CN111180073A - 基于气候因素的脑血管疾病高危人群风险预测方法 - Google Patents
基于气候因素的脑血管疾病高危人群风险预测方法 Download PDFInfo
- Publication number
- CN111180073A CN111180073A CN202010044448.9A CN202010044448A CN111180073A CN 111180073 A CN111180073 A CN 111180073A CN 202010044448 A CN202010044448 A CN 202010044448A CN 111180073 A CN111180073 A CN 111180073A
- Authority
- CN
- China
- Prior art keywords
- climate
- time
- data
- patients
- cerebrovascular diseases
- 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
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Business, Economics & Management (AREA)
- Public Health (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- Development Economics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于气候因素的脑血管疾病高危人群风险预测方法。目前还没有专门针对脑血管病发数据分析而设计的结合气候因子数据的脑血管疾病发病预测的研究和应用。本发明方法首先进行数据采集和预处理,然后划分气候因子指标,筛选影响显著气候因子指标,将各类型脑血管疾病的病人数量和对应的特征气候因子指标代入CME交叉地图评分框架,计算CME分数S(τ),得到时间延迟τ和S(τ)的关系曲线,在时间序列上,S(τ)最高的点所对应的时间点,即为预测的未来一段时间内的该类型脑血管疾病发病风险最高的时间点。本发明能够有效分析气候因素,并预测脑血管疾病高危人群发病的风险程度,进而为医学实验验证提供科学指导,提高疾病预警效率。
Description
技术领域
本发明属于数据分析技术领域,涉及一种基于气候因素的脑血管疾病高危人群风险预测方法,在气候变化程度较大(例如季节交替)时可作出更为确切的预测。
背景技术
早在上世纪,就有学者研究了气候与死亡率之间的关系。极端温度对健康有重大影响。有研究人员指出,气候变化将是21世纪对人类健康最严重的挑战之一。在芝加哥1995年发生的热浪事件,直接导致了超过700人在一天之内死亡。
气候在人类社会中人们最关注的问题之一,气候与人类的生产生活息息相关。气候的变化包括气温、气压、湿度、空气质量等因素的变化,分别对人体的免疫系统、循环系统、呼吸系统等产生不同程度的直接影响,进而影响人体的生命健康。
20世纪60年代,就有人发现在寒冷季节里脑出血的发病数量会有大幅的提高,经过研究者们的努力,近年来已证实气候变化会对脑血管类疾病产生影响。日本研究者矢永尚志等人在上世纪也研究表明季节变化是急性脑血管疾病发生的危险因素。Yuk Yee Yan等人在1999年发布在《ScienceDirect》上的文章“The influence of weather on humanmortality in Hong Kong”表明寒冷和多云的天气可能会提高死亡率,风速被发现与死亡率呈负相关,且结论没有明显的性别差异。到本世纪,各项气候因子对死亡率的影响已被广泛研究,科学界也一直在不断探索气候与人类相关疾病之间的关联性。除此之外,季节及温度的变化,会引发肺炎等传染性疾病,也有几率间接引发脑血管疾病。
通过多种数据关联比对,选取了某地区2011年至今的天气记录,以及该地区医院的各种脑血管疾病入院情况,发现在气候因子方发生变化时,与发病人数有明显的或正或负的相关性,典型的有:急性脑出血与最低气温,脑梗死与大气压强等。在医院的实际经验中,脑卒中疾病是成组发生的,即在某些天许多卒中患者住院,而在另一些天则不住院。因此,有充足理由推测这种群体性中风的发生可能受到天气的影响。
从上世纪50年代后,传染病在世界范围内都得到了有效的控制,因此一些非传染性的疾病在人类死因序列中占据前列。其中,脑血管疾病,与癌症和心血管疾病成为了三大死亡主要原因。我国的脑血管疾病发病率已上升为世界第二是。由于发病基础不同,在此将脑病分为:脑出血、脑梗塞、癫痫,脑血管意外。其中脑血管意外(又称脑卒中)危害最大,发病之后致残率高达80%。脑卒中大致分为两种:缺血性脑卒中和出血性脑卒中。缺血性脑卒中(IS)是最常见的脑卒中类型,约占所有脑卒中的85%,主要原因是由于脑血管出现动脉粥样硬化和血栓形成,或是脑部供血血管内壁上血栓脱落后导致动脉-动脉栓塞使血管变得狭窄或者完全闭塞,导致血液供应障碍。脑血管疾病起病急、危害大、患病率高、发病率高、致残率高、致死率高,但并非是不可以控制的,因为从一开始沾染危险因素到最后发病有一段时间,在预警后来得及采取各种手段加以干预和控制。
脑血管疾病有众多的发病危险因素如高血压、糖尿病、高脂血症、肥胖、吸烟、饮酒和高龄以及遗传因素等等,外界因素的作用也可使发病率增加,如环境、气候等因素,气象条件是脑血管发病的诱因之一。
因为脑血管疾病种类不同,发病因素众多,影响因子不明,这样会给疾病的预防带来相当大的难度。目前还没有专门针对脑血管病发数据分析而设计的结合气候因子数据的脑血管疾病发病预测的研究和应用。
探究脑血管疾病与各种气候因子之间相关性以及时滞性将成为预防脑血管疾病的一种有力理论依据,为给患者和潜在患者提供发病预警打下基础。
发明内容
本发明的目的是提供一种基于气候因素的脑血管疾病高危人群风险预测方法。
本发明方法具体是:
步骤(1).数据采集和预处理;包括:
数据采集:数据包括气候数据和病人数据。
气候数据预处理:根据已有的气候数据,筛选出所需的气候因子,剔除空缺数据、无效数据,构建气候因子库;所述的气候因子包括温度、大气压强、湿度、空气质量,筛选出所需的气候因子就是选取温度、大气压强、湿度、空气质量的数据,删掉降水量、风向、降雨概率等别的气候数据。
病人数据预处理:按照脑血管疾病类型划分,病人数据分为脑出血病人数据、脑梗死病人数据、癫痫病人数据三种类型,将空白记录、数据不可用记录、重复记录筛选剔除,确保数据可用、有用且唯一。数据不可用记录是指有的记录中数据是乱码,不能使用。
步骤(2).划分气候因子指标:将气候数据处理划分成为各个气候因子指标,包括平均气压X1、平均最高气压X2、平均最低气压X3、平均气温X4、平均最高气温X5、平均最低气温X6、平均相对湿度X7、平均最高相对湿度X8、平均最低相对湿度X9。
步骤(3).筛选影响显著气候因子指标:
首先,建立病人数据与气候因子指标的时序连接,将病人的入院时间与天气记录的时间对应,连接后得到以时间为单位的每一天的气候状况和病人数量;
然后,分别计算各类型脑血管疾病的病人数量和各个气候因子指标的相关性,对于一种类型脑血管疾病,取相关系数r最高的气候因子指标,作为该类型脑血管疾病的特征气候因子指标,特征气候因子指标作为风险预测根据。
计算各类型脑血管疾病病人数量与气候因子指标之间的相关性,使用PPMCC(Pearson product-moment correlation coefficient)皮尔逊相关系数作为指标。PPMCC相关系数r用来度量两个变量间的线性关系,r的绝对值越大,相关性越强。
Xi表示气候因子指标,i∈{1,2,3,4,5,6,7,8,9};Yj表示各类型脑血管疾病病人数量,j∈{1,2,3}表示脑血管疾病类型序号;ri,j(Xi,Yj)表示气候因子指标Xi与j类型脑血管疾病的病人数量之间的相关系数。
步骤(4).将各类型脑血管疾病的病人数量和对应的特征气候因子指标代入CME(crossmap evaluation)交叉地图评分框架,计算CME分数S(τ),得到时间延迟τ和S(τ)的关系曲线;计算CME分数方法是:
τ为一组时间延迟,τ={τ1,τ2,...,τm},m为时间延迟的个数,28≤m≤92;nz是延迟坐标z的嵌入维度,z(t)≡x(t-τ),x(t)即为特征气候因子的时间序列,表示z的估计值;函数trace{·}表示所有底层矩阵的对角元素的总和,对角矩阵∑z包含的对角元素为此时协方差矩阵E[·]为期望值;S(τ)即为在每个时间延迟τ1,τ2,...,τm上的得分。
(4-1).给定两个时间序列,分别为特征气候因子指标的时间序列x(t)和某一类型的脑血管疾病病人数量的时间序列y(t);
x(t)=[x(t),x(t-δt),...,x(t-(n-1)δt)];
y(t)=[y(t),y(t-δt),...,y(t-(n-1)δt)];
n是嵌入维度,δt表示时间间隔,0<δt≤1。
(4-2).给定一组时间延迟τ={τ1,τ2,...,τm};m为时间延迟的个数,28≤m≤92。
(4-3).对于每个时间延迟τi,z(t)=x(t-τi)和y(t)形成集合MZ和MY,其中:
(4-4).MY上每个坐标点y(t)∈MY,表示每个时刻的病人数量情况,找到K个最近邻居y(tk),代表相邻K个时刻的病人数量情况,映射到K个同时刻的MZ中,z(tk)∈MZ,即为相同时刻的气候情况,k=1,2,...,K,K=3~15。
通俗来讲,当在相同的相邻的K个时刻内,病人数量的变化情况,与气候情况变化情况类似,那么在该时间延迟下的两个时间序列更为相似,就会体现在CME交叉地图评分S(τ)变高。
步骤(5).在时间序列上,S(τ)最高的点所对应的时间点,即为预测的未来一段时间内的该类型脑血管疾病发病风险最高的时间点。
计算筛选出的某种类型的脑血管疾病与其特征气候因子之间的CME交叉地图的得分序列,时间延迟为自变量,体现在x(t),而z(t)恒等于x(t-τ),因变量即为该时间延迟下被特征气候因子影响的CME分数S(τ),得分对应在时间序列的该类型脑血管疾病在该时间延迟下被特征气候因子影响的程度,因此可预测的未来一段时间内的发病风险程度何时处于顶峰以及何时比较大。从而作为风险预警测的根据,做好相关准备,给予脑血管疾病高危发病患者充分的药物干预和治疗。
基于日常气候因子的观测,因为脑血管疾病发病具有延时性,可以利用历史天气数据提前预知发病可能性大的时间点,因此在检测到发病率较高时即可做好脑血管疾病预防准备,解决由天气因素引起的的脑血管疾病风险的预测问题。本发明有与现有技术相比较具有以下技术效果:
(1)本发明利用气候因子数据对脑血管疾病进行预警可以较之于目前临床上的基于主治医生经验进行预防的方法提高至少24小时的预警时间;
(2)本发明从数据挖掘的角度研究气候对脑血管疾病的影响,通过不断的特征整合与处理,结合CME交叉地图评分框架进行时滞性研究等方法实现脑血管疾病高危人群风险的预测;
(3)本发明在有效预警时间内,给予脑血管疾病潜在的患者充分的药物干预和治疗有助于气候因素引起的意外事件对人类的负面影响;
(4)本发明能够有效分析气候因素,并预测脑血管疾病高危人群发病的风险程度,进而为医学实验验证提供科学指导,提高疾病预警效率,在一定程度上促进脑血管疾病治疗工作的发展。
附图说明
图1是癫痫病与各种气候因子的关系示意图;
图2是脑出血与各种气候因子的关系示意图;
图3是脑梗塞病与各种气候因子的关系示意图。
具体实施方式
下面结合技术方案和附图,详细说明本发明的具体实施。
现有某地区2011年至2019年4月的气候数据,以及该地区某大型医院的脑血管疾病病人的入院记录数据。
一种基于气候因素的脑血管疾病高危人群风险预测方法,依次包括,对数据的收集和数据的预处理,其中数据包括气候数据和脑血管疾病病人的入院记录数据;划分气候因子指标;对气候因子指标与各类型脑血管疾病之间相关性的分析,筛选出特征气候因子,其中包括相关系数r的计算以及特征气候因子的选择;对特征气候因子诱发脑血管疾病的时滞性分析,包括各类型脑血管疾病的病人数量和对应的特征气候因子指标代入CME(cross map evaluation)交叉地图评分框架,计算CME分数S(τ),得到时间和S(τ)的关系曲线。
第一步:根据已有的2011年至2019年4月的气候数据,筛选出所需的气候因子,剔除空缺数据、无效数据,构建气候因子库;所述的气候因子包括温度、大气压强、湿度、空气质量,筛选出所需的温度、大气压强、湿度、空气质量的数据作为气候因子,删掉降水量、风向、降雨概率等别的气候数据;
根据已有的某医院的脑血管疾病患者的入院记录数据,筛选出所需的有效数据:按照脑血管疾病类型划分,病人数据分为脑出血病人数据、脑梗死病人数据、癫痫病人数据三种类型,将空白记录、乱码记录、重复记录筛选剔除,确保数据可用、有用且唯一。
第二步:将气候因子划分为多个指标,按照基于常识的准则以及参考病理的因素,按照如下规则划分:
气候因子符号对照表
数据指标 | 变量标识 | 数据指标 | 变量标识 |
脑血管疾病入院人数 | Y | 平均最高气温 | X<sub>5</sub> |
平均气压 | X<sub>1</sub> | 平均最低气温 | X<sub>6</sub> |
平均最高气压 | X<sub>2</sub> | 平均相对湿度 | X<sub>7</sub> |
平均最低气压 | X<sub>3</sub> | 平均最高相对湿度 | X<sub>8</sub> |
平均气温 | X<sub>4</sub> | 平均最低相对湿度 | X<sub>9</sub> |
第三步:筛选影响显著气候因子指标:
首先,建立病人数据与气候因子指标的时序连接,将病人的入院时间与天气记录的时间对应,连接后得到以时间为单位的每一天的气候状况和病人数量。如图1、2、3所示,为病人数据与气候因子指标时序连接的聚合图;
然后,分别计算各类型脑血管疾病的病人数量和各个气候因子指标的相关性,对于一种类型脑血管疾病,取相关系数r最高的气候因子指标,作为该类型脑血管疾病的特征气候因子指标,特征气候因子指标作为风险预测根据。
并以此计算各类型脑血管疾病与气候因子之间相关性,包含可用指标:皮尔逊PPMCC(Pearson product-moment correlation coefficient)相关系数r。
皮尔逊PPMCC相关系数r:用来度量两个变量间的线性关系,r的绝对值越大,两个辩量相关性越强。筛选出每种脑血管疾病的最相关气候因子作为特征气候因子。
第四步:构建CME(cross map evaluation)交叉地图评分框架,将特征气候因子代入,分别计算各个最相关气候因子与脑血管疾病的CME分数,得到时间和分数序列。在得到的时间序列上,峰值对应的时间点,即为可预测的未来一段时间内的发病率最高的时间点。
τ为一组时间延迟,τ={τ1,τ2,...,τm},m为时间延迟的个数,28≤m≤92(最小的一个月为28天,连续最长的三个月为92天,即1~3个月,本实施例m=61);nz是延迟坐标z的嵌入维度,z(t)≡x(t-τ),x(t)即为特征气候因子的时间序列,表示z的估计值;函数trace{·}表示所有底层矩阵的对角元素的总和,对角矩阵∑z包含的对角元素为此时协方差矩阵E[·]为期望值;S(τ)即为在每个时间延迟τ1,τ2,...,τm上的得分。
(1).给定两个时间序列,分别为特征气候因子指标的时间序列x(t)和某一类型的脑血管疾病病人数量的时间序列y(t);
x(t)=[x(t),x(t-δt),...,x(t-(n-1)δt)];
y(t)=[y(t),y(t-δt),...,y(t-(n-1)δt)];
n是嵌入维度,δt表示时间间隔,0<δt≤1。
(2).给定一组时间延迟τ={τ1,τ2,...,τm};m为时间延迟的个数,取值范围为28≤m≤92。
(3).对于每个时间延迟τi,z(t)=x(t-τi)和y(t)形成集合MZ和MY,其中:
(4).MY上每个坐标点y(t)∈MY,表示每个时刻的病人数量情况,找到K个最近邻居y(tk),代表相邻K个时刻的病人数量情况,映射到K个同时刻的MZ中,z(tk)∈MZ,即为相同时刻的气候情况,k=1,2,...,K,K=3~15,本实施例K=6。
(5).计算MZ中相邻K个时刻的平均值通俗来讲,当在相同的相邻的K个时刻内,病人数量的变化情况,与气候情况变化情况类似,那么在该时间延迟下的两个时间序列更为相似,就会体现在CME交叉地图评分S(τ)变高。
第五步:计算出的某种类型的脑血管疾病与其特征气候因子之间的CME交叉地图的得分序列,即时间延迟τ和S(τ)的关系曲线:
时间延迟为自变量,因变量即为该时间延迟下被特征气候因子影响的CME分数S(τ)。得分对应在时间序列的该类型脑血管疾病在该时间延迟下被特征气候因子影响的程度,因此可预测的未来一段时间内的发病风险程度何时处于顶峰以及何时比较大,从而作为风险预警测的根据,做好相关准备,给予脑血管疾病高危发病患者充分的药物干预和治疗。
Claims (5)
1.基于气候因素的脑血管疾病高危人群风险预测方法,其特征在于该方法具体是:
步骤(1).数据采集和预处理;包括:
数据采集:数据包括气候数据和病人数据;
气候数据预处理:根据已有的气候数据,筛选出所需的气候因子,剔除空缺数据、无效数据,构建气候因子库;所述的气候因子包括温度、大气压强、湿度、空气质量;
病人数据预处理:按照脑血管疾病类型划分,病人数据分为脑出血病人数据、脑梗死病人数据、癫痫病人数据三种类型,将空白记录、数据不可用记录、重复记录筛选剔除;
步骤(2).划分气候因子指标:将气候数据处理划分成为各个气候因子指标,包括平均气压X1、平均最高气压X2、平均最低气压X3、平均气温X4、平均最高气温X5、平均最低气温X6、平均相对湿度X7、平均最高相对湿度X8、平均最低相对湿度X9;
步骤(3).筛选影响显著气候因子指标:
首先,建立病人数据与气候因子指标的时序连接,将病人的入院时间与天气记录的时间对应,连接后得到以时间为单位的每一天的气候状况和病人数量;
然后,分别计算各类型脑血管疾病的病人数量和各个气候因子指标的相关性,对于一种类型脑血管疾病,取相关系数r最高的气候因子指标,作为该类型脑血管疾病的特征气候因子指标;
Xi表示气候因子指标,i∈{1,2,3,4,5,6,7,8,9};Yj表示各类型脑血管疾病病人数量,j∈{1,2,3}表示脑血管疾病类型序号;ri,j(Xi,Yj)表示气候因子指标Xi与j类型脑血管疾病的病人数量之间的相关系数;
步骤(4).将各类型脑血管疾病的病人数量和对应的特征气候因子指标代入CME交叉地图评分框架,计算CME分数S(τ),得到时间延迟τ和S(τ)的关系曲线;
τ为一组时间延迟,τ={τ1,τ2,...,τm},m为时间延迟的个数;nz是延迟坐标z的嵌入维度,z(t)≡x(t-τ),x(t)即为特征气候因子的时间序列,表示z的估计值;函数trace{·}表示所有底层矩阵的对角元素的总和,对角矩阵∑z包含的对角元素为此时协方差矩阵E[·]为期望值;S(τ)即为在每个时间延迟τ1,τ2,...,τm上的得分;
步骤(5).在时间序列上,S(τ)最高的点所对应的时间点,即为预测的未来一段时间内的该类型脑血管疾病发病风险最高的时间点。
2.如权利要求1所述的基于气候因素的脑血管疾病高危人群风险预测方法,其特征在于步骤(4)具体方法是:
(4-1).给定两个时间序列,分别为特征气候因子指标的时间序列x(t)和某一类型的脑血管疾病病人数量的时间序列y(t);
x(t)=[x(t),x(t-δt),...,x(t-(n-1)δt)];
y(t)=[y(t),y(t-δt),...,y(t-(n-1)δt)];
n是嵌入维度,δt表示时间间隔;
(4-2).给定一组时间延迟τ={τ1,τ2,...,τm};
(4-3).对于每个时间延迟τi,z(t)=x(t-τi)和y(t)形成集合MZ和MY,其中:
(4-4).MY上每个坐标点y(t)∈MY,表示每个时刻的病人数量情况,找到K个最近邻居y(tk),代表相邻K个时刻的病人数量情况,映射到K个同时刻的MZ中,z(tk)∈MZ,即为相同时刻的气候情况,k=1,2,...,K;
3.如权利要求1或2所述的基于气候因素的脑血管疾病高危人群风险预测方法,其特征在于:时间延迟的个数28≤m≤92。
4.如权利要求2所述的基于气候因素的脑血管疾病高危人群风险预测方法,其特征在于:时间间隔0<δt≤1。
5.如权利要求2所述的基于气候因素的脑血管疾病高危人群风险预测方法,其特征在于:K=3~15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044448.9A CN111180073A (zh) | 2020-01-15 | 2020-01-15 | 基于气候因素的脑血管疾病高危人群风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044448.9A CN111180073A (zh) | 2020-01-15 | 2020-01-15 | 基于气候因素的脑血管疾病高危人群风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111180073A true CN111180073A (zh) | 2020-05-19 |
Family
ID=70652790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010044448.9A Pending CN111180073A (zh) | 2020-01-15 | 2020-01-15 | 基于气候因素的脑血管疾病高危人群风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111180073A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462073A (zh) * | 2020-11-03 | 2021-03-09 | 佛山市第一人民医院(中山大学附属佛山医院) | 一种血液学指标的数据处理方法及系统 |
CN112509685A (zh) * | 2020-12-31 | 2021-03-16 | 曜立科技(北京)有限公司 | 一种筛选手术方式的标准化的方法及系统 |
CN113380412A (zh) * | 2021-06-10 | 2021-09-10 | 山东健康医疗大数据有限公司 | 一种气象因素与心脑血管疾病的分析方法 |
CN113571201A (zh) * | 2021-08-09 | 2021-10-29 | 中国科学院地理科学与资源研究所 | 一种流行性呼吸系统疾病发病人数和上升趋势预测方法 |
CN114334038A (zh) * | 2021-12-31 | 2022-04-12 | 杭州师范大学 | 一种基于异质网络嵌入模型的疾病药物预测方法 |
CN114334038B (zh) * | 2021-12-31 | 2024-05-14 | 杭州师范大学 | 一种基于异质网络嵌入模型的疾病药物预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090024181A1 (en) * | 2007-05-18 | 2009-01-22 | Raghu Raghavan | Treatment simulator for brain diseases and method of use thereof |
US20170132816A1 (en) * | 2014-02-14 | 2017-05-11 | University Of Surrey | Delay coordinate analysis of periodic data |
US20170347906A1 (en) * | 2016-06-07 | 2017-12-07 | NeuroSteer Ltd. | Systems and methods for analyzing brain activity and applications thereof |
-
2020
- 2020-01-15 CN CN202010044448.9A patent/CN111180073A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090024181A1 (en) * | 2007-05-18 | 2009-01-22 | Raghu Raghavan | Treatment simulator for brain diseases and method of use thereof |
US20170132816A1 (en) * | 2014-02-14 | 2017-05-11 | University Of Surrey | Delay coordinate analysis of periodic data |
US20170347906A1 (en) * | 2016-06-07 | 2017-12-07 | NeuroSteer Ltd. | Systems and methods for analyzing brain activity and applications thereof |
Non-Patent Citations (5)
Title |
---|
HUANFEI MA,ETC.: "Detection of time delays and directional interactions based on time series from complex dynamical systems", 《PHYSICAL REVIEW E》, pages 1 - 8 * |
HUANFEI MA;SIYANG LENG;LUONAN CHEN;: "Data-based prediction and causality inference of nonlinear dynamics", SCIENCE CHINA(MATHEMATICS), no. 03 * |
刘方, 张金良, 陆晨: "我国气象因素与心脑血管疾病研究现状", 气象科技, no. 06 * |
吴弥漫, 杨沛群: "岭南地区心脑血管疾病与气候关系研究", 中医药学报, no. 05, pages 11 - 13 * |
王子荣;丁建平;戚乐;: "磁共振扩散成像技术在急性缺血性脑血管疾病诊断中的应用效果分析", 中国现代医生, no. 28 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462073A (zh) * | 2020-11-03 | 2021-03-09 | 佛山市第一人民医院(中山大学附属佛山医院) | 一种血液学指标的数据处理方法及系统 |
CN112509685A (zh) * | 2020-12-31 | 2021-03-16 | 曜立科技(北京)有限公司 | 一种筛选手术方式的标准化的方法及系统 |
CN113380412A (zh) * | 2021-06-10 | 2021-09-10 | 山东健康医疗大数据有限公司 | 一种气象因素与心脑血管疾病的分析方法 |
CN113571201A (zh) * | 2021-08-09 | 2021-10-29 | 中国科学院地理科学与资源研究所 | 一种流行性呼吸系统疾病发病人数和上升趋势预测方法 |
CN114334038A (zh) * | 2021-12-31 | 2022-04-12 | 杭州师范大学 | 一种基于异质网络嵌入模型的疾病药物预测方法 |
CN114334038B (zh) * | 2021-12-31 | 2024-05-14 | 杭州师范大学 | 一种基于异质网络嵌入模型的疾病药物预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111180073A (zh) | 基于气候因素的脑血管疾病高危人群风险预测方法 | |
CN110634573A (zh) | 一种临床脑梗患者复发风险预警评分可视化模型系统及其评价方法 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
Younes et al. | Reliability of the American Academy of Sleep Medicine rules for assessing sleep depth in clinical practice | |
CN109452938B (zh) | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 | |
CN111493828A (zh) | 基于全卷积网络的序列到序列的睡眠障碍检测方法 | |
CN116612891B (zh) | 一种慢性病患者数据处理系统 | |
CN107348964B (zh) | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
Jin et al. | Classification of normal and abnormal ECG records using lead convolutional neural network and rule inference | |
CN113421654A (zh) | 创伤后失血性休克动态早期预警深度学习系统 | |
CN114758786A (zh) | 基于无创参数的创伤后失血性休克动态早期预警系统 | |
Pi | Gray level co-occurrence matrix and Schmitt neural network for Covid-19 diagnosis | |
CN116936104B (zh) | 一种基于人工智能的健康检测仪数据分析系统及方法 | |
CN106372425B (zh) | 一种基于症状比例r值的症状监测预警方法 | |
CN112906113A (zh) | 基于大数据和云计算的建筑主体工程质量安全监理分析预警方法 | |
CN111292852A (zh) | 基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统 | |
CN114847906A (zh) | 一种心电信号心率变异性特征提取方法 | |
Zhang et al. | Heart rate dynamics in patients with obstructive sleep apnea: heart rate variability and entropy | |
CN114664445A (zh) | 一种脑卒中复发风险患者用预测系统 | |
CN112820410A (zh) | 一种临床脑梗患者复发风险预警评分可视化模型系统及其评价方法 | |
CN110277171A (zh) | 失能人群测算方法及系统 | |
Rashed et al. | Long-Term quantitative assessment of women survivability from cancer: a unique descriptive analysis | |
CN112259231A (zh) | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 | |
Liu et al. | Fusion of whole night features and desaturation segments combined with feature extraction for event-level screening of sleep-disordered breathing |
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 |