CN108389622B - 一种基于最优模型的疾病预测方法、设备及存储设备 - Google Patents
一种基于最优模型的疾病预测方法、设备及存储设备 Download PDFInfo
- Publication number
- CN108389622B CN108389622B CN201810023563.0A CN201810023563A CN108389622B CN 108389622 B CN108389622 B CN 108389622B CN 201810023563 A CN201810023563 A CN 201810023563A CN 108389622 B CN108389622 B CN 108389622B
- Authority
- CN
- China
- Prior art keywords
- model
- disease
- criterion
- optimal
- result
- 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
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
- G16H50/50—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
-
- 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
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于最优模型的疾病预测方法、设备及存储设备,所述方法包括步骤:S1:建立疾病模型;S2:读入疾病数据到上述建立的疾病模型;S3:对所述模型中的参数进行拟合;S4:设定计算初值及天数;S5:以所述天数作为计算次数,判断所述参数是否存在;S6:若不存在,则采用拟合方法拟合参数值;S7:若存在,则计算出疾病模型的结果;S8:判断是否有未建立的疾病模型;S9:若有,则返回S1继续执行直至所有的疾病模型均已建立;S10:若没有,对所述结果进行评价,并选出评价值最高的疾病模型进行疾病的预测。一种基于最优模型的疾病预测设备及存储设备,用来实现所述方法。本发明可以对地区疾病的情况作出有效预测。
Description
技术领域
本发明涉及计算机技术及医学领域,具体涉及一种基于最优模型的疾病预测方法、设备及存储设备。
背景技术
疾病模型使人们对疾病流行规律的认识更加深入全面,使人们制定的防治措施更加可靠和符合实际。建立疾病模型的基础都是要建立相应的数学模型,而疾病动力学模型一种是研究疾病传播机理的数学模型。建立疾病动力学模型不仅要刻画出疾病的发展规律,而且要能预测疾病发展趋势,对于各种疾病的发展规律,建立一种更加符合疾病的实际传播规律的疾病模型是目前需要解决的问题。
发明内容
本发明提供了一种基于最优模型的疾病预测方法、设备及存储设备,通过使用评价函数对疾病模型进行评估,可以优选出最为有效的疾病模型,从而有效解决上述问题。
本发明提供的技术方案是:一种基于最优模型的疾病预测方法,所述方法包括步骤:S1:建立疾病模型;S2:读入疾病数据到上述建立的疾病模型;S3:对所述模型中的参数进行拟合;S4:设定计算初值及天数;S5:以所述天数作为计算次数,判断所述参数是否存在;S6:若不存在,则采用拟合方法拟合参数值;S7:若存在,则计算出疾病模型的结果;S8:判断是否有未建立的疾病模型;S9:若有,则返回S1继续执行直至所有的疾病模型均已建立;S10:若没有,对所述结果进行评价,并选出评价值最高的疾病模型进行疾病的预测。存储设备,所述存储设备存储指令及数据用于实现所述一种基于最优模型的疾病预测方法。一种基于最优模型的疾病预测设备,所述设备包括处理器及所述存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种基于最优模型的疾病预测方法。
本发明的有益效果是:本发明提供了一种基于最优模型的疾病预测方法、设备及存储设备,通过使用评价函数对疾病模型进行评估,可以优选出最为有效的疾病模型,从而对地区疾病的情况作出有效预测。
附图说明
图1是本发明实施例中基于最优模型的疾病预测方法的整体流程图;
图2是本发明实施例中本发明方案得到的疾病比例曲线及疾病比例残差曲线示意图;
图3是本发明实施例的硬件设备工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述,下文中提到的具体技术细节,如:方法,设备等,仅为使读者更好的理解技术方案,并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了一种基于最优模型的疾病预测方法、设备及存储设备。请参阅图1,图1是本发明实施例中基于最优模型的疾病预测方法的整体流程图,所述方法由硬件设备实现,具体步骤包括:
S101:建立疾病模型;通常依次建立多个疾病模型,待每个疾病模型建立完成后,评价比较这些疾病模型,并得到最优的疾病模型,例如:所述疾病模型具体为:SI模型,SIS模型或SIR模型。其中,以SIR模型为例,其模型的表达式为:
约束条件为:
s(t)+i(t)+r(t)=1
式子中,s代表健康者所占比例,i代表病人所占比例,r代表移出模型的人数的治愈或死亡人数所占比例。由以上微分方程式可以得到:
其中Δh即为每天易感染人群的人数变化量,Δc是移出系统的人数变化量,s与i分别是每天易感染人数比例数和患病人数比例,λ日接触率,μ是日治愈率。
S102:读入疾病数据到上述建立的疾病模型中。
S103:对所述模型中的参数进行拟合,所述参数具体为:病人日接触率及病人治愈率。所述拟合为将离散的参数拟合为连续的或较为密集的参数。
S104:设定计算初值及天数。所述天数为疾病爆发的天数,在天数内,日接触率λ和日治愈率μ具有数据。在天数外,日接触率λ和日治愈率μ没有数据。
S105:以所述天数作为计算次数,判断所述参数日接触率λ和日治愈率μ是否存在。
S106:若不存在,则采用拟合方法拟合参数值,所述拟合方法具体为:最小二乘法。
S107:若存在,则计算出疾病模型的结果。
S108:判断是否有未建立的疾病模型。
S109:若有,则返回S101继续执行,建立新的疾病模型。
S110:若没有,对多个疾病模型的结果进行评价,并选择出评价值最高的模型,采用该评价值最高的模型进行疾病的预测。上述对所述多个疾病模型的结果进行评价具体为:使用评价函数进行评价。所述评价函数的评价准则具体为:准则一:疾病模型计算出的结果与实际结果的最大差值,最大差值越大则表明此模型越差,相反则越好;准则二:疾病模型计算出的结果与实际结果的平均差,平均差越小则表明此模型越好;准则三:模型计算出的结果与实际结果的累积差,当累积差越小则表明此模型越好。所述准则一所占有的评价权重最大;所述准则二所占有的评价权重小于准则一的评价权重;所述准则三所占有的评价权重小于准则二的评价权重,例如所述准则一所占权重为50%,所述准则二所占权重为30%,所述准则三所占权重为20%,从而可计算出每个疾病模型的结果的评价值。每个评估标准占用不同的评估比重,例如可以设定第一个评估准则占据最大的权重,其次是第二条,评估权重最小的则是第三条。每个评价标准的权重设置则根据专家经验设定,设定所有评价标准权重之和为1,则可设定第一个评价准则的权重为0.5,第二个评价准则的权重为0.3,第三个评价准则的权重为0.2。
假设Vmax表示第一个评价标准的计算结果,Vavg表示第二个评价结果,Vacc表示第三个评价结果,则根据上述权重的设置,最终的计算结果如下:
V=0.5×Vmax+0.3×Vavg+0.2×Vacc
下面以经典的SIR模型为例说明本发明的方法和技术,首先介绍本发明的自适应参数拟合方法。
SIR模型(Susceptible–Infective-Removed epidemic model)考虑疾病有免疫性,即病人治愈后即移出感染系统,同时死亡人数也不在感染系统中,因此治愈的病人或者因病死亡的人都称为移出者(r)。SIR模型假设在疾病传播期内所考察地区的总人数不变为N,t时刻,健康者、病人和移出者的人数在总人数N中所占比例分别是s(t)、i(t)和r(t),设病人每天的接触率为λ,即日接触率,每天的治愈率为μ,即日治愈率。
根据以上假设,可以得到SIR的模型如下:
约束条件为:
s(t)+i(t)+r(t)=1 (2)
在上述SIR模型中,需要对未知的参数日接触率λ和日治愈率μ的求解,经典模型中并没有给出具体的参数求解方法或者参数的值,因此需要根据所获得的数据进行参数的计算求解,本发明给出SIR模型中的参数计算方法。
不同疾病的数据是不相同的,每种类型的疾病的参数也是不相同的,不能把一种疾病的参数数据代入另一种的疾病参数中计算,这样利用疾病模拟时会造成预测数据与实际数据不符合的情况本发明提出一种自适应的参数计算方法,该方法能根据不同类型的疾病的数据进行参数的计算;同时还能根据数据的多少,在计算过程中动态的调整修正参数值,使得预测的结果更与实际情况更加符合。
根据式(1)中的偏微分方程可知
式(3)中Δh即为每天易感染人群的人数变化量,Δc是移出系统的人数变化量,s与i分别是每天健康人数比例数和患病人数比例。
在实际获取数据中,我们可以得到某个地区的总人数N、每天的患病人数i、治愈人数和死亡人数。因此式(3)中的相关参数是可以计算的。根据式(3)计算所得的λ和μ是一系列的离散的点。如果将这些离散点代入式(3)的微分方程中计算时,利用数值计算方法积分得到的结果与实际情况比较相符,但是积分时间只能到现有数据的天数。当积分天数比现有数据的天数多时,那么将没有实际的参数λ和μ与之对应,即当积分天数为60天,而现有数据只有50天,那么后来的10天是没有相对应的数据,在此本文采用曲线拟合的方法,得到参数λ和μ关于时间t的多项式函数,从而可以随时计算参数λ和μ。
通过分析实际数据可知,模型中的参数λ和μ是随着时间变化而变化的,并不是一个固定的常量,因此我们可以得到参数λ和μ分别是关于时间t的函数,具体的函数形式并不知道。在不知道具体函数形式的情况下,可以将现有数据利用最小二乘法进行曲线拟合,得到近似的多项式函数。最后,实验数据格式如表1所示。
表1
参见图2,图2是本发明实施例中本发明方案得到的疾病比例曲线及疾病比例残差曲线示意图,包括:模型计算曲线201、实际数据曲线202及疾病比例残差曲线203。由图中可见,采用本发明方案的疾病模型在拟合和预测SARS患病比例效果还是很不错,采用的评估函数有效地选择出了最优模型的计算结果作为拟合结果。疾病比例残差曲线203显示基于优化组合方法的疾病模型在模拟SARS患病比例过程中较为准确,残差数量级相比实际值很小,拟合和预测结果十分不错。
上述基于最优模型的疾病预测方法分别依次建立多个疾病模型,并对所有疾病模型的结果进行评价比较,选出评价值最高的模型作为最优的疾病模型进行疾病的预测,从而对地区疾病的情况作出有效预测。
参见图3,图3是本发明实施例的硬件设备工作示意图,所述硬件设备具体包括:一种基于最优模型的疾病预测设备301、处理器302及存储设备303。
基于最优模型的疾病预测设备301:所述一种基于最优模型的疾病预测设备301实现所述一种基于最优模型的疾病预测方法。
处理器302:所述处理器302加载并执行所述存储设备303中的指令及数据用于实现所述的一种基于最优模型的疾病预测方法。
存储设备303:所述存储设备303存储指令及数据;所述存储设备303用于实现所述的一种基于最优模型的疾病预测方法。
通过执行本发明的实施例,本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术,本发明的实施例提供了一种基于最优模型的疾病预测方法、设备及存储设备,通过使用评价函数对疾病模型进行评估,可以优选出最为有效的疾病模型,从而对地区疾病的情况作出有效预测。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于最优模型的疾病预测方法,所述方法由硬件设备实现,其特征在于:包括以下步骤:S1:建立疾病模型;S2:读入疾病数据到上述建立的疾病模型;S3:对所述模型中的参数进行拟合;S4:设定计算初值及天数;S5:以所述天数作为计算次数,判断所述参数是否存在;S6:若不存在,则采用拟合方法拟合参数值;S7:若存在,则计算出疾病模型的结果;S8:判断是否有未建立的疾病模型;S9:若有,则返回S1继续执行直至所有的疾病模型均已建立;S10:若没有,使用评价函数对所述结果进行评价,并选出评价值最高的疾病模型进行疾病的预测;所述评价函数的评价准则具体为:所述结果与实际结果的最大差值越大,则表明此模型越差,相反则越好;所述结果与实际结果的平均差越小则表明此模型越好;所述结果与实际结果的累积差越小则表明此模型越好。
2.如权利要求1所述的一种基于最优模型的疾病预测方法,其特征在于:依次建立了多个疾病模型,分别为:SI模型,SIS模型和SIR模型。
3.如权利要求1所述的一种基于最优模型的疾病预测方法,其特征在于:所述参数具体为:病人日接触率及病人治愈率。
4.如权利要求1所述的一种基于最优模型的疾病预测方法,其特征在于:所述拟合方法具体为:最小二乘法。
5.如权利要求1所述的一种基于最优模型的疾病预测方法,其特征在于:所述准则一所占有的评价权重最大;所述准则二所占有的评价权重小于准则一的评价权重;所述准则三所占有的评价权重小于准则二的评价权重。
6.如权利要求1所述的一种基于最优模型的疾病预测方法,其特征在于:所述准则一所占权重为50%,所述准则二所占权重为30%,所述准则三所占权重为20%。
7.存储设备,其特征包括:所述存储设备存储指令及数据用于实现权利要求1~5所述的任意一种方法。
8.一种基于最优模型的疾病预测设备,其特征在于:包括:处理器及所述存储设备;所述处理器加载并执行权利要求7中所述存储设备中的指令及数据用于实现权利要求1~5所述的任意一种方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810023563.0A CN108389622B (zh) | 2018-01-10 | 2018-01-10 | 一种基于最优模型的疾病预测方法、设备及存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810023563.0A CN108389622B (zh) | 2018-01-10 | 2018-01-10 | 一种基于最优模型的疾病预测方法、设备及存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389622A CN108389622A (zh) | 2018-08-10 |
CN108389622B true CN108389622B (zh) | 2022-03-15 |
Family
ID=63076726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810023563.0A Active CN108389622B (zh) | 2018-01-10 | 2018-01-10 | 一种基于最优模型的疾病预测方法、设备及存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389622B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979589B (zh) * | 2019-02-21 | 2023-04-25 | 歌尔科技有限公司 | 治愈率的分析方法、装置以及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1881227A (zh) * | 2006-05-16 | 2006-12-20 | 中国人民解放军第三军医大学 | 传染病疫情诊断及危害度分类智能分析模型技术 |
CN101794342A (zh) * | 2009-09-30 | 2010-08-04 | 中国人民解放军防化指挥工程学院 | 基于非线性、变系数预测模型的传染病疫情预测分析方法 |
CN106777935A (zh) * | 2016-12-05 | 2017-05-31 | 广东石油化工学院 | 一种基于网络结构的疾病动态预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0301977D0 (en) * | 2003-01-28 | 2003-02-26 | Daniolabs Ltd | Method for creating a model amenable to high-throughput screening |
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 |
CN108364694B (zh) * | 2018-03-09 | 2022-04-01 | 中华人民共和国陕西出入境检验检疫局 | 基于多数据源大数据的机场疾病预警及防控系统构建方法 |
-
2018
- 2018-01-10 CN CN201810023563.0A patent/CN108389622B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1881227A (zh) * | 2006-05-16 | 2006-12-20 | 中国人民解放军第三军医大学 | 传染病疫情诊断及危害度分类智能分析模型技术 |
CN101794342A (zh) * | 2009-09-30 | 2010-08-04 | 中国人民解放军防化指挥工程学院 | 基于非线性、变系数预测模型的传染病疫情预测分析方法 |
CN106777935A (zh) * | 2016-12-05 | 2017-05-31 | 广东石油化工学院 | 一种基于网络结构的疾病动态预测方法 |
Non-Patent Citations (1)
Title |
---|
SARS 传播模型的探讨;周广发;《佳木斯大学学报》;20050131;第114-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108389622A (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Jointly modeling longitudinal and event time data with application to acquired immunodeficiency syndrome | |
Carli et al. | Model predictive control to mitigate the COVID-19 outbreak in a multi-region scenario | |
Dufouil et al. | Analysis of longitudinal studies with death and drop‐out: a case study | |
Alkema et al. | Global estimation of child mortality using a Bayesian B-spline bias-reduction model | |
Shaman et al. | Inference and forecast of the current West African Ebola outbreak in Guinea, Sierra Leone and Liberia | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
CN111445997A (zh) | 基于机器学习算法的传染病动力学模型及分析方法 | |
US12051487B2 (en) | Systems and methods for supplementing data with generative models | |
CN112639833A (zh) | 可自适应神经网络 | |
EP3848941A1 (en) | Model training method and electronic device | |
US20220157413A1 (en) | Systems and Methods for Designing Augmented Randomized Trials | |
JP2019128904A (ja) | 予測システム、シミュレーションシステム、方法およびプログラム | |
Tricahya et al. | Forecasting the amount of pneumonia patients in Jakarta with weighted high order fuzzy time series | |
CN108389622B (zh) | 一种基于最优模型的疾病预测方法、设备及存储设备 | |
Guo et al. | System identification approaches for energy intake estimation: Enhancing interventions for managing gestational weight gain | |
Briat et al. | A new delay-SIR model for pulse vaccination | |
CN111695614B (zh) | 一种动态监测的传感器布局与多源信息融合方法和及系统 | |
US20230352125A1 (en) | Systems and Methods for Adjusting Randomized Experiment Parameters for Prognostic Models | |
CN114470719B (zh) | 一种全自动姿态矫正训练方法及系统 | |
US20240321406A1 (en) | Prediction of pharmacokinetic curves | |
CN116564542A (zh) | 一种基于动力学模型的传染病传播规模预测方法及系统 | |
Lewis et al. | Three stage AIDS incubation period: a worst case scenario using addict–needle interaction assumptions | |
Scarabaggio et al. | Stochastic non-pharmaceutical optimal control strategies to mitigate COVID-19 | |
US12036391B2 (en) | Method for determining an uncertainty level of deep reinforcement learning network and device implementing such method | |
Tanii et al. | A fuzzy logic approach to predict human body weight based on AR model |
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 |