CN109712716A - 疾病影响因素确定方法、系统和计算机设备 - Google Patents
疾病影响因素确定方法、系统和计算机设备 Download PDFInfo
- Publication number
- CN109712716A CN109712716A CN201811587933.XA CN201811587933A CN109712716A CN 109712716 A CN109712716 A CN 109712716A CN 201811587933 A CN201811587933 A CN 201811587933A CN 109712716 A CN109712716 A CN 109712716A
- Authority
- CN
- China
- Prior art keywords
- variable data
- data
- analyzed
- variable
- regression model
- 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
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种疾病影响因素确定方法、系统、计算机设备和可读存储介质，其方法包括：获取待分析疾病的变量数据；根据预设回归模型，对所述变量数据进行分析，得到影响参数；根据所述影响参数获取校正方法；根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。采用本发明方案，可以完成疾病影响因素确定，提高准确率。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种疾病影响因素确定方法、系统和计算机设备。
背景技术
Logistic回归分析属于概率型非线性回归，是研究二分类观察结果与一些影响因素之间的一种多变量分析方法,主要在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率等，如食管癌的发生于吸烟、饮酒、不良饮食习惯等危险因素的关系。
目前常用SPSS(Statistical Product and Service Solutions，统计产品与服务解决方案)或者SAS(Statistical Analysis System，数据分析系统)软件进行Logistic回归过程，但现有的回归分析软件都不具备数据校正功能。
因此，现有技术中的回归分析方法不具备自动校正功能，数据分析准确性不够高。
发明内容
本发明的目的在于提供一种疾病影响因素确定方法、系统、计算机设备和可读存储介质，可以完成疾病影响因素确定，提高准确性。
本发明的目的通过如下技术方案实现：
一种疾病影响因素确定方法，所述方法包括：
获取待分析疾病的变量数据；
根据预设回归模型，对所述变量数据进行分析，得到影响参数；
根据所述影响参数获取校正方法；
根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；
根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
在其中一个实施例中，所述变量数据包括自变量数据和因变量数据；所述获取待分析疾病的变量数据，包括：
获取目标因变量，以及，获取至少一种目标自变量；
查询预存的数据中，与所述目标因变量对应的因变量数据；
查询预存的数据中，与所述目标自变量对应的自变量数据。
在其中一个实施例中，所述获取待分析疾病的变量数据，包括：
获取初始变量数据，以及，从多个候选筛选方法中选取变量筛选方法；
根据所述变量筛选方法对所述初始变量数据进行筛选，得到所述变量数据。
在其中一个实施例中，所述根据预设回归模型，对所述变量数据进行分析，得到所述影响参数，包括：
从多个候选输出类型中选取所述影响参数的参数输出类型；
将所述变量数据输入所述预设回归模型，获取与所述参数输出类型对应的所述影响参数；所述影响参数包括自变量数据和因变量数据之间的关联关系。
在其中一个实施例中，所述根据所述影响参数获取校正方法，包括：
将所述影响参数中的模型评价系数和预设系数相匹配；
当所述模型评价系数不符合预设系数时，从候选校正方法中选取与所述模型评价系数对应的校正方法。
在其中一个实施例中，所述校正方法包括第一正则化和第二正则化中的至少一种。
在其中一个实施例中，所述候选输出类型包括系数相关信息、系数协方差举证、系数相关性矩阵、多重共线性诊断和杠杆与强影响判断中的至少一种。
一种疾病影响因素确定装置，所述装置包括：
变量数据获取模块，用于获取待分析疾病的变量数据；
影响参数获取模块，用于根据预设回归模型，对所述变量数据进行分析，得到影响参数；
校正方法获取模块，用于根据所述影响参数获取校正方法；
校正模块，用于根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；
影响因素确定模块，用于根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取待分析疾病的变量数据；
根据预设回归模型，对所述变量数据进行分析，得到影响参数；
根据所述影响参数获取校正方法；
根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；
根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
一种计算机可读存储介质，其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下步骤：
获取待分析疾病的变量数据；
根据预设回归模型，对所述变量数据进行分析，得到影响参数；
根据所述影响参数获取校正方法；
根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；
根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
根据上述本发明的方案，其获取待分析疾病的变量数据；根据预设回归模型，对所述变量数据进行分析，得到影响参数；根据所述影响参数获取校正方法；根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。如此，本发明方案可以对预设回归模型进行校正，得到校正影响参数，根据校正影响参数确定待分析疾病的影响因素，准确性较高。
附图说明
图1为一个实施例中疾病影响因素确定方法的应用环境图；
图2为一个实施例中疾病影响因素确定方法的流程示意图；
图3为一个实施例中变量数据获取页面示意图；
图4为一个实施例中参数输出类型确定页面示意图；
图5为一个实施例中影响参数输出页面示意图；
图6为一个实施例中疾病影响因素确定系统的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
本申请提供的疾病影响因素确定方法，可以应用于如图1所示的应用环境中。其中，服务器获取待分析疾病的变量数据；服务器根据预设回归模型，对所述变量数据进行分析，得到影响参数；服务器根据所述影响参数获取校正方法；服务器根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；服务器根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解，本申请提供的疾病影响因素确定方法，不仅可以应用于图1所示的应用环境中，还可以应用但不限于各种计算机中。
在一个实施例中，如图2所示，提供了一种疾病影响因素确定，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S101，获取待分析疾病的变量数据。
其中，变量数据包括自变量数据和因变量数据；自变量是指研究者主动操纵，而引起因变量发生变化的因素或条件，因此自变量被看作是因变量的原因。
例如，自变量数据包括年龄，性别，体重等等，对应的因变量数据包括中心粒细胞计数。
步骤S102，根据预设回归模型，对所述变量数据进行分析，得到影响参数。
其中，回归模型是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)之间的关系。
在具体实施过程中，回归模型是Logistic回归模型。
在具体实施过程中，先使用Statsmodels包的glm模块进行建模，得出模型的拟合参数，再利用拟合出的参数输出各种基本信息，如系数的相关信息，系数的协方差矩阵、相关性矩阵，多重共线性诊断和杠杆与强影响点；对于glm没有输出的结果，根据相关Python代码，形成“stat.binLogistic”包，最后得到模型的评价、拟合优度、变量筛选的逐步过程等结果并整理成可读性高的结果输出。
其中，statsmodels是一个有很多统计模型的python库，python是一种计算机程序设计语言；glm是一种广义线性模型；statsmodels能完成很多统计测试，数据探索以及可视化，它也包含一些经典的统计方法，比如贝叶斯方法和一个机器学习的模型。
其中，影响参数包括自变量和因变量之间的关联关系。
例如，影响参数包括系数相关关系、系数相关性矩阵、多重共线性矩阵等等。
步骤S103，根据所述影响参数获取校正方法。
其中，校正方法用于对回归模型进行校正，避免模型过拟合。
在具体实施过程中，影响参数还包括模型评价系数，通过模型评价系数选取校正方法，对预设回归模型进行校正。
例如，校正方法可以选择L1正则化，L1正则化是机器学习中重要的手段，在支持向量机学习过程中，实际是一种对于成本函数求解最优的过程
步骤S104，根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型。
在具体实施过程中，根据校正方法对预设回归模型的参数进行校正，避免预设回归模型过拟合，得到校正回归模型。
步骤S105，根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
在具体实施过程中，将变量数据输入校正回顾模型，得到校正影响参数，校正影响参数包括系数相关关系、系数相关性矩阵、多重共线性矩阵等等自变量数据和因变量数据之间的关联关系，根据校正影响参数确定待分析疾病的自变量的权重，从而确定待分析疾病的影响因素。
上述疾病影响因素确定方法中，通过获取待分析疾病的变量数据；根据预设回归模型，对所述变量数据进行分析，得到影响参数；根据所述影响参数获取校正方法；根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。如此，本发明方案可以对预设回归模型进行校正，得到校正影响参数，根据校正影响参数确定待分析疾病的影响因素，准确性较高。
在其中一个实施例中，所述变量数据包括自变量数据和因变量数据；所述获取待分析疾病的变量数据，包括：
获取目标因变量，以及，获取至少一种目标自变量。
在具体实施过程中，服务器接收用户输入的目标因变量和目标自变量。
在另一种实施过程中，服务器展示多个候选因变量和多个候选自变量，接收从所述候选因变量中选取的目标因变量，以及，接收从所述候选自变量中选取的目标自变量。
例如，如图3所示，接收用户输入的目标因编码为中心粒细胞计数，用户输入的自变量为年龄、呼吸衰竭和慢性咽喉炎。
查询预存的数据中，与所述目标因变量对应的因变量数据；查询预存的数据中，与所述目标自变量对应的自变量数据。
在具体实施过程中，服务器中设置有数据库，数据库中存储有多个样本的因变量数据和自变量数据。
例如，数据库中存储有一万人的年龄、性别、吸烟史等等自变量数据，以及一万人的双下肢水肿、夜间阵发性呼吸困难等等因变量数据。
在其中一个实施例中，所述获取待分析疾病的变量数据，包括：
获取初始变量数据，以及，从多个候选筛选方法中选取变量筛选方法。
其中，候选筛选方法为用于供用户挑选的筛选初始变量数据的方法。
例如，如图3所示，候选筛选方法包括向前筛选、向后筛选和全部进入方法；其中，向前是事先用一步一步的方法筛选自变量，也就是先设立门槛。称作“前”。而向后，是先把所有的自变量都进来，然后再筛选自变量。也就是先不设置门槛，等进来了再一个一个淘汰；全部进入是不作任何筛选。
根据所述变量筛选方法对所述初始变量数据进行筛选，得到所述变量数据。
在具体实施过程中，根据选择的变量筛选方法，对初始变量数据中的初始自变量数据进行筛选，得到变量数据。
例如，用户输入的自变量为年龄、身高、性别、吸烟史等初始自变量数据，以及其他间质性肺疾病的因变量数据，对初始自变量数据进行筛选，得到年龄、性别和吸烟史的自变量数据。
在其中一个实施例中，根据预设回归模型，对所述变量数据进行分析，得到所述影响参数，包括：
从多个候选输出类型中选取所述影响参数的参数输出类型。
其中，不同的参数输出类型代表自变量数据和因变量数据之间不同关联关系。
在具体实施过程中，服务器显示多种候选输出类型供用户选择。
具体的，候选输出类型包括原始数据基本描述，如散点图和交叉表；还包括系数相关信息、系数的系数协方差举证、系数相关性矩阵、多重共线性诊断、杠杆与强影响判断和模型评价系数中的至少一种。
例如，如图4所示，用户从多个候选输出类型中选择原始数据基本描述、系数相关信息、系数的系数协方差举证、系数相关性矩阵、多重共线性诊断和杠杆与强影响判断。
将所述变量数据输入所述预设回归模型，获取与所述参数输出类型对应的所述影响参数；所述影响参数包括自变量数据和因变量数据之间的关联关系。
如图5所示，当选取的参数输出类型为选择原始数据基本描述、模型评价系数、系数相关信息、系数的系数协方差举证、系数相关性矩阵和多重共线性诊断时，服务器输出和参数输出类型对应的影响参数。
在其中一个实施例中，根据所述影响参数获取校正方法，包括：
将所述影响参数中的模型评价系数和预设系数相匹配；
如图5所示，模型评价系数还包括P值；其中，P值(Pvalue)就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。总之，P值越小，表明结果越显著。
在具体实施过程中，将P值和预设系数进行匹配，判断是否需要进行校正。
当所述模型评价系数不符合预设系数时，从候选校正方法中选取与所述模型评价系数对应的校正方法。
其中，当所述模型评价系数不符合预设系数时具体为：如果P<0.01，说明是较强的判定结果，拒绝假定的参数取值；如果0.01<P值<0.05，说明较弱的判定结果，拒绝假定的参数取值；如果P值>0.05，说明结果更倾向于接受假定的参数取值。
其中，校正方法为正则化方法，正则化是一种回归的形式，它将系数估计朝零的方向进行约束、调整或缩小。也就是说，正则化可以在学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的危险。
如图3所示，校正方法可以选择L1正则化和L2正则化。
其中，L1范数正则化是机器学习中重要的手段，在支持向量机学习过程中，实际是一种对于成本函数求解最优的过程。
其中，L2正则化使得模型的解偏向于范数较小，通过限制范数的大小实现了对模型空间的限制，从而在一定程度上避免了过度拟合。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中，如图6所示，提供了一种疾病影响因素确定系统，所述系统包括：
变量数据获取模块601，用于获取待分析疾病的变量数据；
影响参数获取模块602，用于根据预设回归模型，对所述变量数据进行分析，得到影响参数；
校正方法获取模块603，用于根据所述影响参数获取校正方法；
校正模块604，用于根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；
影响因素确定模块605，用于根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
在其中一个实施例中，所述变量数据获取模块601包括：
变量获取单元，用于获取目标因变量，以及，获取至少一种目标自变量；
因变量数据获取单元，用于查询预存的数据中，与所述目标因变量对应的因变量数据；
自变量数据获取单元，用于查询预存的数据中，与所述目标自变量对应的自变量数据。
在其中一个实施例中，所述变量数据获取模块601包括：
初始数据获取单元，用于获取初始变量数据，以及，从多个候选筛选方法中选取变量筛选方法；
筛选单元，用于根据所述变量筛选方法对所述初始变量数据进行筛选，得到所述变量数据。
在其中一个实施例中，影响参数模块获取602包括：
输出类型获取单元，用于从多个候选输出类型中选取所述影响参数的参数输出类型；
影响参数获取单元，用于将所述变量数据输入所述预设回归模型，获取与所述参数输出类型对应的所述影响参数；所述影响参数包括自变量数据和因变量数据之间的关联关系。
在其中一个实施例中，校正方法获取模块603包括：
匹配单元，用于将所述影响参数中的模型评价系数和预设系数相匹配；
校正单元，用于当所述模型评价系数不符合预设系数时，从候选校正方法中选取与所述模型评价系数对应的校正方法。
在其中一个实施例中，所述校正方法包括第一正则化和第二正则化中的至少一种。
在其中一个实施例中，所述候选输出类型包括系数相关信息、系数协方差举证、系数相关性矩阵、多重共线性诊断和杠杆与强影响判断中的至少一种。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储绩效考核涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种疾病影响因素确定方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待分析疾病的变量数据；根据预设回归模型，对所述变量数据进行分析，得到影响参数；根据所述影响参数获取校正方法；根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
在其中一个实施例中，处理器执行计算机程序时所述变量数据包括自变量数据和因变量数据；所述获取待分析疾病的变量数据，包括：获取目标因变量，以及，获取至少一种目标自变量；查询预存的数据中，与所述目标因变量对应的因变量数据；查询预存的数据中，与所述目标自变量对应的自变量数据。
在其中一个实施例中，处理器执行计算机程序时所述获取待分析疾病的变量数据，包括：获取初始变量数据，以及，从多个候选筛选方法中选取变量筛选方法；根据所述变量筛选方法对所述初始变量数据进行筛选，得到所述变量数据。
在其中一个实施例中，处理器执行计算机程序时所述根据预设回归模型，对所述变量数据进行分析，得到所述影响参数，包括：从多个候选输出类型中选取所述影响参数的参数输出类型；将所述变量数据输入所述预设回归模型，获取与所述参数输出类型对应的所述影响参数；所述影响参数包括自变量数据和因变量数据之间的关联关系。
在其中一个实施例中，处理器执行计算机程序时所述根据所述影响参数获取校正方法，包括：将所述影响参数中的模型评价系数和预设系数相匹配；当所述模型评价系数不符合预设系数时，从候选校正方法中选取与所述模型评价系数对应的校正方法。
在其中一个实施例中，处理器执行计算机程序时所述校正方法包括第一正则化和第二正则化中的至少一种。
在其中一个实施例中，处理器执行计算机程序时所述候选输出类型包括系数相关信息、系数协方差举证、系数相关性矩阵、多重共线性诊断和杠杆与强影响判断中的至少一种。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待分析疾病的变量数据；根据预设回归模型，对所述变量数据进行分析，得到影响参数；根据所述影响参数获取校正方法；根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
在其中一个实施例中，计算机程序被处理器执行时所述变量数据包括自变量数据和因变量数据；所述获取待分析疾病的变量数据，包括：获取目标因变量，以及，获取至少一种目标自变量；查询预存的数据中，与所述目标因变量对应的因变量数据；查询预存的数据中，与所述目标自变量对应的自变量数据。
在其中一个实施例中，计算机程序被处理器执行时所述获取待分析疾病的变量数据，包括：获取初始变量数据，以及，从多个候选筛选方法中选取变量筛选方法；根据所述变量筛选方法对所述初始变量数据进行筛选，得到所述变量数据。
在其中一个实施例中，计算机程序被处理器执行时所述根据预设回归模型，对所述变量数据进行分析，得到所述影响参数，包括：从多个候选输出类型中选取所述影响参数的参数输出类型；将所述变量数据输入所述预设回归模型，获取与所述参数输出类型对应的所述影响参数；所述影响参数包括自变量数据和因变量数据之间的关联关系。
在其中一个实施例中，计算机程序被处理器执行时所述根据所述影响参数获取校正方法，包括：将所述影响参数中的模型评价系数和预设系数相匹配；当所述模型评价系数不符合预设系数时，从候选校正方法中选取与所述模型评价系数对应的校正方法。
在其中一个实施例中，计算机程序被处理器执行时所述校正方法包括第一正则化和第二正则化中的至少一种。
在其中一个实施例中，计算机程序被处理器执行时所述候选输出类型包括系数相关信息、系数协方差举证、系数相关性矩阵、多重共线性诊断和杠杆与强影响判断中的至少一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种疾病影响因素确定方法，其特征在于，所述方法包括：
获取待分析疾病的变量数据；
根据预设回归模型，对所述变量数据进行分析，得到影响参数；
根据所述影响参数获取校正方法；
根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；
根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
2.根据权利要求1所述的方法，其特征在于，所述变量数据包括自变量数据和因变量数据；所述获取待分析疾病的变量数据，包括：
获取目标因变量，以及，获取至少一种目标自变量；
查询预存的数据中，与所述目标因变量对应的因变量数据；
查询预存的数据中，与所述目标自变量对应的自变量数据。
3.根据权利要求1所述的方法，其特征在于，所述获取待分析疾病的变量数据，包括：
获取初始变量数据，以及，从多个候选筛选方法中选取变量筛选方法；
根据所述变量筛选方法对所述初始变量数据进行筛选，得到所述变量数据。
4.根据权利要求2所述的方法，其特征在于，所述根据预设回归模型，对所述变量数据进行分析，得到所述影响参数，包括：
从多个候选输出类型中选取所述影响参数的参数输出类型；
将所述变量数据输入所述预设回归模型，获取与所述参数输出类型对应的所述影响参数；所述影响参数包括自变量数据和因变量数据之间的关联关系。
5.根据权利要求1所述的方法，其特征在于，所述根据所述影响参数获取校正方法，包括：
将所述影响参数中的模型评价系数和预设系数相匹配；
当所述模型评价系数不符合预设系数时，从候选校正方法中选取与所述模型评价系数对应的校正方法。
6.根据权利要求3所述的方法，其特征在于，所述校正方法包括第一正则化和第二正则化中的至少一种。
7.根据权利要求4所述的方法，其特征在于，所述候选输出类型包括系数相关信息、系数协方差举证、系数相关性矩阵、多重共线性诊断和杠杆与强影响判断中的至少一种。
8.一种疾病影响因素确定装置，其特征在于，所述装置包括：
变量数据获取模块，用于获取待分析疾病的变量数据；
影响参数获取模块，用于根据预设回归模型，对所述变量数据进行分析，得到影响参数；
校正方法获取模块，用于根据所述影响参数获取校正方法；
校正模块，用于根据所述校正方法对所述预设回归模型进行校正，得到校正回归模型；
影响因素确定模块，用于根据所述校正回归模型，对所述变量数据进行分析，得到校正影响参数；所述校正影响参数用于确定待分析疾病的影响因素。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811587933.XA CN109712716B (zh) | 2018-12-25 | 2018-12-25 | 疾病影响因素确定方法、系统和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811587933.XA CN109712716B (zh) | 2018-12-25 | 2018-12-25 | 疾病影响因素确定方法、系统和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109712716A true CN109712716A (zh) | 2019-05-03 |
| CN109712716B CN109712716B (zh) | 2021-08-31 |
Family
ID=66257488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811587933.XA Active CN109712716B (zh) | 2018-12-25 | 2018-12-25 | 疾病影响因素确定方法、系统和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109712716B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340361A (zh) * | 2020-02-25 | 2020-06-26 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
| CN113096815A (zh) * | 2021-05-28 | 2021-07-09 | 齐齐哈尔大学 | 一种基于logistic回归的慢性肾病预测方法 |
| CN113468260A (zh) * | 2021-05-27 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 一种数据分析方法、装置、电子设备及存储介质 |
| CN116386850A (zh) * | 2023-03-28 | 2023-07-04 | 数坤(北京)网络科技股份有限公司 | 医学数据分析方法、装置、计算机设备及存储介质 |
| CN117193201A (zh) * | 2023-09-28 | 2023-12-08 | 广州思茂特冷冻设备制造有限公司 | 基于人工智能的机组控制方法及系统、计算机存储介质 |
| CN113468260B (zh) * | 2021-05-27 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 一种数据分析方法、装置、电子设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855221A (zh) * | 2012-08-07 | 2013-01-02 | 中国科学院对地观测与数字地球科学中心 | 一种基于嵌套回归的有理函数模型参数自动优选及求解方法 |
| CN102890050A (zh) * | 2012-07-31 | 2013-01-23 | 中国石油化工股份有限公司 | 一种激光法与筛析法粒度分析数据的校正方法 |
| CN103020454A (zh) * | 2012-12-15 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 发病关键因素提取与疾病预警方法及系统 |
| CN104572538A (zh) * | 2014-12-31 | 2015-04-29 | 北京工业大学 | 一种基于k-pls回归模型的中医舌图像颜色校正方法 |
| CN104809335A (zh) * | 2015-04-10 | 2015-07-29 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测模型 |
| CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
| CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
| CN106636398A (zh) * | 2016-12-21 | 2017-05-10 | 哈尔滨工业大学 | 一种改进的阿尔茨海默病发病风险预测方法 |
| CN106776370A (zh) * | 2016-12-05 | 2017-05-31 | 哈尔滨工业大学（威海） | 基于对象关联性评估的云存储方法及装置 |
| CN108550400A (zh) * | 2018-04-13 | 2018-09-18 | 成都金盘电子科大多媒体技术有限公司 | 空气污染物对呼吸道疾病病患人数影响的评估方法 |
| CN108682457A (zh) * | 2018-04-17 | 2018-10-19 | 中国医学科学院阜外医院 | 患者长期预后定量预测和干预系统及方法 |
| CN108805338A (zh) * | 2018-05-21 | 2018-11-13 | 重庆小雨点小额贷款有限公司 | 一种稳定变量确定方法、装置、服务器及存储介质 |
| US20180357362A1 (en) * | 2017-06-13 | 2018-12-13 | Feliks Frenkel | Systems and methods for identifying responders and non-responders to immune checkpoint blockade therapy |
| CN109065128A (zh) * | 2018-09-28 | 2018-12-21 | 郑州大学 | 一种加权图正则化稀疏脑网络构建方法 |
-
2018
- 2018-12-25 CN CN201811587933.XA patent/CN109712716B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102890050A (zh) * | 2012-07-31 | 2013-01-23 | 中国石油化工股份有限公司 | 一种激光法与筛析法粒度分析数据的校正方法 |
| CN102855221A (zh) * | 2012-08-07 | 2013-01-02 | 中国科学院对地观测与数字地球科学中心 | 一种基于嵌套回归的有理函数模型参数自动优选及求解方法 |
| CN103020454A (zh) * | 2012-12-15 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 发病关键因素提取与疾病预警方法及系统 |
| CN104572538A (zh) * | 2014-12-31 | 2015-04-29 | 北京工业大学 | 一种基于k-pls回归模型的中医舌图像颜色校正方法 |
| CN104809335A (zh) * | 2015-04-10 | 2015-07-29 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测模型 |
| CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
| CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
| CN106776370A (zh) * | 2016-12-05 | 2017-05-31 | 哈尔滨工业大学（威海） | 基于对象关联性评估的云存储方法及装置 |
| CN106636398A (zh) * | 2016-12-21 | 2017-05-10 | 哈尔滨工业大学 | 一种改进的阿尔茨海默病发病风险预测方法 |
| US20180357362A1 (en) * | 2017-06-13 | 2018-12-13 | Feliks Frenkel | Systems and methods for identifying responders and non-responders to immune checkpoint blockade therapy |
| US20180358128A1 (en) * | 2017-06-13 | 2018-12-13 | Alexander Bagaev | Systems and methods for identifying cancer treatments from normalized biomarker scores |
| CN108550400A (zh) * | 2018-04-13 | 2018-09-18 | 成都金盘电子科大多媒体技术有限公司 | 空气污染物对呼吸道疾病病患人数影响的评估方法 |
| CN108682457A (zh) * | 2018-04-17 | 2018-10-19 | 中国医学科学院阜外医院 | 患者长期预后定量预测和干预系统及方法 |
| CN108805338A (zh) * | 2018-05-21 | 2018-11-13 | 重庆小雨点小额贷款有限公司 | 一种稳定变量确定方法、装置、服务器及存储介质 |
| CN109065128A (zh) * | 2018-09-28 | 2018-12-21 | 郑州大学 | 一种加权图正则化稀疏脑网络构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 秦平等: "BP神经网络在代谢综合征影响因素分析中的应用", 《实用预防医学》 * |
| 裘炯良: ""主成分改进的Logistic回归模型方法在流行病学分析中的应用"", 《中国热带医学》 * |
| 许汝福: ""Logistic回归变量筛选及回归方法选择实例分析"", 《中国循证医学杂志》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340361A (zh) * | 2020-02-25 | 2020-06-26 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
| CN111340361B (zh) * | 2020-02-25 | 2023-04-28 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
| CN113468260A (zh) * | 2021-05-27 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 一种数据分析方法、装置、电子设备及存储介质 |
| CN113468260B (zh) * | 2021-05-27 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 一种数据分析方法、装置、电子设备及存储介质 |
| CN113096815A (zh) * | 2021-05-28 | 2021-07-09 | 齐齐哈尔大学 | 一种基于logistic回归的慢性肾病预测方法 |
| CN116386850A (zh) * | 2023-03-28 | 2023-07-04 | 数坤(北京)网络科技股份有限公司 | 医学数据分析方法、装置、计算机设备及存储介质 |
| CN116386850B (zh) * | 2023-03-28 | 2023-11-28 | 数坤科技股份有限公司 | 医学数据分析方法、装置、计算机设备及存储介质 |
| CN117193201A (zh) * | 2023-09-28 | 2023-12-08 | 广州思茂特冷冻设备制造有限公司 | 基于人工智能的机组控制方法及系统、计算机存储介质 |
| CN117193201B (zh) * | 2023-09-28 | 2024-02-27 | 广州思茂特冷冻设备制造有限公司 | 基于人工智能的机组控制方法及系统、计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109712716B (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109712716A (zh) | 疾病影响因素确定方法、系统和计算机设备 | |
| CN110163260A (zh) | 基于残差网络的图像识别方法、装置、设备及存储介质 | |
| US11615614B2 (en) | Method and system for diagnosing plant disease and insect pest | |
| CN109359669A (zh) | 医保报销异常检测方法、装置、计算机设备和存储介质 | |
| CN110334881A (zh) | 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法，装置及服务器 | |
| CN105009130B (zh) | 基于网络熵的对生物体状态迁移的预兆检测予以辅助的检测装置、检测方法以及检测程序 | |
| CN110135943A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| Kolodiziev et al. | Automatic machine learning algorithms for fraud detection in digital payment systems | |
| Jiang et al. | Social control, trade openness and human trafficking | |
| Perme et al. | Checking hazard regression models using pseudo‐observations | |
| Karlsson et al. | Aging and health care costs | |
| Bianchi et al. | A risk-based explanation of cryptocurrency returns | |
| Ranganai | On studentized residuals in the quantile regression framework | |
| Lee et al. | Software architecture evaluation methods based on cost benefit analysis and quantitative decision making | |
| Petzev et al. | Has the Pricing of Stocks become more Global? | |
| Fu et al. | Specification tests for time-varying coefficient models | |
| CN109543904A (zh) | 医疗数据预测方法、装置、计算机设备和存储介质 | |
| Aristotelous et al. | Technical report: Estimation methodology | |
| Visani et al. | Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes | |
| US11526375B2 (en) | Systems and methods for pre-executing idiosyncratic computation through the application of algorithmic prediction of user behavior patterns | |
| Mancino et al. | Is the variance swap rate affine in the spot variance? Evidence from S&P500 data | |
| Chen et al. | Estimating time-varying networks for high-dimensional time series | |
| CN113888129A (zh) | 理赔审核的配置方法、装置及后台服务器 | |
| George et al. | Bootstrap refinements in tests of microstructure frictions | |
| Nielsen et al. | Inflation adjustment in the open economy: an I (2) analysis of UK prices |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200108 Address after: 510120 No. 151 Yanjiang Road, Guangzhou, Guangdong, Yuexiu District Applicant after: the First Affiliated Hospital of Guangzhou Medical University Applicant after: Guangzhou Tian Peng computer science and Technology Co., Ltd. Address before: 510665 Room 503, Room 504, No. 100, West Huangpu Avenue, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Tian Peng computer science and Technology Co., Ltd. |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zheng Jinping Inventor after: Chen Yijun Inventor after: Liang Zhenyu Inventor after: Feng Jieyu Inventor after: Zhang Zhe Inventor after: Li Jing Inventor after: Wang Yuandi Inventor before: Feng Jieyu Inventor before: Li Jing |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |