CN109346179A - 一种冠心病介入术后复发预测模型及其建模方法、装置 - Google Patents
一种冠心病介入术后复发预测模型及其建模方法、装置 Download PDFInfo
- Publication number
- CN109346179A CN109346179A CN201811504821.3A CN201811504821A CN109346179A CN 109346179 A CN109346179 A CN 109346179A CN 201811504821 A CN201811504821 A CN 201811504821A CN 109346179 A CN109346179 A CN 109346179A
- Authority
- CN
- China
- Prior art keywords
- data
- recurrence
- prediction model
- attribute
- patient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000007689 inspection Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 5
- 208000029078 coronary artery disease Diseases 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 22
- 230000002980 postoperative effect Effects 0.000 claims description 18
- 208000024891 symptom Diseases 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 210000004204 blood vessel Anatomy 0.000 claims description 11
- 210000000613 ear canal Anatomy 0.000 claims description 11
- 230000001815 facial effect Effects 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 206010020772 Hypertension Diseases 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 5
- 230000028327 secretion Effects 0.000 claims description 5
- 210000000707 wrist Anatomy 0.000 claims description 5
- 206010028980 Neoplasm Diseases 0.000 claims description 4
- 208000035269 cancer or benign tumor Diseases 0.000 claims description 4
- 206010012601 diabetes mellitus Diseases 0.000 claims description 4
- 210000001747 pupil Anatomy 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 description 19
- 210000001508 eye Anatomy 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000001467 acupuncture Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 6
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000002405 diagnostic procedure Methods 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 210000001835 viscera Anatomy 0.000 description 5
- 206010014080 Ecchymosis Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000003811 finger Anatomy 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 102000004420 Creatine Kinase Human genes 0.000 description 3
- 108010042126 Creatine kinase Proteins 0.000 description 3
- 210000000624 ear auricle Anatomy 0.000 description 3
- 210000004209 hair Anatomy 0.000 description 3
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 3
- 206010034754 petechiae Diseases 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical group Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 2
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 2
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 2
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004100 adrenal gland Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 210000000795 conjunctiva Anatomy 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003748 differential diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 2
- 206010058646 Arcus lipoides Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 206010051625 Conjunctival hyperaemia Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010052895 Coronary artery insufficiency Diseases 0.000 description 1
- 101710088194 Dehydrogenase Proteins 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000035150 Hypercholesterolemia Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010048865 Hypoacusis Diseases 0.000 description 1
- 108010044467 Isoenzymes Proteins 0.000 description 1
- 241000208822 Lactuca Species 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 208000032594 Vascular Remodeling Diseases 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 201000000351 arcus senilis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 210000003038 endothelium Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 208000011318 facial edema Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 210000000651 myofibroblast Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 208000026475 palpebral edema Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000019612 pigmentation Effects 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 208000037803 restenosis Diseases 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 210000003786 sclera Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000004509 vascular smooth muscle cell Anatomy 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种冠心病介入术后复发预测模型及其建模方法、装置，接收患者数据集；对患者数据集进行数据处理，将望诊数据根据程度有无轻重进行分类量化，将字符型的属性数据进行分类量化，将数值型的检查数据进行标准化处理；针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异；对存在差异的数据属性计算重要程度指标并排序，筛选重要程度高的属性加入复发预测模型；设置神经网络的网络参数，根据处理后的患者数据集作为样本，采用神经网络进行样本训练，建立复发预测模型。
Description
技术领域
本公开属于冠心病医疗技术领域，涉及一种冠心病介入术后复发预测模型及其建模方法、装置，尤其是涉及一种基于多元望诊体系的冠心病介入术后复发预测模型及其建模方法、装置。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
冠心病是指供应心脏的冠状动脉发生严重动脉粥样硬化和/或合并血栓形成造成管腔狭窄或堵塞，引起冠状动脉供血不足，心肌缺血或心肌坏死的一种心脏病，它是严重危害人类健康的常见病、多发病。近年来随着人们饮食结构的改变，人口老龄化的加剧，社会生活压力的增加，冠心病的发病率逐年剧增。世界卫生组织(WHO)预计到2020年，每年将有2.5亿人口患有心血管疾病，冠心病将成为致死和致残的首位病因。
介入性心脏病学(interventinal cardiology)是一门以心导管技术为手段来诊断和治疗心血管疾病的新兴分支学科，冠心病介入治疗的成功率可达95％以上。但是，介入术后的再狭窄的发生率高达30％～50％，严重影响患者的远期疗效，使介入治疗的临床应用受到了一定的限制。术后的复发是多种危险因素作用的共同结果，家族史、吸烟、高血压、糖尿病、高胆固醇血症等是公认的冠心病介入术后危险因素，其发生主要是冠状动脉局部球囊损伤血管内皮后的一种修复过程。其机制十分复杂，但最终均是血管平滑肌细胞的转型、增生、迁移、及基质蛋白的聚集所构成的新生内膜和血管外膜肌纤维细胞增殖导致外膜纤维化反应等所造成，以及在此基础上发生的血管重塑。目前，国内外对冠心病介入术后复发预测的研究还相对较少，然而，随着数据量的激增，对这一方面的需求会越来越高。
中医的望诊，是中医学通过长期的临床实践观察认识到的，是其各诊法中形成最早的。因为视觉的直观方便，所以望诊被列为四诊之首，并有“望而知之谓之神”的说法。中医认为人体的内脏与体表有着密切的联系，外部的表现可以反映内部的脏腑、气血、经络的病变，人体是一有机的整体，脏腑通过经络与体表、五官、四肢密切联系，在生理和病例上密切关系、相互影响，故其外部表现，特别是精神、面色、舌象的变化，与内在脏腑的虚实和气血的盛衰密切相关，当人体脏腑、气血、经络发生病变时，必然会反映与体表的相关部位，所以观察病人的外部异常表现，可以推测内在的病理变化。望诊体系是在中医望诊的基础上，由本研究组提出的多种局部望诊方法结合整体望诊情况组成的一种诊断体系，借助各种检测手段，收集患者的资料，集合成患者望诊体系的系统资料，从而判断患者的病情及发展状况，进而对其治疗及预防实施相关措施。
数据挖掘是一个融合数据库、机器学习、数理统计、可视化和信息科学技术为一体的新兴的交叉学科领域。比较公认的定义为：数据挖掘是从大量数据中提取或“挖掘”出有用的知识。近几年来，一些科研人员意识到病人随访的必要性，开始逐步着手对历史数据进行分析、挖掘。但是，大部分都只是试探性的建立简单的模型，有的还处于调研与可行性分析阶段，并没有实际可用的成熟产品投入使用。数据挖掘技术在医药信息学中的应用，旨在在大量的医药信息学中寻找出有效的、科学的、可靠的信息。但是基于医学数据跟其它类型的数据相比，具有其自身的独特性：数据的隐私性、数据的异质性、数据的多样性、数据的冗余性、数据的时效性、数据的不完整性等特点，其对数据挖掘的应用提出了远高于其他行业的要求。然而，随着数据量的激增，对这一方面的需求会越来越高。近些年数据挖掘在中医领域应用最广泛的是中药及方剂的研究，而对于诊断方面数据挖掘的使用还是屈指可数的。
目前很多的数据挖掘研究都集中于算法方面，提出了很多改进的算法。但是，数据挖掘是一个与行业实际情况紧密相连的应用，特别是冠心病介入术复发预测研究，制约它广泛应用的瓶颈并不是算法，而是如何确定一个有效的建模方法建立一个有效模型进行预测。只有存在一个有效的建模方法，才能保证预测效果。目前，冠心病介入术复发预测已经形成了一些方法论，但还没有形成一个完整的预测框架，在某些方面还存在着不少困难，如数据转换与属性选择。冠心病介入术后复发预测给出的不仅仅是一份名单，除此之外，要针对在复发预测中挖掘的信息帮助患者建立有效的合理的指导策略。精确预测与合理指导，这两者缺一不可。
综上所述，在现有技术中如何将望诊体系与数据挖掘技术相结合建立冠心病介入术后的患者复发预测模型，以及如何通过一个有效的建模方法形成完整的预测框架的问题，尚缺乏有效的解决方案。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于多元望诊体系的冠心病介入术后复发预测模型及其建模方法、装置，利用已知的未来数据环境因素对患者的历史数据进行修正，建立患者属性与患者复发可能性关联的模型，确定患者属性与患者复发的最终状态的关系，并用此关系建立不同的算法的数据挖掘模型，得到一种基于多元望诊体系的冠心病介入术后复发预测模型。
根据本公开的一个或多个实施例的一个方面，提供一种基于多元望诊体系的冠心病介入术后复发预测模型的建模方法。
为了实现上述目的，本发明采用如下一种技术方案：
一种冠心病介入术后复发预测模型的建模方法，该方法包括：
接收患者数据集，所述患者数据包括术后复发患者的属性数据、检查数据和望诊数据，所述望诊数据包括细节数据和综合数据，所述细节数据包括眼部数据、耳部数据、舌部数据和手部数据，所述综合数据包括患者面部整体数据；
对患者数据集进行数据处理，将望诊数据根据程度有无轻重进行分类量化，将字符型的属性数据进行分类量化，将数值型的检查数据进行标准化处理；
针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异；对存在差异的数据属性计算重要程度指标并排序，筛选重要程度高的属性加入复发预测模型；
设置神经网络的网络参数，根据处理后的患者数据集作为样本，采用神经网络进行样本训练，建立复发预测模型。
作为进一步的优选方案，在本方法中，所述属性数据包括患者姓名，性别，年龄，是否有高血压、糖尿病病史，是否有早发心血管病家族史，是否吸烟、饮酒，以及其他与冠心病介入术后复发相关的属性数据。
作为进一步的优选方案，在本方法中，所述眼部数据为巩膜血管的充血状态和形态及虹膜边缘带及瞳孔颜色变化数据；
所述耳部数据为耳廓的位置、厚薄、大小、形态、色泽、血管、耳道分泌物、耳道赘生物及其他“阳性反应物”变化数据；
所述舌部数据为舌质的颜色，苔黄腻及舌的形态；
所述手部数据为手掌、手背及腕部的形态、色泽、纹理各种异常变化数据；
所述面部数据为面部形态、色泽的变化数据。
作为进一步的优选方案，在本方法中，所述针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异，具体步骤包括：
建立无效假设，假设出现某种数据属性后冠心病术后未复发为H0，差异是由抽样误差引起的，备择假设H1为样本间存在本质差异；
根据患者数据集处理后的数据，计算该数据属性对应的术后复发概率；
预先设定的检验水准α＝0.05；
采用Z检验统计方法，由患者数据集处理后的数据计算检验统计量确定P值；
将P值与检验水准α比较，若P值大于检验水准α，则接受H0，否则，拒绝H0。
作为进一步的优选方案，在本方法中，所述对存在差异的数据属性计算重要程度指标并排序，具体步骤包括：
选取出所有在患者术后冠心病复发与不复发存在明显差异的数据属性；
计算出每种数据属性存在时，该数据属性在复发患者群与不复发患者群的比例；
将每种数据属性及其复发人群比例在表格中列举出来，并依据冠心病复发比例的从小到大进行排序并从1到大开始设值，所设值为重要程度指标R；
重要程度指标R值越大重要程度越高。
作为进一步的优选方案，该方法还包括：根据不同数据属性组合形成的复发预测模型，比较预测效果，得到稳定的复发预测模型属性组合，具体步骤包括：
选取前10个拥有最大R值的数据属性，将其进行两两组合；
通过复发预测模型计算出当两个数据属性同时存在时患者冠心病复发的概率；
对两两组合的数据属性依据复发率重新排序并取出前10个；
依据以上方法对多个症状进行组合，分别计算出患者冠心病复发概率，并进行排序；
在获得数据属性的重要程序排序表后，优先选择R值大，重要程序高的数据属性加入复发预测模型，观察不同数据属性组合的预测效果，得到最终的复发预测模型数据属性组合，用于构建最终的复发预测模型。
作为进一步的优选方案，该方法还包括：计算复发预测模型预测的准确率、覆盖率及提升率，衡量复发预测模型的预测效果；
所述准确率为模型预测中的患者实际流失的概率；
所述覆盖率为模型准确预测出来的复发患者占所有实际复发的比例；
所述提升率为准确率与正常复发率的比值。
根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。
为了实现上述目的，本发明采用如下一种技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于多元望诊体系的冠心病介入术后复发预测模型的建模方法。
根据本公开的一个或多个实施例的一个方面，提供一种终端设备。
为了实现上述目的，本发明采用如下一种技术方案：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于多元望诊体系的冠心病介入术后复发预测模型的建模方法。
根据本公开的一个或多个实施例的一个方面，提供一种冠心病介入术后复发预测模型。
为了实现上述目的，本发明采用如下一种技术方案：
一种冠心病介入术后复发预测模型，采用所述的一种冠心病介入术后复发预测模型的建模方法进行构建。
本发明的有益效果：
本发明所述的一种冠心病介入术后复发预测模型及其建模方法、装置，利用已知的未来数据环境因素对患者的历史数据进行修正，建立患者属性与患者复发可能性关联的模型，确定患者属性与患者复发的最终状态的关系，并用此关系建立不同的算法的数据挖掘模型，得到一种基于多元望诊体系的冠心病介入术后复发预测模型。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的建模方法流程图。
具体实施方式：
下面将结合本发明实施例中的附图，对本发明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。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。
实施例1：
本实施例1的目的是提供一种基于多元望诊体系的冠心病介入术后复发预测模型的建模方法。
为了实现上述目的，本发明采用如下一种技术方案：
如图1所示，
一种基于多元望诊体系的冠心病介入术后复发预测模型的建模方法，该方法包括：
步骤(1)：接收患者数据集，所述患者数据包括术后复发患者的属性数据、检查数据和望诊数据，所述望诊数据包括细节数据和综合数据，所述细节数据包括眼部数据、耳部数据、舌部数据和手部数据，所述综合数据包括患者面部整体数据；
步骤(2)：对患者数据集进行数据处理，将望诊数据根据程度有无轻重进行分类量化，将字符型的属性数据进行分类量化，将数值型的检查数据进行标准化处理；
步骤(3)：针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异；对存在差异的数据属性计算重要程度指标并排序，筛选重要程度高的属性加入复发预测模型；
步骤(4)：设置神经网络的网络参数，根据处理后的患者数据集作为样本，采用神经网络进行样本训练，建立复发预测模型。
步骤(1)：数据获取
在实际的应用中，数据的获取对于数据挖掘的结果非常的重要。经过良好的准备后的数据可以使得数据挖掘的结果更加具有价值，并且可以提高数据挖掘的效率。没有经过处理的原始数据则往往会导致数据挖掘结果质量和数据挖掘效率的低下。因此，在进行数据分析之前，必须对数据进行一定的处理，使之更加有利于将来的数据分析。
在本实施例中，收集冠心病介入术后复发患者的属性数据和望诊诊断数据建立患者数据集；
所述属性数据包括患者姓名，性别，年龄，是否有高血压、糖尿病病史，是否有早发心血管病家族史，是否吸烟、饮酒，以及其他与冠心病介入术后复发相关的属性数据；
所述望诊诊断数据包括细节数据和综合数据，所述细节数据包括眼部数据、耳部数据、舌部数据、手部数据和面部数据；
眼部数据根据望诊体系中的眼诊法获取。中医眼诊法，依据是眼像的变化，眼像包括两方面，一是成像，是图像；二是表象或现象，就是眼睛外部反映出来的各种组织，包括位置、大小、色素、斑块、血管充血状态等外在的现象。在本实施例中，眼部数据主要是巩膜血管的充血状态和形态及虹膜边缘带及瞳孔颜色变化等数据。
耳部数据根据望诊体系中的耳诊法获取。耳诊法，是通过观察耳廓的位置、厚薄、大小、形态、色泽、血管、耳道分泌物、耳道赘生物及其他“阳性反应物”等的变化，来辅助临床诊断和鉴别诊断疾病的一种简易而有效的方法。在本实施例中，耳部数据主要是耳廓的位置、厚薄、大小、形态、色泽、血管、耳道分泌物、耳道赘生物及其他“阳性反应物”变化等数据。
舌部数据根据望诊体系中的舌诊法获取。舌诊法，是以望舌体和舌苔为主的诊法。通过舌象的观察，可以了解机体的生理功能和病理变化，所以舌诊在临床上，一向被医家所重视，通过舌象的显微镜观察、多种生理生化测定、病理检查来对舌象进行辨识。在本实施例中，舌部数据主要舌质的颜色，苔黄腻及舌的形态。
手部数据根据望诊体系中的手诊法获取。手诊法，是通过观察手掌、手背及腕部的形态、色泽、纹理等各种异常变化辅助临床诊断和鉴别诊断疾病的一种简易方法。在本实施例中，手部数据主要是手掌、手背及腕部的形态、色泽、纹理等各种异常变化数据。
面部数据还需要整体的直观望诊结果。患者面部数据包括面部色泽的变化等数据。
在实际的应用中，数据的获取对于数据挖掘的结果非常的重要。经过良好的准备后的数据可以使得数据挖掘的结果更加具有价值，并且可以提高数据挖掘的效率。没有经过处理的原始数据则往往会导致数据挖掘结果质量和数据挖掘效率的低下。因此，在进行数据分析之前，必须对数据进行一定的处理，使之更加有利于将来的数据分析。
步骤(2)数据处理。
首先进行信息完善，医学历史数据来源于患者平时在门诊或住院时主治医生对其病情的记录。这些的数据复杂繁多，对于本课题多数是属于无效信息，且不可避免地存在着不完整，不一致，不精确和重复等问题，针对这些问题，前期信息的完善通过补充空缺的信息，对信息数据进行平滑噪声、识别、删除点等处理来解决数据的不一致。
在历史数据中，常常会发现代表同一概念的属性在不同的数据库含有不同的名字，这将会导致不一致和冗余，而含有大量不一致和冗余数据会降低数据挖掘过程的性能或使之陷入混乱。将数据集成与变换将减少或避免这种情况，提高数据挖掘的精度与速度。
步骤(2-1)：对望诊数据进行处理，将望诊数据根据程度有无轻重进行分类量化；
1、眼部数据：眼部数据主要是巩膜血管的充血状态和形态及虹膜边缘带及瞳孔颜色变化等数据。
1)眼睑水肿：晨起两侧均肿，下午肿，无、轻、重分别设为0、0.5、1；
2)眼球内、外眦处血管粗大，无、轻、重分别设为0、0.5、1；
3)肺区有黑线，无、轻、重分别设为0、0.5、1；
4)眼结膜充血发红，无、轻、重分别设为0、0.5、1；
5)白眼球有出血片，无、轻、重分别设为0、0.5、1；
6)白睛苍白，无、轻、重分别设为0、0.5、1；
7)睑结膜有出血点，无、轻、重分别设为0、0.5、1；
8)虹膜上缺损、凹陷较深，颜色呈深黑色，无、轻、重分别设为0、0.5、1；
9)虹膜任何部位出现黑点，形状可大小不一，无、轻、重分别设为0、0.5、1；
10)虹膜上方缺损，无、轻、重分别设为0、0.5、1；
11)虹膜出现一圈白色或灰暗色环，俗称老年环，无、轻、重分别设为0、0.5、1；
12)双眼球突出，无、轻、重分别设为0、0.5、1；
13)睑结膜出血，无、轻、重分别设为0、0.5、1；
2、耳部数据：耳部数据主要是耳廓的位置、厚薄、大小、形态、色泽、血管、耳道分泌物、耳道赘生物及其他“阳性反应物”变化等数据。
1)耳垂皱纹、皱褶，耳垂圆而大有横切迹(冠心沟)，无、轻、重分别设为0、0.5、1；
2)耳穴心区呈片状、圆形、条段状红色或暗红，边缘红晕，中心白色，有光泽，无、轻、重分别设为0、0.5、1；
3)耳舟的沟被隆起的耳垂截住，无、轻、重分别设为0、0.5、1；
4)外耳道长毛，无、轻、重分别设为0、0.5、1；
5)降压沟(耳背沟)上1/3中间白、点状白色、边缘红，或有血管充盈，无、轻、重分别设为0、0.5、1；
6)耳穴小肠区充血，无、轻、重分别设为0、0.5、1；
7)耳穴肾上腺、脑干、脑点、皮质下等穴位易观察到点状或片状红晕，无、轻、重分别设为0、0.5、1；
8)耳穴高血压区有毛细血管浮现，或此处小血管堆成象形雪花状红色符号，无、轻、重分别设为0、0.5、1；
9)耳穴心区或脱屑，或凹陷，或凸起，或色素沉着，或有瘢痕，或兼而有之，无、轻、重分别设为0、0.5、1；
10)“心区”周围小血管怒张或星状血管怒张，有针尖大小白色小点。无、轻、重分别设为0、0.5、1；
11)耳穴“心区”呈圆状形皱褶扩大，无、轻、重分别设为0、0.5、1；
12)肾上腺点状红晕，心区有皱褶；多数肝区有隆起,界限不明显，无、轻、重分别设为0、0.5、1；
3、舌部数据：舌部数据主要舌质的颜色，苔黄腻及舌的形态。
1)舌质红，苔黄燥，无、轻、重分别设为0、0.5、1；
2)舌质红紫，苔腻，无、轻、重分别设为0、0.5、1；
3)舌质暗红，苔薄白或，无苔，无、轻、重分别设为0、0.5、1；
4)舌质淡暗，或有瘀点瘀斑，无、轻、重分别设为0、0.5、1；
5)舌质淡紫，有瘀点瘀斑，苔白滑，无、轻、重分别设为0、0.5、1；
6)舌质暗，有瘀点瘀斑，苔腻，无、轻、重分别设为0、0.5、1；
7)苔白腻，无、轻、重分别设为0、0.5、1；
8)苔黄腻，无、轻、重分别设为0、0.5、1；
9)舌质暗红，苔干或剥，无、轻、重分别设为0、0.5、1；
10)舌质淡白，无、轻、重分别设为0、0.5、1；
11)舌质胖嫩，无、轻、重分别设为0、0.5、1；
12)舌质青紫，无、轻、重分别设为0、0.5、1；
13)舌质淡白，无、轻、重分别设为0、0.5、1；
14)舌质暗红或紫，舌胖大，无、轻、重分别设为0、0.5、1；
15)舌质红，苔黄腻，无、轻、重分别设为0、0.5、1；
16)舌质红，苔白腻，无、轻、重分别设为0、0.5、1；
17)舌质绛，苔白腻或光剥，无、轻、重分别设为0、0.5、1；
18)舌质青暗而干，苔白腻或白滑，无、轻、重分别设为0、0.5、1；
19)舌淡暗，体胖，苔白，无、轻、重分别设为0、0.5、1；
20)舌暗红，苔少或无苔，无、轻、重分别设为0、0.5、1；
21)舌淡暗或紫甚青紫，苔白或微腻，无、轻、重分别设为0、0.5、1；
22)舌紫暗，苔白或无苔，无、轻、重分别设为0、0.5、1；
23)舌绛而萎，无、轻、重分别设为0、0.5、1；
4、手部数据：手部数据主要是手掌、手背及腕部的形态、色泽、纹理等各种异常变化数据。
1)贯桥线，无、轻、重分别设为0、0.5、1；
2)“米”字状纹出现在生命线内侧，无、轻、重分别设为0、0.5、1；
3)智慧线尾端出现三角形样纹，无、轻、重分别设为0、0.5、1；
4)生命线尾端出现三角形样纹，无、轻、重分别设为0、0.5、1；
5)离位出现五角星形样纹，无、轻、重分别设为0、0.5、1；
6)心一区纹理杂乱，无、轻、重分别设为0、0.5、1；
7)心一区“米”字纹，无、轻、重分别设为0、0.5、1；
8)心二区“十”字纹，无、轻、重分别设为0、0.5、1；
9)太阳线穿过感情线，无、轻、重分别设为0、0.5、1；
10)智慧线劳宫穴处有“十”字状纹，无、轻、重分别设为0、0.5、1；
11)智慧线尾端有“米”字状纹，无、轻、重分别设为0、0.5、1；
12)生命线尾端出现“米”字状纹，无、轻、重分别设为0、0.5、1；
13)智慧线畸断或分成2-3枝，无、轻、重分别设为0、0.5、1；
14)离位有“米”字状纹，无、轻、重分别设为0、0.5、1；
15)智慧上端出现岛形样纹或方格形纹，无、轻、重分别设为0、0.5、1；
16)智慧呈锁链状，无、轻、重分别设为0、0.5、1；
17)大鱼际散在瘀斑红点，无、轻、重分别设为0、0.5、1；
18)感情线(从中指大开叉)一分为二，无、轻、重分别设为0、0.5、1；
19)大拇指根位大十字纹，无、轻、重分别设为0、0.5、1；
20)过敏线下垂相交于感情线伴有方庭有“丰”字纹符号，无、轻、重分别设为0、0.5、1；
21)感情线上有“川”状纹，无、轻、重分别设为0、0.5、1；
22)心三区青黄色，无、轻、重分别设为0、0.5、1；
23)心一区“米”状纹变得苍白(老年)，无、轻、重分别设为0、0.5、1；
24)大小鱼际肌肉隆起，掌色偏红，无、轻、重分别设为0、0.5、1；
25)大鱼际、离位纹色暗紫，无、轻、重分别设为0、0.5、1；
26)交感神经扩大，无、轻、重分别设为0、0.5、1；
27)太阳线旁有脂肪丘隆起，无、轻、重分别设为0、0.5、1；
28)各丘隆起，无、轻、重分别设为0、0.5、1；
29)心三区压之出现明显的松软和塌陷(指印久不消失的现象)，无、轻、重分别设为0、0.5、1；
30)手型方正，手指短粗，指端粗大呈鼓槌状或壁虎指，无、轻、重分别设为0、0.5、1；
31)指甲横纹，无、轻、重分别设为0、0.5、1；
32)十指甲白色月眉边呈锯齿状，无、轻、重分别设为0、0.5、1；
5、面部数据：面部包括面部色泽的变化等数据。
1)颜面浮肿,双目半睁、无神，眼神呆滞，表情木讷；精神疲惫，神怯气弱，无、轻、重分别设为0、0.5、1；
2)面色无华、晦滞，面色晦黯，无、轻、重分别设为0、0.5、1；
3)暗黄(晦暗)、暗赤、暗紫，无、轻、重分别设为0、0.5、1；
4)苍白、苍黄，无、轻、重分别设为0、0.5、1；
步骤(2-2)：对字符型数据进行处理。
1、性别：男、女分别设为0和1；
2、是否继续吸烟：戒烟、减少、未改变分别设为0、0.5、1；
3、是否饮酒：戒酒、减少、未改变分别设为0、0.5、1；
4、用药依从性是否良好:好、不好分别设为0、1；
5、运动强度是否符合目标心率：符合、不符合分别设为0、1；
6、运动时间是否达到总运动时间目标：符合不符合分别设为0、1；
7、是否合并其他疾病：不合并、合并为别为0、1。
步骤(2-3)：对数值型数据进行标准化处理。
对患者当前的收缩压(DBP)、舒张压(SBP)、总胆固醇(CHO)、甘油三脂(TG)、高密度脂蛋白胆固醇(HDL-C)、低密度脂蛋白胆固醇(LDL-C)、葡萄糖(GLU)、糖化血红蛋白(HBAIC)、两小时血糖(GLU-3)、乳酸脱氢酶(LDH)、肌酸激酶(CK)、肌酸激酶同工酶(CK-MB)、天冬氨酸氨基转移酶(AST)、脑纳肽(BNP)、左室射血分数(LVEF)、I导联压低最大毫伏、I导联抬高最大毫伏、II导联压低最大毫伏、II导联抬高最大毫伏、III导联压低最大毫伏、III导联抬高最大毫伏、aVR导联压低最大毫伏、aVR导联抬高最大毫伏、aVL导联压低最大毫伏、aVL导联抬高最大毫伏、aVF导联压低最大毫伏、aVF导联抬高最大毫伏、V1导联压低最大毫伏、V1导联抬高最大毫伏、V2导联压低最大毫伏、V2导联抬高最大毫伏、V3导联压低最大毫伏、V3导联抬高最大毫伏、V4导联压低最大毫伏、V4导联抬高最大毫伏、V5导联压低最大毫伏、V5导联抬高最大毫伏、V6导联压低最大毫伏、V6导联抬高最大毫伏，为使这36个分量都在0～1之间变化，从而使网络训练一开始就给各输入分量以同等重要的地位，避免直接将其值作为神经网络的输入用于训练会导致收敛很慢，基至可能无法完成训练的结果。采用下列公式作为“标准化”处理的归一化公式。
在患者复发预测中，有必要对属性进行分类，患者的全部属性分为两类，一类是不体现复发特征的属性，一类是体现复发特征的属性，不体现复发特征的属性在进行患者复发预测时提供不了任何信息，属于无价值属性。在体现复发特征的属性中，又存在两类属性，一类是体现复发倾向的属性，另一类是在用户复发前有异常变化的属性。
步骤(3)：属性选择
属性选择就是以一定的标准，从患者复发预测性库中选择合适的属性加入预测模型。属性选择的标准是该属性在复发用户与不复发用户存在明显的差异。这种差异性正是预测模型要寻找的用户复发特征。
属性选择要经过三个阶段。
步骤(3-1)：假设检验；
即运用统计假设检验的方法判断是否存在差异。假设检验是一种统计推断方法，它先对研究总体做出某种假设，然后通过观察样本来决定假设是否成立。
1、先建立无效假设，假设出现某种症状(属性)后冠心病术后没有复发为H0，差异是由抽样误差引起的；备择假设为H1，样本间存在本质差异；
2、选取n例冠心病术后患者(设n＝500)，计算出术后复发概率；
3、预先设定的检验水准α＝0.05；
4、确定Z检验统计方法，由样本观察值计算统计量的大小，检验统计量根据Z来确定P的值。
5、将P值与显著水平α比较，以此来确定是否支持H0。
步骤(3-2)：计算重要程度指标；
给所有存在差异的属性进行重要程序排序。该指标能有效地衡量属性在复发患者群与不复发患者群间分布的差异程度，给出该属性在患者复发预测中量化的重要程序。
1、选取出所有在患者术后冠心病复发与不复发存在明显差异的症状；
2、计算出每种症状存在时，该症状在复发患者群与不复发患者群的比例；
3、将每种症状及其复发人群比例在表格中列举出来，并依据冠心病复发比例的从小到大进行排序并从1(重要程度指标R)到大开始设值；
4、R值越大重要程度越高。
步骤(3-3)：实验筛选，即根据模型预测效果筛选属性；
属性选择的是否合理，最终评价标准是模型的预测效果。在获得属性的重要程序排序表后，可以优先选择R值较大，重要程序较高的属性加入复发预测模型，观察不同属性组合的预测效果，得到较稳定的复发预测模型属性组合。
1、选取前10个拥有最大R值的症状，将这十个症状进行两两组合；
2、计算出当两个症状同时存在时，患者冠心病复发的概率；
3、对两两组合的症状依据复发率重新排序并取出前10个；
4、依据以上方法对多个症状进行组合，分别计算出患者冠心病复发概率，并进行排序；
5、在获得症状的重要程序排序表后，可以优先选择R值较大，重要程序较高的症状加入复发预测模型，观察不同症状组合的预测效果，最终可得到一个较稳定的复发预测模型症状组合。
步骤(4)：网络参数的选择；
在进行具体表达预测模型之前首先必须确定神经网络中各个参数的值。只有确定了各个参数的值才可以建立起具体的预测模型，才可以在该网络模型基础上进行学习和预测。参数的选取对于神经网络的学习的意义十分重要，因为不当的参数选取甚至会影响着最终结果的产生。
步骤(4-1)：输入层和输出层的节点数目；
输入层和输出层的节点数目一般由具体的问题而确定，一般选择与问题密切相关的因素。
步骤(4-2)：隐含层的数量和节点数目；
提高误差精度的方法可以通过增加隐含层的层数和其节点数实现。但是由于3层BP网络可以完成任意P维至Q维的映射关系，多余的隐含层将会带来额外时间上的开销，综合考虑在这里采用3层的BP网络进行实现，即只需要一个隐含层。目前对于隐含层的节点数的选择没有一个明确的表达式，因为其节点数目的多少与具体问题的需求，输入层和输出层的节点数等都相关联。过少的节点数会导致学习质量的低下，而过多的节点数则会造成不必要的时间的消耗。
步骤(4-3)：连接权值的初始化；
初始的权值一般选择(-l，+1)之间的随机数。这是因为初始随机连接权值的大小对网络陷入局部最小的影响很大。因为如果这些权值太大，很可能在开始的时候就会使网络处于S型函数的饱和区，系统就非常有可能陷入局部最小。将其绝对值限制为<l则可以避免局部最小的现象，但又不可太小。因此在实际中用随机数进行生成的时候必须符合这点要求。
步骤(4-4)：阈值的初始化；
阈值的初始化为(-1，+1)之间的随机数。
步骤(4-5)：期望误差值的确定；
这里期望误差值选取0.001，可以根据实际的需要进行调整。太大的误差值会减少学习的效果，太小的误差值会让网络经过漫长的训练，甚至可能在有限的时问内无法最终收敛。
步骤(4-6)：冲量的选择；
因为BP算法本质上是一种非线性优化的问题，所以在实践中会不可避免的陷入局部最小。冲量法可以降低网络对于误差曲面局部细节的敏感性，使得网络的学习有可能越过局部最小以及加快网络学习的收敛。冲量的选择可以是常量，也可以根据校正的过程不断增大。这里为简单起见，冲量选择常量，为O.3。
步骤(4-7)：学习速率的选取；
学习速率的选取影响着网络的学习速度。在开始学习的时候，学习速率可以选择较大，但达到优化区的时候，学习速率必须减到非常小，以防止网络学习发生震荡。这里选择O.Ol～0.8之间。
步骤(4-8)：学习次数的上限；
根据具体情况进行分析，这里定为10000次。
步骤(4-9)：学习的结束条件；
训练次数达到预定的上限值或者训练误差小于给定的期望误差值。
步骤(4-lO)：学习训练方法；
可以包括单步法，多步法，滚动法，通过研究走势来进行学习。
步骤(5)：样本训练；
在实际训练中，将样本源分为训练集和学习集，前者包含75％，用于训练网络，后者包含25％，用于测试和其他用途。样本本身的选择必须兼顾全面性，不可以偏重于某一方面。在选择样本测试中，样本的输入必须保持个方面的均衡，或者说选择进行随机输入。
样本的正确选择对于神经网络的训练和结果有着至关重要的影响。本研究的样本来源于合作单位的历史患者数据，通过进行数据预处理后得到样本的数据库。样本的选择需要考虑样本数和样本本身。样本的数量越多，那么经过训练足以表达的内在规律越精确。但样本数量的增加意味着网络训练时间的延长。而且，在样本数量达到一定程度后网络训练的质量则提升的极为缓慢。因此在实际训练中，将样本源分为训练集和学习集，前者包含3/4，用于训练网络，后者包含l/4，用于测试和其他用途。样本本身的选择必须兼顾全面性，不可以偏重于某一方面。在选择样本测试中，样本的输入必须保持个方面的均衡，或者说选择进行随机输入。
步骤(6)：模型评估与应用；
建立了复发预测模型后，必须建立起量化的指标来衡量模型的预测效果。由于患者复发预测涉及的数据量居多，对数据要求很高，因此在比较不同的预测模型时，必须把各种数据情况考虑进去，单纯的根据量化指标来比较不同的流失预测模型是不公平的。要建立数值化的衡量指标，比如准确率、覆盖率及提升率。准确率是模型预测中的患者实际流失的概率，体现了模型预测是否精确；覆盖率是模型准确预测出来的复发患者占所有实际复发的比例，体现了模型预测效果的覆盖程度。由于正常复发率越低，模型准确预测的难度就越大，因此，我们用准确率与正常复发率的比值即提升率衡量预测模型捕捉复发患者特征的难易程度。
根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。
为了实现上述目的，本发明采用如下一种技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于多元望诊体系的冠心病介入术后复发预测模型的建模方法。
根据本公开的一个或多个实施例的一个方面，提供一种终端设备。
为了实现上述目的，本发明采用如下一种技术方案：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于多元望诊体系的冠心病介入术后复发预测模型的建模方法。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。
应当注意，尽管在上文的详细描述中提及了设备的若干模块或子模块，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
根据本公开的一个或多个实施例的一个方面，提供一种冠心病介入术后复发预测模型。
为了实现上述目的，本发明采用如下一种技术方案：
一种冠心病介入术后复发预测模型，采用所述的一种冠心病介入术后复发预测模型的建模方法进行构建。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种冠心病介入术后复发预测模型的建模方法，其特征在于，该方法包括：
接收患者数据集，所述患者数据包括术后复发患者的属性数据、检查数据和望诊数据，所述望诊数据包括细节数据和综合数据，所述细节数据包括眼部数据、耳部数据、舌部数据和手部数据，所述综合数据包括患者面部整体数据；
对患者数据集进行数据处理，将望诊数据根据程度有无轻重进行分类量化，将字符型的属性数据进行分类量化，将数值型的检查数据进行标准化处理；
针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异；对存在差异的数据属性计算重要程度指标并排序，筛选重要程度高的属性加入复发预测模型；
设置神经网络的网络参数，根据处理后的患者数据集作为样本，采用神经网络进行样本训练，建立复发预测模型。
2.如权利要求1所述的一种冠心病介入术后复发预测模型的建模方法，其特征在于，在本方法中，所述属性数据包括患者姓名，性别，年龄，是否有高血压、糖尿病病史，是否有早发心血管病家族史，是否吸烟、饮酒，以及其他与冠心病介入术后复发相关的属性数据。
3.如权利要求1所述的一种冠心病介入术后复发预测模型的建模方法，其特征在于，在本方法中，所述眼部数据为巩膜血管的充血状态和形态及虹膜边缘带及瞳孔颜色变化数据；
所述耳部数据为耳廓的位置、厚薄、大小、形态、色泽、血管、耳道分泌物、耳道赘生物及其他“阳性反应物”变化数据；
所述舌部数据为舌质的颜色，苔黄腻及舌的形态；
所述手部数据为手掌、手背及腕部的形态、色泽、纹理各种异常变化数据；
所述面部数据为面部形态、色泽的变化数据。
4.如权利要求1所述的一种冠心病介入术后复发预测模型的建模方法，其特征在于，在本方法中，所述针对患者数据集中的数据属性根据处理后的数据采用统计假设检验法判断是否存在差异，具体步骤包括：
建立无效假设，假设出现某种数据属性后冠心病术后未复发为H0，差异是由抽样误差引起的，备择假设H1为样本间存在本质差异；
根据患者数据集处理后的数据，计算该数据属性对应的术后复发概率；
预先设定的检验水准α＝0.05；
采用Z检验统计方法，由患者数据集处理后的数据计算检验统计量确定P值；
将P值与检验水准α比较，若P值大于检验水准α，则接受H0，否则，拒绝H0。
5.如权利要求1所述的一种冠心病介入术后复发预测模型的建模方法，其特征在于，在本方法中，所述对存在差异的数据属性计算重要程度指标并排序，具体步骤包括：
选取出所有在患者术后冠心病复发与不复发存在明显差异的数据属性；
计算出每种数据属性存在时，该数据属性在复发患者群与不复发患者群的比例；
将每种数据属性及其复发人群比例在表格中列举出来，并依据冠心病复发比例的从小到大进行排序并从1到大开始设值，所设值为重要程度指标R；
重要程度指标R值越大重要程度越高。
6.如权利要求1所述的一种冠心病介入术后复发预测模型的建模方法，其特征在于，该方法还包括：根据不同数据属性组合形成的复发预测模型，比较预测效果，得到稳定的复发预测模型属性组合，具体步骤包括：
选取前10个拥有最大R值的数据属性，将其进行两两组合；
通过复发预测模型计算出当两个数据属性同时存在时患者冠心病复发的概率；
对两两组合的数据属性依据复发率重新排序并取出前10个；
依据以上方法对多个症状进行组合，分别计算出患者冠心病复发概率，并进行排序；
在获得数据属性的重要程序排序表后，优先选择R值大，重要程序高的数据属性加入复发预测模型，观察不同数据属性组合的预测效果，得到最终的复发预测模型数据属性组合，用于构建最终的复发预测模型。
7.如权利要求1所述的一种冠心病介入术后复发预测模型的建模方法，其特征在于，该方法还包括：计算复发预测模型预测的准确率、覆盖率及提升率，衡量复发预测模型的预测效果；
所述准确率为模型预测中的患者实际流失的概率；
所述覆盖率为模型准确预测出来的复发患者占所有实际复发的比例；
所述提升率为准确率与正常复发率的比值。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行根据权利要求1-7中任一项所述的一种冠心病介入术后复发预测模型的建模方法。
9.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令用于执行根据权利要求1-7中任一项所述的一种冠心病介入术后复发预测模型的建模方法。
10.一种冠心病介入术后复发预测模型，其特征在于，采用如权利要求1-7任一项所述的一种冠心病介入术后复发预测模型的建模方法进行构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811504821.3A CN109346179B (zh) | 2018-12-10 | 2018-12-10 | 一种冠心病介入术后复发预测模型及其建模方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811504821.3A CN109346179B (zh) | 2018-12-10 | 2018-12-10 | 一种冠心病介入术后复发预测模型及其建模方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109346179A true CN109346179A (zh) | 2019-02-15 |
| CN109346179B CN109346179B (zh) | 2022-08-26 |
Family
ID=65303912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811504821.3A Active CN109346179B (zh) | 2018-12-10 | 2018-12-10 | 一种冠心病介入术后复发预测模型及其建模方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109346179B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919931A (zh) * | 2019-03-08 | 2019-06-21 | 数坤（北京）网络科技有限公司 | 冠脉狭窄度评价模型训练方法及评价系统 |
| CN110251122A (zh) * | 2019-06-13 | 2019-09-20 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 一种冠心病风险指数的无损检测系统及方法 |
| CN110755047A (zh) * | 2019-10-30 | 2020-02-07 | 中国医学科学院生物医学工程研究所 | 一种心脑血管疾病预防方法、装置、终端及存储介质 |
| CN113611412A (zh) * | 2020-09-03 | 2021-11-05 | 北京大学 | 一种t2dm引起冠心病风险的预测方法、装置及系统 |
| CN115607113A (zh) * | 2022-12-14 | 2023-01-17 | 中国中医科学院中医临床基础医学研究所 | 基于深度学习模型的冠心病患者手诊数据处理方法及其系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130085773A1 (en) * | 2011-09-30 | 2013-04-04 | Univfy Inc. | Method for generating healthcare-related validated prediction models from multiple sources |
| CN105528526A (zh) * | 2016-01-15 | 2016-04-27 | 胡广芹 | 一种基于中医药传承与大数据挖掘的生命周期动态健康管理系统 |
| CN106198599A (zh) * | 2016-08-22 | 2016-12-07 | 上海交通大学 | 检测阿尔兹海默病相关代谢小分子的核磁共振模型及构建 |
| CN107016438A (zh) * | 2017-04-14 | 2017-08-04 | 温川飙 | 一种基于中医辨证人工神经网络算法模型的系统 |
| CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
| CN107451407A (zh) * | 2017-07-31 | 2017-12-08 | 广东工业大学 | 一种中医智能诊断方法、系统及中医医疗系统 |
| JP2018072337A (ja) * | 2016-10-21 | 2018-05-10 | 国立研究開発法人国立循環器病研究センター | 主要有害心イベントの再発リスクの予測方法 |
| CN108597621A (zh) * | 2018-07-09 | 2018-09-28 | 中国中医科学院中医药信息研究所 | 基于中医理论的健康状态监控装置、系统及方法 |
-
2018
- 2018-12-10 CN CN201811504821.3A patent/CN109346179B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130085773A1 (en) * | 2011-09-30 | 2013-04-04 | Univfy Inc. | Method for generating healthcare-related validated prediction models from multiple sources |
| CN105528526A (zh) * | 2016-01-15 | 2016-04-27 | 胡广芹 | 一种基于中医药传承与大数据挖掘的生命周期动态健康管理系统 |
| CN106198599A (zh) * | 2016-08-22 | 2016-12-07 | 上海交通大学 | 检测阿尔兹海默病相关代谢小分子的核磁共振模型及构建 |
| JP2018072337A (ja) * | 2016-10-21 | 2018-05-10 | 国立研究開発法人国立循環器病研究センター | 主要有害心イベントの再発リスクの予測方法 |
| CN107016438A (zh) * | 2017-04-14 | 2017-08-04 | 温川飙 | 一种基于中医辨证人工神经网络算法模型的系统 |
| CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
| CN107451407A (zh) * | 2017-07-31 | 2017-12-08 | 广东工业大学 | 一种中医智能诊断方法、系统及中医医疗系统 |
| CN108597621A (zh) * | 2018-07-09 | 2018-09-28 | 中国中医科学院中医药信息研究所 | 基于中医理论的健康状态监控装置、系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁锋 等: "一种冠心病介入术后复发预测组合模型的构建", 《计算机工程与应用》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919931A (zh) * | 2019-03-08 | 2019-06-21 | 数坤（北京）网络科技有限公司 | 冠脉狭窄度评价模型训练方法及评价系统 |
| CN110251122A (zh) * | 2019-06-13 | 2019-09-20 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 一种冠心病风险指数的无损检测系统及方法 |
| CN110755047A (zh) * | 2019-10-30 | 2020-02-07 | 中国医学科学院生物医学工程研究所 | 一种心脑血管疾病预防方法、装置、终端及存储介质 |
| CN110755047B (zh) * | 2019-10-30 | 2022-05-03 | 中国医学科学院生物医学工程研究所 | 一种心脑血管疾病预防方法、装置、终端及存储介质 |
| CN113611412A (zh) * | 2020-09-03 | 2021-11-05 | 北京大学 | 一种t2dm引起冠心病风险的预测方法、装置及系统 |
| CN113611412B (zh) * | 2020-09-03 | 2022-02-22 | 北京大学 | 一种t2dm引起冠心病风险的预测方法、装置及系统 |
| CN115607113A (zh) * | 2022-12-14 | 2023-01-17 | 中国中医科学院中医临床基础医学研究所 | 基于深度学习模型的冠心病患者手诊数据处理方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109346179B (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109346179A (zh) | 一种冠心病介入术后复发预测模型及其建模方法、装置 | |
| CN107799165A (zh) | 一种基于虚拟现实技术的心理评估方法 | |
| CN107242857A (zh) | 基于深度学习的智能中医综合诊疗系统 | |
| US20060095225A1 (en) | Method and computer program for pattern analysis and reporting of chronic disease state management data | |
| CN112184647B (zh) | 基于迁移卷积网络对眼底图像进行血管病变分级识别方法 | |
| CN109285152A (zh) | 一种医学图像处理系统、装置和计算机可读存储介质 | |
| CN106096286A (zh) | 临床路径制定方法及装置 | |
| Taylor et al. | A model to detect heart disease using machine learning algorithm | |
| CN109497991A (zh) | 基于机器学习的心衰检测装置 | |
| CN107799180A (zh) | 基于认知行为疗法的心理资本提升训练方法及系统 | |
| CN111785366A (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
| CN108597621A (zh) | 基于中医理论的健康状态监控装置、系统及方法 | |
| CN109978873A (zh) | 一种基于中医影像大数据的智能体检系统及其方法 | |
| CN112155524A (zh) | 一种面向中医诊脉的大数据分析诊断方法及其分析系统 | |
| CN110415245A (zh) | 眼部数据确定方法、模型训练方法及设备 | |
| CN110495888A (zh) | 一种基于中医舌、面图像的标准色卡及其应用 | |
| CN114469009B (zh) | 一种面部疼痛表情分级评估方法 | |
| CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
| CN110490138A (zh) | 一种数据处理方法及装置、存储介质、电子设备 | |
| US20230181120A1 (en) | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks | |
| CN113611410A (zh) | 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 | |
| Manna et al. | Understanding early childhood obesity risks: an empirical study using fuzzy signatures | |
| CN112768060A (zh) | 基于随机生存森林的肝癌术后复发预测方法、存储介质 | |
| CN112185564A (zh) | 一种基于结构化电子病历的眼科疾病预测方法和存储设备 | |
| Wallace et al. | Identifying differences in physician communication styles with a log-linear transition component 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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yuan Feng Inventor after: Chen Shouqiang Inventor after: Chen Yang Inventor before: Chen Yang Inventor before: Chen Shouqiang Inventor before: Yuan Feng |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220804 Address after: No.60, sangyuan Road, Jinan City, Shandong Province Applicant after: SHANDONG MANAGEMENT University Address before: 250357 no.3500 Dingxiang Road, Changqing District, Jinan City, Shandong Province Applicant before: Chen Yang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240328 Address after: No. 4567 Tangye Middle Road, Licheng District, Jinan City, Shandong Province, 250109, Shandong Province, China. Lu Shang Fenghuang Plaza 1-502-2 Patentee after: Shandong BeiSen Hospital Management Consulting Co.,Ltd. Country or region after: China Address before: No.60, sangyuan Road, Jinan City, Shandong Province Patentee before: SHANDONG MANAGEMENT University Country or region before: China |