[cr_p+1]＝inter*(next_ov-cr.value[cr_p])/(or.record[or_p].time-c_time)；
cr_p＝cr_p+1；
步骤1-7.跳转到步骤1-5；
步骤1-8.如果c_time等于or.record[or_p].time，则将next_ov赋值给cr.value[cr_p+1]；
步骤1-9.跳转到步骤1-4；
步骤1-10.将cr_p赋值给cr.length，然后针对下一个人员，即i＝i+1；若i小于等于n，n为原始数据表中人员个数，则跳转到步骤1-2；否则结束；
步骤2.对基础体征进行处理
步骤2-1.初始化人员编号，即i＝0；
步骤2-2.获得第i号人员的原始数据or＝orig[i]和时间序列体征数据cr＝c_orig[i]；并初始化or_p＝0、cr_p＝0；
步骤2-3.初始化base＝0；
步骤2-4.如果or.ill_time>0且or.record[or_p].time>or.ill_time，则直接跳转到步骤2-11；
步骤2-5.将base+or.record[i].value赋值给base，同时or_p＝or_p+1；
步骤2-6.如果or_p<or.length，则跳转到步骤2-4；
步骤2-7.如果base不等于0，则base＝base/or_p；
步骤2-8.初始化cr_p＝0；
步骤2-9.将cr.value[cr_p]-base赋值给cr.value[cr_p]；
步骤2-10.对cr_p累加，即cr_p＝cr_p+1；再对cr_p进行判断，如果cr_p<cr.length，则跳转到步骤2-9；
步骤2-11.对i进行累加，即i＝i+1；再对i进行判断,如果i<n，则跳转到步骤2-2；
步骤3.任取时间序列体征数据表中的一行，即某个人员的时间序列体征数据cr，并对cr进行预警判断，具体如下：
步骤3-1.初始化cr_p＝p+1；
步骤3-2.计算
arv_p＝(cr.value[cr_p-p+1]+cr.value[cr_p-p+2]+...+cr.value[cr_p])/p；
步骤3-3.计算
arv_q＝(cr.value[cr_p-q+1]+cr.value[cr_p-q+2]+...+cr.value[cr_p])/q
步骤3-4.计算
arv_p’＝(cr.value[cr_p-p]+cr.value[cr_p-p+1]+...+cr.value[cr_p-1])/p
步骤3-5.计算
arv_q’＝(cr.value[cr_p-q]+cr.value[cr_p-q+1]+...+cr.value[cr_p-1])/q
步骤3-6.若arv_q>arv_q’且arv_p>arv_p’且arv_q>arv_p且
cr.value[cr_p]>arv_q，则对该人员进行预警，并结束；
步骤3-7.对cr_p进行累加，即cr_p＝cr_p+1，然后对cr_p进行判断，如果cr_p<cr.length，则跳转到步骤3-2，否则结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711307752.2A CN107945879A (zh) | 2017-12-11 | 2017-12-11 | 一种用于治未病的医疗数据挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711307752.2A CN107945879A (zh) | 2017-12-11 | 2017-12-11 | 一种用于治未病的医疗数据挖掘方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107945879A true CN107945879A (zh) | 2018-04-20 |
Family
ID=61946424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711307752.2A Pending CN107945879A (zh) | 2017-12-11 | 2017-12-11 | 一种用于治未病的医疗数据挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107945879A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841870A (zh) * | 2022-12-14 | 2023-03-24 | 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060062442A1 (en) * | 2004-09-16 | 2006-03-23 | Imaging Therapeutics, Inc. | System and method of predicting future fractures |
| CN1839749A (zh) * | 2005-04-01 | 2006-10-04 | 浙江工业大学 | 计算机辅助早期鉴别和预测老年性痴呆的装置 |
| CN101894309A (zh) * | 2009-11-05 | 2010-11-24 | 南京医科大学 | 传染病疫情预测预警方法 |
| CN103809559A (zh) * | 2014-01-16 | 2014-05-21 | 广东省农业科学院蚕业与农产品加工研究所 | 基于物联网的乳制品质量安全全生命周期监控预警方法 |
| US20140235293A1 (en) * | 2013-02-15 | 2014-08-21 | Michael L. Sheldon | Personal Health Monitoring System |
-
2017
- 2017-12-11 CN CN201711307752.2A patent/CN107945879A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060062442A1 (en) * | 2004-09-16 | 2006-03-23 | Imaging Therapeutics, Inc. | System and method of predicting future fractures |
| CN1839749A (zh) * | 2005-04-01 | 2006-10-04 | 浙江工业大学 | 计算机辅助早期鉴别和预测老年性痴呆的装置 |
| CN101894309A (zh) * | 2009-11-05 | 2010-11-24 | 南京医科大学 | 传染病疫情预测预警方法 |
| US20140235293A1 (en) * | 2013-02-15 | 2014-08-21 | Michael L. Sheldon | Personal Health Monitoring System |
| CN103809559A (zh) * | 2014-01-16 | 2014-05-21 | 广东省农业科学院蚕业与农产品加工研究所 | 基于物联网的乳制品质量安全全生命周期监控预警方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841870A (zh) * | 2022-12-14 | 2023-03-24 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dent et al. | Malnutrition screening and assessment in hospitalised older people: a review | |
| Du et al. | Six-minute walk test for assessing physical functional capacity in chronic heart failure | |
| Rockwood et al. | A frailty index based on common laboratory tests in comparison with a clinical frailty index for older adults in long-term care facilities | |
| Bohannon et al. | Minimal clinically important difference for change in comfortable gait speed of adults with pathology: a systematic review | |
| Schmidt et al. | Cardiometabolic risk in younger and older adults across an index of ambulatory activity | |
| Bédard et al. | Burden in caregivers of cognitively impaired older adults living in the community: methodological issues and determinants | |
| Pijpers et al. | The frailty dilemma. Review of the predictive accuracy of major frailty scores | |
| Reuben et al. | The predictive validity of self-report and performance-based measures of function and health | |
| Beydoun et al. | Pathways linking socioeconomic status to obesity through depression and lifestyle factors among young US adults | |
| Altangerel et al. | Assessment of function related to vision (AFREV) | |
| Jewell | Natural history of diseases: statistical designs and issues | |
| Marshall et al. | A systematic review and meta-analysis of the criterion validity of nutrition assessment tools for diagnosing protein-energy malnutrition in the older community setting (the MACRo study) | |
| Murray | Sampling bias in the molecular epidemiology of tuberculosis | |
| Khan et al. | Rasch-based scoring offered more precision in differentiating patient groups in measuring upper limb function | |
| Chang et al. | eFurniture for home-based frailty detection using artificial neural networks and wireless sensors | |
| Hanson et al. | Static-99 and RRASOR predict recidivism among developmentally delayed sexual offenders: A cumulative meta-analysis | |
| Kamo et al. | Direct and indirect effects of nutritional status, physical function and cognitive function on activities of daily living in J apanese older adults requiring long‐term care | |
| Akhtar et al. | Association of blood cotinine level with cognitive and physical performance in non-smoking older adults | |
| Arnett et al. | Introduction to epidemiology | |
| Gafner et al. | Reliability and diagnostic accuracy of commonly used performance tests relative to fall history in older persons: a systematic review | |
| Kaplan | Methodological problems in the study of psychosocial influences on the AIDS process | |
| Nicholson et al. | Examining early and late onset of multimorbidity in the Canadian Longitudinal Study on Aging | |
| Sora et al. | Metabolic syndrome and periodontitis in Gullah African Americans with type 2 diabetes mellitus | |
| Lee et al. | Association of the FRAIL scale with geriatric syndromes and health-related outcomes in Korean older adults | |
| Schoufour et al. | Comparing two frailty concepts among older people with intellectual disabilities |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |