CN110364259B - 一种高原疾病预测方法、系统、介质及电子设备 - Google Patents

一种高原疾病预测方法、系统、介质及电子设备 Download PDF

Info

Publication number
CN110364259B
CN110364259B CN201910462425.7A CN201910462425A CN110364259B CN 110364259 B CN110364259 B CN 110364259B CN 201910462425 A CN201910462425 A CN 201910462425A CN 110364259 B CN110364259 B CN 110364259B
Authority
CN
China
Prior art keywords
physical examination
data
group
person
predicted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910462425.7A
Other languages
English (en)
Other versions
CN110364259A (zh
Inventor
何昆仑
赵晓静
石金龙
贾志龙
贾倩
张诗慧
刘春祥
穆欣
阎岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Boco Inter Telecom Technology Co ltd
Chinese PLA General Hospital
Original Assignee
Beijing Boco Inter Telecom Technology Co ltd
Chinese PLA General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Boco Inter Telecom Technology Co ltd, Chinese PLA General Hospital filed Critical Beijing Boco Inter Telecom Technology Co ltd
Priority to CN201910462425.7A priority Critical patent/CN110364259B/zh
Publication of CN110364259A publication Critical patent/CN110364259A/zh
Application granted granted Critical
Publication of CN110364259B publication Critical patent/CN110364259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种高原疾病预测方法、系统、介质和电子设备。包括：获取多个体检人员的身份信息数据，对上述数据进行聚合分组；计算得到每组所述体检人员的体检指标数据均值向量ub和协方差矩阵Sb；计算得到每组所述体检人员的面部数据均值向量uf和协方差矩阵Sf；计算得到每组所述体检人员进入高原后患某种高原病概率Pgmn；确定待预测人员所在分组，计算所述待预测人员患某种高原病的概率Pixy。同时还公开了相应的系统、介质和电子设备。本发明首次提出了高原疾病预测方法，采用海量数据进行多层次的聚类，同时引入面部器官数据为参照，极大提高了高原病预测的可行性和准确性。

Description

一种高原疾病预测方法、系统、介质及电子设备
技术领域
本发明涉及数据处理技术领域，特别是一种高原疾病预测方法、系统、介质和电子设备。
背景技术
每年有大批驻藏军人入驻西藏，为了适应高海拔对身体可能带来的影响，入驻之前会安排进行统一体检，体检合格的标准基于平原地区健康标准进行判断，合格后会允许入驻，但高原地区的特殊环境会随着时间给身体带来相应的高原疾病，因此是否能够对这些即将入驻高原的健康军人进行有效准确的疾病预测，尽早发现及预防高原病，以提高驻藏军人的战斗力，是一个亟待解决的问题。
尽管现有技术公开了一些疾病预测方法，如现有专利CN107658023A公开了一种疾病预测方法，通过获取多个用户的与健康相关的数据，基于该数据对多个用户进行聚类分析，确定已确诊患者所在的目标类，并将所述目标类中的其他用户预测为患病的高危人群。该专利的技术方案虽然能够对可能患病的人群进行预测，但是该预测疾病方法的环境是日常平原环境，未考虑高原环境对人体健康的影响。
另外，“迪乔治综合症”是一种由人类22号染色体缺陷引起的疾病，它造成的一系列并发症和病理信息使其难以诊断，但发病前期可以在不同人种中通过面部特征进行甄别。通过对101位来自非洲、亚洲和拉丁美洲的罕见疾病患者的面部照片进行了研究，开发了一种面部识别技术，在试验过程中准确率达96.6％。由此我们认识到，面部特征可以用于疾病的预测，但是如何利用面部特征数据，尚未有具体的算法。
由此可见，目前尚未存在高原地区人体健康判断指标标准，也无相似的高原病预测技术方案，本发明的技术方案首次提出高原病预测方法，通过对驻藏军人各项指标的采集和长时间的追踪，采用海量数据进行多层次的聚类，同时配合人体体检数据和面部识别诊断，极大提高了高原病预测的可行性和准确性。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提出了一种高原疾病预测方法，其特征在于，包括：
步骤S1：获取多个体检人员的身份信息数据，对上述数据进行聚合分组；
步骤S2：计算得到每组所述体检人员的体检指标数据均值向量ub和协方差矩阵Sb；
步骤S3：计算得到每组所述体检人员的面部数据均值向量uf和协方差矩阵Sf；
步骤S4：计算得到每组所述体检人员进入高原后患某种高原病概率Pgmn；
步骤S5：确定待预测人员所在分组，计算所述待预测人员患某种高原病的概率Pixy；
进一步地，所述体检人员的身份信息数据包括性别、年龄、身高、体重、籍贯。
进一步地，所述步骤s1中对上述数据进行聚合分组包括：K均值聚类、均值漂移聚类、基于密度的聚类(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类、凝聚层次聚类、图团体检测(Graph Community Detection)或简单分类分组方法。
进一步地，所述步骤S2：计算得到每组体检人员的体检指标数据均值向量ub和协方差矩阵Sb，包括：获取每组体检人员与高原病相关的体检指标数据；提取每组体检人员体检数据指标的均值；根据所述体检指标数据的均值计算均值向量ub和协方差矩阵Sb。
进一步地，所述体检人员与高原病相关的体检指标数据包括红细胞计数、血红蛋白、总胆固醇、甘油三酯浓度、血尿酸、肺动脉。
进一步地，所述步骤S3：计算得到每组体检人员的面部数据均值向量uf和协方差矩阵Sf，包括：获取体检人员的面部器官位置信息，根据上述面部器官的位置信息，计算出面部器官数据：眼间距(Med)，眉间距(Mebd)，眉间鼻距(Mebnd)，嘴鼻距(Mmnd)，颧骨距(Mcbd)；提取每个分组中体检人员的面部器官数据；计算所述面部器官数据的均值向量uf和协方差矩阵Sf。
进一步地，所述步骤S4计算得到每组体检人员进入高原后患某种高原病概率Pgmn，包括：统计上述体检人员进入高原后患某种高原病的人数，分别获得每组人员患某种高原病的概率
Pgmn＝组内患病人员/该组总人数，其中g代表体检人员所在组，m代表某种高原病的编号，n代表入驻高原的年限。
进一步地，所述步骤S5：确定待预测人员所在分组，计算待预测人员患某种高原病的概率Pixy，包括如下子步骤：
步骤S51：获取待预测人员的身份信息，根据其身份信息确定待预测人员所在的分组i；
步骤S52：计算得到待预测人员的体检指标相似度Simb；
步骤S53：计算得到待预测人员的面部器官相似度Simf；
步骤S54：计算待预测人员患某种高原病的概率Piyx，属于第i组的待预测人员x年后患y高原病的概率Piyx如下：
Piyx＝Pgmn*(A1*Simb+A2*Simf)(0≤A1≤1，0≤A2≤1，A1+A2＝1)
其中，g＝i,m＝y,n＝x。
进一步地，所述步骤S52包括：
步骤S521：待预测人员属于第i组，获取所述待预测人员的体检指标数据向量B，以及第i组体检人员的体检指标数据均值向量ub和协方差矩阵Sb；
步骤S522：计算得到待预测人员的体检指标相似度Simb，
Simb＝1-|2×DMb-DMbmax-DMbmin|/DMbmax
其中，
Figure BDA0002078455220000031
为待预测人员体检指标数据向量与其所在分组体检人员体检指标数据之间的马氏距离,DMbmax与DMbmin为该分组中每对体检人员体检指标数据之间马式距离的最大值和最小值。
进一步地，所述步骤S52包括：
步骤S531：待预测人员属于第i组，获取该待预测人员的面部器官数据向量F，以及第i组体检人员的面部器官数据均值向量uf和协方差矩阵Sf；
步骤S532：计算得到待预测人员的面部器官相似度Simf，具体包括：
Simf＝1-|2×DMf-DMfmax-DMfmin|/DMfmax
其中，
Figure BDA0002078455220000032
为待预测人员体检指标数据向量与其所在分组体检人员体检指标数据之间的马氏距离,DMfmax与DMfmin为该分组中每对体检人员体检指标数据之间马式距离的最大值和最小值。
进一步地，所述步骤S54还包括多次试验取均值
Figure BDA0002078455220000033
k为大于0的正整数，Piyx(k)代表第k次计算得到的Piyx的值。
本发明还提供了一种高原疾病预测系统，其特征在于，包括：数据获取单元302、数据处理单元304和预测单元306，
所述数据获取单元302用于获取多个体检人员的身份信息、体检指标数据和面部器官数据；所述数据处理单元304用于对体检人员进行聚合分组，得到每个分组的体检指标数据和面部器官数据的相关参数，并得到每个分组患某种高原病的概率；所述预测单元306用于确定待预测人员所在的分组，并得到该待预测人员患某种高原病的概率。
进一步地，所述数据处理单元304包括聚类分组单元，体检指标及面部器官数据相关参数计算单元和患病概率计算单元。
进一步地，所述预测单元306包括分组确定单元，相似度计算单元和患病概率计算单元。
进一步地，该系统还包括发送单元，用于向指定人员发送高危人群的预警信息。
本发明还提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现所述的高原疾病预测方法。
本发明还提供了一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的高原疾病预测方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例的一种高原疾病预测方法的流程图。
图2是本发明实施例的计算待预测人员患某种高原病的概率的流程图。
图3是本发明实施例的一种高原疾病预测系统的示意图。
图4是实现本发明实施例的电子设备的计算机系统400的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
下面结合附图并参考具体实施例描述本发明。
图1示意性地示出了根据本发明的实施例的高原疾病预测方法流程图。参照图1所示，根据本发明的实施例的高原疾病预测方法，包括：
步骤S1：获取多个体检人员的身份信息数据，对上述数据进行聚合。
在本发明的实施例中，体检人员的身份信息数据包括但不限于参加体检人员的性别、年龄、身高、体重、籍贯等。
步骤S2：计算得到每组体检人员的体检指标数据均值向量ub和协方差矩阵Sb。
步骤S3：计算得到每组体检人员的面部数据均值向量uf和协方差矩阵Sf。
步骤S4：计算得到每组体检人员进入高原后患某种高原病概率Pgmn。
步骤S5：确定待预测人员所在分组，计算待预测人员患某种高原病的概率Pixy。
下面具体介绍每个步骤的具体实现方式：
步骤S1：获取多个体检人员的身份信息数据，对上述数据进行聚合分组。具体包括：
实现方式一：聚合的方式可以采用现有的任何现有的数据聚合算法，如K均值聚类、均值漂移聚类、基于密度的聚类(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类、凝聚层次聚类、图团体检测(Graph Community Detection)等。下面以K均值聚类为例，介绍具体的体检人员聚合过程：先随机选取K个体检人员的身份信息数据作为初始的聚类中心也即种子聚类中心，然后计算每个体检人员的身份信息数据与各个种子聚类中心之间的距离，把每个体检人员分配给距离它最近的聚类中心，聚类中心以及分配给它们的体检人员就代表一个聚类。每分配一个体检人员，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)体检人员被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小等。
实现方式二：也可以采用下述简单分类分组方法，如首先将体检人员按性别分成两组，年龄每隔3岁为一个递增区间，由于参加体检的驻藏军人基本同龄，年龄归为一个组。同样，由于对驻藏军人的身高体重有要求，因此将身高、体重分为三档，即身高分为矮、中、高，体重分为轻、中、重，每档身高体重的数值范围可人为任意设定，如身高：矮-1.70米以下(含1.70米)、中-1.71米-1.80米、高-1.81米以上，体重：轻-65kg以下、中-66kg-75kg、重-76kg以上，因此身高体重可分为7个组：矮轻、矮中、中轻、中中、中重、高中、高重。另外，由于体检人员来自不同的地方，可按其籍贯，分为东北、华北、西北、西南、华东、中南、华南、港澳台8个组。根据上述分组规则，将体检人员共分为112(2×7×8＝112)组。
步骤S2：计算得到每组体检人员的体检指标数据均值向量ub和协方差矩阵Sb，具体包括：
首先，获取体检人员与高原病相关的体检指标数据：在本发明的实施例中，体检人员与高原病相关的体检指标数据包括但不限于红细胞计数、血红蛋白、总胆固醇、甘油三酯浓度、血尿酸、肺动脉平均压等。
其次，提取每个分组中体检人员的红细胞计数均值(Mrbc)、血红蛋白均值(Mhb)、总胆固醇均值(Mtc)、甘油三酯浓度均值(Mtg)、血尿酸平均浓度(Mbua)、肺动脉平均压(Mpamp)等数据。
最后，根据上述数据计算上述体检指标数据的均值向量ub和协方差矩阵Sb。
步骤S3：计算得到每组体检人员的面部数据均值向量uf和协方差矩阵Sf，具体包括：
首先，获取体检人员的面部数据，在本发明的实施例中，体检人员的面部数据包括但不限于体检人员的眼镜、眉毛、鼻子、嘴巴、耳朵、颧骨等位置信息，根据上述面部器官的位置信息，计算出眼间距(Med)，眉间距(Mebd)，眉间鼻距(Mebnd)，嘴鼻距(Mmnd)，颧骨距(Mcbd)等。
其次，提取每个分组中体检人员的眼间距(Med)，眉间距(Mebd)，眉间鼻距(Mebnd)，嘴鼻距(Mmnd)，颧骨距(Mcbd)等数据。
最后，计算上述面部器官数据的均值向量uf和协方差矩阵Sf。
步骤S4：计算得到每组体检人员进入高原后患某种高原病概率Pgmn，具体包括：统计上述体检人员进入高原后患某种高原病的人数，分别获得每组人员患某种高原病的概率Pgmn＝组内患病人员/该组总人数，其中g代表体检人员所在组，m代表某种高原病的编号，n代表入驻高原的年限。
上述体检人员进入高原后的体检，可以逐年进行，也可以每隔一年进行一次，也可以每半年进行一次，具体时间可以根据实际情况进行选择。
步骤S5：确定待预测人员所在分组，计算待预测人员患某种高原病的概率Pixy，如图2所示，具体包括如下子步骤：
步骤S51：获取待预测人员的身份信息，根据其身份信息确定待预测人员所在的分组。确定待预测人员分组的实现方式可以为：
实现方式一：若聚合分组采用的是聚合算法，则计算该待预测人员的身份信息数据与各个聚类中心之间的距离，把该待预测人员分配给距离它最近的聚类中心，进而确定该待预测人员所在的聚类分组。
实现方式二：若聚合分组采用的是按人员的性别、年龄、身高、体重、籍贯等的简单分类，则可采用查表的方式，根据待预测人员的上述身份信息在分组表中的位置，确定该人员的具体分组。
步骤S52：计算得到待预测人员的体检指标相似度Simb，具体包括如下子步骤：
步骤S521：假设待预测人员属于第i组，获取该待预测人员的体检指标数据向量B，以及第i组体检人员的体检指标数据均值向量ub和协方差矩阵Sb。
步骤S522：计算得到待预测人员的体检指标相似度Simb，具体包括：
Simb＝1-|2×DMb-DMbmax-DMbmin|/DMbmax
其中，
Figure BDA0002078455220000061
为待预测人员体检指标数据向量与其所在分组体检人员体检指标数据之间的马氏距离,DMbmax与DMbmin为该分组中每对体检人员体检指标数据之间马式距离的最大值和最小值。
步骤S53：计算得到待预测人员的面部器官相似度Simf，具体包括如下子步骤：
步骤S531：假设待预测人员属于第i组，获取该待预测人员的面部器官数据向量F，以及第i组体检人员的面部器官数据均值向量uf和协方差矩阵Sf。
步骤S532：计算得到待预测人员的面部器官相似度Simf，具体包括：
Simf＝1-|2×DMf-DMfmax-DMfmin|/DMfmax
其中，
Figure BDA0002078455220000071
为待预测人员体检指标数据向量与其所在分组体检人员体检指标数据之间的马氏距离,DMfmax与DMfmin为该分组中每对体检人员体检指标数据之间马式距离的最大值和最小值。
步骤S54：计算待预测人员患某种高原病的概率Piyx，具体包括：
属于第i组的待预测人员x年后患y高原病的概率Piyx如下：
Piyx＝Pgmn*(A1*Simb+A2*Simf)(0≤A1≤1，0≤A2≤1，A1+A2＝1)
其中，g＝i,m＝y,n＝x。
多次试验取均值
Figure BDA0002078455220000072
k为大于0的正整数，Piyx(k)代表第k次计算得到的Piyx的值。
A1和A2通过多次经验值调整获得，首先将A1和A2均设置为0.5，即认为体检指标和面部器官数据所占比重相同，调整A1和A2的方式如下，经过长时间的数据积累，对待预测人员入驻n年后实际患高原病的情况进行统计，若计算得到的概率大于50％，且该人员n年后实际患有该高原病，则认为预测准确，通过计算不同A1和A2组合下预测的准确率，当其达到最大值时的A1和A2的数值，即为最终确定的A1和A2的值，当后验数据增加后，可随时改变A1和A2的数值。
在本发明的实施例中，当获得待预测人员患某种高原病的概率Piyx后，还可以根据该概率的大小，将待测人员划分为低危人群，中危人群和高危人群。对于中危人群，可以增大对其进行体检的频率；对于高危人群，可以向指定人员发送疾病预警信息，指定人员包括但不限于本人、部队医护人员、亲属等，建议其前往医院进行进一步检查。
由此可见，本发明实施例的技术方案，基于现有人员的体检指标数据和面部器官数据及其患高原病的情况，判断待预测人员入驻高原后患高原病的概率，并对其进行预警，达到了对高原病的早发现早预防早治疗的效果，提升了对驻高原人员的健康管理水平。
图3示例性地示出了根据本发明的实施例的高原疾病预测系统的框图。参照图3，根据本发明的实施例的高原疾病预测系统300，包括：数据获取单元302、数据处理单元304和预测单元306。
具体地，数据获取单元302用于获取多个体检人员的身份信息、体检指标数据和面部器官数据；数据处理单元304用于对体检人员进行聚合分组，得到每个分组的体检指标数据和面部器官数据的相关参数，并得到每个分组患某种高原病的概率；预测单元306用于确定待预测人员所在的分组，并得到该待预测人员患某种高原病的概率。
在本发明的一些实施例中，基于前述方案，数据处理单元304包括聚类分组单元，体检指标及面部器官数据相关参数计算单元和患病概率计算单元。具体地，聚类分组单元配置为基于现有聚类算法，如k均值算法对体检人员的身份信息进行聚类分组；聚类分组单元还可配置为基于简单地分类对体检人员的身份信息进行聚类分组。体检指标及面部器官数据相关参数计算单元配置为计算得到二者的均值向量和协方差矩阵。患病概率计算单元配置为统计体检人员入驻高原后患高原病的概率。
在本发明的一些实施例中，基于前述方案，预测单元306包括分组确定单元，相似度计算单元和患病概率计算单元。其中，分组确定单元配置为确定待预测人员所在的分组。相似度计算单元配置为分别计算待预测人员体检指标相似度和面部器官相似度。患病概率计算单元配置为计算该待预测人员入驻高原一段时间后患某种高原病的概率。
在本发明的一些实施例中，基于前述方案，还包括调整单元，用于基于后验数据，不断调整预测患病概率计算中所需参数。
在本发明的一些实施例中，基于前述方案，还包括发送单元，用于向指定人员发送高危人群的预警信息。
下面参考图4，其示出了适于用来实现本发明实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备的计算机系统400仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有系统操作所需的各种程序和数据。CPU401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，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，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以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，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以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，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的疾病预测方法。
例如，所述的电子设备可以实现如图1中所示的：步骤S1：获取多个体检人员的身份信息数据，对上述数据进行聚合。步骤S2：计算得到每组体检人员的体检指标数据均值向量ub和协方差矩阵Sb。步骤S3：计算得到每组体检人员的面部数据均值向量uf和协方差矩阵Sf。步骤S4：计算得到每组体检人员进入高原后患某种高原病概率Pgmn。步骤S5：确定待预测人员所在分组，计算待预测人员患某种高原病的概率Pixy。
又如所述电子设备可以实现如图2中所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (16)

1.一种高原疾病预测方法，其特征在于，包括：
步骤S1：获取多个体检人员的身份信息数据，对上述数据进行聚合分组；
步骤S2：计算得到每组所述体检人员的体检指标数据均值向量
Figure DEST_PATH_IMAGE001
和协方差矩阵
Figure 227688DEST_PATH_IMAGE002
；
步骤S3：计算得到每组所述体检人员的面部数据均值向量
Figure DEST_PATH_IMAGE003
和协方差矩阵
Figure 966973DEST_PATH_IMAGE004
；
步骤S4：计算得到每组所述体检人员进入高原后患某种高原病概率
Figure DEST_PATH_IMAGE005
；
步骤S5：确定待预测人员所在分组，计算所述待预测人员患某种高原病的概率
Figure 952378DEST_PATH_IMAGE006
；
其中步骤S5包括如下子步骤：
步骤S51：获取待预测人员的身份信息，根据其身份信息确定待预测人员所在的分组i；
步骤S52：计算得到待预测人员的体检指标相似度
Figure DEST_PATH_IMAGE007
；
步骤S53：计算得到待预测人员的面部器官相似度
Figure 169733DEST_PATH_IMAGE008
；
步骤S54：计算待预测人员患某种高原病的概率
Figure DEST_PATH_IMAGE009
，属于第i组的待预测人员x年后患y高原病的概率
Figure 189773DEST_PATH_IMAGE009
如下：
Figure DEST_PATH_IMAGE011
其中，g代表体检人员所在组，m代表某种高原病的编号，n代表入驻高原的年限，A1代表体检指标数据所占比重，A2代表面部数据所占比重。
2.如权利要求1所述的一种高原疾病预测方法，其特征在于：所述体检人员的身份信息数据包括性别、年龄、身高、体重、籍贯。
3.如权利要求2所述的一种高原疾病预测方法，其特征在于：
所述步骤s1中对上述数据进行聚合分组包括：K均值聚类、均值漂移聚类、基于密度的聚类、用高斯混合模型的最大期望聚类、凝聚层次聚类、图团体检测或简单分类分组方法。
4.如权利要求3所述的一种高原疾病预测方法，其特征在于：
所述步骤S2：计算得到每组体检人员的体检指标数据均值向量
Figure 99960DEST_PATH_IMAGE001
和协方差矩阵
Figure 556349DEST_PATH_IMAGE002
，包括：获取每组体检人员与高原病相关的体检指标数据；提取每组体检人员体检数据指标的均值；根据所述体检指标数据的均值计算均值向量
Figure 46236DEST_PATH_IMAGE001
和协方差矩阵
Figure 389624DEST_PATH_IMAGE002
。
5.如权利要求4所述的一种高原疾病预测方法，其特征在于：所述体检人员与高原病相关的体检指标数据包括红细胞计数、血红蛋白、总胆固醇、甘油三酯浓度、血尿酸、肺动脉。
6.如权利要求5所述的一种高原疾病预测方法，其特征在于：所述步骤S3：计算得到每组体检人员的面部数据均值向量
Figure 205133DEST_PATH_IMAGE003
和协方差矩阵
Figure 883239DEST_PATH_IMAGE004
，包括：获取体检人员的面部器官位置信息，根据上述面部器官的位置信息，计算出面部器官数据：眼间距，眉间距，眉间鼻距，嘴鼻距，颧骨距；提取每个分组中体检人员的面部器官数据；计算所述面部器官数据的均值向量
Figure 442396DEST_PATH_IMAGE003
和协方差矩阵
Figure 889558DEST_PATH_IMAGE004
。
7.如权利要求6所述的一种高原疾病预测方法，其特征在于：所述步骤S4计算得到每组体检人员进入高原后患某种高原病概率
Figure 361122DEST_PATH_IMAGE005
，包括：统计上述体检人员进入高原后患某种高原病的人数，分别获得每组人员患某种高原病的概率
Figure 792103DEST_PATH_IMAGE012
，其中g代表体检人员所在组，m代表某种高原病的编号，n代表入驻高原的年限。
8.如权利要求1所述的一种高原疾病预测方法，其特征在于：所述步骤S52包括：
步骤S521：待预测人员属于第i组，获取所述待预测人员的体检指标数据向量B，以及第i组体检人员的体检指标数据均值向量
Figure 623793DEST_PATH_IMAGE001
和协方差矩阵
Figure 456620DEST_PATH_IMAGE002
；
步骤S522：计算得到待预测人员的体检指标相似度
Figure 82773DEST_PATH_IMAGE007
，
Figure 751783DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
为待预测人员体检指标数据向量与其所在分组体检人员体检指标数据之间的马氏距离,
Figure 918322DEST_PATH_IMAGE016
与
Figure DEST_PATH_IMAGE017
为该分组中每对体检人员体检指标数据之间马式距离的最大值和最小值。
9.如权利要求1所述一种高原疾病预测方法，其特征在于：所述步骤S53包括：
步骤S531：待预测人员属于第i组，获取该待预测人员的面部器官数据向量F，以及第i组体检人员的面部器官数据均值向量
Figure 605656DEST_PATH_IMAGE003
和协方差矩阵
Figure 684601DEST_PATH_IMAGE004
；
步骤S532：计算得到待预测人员的面部器官相似度
Figure 559016DEST_PATH_IMAGE008
，具体包括：
Figure DEST_PATH_IMAGE019
其中，
Figure 529246DEST_PATH_IMAGE020
为待预测人员体检指标数据向量与其所在分组体检人员体检指标数据之间的马氏距离,
Figure DEST_PATH_IMAGE021
与
Figure 336665DEST_PATH_IMAGE022
为该分组中每对体检人员体检指标数据之间马式距离的最大值和最小值。
10.如权利要求1所述一种高原疾病预测方法，其特征在于：所述步骤S54还包括多次试验取均值
Figure DEST_PATH_IMAGE023
，k为大于0的正整数，
Figure 852091DEST_PATH_IMAGE024
代表第k次计算得到的
Figure 479382DEST_PATH_IMAGE009
的值。
11.一种高原疾病预测系统，其特征在于，所述高原疾病预测系统采用权利要求1至10中任一项所述的高原疾病预测方法；
所述高原疾病预测系统包括：数据获取单元（302）、数据处理单元（304）和预测单元（306），
所述数据获取单元（302）用于获取多个体检人员的身份信息、体检指标数据和面部器官数据；
所述数据处理单元（304）用于对体检人员进行聚合分组，得到每个分组的体检指标数据和面部器官数据的相关参数，并得到每个分组患某种高原病的概率；
所述预测单元（306）用于确定待预测人员所在的分组，并得到该待预测人员患某种高原病的概率。
12.如权利要求11所述的一种高原疾病预测系统，其特征在于，所述数据处理单元（304）包括聚类分组单元，体检指标及面部器官数据相关参数计算单元和患病概率计算单元。
13.如权利要求12所述的一种高原疾病预测系统，其特征在于，所述预测单元（306）包括分组确定单元，相似度计算单元和患病概率计算单元。
14.如权利要求13所述的一种高原疾病预测系统，其特征在于：还包括发送单元，用于向指定人员发送高危人群的预警信息。
15.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至10中任一项所述的高原疾病预测方法。
16.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至10中任一项所述的高原疾病预测方法。
CN201910462425.7A 2019-05-30 2019-05-30 一种高原疾病预测方法、系统、介质及电子设备 Active CN110364259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910462425.7A CN110364259B (zh) 2019-05-30 2019-05-30 一种高原疾病预测方法、系统、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910462425.7A CN110364259B (zh) 2019-05-30 2019-05-30 一种高原疾病预测方法、系统、介质及电子设备

Publications (2)

Publication Number Publication Date
CN110364259A CN110364259A (zh) 2019-10-22
CN110364259B true CN110364259B (zh) 2022-05-31

Family

ID=68215448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910462425.7A Active CN110364259B (zh) 2019-05-30 2019-05-30 一种高原疾病预测方法、系统、介质及电子设备

Country Status (1)

Country Link
CN (1) CN110364259B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832389B (zh) * 2020-05-25 2022-12-09 中国人民解放军陆军军医大学第二附属医院 一种骨髓细胞形态学自动检测系统的计数及分析方法
CN111584088B (zh) * 2020-06-15 2023-05-30 四川中电启明星信息技术有限公司 一种基于病源信息熵的电网施工人员高原病风险判断方法
CN112102955B (zh) * 2020-09-07 2024-03-15 武汉科瓴智能科技有限公司 一种基于高斯混合模型的患者疾病预测控制系统与方法
CN112397204B (zh) * 2020-11-16 2024-01-19 中国人民解放军空军特色医学中心 一种预测高原病的方法、装置、计算机设备和存储介质
CN113611414B (zh) * 2021-06-22 2023-03-28 北京理工大学 急性高原病动态监测与性能评价方法及系统
CN115274123B (zh) * 2022-07-15 2023-03-24 中国人民解放军总医院 体能水平预测方法、系统、设备、介质及程序产品

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102419791A (zh) * 2010-09-28 2012-04-18 上海人类基因组研究中心 人类常见病遗传风险评估方法
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN106682434A (zh) * 2016-12-30 2017-05-17 深圳中科金证科技有限公司 患病风险评估方法及装置
CN107194158A (zh) * 2017-05-04 2017-09-22 深圳美佳基因科技有限公司 一种基于图像识别的疾病辅助诊断方法
CN107610779A (zh) * 2017-10-25 2018-01-19 医渡云（北京）技术有限公司 疾病评价及患病风险评估方法及装置
CN108847286A (zh) * 2018-06-04 2018-11-20 暨南大学附属第医院（广州华侨医院） 基于影像特征数据的肿瘤预测方法
CN108922622A (zh) * 2018-07-10 2018-11-30 平安科技（深圳）有限公司 一种动物健康监测方法、装置及计算机可读存储介质
CN109215790A (zh) * 2018-09-19 2019-01-15 山西机电职业技术学院 一种大数据健康预测系统
CN109509539A (zh) * 2018-11-13 2019-03-22 广州仁生健康科技有限公司 一种饮食习惯健康风险评估方法
CN109559243A (zh) * 2018-12-13 2019-04-02 泰康保险集团股份有限公司 保险核保方法、装置、介质及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7346203B2 (en) * 2003-11-19 2008-03-18 General Electric Company Methods and apparatus for processing image data to aid in detecting disease
US20060036619A1 (en) * 2004-08-09 2006-02-16 Oren Fuerst Method for accessing and analyzing medically related information from multiple sources collected into one or more databases for deriving illness probability and/or for generating alerts for the detection of emergency events relating to disease management including HIV and SARS, and for syndromic surveillance of infectious disease and for predicting risk of adverse events to one or more drugs
CA2740334C (en) * 2010-05-14 2015-12-08 National Research Council Order-preserving clustering data analysis system and method
CN107145715B (zh) * 2017-04-12 2020-05-05 温州医科大学 一种基于推举算法的临床医学智能判别装置
CN107506608B (zh) * 2017-09-29 2020-09-29 杭州电子科技大学 一种改进的基于协同过滤的miRNA-疾病关联预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102419791A (zh) * 2010-09-28 2012-04-18 上海人类基因组研究中心 人类常见病遗传风险评估方法
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN106682434A (zh) * 2016-12-30 2017-05-17 深圳中科金证科技有限公司 患病风险评估方法及装置
CN107194158A (zh) * 2017-05-04 2017-09-22 深圳美佳基因科技有限公司 一种基于图像识别的疾病辅助诊断方法
CN107610779A (zh) * 2017-10-25 2018-01-19 医渡云（北京）技术有限公司 疾病评价及患病风险评估方法及装置
CN108847286A (zh) * 2018-06-04 2018-11-20 暨南大学附属第医院（广州华侨医院） 基于影像特征数据的肿瘤预测方法
CN108922622A (zh) * 2018-07-10 2018-11-30 平安科技（深圳）有限公司 一种动物健康监测方法、装置及计算机可读存储介质
CN109215790A (zh) * 2018-09-19 2019-01-15 山西机电职业技术学院 一种大数据健康预测系统
CN109509539A (zh) * 2018-11-13 2019-03-22 广州仁生健康科技有限公司 一种饮食习惯健康风险评估方法
CN109559243A (zh) * 2018-12-13 2019-04-02 泰康保险集团股份有限公司 保险核保方法、装置、介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
不同心血管疾病风险积分系统预测老年人群10年期心血管疾病风险的差异;施美芳 等;《检验医学》;20180430;第33卷(第4期);305-311 *

Also Published As

Publication number Publication date
CN110364259A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110364259B (zh) 一种高原疾病预测方法、系统、介质及电子设备
CN107658023B (zh) 疾病预测方法、装置、介质和电子设备
US7809660B2 (en) System and method to optimize control cohorts using clustering algorithms
Chang et al. A new hybrid XGBSVM model: application for hypertensive heart disease
CN107785057B (zh) 医疗数据处理方法、装置、存储介质和计算机设备
CN112633601B (zh) 疾病事件发生概率的预测方法、装置、设备及计算机介质
JP2013536971A5 (zh)
WO2022060949A1 (en) Systems and methods for automatically identifying a candidate patient for enrollment in a clinical trial
CN108121896A (zh) 一种基于miRNA的疾病间关系分析方法和装置
CN111091907A (zh) 基于相似病例库的健康医疗知识检索方法和系统
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
Li et al. BCRAM: A social-network-inspired breast cancer risk assessment model
Enireddy et al. Detection of COVID-19 using hybrid ResNet and SVM
Tang et al. Deep adaptation network for subject-specific sleep stage classification based on a single-lead ECG
Bhattarai et al. Can big data and machine learning improve our understanding of acute respiratory distress syndrome?
Kalogiannis et al. Geriatric group analysis by clustering non-linearly embedded multi-sensor data
Ahmed et al. Thyroid cancer detection using deep neural network
Ono et al. Introduction to supervised machine learning in clinical epidemiology
Gaber et al. SVM classification of facial functions based on facial landmarks and animation Units
CN108346471A (zh) 一种病理数据的分析方法及装置
CN114446470A (zh) 基于人工智能模型的急性肾损伤恢复时间预测方法
Martins et al. Be-sys: Big data e-health system for analysis and detection of risk of septic shock in adult patients
Li et al. Shrink: A breast cancer risk assessment model based on medical social network
Huynh et al. Deep Learning Radiographic Assessment of Pulmonary Edema: Optimizing Clinical Performance, Training With Serum Biomarkers
US20240029898A1 (en) Medical information processing device, medical information processing method, and storage medium

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant