CN109256212A - 骨健康评估模型构建方法、装置、设备、介质及评估方法 - Google Patents

Abstract

本发明实施例公开了一种骨健康评估方法、装置、及骨健康评估模型构建方法、装置、设备、计算机可读存储介质。其中，方法包括将用户用于测试自身骨健康状态的评估数据输入预先建立的骨健康评估模型，得到用户当前的骨健康状态及发生骨折的概率。骨健康评估模型为基于多重慢性疾病训练集、体态与骨质密度T值训练集、骨折危险因数训练集及骨健康标准对骨健康评估预设模型进行训练所得，评估数据为多重慢性疾病训练集、体态与骨质密度T值训练集或骨折危险因数训练集中的任意一种或任意组合的数据。本申请实现了准确评估个人骨健康状况以及准确预测骨折发生概率，有利于骨健康改善甚至是避免用户因骨折造成失能甚至死亡现象的发生。

Description

骨健康评估模型构建方法、装置、设备、介质及评估方法

技术领域

本发明实施例涉及健康状态评估领域，特别是涉及一种骨健康评估方法、装置及骨健康评估模型构建方法、装置、设备、计算机可读存储介质。

背景技术

随着医疗技术的快速发展，人民生活水平的日益提高，及时、准确预测个人的身体健康状况，有利于及时进行治疗，提高疾病治疗的成功率，且可有效缓解疼痛。

骨健康作为支持人类运动、保护身体的重要器官，其健康程度对个人的日常生活和生活质量影响较大，尤其是发生骨折，很大程度上影响生活质量甚至是个人存活。我国因人口老化日趋恶化，老人照护问题也日益严重，老人照护问题中，又以骨折造成失能与死亡最需关切与解决。根据国内外研究资料显示，骨折发生人数受到战后婴儿潮人口老化影响，骨折发生风险在50岁以后，每多5-6岁则会增加1倍，使得骨折平均年龄提高，当中亚洲大部分国家骨折增加幅度每年约1-2倍，预计到2050年亚洲产生的骨折数量将占全球的50％，将加重老人照护的负担。在面对数量巨大的照护需求人口和高度老龄化的社会，是预防骨折风险的重大议题。

老人骨折常因是骨病变如骨质疏松症、退化性疾病、跌倒等所造成，前述损伤又常因个人的生活习性包括运动、饮食、睡眠、烟酒、用药或先天体质等所造成，也即是个人骨健康状态或者是有无骨折风险均是有因可循的。

鉴于此，如何提前预测个人骨健康评估状况(例如骨折未来不同时期发生的概率)，使得受试者根据预估的骨健康状况通过加强日常骨健康防护和改善生活习性，从而有利于预防、或避免骨折的发生，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种骨健康评估方法、装置、及骨健康评估模型构建方法、装置、设备、计算机可读存储介质，可准确评估个人骨健康的健康状况以及准确预测骨折发生概率。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种骨健康评估模型构建方法，包括：

获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，以构成骨健康数据库；

对所述骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集，所述训练样本集包括多重慢性疾病训练集、体态与骨质密度T值训练集及骨折危险因数训练集；

基于各训练样本集及骨健康标准对骨健康评估预设模型进行训练，得到所述骨健康评估模型；所述骨健康评估模型用于根据用户输入的数据输出用户当前的骨健康状态及发生骨折的概率；

其中，所述骨折危险因数训练集为由导致用户出现骨健康状况或发生骨折的影响因子及各影响因子对应的骨健康状态数据构成。

可选的，所述对所述骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集包括：

统计并挖掘所述骨健康数据库中各类多重慢性疾病的用户在不同生命周期阶段的骨健康特征数据，计算各类多重慢性疾病对应的骨健康状态参数及发生骨折的概率，以建立多重慢性疾病训练集；

统计并挖掘所述骨健康数据库中用户在不同生命周期阶段的体态数据与相对应骨健康特征数据，及不同用户的体态数据与相对应骨健康特征数据，计算各类体态与骨密度T值对应的骨健康状态及发生骨折的概率，以建立体态与骨质密度T值训练集；

统计并挖掘所述骨健康数据库中不同影响因子对应的骨健康特征数据，计算各类影响因子对应的骨健康状态及发生骨折的概率；所述影响因子为以下任意一项或任意组合：生活习性、个人特质、家族病史、存活、失能、死因、共病、用药、重大伤病、手术、医疗资源利用。

可选的，所述获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，以构成骨健康数据库包括：

获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

对获取的多组数据进行归一化处理，得到具有相同格式的待处理数据；

将所述待处理数据进行数据预处理，得到标准试验数据；所述数据预处理为以下任意一项或任意组合：数据清洗、数据插补、数据转换、数据标准化、数据验证；

根据所述标准试验数据建立骨健康数据库。

可选的，所述对所述骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集之后，还包括：

统计并挖掘多组发生骨折的用户在骨折发展轨迹中的各项数据，构成骨折预测数据集，各项数据包括用户在相应阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

对所述骨折预测数据集中的各项数据进行关联性架构并学习，建立骨折预测子模型，所述骨折预测子模型用于预测用户在不同年龄段发生骨折的概率及部位。

本发明实施例还提供了一种骨健康评估模型构建装置，包括：

数据采集模块，用于获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，以构成骨健康数据库；

训练集建立模块，用于对所述骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集，所述训练样本集包括多重慢性疾病训练集、体态与骨质密度T值训练集及骨折危险因数训练集；其中，所述骨折危险因数训练集为由导致用户出现骨健康状况或发生骨折的影响因子及各影响因子对应的骨健康状态数据构成；

骨健康评估模型建立模块，用于基于各训练样本集及骨健康标准对骨健康评估预设模型进行训练，得到所述骨健康评估模型；所述骨健康评估模型用于根据用户输入的数据输出用户当前的骨健康状态及发生骨折的概率。

可选的，所述训练集建立模块包括：

多重慢性疾病训练集建立子模块，用于统计并挖掘所述骨健康数据库中各类多重慢性疾病的用户在不同生命周期阶段的骨健康特征数据，计算各类多重慢性疾病对应的骨健康状态参数及发生骨折的概率，以建立多重慢性疾病训练集；

体态与骨质密度T值训练集建立子模块，用于统计并挖掘所述骨健康数据库中用户在不同生命周期阶段的体态数据与相对应骨健康特征数据，及不同用户的体态数据与相对应骨健康特征数据，计算各类体态与骨密度T值对应的骨健康状态参数及发生骨折的概率，以建立体态与骨质密度T值训练集；

骨折危险因数训练集建立子模块，用于统计并挖掘所述骨健康数据库中不同影响因子对应的骨健康特征数据，计算各类影响因子对应的骨健康状态参数及发生骨折的概率；所述影响因子为以下任意一项或任意组合：生活习性、个人特质、家族病史、存活、失能、死因、共病、用药、重大伤病、手术、医疗资源利用。

可选的，所述数据采集模块包括：

数据获取子模块，用于获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

格式归一化子模块，用于对获取的多组数据进行归一化处理，得到具有相同格式的待处理数据；

数据处理子模块，用于将所述待处理数据进行数据预处理，得到标准试验数据；所述数据预处理为以下任意一项或任意组合：数据清洗、数据插补、数据转换、数据标准化、数据验证；

数据库建立子模块，用于根据所述标准试验数据建立骨健康数据库。

可选的，还包括骨折预测子模型模块，所述骨折预测子模型模块包括：

数据分析子模块，用于统计并挖掘多组发生骨折的用户在骨折发展轨迹中的各项数据，构成骨折预测数据集，各项数据包括用户在相应阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

模型训练子模块，用于对所述骨折预测数据集中的各项数据进行关联性架构并学习，建立骨折预测子模型，所述骨折预测子模型用于预测用户在不同年龄段发生骨折的概率及部位。

本发明实施例另一方面提供了一种骨健康评估方法，包括：

获取用户输入的评估数据；

将所述评估数据输入预先建立的骨健康评估模型，得到用户当前的骨健康状态及发生骨折的概率；

其中，所述骨健康评估模型为基于多重慢性疾病训练集、体态与骨质密度T值训练集、骨折危险因数训练集及骨健康标准对骨健康评估预设模型进行训练所得；所述评估数据为多重慢性疾病训练集、体态与骨质密度T值训练集或骨折危险因数训练集中的任意一种或任意组合的数据。

本发明实施例还提供了一种骨健康评估装置，包括：

评估数据输入模块，用于获取用户输入的评估数据；

骨健康评估模块，用于将所述评估数据输入预先建立的骨健康评估模型，得到用户当前的骨健康状态及发生骨折的概率；

骨健康评估模型构建模块，所述骨健康评估模型为基于多重慢性疾病训练集、体态与骨质密度T值训练集、骨折危险因数训练集及骨健康标准对骨健康评估预设模型进行训练所得；所述评估数据为多重慢性疾病训练集、体态与骨质密度T值训练集或骨折危险因数训练集中的任意一种或任意组合的数据。

可选的，还包括康复建议输出模块，用于输出与用户的骨健康状态相对应的骨健康改善建议；所述骨健康改善建议包括运动、饮食、健康照护的建议及避免的不良生活习性；其中，所述骨健康评估模型还包括骨健康改善建议子模型，所述骨健康改善建议子模型基于获取的不同骨健康状态对应的骨健康改善建议数据训练所得。

本发明实施例还提供了一种骨健康评估模型构建设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述骨健康评估模型构建方法的步骤。

本发明实施例最后还提供了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骨健康评估模型构建程序，所述骨健康评估模型构建程序被处理器执行时实现如前任一项所述骨健康评估模型构建方法的步骤。

本发明实施例提供了一种骨健康评估方法，将用户用于测试自身骨健康状态的评估数据输入预先建立的骨健康评估模型，得到用户当前的骨健康状态及发生骨折的概率。骨健康评估模型为基于多重慢性疾病训练集、体态与骨质密度T值训练集、骨折危险因数训练集及骨健康标准对骨健康评估预设模型进行训练所得，评估数据为多重慢性疾病训练集、体态与骨质密度T值训练集或骨折危险因数训练集中的任意一种或任意组合的数据。

本申请提供的技术方案的优点在于，基于易对骨健康状况或者是易造成骨折的用户数据进行训练得到骨健康评估模型，在用户输入规定类型的测试数据后，便可直接得到该用户当前的骨健康状态以及预测未来发生骨折的几率。通过准确评估个人骨健康的健康状况以及准确预测骨折发生概率，用户可采取相应的骨健康防护措施和改善生活习性进行改善当前的骨健康状况，从而有利于避免或降低骨折的概率，实现早警示、早阻断的主目标与早发现、早治疗的次目标，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

此外，本发明实施例还针对骨健康评估方法提供了相应的实现装置及骨健康评估模型构建方法、装置、设备、计算机可读存储介质进一步使得所述方法更具有可行性，所述装置骨健康评估模型构建方法、装置、设备、计算机可读存储介质具有相应的优点。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种骨健康评估模型构建方法的流程示意图；

图2为图1所提供的一种骨健康评估模型构建方法中S102的一种具体表现方式的流程图；

图3为图1所提供的一种骨健康评估模型构建方法中S101的一种具体表现方式的流程图；

图4为本发明实施例提供的另一种骨健康评估模型构建方法的流程示意图；

图5为本发明实施例提供的一种骨健康评估方法的流程示意图；

图6为本发明实施例提供的另一种骨健康评估方法的流程示意图；

图7为本发明实施例提供的骨健康评估模型构建装置的一种具体实施方式结构图；

图8为本发明实施例提供的骨健康评估模型构建装置的另一种具体实施方式结构图；

图9为本发明实施例提供的骨健康评估装置的一种具体实施方式结构图；

图10为本发明实施例提供的骨健康评估装置的另一种具体实施方式结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。基于本发明中的实施例，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，都属于本发明保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

首先参见图1，图1为本发明实施例提供的一种骨健康评估方法的流程示意图，本发明实施例可包括以下内容：

S101：获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，以构成骨健康数据库。

S102：对骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集，训练样本集包括多重慢性疾病训练集、体态与骨质密度T值训练集及骨折危险因数训练集。

S103：基于各训练样本集及骨健康标准对骨健康评估预设模型进行训练，得到骨健康评估模型；骨健康评估模型用于根据用户输入的数据输出用户当前的骨健康状态及发生骨折的概率。

对于病理性骨折而言，依据临床学理，病理性骨折深受性别、年龄的影响，但同一性别与年龄的骨折机率也大有不同，主要是受到个人现有健康状况与自身条件(如体态、骨密度、疾病等)、生活习性(如运动、饮食、烟酒、生活作息等)、医疗使用(如用药、手术等)、个人与家族骨折病史等因素的影响。

鉴于此，本申请在进行模型训练时，可获取大量与这些影响因素相关的数据进行学习并训练，得到骨健康评估模型。这些数据可为不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，当然，获取的数据并不限制上述列举的类型，还可获取其他类型的数据。

不同的骨健康状态用户可为骨质健康、骨质不足、骨质疏松等不同骨健康族群。

体态数据可包括以个人体态如以身高与体重换算的BMI(Body Mass Index，身体质量指数或体质指数)、体脂率、腰围、臀围、胸围、臂长等组合成如腰臀比等，当前，还可包括其他数据，这均不影响本申请的实现。

具体的数据来源可为健康检查数据、医疗院所临床数据、医疗保险数据、死因统计数据、国内外相关公开数据。具体来说：

健康检查资料：以健康与亚健康者为主，所取数据除个人性别与年龄外，主要是个人体态(如BMI、腰臀比、体脂率等)；生活习性、病史、一般血液生化检验值、骨密度(T值)等。

医疗院所临床数据：骨折就医疾病的基本资料、相关检查检验数据，骨折后的手术、处置、复健与再就医情形。

医疗保险数据：骨折就医病患骨折前后数年的共病、手术、用药、医疗费用及相关的医疗使用情形。

死因统计数据：骨折后死亡病患的多重死因与肇始原死因。

国内外相关公开数据：如世界卫生组织(WHO FRAX网页)及国内相关骨折公开数据。

各不同资料需先就选取的资料，做相关性与逻辑性检定，以为数据正确性之判断，数据资料经清洗与检误后，需再将缺漏之个案数据，与其他完整数据之个案进行比对，如必要时，得以多重插补法等统计方法进行缺漏之差补，差补后同属性资料需再经差异性统计检定，以确保资料的一致性与合适性。

不同来源数据资料，可利用其相同属性项目组成生物标记予以衔接，生物标记的变量项目可为(年龄、性别、T值、体态)或(年龄、性别、T值、生化检验值)或(年龄、性别、T值、骨折率)或(年龄、性别、共病、骨折率)等。

作为生物标记的变量，不因资料来源而有属性的差异，但每个变量项目在不同资料之特性分布不一致，故可需利用分组分类的方法，加以标准化，让相同的变量具有相同的资料格式与范围，再据以编制为生物标记，以为衔接不同来源资料之用，将具有相同生物标记的资料组合成骨健康数据库。

多重慢性疾病训练集可为由不同慢性疾病或其组合下的用户在不同时间阶段的骨健康状态(包括是否发生骨折)以及各慢性疾病或其组合对应的骨折发生概率组合而成。当然，也可不包括各慢性疾病或其组合对应的骨折发生概率。

体态与骨质密度T值训练集可为由不同体态与骨质密度T值的用户在不同时间阶段的骨健康状态(包括是否发生骨折)以及各体态与骨质密度T值对应的骨折发生概率组合而成。当然，也可不包括各体态与骨质密度T值对应的骨折发生概率。

骨折危险因数训练集为由导致用户出现骨健康状况或发生骨折的影响因子、及各影响因子对应的骨健康状态或骨折发生概率构成。影响因子为以下任意一项或任意组合：生活习性、个人特质、家族病史、存活、失能、死因、共病、用药、重大伤病、手术、医疗资源利用。当然，也可不包括各影响因子对应的骨折发生概率。

骨健康标准可为学术或医疗领域或国内外公认的评判骨健康状况的一种标准，也可为针对某一类具体相同特征的种群的同类族群标准(举例来说，如对于年龄段在50-60之间的男性)，或者是二者均有，其中，同类族群标准可包含多种类型的族群标准，这些标准可为调研可得，也可为现有技术中的一些标准。

通过建立各不同慢性疾病组合下的多重慢性疾病组合训练集、不同体态与骨质密度T值(T SCORE)组合下的体态与骨质密度T值训练集、不同危险因数组合下的骨折危险因数训练集，然后基于预先构建的骨健康评估预设模型进行学习训练，得到骨健康评估模型。骨健康评估预设模型与采用的机器学习算法的框架保持一致，可利用任何一种机器学习算法进行训练，例如深度学习(CNN神经网络)等，也可采用任何一种学习模式(可无监督学习模式、半监督学习模式、全监督学习模式)，训练的次数可根据实际情况进行确定(可以在反覆运算三十万次后停止训练)，这均不影响本申请的实现。

骨健康评估模型可根据用户输入的数据输出用户当前的骨健康状态及发生骨折的概率。骨健康评估模型输出的结果具体可以为骨健康程度、骨折机率、存活机率、骨折后死亡率、主要死因死亡率中的至少一项。

用户输入的数据可为训练样本集中的任何一种类型的数据或是其组合，例如，输入的数据可为个人属性、危险因数、共病等数据中的至少一项。

输入的方式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骨折数据(如年龄、性别、身高、体重、腰围、臀围、胸围、腿围、臂长…等相关健康数据)；还可以为通过行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。

在本发明实施例提供的技术方案中，基于易对骨健康状况或者是易造成骨折的用户数据进行训练得到骨健康评估模型，在用户输入规定类型的测试数据后，便可直接得到该用户当前的骨健康状态以及预测未来发生骨折的几率。通过准确评估个人骨健康状况以及准确预测骨折发生概率，用户可采取相应的骨健康防护措施和改善生活习性进行改善当前的骨健康状况，从而有利于避免或降低骨折的概率，实现早警示、早阻断的主目标与早发现、早治疗的次目标，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

可选的，在构建各训练样本集时，请参阅图2，可根据下述方法，即S102的一种具体实施方式可如下所述：

S1021：统计并挖掘骨健康数据库中各类多重慢性疾病的用户在不同生命周期阶段的骨健康特征数据，计算各类多重慢性疾病对应的骨健康状态参数及发生骨折的概率，以建立多重慢性疾病训练集；

S1022：统计并挖掘骨健康数据库中用户在不同生命周期阶段的体态数据与相对应骨健康特征数据，及不同用户的体态数据与相对应骨健康特征数据，计算各类体态与骨密度T值对应的骨健康状态参数及发生骨折的概率，以建立体态与骨质密度T值训练集；

S1023：统计并挖掘骨健康数据库中不同影响因子对应的骨健康特征数据，计算各类影响因子对应的骨健康状态参数及发生骨折的概率，以建立骨折危险因数训练集。

当骨健康数据库建立完成后，可依据预先规划的分析目的对骨健康数据库进行分析研究、建立骨健康评估模型、大数据挖掘应用等操作，依序进行个人属性与体态(性别、年龄、BMI、WHR(Waist-to-Hip Ratio，腰臀比，腰臀比值越大，腰腹或内脏就有可能堆积更多的脂肪))、生活习性(运动、饮食、生活自理等)、骨密度(T值)、病史(个人骨折史与共病、父母骨折史)、医疗使用(用药、手术、复健、住院)之相关统计分析与检定，找出可致使骨折的危害因数(或影响因子)；并设计输入问卷，以完成骨健康评估预设模型及各训练样本集的建立。

骨健康数据库依不同生物标记重新组合后，可需依序做变量间的相关检定，作为骨健康评估预设模型及各训练样本集、骨折风险预防与对策预设模型及相应的训练样本集、骨折后保健与防治恶化策施预设模型及相应的训练集。

各项目变量相关检定旨在确定变量间在病理上或学理上具有的关联性，也需确定变量间的可解释性，两者都是在确立各预设模型及各训练样本集的有效性。

各项目变量可为目标变量或被解释变量，也可为影响变量或解释变量，如

个人属性(解释变量)与骨密度T值(目标变量)；

饮食/运动/用药/共病(解释变量)与骨密度T值(目标变量)；

骨密度T值(解释变量)与骨折机率(目标变量)；

生活习性(解释变量)与骨折机率(目标变量)；

共病(解释变量)与骨折机率(目标变量)；

医疗使用(解释变量)与骨折机率(目标变量)；

病史(解释变量)与骨折机率(目标变量)；

骨折时之共病(解释变量)与骨折后死亡机率(目标变量)；

骨折部位/次数(解释变量)与骨折后死亡机率(目标变量)等等。

就上述变量做相关统计分析与检定，除确立个变量间的主从关系，藉以建立各变量间的关联模式，寻找各类可能造成骨折之危险因数剖析，并提供对应的统计结果或建议等目标数据数据，建立对应的骨健康评估预设模型及骨折危险因数训练集，并可据以设计输入问卷。

多重慢性疾病为较高发生机率的疾病，包含如：结核病、恶性肿瘤、非恶性肿瘤(含良性肿瘤与原位癌)、甲状腺疾患(含甲状腺亢进或功能不足、甲状腺肿或炎)、糖尿病、营养缺乏、电解质及酸碱平衡与贫血疾患、高脂血症、痛风、血液及造血相关疾病(含血液凝固缺陷、紫斑症与白血球疾患)、认知障碍/失智症(含帕金森病)、精神病态(含器质性、非器质性、忧郁症与精神官能症)、非精神病心理疾患(含人格违常、酒瘾、药瘾与压力造成心理疾患)、中枢神经系统疾患(含脑炎、脊髓炎、多发性硬化症、瘫痪与癫痫)、末稍神经系统疾患(含三叉神经、迷走神经、上下之神经病变、肌无力等)、视觉损伤(含失明及低视力、青光眼与白内障)、晕眩及前庭疾患、听觉障碍(含耳鸣、耳聋等)、高血压疾病、心脏病、脑血管疾病(含脑出血或脑中风等)、动脉及毛细血管疾病、静脉及淋巴管疾患(含痔疮、经脉栓塞或曲张等)、慢性阻塞性肺部疾病COPD(含气喘、肺气肿、支气管炎等)、胃肠疾患(含溃疡与出血)、慢性肝病(含病毒性肝炎、慢性肝炎与肝硬化)、肾炎、肾征候群及肾病(含肾衰竭)、摄护腺(前列腺)疾患、女性乳房与生殖系统疾患(含乳房、卵巢、输卵管、骨盆、子宫、阴道与会阴疾患)、关节疾患、颈椎及背部疾患(含椎间盘移位)、风湿症(背部除外)、肌肉骨胳疾患(后天性)、睡眠障碍、长期疼痛等疾病或常服用之相关药品等。

可根据上述数据，分别计算各慢性疾病的骨折风险强度或骨折机率。根据各骨折机率建立不同慢性疾病组合下的多重慢性疾病训练集。

对骨健康数据库中的资料进行统计，捞取各疾病病患1到10年(或以上)的医疗保险资料，依年龄、性别与骨折部位分，计算各疾病病患发生全骨折与各部位骨折发生机率，针对较高发生骨折机率之疾病，计算其与骨折关联性，使用回归与修匀学分析建立预测模型，计算五年、十年的各部位(颅骨、髋骨、上肢、下肢、颈骨驱干)骨折及不分部位全骨折之发生机率、骨折二次复发机率与骨折二次以上复发机率，及各共病的骨折发生机率，建立多重慢性疾病与骨折机率关联表，作为多重慢性疾病训练集。

体态可包括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中的至少一项，分别计算各类型体态与骨质密度T值(T SCORE)及其骨折机率。根据各骨折机率建立不同体态与骨质密度T值组合下的体态与骨质密度T值训练集，具体可包括：

对骨健康数据库中的资料进行统计，进行各年龄层、性别的骨折患者其体态(含BMI、体脂率等)、生活习性(运动、饮食、生活自理等)与骨质密度T值(TSCORE)及骨折机率的多重关联分析，使用回归与修匀学建立模型，并与类族群/类同病患(People/Patient LikeMe，PLM)比较，建立体态与骨密度T值(T SCORE)及骨折机率关联表，作为体态与骨质密度T值及骨折机率训练集。

分别计算各影响因子的骨折机率，根据各骨折机率建立不同危险因数组合下的骨折危险因数训练集，具体可包括：

对骨健康数据库中的资料进行统计，依据性别、年龄、身高、体重、骨质密度T值及各种危险因数强度，如：是否患有特定多重慢性疾病或吸烟习惯、饮酒习惯、是否曾经骨折、父母是否曾经骨折等多重关联分析，考虑各危险因数间的共变异数(Covariance)，以各年龄、性别、骨质密度T值(T SCORE)之平均危险因数强度校正后，估计各危险因数的风险强度倍数，以骨折患者1到10年(或以上)的资料，使用回归与修匀学建立模型，计算五年、十年的各部位(颅骨、髋骨、上肢、下肢、颈骨驱干与全部位)骨折发生机率、骨折二次复发机率与骨折二次以上复发机率，并与类族群/类同病患(People/Patient Like Me，PLM)比较，建立危险因数强度与骨折机率关联表，作为骨折危险因数强度训练集。

可选的，基于上述实施例，还可依据各危险因数及骨密度(T值)对骨折风险机率函数，进行关联性架构，并建立基于危险因数强度及骨密度的骨折评估预测模型。

依据疾病与骨折机率关联、体态与骨密度预测值关联、骨密度与预测值骨折机率关联、各项危险因数与骨折机率关联等骨折相关风险函数，组合不同关联性分析结果，基于危险因数及骨密度存留程度，建立多重整合骨折评估预测模型。利用骨折评估预测，可根据个人属性、生活习性、骨密度、疾病与用药、医疗使用状况等数据，对未来骨折情况进行评估与预测。

风险预测结果除让个人预知自身未来的骨折发生机率外，亦提供骨折风险因数改善目标及建议，将有助于个人降低骨折机率的方向与动机；本申请的评估与预测结果包括骨折与部位骨折风险评估结果、骨折后存活情形评估结果，其中：

骨折与部位骨折风险评估结果可包括：骨折发生风险评估；骨折再复发风险评估；身体各部位(如颅部、颈椎部、上肢、下肢)发生骨折以及不分部位之全骨折发生骨折风险评估；影响骨折发生危害因数与影响路径评估等；

骨折后存活情形评估结果可包括：骨折后死亡发生风险评估；骨折后死亡主要死因死亡发生风险评估；骨折发生后造成死亡的影响路径评估等；

以上模式针对个人骨折危害因数进行风险评估与预测，可作为个人骨健康管理的工具，追踪个人相关骨健康促进的作为，再持续予以评估、预测与建议，针对骨折或骨折后死亡达成早期警示、早期阻断主目标与早期发现、早期治疗的次目标。

在一种具体的实施方式中，考虑到使骨健康数据在汇聚整合完成后达到应用目的，本申请还提供了另外一个实施例，请参阅图3，即S101具体可以包括：

S1011：获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

S1012：对获取的多组数据进行归一化处理，得到具有相同格式的待处理数据；

S1013：将待处理数据进行数据预处理，得到标准试验数据；数据预处理为以下任意一项或任意组合：数据清洗、数据插补、数据转换、数据标准化、数据验证；

S1014：根据标准试验数据建立骨健康数据库。

可对接收到的数据进行整理归一化操作，得到具有相同格式的待处理数据，具体可为：

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、TSCORE等名称存放，于汇聚整合过程中进行一致化设置，幷原则上以整体规划一致考虑，给予最适规则，以使各数据档案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；原采用骨密度T值(含数字型态或文数型态存放，考虑后续应用方便性，改以数字一致化型态储存；

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，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例如骨密度T值均以数字且小数点三位型态存放。

以医保数据为例，可切分为就医数据、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栏位或相同栏位的数据进行单元格式一致化作业，例如将不同来源的数据档内，代表内容为骨密度的栏位，均重整为相同的计算标准、定义、名称、型态、长度及相同内容表示的栏位，以使后续分析使用时，有一致性的比较标准；

可选的，为增加建立的骨健康数据库的广度与深度，以使其更具全面性与代表性，可在面对医疗机构各式各样的HIS(Hospital Information System，医院信息系统)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，因此在建立骨健康数据库之前，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，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：依据不同来源的骨折数据规划串接键值，并使不同来源的骨折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，应确认以使后续串接顺利，同时应确认所规划设置的键值，应在该数据档可唯一或有条件地唯一取得特定数据，方可作为该数据库串接的键值；

串接数据比对核实：在将不同来源骨折数据档间进行串接时，除骨折数据档内可唯一或有条件地唯一取得特定数据之外，相异两个数据档间相互串联的键值应可唯一或有条件地唯一取得特定数据，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，可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，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数据，同时串接取得对应的条件下唯一就医医嘱数据，完成类似源数据整合集成步骤。

可选的，在构建骨健康数据库之前，还可对数据进行数据清洗、数据比对、遗漏值差补、计算与定义标准化、格式转换、数据插补、数据验证、关联分析等操作，还可进行资料比对、平滑调整与分类分组等研究分析，最后建立骨健康数据库。

数据清洗：进行数据检误清洗为最基础数据库建置工作，可依据骨健康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、不合理数据等内容；

遗漏值插补：基于数据清洗结果，以多重插补法进行遗漏数据插补，以空缺值为例，依据数据属性，可能以回归分析结果、或相同属性平均结果、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，期达到数据数据一致性；

内容与格式转换：指针对数据栏位数据为达到各数据档内数据一致化，于数据清洗后进行数据转换留存时，将数据内容与格式转换为一致性标准；

计算与定义标准化：具体可指依据统计学方法进行数据标准化作业，意即将不同来源或不同型号机器所产生的类似数据，依相同的计算定义分别汇聚整合数据分配曲线，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；进一步地，可搭配其他类型数据进行数据汇聚整合，达到数据间数据比对整合的目的；

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；

以骨健康与骨折数据为例，可以进行个人属性与体态数据、生活习性与病史数据、骨密度(T值)、疾病与用药数据、骨折部位与时间等不同类型数据档间的相互比对、验证、追踪等研析处理。

此外，在建立骨健康数据库之后，还可以依据骨折大数据的研究用途分别建立各类应用子数据库，依据原数据特性，保留必要栏位；

当各骨健康数据档案完成规格设置一致化后，针对骨健康数据研究用途不同，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：基于骨健康数据库不同类型及研究用途的应用规划，可将不同来源的骨折数据进行归类，类似来源的数据进行比对汇聚整合，建立骨折数据档案关联表；

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

以骨健康与骨折医学数据为例，本发明实施例可就体态类型不同及骨折风险因数分析应用差异，针对全人口骨折与骨折后死亡数据进行区分，包含：性别与年龄、疾病与用药、骨折次数与骨折部位等不同骨折数据表，再依据后续分析规划及分析经验，保留最适用的数据栏位，分别建立骨密度(T值)、疾病与用药、骨折风险因数的数据库。

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

基于骨折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式可以包括：次级数据库键值设定、次级数据库键值组合及主要分析栏位撷取等步骤，具体如下：

次级数据库键值设定：基于骨健康大数据研究分析应用需求，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、体态类别、骨密度(T值)、风险因数别等内容；

次级数据库键值组合：依据不同键值内容进行组合以应分析需要，例如疾病依ICD分类，或依疾病影响骨折的程度可能区分为1位码组、2位码组、3位码组或5位码组；及其他因应分析需求规划设计的疾病组合；其他次级数据库键值内容亦同；

主要分析栏位撷取：基于规划的次级数据库键值设定，将骨折大数据分析所欲进行分析栏位进行数据撷取、整合，以达到个人数据隐蔽，大数据分析数据显露的结果，分析栏位主要包含：骨折就医次数、骨折就医频率、疾病别、用药种类及次数、手术、风险因数等；

基于上述技术方案，本发明实施例通过对数据进行过预处理，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，以及原始数据因时间演化因素，导致数据缺失或含噪音的问题。

基于上述实施例，本申请还提供了另外一个实施例，请参阅图4，具体可包括：

S104：统计并挖掘多组发生骨折的用户在骨折发展轨迹中的各项数据，构成骨折预测数据集，各项数据包括用户在相应阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

S105：对骨折预测数据集中的各项数据进行关联性架构并学习，建立骨折预测子模型，骨折预测子模型用于预测用户在不同年龄段发生骨折的概率及部位。

需要说明的是，骨健康评估模型与骨折预测子模型的构建顺序没有限定，可以先构建骨折预测子模型，也可后构建，或者同时构建，只需要在构建得到各样本样本集之后即可，上述过程只是一种具体的实施方式，本申请对此不做任何限定。

在对骨健康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。

可依据研发的目的与范围拟定分析架构，探讨分析过程中，所需的输出变量(或目标变量；或被解释变量)与输入变量(或影响变量；或解释变量)，再根据三种数据来源筛出所需的栏位，以期能串连人生不同阶段的健康状况与骨折情形。

举例来说，数据来源1-以生活习性(运动、饮食、生活自理等)、个人属性与体态(性别、年龄、身高、体重、BMI等)、家庭病史(个人骨折史、父母骨折史等)等为输入变量(Ai)；以骨质密度T值(TSCORE)为输出变量(Bi)，建两者关系函数Bi＝f(Ai)。

数据来源2-以骨质密度T值(TSCORE)为输入变量(Bi)；以疾病、用药、手术、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、骨折机率、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)。

可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，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；或个人与家族骨折病史；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)等为输出变量。

3)架构各健康影响因素与骨质密度T值的关联：以生活习性如吸烟、喝酒、运动、饮食；或个人与家族骨折病史；或就医史与用药史等为输入变量；以骨质密度T值为输出变量。

4)架构各健康影响因素与骨折危险因数强度的关联：以生活习性如吸烟、喝酒、运动、饮食；或个人与家族骨折病史；或就医史与用药史等为输入变量；以骨折风险因数强度为输出变量。

5)架构个人体态的身体特质与骨质密度T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；以骨质密度T值等为输出变量。

6)架构骨质密度T值与骨折机率的关联：以骨质密度T值等为输入变量；以骨折率、再骨折率、骨折部位、死亡率等为输出变量。

7)架构多重慢性病组合与骨折机率的关联：以主要长期不可逆慢性病或重大伤病、或医疗使用(可为住院、手术或处置发生)等为输入变量；以骨折医疗使用情形(含骨折率、再骨折率)等为输出变量。

8)架构骨折危险因数与骨折机率的关联：以骨折危险因数及其强度为输入变量；以骨折率、再骨折率、骨折部位、死亡率等为输出变量。

9)架构骨折危险因数、多重慢性病组合与骨折后存活率的关联：以主要长期不可逆慢性病或重大伤病、或医疗使用(可为住院、手术或处置发生)、及骨折危险因数及其强度为输入变量；以骨折后存活率(或死亡率)为输出变量。

10)架构骨折危险因数、多重慢性病组合与骨折后主要死因死亡率的关联：以主要长期不可逆慢性病或重大伤病、或医疗使用(可为住院、手术或处置发生)、及骨折危险因数及其强度为输入变量；以骨折后主要死因1-5年死亡率为输出变量。

藉以上各类关联架构(可为次级数据库、统计模型、列联表等)，架构个人健康、疾病、骨折、死亡与危险因数等之关联模式；组合各关联模式分析结果，接收个人属性、危险因数、共病等数据，建构预测模式(含骨折机率、存活机率、主要死因死亡率等)；组合有效的骨折预测模式，以回归、存活分析及修匀学等统计学方法修正模型，计算各风险因数与骨密度(T值)的骨折机率与骨折部位，骨折后1-5年的死亡机率，建立骨折机率与死亡机率的关联表；建构全方位全世代骨折风险的预测模型，以完成骨健康与骨折预设模型及骨折危险因数训练集的建立，并设计输入问卷。

由上可知，本发明实施例针对骨折构建专门的骨折预测子模型，可预测用户在不同年龄段发生骨折的概率及骨折部位，不仅能够用于个人骨折预防警示与健康促进，还有益于骨折后照护的应用。

在构建骨健康评估模型之后，本申请还提供了一种使用该模型的方法，请参阅参见图5，图5为本发明实施例提供的一种骨健康评估方法的流程示意图，本发明实施例可包括以下内容：

S501：获取用户输入的评估数据。

S502：将评估数据输入预先建立的骨健康评估模型，得到用户当前的骨健康状态及发生骨折的概率。

评估数据可为多重慢性疾病训练集、体态与骨质密度T值训练集或骨折危险因数训练集中的任意一种或任意组合的数据。

骨健康评估模型为基于多重慢性疾病训练集、体态与骨质密度T值训练集、骨折危险因数训练集及骨健康标准对骨健康评估预设模型进行训练所得。

骨健康评估模型构建的实现过程及方法可参考上述任何一个骨健康评估模型构建方法实施例，此处不再赘述。

在本发明实施例提供的技术方案中，基于易对骨健康状况或者是易造成骨折的用户数据进行训练得到骨健康评估模型，在用户输入规定类型的测试数据后，便可直接得到该用户当前的骨健康状态以及预测未来发生骨折的几率。通过准确评估个人骨健康的健康状况以及准确预测骨折发生概率，用户可采取相应的骨健康防护措施和改善生活习性进行改善当前的骨健康状况，从而有利于避免或降低骨折的概率，实现早警示、早阻断的主目标与早发现、早治疗的次目标，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

鉴于用户在得到骨健康评估状况之后，可能无法得知改善当前骨健康状况的方法以及避免后期骨折发生需要注意事项，本申请还提供了另外一个实施例，请参阅图6，基于上述实施例，还可包括：

S503：输出与用户的骨健康状态相对应的骨健康改善建议；骨健康改善建议包括运动、饮食、健康照护的建议及避免的不良生活习性。

当然，骨健康评估模型在训练时，需要获取相关数据进行训练，得到可根据不同骨健康状态输出相对应的骨健康改善建议的骨健康改善建议子模型，即骨健康改善建议子模型基于获取的不同骨健康状态对应的骨健康改善建议数据训练所得。

在输出骨健康状态预测结果之后，还可以将个人骨折评估问卷或骨折数据导入模型中，利用所建构骨折风险预防与对策模式、骨折后保健与防治恶化策施模式，提出适切健康促进目标，与骨折后应注意事项。

当然，在一种具体的实施方式中，可以直接依据收到的骨健康数据将评估者划分为不同的骨健康族群，根据类属的种群，输出骨健康改善建议。

具体的可将个人划分为骨质健康、骨质不足、骨质疏松等骨健康族群，并提供骨健康改善建议，包括：

骨健康现况评估：提供同类族群的骨密度比较，同类族群系指有相同基本特质的族群，如同性别同年龄者；

骨健康改善目标：提供个人骨密度短期、中期、长期的改善目标及改善骨密度可减少的风险概率。

骨健康评估模型就各危害因数与骨折机率关联度，输出各危害因数警讯及改善建议。

举例来说，可根据各危险因数(影响因子)与骨折机率之关联度，及主要死因死亡率与骨折机率之关联度，建构骨折风险预防与对策模式、骨折后保健与防治恶化策施模式，提出适切健康促进目标，与骨折后应注意之警讯，包括：改善危险因数可减少风险机率；运动饮食改善建议；健康照护(如追踪检查、就医、照护模式)改善建议等。

还可以提供必要的建议与警示，或给予必要的协助，或提供满足受测骨健康促进需求有关的产品或服务，例如利用所建构骨折风险预防与对策模式、骨折后保健与防治恶化策施模式，提出适切骨健康促进目标；与骨折后应注意之警讯，使评估者经由与评估装置互动及反馈的循环，增进受测者骨健康教育及参与，不断提高系统与用户间粘着度，进而促进使用者骨健康促进意识及行为。

本发明实施例还针对骨健康评估模型构建方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的骨健康评估模型构建装置进行介绍，下文描述的骨健康评估模型构建装置与上文描述的骨健康评估模型构建方法可相互对应参照。

参见图7，图7为本发明实施例提供的骨健康评估模型构建装置在一种具体实施方式下的结构图，该装置可包括：

数据采集模块701，用于获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，以构成骨健康数据库；

训练集建立模块702，用于对骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集，训练样本集包括多重慢性疾病训练集、体态与骨质密度T值训练集及骨折危险因数训练集；其中，骨折危险因数训练集为由导致用户出现骨健康状况或发生骨折的影响因子、及各影响因子对应的骨健康状态或骨折发生概率构成；

骨健康评估模型建立模块703，用于基于各训练样本集及骨健康标准对骨健康评估预设模型进行训练，得到骨健康评估模型；骨健康评估模型用于根据用户输入的数据输出用户当前的骨健康状态及发生骨折的概率。

可选的，所述训练集建立模块702例如还可包括：

多重慢性疾病训练集建立子模块，用于统计并挖掘骨健康数据库中各类多重慢性疾病的用户在不同生命周期阶段的骨健康特征数据，计算各类多重慢性疾病对应的骨健康状态参数及发生骨折的概率，以建立多重慢性疾病训练集；

体态与骨质密度T值训练集建立子模块，用于统计并挖掘骨健康数据库中用户在不同生命周期阶段的体态数据与相对应骨健康特征数据，及不同用户的体态数据与相对应骨健康特征数据，计算各类体态与骨密度T值对应的骨健康状态参数及发生骨折的概率，以建立体态与骨质密度T值训练集；

骨折危险因数训练集建立子模块，用于统计并挖掘骨健康数据库中不同影响因子对应的骨健康特征数据，计算各类影响因子对应的骨健康状态参数及发生骨折的概率；影响因子为以下任意一项或任意组合：生活习性、个人特质、家族病史、存活、失能、死因、共病、用药、重大伤病、手术、处置、医疗资源利用。

此外，在一种具体的实施方式中，所述数据采集模块701还可包括：

数据获取子模块，用于获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

格式归一化子模块，用于对获取的多组数据进行归一化处理，得到具有相同格式的待处理数据；

数据处理子模块，用于将待处理数据进行数据预处理，得到标准试验数据；数据预处理为以下任意一项或任意组合：数据清洗、数据插补、数据转换、数据标准化、数据验证；

数据库建立子模块，用于根据标准试验数据建立骨健康数据库。

可选的，在本实施例的一些实施方式中，请参阅图8，所述装置例如还可以包括骨折预测子模型模块704，所述骨折预测子模型模块704具体可包括：

数据分析子模块，用于统计并挖掘多组发生骨折的用户在骨折发展轨迹中的各项数据，构成骨折预测数据集，各项数据包括用户在相应阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

模型训练子模块，用于对骨折预测数据集中的各项数据进行关联性架构并学习，建立骨折预测子模型，骨折预测子模型用于预测用户在不同年龄段发生骨折的概率及部位。

本发明实施例所述骨健康评估装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现了准确评估个人骨健康的健康状况以及准确预测骨折发生概率，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

本发明实施例还提供了一种骨健康评估模型构建设备，具体可包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序以实现如上任意一实施例所述骨健康评估模型构建方法的步骤。

本发明实施例所述骨健康评估设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现了准确评估个人骨健康的健康状况以及准确预测骨折发生概率，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

本发明实施例还提供了一种计算机可读存储介质，存储有骨健康评估模型构建程序，所述骨健康评估模型构建程序被处理器执行时如上任意一实施例所述骨健康评估模型构建方法的步骤。

本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现了准确评估个人骨健康的健康状况以及准确预测骨折发生概率，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

本发明实施例还针对骨健康评估方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的骨健康评估装置进行介绍，下文描述的骨健康评估装置与上文描述的骨健康评估方法可相互对应参照。

请参见图9，图9为本发明实施例提供的骨健康评估装置在一种具体实施方式下的结构图，该装置可包括：

评估数据输入模块901，用于获取用户输入的评估数据；

骨健康评估模块902，用于将评估数据输入预先建立的骨健康评估模型，得到用户当前的骨健康状态及发生骨折的概率；

骨健康评估模型构建模块903，骨健康评估模型为基于多重慢性疾病训练集、体态与骨质密度T值训练集、骨折危险因数训练集及骨健康标准对骨健康评估预设模型进行训练所得；评估数据为多重慢性疾病训练集、体态与骨质密度T值训练集或骨折危险因数训练集中的任意一种或任意组合的数据。

可选的，在本实施例的一些实施方式中，请参阅图10，所述装置例如还可以包括康复建议输出模块904，用于输出与用户的骨健康状态相对应的骨健康改善建议；骨健康改善建议包括运动、饮食、健康照护的建议及避免的不良生活习性；其中，骨健康评估模型还包括骨健康改善建议子模型，骨健康改善建议子模型基于获取的不同骨健康状态对应的骨健康改善建议数据训练所得。

本发明实施例所述骨健康评估装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现了准确评估个人骨健康的健康状况以及准确预测骨折发生概率，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

本发明实施例还提供了一种骨健康评估设备，具体可包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序以实现如上任意一实施例所述骨健康评估方法的步骤。

本发明实施例所述骨健康评估设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现了准确评估个人骨健康的健康状况以及准确预测骨折发生概率，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

本发明实施例还提供了一种计算机可读存储介质，存储有骨健康评估程序，所述骨健康评估程序被处理器执行时如上任意一实施例所述骨健康评估方法的步骤。

本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现了准确评估个人骨健康的健康状况以及准确预测骨折发生概率，有利于改善甚至是避免用户由于骨健康原因造成失能与死亡现象的发生，进而提升人类生活质量和个体存活率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种骨健康评估方法、装置、及骨健康评估模型构建方法、装置、设备、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发明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发明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，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (13)

1.一种骨健康评估模型构建方法，其特征在于，包括：

获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，以构成骨健康数据库；

对所述骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集，所述训练样本集包括多重慢性疾病训练集、体态与骨质密度T值训练集及骨折危险因数训练集；

基于各训练样本集及骨健康标准对骨健康评估预设模型进行训练，得到所述骨健康评估模型；所述骨健康评估模型用于根据用户输入的数据输出用户当前的骨健康状态及发生骨折的概率；

其中，所述骨折危险因数训练集为由导致用户出现骨健康状况或发生骨折的影响因子及各影响因子对应的骨健康状态数据构成。

2.根据权利要求1所述的骨健康评估模型构建方法，其特征在于，所述对所述骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集包括：

统计并挖掘所述骨健康数据库中各类多重慢性疾病的用户在不同生命周期阶段的骨健康特征数据，计算各类多重慢性疾病对应的骨健康状态参数及发生骨折的概率，以建立多重慢性疾病训练集；

统计并挖掘所述骨健康数据库中用户在不同生命周期阶段的体态数据与相对应骨健康特征数据，及不同用户的体态数据与相对应骨健康特征数据，计算各类体态与骨密度T值对应的骨健康状态参数及发生骨折的概率，以建立体态与骨质密度T值训练集；

统计并挖掘所述骨健康数据库中不同影响因子对应的骨健康特征数据，计算各类影响因子对应的骨健康状态参数及发生骨折的概率；所述影响因子为以下任意一项或任意组合：生活习性、个人特质、家族病史、存活、失能、死因、共病、用药、重大伤病、手术、医疗资源利用。

3.根据权利要求1所述的骨健康评估模型构建方法，其特征在于，所述获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，以构成骨健康数据库包括：

获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

对获取的多组数据进行归一化处理，得到具有相同格式的待处理数据；

将所述待处理数据进行数据预处理，得到标准试验数据；所述数据预处理为以下任意一项或任意组合：数据清洗、数据插补、数据转换、数据标准化、数据验证；

根据所述标准试验数据建立骨健康数据库。

4.根据权利要求1-3任意一项所述的骨健康评估模型构建方法，其特征在于，在所述对所述骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集之后，还包括：

统计并挖掘多组发生骨折的用户在骨折发展轨迹中的各项数据，构成骨折预测数据集，各项数据包括用户在相应阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

对所述骨折预测数据集中的各项数据进行关联性架构并学习，建立骨折预测子模型，所述骨折预测子模型用于预测用户在不同年龄段发生骨折的概率及部位。

5.一种骨健康评估模型构建装置，其特征在于，包括：

数据采集模块，用于获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据，以构成骨健康数据库；

训练集建立模块，用于对所述骨健康数据库进行统计分析与大数据挖掘应用，建立骨健康评估模型的训练样本集，所述训练样本集包括多重慢性疾病训练集、体态与骨质密度T值训练集及骨折危险因数训练集；其中，所述骨折危险因数训练集为由导致用户出现骨健康状况或发生骨折的影响因子及各影响因子对应的骨健康状态数据构成；

骨健康评估模型建立模块，用于基于各训练样本集及骨健康标准对骨健康评估预设模型进行训练，得到所述骨健康评估模型；所述骨健康评估模型用于根据用户输入的数据输出用户当前的骨健康状态及发生骨折的概率。

6.根据权利要求5所述的骨健康评估模型构建装置，其特征在于，所述训练集建立模块包括：

多重慢性疾病训练集建立子模块，用于统计并挖掘所述骨健康数据库中各类多重慢性疾病的用户在不同生命周期阶段的骨健康特征数据，计算各类多重慢性疾病对应的骨健康状态参数及发生骨折的概率，以建立多重慢性疾病训练集；

体态与骨质密度T值训练集建立子模块，用于统计并挖掘所述骨健康数据库中用户在不同生命周期阶段的体态数据与相对应骨健康特征数据，及不同用户的体态数据与相对应骨健康特征数据，计算各类体态与骨密度T值对应的骨健康状态参数及发生骨折的概率，以建立体态与骨质密度T值训练集；

骨折危险因数训练集建立子模块，用于统计并挖掘所述骨健康数据库中不同影响因子对应的骨健康特征数据，计算各类影响因子对应的骨健康状态参数及发生骨折的概率；所述影响因子为以下任意一项或任意组合：生活习性、个人特质、家族病史、存活、失能、死因、共病、用药、重大伤病、手术、医疗资源利用。

7.根据权利要求5所述的骨健康评估模型构建装置，其特征在于，所述数据采集模块包括：

数据获取子模块，用于获取多组不同骨健康状态的用户在不同生命周期阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

格式归一化子模块，用于对获取的多组数据进行归一化处理，得到具有相同格式的待处理数据；

数据处理子模块，用于将所述待处理数据进行数据预处理，得到标准试验数据；所述数据预处理为以下任意一项或任意组合：数据清洗、数据插补、数据转换、数据标准化、数据验证；

数据库建立子模块，用于根据所述标准试验数据建立骨健康数据库。

8.根据权利要求5-7任意一项所述的骨健康评估模型构建装置，其特征在于，还包括骨折预测子模型模块，所述骨折预测子模型模块包括：

数据分析子模块，用于统计并挖掘多组发生骨折的用户在骨折发展轨迹中的各项数据，构成骨折预测数据集，各项数据包括用户在相应阶段的各项生命体征数据、体态数据、骨健康特征数据及生活习性数据；

模型训练子模块，用于对所述骨折预测数据集中的各项数据进行关联性架构并学习，建立骨折预测子模型，所述骨折预测子模型用于预测用户在不同年龄段发生骨折的概率及部位。

9.一种骨健康评估方法，其特征在于，包括：

获取用户输入的评估数据；

将所述评估数据输入预先建立的骨健康评估模型，得到用户当前的骨健康状态及发生骨折的概率；

其中，所述骨健康评估模型为基于多重慢性疾病训练集、体态与骨质密度T值训练集、骨折危险因数训练集及骨健康标准对骨健康评估预设模型进行训练所得；所述评估数据为多重慢性疾病训练集、体态与骨质密度T值训练集或骨折危险因数训练集中的任意一种或任意组合的数据。

10.一种骨健康评估装置，其特征在于，包括：

评估数据输入模块，用于获取用户输入的评估数据；

骨健康评估模块，用于将所述评估数据输入预先建立的骨健康评估模型，得到用户当前的骨健康状态及发生骨折的概率；

骨健康评估模型构建模块，所述骨健康评估模型为基于多重慢性疾病训练集、体态与骨质密度T值训练集、骨折危险因数训练集及骨健康标准对骨健康评估预设模型进行训练所得；所述评估数据为多重慢性疾病训练集、体态与骨质密度T值训练集或骨折危险因数训练集中的任意一种或任意组合的数据。

11.根据权利要求10所述的骨健康评估装置，其特征在于，还包括：

康复建议输出模块，用于输出与用户的骨健康状态相对应的骨健康改善建议；所述骨健康改善建议包括运动、饮食、健康照护的建议及避免的不良生活习性；其中，所述骨健康评估模型还包括骨健康改善建议子模型，所述骨健康改善建议子模型基于获取的不同骨健康状态对应的骨健康改善建议数据训练所得。

12.一种骨健康评估模型构建设备，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至4任一项所述骨健康评估模型构建方法的步骤。

13.一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骨健康评估模型构建程序，所述骨健康评估模型构建程序被处理器执行时实现如权利要求1至4任一项所述骨健康评估模型构建方法的步骤。