CN110808097A - 一种妊娠期糖尿病预测系统及方法 - Google Patents
一种妊娠期糖尿病预测系统及方法 Download PDFInfo
- Publication number
- CN110808097A CN110808097A CN201911047847.4A CN201911047847A CN110808097A CN 110808097 A CN110808097 A CN 110808097A CN 201911047847 A CN201911047847 A CN 201911047847A CN 110808097 A CN110808097 A CN 110808097A
- Authority
- CN
- China
- Prior art keywords
- prediction
- clinical
- predicted
- gestational diabetes
- indexes
- 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.)
- Pending
Links
- 208000004104 gestational diabetes Diseases 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000003759 clinical diagnosis Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 230000035935 pregnancy Effects 0.000 claims description 24
- 206010012601 diabetes mellitus Diseases 0.000 claims description 20
- 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 claims description 14
- 239000008103 glucose Substances 0.000 claims description 14
- 102000017011 Glycated Hemoglobin A Human genes 0.000 claims description 12
- 108010014663 Glycated Hemoglobin A Proteins 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 9
- ZBGMJXAWZLQCPJ-LBPRGKRZSA-N (2s)-3-[4-(4-hydroxy-3,5-diiodophenoxy)-3,5-diiodophenyl]-2-(iodoamino)propanoic acid Chemical compound IC1=CC(C[C@@H](C(=O)O)NI)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 ZBGMJXAWZLQCPJ-LBPRGKRZSA-N 0.000 claims description 8
- 208000034702 Multiple pregnancies Diseases 0.000 claims description 8
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 101710095342 Apolipoprotein B Proteins 0.000 claims description 4
- 102100040202 Apolipoprotein B-100 Human genes 0.000 claims description 4
- 108090001030 Lipoproteins Proteins 0.000 claims description 4
- 102000004895 Lipoproteins Human genes 0.000 claims description 4
- 230000000391 smoking effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000005906 menstruation Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 claims 19
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 3
- 238000007410 oral glucose tolerance test Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 102000011690 Adiponectin Human genes 0.000 description 1
- 108010076365 Adiponectin Proteins 0.000 description 1
- 208000001362 Fetal Growth Retardation Diseases 0.000 description 1
- 206010055690 Foetal death Diseases 0.000 description 1
- 206010060378 Hyperinsulinaemia Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 102000016267 Leptin Human genes 0.000 description 1
- 108010092277 Leptin Proteins 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000005107 Premature Birth Diseases 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008995 epigenetic change Effects 0.000 description 1
- 208000030941 fetal growth restriction Diseases 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000003345 hyperglycaemic effect Effects 0.000 description 1
- 230000003451 hyperinsulinaemic effect Effects 0.000 description 1
- 201000008980 hyperinsulinism Diseases 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 231100000576 intrauterine exposure Toxicity 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- NRYBAZVQPHGZNS-ZSOCWYAHSA-N leptin Chemical compound O=C([C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CO)NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](N)CC(C)C)CCSC)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CS)C(O)=O NRYBAZVQPHGZNS-ZSOCWYAHSA-N 0.000 description 1
- 229940039781 leptin Drugs 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 201000007532 polyhydramnios Diseases 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种妊娠期糖尿病预测系统及方法，涉及妊娠期糖尿病。包括：数据获取模块，获取临床指标和临床诊断结果；第一指标提取模块，用于提取得到关联临床指标；第二指标提取模块，将关联临床指标进行随机组合并计算相关系数最高的组合作为有效临床指标；训练模块包括，根据有效临床指标分别训练得到逻辑斯特回归模型、支持向量机模型、K最近邻分类模型、深度神经网络模型；预测模块，用于将待预测孕妇的有效临床指标分别输入到上述四个模型中得到相应的预测结果，并对预测结果进行预测得到待预测孕妇的发病风险。具有以下有益效果：通过预测妊娠期糖尿病的发病风险，方便孕妇及时采取提前预防或干预措施。
Description
技术领域
本发明涉及妊娠期糖尿病，尤其涉及一种妊娠期糖尿病预测系统及方法。
背景技术
妊娠期糖尿病(GDM)是常见的妊娠期并发症之一，在全世界各个地区的发病率在1.5％至25％不等，并存在种族易感性差异。东亚人群属于高危种族人群，中国孕妇GDM发病率可达15％左右，GDM可导致巨大儿、早产、宫内生长受限、死胎、羊水过多、新生儿低血糖、新生儿高胰岛素血症等影响母婴健康安全的不良事件；从长期看，胎儿宫内高糖环境暴露还将增加后代成年后罹患非传染性疾病(如糖尿病、肥胖、冠心病等)的风险。
然而目前包括中国在内的众多国家采用的GDM诊断指南采用的是IADPSG(国际糖尿病与妊娠研究组)以及ADA(美国糖尿病协会)的诊断标准，即在孕晚期(孕24-28周)采用75g口服糖耐量检测(75g OGTT)来诊断是否患有GDM。也有机构针对孕早期制定检测标准，例如IADPSG对孕早期GDM的诊断标准为空腹血糖大于等于5.1mmol/L，然而该标准的特异性导致误诊率较高，未被主流医学界采纳，因此在孕早期，目前尚缺乏有效可靠的诊断标准。而有研究表明，在孕晚期诊断出GDM并给予胰岛素治疗，即使血糖控制平稳也不能完全逆转怀孕中期宫内高糖环境带来的表观遗传学改变。这提示我们对GDM进行早期识别并进行早期干预或许比孕晚期亡羊补牢的治疗意义更大。
为了解决诊断标准的滞后性主要有三种解决思路。第一种：重新寻找孕早期诊断GDM的血糖阈值，北京大学的研究团队通过开展大样本的前瞻性研究发现，若将GDM孕早期的诊断标准提升至6.1mmol/l,则该群孕妇在孕晚期采用75g OGTT金标准诊断为GDM的概率为100％，但该诊断标准敏感性只有1％。第二种方法则是在孕早期寻找新的血液生化指标，来诊断GDM。比如瘦素、脂联素等一些脂肪因子，TNF等炎症因子被证实与GDM发病有关，这些血液学生化指标被认为具备孕早期诊断或者预测GDM发病的潜力。但尚未被临床证实，并且这些指标并非医院常规检查项目，无法在实际临床工作中广泛应用。第三种方法，利用研究对象的人口学特征建立孕早期GDM预测模型，对孕妇日后罹患GDM进行风险预测，风险高者为GDM高危人群，并进行早期干预；九十年代后期于新英格兰医学杂志首次采用这种方法，开辟了孕早期利用预测模型对GDM进行预测的先河。而近年来随着人工智能的兴起和发展，为迫切解决孕早期通过预测妊娠期糖尿病的发病风险，便于做到及时观察或干预提供了新的方向。
发明内容
本发明为了解决上述问题，现提出一种妊娠期糖尿病预测系统，包括：
数据获取模块，连接一医院数据库，用于由所述医院数据库中获取若干孕妇的临床病历数据；
每个所述临床病历数据包括若干临床指标和对应的临床诊断结果；
第一指标提取模块，连接所述数据获取模块，用于根据各所述临床病历数据和预先生成的指标提取模型提取得到关联于所述临床诊断结果的若干关联临床指标；
第二指标提取模块，连接所述第一指标提取模块，用于将各所述关联临床指标进行随机组合得到若干组合指标，分别计算各所述组合指标与对应的所述临床诊断结果之间的相关系数，并提取所述相关系数最高的所述组合指标中的各所述关联临床指标作为有效临床指标；
训练模块，连接所述第二指标提取模块，所述训练模块包括：
第一训练单元，用于根据所述有效临床指标和对应的所述临床诊断结果训练得到逻辑斯特回归模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第二训练单元，用于根据所述有效临床指标和对应的所述临床诊断结果训练得到支持向量机模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第三训练单元，用于根据所述有效临床指标和对应的所述临床诊断结果训练得到K最近邻分类模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第四训练单元，用于根据所述有效临床指标和对应的所述临床诊断结果训练得到深度神经网络模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
预测模块，连接所述训练模块，用于将待预测孕妇的所述有效临床指标分别输入到训练得到的所述逻辑斯特回归模型、所述支持向量机模型、所述K最近邻分类模型和所述深度神经网络模型中得到相应的第一预测值、第二预测值、第三预测值和第四预测值，并根据所述第一预测值、所述第二预测值、所述第三预测值和所述第四预测值进行处理得到所述待预测孕妇妊娠期糖尿病的发病风险。
优选的，所述预测模块具体包括：
第一预测单元，用于将待预测孕妇的所述有效临床指标输入到训练得到的所述逻辑斯特回归模型中得到相应的第一预测值，在所述第一预测值大于预设的第一阈值时输出第一预测结果，并将所述第一预测结果加入一预测结果集合；
第二预测单元，用于将待预测孕妇的所述有效临床指标输入到训练得到的所述支持向量机模型中得到相应的第二预测值，在所述第二预测值大于预设的第二阈值时输出第二预测结果，并将所述第二预测结果加入所述预测结果集合；
第三预测单元，用于将待预测孕妇的所述有效临床指标输入到训练得到的所述K最近邻分类模型中得到相应的第三预测值，在所述第三预测值大于预设的第三阈值时输出第三预测结果，并将所述第三预测结果加入所述预测结果集合；
第四预测单元，用于将待预测孕妇的所述有效临床指标输入到训练得到的所述深度神经网络模型中得到相应的第四预测值，在所述第四预测值大于预设的第四阈值时输出第四预测结果，并将所述第四预测结果加入所述预测结果集合；
计数单元，分别连接所述第一预测单元、所述第二预测单元、所述第三预测单元和所述第四预测单元，用于根据所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果统计所述预测结果集合中的元素个数；
判断单元，连接所述计数单元，用于将所述元素个数与预设的元素阈值进行比较，并在所述元素个数大于所述元素阈值时输出第一判断结果，以及在所述元素个数不大于所述元素阈值时输出第二判断结果；
所述第一判断结果表示所述待预测孕妇具有高概率的妊娠期糖尿病的发病风险，所述第二判断结果表示所述待预测孕妇具有低概率的妊娠期糖尿病的发病风险。
优选的，还包括一报告生成模块，连接所述预测模块，用于根据所述第一判断结果生成高危妊娠期糖尿病患者报告，以及根据所述第二判断结果生成低危妊娠期糖尿病患者报告。
优选的，所述元素阈值为2。
优选的，所述关联临床指标为：空腹血糖分类指标、脂蛋白、总3碘甲状腺素、年龄分类变量、年龄连续变量、多胎妊娠、空腹血糖连续变量、经产妇、载脂蛋白-B、载脂蛋白-A、妊娠期糖尿病既往史、糖尿病家族史、血甘油三酯、吸烟、总4碘甲状腺素、糖化血红蛋白连续变量、糖化血红蛋白分类变量
优选的，所述有效临床指标包括：空腹血糖分类指标、年龄分类变量、多胎妊娠、妊娠期糖尿病既往史、糖尿病家族史、血甘油三酯、糖化血红蛋白连续变量。
一种妊娠期糖尿病预测方法，应用于妊娠期糖尿病预测系统，包括：
步骤S1，所述妊娠期糖尿病预测系统由所述医院数据库中获取若干孕妇的临床病历数据；
每个所述临床病历数据包括若干临床指标和对应的临床诊断结果；
步骤S2，所述妊娠期糖尿病预测系统根据各所述临床病历数据和预先生成的指标提取模型提取得到关联于所述临床诊断结果的若干关联临床指标；
步骤S3，所述妊娠期糖尿病预测系统将各所述关联临床指标进行随机组合得到若干组合指标，分别计算各所述组合指标与对应的所述临床诊断结果之间的相关系数，并提取所述相关系数最高的所述组合指标中的各所述关联临床指标作为有效临床指标；
步骤S4，所述妊娠期糖尿病预测系统根据所述有效临床指标和对应的所述临床诊断结果分别训练得到逻辑斯特回归模型、支持向量机模型、K最近邻分类模型及深度神经网络模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
步骤S5，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标分别输入到训练得到所述逻辑斯特回归模型、所述支持向量机模型、所述K最近邻分类模型和所述深度神经网络模型中得到相应的第一预测值、第二预测值、第三预测值和第四预测值，并根据所述第一预测值、所述第二预测值、所述第三预测值和所述第四预测值进行处理得到所述待预测孕妇妊娠期糖尿病的发病风险。
优选的，所述步骤S5具体包括：
步骤S51，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标输入到训练得到的所述逻辑斯特回归模型中得到相应的第一预测值，在所述第一预测值大于预设的第一阈值时输出第一预测结果，并将所述第一预测结果加入一预测结果集合；
步骤S52，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标输入到训练得到的所述支持向量机模型中得到相应的第二预测值，在所述第二预测值大于预设的第二阈值时输出第二预测结果，并将所述第二预测结果加入所述预测结果集合；
步骤S53，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标输入到训练得到的所述K最近邻分类模型中得到相应的第三预测值，在所述第三预测值大于预设的第三阈值时输出第三预测结果，并将所述第三预测结果加入所述预测结果集合；
步骤S54，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标输入到训练得到的所述深度神经网络模型中得到相应的第四预测值，在所述第四预测值大于预设的第四阈值时输出第四预测结果，并将所述第四预测结果加入所述预测结果集合；
步骤S55，所述妊娠期糖尿病预测系统根据所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果统计所述预测结果集合中的元素个数；
步骤S56，所述妊娠期糖尿病预测系统将所述元素个数与预设的元素阈值进行比较，并在所述元素个数大于所述元素阈值时输出第一判断结果，以及在所述元素个数不大于所述元素阈值时输出第二判断结果；
所述第一判断结果表示所述待预测孕妇具有高概率的妊娠期糖尿病的发病风险，所述第二判断结果表示所述待预测孕妇具有低概率的妊娠期糖尿病的发病风险。
具有以下有益效果：
1)通过对临床指标进行筛选得到有效临床指标，进而根据有效临床指标建立预测模型，有效减小数据计算量；
2)通过建立多个预测模型，并将多个预测结果结合进行分析，有效提升妊娠期糖尿病预测的准确率；
3)通过预测妊娠期糖尿病的发病风险，方便孕妇及时采取提前预防或干预措施。
附图说明
图1为本发明较佳的实施例中，一种妊娠期糖尿病预测系统的结构示意图；
图2为本发明较佳的实施例中，一种妊娠期糖尿病预测方法的流程示意图；
图3为本发明较佳的实施例中，对待预测孕妇进行妊娠期糖尿病预测的流程示意图。
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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明为了解决上述问题，现提出一种妊娠期糖尿病预测系统，如图1所示，包括：
数据获取模块1，连接一医院数据库，用于由医院数据库中获取若干孕妇的临床病历数据；
每个临床病历数据包括若干临床指标和对应的临床诊断结果；
第一指标提取模块2，连接数据获取模块1，用于根据各临床病历数据和预先生成的指标提取模型提取得到关联于临床诊断结果的若干关联临床指标；
第二指标提取模块3，连接第一指标提取模块2，用于将各关联临床指标进行随机组合得到若干组合指标，分别计算各组合指标与对应的临床诊断结果之间的相关系数，并提取相关系数最高的组合指标中的各关联临床指标作为有效临床指标；
训练模块4，连接第二指标提取模块3，训练模块4包括：
第一训练单元41，用于根据有效临床指标和对应的临床诊断结果训练得到逻辑斯特回归模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第二训练单元42，用于根据有效临床指标和对应的临床诊断结果训练得到支持向量机模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第三训练单元43，用于根据有效临床指标和对应的临床诊断结果训练得到K最近邻分类模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第四训练单元44，用于根据有效临床指标和对应的临床诊断结果训练得到深度神经网络模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
预测模块5，连接训练模块4，用于将待预测孕妇的有效临床指标分别输入到训练得到的逻辑斯特回归模型、支持向量机模型、K最近邻分类模型和深度神经网络模型中得到相应的第一预测值、第二预测值、第三预测值和第四预测值，并根据第一预测值、第二预测值、第三预测值和第四预测值进行处理得到所述待预测孕妇妊娠期糖尿病的发病风险。
本发明较佳的实施例中，预测模块5具体包括：
第一预测单元51，用于将待预测孕妇的有效临床指标输入到训练得到的逻辑斯特回归模型中得到相应的第一预测值，在第一预测值大于预设的第一阈值时输出第一预测结果，并将第一预测结果加入一预测结果集合；
第二预测单元52，用于将待预测孕妇的有效临床指标输入到训练得到的支持向量机模型中得到相应的第二预测值，在第二预测值大于预设的第二阈值时输出第二预测结果，并将第二预测结果加入预测结果集合；
第三预测单元53，用于将待预测孕妇的有效临床指标输入到训练得到的K最近邻分类模型中得到相应的第三预测值，在第三预测值大于预设的第三阈值时输出第三预测结果，并将第三预测结果加入预测结果集合；
第四预测单元54，用于将待预测孕妇的有效临床指标输入到训练得到的深度神经网络模型中得到相应的第四预测值，在第四预测值大于预设的第四阈值时输出第四预测结果，并将第四预测结果加入预测结果集合；
计数单元55，分别连接第一预测单元51、第二预测单元52、第三预测单元53和第四预测单元54，用于根据第一预测结果、第二预测结果、第三预测结果和第四预测结果统计预测结果集合中的元素个数；
判断单元56，连接计数单元55，用于将元素个数与预设的元素阈值进行比较，并在元素个数大于元素阈值时输出第一判断结果，以及元素个数不大于元素阈值时输出第二判断结果；
第一判断结果表示待预测孕妇具有高概率的妊娠期糖尿病的发病风险，第二判断结果表示待预测孕妇具有低概率的妊娠期糖尿病的发病风险。
具体地，本实施例中，在以往的预测模型多是基于西方的临床数据，中国人与欧美人存在基因背景差异与发病率差异，而本发明的预测模型是首次基于中国人群的临床指标建立的预测模型。
以往的预测模型仅仅包括人口学特征，而本发明的预测模型囊括了人口学特征和血液学检查结果，包括血常规、肝肾功能、血生化、尿常规、甲状腺功能、微量元素等临床指标。
本发明第一次将人工智能运用在我国妇产科学的模型预测方面，预测指标数量少，临床易采集，具备临床推广应用的条件。
首先，从医院数据库中获取临床病历数据，临床病历数据包括若干临床指标和对应的临床诊断结果；优选的，权威医生可以对临床诊断结果进行进一步研究和查阅文献修正。然后将所有临床病历数据中通过指标提取模型提取出若干关联临床指标，优选的，指标提取模型选用留一法模型(Leave-one-out)或者K最近邻分类模型(K-NearestNeighbor)进行指标提取，优选的提取出17个关联临床指标，17个关联指标为空腹血糖分类指标、脂蛋白、总3碘甲状腺素、年龄分类变量、年龄连续变量、多胎妊娠、空腹血糖连续变量、经产妇、载脂蛋白-B、载脂蛋白-A、妊娠期糖尿病既往史、糖尿病家族史、血甘油三酯、吸烟、总4碘甲状腺素、糖化血红蛋白连续变量、糖化血红蛋白分类变量；第二指标提取模块3用于将17个关联临床指标进行随机组合得到若干组合指标，分别计算各组合指标与对应的临床诊断结果之间的相关系数，并提取相关系数最高的组合指标中的各关联临床指标作为有效临床指标并最终提取出一个相关系数最高的组合指标，其中包括7个有效临床指标，具体为：空腹血糖分类指标、年龄分类变量、多胎妊娠、妊娠期糖尿病既往史、糖尿病家族史、血甘油三酯、糖化血红蛋白连续变量；再对上述7个有效临床指标组合分别进行训练，训练出逻辑斯特回归模型、支持向量机模型、K最近邻分类模型和深度神经网络模型，优选的，对上述4个模型可以从AUC值判断其优良；上述4个模型连接预测模块，并通过预测模型将待预测孕妇的7个有效临床指标分别输入到上述4个模型中分别得出第一预测值、第二预测值、第三预测值、第四预测值，然后再将上述4组预测结果分别与各自对应的阈值进行比较，例如当第一预测值大于第一阈值时将相应的第一预测结果记为预测结果集合中的一个元素，即一个阳性结果；反之则不记；同理第二预测值、第三预测值和第四预测值也按上述同样方法进分析，优选的，设置所述第一阈值为17％、所述第二阈值为0.04、所述第三阈值为0.5和所述第四阈值为0.17；再将上述的元素个数，即阳性结果个数进行求和统计，当元素个数总和大于元素阈值时，则表示待预测孕妇具有高概率的妊娠期糖尿病的发病风险；低于元素阈值时，则表示待预测孕妇具有低概率的妊娠期糖尿病的发病风险。优选的，元素阈值设置为2，也就是在4个模型中只要输出任意两个预测结果超出各自设置的阈值时，即认定具有高概率的妊娠期糖尿病的发病风险。
本发明较佳的实施例中，还包括一报告生成模块6，连接预测模块5，用于根据第一判断结果生成高危妊娠期糖尿病患者报告，以及根据第二判断结果生成低危妊娠期糖尿病患者报告。
本发明较佳的实施例中，元素阈值为2。
本发明较佳的实施例中，关联临床指标为：空腹血糖分类指标、脂蛋白、总3碘甲状腺素、年龄分类变量、年龄连续变量、多胎妊娠、空腹血糖连续变量、经产妇、载脂蛋白-B、载脂蛋白-A、妊娠期糖尿病既往史、糖尿病家族史、血甘油三酯、吸烟、总4碘甲状腺素、糖化血红蛋白连续变量、糖化血红蛋白分类变量
本发明较佳的实施例中，有效临床指标包括：空腹血糖分类指标、年龄分类变量、多胎妊娠、妊娠期糖尿病既往史、糖尿病家族史、血甘油三酯、糖化血红蛋白连续变量。
一种妊娠期糖尿病预测方法，应用于妊娠期糖尿病预测系统，如图2所示，包括：
步骤S1，妊娠期糖尿病预测系统由医院数据库中获取若干孕妇的临床病历数据；
每个临床病历数据包括若干临床指标和对应的临床诊断结果；
步骤S2，妊娠期糖尿病预测系统根据各临床病历数据和预先生成的指标提取模型提取得到关联于临床诊断结果的若干关联临床指标；
步骤S3，妊娠期糖尿病预测系统将各关联临床指标进行随机组合得到若干组合指标，分别计算各组合指标与对应的临床诊断结果之间的相关系数，并提取相关系数最高的组合指标中的各关联临床指标作为有效临床指标；
步骤S4，妊娠期糖尿病预测系统根据有效临床指标和对应的临床诊断结果分别训练得到逻辑斯特回归模型、支持向量机模型、K最近邻分类模型以及深度神经网络模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
步骤S5，妊娠期糖尿病预测系统将待预测孕妇的有效临床指标分别输入到训练得到逻辑斯特回归模型、支持向量机模型、K最近邻分类模型和深度神经网络模型中得到相应的第一预测值、第二预测值、第三预测值和第四预测值，并根据第一预测值、第二预测值、第三预测值和第四预测值进行处理得到待预测孕妇妊娠期糖尿病的发病风险。
本发明较佳的实施例中，如图3所示，步骤S5具体包括：
步骤S51，妊娠期糖尿病预测系统将待预测孕妇的有效临床指标输入到训练得到的逻辑斯特回归模型中得到相应的第一预测值，在第一预测值大于预设的第一阈值时输出第一预测结果，并将第一预测结果加入一预测结果集合；
步骤S52，妊娠期糖尿病预测系统将待预测孕妇的有效临床指标输入到训练得到的支持向量机模型中得到相应的第二预测值，在第二预测值大于预设的第二阈值时输出第二预测结果，并将第二预测结果加入预测结果集合；
步骤S53，妊娠期糖尿病预测系统将待预测孕妇的有效临床指标输入到训练得到的K最近邻分类模型中得到相应的第三预测值，在第三预测值大于预设的第三阈值时输出第三预测结果，并将第三预测结果加入预测结果集合；
步骤S54，妊娠期糖尿病预测系统将待预测孕妇的有效临床指标输入到训练得到的深度神经网络模型中得到相应的第四预测值，在第四预测值大于预设的第四阈值时输出第四预测结果，并将第四预测结果加入预测结果集合；
步骤S55，妊娠期糖尿病预测系统根据第一预测结果、第二预测结果、第三预测结果和第四预测结果统计预测结果集合中的元素个数；
步骤S56，妊娠期糖尿病预测系统将元素个数与预设的元素阈值进行比较，并在元素个数大于元素阈值时输出第一判断结果，以及在元素个数不大于元素阈值时输出第二判断结果；
第一判断结果表示待预测孕妇具有高概率的妊娠期糖尿病的发病风险，第二判断结果表示待预测孕妇具有低概率的妊娠期糖尿病的发病风险。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (8)
1.一种妊娠期糖尿病预测系统，其特征在于，包括：
数据获取模块，连接一医院数据库，用于由所述医院数据库中获取若干孕妇的临床病历数据；
每个所述临床病历数据包括若干临床指标和对应的临床诊断结果；
第一指标提取模块，连接所述数据获取模块，用于根据各所述临床病历数据和预先生成的指标提取模型提取得到关联于所述临床诊断结果的若干关联临床指标；
第二指标提取模块，连接所述第一指标提取模块，用于将各所述关联临床指标进行随机组合得到若干组合指标，分别计算各所述组合指标与对应的所述临床诊断结果之间的相关系数，并提取所述相关系数最高的所述组合指标中的各所述关联临床指标作为有效临床指标；
训练模块，连接所述第二指标提取模块，所述训练模块包括：
第一训练单元，用于根据所述有效临床指标和对应的所述临床诊断结果训练得到逻辑斯特回归模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第二训练单元，用于根据所述有效临床指标和对应的所述临床诊断结果训练得到支持向量机模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第三训练单元，用于根据所述有效临床指标和对应的所述临床诊断结果训练得到K最近邻分类模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
第四训练单元，用于根据所述有效临床指标和对应的所述临床诊断结果训练得到深度神经网络模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
预测模块，连接所述训练模块，用于将待预测孕妇的所述有效临床指标分别输入到训练得到的所述逻辑斯特回归模型、所述支持向量机模型、所述K最近邻分类模型和所述深度神经网络模型中得到相应的第一预测值、第二预测值、第三预测值和第四预测值，并根据所述第一预测值、所述第二预测值、所述第三预测值和所述第四预测值进行处理得到所述待预测孕妇妊娠期糖尿病的发病风险。
2.根据权利要求1所述的妊娠期糖尿病预测系统，其特征在于，所述预测模块具体包括：
第一预测单元，用于将待预测孕妇的所述有效临床指标输入到训练得到的所述逻辑斯特回归模型中得到相应的第一预测值，在所述第一预测值大于预设的第一阈值时输出第一预测结果，并将所述第一预测结果加入一预测结果集合；
第二预测单元，用于将待预测孕妇的所述有效临床指标输入到训练得到的所述支持向量机模型中得到相应的第二预测值，在所述第二预测值大于预设的第二阈值时输出第二预测结果，并将所述第二预测结果加入所述预测结果集合；
第三预测单元，用于将待预测孕妇的所述有效临床指标输入到训练得到的所述K最近邻分类模型中得到相应的第三预测值，在所述第三预测值大于预设的第三阈值时输出第三预测结果，并将所述第三预测结果加入所述预测结果集合；
第四预测单元，用于将待预测孕妇的所述有效临床指标输入到训练得到的所述深度神经网络模型中得到相应的第四预测值，在所述第四预测值大于预设的第四阈值时输出第四预测结果，并将所述第四预测结果加入所述预测结果集合；
计数单元，分别连接所述第一预测单元、所述第二预测单元、所述第三预测单元和所述第四预测单元，用于根据所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果统计所述预测结果集合中的元素个数；
判断单元，连接所述计数单元，用于将所述元素个数与预设的元素阈值进行比较，并在所述元素个数大于所述元素阈值时输出第一判断结果，以及在所述元素个数不大于所述元素阈值时输出第二判断结果；
所述第一判断结果表示所述待预测孕妇具有高概率的妊娠期糖尿病的发病风险，所述第二判断结果表示所述待预测孕妇具有低概率的妊娠期糖尿病的发病风险。
3.根据权利要求2所述的妊娠期糖尿病预测系统，其特征在于，还包括一报告生成模块，连接所述预测模块，用于根据所述第一判断结果生成高危妊娠期糖尿病患者报告，以及根据所述第二判断结果生成低危妊娠期糖尿病患者报告。
4.根据权利要求2所述的妊娠期糖尿病预测系统，其特征在于，所述元素阈值为2。
5.根据权利要求1所述的妊娠期糖尿病预测系统，其特征在于，所述关联临床指标为：空腹血糖分类指标、脂蛋白、总3碘甲状腺素、年龄分类变量、年龄连续变量、多胎妊娠、空腹血糖连续变量、经产妇、载脂蛋白-B、载脂蛋白-A、妊娠期糖尿病既往史、糖尿病家族史、血甘油三酯、吸烟、总4碘甲状腺素、糖化血红蛋白连续变量、糖化血红蛋白分类变量。
6.根据权利要求1所述的妊娠期糖尿病预测系统，其特征在于，所述有效临床指标包括：空腹血糖分类指标、年龄分类变量、多胎妊娠、妊娠期糖尿病既往史、糖尿病家族史、血甘油三酯、糖化血红蛋白连续变量。
7.一种妊娠期糖尿病预测方法，其特征在于，应用于如权利要求1至6任一项所述的妊娠期糖尿病预测系统，包括：
步骤S1，所述妊娠期糖尿病预测系统由所述医院数据库中获取若干孕妇的临床病历数据；
每个所述临床病历数据包括若干临床指标和对应的临床诊断结果；
步骤S2，所述妊娠期糖尿病预测系统根据各所述临床病历数据和预先生成的指标提取模型提取得到关联于所述临床诊断结果的若干关联临床指标；
步骤S3，所述妊娠期糖尿病预测系统将各所述关联临床指标进行随机组合得到若干组合指标，分别计算各所述组合指标与对应的所述临床诊断结果之间的相关系数，并提取所述相关系数最高的所述组合指标中的各所述关联临床指标作为有效临床指标；
步骤S4，所述妊娠期糖尿病预测系统根据所述有效临床指标和对应的所述临床诊断结果分别训练得到逻辑斯特回归模型、支持向量机模型、K最近邻分类模型以及深度神经网络模型，以对孕妇妊娠期糖尿病的发病风险进行预测；
步骤S5，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标分别输入到训练得到所述逻辑斯特回归模型、所述支持向量机模型、所述K最近邻分类模型和所述深度神经网络模型中得到相应的第一预测值、第二预测值、第三预测值和第四预测值，并根据所述第一预测值、所述第二预测值、所述第三预测值和所述第四预测值进行处理得到所述待预测孕妇妊娠期糖尿病的发病风险。
8.根据权利要求7所述的妊娠期糖尿病预测方法，其特征在于，所述步骤S5具体包括：
步骤S51，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标输入到训练得到的所述逻辑斯特回归模型中得到相应的第一预测值，在所述第一预测值大于预设的第一阈值时输出第一预测结果，并将所述第一预测结果加入一预测结果集合；
步骤S52，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标输入到训练得到的所述支持向量机模型中得到相应的第二预测值，在所述第二预测值大于预设的第二阈值时输出第二预测结果，并将所述第二预测结果加入所述预测结果集合；
步骤S53，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标输入到训练得到的所述K最近邻分类模型中得到相应的第三预测值，在所述第三预测值大于预设的第三阈值时输出第三预测结果，并将所述第三预测结果加入所述预测结果集合；
步骤S54，所述妊娠期糖尿病预测系统将待预测孕妇的所述有效临床指标输入到训练得到的所述深度神经网络模型中得到相应的第四预测值，在所述第四预测值大于预设的第四阈值时输出第四预测结果，并将所述第四预测结果加入所述预测结果集合；
步骤S55，所述妊娠期糖尿病预测系统根据所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果统计所述预测结果集合中的元素个数；
步骤S56，所述妊娠期糖尿病预测系统将所述元素个数与预设的元素阈值进行比较，并在所述元素个数大于所述元素阈值时输出第一判断结果，以及在所述元素个数不大于所述元素阈值时输出第二判断结果；
所述第一判断结果表示所述待预测孕妇具有高概率的妊娠期糖尿病的发病风险，所述第二判断结果表示所述待预测孕妇具有低概率的妊娠期糖尿病的发病风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911047847.4A CN110808097A (zh) | 2019-10-30 | 2019-10-30 | 一种妊娠期糖尿病预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911047847.4A CN110808097A (zh) | 2019-10-30 | 2019-10-30 | 一种妊娠期糖尿病预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110808097A true CN110808097A (zh) | 2020-02-18 |
Family
ID=69489681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911047847.4A Pending CN110808097A (zh) | 2019-10-30 | 2019-10-30 | 一种妊娠期糖尿病预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110808097A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111710411A (zh) * | 2020-05-29 | 2020-09-25 | 中润普达(十堰)大数据中心有限公司 | 一种基于血脂检查指标智能推测疾病系统 |
| WO2020240543A1 (en) * | 2019-05-24 | 2020-12-03 | Yeda Research And Development Co. Ltd. | Method and system for predicting gestational diabetes |
| CN112801224A (zh) * | 2021-03-26 | 2021-05-14 | 平安科技（深圳）有限公司 | 糖尿病的分型概率预测方法、装置、设备及存储介质 |
| CN113077900A (zh) * | 2021-03-11 | 2021-07-06 | 杭州市妇产科医院 | 糖尿病早期风险评估方法、装置、计算机设备及介质 |
| CN113113142A (zh) * | 2021-04-09 | 2021-07-13 | 长沙理工大学 | 一种利用智能分析技术对糖尿病患病风险的预测方法 |
| CN113130078A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
| WO2021171051A1 (en) * | 2020-02-27 | 2021-09-02 | The Chinese University Of Hong Kong | Methods for monitoring and analyzing glucose variability of a glucose-insulin system |
| CN113484511A (zh) * | 2021-06-30 | 2021-10-08 | 华中科技大学 | 妊娠期糖尿病的孕早期血液脂质生物标志物的筛选及应用 |
| CN114166977A (zh) * | 2022-01-24 | 2022-03-11 | 杭州凯莱谱精准医疗检测技术有限公司 | 预测妊娠个体血糖值的系统 |
| CN114388135A (zh) * | 2022-01-19 | 2022-04-22 | 韩昕倬 | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 |
| US11923082B2 (en) | 2022-01-24 | 2024-03-05 | Hangzhou Calibra Diagnostics Co., Ltd. | Method and system for rapid prediction offast blood glucose level in pregnant subjects |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063583A (zh) * | 2014-06-06 | 2014-09-24 | 北京工业大学 | 基于动态物理学和理化因素的妊娠期糖尿病风险监测系统 |
| RU2589663C1 (ru) * | 2015-05-05 | 2016-07-10 | Федеральное государственное бюджетное учреждение "Уральский научно-исследовательский институт охраны материнства и младенчества" Министерства здравоохранения Российской Федерации (ФГБУ "НИИ ОММ" Минздрава России) | Способ прогноза риска развития гестационного сахарного диабета |
| CN106446595A (zh) * | 2016-12-16 | 2017-02-22 | 上海尚戴科技发展有限公司 | 一种机器学习妊娠期糖尿病发病风险及病情程度预测系统 |
| CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
| CN109524118A (zh) * | 2018-11-01 | 2019-03-26 | 上海海事大学 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 |
-
2019
- 2019-10-30 CN CN201911047847.4A patent/CN110808097A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063583A (zh) * | 2014-06-06 | 2014-09-24 | 北京工业大学 | 基于动态物理学和理化因素的妊娠期糖尿病风险监测系统 |
| RU2589663C1 (ru) * | 2015-05-05 | 2016-07-10 | Федеральное государственное бюджетное учреждение "Уральский научно-исследовательский институт охраны материнства и младенчества" Министерства здравоохранения Российской Федерации (ФГБУ "НИИ ОММ" Минздрава России) | Способ прогноза риска развития гестационного сахарного диабета |
| CN106446595A (zh) * | 2016-12-16 | 2017-02-22 | 上海尚戴科技发展有限公司 | 一种机器学习妊娠期糖尿病发病风险及病情程度预测系统 |
| CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
| CN109524118A (zh) * | 2018-11-01 | 2019-03-26 | 上海海事大学 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020240543A1 (en) * | 2019-05-24 | 2020-12-03 | Yeda Research And Development Co. Ltd. | Method and system for predicting gestational diabetes |
| WO2021171051A1 (en) * | 2020-02-27 | 2021-09-02 | The Chinese University Of Hong Kong | Methods for monitoring and analyzing glucose variability of a glucose-insulin system |
| CN111710411A (zh) * | 2020-05-29 | 2020-09-25 | 中润普达(十堰)大数据中心有限公司 | 一种基于血脂检查指标智能推测疾病系统 |
| CN113077900A (zh) * | 2021-03-11 | 2021-07-06 | 杭州市妇产科医院 | 糖尿病早期风险评估方法、装置、计算机设备及介质 |
| CN113077900B (zh) * | 2021-03-11 | 2023-10-20 | 杭州市妇产科医院 | 糖尿病早期风险评估方法、装置、计算机设备及介质 |
| CN112801224A (zh) * | 2021-03-26 | 2021-05-14 | 平安科技（深圳）有限公司 | 糖尿病的分型概率预测方法、装置、设备及存储介质 |
| CN112801224B (zh) * | 2021-03-26 | 2024-03-05 | 平安科技（深圳）有限公司 | 糖尿病的分型概率预测方法、装置、设备及存储介质 |
| CN113113142A (zh) * | 2021-04-09 | 2021-07-13 | 长沙理工大学 | 一种利用智能分析技术对糖尿病患病风险的预测方法 |
| CN113130078A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
| CN113484511A (zh) * | 2021-06-30 | 2021-10-08 | 华中科技大学 | 妊娠期糖尿病的孕早期血液脂质生物标志物的筛选及应用 |
| CN114388135A (zh) * | 2022-01-19 | 2022-04-22 | 韩昕倬 | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 |
| CN114388135B (zh) * | 2022-01-19 | 2022-07-26 | 韩昕倬 | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 |
| CN114166977A (zh) * | 2022-01-24 | 2022-03-11 | 杭州凯莱谱精准医疗检测技术有限公司 | 预测妊娠个体血糖值的系统 |
| CN114166977B (zh) * | 2022-01-24 | 2022-06-21 | 杭州凯莱谱精准医疗检测技术有限公司 | 预测妊娠个体血糖值的系统 |
| US11923082B2 (en) | 2022-01-24 | 2024-03-05 | Hangzhou Calibra Diagnostics Co., Ltd. | Method and system for rapid prediction offast blood glucose level in pregnant subjects |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110808097A (zh) | 一种妊娠期糖尿病预测系统及方法 | |
| CN107680676B (zh) | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 | |
| US6556977B1 (en) | Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions | |
| Das et al. | Hypertension diagnosis: a comparative study using fuzzy expert system and neuro fuzzy system | |
| CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
| Gnanadass | Prediction of gestational diabetes by machine learning algorithms | |
| CN116386860A (zh) | 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台 | |
| CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| CN114974585A (zh) | 一种妊娠期代谢综合征早期风险预测评估模型构建方法 | |
| CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
| Ahmetašević et al. | Using artificial neural network in diagnosis of polycystic ovary syndrome | |
| CN111883258A (zh) | 一种构建ohss分度分型预测模型的方法 | |
| Bhowmick et al. | Heart Disease Prediction Using Different Machine Learning Algorithms | |
| Derevitskii et al. | Analysis course of the disease of type 2 diabetes patients using Markov chains and clustering methods. | |
| Güldoğan et al. | Performance evaluation of different artificial neural network models in the classification of type 2 diabetes mellitus | |
| Shankar et al. | Optimized model for predicting gestational diabetes using ML techniques | |
| CN115547502B (zh) | 基于时序数据的血透病人风险预测装置 | |
| Thangarasu et al. | Prediction of hidden knowledge from clinical database using data mining techniques | |
| Alotaibi et al. | Early prediction of gestational diabetes using machine learning techniques | |
| Arulanthu et al. | Risk factor identification, classification and prediction summary of chronic kidney disease | |
| Shayan et al. | Use of artificial intelligence and neural network algorithms to predict arterial blood gas items in trauma victims | |
| Gai et al. | Diagnosis of hepatobiliary disease based on logistic regression model | |
| CN116936085A (zh) | 一种躯体健康得分计算方法、系统和装置 | |
| Ashisha et al. | Early Diabetes prediction with optimal feature selection using ML based Prediction Framework | |
| Aggarwal | A machine learning based approach for the identification of insulin resistance with non-invasive parameters using homa-IR |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200218 |