CN111091911A - 一种卒中风险筛查系统及方法 - Google Patents
一种卒中风险筛查系统及方法 Download PDFInfo
- Publication number
- CN111091911A CN111091911A CN201911400081.3A CN201911400081A CN111091911A CN 111091911 A CN111091911 A CN 111091911A CN 201911400081 A CN201911400081 A CN 201911400081A CN 111091911 A CN111091911 A CN 111091911A
- Authority
- CN
- China
- Prior art keywords
- data
- stroke
- risk
- prediction
- medical data
- 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
- 208000006011 Stroke Diseases 0.000 title claims abstract description 79
- 238000012216 screening Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000013058 risk prediction model Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 208000024891 symptom Diseases 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 208000032928 Dyslipidaemia Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000017170 Lipid metabolism disease Diseases 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 208000027905 limb weakness Diseases 0.000 description 2
- 231100000861 limb weakness Toxicity 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 201000010875 transient cerebral ischemia Diseases 0.000 description 2
- 208000007848 Alcoholism Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 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 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000032109 Transient ischaemic attack Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 201000007930 alcohol dependence Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 208000027765 speech disease Diseases 0.000 description 1
- 230000009861 stroke prevention Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011426 transformation method Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医疗辅助系统技术领域，具体为一种卒中风险筛查系统及方法，包括以下内容：S1：数据处理步骤，获取并处理现有卒中医疗数据；S2：模型构建步骤，基于RBF神经网络构建的风险预测模型，以S1中输出的卒中医疗数据作为训练集进行迭代学习和训练，得到预测模型；S3：预测步骤，采集要预测的用户数据，调用预测模型，生成预测结果并存储高危患者数据至医疗数据平台；S4：显示步骤，将预测结果以可视化形式进行展示。本发明提供的一种卒中风险筛查系统及方法，能够实现卒中高危患者的智能化筛查，提高诊疗的准确率和效率，方便提前进行干预、检查推荐。同时可以实现高危人群的筛查和入库存储，便于数字化管理，做到早发现、早入库、早管理等。
Description
技术领域
本发明涉及医疗辅助系统技术领域，具体为一种卒中风险筛查系统及方法。
背景技术
我国目前卒中发病率约为151.91/10万，同时我国缺血性脑卒中仍以每年8.7％的速度增长。中国脑血管病一级预防指南指出，卒中已经成为单病种致死、致残率最高的疾病，而导致卒中发病率和死亡率迅速攀升的根源，是人群卒中高危因素水平不断上升。世界各国卒中防控经验表明，针对卒中危险因素，采取有效管理措施，可避免80％的卒中发生。因此，减轻卒中经济负担的最佳途径还是预防。具有高血压、糖尿病、心房颤动或瓣膜性心脏病、吸烟、血脂异常，很少进行体育运动，明显超重或肥胖，卒中家族史中三项及以上危险因素，或有短暂性脑缺血发作，或既往有卒中者3类兼有者评定为卒中高危人群。
由于卒中是一种多危险因素疾病，个体存在危险因素差异，需要的干预也具有差异性，仅通过上述被筛选人群存在任意3项危险因素来进行评价，不够准确，也不能实现卒中高危人群的个体化管理。
发明内容
为了解决上述技术问题，本发明提供了一种卒中风险筛查系统及方法。
本申请提供如下技术方案：
一种卒中风险筛查方法，包括以下内容：S1：数据处理步骤，获取并处理现有卒中医疗数据，所述卒中医疗数据包括体征数据、病史数据、症状数据以及生活习惯数据；S2：模型构建步骤，基于RBF神经网络构建的风险预测模型，以S1中输出的卒中医疗数据作为训练集进行迭代学习和训练，得到预测模型；S3：预测步骤，采集要预测的用户数据，调用预测模型，生成预测结果并存储高危患者数据至医疗数据平台。
本发明技术方案中，基于机器学习的方式构建卒中风险的预测模型，对各个人员的卒中风险进行预测，为诊疗工作提供辅助决策手段，提高诊疗的准确率和效率，方便提前进行干预、检查推荐等，降低发病率。实现了对卒中高危患者的智能化筛查，做到早发现、早入库、早管理等。同时可以实现高危人群的筛查和入库存储，便于数字化管理，方便疾控机构全面掌握卒中的发病数据，把高危患者数据提前进入到医疗数据平台中，一旦发现高危患者发生疑似卒中的情况，可直接启动卒中绿色通道系统，缩短救治时间。
进一步，还包括：
S4：显示步骤，将预测结果以可视化形式进行展示。
通过可视化的形式进行展现，让用户直观得知风险大小。
进一步，还包括：
S5：推荐步骤，根据预测结果向用户推荐检查项目以及生活建议。提醒高危人群对自己的生活方式进行管理，给出血压监测、血脂检测、自我健康管理、膳食、运动等建议，减少高危因素的影响，实现早管理，降低发病风险。
进一步，所述数据处理步骤包括：
S101：数据获取步骤，从数据库中按照预设的过滤规则选取卒中医疗数据；
S102：数据预处理步骤，对S101中选取的数据进行完整性和合理性的核查，使用取中值的方法对缺失数据进行补足，对不合理数据进行过滤和处理；
S103：数据转换步骤，将卒中医疗数据进行离散化和标准化，使得各个数据落在[0,1]的区间内。
通过数据预处理步骤补足缺失数据，通过数据转换步骤将数据进行标准化处理，使得数据在规定的区间内，方便后续使用。
进一步，所述过滤规则包括体征筛选、症状筛选、生活习惯数据筛选以及病史筛选四个方面。
通过这些方面的过滤，可以得到有效的样本数据。
进一步，所述离散化包括二值化、Z变换、对数变幻、比例转换、分数转换中的一种或多种，所述标准化采用离差标准化对原始的医疗数据的线性变换，使结果落到[0,1]区间，标准化的转换函数如下：
其中，yi表示转换后的输出值，xi表示原始的医疗数据，max为原始的医疗数据中的最大值，min为原始的医疗数据的最小值。
通过离差标准化对数据进行标准化，使得数据转换到指定的区间范围内。
进一步，所述模型构建步骤具体包括：
S201：特征选择步骤，计算各个特征的发散性以及特征与目标的相关性，按照发散性和相关性对各个特征进行评分并排序，按照预设的特征个数或评分阈值筛选出特征；
S202：模型设置步骤，基于RBF神经网络构建风险预测模型；
S203：迭代学习步骤，使用医疗数据对模型进行训练，得到预测模型。
通过特征选择步骤，剔除区别度较小的特征，筛选出合适的特征构建预测模型。
进一步，所述S202中，风险预测模型采用高斯核函数，激活函数为：
网络的输出为：
损失函数为：
其中j＝1,2，…，n。
进一步，本申请还公开了一种卒中风险筛选系统，该系统使用了上述卒中风险筛查方法。
进一步，所述的卒中风险筛选系统包括：
数据处理模块，用于获取并处理现有卒中医疗数据；
模型构建模块，用于根据数据处理模块获取的卒中医疗数据构建基于RBF神经网络的预测模型；
预测模块，用于根据用户数据，调用预测模型，生成预测结果并存储高危患者数据至医疗数据平台；
展示输出模块，用于将预测结果以可视化形式进行展示。
该系统于机器学习的方式构建卒中风险的预测模型，对各个人员的卒中风险进行预测，为诊疗工作提供辅助决策手段，提高诊疗的准确率和效率，方便提前进行干预、检查推荐等，降低发病率。实现了对卒中高危患者的智能化筛查，做到早发现、早入库、早管理等。同时可以实现高危人群的筛查和入库存储，便于数字化管理，方便疾控机构全面掌握卒中的发病数据，把高危患者数据提前进入到医疗数据平台中，一旦发现高危患者发生疑似卒中的情况，可直接启动卒中绿色通道系统，缩短救治时间。
附图说明
图1为本发明一种卒中风险筛查系统及方法实施例中的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明：
如图1所示，本实施例的一种卒中风险筛查方法，包括以下内容：
S1：数据处理步骤，获取并处理现有卒中医疗数据，卒中医疗数据包括体征数据、病史数据、症状数据以及生活习惯数据；
S2：模型构建步骤，基于RBF神经网络构建的风险预测模型，以S1中输出的卒中医疗数据作为训练集进行迭代学习和训练，得到预测模型；
S3：预测步骤，采集要预测的用户数据，调用预测模型，生成预测结果并存储高危患者数据至医疗数据平台；
S4：显示步骤，将预测结果以可视化形式进行展示；
S5：推荐步骤，根据预测结果向用户推荐检查项目以及生活建议。
具体的，本实施例中，数据处理步骤包括：
S101：数据获取步骤，从数据库中按照预设的过滤规则选取卒中医疗数据；过滤规则包括体征筛选、症状筛选、生活习惯数据筛选以及病史筛选四个方面。本实施例中，依据最新急性脑缺血专家共识及该领域的循证证据和研究进展，确定过滤规则，本实施例中，选取符合年龄≥60岁，血压≥140/90mmHg，临床表现未单侧肢体无力、言语障碍不伴肢体无力，症状持续时间≥60min以及持续时间在10～59min，有糖尿病或短暂性脑缺血发作病史，在生活习惯数据方面筛选有抽烟、酗酒、熬夜等情况的数据作为卒中医疗数据，构建数据集。
S102：数据预处理步骤，对S101中选取的数据进行完整性和合理性的核查，使用取中值的方法对缺失数据进行补足，对不合理数据进行过滤和处理；本实施例中，对于缺失值的属性，尤其是数值类型的属性，根据所有样本关于这维属性的统计值对其进行填充，如使用平均数、中位数、众数、最大值、最小值等，具体选择哪种统计值需要具体问题具体分析。通过预测模型利用不存在缺失值的属性来预测缺失值，也就是先用预测模型把数据填充后再做进一步的工作。
因为过大或过小的数据可能会影响到分析结果，尤其是在做回归的时候，我们需要对那些离群值进行处理。采取绝对值差中位数法，先计算单个维度数据所有因子与平均值的距离总和，第一步，找出所有因子的中位数Xmedian；第二步，得到每个因子与中位数的绝对偏差值Xi-Xmedian；第三步，得到绝对偏差值的中位数MAD；最后，确定参数n，从而确定合理的范围为[Xmedian-nMAD,Xmedian+nMAD]。对不合理的数据的处理方式主要包括了：a)保留离群值并用于后续数据处理；b)在找到实际原因时修正离群值，否则予以保留；c)剔除离群值，不追加观测值；d)剔除离群值，并追加新的观测值或用适宜的插补值代替。
S103：数据转换步骤，将卒中医疗数据进行离散化和标准化，使得各个数据落在[0,1]的区间内。离散化包括二值化、Z变换、对数变幻、比例转换、分数转换中的一种或多种，如采取Z变换的方法使得数据符合正态分布，将非平稳数据转化为平稳数据，将性别等定类数据进行二值化处理等。标准化采用离差标准化(Min-maxnormalization)对原始的医疗数据的线性变换，使结果落到[0,1]区间，标准化的转换函数如下：
其中，yi表示转换后的输出值，其大小在[0,1]区间内，xi表示原始的医疗数据，max为原始的医疗数据中的最大值，min为原始的医疗数据的最小值。
模型构建步骤具体包括：
S201：特征选择步骤，将转化后的数据选择合适的特征以进行模型构建，从两个方面考虑来选择特征：一方面是特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。另一方面就是特征与目标的相关性：与目标相关性高的特征，应当优先选择。根据特征选择的形式，采取的特征选择方法分为3种：
Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。
Wrapper：包装法，根据目标函数(通常是预测效果评分)，每次选择若干特征，或者排除若干特征。
Embedded：嵌入法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。
本步骤中，计算各个特征的发散性以及特征与目标的相关性，按照发散性和相关性对各个特征进行评分并排序，采取过滤法，按照预设的特征个数或评分阈值筛选出特征；
S202：模型设置步骤，基于RBF神经网络构建风险预测模型；具体的，以隐单元的“基”构成隐含层空间，将输入矢量直接映射到隐空间，而不需要权值相连接。当RBF的中心点确定以后，这种映射关系即可确定。隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网路可调参数。其中，隐含层的作用是把向量从低维度的P映射到高维度的h，使得低维度线性不可分的情况到高维度变得线性可分。本发明中采取的是高斯核函数，激活函数为：
网络的输出为：
损失函数(最小二乘法)为：
S3预测步骤中，采集用户的体征数据、病史数据、症状数据以及生活习惯数据等数据，本实施例中，采用问卷的形式采集用户高血压、心脏病、血脂异常、血糖异常、吸烟、运动强度、体重、脑卒中病史、脑卒中家族史、TIA病史以及年龄等共计十一个方面的数据作为预测的输入数据。
S5中会根据预测结果向用户推荐检查项目以及生活建议。本实施中，对于上述的十一个方面的内容，分别会在对应项不合格时给予相应的建议，建议内容如下表所示。
本申请还公开了一种卒中风险筛选系统，该系统使用了上述卒中风险筛查方法。该卒中风险筛选系统包括：
数据处理模块，用于获取并处理现有卒中医疗数据；数据处理模块包括数据获取模块、数据预处理模块以及数据转换模块，数据获取模块用于从数据库中按照预设的过滤规则选取卒中医疗数据；数据预处理模块用于对选取的数据进行完整性的核查，使用取中值的方法对缺失数据进行补足；数据转换模块用于将卒中医疗数据进行离散化和标准化，使得各个数据落在[0,1]的区间内。
模型构建模块，用于根据数据处理模块获取的卒中医疗数据构建基于RBF神经网络的预测模型；模型构建模块包括特征选择模块、模型设置模块、迭代学习模块，特征选择模块用于计算各个特征的发散性以及特征与目标的相关性，按照发散性和相关性对各个特征进行评分并排序，采取过滤法，按照预设的特征个数或评分阈值筛选出特征；模型设置模块用于基于RBF神经网络构建风险预测模型，迭代学习模块用于使用医疗数据对模型进行训练，得到预测模型。
预测模块，用于根据用户数据，调用预测模型，生成预测结果并存储高危患者数据至医疗数据平台；
展示输出模块，用于将预测结果以可视化形式进行展示。
以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种卒中风险筛查方法，其特征在于：包括以下内容：
S1：数据处理步骤，获取并处理现有卒中医疗数据，所述卒中医疗数据包括体征数据、病史数据、症状数据以及生活习惯数据；
S2：模型构建步骤，基于RBF神经网络构建的风险预测模型，以S1中输出的卒中医疗数据作为训练集进行迭代学习和训练，得到预测模型；
S3：预测步骤，采集要预测的用户数据，调用预测模型，生成预测结果并存储高危患者数据至医疗数据平台。
2.根据权利要求1所述的一种卒中风险筛查方法，其特征在于：还包括：
S4：显示步骤，将预测结果以可视化形式进行展示。
3.根据权利要求1所述的一种卒中风险筛查方法，其特征在于：还包括：
S5：推荐步骤，根据预测结果向用户推荐检查项目以及生活建议。
4.根据权利要求1所述的一种卒中风险筛查方法，其特征在于：所述数据处理步骤包括：
S101：数据获取步骤，从数据库中按照预设的过滤规则选取卒中医疗数据；
S102：数据预处理步骤，对S101中选取的数据进行完整性和合理性的核查，使用取中值的方法对缺失数据进行补足，对不合理数据进行过滤和处理；
S103：数据转换步骤，将卒中医疗数据进行离散化和标准化，使得各个数据落在[0,1]的区间内。
5.根据权利要求4所述的一种卒中风险筛查系统及方法，其特征在于：所述过滤规则包括体征筛选、症状筛选、生活习惯数据筛选以及病史筛选四个方面。
6.根据权利要求5所述的一种卒中风险筛查系统及方法，其特征在于：所述离散化包括二值化、Z变换、对数变幻、比例转换、分数转换中的一种或多种，所述标准化采用离差标准化对原始的医疗数据的线性变换，使结果落到[0,1]区间，标准化的转换函数如下：
其中，yi表示转换后的输出值，xi表示原始的医疗数据，max为原始的医疗数据中的最大值，min为原始的医疗数据的最小值。
7.根据权利要求6所述的一种卒中风险筛查系统及方法，其特征在于：所述模型构建步骤具体包括：
S201：特征选择步骤，计算各个特征的发散性以及特征与目标的相关性，按照发散性和相关性对各个特征进行评分并排序，按照预设的特征个数或评分阈值筛选出特征；
S202：模型设置步骤，基于RBF神经网络构建风险预测模型；
S203：迭代学习步骤，使用医疗数据对模型进行训练，得到预测模型。
8.根据权利要求7所述的一种卒中风险筛查系统及方法，其特征在于：所述S202中，风险预测模型采用高斯核函数，激活函数为：
网络的输出为：
损失函数为：
其中j＝1,2，…，n。
9.一种卒中风险筛选系统，其特征在于：使用了权利要求1-8中任一项所述的卒中风险筛查方法。
10.根据权利要求9所述的一种卒中风险筛查系统，其特征在于：所述的卒中风险筛选系统包括：
数据处理模块，用于获取并处理现有卒中医疗数据；
模型构建模块，用于根据数据处理模块获取的卒中医疗数据构建基于RBF神经网络的预测模型；
预测模块，用于根据用户数据，调用预测模型，生成预测结果并存储高危患者数据至医疗数据平台；
展示输出模块，用于将预测结果以可视化形式进行展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911400081.3A CN111091911A (zh) | 2019-12-30 | 2019-12-30 | 一种卒中风险筛查系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911400081.3A CN111091911A (zh) | 2019-12-30 | 2019-12-30 | 一种卒中风险筛查系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111091911A true CN111091911A (zh) | 2020-05-01 |
Family
ID=70398598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911400081.3A Pending CN111091911A (zh) | 2019-12-30 | 2019-12-30 | 一种卒中风险筛查系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091911A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112233750A (zh) * | 2020-10-20 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于咯血性状及疾病的信息匹配系统 |
| CN112434737A (zh) * | 2020-11-25 | 2021-03-02 | 南京大学 | 用于脑卒中分析的多智能体评价准则融合的特征选择系统 |
| CN112967807A (zh) * | 2021-03-03 | 2021-06-15 | 吾征智能技术(北京)有限公司 | 基于饮食行为预测脑卒中的系统、设备及存储介质 |
| CN114360720A (zh) * | 2021-11-25 | 2022-04-15 | 北京清华长庚医院 | 卒中筛查评估系统及评估方法 |
| CN116313089A (zh) * | 2023-03-13 | 2023-06-23 | 首都医科大学附属北京天坛医院 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007070247A2 (en) * | 2005-11-29 | 2007-06-21 | Venture Gain, L.L.C. | Residual-based monitoring of human health |
| US20130132315A1 (en) * | 2010-07-22 | 2013-05-23 | Jose Carlos Principe | Classification using correntropy |
| CN106202952A (zh) * | 2016-07-19 | 2016-12-07 | 南京邮电大学 | 一种基于机器学习的帕金森疾病诊断方法 |
| CN106407673A (zh) * | 2016-09-08 | 2017-02-15 | 山东腾泰医疗科技有限公司 | 一种基于互联网云端数据库的心理健康评估方法 |
| CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
| CN108389626A (zh) * | 2018-02-09 | 2018-08-10 | 上海长江科技发展有限公司 | 基于人工智能的脑卒中筛查方法及系统 |
| CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
| CN109326350A (zh) * | 2018-09-25 | 2019-02-12 | 福建中医药大学 | 脑梗死临床诊疗系统 |
| US10319476B1 (en) * | 2015-02-06 | 2019-06-11 | Brain Trust Innovations I, Llc | System, method and device for predicting an outcome of a clinical patient transaction |
| CN110416995A (zh) * | 2019-05-10 | 2019-11-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN110417611A (zh) * | 2018-04-30 | 2019-11-05 | 慧与发展有限责任合伙企业 | 基于i/o模式的存储系统延迟评估 |
-
2019
- 2019-12-30 CN CN201911400081.3A patent/CN111091911A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007070247A2 (en) * | 2005-11-29 | 2007-06-21 | Venture Gain, L.L.C. | Residual-based monitoring of human health |
| US20070149862A1 (en) * | 2005-11-29 | 2007-06-28 | Pipke Robert M | Residual-Based Monitoring of Human Health |
| US20130132315A1 (en) * | 2010-07-22 | 2013-05-23 | Jose Carlos Principe | Classification using correntropy |
| US10319476B1 (en) * | 2015-02-06 | 2019-06-11 | Brain Trust Innovations I, Llc | System, method and device for predicting an outcome of a clinical patient transaction |
| CN106202952A (zh) * | 2016-07-19 | 2016-12-07 | 南京邮电大学 | 一种基于机器学习的帕金森疾病诊断方法 |
| CN106407673A (zh) * | 2016-09-08 | 2017-02-15 | 山东腾泰医疗科技有限公司 | 一种基于互联网云端数据库的心理健康评估方法 |
| CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
| CN108389626A (zh) * | 2018-02-09 | 2018-08-10 | 上海长江科技发展有限公司 | 基于人工智能的脑卒中筛查方法及系统 |
| CN110417611A (zh) * | 2018-04-30 | 2019-11-05 | 慧与发展有限责任合伙企业 | 基于i/o模式的存储系统延迟评估 |
| CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
| CN109326350A (zh) * | 2018-09-25 | 2019-02-12 | 福建中医药大学 | 脑梗死临床诊疗系统 |
| CN110416995A (zh) * | 2019-05-10 | 2019-11-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
Non-Patent Citations (11)
| Title |
|---|
| 吴雅娴: "人工智能在脑出血中的临床应用现状与未来展望", 《预防医学情报杂志》 * |
| 吴雅娴: "人工智能在脑出血中的临床应用现状与未来展望", 《预防医学情报杂志》, vol. 37, no. 2, 31 December 2021 (2021-12-31), pages 289 - 296 * |
| 周永章等: "《地球科学大数据挖掘与机器学习》", 30 September 2018, 中山大学出版社, pages: 22 * |
| 徐克虎等: "《智能计算方法及其应用》", 东北师范大学出版社, pages: 107 * |
| 曹连江, 东北师范大学出版社 * |
| 牟洪波等: "《基于BP和RBF神经网络的木材缺陷检测研究》", 31 May 2011, 哈尔滨工程大学出版社, pages: 106 - 107 * |
| 王海东等: "C5.0决策树与RBF神经网络模型用于急性缺血性脑卒中出血性转化的风险预测性能比较", 《中华疾病控制杂志》, vol. 23, no. 2, 28 February 2019 (2019-02-28), pages 288 - 293 * |
| 谢林江等: "基于最大相关熵准则的鲁棒度量学习算法", 《计算机系统应用》 * |
| 谢林江等: "基于最大相关熵准则的鲁棒度量学习算法", 《计算机系统应用》, no. 10, 15 October 2018 (2018-10-15), pages 150 - 157 * |
| 马亮亮: "基于粗糙集和RBF神经网络的脑梗塞发病率预测", 《西北民族大学学报(自然科学版)》 * |
| 马亮亮: "基于粗糙集和RBF神经网络的脑梗塞发病率预测", 《西北民族大学学报(自然科学版)》, no. 03, 15 September 2012 (2012-09-15), pages 20 - 24 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112233750A (zh) * | 2020-10-20 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于咯血性状及疾病的信息匹配系统 |
| CN112233750B (zh) * | 2020-10-20 | 2024-02-02 | 吾征智能技术(北京)有限公司 | 一种基于咯血性状及疾病的信息匹配系统 |
| CN112434737A (zh) * | 2020-11-25 | 2021-03-02 | 南京大学 | 用于脑卒中分析的多智能体评价准则融合的特征选择系统 |
| CN112434737B (zh) * | 2020-11-25 | 2024-03-19 | 南京大学 | 用于脑卒中分析的多智能体评价准则融合的特征选择系统 |
| CN112967807A (zh) * | 2021-03-03 | 2021-06-15 | 吾征智能技术(北京)有限公司 | 基于饮食行为预测脑卒中的系统、设备及存储介质 |
| CN112967807B (zh) * | 2021-03-03 | 2023-12-01 | 吾征智能技术(北京)有限公司 | 基于饮食行为预测脑卒中的系统、设备及存储介质 |
| CN114360720A (zh) * | 2021-11-25 | 2022-04-15 | 北京清华长庚医院 | 卒中筛查评估系统及评估方法 |
| CN116313089A (zh) * | 2023-03-13 | 2023-06-23 | 首都医科大学附属北京天坛医院 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
| CN116313089B (zh) * | 2023-03-13 | 2024-01-16 | 首都医科大学附属北京天坛医院 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091911A (zh) | 一种卒中风险筛查系统及方法 | |
| US9861308B2 (en) | Method and system for monitoring stress conditions | |
| Zhao et al. | Predicting outcomes of chronic kidney disease from EMR data based on Random Forest Regression | |
| CN106923846B (zh) | 一种心理压力评估与反馈系统 | |
| CN108648827A (zh) | 心脑血管疾病风险预测方法及装置 | |
| CN109920547A (zh) | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 | |
| WO2016120955A1 (ja) | 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム | |
| CN109859168A (zh) | 一种x射线胸片图像质量确定方法及装置 | |
| US20210027890A1 (en) | Detecting, evaluating and predicting system for cancer risk | |
| CN115602325A (zh) | 一种基于多模型算法的慢性病风险评估方法及其系统 | |
| EP3545529A1 (en) | Patient status monitor and method of monitoring patient status | |
| CN107066798A (zh) | 一种心脏健康质量预警系统及其预警方法 | |
| CN112233742B (zh) | 一种基于聚类的病历文档分类系统、设备、存储介质 | |
| Amutha et al. | A novel approach for the prediction of treadmill test in cardiology using data mining algorithms implemented as a mobile application | |
| Huang et al. | A fuzzy approach to determining critical factors of diabetic retinopathy and enhancing data classification accuracy | |
| Sumwiza et al. | Enhanced cardiovascular disease prediction model using random forest algorithm | |
| CN118280577A (zh) | 基于神经网络的消化道出血风险评估方法及系统 | |
| US11925474B2 (en) | Methods and systems for patient baseline estimation | |
| Rose et al. | Heart Attack Prediction using Machine Learning Techniques | |
| Fu et al. | Early sepsis prediction in icu trauma patients with using an improved cascade deep forest model | |
| Usha et al. | Insights into Diabetes Prediction: A Multi-Algorithm Machine Learning Analysis | |
| JP2008186439A (ja) | 在宅健康管理システム | |
| Yafi et al. | Integrated empowered AI and IoT approach for heart prediction | |
| Singh et al. | An Ensemble Learning Approach and Analysis for Stroke Prediction Dataset | |
| Lei | Prediction of Score of Diabetes Progression Index Based on Logistic Regression Algorithm |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200501 |
|
| RJ01 | Rejection of invention patent application after publication |