CN108573752A - 一种基于健康大数据的健康信息处理的方法及系统 - Google Patents

Abstract

本申请公开了一种基于健康大数据的健康信息处理的方法，包括：对接收到的健康数据进行汇聚整合，并建立健康大数据库，并根据其数据建立预设模型及相对健康程度训练集；利用相对健康程度训练集对预设模型进行训练，得到评估与预测模型；利用评估与预测模型对接收到的健康信息进行评估与预测，得到评估与预测结果并输出。该方法通过建立健康大数据库，完成了对健康大数据的整合及分类，方便用户进行研发；评估与预测模型能够得到综合了受测者的各项健康信息的评估与预测结果，便于专业人士给出更为精确的诊断康复或健康促进的建议。本申请同时还提供了一种基于健康大数据的健康信息处理的系统、服务器及计算机可读存储介质，具有上述有益效果。

Description

一种基于健康大数据的健康信息处理的方法及系统

技术领域

本申请涉及健康大数据的研发应用领域，特别涉及一种基于健康大数据的健康信息处理的方法、系统、服务器及计算机可读存储介质。

背景技术

随着科学技术的不断发展，大数据与云端运算已普遍运用于各行各业，为人们的生活带来了极大的便利，健康大数据(Healthy big data)是随着近几年数字浪潮和信息现代化而出现的新名词，其目的在于对健康数据进行专业化处理和再利用，对于身体状况监测，疾病预防和健康趋势分析都具有积极的意义。

但由于健康大数据来源多样、涵盖面广，以及数据的整合、分类与周延极为复杂，难以适应研发需要，使得健康大数据与云端运算的应用发展缓慢，特别是现有的基于健康大数据的健康状况评估与预测功能还不完善，不能够综合受测者的各项健康信息得到相对全面的评估与预测结果。

因此，如何完善基于健康大数据的健康信息处理以得到相对全面的处理结果，是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种基于健康大数据的健康信息处理的方法、系统、服务器及计算机可读存储介质，用于完善基于健康大数据的健康信息处理以得到相对全面的处理结果。

为解决上述技术问题，本申请提供一种基于健康大数据的健康信息处理的方法，该方法包括：

对接收到的健康数据进行汇聚整合，并建立健康大数据库；

对所述健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集；

利用所述相对健康程度训练集对所述预设模型进行训练，得到基于健康大数据的评估与预测模型；

当接收到用户输入的健康信息时，利用所述评估与预测模型对所述健康信息进行评估与预测，得到评估与预测结果；

输出所述评估与预测结果。

可选的，所述对接收到的健康数据进行汇聚整合，并建立健康大数据库，包括：

对所述接收到的健康数据进行整理操作，得到具有相同格式的待处理数据；

将所述待处理数据进行处理操作，得到标准数据；其中，所述处理操作包括数据清洗、数据插补、数据转换、数据标准化、数据验证中的至少一项；

根据所述标准数据建立所述健康大数据库。

可选的，在根据所述标准数据建立所述健康大数据库之后，还包括：

建立不具个人识别数据的次级数据库。

可选的，对所述健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集，包括：

对所述健康大数据库中的数据进行大数据挖掘应用，挖掘到具有关联性的数据来源；其中，所述数据来源包括健康检查数据来源、医院临床数据来源、医疗保险数据来源中的至少一项；

依据健康与疾病发展轨迹对各所述数据来源进行关联性架构，并建立基于健康与疾病发展轨迹的预设模型。

可选的，对所述健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集，包括：

对所述健康大数据库中的数据进行统计，分别计算各健康事件的风险机率；其中，所述健康事件包括存活、失能、死因、共病、重大伤病、医疗资源利用中的至少一项；

根据各所述风险机率建立不同健康状况下的相对健康程度训练集，以及各疾病的相对严重程度训练集。

可选的，对所述健康大数据库中的数据进行统计，分别计算各健康事件的风险机率，包括：

将评估对象族群划分为健康者、亚健康者、已罹病病患；

利用比例风险模型对所述健康大数据库中的所述健康者的数据进行统计，得到各所述不同健康状况的健康者的各所述健康事件的风险机率；

利用罗吉斯模型对所述健康大数据库中的所述亚健康者的数据进行统计，得到各所述不同健康状况的亚健康者的各所述健康事件的风险机率；

利用一般线性模型对所述健康大数据库中的所述已罹病病患的数据进行统计，得到各所述已罹病病患的各所述疾病的各健康事件的风险机率。

可选的，利用所述评估与预测模型对所述健康信息进行评估与预测，得到评估与预测结果，包括：

利用所述评估与预测模型根据综合标准对所述健康信息进行评估与预测，得到基于综合标准的评估与预测结果；

利用所述评估与预测模型根据同类族群标准对所述健康信息进行评估与预测，得到基于同类族群标准的评估与预测结果。

可选的，所述评估与预测结果包括体态评估结果、生理健康评估结果、心理健康评估结果、热量评估结果、疾病风险评估结果中的至少一项。

可选的，在输出所述评估与预测结果之后，还包括：

根据所述评估与预测结果将所述用户划分为不同的待测族群；其中，所述待测族群包括健康低风险者、健康高风险者及医疗需求患者；

当所述用户为所述健康低风险者时，输出一般体检优先项目的建议；

当所述用户为所述健康高风险者或所述医疗需求患者时，依据所述评估与预测结果确定对应的检测项目，并输出精准体检优先项目的建议。

本申请还提供一种基于健康大数据的健康信息处理的系统，该系统包括：

健康大数据库建立模块，用于对接收到的健康数据进行汇聚整合，并建立健康大数据库；

训练集及模型建立模块，用于对所述健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集；

训练模块，用于利用所述相对健康程度训练集对所述预设模型进行训练，得到基于健康大数据的评估与预测模型；

评估与预测模块，用于当接收到用户输入的健康信息时，利用所述评估与预测模型对所述健康信息进行评估与预测，得到评估与预测结果；

输出模块，用于输出所述评估与预测结果。

本申请还提供一种基于健康大数据的健康信息处理服务器，该基于健康大数据的健康信息处理服务器包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述任一项所述基于健康大数据的健康信息处理的方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于健康大数据的健康信息处理的方法的步骤。

本申请所提供基于健康大数据的健康信息处理的方法，通过对接收到的健康数据进行汇聚整合，并建立健康大数据库；对健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集；利用相对健康程度训练集对预设模型进行训练，得到基于健康大数据的评估与预测模型；当接收到用户输入的健康信息时，利用评估与预测模型对健康信息进行评估与预测，得到评估与预测结果；输出评估与预测结果。

本申请所提供的技术方案，通过对接收到的健康数据进行汇聚整合，并建立健康大数据库，完成了对健康大数据的整合及分类，方便用户进行研发；通过相对健康程度训练集对预设模型的训练，使得得到的基于健康大数据的评估与预测模型能够对输入的健康信息进行评估与预测，得到综合了受测者的各项健康信息的评估与预测结果，使得评估与预测结果更为准确，便于专业人士给出更为精确的诊断康复或健康促进的建议，达成早警示、早阻断的主目标与早发现、早治疗的次目标。本申请同时还提供了一种基于健康大数据的健康信息处理的系统、服务器及计算机可读存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种基于健康大数据的健康信息处理的方法的流程图；

图2为本申请实施例所提供的一种糖尿病支持决策系统的工作流程图；

图3为图1所提供的一种基于健康大数据的健康信息处理的方法中S101的一种实际表现方式的流程图；

图4为图1所提供的一种基于健康大数据的健康信息处理的方法中S102的一种实际表现方式的流程图；

图5为图1所提供的一种基于健康大数据的健康信息处理的方法中S102的另一种实际表现方式的流程图；

图6为图1所提供的一种基于健康大数据的健康信息处理的方法中S104的一种实际表现方式的流程图；

图7为本申请实施例所提供的另一种基于健康大数据的健康信息处理的方法的流程图；

图8为本申请实施例所提供的一种基于健康大数据的健康信息处理的方法的物联网应用的流程图；

图9为本申请实施例所提供的一种基于健康大数据的健康信息处理的系统的结构图；

图10为本申请实施例所提供的另一种基于健康大数据的健康信息处理的系统的结构图；

图11为本申请实施例所提供的一种基于健康大数据的健康信息处理服务器的结构图。

具体实施方式

本申请的核心是提供一种基于健康大数据的健康信息处理的方法、系统、服务器及计算机可读存储介质，用于完善基于健康大数据的健康信息处理以得到相对全面的处理结果。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参考图1，图1为本申请实施例所提供的一种基于健康大数据的健康信息处理的方法的流程图。

其具体包括如下步骤：

S101：对接收到的健康数据进行汇聚整合，并建立健康大数据库；

健康大数据的研究为通过搜集汇聚整合大量健康的相关信息，进行比对、汇聚整合、验证、关联分析、模型建置及世代追踪等各种方式进行研究分析；本步骤依据最终规划的健康应用方法，先对接收到的不同来源的健康数据进行汇聚整合以保存分析字段，再依据数据类型进行研究规划以保留必要信息，最后建立健康大数据库；

基于现有的健康信息处理的方法仅考虑医院的临床数据，缺乏对于健康人群与亚健康人群的研究，难以有效的进行全人全世代的健康评估与预测，因此本实施例中提到的不同来源的健康数据，具体可以包括全人口相关公开数据、体检机构人群数据及医院临床数据；

可选的，由于医院临床数据主要来自医疗机构的病患就诊数据，多数医院多建有医院信息系统(Hospital Information System，HIS)，HIS多用于医院的经营与相关的管理，中大型医院HIS约有30-40类子数据库，用途各异，数据格式不一，大数据研发所需的数据虽都隐藏其中，但却难以实际大规模且普遍的应用，不论是传统的统计分析或大数据的挖掘应用，其效益都不尽理想，因此本申请实施例将针对健康大数据研发应用需要，将不同医疗机构的HIS系统整合创建为健康大数据研发用的通用数据库，能够满足跨院、跨地区临床数据的整合应用；

进一步的，由于HIS多用于医院的经营与相关的管理，包含基本数据库、病理资料库、用药数据库、检验数据库、手术数据库、其他数据库等各种类型数据库，而不同类型数据库又包含数个档案，并非为研究发展应用，因此建立健康大数据库时，可以从HIS中规划健康大数据库建立所需数据；

可选的，这里提到的全人口相关公开数据具体可以包括人口结构相关数据(如年龄与性别等)、死亡数据与死因、出生数据、全人口就医相关统计数据；

可选的，这里提到的体检机构人群数据具体可以为从健康检查服务单位的问卷数据库与检验数据库中挑选出的健康大数据库建立所需数据；

进一步的，由于不同健康检查服务单位的问卷数据库与检验数据库可能会存在差异，因此本申请实施例可以将不同的问卷数据库与检验数据库整合规划为相同的数据库，以使数据来源相似的数据进行整合，在提高数据精度的同时降低数据冗余；

本实施例结合全人口相关公开数据、医院临床数据与体检机构人群数据构建健康大数据库，足以显示健康者、亚健康与病患(有就医必要的不健康者，或正在就医者)的健康结果(Outcome)的差异，以满足全人全世代的健康评估与预测的研发应用需求。

S102：对健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集；

当健康大数据库建立完成后，依据预先规划的分析目的对健康大数据库中的数据进行分析研究、建立分析模型、大数据挖掘应用等操作，以完成预设模型及相对健康程度训练集的建立；

以医保就医数据为例，本步骤基于大数据分析应用开发的数据库及分析模型，可针对特定性别或年龄的患者，对应可能出现的疾病类型及其疾病发生率、盛行率、死亡率、治疗与处置方式、用药组合、…等情形，提供各类可能治疗处理或可能健康情形剖析，并提供对应的统计结果或决策建议等目标数据信息，建立对应的预设模型及相对健康程度训练集。

S103：利用相对健康程度训练集对预设模型进行训练，得到基于健康大数据的评估与预测模型；

可选的，利用相对健康程度训练集对预设模型进行训练，可以在迭代三十万次后停止训练，得到基于健康大数据的评估与预测模型，并达到通过该评估与预测模型，当接收到健康信息时，可以快速得到基于健康大数据的评估与预测结果。

S104：当接收到用户输入的健康信息时，利用评估与预测模型对健康信息进行评估与预测，得到评估与预测结果；

可选的，这里提到的评估与预测结果具体可以为健康评估、健康演化预测、健康记录档案、类族群/类同病患(Patient Like Me，PLM)比较、健康促进建议、疾病管理中的至少一项；

可选的，这里提到的健康信息的输入方式，具体可以为填写调查问卷后由系统扫描录入，也可以为用户自行输入的健康信息(如年龄、性别、身高、体重、腰围、臀围、胸围、腿围、臂长…等相关健康信息)；还可以为通过移动装置上传受测者的日常生活与健康有关的行为及身心状况，或者三种方式相互结合，本申请对此不做具体限定。

S105：输出评估与预测结果。

可选的，在输出评估与预测结果之后，还可以将病患个人健康评估问卷或健康数据导入临床决策辅助与支持系统中；

这里提到的临床决策辅助与支持系统具体可以为智慧医疗与P4Medicine，本申请实施例能够应用于医院管理与辅助医师诊断疾病和药品的判断，为医院管理系统中各个就医阶段设置对应的临床决策辅助与支持系统，以便于将病患个人健康评估问卷或健康数据输入临床决策辅助与支持系统中；

进一步的，在病患填写问卷时，可使用个人生活/心理/自我健康评估问卷系统与个人体态评估系统；在检查检验开单时，使用检查检验优化选单系统、主要生化指针演化趋势预测系统、检查检验筛选疾病系统及共病组合评估判别系统；在问诊、初诊与复诊时，提供主要疾病/共病判断与疗效判断与演化预测，可使用疾病严重程度评估系统、存活率评估与预测系统、死因与其死亡率预测系统、共病发生预测系统、重大伤病发生预测系统、手术与处置发生预测系统等；诊断后如需住院，则交由病房管理系统，而在住院的后的处置与用药，由病房照护指引系统与药品库存管理系统负责，其中包含处置选择优化选单系统、处置事前准备与事后医嘱系统，药品主文件(ATC)系统、药品组合选单辅助系统、药品方法辅助系统、与药品副作用、禁忌/警示查询系统等；提供医嘱时，可依治疗目标制定辅助系统与医嘱撰拟辅助系统达到健康预测，以及病患健康管理目标制定辅助系统达到健康管理目标；最后判断是否需要回诊时，可使用回诊预约与追踪事项回报系统、病患管理系统(ERP/CRM)&社群平台；

这里以糖尿病为例，对糖尿病支持决策系统进行说明：

以糖尿病支持决策系统为例，依据各项检验值(如：A1C、ALB、CHOL等)检验结果，并依个人健康评估系统提供主要生化值评估演化、严重程度评估演化与其他警示等讯息，在相同范围检验值条件下，提供各共病大分类、次分类与疾病三码的发生率等；

请参考图2，图2为本申请实施例所提供的一种糖尿病支持决策系统的工作流程图，其具体包括以下步骤：

S201：汇聚整合个人健康结果/结果(Outcome)，定义糖尿病确诊病人与其糖尿病相关的主要共病，找寻出糖尿病共病组合；

所谓共病(疾病型态)组合分析：就是将医保数据文件中找出主要疾病，如糖尿病(DM)，再依次找出糖尿病患的其他疾病，假如糖尿病的主要共病有33类，分别为A、B、C、D……W，再分别计算：

i.(DM+1)类共病：如DM+A、DM+B、DM+C、DM+D……

ii.(DM+2)类共病：如DM+A+B、DM+A+C、DM+A+D……

iii.(DM+3)类共病：如DM+A+B+C、DM+A+B+D、DM+A+B+E……

iv.(DM+4)类共病：如DM+A+B+C+D、DM+A+B+C+E……

S202：依据糖尿病共病组合与相对疾病严重程度，进行统计分析，推估糖尿病共病组合间的演化机率；

将医保数据中所有糖尿病患依S201步骤将疾病分类，再与相对严重程度结合，可得知各类共病组合的人数与占率，病患的性别与年龄分布、相对严重程度分布、存活率、死因、医疗使用等。从而找出共病型态与相对疾病严重程度的关联，估算共病组合间的演化机率。

S203：汇聚整合个人健康结果/结果(Outcome)，找寻出糖尿病与相关的主要共病的常见用药，与糖尿病共病用药组合；

如在糖尿病的共病1与共病2，提供各疾病组合的常见用药，并提供该药品的特色，如药品名、外观、临床用途、可能副作用、注意事项等，以及建议用法，如用法用量、药量；处方天数等；

所谓共药(用药习性)组合分析：就是在医保数据文件中，先将相关医保给付用药依其成分区分，并找出各主要用药类别，假如糖尿病的主要共药有36类，分别为a、b、c、d……，再分别计算：

i.用1类药：如a、b、c、d……

ii.用2类药：如a+b、a+c、a+d……

iii.用3类药：如a+b+c、a+b+d、a+b+e……

iv.用4类药：如a+b+c+d、a+b+c+e……

S204：依据糖尿病共病组合、糖尿病共病用药组合与相对疾病严重程度，进行统计分析，推估糖尿病共病共药演化机率，发展药品相关的应用分析模式。

藉由步骤S201～S203可得知各类用药组合的人数与占率，病患的性别与年龄分布、相对严重程度分布、存活率等，从而找出用药组合与严重健康程度的关联；

可选的，这里亦可进一步将共病共药再加组合分析，以延伸其他的应用模式：将共病型态与用药组合分别当成一个维度，再做二维度的交叉分析，如：

i.(DM+1)类共病与用1类药：如(DM+A，a)、(DM+A，d)……

ii.(DM+1)类共病与用2类药：如(DM+A，a+b)、(DM+A，b+d)……

iii.(DM+3)类共病与用2类药：如(DM+A+B+D，a+b)……

从共病共药的组合分析中，可从不同的角度，探讨(相同共病；相同共药)、(相同共病；不同共药)、(不同共病；相同共药)下，比较其用药后的疗效(如存活率、手术处置使用率、住院率、其他共病发生率、相对严重程度变化等)的差异，协助医生决定病患者最适合的治疗方式，可以避免医疗纠纷，减少用药浪费，并可藉以探讨药品的群体性的疗效与副作用，并进一步发展药品相关的应用分析模式，如：1.相对疗效分析模式、2.药物副作用分析模式、3.药品安全监测模式等；

依据上述用药组合结果提供生化检验值1、3、6…个月后的变化等，与1、3…年后医疗利用情形与死亡风险等；而在医嘱部分提供下次回诊时间/序号、下次检验单、下次检验值期待目标、饮食/生活习惯应注意事项或目标、与上网纪录/纸笔记录等；

以糖尿病二线用药组合比率为例，用药组合比率较高者有：Met+SU、Met+TZD、Met+DPP4、Met+Insulin、TZD+DPP4、TZD+GLP1、TZD+Insulin等；三线用药组合比率较高者有：Met+SU+TZD、Met+SU+DPP4、Met+SU+GLP1、Met+SU+Insulin、Met+DPP4+TZD等；再根据已掌握糖尿病各类各线用药组合常用剂量与使用次数的占率、费用、成效(如存活率或共病发生率等)等，具以开发具成本效益的复方用药；

本申请以个人健康促进为核心，以早警示、早阻断、早发现、早治疗为理念，拥有可预测(Predictive)、可预防(Preventive)、个人化(Personalized)和参与力(Participatory)等智能医疗与P4Medicine功能。

基于上述技术方案，本申请所提供的一种基于健康大数据的健康信息处理的方法，通过对接收到的健康数据进行汇聚整合，并建立健康大数据库，完成了对健康大数据的整合及分类，方便用户进行研发；通过相对健康程度训练集对预设模型的训练，使得得到的基于健康大数据的评估与预测模型能够对输入的健康信息进行评估与预测，得到综合了受测者的各项健康信息的评估与预测结果，使得评估与预测结果更为准确，便于专业人士给出更为精确的诊断康复或健康促进的建议，达成早警示、早阻断的主目标与早发现、早治疗的次目标。

针对上一实施例的步骤S101，由于现实世界的数据可能并不完整、不一致，或可能原始源数据因时间演化因素，导致信息缺失、含噪音等情形，同时健康数据的来源多样、涵盖面广，因此在建立健康大数据库之前，还可以先对数据进行过清洗与标准化，以使所建立的大数据库达到高质量数据规格，这里以医院临床数据为例进行说明；

请参考图3，图3为图1所提供的一种基于健康大数据的健康信息处理的方法中S101的一种实际表现方式的流程图。

其具体包括以下步骤：

S301：对接收到的健康数据进行整理操作，得到具有相同格式的待处理数据；

为使健康数据于汇聚整合完成后达到应用目的，对接收到的健康数据进行整理操作，得到具有相同格式的待处理数据，其具体可以包括：

单元格式名称一致化：明确相同意义的数据，若不同来源的数据采用不同名称储放，例如性别可能以SEX、GENDER、ID_SEX等名称存放，于汇聚整合过程中进行一致化设置，并原则上以整体规划一致考虑，给予最适规则，以使各数据文件名称达到编列规则一致化；

单元格式型态一致化：明确相同意义的数据，若不同来源的数据采用不同储放格式，例如原采用文字型态或数字型态存放，于汇聚整合过程中进行一致化设置；原采用日期含时间型态或文字型态日期存放，考虑后续应用方便性，改以一致化型态储存；

单元格式长度一致化：明确相同意义的数据，若不同来源的数据采用不同长度储放，例如相同文字保有不同长度，于汇聚整合过程中进行一致化设置，并原则上以最长长度规划，避免造成源数据截断造成讯息缺失的情形；

以医保数据为例，本步骤依据来源可能切分为就医数据、承保数据、就医医疗机构数据等数据类型，对相异数据库间具有类似字段或相同字段的信息进行单元格式一致化作业，例如将不同来源的数据文件内，代表内容为「性别」的字段，均重整为相同名称、型态、长度及相同内容表示的字段，以使后续分析使用时，有一致性的比较标准；

可选的，为增加建立的健康大数据库的广度与深度，以使其更具全面性与代表性，因此在面对医疗机构各式各样的HIS时，皆可将其整合规划为本申请建置的数据库，藉由将不同医疗机构的数据加以结合，然而由于HIS数据库的用途各异，不同数据库的代表相同意义的数据格式可能不一致，因此在建立健康大数据库之前，还可以先将不同的HIS整合为相同的数据库，再对数据进行过清洗与标准化；

本申请实施例就不同数据库、不同单位、不同格式、不同时点、不同设备的同项目数据，进行标准化与一致化后，在经过验证调校后，进行必要整合，所述必要整合即为将HIS不同类型数据库中的数据，重新规划整合集成为相同用途的数据，为达到类似源数据整合，并使后续档案间发送与接收顺畅，需进行串接键值的规划整合、串接数据比对核实等步骤，具体如下所述：

规划整合串接键值：依据不同来源的健康数据规划串接键值，并使不同来源的健康数据档案的串接键值规格一致化，至少包含名称一致化、型态一致化及长度一致化等，并应确认以使后续串接顺利，同时应确认所规划设置的键值，应在该数据文件可唯一或有条件地唯一取得特定信息，方可作为该数据库串接的键值；

串接数据比对核实：在将不同来源健康数据文件间进行串接时，除健康数据文件内可唯一或有条件地唯一取得特定信息之外，相异两个数据文件间相互串联的键值应可唯一或有条件地唯一取得特定信息，方可作为相异两个数据文件的间串接的键值；

以医保就医数据为例，本步骤依据各就医类别内相关数据表进行整合，切分为就医挂号诊断数据文件及就医医嘱数据文件，并分别规划设置数据文件的键值，及与其他健康数据文件串接的键值；就医挂号诊断数据文件及就医医嘱数据文件间进行健康数据比对核实时，并可由特定键值唯一取得就医挂号诊断信息，同时串接取得对应的条件下唯一就医医嘱信息，完成类似源数据整合集成步骤。

S302：将待处理数据进行处理操作，得到标准数据；

这里提到的处理操作可以包括数据清洗、数据插补、数据转换、数据标准化、数据验证中的至少一项，其中：

数据清洗：进行数据检误清洗为最基础数据库建置工作，本步骤依据数据库内容进行数据清洗，详列数据内噪音值、孤立值、空缺值、不合理信息等内容；

数据插补：基于数据清洗结果，以多重插补法进行数据插补，以空缺值为例，依据数据属性，可能以回归分析结果、或属性平均结果、或其他大数据分析结果进行数据插补，经数次重复来回插补后，插补值趋于收敛为某一数值为止，期达到数据信息一致性；

数据转换：指针对数据字段数据为达到各数据文件内信息一致化，于数据清洗后进行数据转换留存时，将数据转换为一致性标准；

数据标准化：具体指依据统计学方法进行数据标准化作业，意即将不同来源的类似数据，汇聚整合各数据分配曲线，再依分配曲线属性，应用统计方法将各数据分配曲线一致化，以此进行数据的标准化；

数据集成：搭配公开数据，将数据集汇聚整合为多个数据库、数据立方体、次级数据库或文件等；更进一步地，在本步骤中，可搭配其他类型数据进行数据汇聚整合，达到数据间信息比对整合的目的；

具体的，通过本实施例进行数据预处理后，将可获得更高质量大数据库，并使后续分析应用取得更高质量研析结果；

以全人口数据为例，于本步骤中可以进行就医数据、医疗机构数据、死亡数据、出生数据等不同类型数据文件间的相互比对、验证、追踪等研析处理。

S303：根据标准数据建立健康大数据库。

可选的，在建立健康大数据库之后，还可以依据健康大数据的研究用途分别建立各类应用子数据库，并依据源数据特性，保留必要字段；

当各健康数据档案完成规格设置一致化后，针对健康大数据研究用途不同，建置不同类别、差异化的应用子数据库，其具体可以包括以下步骤：

区分子数据库类别：基于健康大数据数据库不同类型及研究用途的应用规划，将不同来源的健康数据进行归类，类似来源的数据进行比对汇聚整合，建立健康数据档案关联表；

挑选必要分析字段：基于研究用途规划及后续应用范畴设计，保留最适用数据字段进行各类应用子数据库建置；不保留最多字段，以避免留存过多不需要的信息；不保留最少字段，以使数据库达到优化运用；

以医保就医数据为例，本申请实施例就医型态类型不同及后续分析应用差异，针对全人口就医数据进行就医类别区分，包含：门诊就医、住院就医等不同就医数据表，再依据后续分析规划及分析经验，保留最适用的数据字段，分别建立门诊就医、住院就医的数据库；

可选的，在根据标准数据建立健康大数据库之后，还可以包括建立不具个人识别数据的次级数据库；

基于健康数据发送与接收规划设定，进行去个人识别化次级数据库的预处理程序可以包括：次级数据库键值设定、次级数据库键值组合及主要分析字段撷取等步骤，具体如下：

次级数据库键值设定：基于健康大数据研究分析应用需求，并考虑各类研究目标与建置模型需求，规划各类次级数据库键值，包含：性别、年龄别、疾病别、地区别、疾病类别…等内容；

次级数据库键值组合：依据不同键值内容进行组合，例如年龄可能区分为单位年龄组、5岁年龄组、10岁年龄组及其他因应分析需求规划设计的年龄组合；其他次级数据库键值内容亦同；

主要分析字段撷取：基于规划的次级数据库键值设定，将健康大数据分析所欲进行分析字段进行数据撷取、整合，以达到个人信息隐蔽，大数据分析信息显露的结果，分析字段主要包含：就医次数、就医频率、医疗费用、住院日数、用药种类及次数、及其他医疗利用情形等；

基于上述技术方案，本申请实施例通过对数据进行过清洗与标准化，使得建立的大数据库达到高质量数据规格，解决了由于现实世界的数据不完整、不一致，以及原始源数据因时间演化因素，导致信息缺失或含噪音的问题。

在上述实施例的基础上，请参考图4，图4为图1所提供的一种基于健康大数据的健康信息处理的方法中S102的一种实际表现方式的流程图。

本实施例是针对上一实施例的S102，是对S102描述的内容做出了具体实现方式的描述，下面为图4所示的流程图，其具体包括以下步骤：

其具体包括以下步骤：

S401：对健康大数据库中的数据进行大数据挖掘应用，挖掘到具有关联性的数据来源；

这里提到的数据来源包括健康检查数据来源(数据来源1)、医院临床数据来源(数据来源2)、医疗保险数据来源(数据来源3)中的至少一项。

S402：依据健康与疾病发展轨迹对各数据来源进行关联性架构，并建立基于健康与疾病发展轨迹的预设模型。

本申请实施例依据研发的目的与范围拟定分析架构，探讨分析过程中，所需的输出(Output)变量(或目标变量；或被解释变量--Yj)与输入(Input)变量(或影响变量；或解释变量--Xi)，再根据三种数据来源筛出所需的字段，以期能串连人生不同阶段的健康状况与健康结果；

例如：数据来源1--以生活习性、个人特质、家庭病史等为输入变量(Ai)；以各项生化检测值为输出变量(Bi)，建两者关系函数Bi＝f(Ai)；

数据来源2--以各项生化检测值为输入变量(Bi)；以疾病、用药、处置等为输出变量(Ci)，建两者关系函数Ci＝g(Bi)；

数据来源3--以疾病、用药、处置等为输入变量(Ci)；以医疗费用、并发症、健康程度或疾病严重程度、死亡为输出变量(Di)，建两者关系函数Di＝h(Ci)；

由此可知，数据来源1的输出变量为数据来源2的输入变量；同样地，数据来源2的输出变量为数据来源3的输入变量，最终串联不同数据来源的结果，以建立不同函数间的关联函数，如Di＝hgf(Ai，Bi，Ci)或Ci＝gf(Ai，Bi)；可知依上述做法，可以进行(生活习性、个人特质、家庭病史等)与(生化检验结果、共病、医疗使用等)或与(健康程度、照护效益、并发症、存活或死亡等)的关联分析，藉以衔接生老病死全人健康演化趋势的"生命轨迹研究"，建立基于健康与疾病发展轨迹的预设模型；

可选的，这里以健康检查数据来源(数据来源1)、医院临床数据来源(数据来源2)、医疗保险数据来源(数据来源3)为准，将各健康数据的对象族群分成三种：1.健康者：系指无长期慢性病，且各项主要生理检查指标都在正常范围；2.亚健康者：系指无长期慢性病，部分主要生理检查指标都在正常但偏高范围，据为罹病高风险者；3.已罹病病患：系指具长期慢性病，或已确诊或治疗中的病患；架构各数据间的多重关联分析，例如：

1)以生活习性如吸烟、喝酒、运动、饮食；或个人与家族病史；或就医史与用药史等为输入变量；以个人体态如以身高与体重换算的BMI、体脂率、腰围、臀围、胸围、臂长等组合成腰臀比等为输出变量，架构各健康影响因素与个人体态的身体特质的关联；

2)架构各健康影响因素与各项检查值(检验值)的关联：以生活习性如吸烟、喝酒、运动、饮食；或个人与家族病史；或就医史与用药史等为输入变量；以主要生化检查值(可为异常与否的判断、或点估计值、或区间估计值、或经标准化后的代数值等)等为输出变数；

3)架构个人体态的身体特质与各项检查值(检验值)的关联：以个人体态如以身高与体重换算的BMI、体脂率、腰围、臀围、胸围、臂长等组合成腰臀比等为输入变量；以主要生化检查值(可为异常与否的判断、或点估计值、或区间估计值、或经标准化后的代数值等)等为输出变数；

4)架构各健康影响因素与多重慢性病组合的关联：以生活习性如吸烟、喝酒、运动、饮食；或个人与家族病史；或就医史与用药史等为输入变量；以主要长期不可逆慢性病或重大伤病影响(可为发生率、盛行率、死亡率)、或医疗使用(可为住院率、主要手术或处置发生率、医疗费用)等为输出变量；

5)架构个人体态的身体特质与多重慢性病组合的关联：以个人换算的体态如以身高与体重、体脂率、腰围、臀围、胸围、臂长等组合成如BMI、腰臀比等为输入变量；以主要长期不可逆慢性病或重大伤病影响(可为发生率、盛行率、死亡率)、或医疗使用(可为住院率、主要手术或处置发生率、医疗费用)等为输出变量；

6)架构各项检查值(检验值)与多重慢性病组合的关联：以主要生化检查值(可为异常与否的判断、或点估计值、或区间估计值、或经标准化后的代数值等)等为输入变量；以主要长期不可逆慢性病或重大伤病影响(可为发生率、盛行率、死亡率)、或医疗使用(可为住院率、主要手术或处置发生率、医疗费用)等为输出变量；

藉以上各类关联架构(可为次级数据库、统计模型、列联表等)，组合有效的预测模式；建构全方位全世代健康风险与多重慢性病发生风险的预设模型，除能够用于个人健康促进外，也有益于多重慢性病的整合医疗应用。

在上述实施例的基础上，请参考图5，图5为图1所提供的一种基于健康大数据的健康信息处理的方法中S102的另一种实际表现方式的流程图。

本实施例是针对上一实施例的S102，是对S102描述的内容做出了另一种具体实现方式的描述，下面为图5所示的流程图，其具体包括以下步骤：

S501：对健康大数据库中的数据进行统计，分别计算各疾病的各健康事件的风险机率；

其中，健康事件包括存活、失能、死因、共病、重大伤病、医疗资源利用中的至少一项；；

可选的，这里提到的对健康大数据库中的数据进行统计，分别计算各疾病的各健康事件的风险机率，具体可以包括：

将评估对象族群划分为健康者、亚健康者、已罹病病患；

利用比例风险模型对健康大数据库中的健康者的数据进行统计，得到各不同健康状况的健康者的各健康事件的风险机率；

利用罗吉斯模型对健康大数据库中的亚健康者的数据进行统计，得到各不同健康状况的亚健康者的各健康事件的风险机率；

利用一般线性模型对健康大数据库中的已罹病病患的数据进行统计，得到各已罹病病患的各疾病的各健康事件的风险机率。

S502：根据各风险机率建立不同健康状况下的相对健康程度训练集，以及各疾病的相对严重程度训练集。

以糖尿病患为实例对象，疾病严重程度(或健康程度)通常有先认知：首先，疾病严重程度最坏的结果(outcome)就是死亡；其次，疾病严重程度与病患共病种类与数量有关；最后，疾病严重程度与病患医疗使用有关；本申请实施例以各年糖尿病患为划分期间，于是得出如下结论：

当年与后一年的死亡率与本年的严重程度有关；

前一年的共病与医疗使用与本年年初的严重程度有关；

在本申请中，严重程度的划分，通常先找出与上述与严重程度相关性较高的变量，再以此等变量的风险机率分配，决定各等级的「切点」，本实例以10个严重程级说明，各疾病严重程度均先找出9个「切点」，依此9个切点，将该疾病病患严重程度分成10个等级，依此概念所做严重程度，系为同一疾病同一年度的病患间互为比较的结果，因此称作「相对严重程度」，但或因各疾病人数多寡不一；或因切点间的差异有限，必要时可再将10个严重等级合并成5个或3个(重度、中度、轻度)；

当各年严重程度划分后，需计算各年别、各性别、各年龄别、各严重程度的死亡率、主要共病发生率、住院率、医疗费用、失能率等的分配，并做各变数的一致性与适合度检定，如有不合理或不尽理想处，则调整切点或改变变量结构；

切点变量项目与个数的选择，会因疾病特性差异与假设间的相关性不同，而有差异，故实际操作中，切点变量项目与个数的选择，常需做若干组的不同组合，并从结果验证中找出最适当的组合，虽然各疾病切点变量项目与个数不尽相同，但验证的范围与程序是相同的，各疾病严重程度划分方法大同小异，将有助于各疾病间的衔接比较；

本申请所作的相对严重程度经验证后，得知与其医疗结果高度相关，虽然相关未必可以解释因果关联，但在具体应用上两者应可相辅相成，因为临床上的绝对严重程度是一个时间点的表征，而本申请则是一个时期的相对严重程度，可以视为同一时期、数个不同时间点临床上严重程度的综合表征，因此，本申请所做的健康或疾病预测都为一个时期的结果，如3年累积的死亡率、5年累积的癌症发生率、10年的累积住院率等；

临床上疾病严重程度都伴随着其他共病，且都有一定的脉络可循，本申请先挑出糖尿病常见的并发症，由各类并发症在各相对严重程度患者发生率的高低，整理出不同相对疾病严重程度与各类共病发生的关联，其中：

相对严重程度属轻度者(严重程度属于1、2、3与4者)较好发疾病有：高血压、眼部病变(如青光眼、白内障等)、口腔疾患、消化道疾病、神经系统疾患等；

相对严重程度属中度者(严重程度属于5、6与7者)较好发疾病有：缺血性心脏病、脑血管疾病、慢性肺部疾病、肾脏疾病、泌尿系统疾病、胃肠道溃疡、消化道肿瘤等；

相对严重程度属重度者(严重程度属于8、9与10者)较好发疾病有：肝癌、呼吸器肿瘤、泌尿系统肿瘤、神经病变(如老年痴呆、帕金森病等)、精神疾病(如精神官能症、情感性精神病等)、感染类疾病(如败血症、肺炎等)。

在上述实施例的基础上，请参考图6，图6为图1所提供的一种基于健康大数据的健康信息处理的方法中S104的一种实际表现方式的流程图。

本实施例是针对上一实施例的S104，是对S104描述的内容做出了另一种具体实现方式的描述，下面为图6所示的流程图，其具体包括以下步骤：

S601：利用评估与预测模型根据综合标准对健康信息进行评估与预测，得到基于综合标准的评估与预测结果；

S602：利用评估与预测模型根据同类族群标准对健康信息进行评估与预测，得到基于同类族群标准的评估与预测结果。

风险预测结果除知道受测者自身的预测结果外，提供同类族群的预测结果，将有助于对健康现状的体会，有助于个人增进健康促进的动机与动力；

这里提到的评估与预测结果包括体态评估结果、生理健康评估结果、心理健康评估结果、热量评估结果、疾病风险评估结果中的至少一项，其中：

体态评估含：身体质量评估；体脂率评估；身体组成(如体脂肪、矿物质、骨质量、蛋白质、水分、肌肉)评估；身体类型(隐性肥胖、脂肪过多、肥胖、体重过轻、低脂肪、肌肉过重、体格结实、标准等)评估；腹部肥胖评估、脂肪肌肉评估等；

生理健康评估含：生理健康系统(如呼吸系统、消化系统、循环系统、泌尿系统、内分泌系统、神经系统、生殖系统、感官系统等)评估；生存余命(寿命)预测；健康与失能与预测；健康程度评估与风险预测；生理实质年龄(Real Age)评估；自我健康评量与评估等；

心理健康评估含：整体心理健康评量与评估；压力指数评量与评估；忧郁指数评量与评估；老年失智评量与评估等；

热量评估含：基础代谢率评估；实际热量与理想热量评估等；

疾病风险与健康结果(Health outcome)评估与预测含：三高疾患及并发症风险评估与预测；心血管疾患及并发症风险评估与预测；精神疾患风险评估与预测；癌症风险评估与预测；主要慢性病及并发症风险评估与预测；重大伤病风险评估与预测；致命疾病(肇始死因)风险评估与预测；医疗使用(住院风险、主要手术或处置发生风险、医疗费用等)预测等；

综合评估与分析：身心健康综合评估；主要影响健康因素分析；健康管理与促进目标分析；

可选的，本申请实施例针对不同健康分类族群需要，提供各项健康风险评估与预测，包括：

同类族群(People Like Me或Patient Like Me，PLM)比较：同类族群系指有相同基本特质的族群，如同性别同年龄者，包括检查检验数值、各项风险评估结果，皆依此方法进行比较；---健康者、亚健康者及已罹病病患适用；

存活函数、平均余命与失能推估模式：包括未来存活及失能情形预测，预期寿命及余命推估等；---健康者、亚健康者及已罹病病患适用；

体态(含BMI、体脂率等)评估模式：包括与同类族群的比较、体态评估分类等；---健康者、亚健康者及已罹病病患适用；

健康现况评估：相对健康程度的评估；---健康者、亚健康者与已罹病病患适用；

实质健康年龄(Real Age)估算：依目前体况，推估身体的实质健康年龄；---健康者、亚健康者与已罹病病患适用；

主要影响健康因素分析：针对主要检查检验项目，评估其与同类族群比较情形，及可能影响健康的风险估算；---健康者适用；

主要生理系统或脏器罹病风险预警模式：提供各生理系统患病风险预测、可能罹患的疾病、脏器年龄评估等；---健康者、亚健康者适用；

疾病罹患风险预警模式：包括主要生理系统、长期慢性病、急重症疾病(含癌症、透析、呼吸照护、精神疾患等)等；---亚健康者与已罹病病患适用；

主要手术或处置发生风险预警模式：未来可能发生的手术或处置项目及风险推估；---亚健康者与已罹病病患适用；

住院风险预警模式：未来住院情形(如住院率、住院次数、日数)的推估。---亚健康者与已罹病病患适用；

未来医疗资源利用预测模式：包括就医模式预估(含门诊、住院、手术、癌治疗等)；---亚健康者与已罹病病患适用；

未来医疗费用预测模式：包括门诊、住院、手术、康复、照护购买等医疗费用预估；---健康者、亚健康者与已罹病病患适用；

致命疾病发生风险预警模式：推估未来因不同疾病致命的风险高低；---亚健康者与已罹病病患适用；

理想热量评估模式：针对不同身体状况，提供理想热量及饮食或运动建议；---健康者、亚健康者与已罹病病患适用；

主要影响健康因素指针健康管理模式：针对可能影响健康的检查检验项目，提供改善目标及管理建议；---健康者、亚健康者适用；

身心健康综合评估模式(含生活习惯病、不罹病增寿)：针对不同生活习惯病，推估其对于寿命缩减的影响，藉以督促尚未已罹病病患持续关注自身健康；---健康者、亚健康者与已罹病病患适用；

以上模式提供个人全世代多面向的健康现况评估演化预测，以为个人健康促进与疾病防治的所需，达成早警示、早阻断的主目标与早发现、早治疗的次目标。

基于上述实施例，请参考图7，图7为本申请实施例所提供的另一种基于健康大数据的健康信息处理的方法的流程图。

其具体包括以下步骤：

S701：根据评估与预测结果将用户划分为不同的待测族群；

其中，待测族群包括健康低风险者、健康高风险者及医疗需求患者；

需要说明的是，这里提到的健康低风险者对应于上述实施例中的健康者，这里提到的健康高风险者对应于上述实施例中的亚健康者，这里提到的医疗需求患者对应于上述实施例中的已罹病病患，为便于对待测族群及评估对象的区分，所以定义了不同名称。

S702：当用户为健康低风险者时，输出一般体检优先项目的建议；

S703：当用户为健康高风险者或医疗需求患者时，依据评估与预测结果确定对应的检测项目，并输出精准体检优先项目的建议。

若体检项目为一般体检者，提供个人健康风险评估；若体检项目为精准体检者，依据其罹患风险高的疾病的判定检测项目，建议高端体检，如计算机断层扫描及磁振造影MRI等高科技仪器，并整合肠胃内视镜、超音波及功能性检查等高阶检查项目，针对危害生命重大疾病进行精准筛检，如心脏及冠状动脉心血管疾病、脑部早期中风及全身各部位肿瘤，同时规划与精神、抗压、免疫、心血管疾病、慢性病、脑神经功能及癌症风险相关联重要功能性检查项目，与基因检测项目，再与本系统暨有数据库整合成为精准医疗大数据库，再经由遗传咨询估计某特质疾病发生风险，最后给予精准体检评估。

可选的，还可以根据体检评估与预测个人健康风险，并给予个人健康处方与企业健康处方，其中：

健康低风险者个人健康风险预测步骤可以如下所述：

利用一般血液检查的生化值与三高的关联函数，以预测三高发生机率；

对无一般血液检查者建立性别、年龄、BMI、腰臀比等与生化值的关联函数，以预测相关生化值并带入上述关联函数，以预测三高发生机率；

建立三高的关联函数，以预测三高所衍生的主要慢性病发生机率；

建立生化值与主要慢性病发生关联函数，以预测主要慢性病发生机率；

健康高风险者个人健康风险预测步骤可以如下所述：

利用一般血液检查的生化值与三高的关联函数，以预测三高及其他长期慢性病的发生机率；

对无一般血液检查者建立性别、年龄、BMI、腰臀比等与生化值的关联函数，以预测相关生化值并带入上述函数，以预测三高及其他长期慢性病发生机率；

建立三高的关联函数，以预测三高所衍生的主要慢性病发生机率；

建立生化值与主要慢性病发生关联函数，以预测主要慢性病发生机率；

建立慢性病与急重症的关联函数，以预测主要慢性病及急重症发生机率；

个人健康风险预测步骤可以如下所述：

受测者如有数个慢性病，首先需要确认核心疾病；其余病症则为共病(再分肇始病因与并发症)；

利用问卷(含个人及家族病史、目前接受治疗情形、生活习性等)及一般血液检查的生化值，以预测后续病情的发展机率；

无一般血液检查者，建立性别、年龄、BMI、腰臀比等与生化值的关联函数，以预测相关生化值并带入上述函数，以预测后续病情的发展机率；

建立核心疾病与共病的关联函数，以预测核心疾病所衍生的主要共病发生机率；

建立生化值与核心及共病发生关联函数，利用生化值的变化警示核心疾病演化与发展趋势；

建立核心疾病与急重症(含致命病因)的关联函数，以预测急重症击致命病因发生机率；

健康处方可以包括：

与理想体重、腰围、臀围的差距，并逐步改善目标；

与理想热量的差距，并逐步改善目标；

需要注意的是，应注意追踪的生化检查与理想值范围。

在上述实施例的基础上，针对第一实施例的S104，在评估与预测模型对健康数据加以分析后，还可以提供必要的建议与警示，或给予必要的协助，或提供满足受测健康促进需求有关的产品或服务，以使受测者经由与系统互动及反馈的循环，增进受测者健康教育及参与，不断提高系统与用户间黏着度，进而促进使用者健康促进意识及行为；

同时，本申请实施例还能够提供与评估或预测结果有关的医学保健服务、健康促进与管理服务、医疗康复、赡养照护、保险信托与生前契约等预测需求与交互消息，并藉由互动结果提供健康需求预测；基于此，本申请实施例还可以通过创新的手法提供个人健康促进与健康管理服务，进而刺激或引导客户健康促进与健康管理需求；

本申请实施例还可以以创业或跨行业联盟方式，以物联网方式连结产业服务供给，满足客户多元性的需求；

本申请实施例还可以依个人需求提供相关物联网信息服务建议，如金融集团(保险、创投、银行等)，或跨行业联盟(健康器材、运动中心、健康食材、餐厅、医疗辅具与养护机构等)，进而满足使用者需求促进消费市场；

本申请实施例还可以利用服务系统平台增加个人健康数据与产业服务数据的搜集，结合DT(Data Technology)与IT(Information Technology)专业，发展更多元服务平台，引领相关产业发展。

这里以保险商品网络营销为例，对物联网应用进行说明：

就保险网络营销而言，依据健康存折(即个人医疗利用纪录)等相关健康数据，进行风险评估计算，进而给予保单选择与建议，请参考图8，图8为本申请实施例所提供的一种基于健康大数据的健康信息处理的方法的物联网应用的流程图。

其详细步骤如下：

S801：提供三高(糖尿病、高血压、高血脂)相关风险信息，由个人健康初步评估系统给予个人健康初步评估报告；

首先提供三高(糖尿病、高血压、高血脂)相关风险信息，增加客户三高风险基本认知与警示作用，判断是否需要个人健康评估，需要者填写个人健康问卷，于填写问卷后由个人健康初步评估系统给予个人健康初步评估报告。

S802：依据健康初步评估报告判定是否需要收集健康存折，再提供进阶评估项目与相关信息；

若初步评估报告显示为亚健康或不健康者，本系统将提出健康存折的提供要求，在获得本人同意取得健康存折数据后，进行数据转置、储存、检误、校正等整理，藉以方便数据管理、调阅与分析，并进而给予进阶评估项目与相关信息，判断是否需要进一步评估审核。

S803：由承保风险评估模式估算各项健康风险，设计客制化个人保单；

经由(个人)承保风险评估模式估算各项健康风险，为设计相关客制化个人保单，与提供个人健康进阶评估报告，为有意购买保险者提供保险项目与保额建议，并可直接在线投保。

S804：承保完成后，根据用户填写的在线服务满意度问卷，给予回馈。

在完成相关核保纳保手续时，邀请参加健康与填写在线服务满意度问卷，内容包含对此次服务的便利性与操作建议等相关问题，藉以促进系统优化改进等。

请参考图9，图9为本申请实施例所提供的一种基于健康大数据的健康信息处理的系统的结构图。

该系统可以包括：

健康大数据库建立模块100，用于对接收到的健康数据进行汇聚整合，并建立健康大数据库；

训练集及模型建立模块200，用于对健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集；

训练模块300，用于利用相对健康程度训练集对预设模型进行训练，得到基于健康大数据的评估与预测模型；

评估与预测模块400，用于当接收到用户输入的健康信息时，利用评估与预测模型对健康信息进行评估与预测，得到评估与预测结果；

输出模块500，用于输出评估与预测结果。

请参考图10，图10为本申请实施例所提供的另一种基于健康大数据的健康信息处理的系统的结构图。

该健康大数据库建立模块100可以包括：

整理子模块，用于对接收到的健康数据进行整理操作，得到具有相同格式的待处理数据；

处理子模块，用于将待处理数据进行处理操作，得到标准数据；其中，处理操作包括数据清洗、数据插补、数据转换、数据标准化、数据验证中的至少一项；

建立子模块，用于根据标准数据建立健康大数据库。

该健康大数据库建立模块100还可以包括：

次级数据库建立子模块，建立不具个人识别数据的次级数据库。

该训练集及模型建立模块200可以包括：

数据挖掘子模块，用于对健康大数据库中的数据进行大数据挖掘应用，挖掘到具有关联性的数据来源；其中，数据来源包括健康检查数据来源、医院临床数据来源、医疗保险数据来源中的至少一项；

预设模型建立子模块，用于依据健康与疾病发展轨迹对各数据来源进行关联性架构，并建立基于健康与疾病发展轨迹的预设模型。

该训练集及模型建立模块200还可以包括：

统计子模块，用于对健康大数据库中的数据进行统计，分别计算各疾病的各健康事件的风险机率；其中，健康事件包括存活、失能、死因、共病、重大伤病、医疗资源利用中的至少一项；

训练集建立子模块，用于根据各风险机率建立不同健康状况下的相对健康程度训练集，以及各疾病的相对严重程度训练集。

该统计子模块可以包括：

划分单元，用于将评估对象族群划分为健康者、亚健康者、已罹病病患；

健康者统计单元，用于利用比例风险模型对健康大数据库中的健康者的数据进行统计，得到各不同健康状况的健康者的各健康事件的风险机率；

亚健康者统计单元，用于利用罗吉斯模型对健康大数据库中的亚健康者的数据进行统计，得到各不同健康状况的亚健康者的各健康事件的风险机率；

已罹病病患统计单元，用于利用一般线性模型对健康大数据库中的已罹病病患的数据进行统计，得到各已罹病病患的各疾病的各健康事件的风险机率。

该评估模块400可以包括：

综合标准子模块，用于利用评估与预测模型根据综合标准对健康信息进行评估与预测，得到基于综合标准的评估与预测结果；

同类族群标准子模块，用于利用评估与预测模型根据同类族群标准对健康信息进行评估与预测，得到基于同类族群标准的评估与预测结果。其中，评估与预测结果包括体态评估结果、生理健康评估结果、心理健康评估结果、热量评估结果、疾病风险评估结果中的至少一项。

基于健康大数据的健康信息处理的系统还可以包括：

风险划分模块，用于根据评估与预测结果将用户划分为不同的待测族群；其中，待测族群包括健康低风险者、健康高风险者及医疗需求患者；

一般体检输出模块，用于当用户为健康低风险者时，输出一般体检优先项目的建议；

精准体检输出模块，用于当用户为健康高风险者或医疗需求患者时，依据评估与预测结果确定对应的检测项目，并输出精准体检优先项目的建议。

以上系统中的各个组成部分可实际应用于以下的步骤中：

整理子模块对接收到的健康数据进行整理操作，得到具有相同格式的待处理数据；处理子模块将待处理数据进行处理操作，得到标准数据；建立子模块根据标准数据建立健康大数据库；次级数据库建立子模块建立不具个人识别数据的次级数据库；

数据挖掘子模块对健康大数据库中的数据进行大数据挖掘应用，挖掘到具有关联性的数据来源；预设模型建立子模块依据健康与疾病发展轨迹对各数据来源进行关联性架构，并建立基于健康与疾病发展轨迹的预设模型；划分单元将评估对象族群划分为健康者、亚健康者、已罹病病患；健康者统计单元利用比例风险模型对健康大数据库中的健康者的数据进行统计，得到各不同健康状况的健康者的各健康事件的风险机率；亚健康者统计单元利用罗吉斯模型对健康大数据库中的亚健康者的数据进行统计，得到各不同健康状况的亚健康者的各健康事件的风险机率；已罹病病患统计单元利用一般线性模型对健康大数据库中的已罹病病患的数据进行统计，得到各已罹病病患的各疾病的各健康事件的风险机率；训练集建立子模块根据各风险机率建立不同健康状况下的相对健康程度训练集，以及各疾病的相对严重程度训练集；

训练模块利用相对健康程度训练集对预设模型进行训练，得到基于健康大数据的评估与预测模型；综合标准子模块利用评估与预测模型根据综合标准对健康信息进行评估与预测，得到基于综合标准的评估与预测结果；同类族群标准子模块利用评估与预测模型根据同类族群标准对健康信息进行评估与预测，得到基于同类族群标准的评估与预测结果；输出模块500输出评估与预测结果。

风险划分模块根据评估与预测结果将用户划分为不同的待测族群；当用户为健康低风险者时，一般体检输出模块输出一般体检优先项目的建议；当用户为健康高风险者或医疗需求患者时，精准体检输出模块依据评估与预测结果确定对应的检测项目，并输出精准体检优先项目的建议。

请参考图11，图11为本申请实施例所提供的一种基于健康大数据的健康信息处理服务器的结构图。

基于健康大数据的健康信息处理服务器可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)622(例如，一个或一个以上处理器)和存储器632，一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储服务器)。其中，存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对装置中的一系列指令操作。更进一步地，中央处理器622可以设置为与存储介质630通信，在基于健康大数据的健康信息处理服务器600上执行存储介质630中的一系列指令操作。

基于健康大数据的健康信息处理服务器600还可以包括一个或一个以上电源626，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口658，和/或，一个或一个以上操作系统641，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。

上述图1至图8所描述的基于健康大数据的健康信息处理的方法中的步骤由基于健康大数据的健康信息处理服务器基于该图11所示的结构实现。

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，上述描述的系统，装置和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。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置、服务器和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，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，例如多个模块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接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

集成的模块如果以软件功能模块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，本申请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服务器(可以是个人计算机，功能调用装置，或者网络服务器等)执行本申请各个实施例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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本申请所提供的一种基于健康大数据的健康信息处理的方法、系统、服务器及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者服务器不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者服务器所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者服务器中还存在另外的相同要素。

Claims (12)

1.一种基于健康大数据的健康信息处理的方法，其特征在于，包括：

对接收到的健康数据进行汇聚整合，并建立健康大数据库；

对所述健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集；

利用所述相对健康程度训练集对所述预设模型进行训练，得到基于健康大数据的评估与预测模型；

当接收到用户输入的健康信息时，利用所述评估与预测模型对所述健康信息进行评估与预测，得到评估与预测结果；

输出所述评估与预测结果。

2.根据权利要求1所述的方法，其特征在于，所述对接收到的健康数据进行汇聚整合，并建立健康大数据库，包括：

对所述接收到的健康数据进行整理操作，得到具有相同格式的待处理数据；

将所述待处理数据进行处理操作，得到标准数据；其中，所述处理操作包括数据清洗、数据插补、数据转换、数据标准化、数据验证中的至少一项；

根据所述标准数据建立所述健康大数据库。

3.根据权利要求2所述的方法，其特征在于，在根据所述标准数据建立所述健康大数据库之后，还包括：

建立不具个人识别数据的次级数据库。

4.根据权利要求1所述的方法，其特征在于，对所述健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集，包括：

对所述健康大数据库中的数据进行大数据挖掘应用，挖掘到具有关联性的数据来源；其中，所述数据来源包括健康检查数据来源、医院临床数据来源、医疗保险数据来源中的至少一项；

依据健康与疾病发展轨迹对各所述数据来源进行关联性架构，并建立基于健康与疾病发展轨迹的预设模型。

5.根据权利要求1所述的方法，其特征在于，对所述健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集，包括：

对所述健康大数据库中的数据进行统计，分别计算各健康事件的风险机率；其中，所述健康事件包括存活、失能、死因、共病、重大伤病、医疗资源利用中的至少一项；

根据各所述风险机率建立不同健康状况下的相对健康程度训练集，以及各疾病的相对严重程度训练集。

6.根据权利要求5所述的方法，其特征在于，对所述健康大数据库中的数据进行统计，分别计算各健康事件的风险机率，包括：

将评估对象族群划分为健康者、亚健康者、已罹病病患；

利用比例风险模型对所述健康大数据库中的所述健康者的数据进行统计，得到各所述不同健康状况的健康者的各所述健康事件的风险机率；

利用罗吉斯模型对所述健康大数据库中的所述亚健康者的数据进行统计，得到各所述不同健康状况的亚健康者的各所述健康事件的风险机率；

利用一般线性模型对所述健康大数据库中的所述已罹病病患的数据进行统计，得到各所述已罹病病患的各所述疾病的各健康事件的风险机率。

7.根据权利要求1所述的方法，其特征在于，利用所述评估与预测模型对所述健康信息进行评估与预测，得到评估与预测结果，包括：

利用所述评估与预测模型根据综合标准对所述健康信息进行评估与预测，得到基于综合标准的评估与预测结果；

利用所述评估与预测模型根据同类族群标准对所述健康信息进行评估与预测，得到基于同类族群标准的评估与预测结果。

8.根据权利要求7所述的方法，其特征在于，所述评估与预测结果包括体态评估结果、生理健康评估结果、心理健康评估结果、热量评估结果、疾病风险评估结果中的至少一项。

9.根据权利要求1-8任一项所述的方法，其特征在于，在输出所述评估与预测结果之后，还包括：

根据所述评估与预测结果将所述用户划分为不同的待测族群；其中，所述待测族群包括健康低风险者、健康高风险者及医疗需求患者；

当所述用户为所述健康低风险者时，输出一般体检优先项目的建议；

当所述用户为所述健康高风险者或所述医疗需求患者时，依据所述评估与预测结果确定对应的检测项目，并输出精准体检优先项目的建议。

10.一种基于健康大数据的健康信息处理的系统，其特征在于，包括：

健康大数据库建立模块，用于对接收到的健康数据进行汇聚整合，并建立健康大数据库；

训练集及模型建立模块，用于对所述健康大数据库中的数据进行统计分析及大数据挖掘应用，建立预设模型及相对健康程度训练集；

训练模块，用于利用所述相对健康程度训练集对所述预设模型进行训练，得到基于健康大数据的评估与预测模型；

评估与预测模块，用于当接收到用户输入的健康信息时，利用所述评估与预测模型对所述健康信息进行评估与预测，得到评估与预测结果；

输出模块，用于输出所述评估与预测结果。

11.一种基于健康大数据的健康信息处理服务器，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至9任一项所述基于健康大数据的健康信息处理的方法的步骤。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述基于健康大数据的健康信息处理的方法的步骤。