CN111261288A - 一种基于bdnf早期识别双相障碍的方法 - Google Patents
一种基于bdnf早期识别双相障碍的方法 Download PDFInfo
- Publication number
- CN111261288A CN111261288A CN202010266717.6A CN202010266717A CN111261288A CN 111261288 A CN111261288 A CN 111261288A CN 202010266717 A CN202010266717 A CN 202010266717A CN 111261288 A CN111261288 A CN 111261288A
- Authority
- CN
- China
- Prior art keywords
- bipolar disorder
- score
- auxiliary
- data
- data set
- 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
- G16H50/20—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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及临床医学精神病检测技术领域,具体的讲是一种基于BDNF早期识别双相障碍的方法,数据获取模块获取检测数据集,数据提取模块将其分为预测模型数据集和辅助模型数据集,双相障碍发病风险预测模型对预测模型数据集进行,获得双相障碍发病风险预测概率值,双相障碍辅助诊断模型对辅助模型数据集进行处理,获得双相障碍辅助诊断概率值,通过两个概率值可以明确的看到患者罹患双相障碍的概率,极大的避免了误诊的发生,医生可以利用本发明在较短的时间内确定适合的治疗方案,从而缩短了诊疗时间,提高了工作效率与诊疗方案的准确性;同时作为病患或者病患家属也可以利用本发明对自身或者病患进行自我判断,从而改善疾病的预后。
Description
技术领域
本发明涉及临床医学精神病检测技术领域,具体的讲是一种基于BDNF早期识别双相障碍的方法。
背景技术
精神障碍是由于大脑活动紊乱所造成的中枢神经系统功能失调,临床表现为认知、情感、意志及行为等的异常。随着社会的发展,竞争机制与日剧增,各类精神卫生问题将更加突出。精神疾病已成为严重且耗资巨大的全球性公共卫生问题,影响着不同年龄、不同文化、不同社会经济地位的人群。
双相障碍是一类比较常见且严重的重性精神疾病,以情绪高低起伏为主要特征,具有慢性反复发作的特点。双相障碍患者的情绪状态主要包括(轻)躁狂发作期、抑郁发作期、混合状态发作期、环性情感期和缓解期。因绝大多数双相障碍患者首发为抑郁状态,且患者约70%的发作时间都表现为抑郁,并且处于躁狂期的时间很短,双相障碍不易被医生和患者识别。并且双相障碍抑郁发作期临床表现与抑郁症有很多相似性,在不能明确躁狂发作或混合发作的前提下,诊断双相障碍较为困难。目前临床实践中精神科医师主要依靠主观性较强的临床访谈进行诊断,容易误诊为单纯的抑郁症,这不仅会延误治疗,而且由于不当使用抗抑郁剂还有可能导致患者从抑郁发作转向躁狂发作,造成巨大的医疗资源浪费和家庭生活负担。如何早期识别并预测双相障碍发生成为了精神医学的重点难题。
目前双相障碍早期诊断的生物学标记物研究主要集中于血液学、遗传学、影像学等基础研究,且结果不一致,导致这些研究在实际临床应用中尚有距离。
在研究中发现,BDNF(脑源性神经营养因子)在抑郁障碍和双相障碍存在不同表达,这可能与表观遗传学和蛋白表达等因素有关,基于该点,设计一种基于BDNF早期识别双相障碍的方法及系统是十分有必要的。
发明内容
本发明突破了现有技术的难题,设计了一种通过检测抑郁发作患者的BDNF可以预测双相障碍发病风险、辅助诊断双相障碍得病概率达到早期识别双相障碍的方法及系统。
为了达到上述目的,本发明设计了一种基于BDNF早期识别双相障碍的方法,其特征在于:按如下步骤进行:
S1数据获取模块从外部获取检测数据集;
S2数据提取模块将检测数据集进行分类,分为预测模型数据集和辅助模型数据集;
S3双相障碍发病风险预测模型获取预测模型数据集,并进行数据处理,获得双相障碍发病风险预测概率值;
S4双相障碍辅助诊断模型获取辅助模型数据集,并进行数据处理,获得双相障碍辅助诊断概率值;
S5结果显示模块获取双相障碍发病风险预测概率值、双相障碍辅助诊断概率值进行显示。
进一步的,S1中获取的检测数据集包括年龄、血浆mRNA(信使RNA)水平、BDNF水平、mBDNF(成熟型脑源性神经营养因子)水平、proBDNF(脑源性神经营养因子前体)水平。
进一步的,S2中预测模型数据集包括年龄、BDNF水平、血浆mRNA水平;辅助模型数据集包括年龄、mBDNF水平、proBDNF水平。
进一步的,S3中双相障碍发病风险预测模型进行的数据处理的具体方法如下:
S31对BDNF水平进行预处理,获得lnBDNF;
S33根据mRNA-分值计算公式:mRNA分数=124-血浆mRNA水平×8300,获取mRNA分数;
S34根据lnBDNF-分值计算公式:lnBDNF分数=lnBDNF×33-58,获取lnBDNF分数;
S35将获得的年龄分数一、mRNA分数、lnBDNF分数相加,获得双相障碍发病风险预测总分;
S36根据双相障碍发病风险预测总分-概率值换算表获得双相障碍发病风险预测概率值。
进一步的,S4中双相障碍辅助诊断模型进行的数据处理的具体方法如下:
S42根据年龄-分值计算公式二:年龄分数二=(年龄-15)×0.42,获取年龄分数二;
S43根据MPratio-分值计算公式:MPratio分数=100-MPratio×8,获取MPratio分数;
S44将获得的年龄分数二与MPratio分数相加,获得双相障碍辅助诊断总分;
S45根据双相障碍辅助诊断总分-概率值换算表获得双相障碍辅助诊断概率值。
本发明还设计了一种基于BDNF早期识别双相障碍的方法的系统,其特征在于:包括数据获取模块、数据提取模块、双相障碍发病风险预测模型、双相障碍辅助诊断模型、结果显示模块;
数据获取模块用于访问/获取外部实际检测数据集,其中包括1个数据提取单元和多个数据分类单元,数据提取单元与每个数据分类单元之间利用数据传输通道相连;
双相障碍发病风险预测模型用于预测双相障碍发病的风险概率;
双相障碍辅助诊断模型用于计算双相障碍诊断辅助概率;
用于外显双相障碍发病风险预测概率值、双相障碍辅助诊断概率值的结果显示模块。
进一步的,双相障碍发病风险预测模型包括:用于预先处理预测模型数据集中部分数据的预测数据预处理单元、用于计算预处理后的预测数据及预测模型数据集中剩余的每个数据所获分数的预测数据计算单元、用于求和预测数据计算结果的预测分数整合单元、用于换算预测总分与概率值的预测概率获取单元。
进一步的,双相障碍辅助诊断模型包括:用于预先处理辅助模型数据集中部分数据的辅助数据预处理单元、用于计算预处理后的辅助数据以及辅助模型数据集中剩余的每个数据所获分数的辅助数据计算单元、用于求和辅助数据计算结果的辅助分数整合单元、用于换算辅助总分与概率值的辅助概率获取单元。
本发明与现有技术相比,本发明通过对BDNF的检测与计算,得到双相障碍发病风险预测概率值、双相障碍辅助诊断概率值,可以明确的显示出患者罹患双相障碍的概率,极大的避免了误诊的发生,而且医生可以利用本发明在较短的时间内确定适合的治疗方案,从而缩短了诊疗时间,提高了工作效率与诊疗方案的准确性;同时作为病患或者病患家属也可以利用本发明对自身或者病患进行自我判断,从而改善疾病的预后。
附图说明
图1为本发明一实施例中所述的基于BDNF早期识别双相障碍的方法的流程示意图。
图2为本发明一实施例中所述的双相障碍发病风险预测模型进行的数据处理的方法的流程示意图。
图3为本发明一实施例中所述的双相障碍辅助诊断模型进行的数据处理的方法的流程示意图。
图4为本发明一实施例中所述的基于BDNF早期识别双相障碍的方法的系统结构示意图。
图5为本发明一实施例中所述的双相障碍发病风险预测模型的结构示意图。
图6为本发明一实施例中所述的双相障碍辅助诊断模型的结构示意图。
图7为本发明一实施例中所述的双相障碍发病风险预测模型的测试卡。
图8为本发明一实施例中所述的双相障碍辅助诊断模型的测试卡。
其中,1为数据获取模块,2为双相障碍发病风险预测模型,3为双相障碍辅助诊断模型,4为结果显示模块,1-1为数据提取单元,1-2为数据分类单元,2-1为预测数据预处理单元,2-2为预测数据计算单元,2-3为预测分数整合单元,2-4为预测概率获取单元,3-1为辅助数据预处理单元,3-2为辅助数据计算单元,3-3为辅助分数整合单元,3-4为辅助概率获取单元。
具体实施方式
下面结合附图对本发明作进一步描述,但不作为对本发明的限定。
参见图1-3,本发明设计了一种基于BDNF早期识别双相障碍的方法,按如下步骤进行:
S1数据获取模块1从外部获取包括年龄、血浆mRNA水平、BDNF水平、mBDNF水平、proBDNF水平等检测数据集,其中血浆mRNA水平、BDNF水平、mBDNF水平、proBDNF水平为患者在本次抑郁发作采样后的检查结构,为横断面数据;
S2数据提取模块将检测数据集进行分类,分为预测模型数据集和辅助模型数据集,其中预测模型数据集包括年龄、BDNF水平、血浆mRNA水平;辅助模型数据集包括年龄、mBDNF水平、proBDNF水平;
S3双相障碍发病风险预测模型2获取预测模型数据集,并进行数据处理,具体处理方法如下:
S31对BDNF水平进行预处理,获得lnBDNF;
S33根据mRNA-分值计算公式:mRNA分数=124-血浆mRNA水平×8300,获取mRNA分数;
S34根据lnBDNF-分值计算公式:lnBDNF分数=lnBDNF×33-58,获取lnBDNF分数;
S35将获得的年龄分数一、mRNA分数、lnBDNF分数相加,获得双相障碍发病风险预测总分;
S36根据双相障碍发病风险预测总分-概率值换算表获得双相障碍发病风险预测概率值;
S4双相障碍辅助诊断模型3获取辅助模型数据集,并进行数据处理,具体处理方法如下:
S42根据年龄-分值计算公式二:年龄分数二=(年龄-15)×0.42,获取年龄分数二;
S43根据MPratio-分值计算公式:MPratio分数=100-MPratio×8,获取MPratio分数;
S44将获得的年龄分数二与MPratio分数相加,获得双相障碍辅助诊断总分;
S45根据双相障碍辅助诊断总分-概率值换算表获得双相障碍辅助诊断概率值;
S5结果显示模块4获取双相障碍发病风险预测概率值、双相障碍辅助诊断概率值进行显示。
相应的,S36中所述的双相障碍发病风险预测总分-概率值换算表参见表1-1。
表1-1双相障碍发病风险预测总分-概率值换算表
从上表可以看出当所得分数小于100分时,双相障碍发病风险预测概率值小于10%,不计具体数值,可以判断该患者双相障碍发病风险概率极低;当所得分数大于122分时,双相障碍发病风险预测概率值大于95%,不计具体数值,可以判断该患者双相障碍发病风险概率极高,而分数在100~122分之间,则按照就高原则从表1-1获取概率。
相应的,S45中所述的双相障碍辅助诊断总分-概率值换算表参见表1-2。
表1-2双相障碍辅助诊断总分-概率值换算表
从上表可以看出当所得分数大于100分时,双相障碍辅助诊断概率值大于96%,不计具体数值,可以判断该患者患有双相障碍的概率极高;当所得分数小于50分时,双相障碍辅助诊断概率值小于8%,不计具体数值,可以判断该患者患有双相障碍的概率极低;分数在50~100分之间,则按照就高原则从表1-2获取概率。
参见图4-6,本发明还设计了一种基于BDNF早期识别双相障碍的方法的系统,包括数据获取模块1、数据提取模块、双相障碍发病风险预测模型2、双相障碍辅助诊断模型3、结果显示模块4;
数据获取模块1用于访问/获取外部实际检测数据集,其中包括1个数据提取单元1-1和多个数据分类单元1-2,数据提取单元1-1与每个数据分类单元1-2之间利用数据传输通道相连;
双相障碍发病风险预测模型2用于预测双相障碍发病的风险概率;
双相障碍辅助诊断模型3用于计算双相障碍诊断辅助概率;
用于外显双相障碍发病风险预测概率值、双相障碍辅助诊断概率值的结果显示模块4。
相应的,双相障碍发病风险预测模型2包括:用于预先处理预测模型数据集中部分数据的预测数据预处理单元2-1、用于计算预处理后的预测数据及预测模型数据集中剩余的每个数据所获分数的预测数据计算单元2-2、用于求和预测数据计算结果的预测分数整合单元2-3、用于换算预测总分与概率值的预测概率获取单元2-4。
相应的,双相障碍辅助诊断模型3包括:用于预先处理辅助模型数据集中部分数据的辅助数据预处理单元3-1、用于计算预处理后的辅助数据以及辅助模型数据集中剩余的每个数据所获分数的辅助数据计算单元3-2、用于求和辅助数据计算结果的辅助分数整合单元3-3、用于换算辅助总分与概率值的辅助概率获取单元3-4。
在具体实施中,为了方便携带,参见图7和图8,本发明还包括双相障碍发病风险预测测试卡和双相障碍辅助诊断测试卡,在使用中,非专业人员可以快速的、直接的利用数值对应的方法得知自己的患病概率。
相应的,参见图7,双相障碍发病风险预测测试卡包括分数行、年龄行、mRNA数值行、lnBDNF数值行、总分行、概率行。
其中,分数行从0分起始到100分终止,每10分划分一个大间隔,每个大间隔再等分成4个小间隔,每个小间隔代表2.5分。
其中,年龄行从18岁起始到38岁终止,每1岁划分一个间隔,18岁刻度对应分数行的0分刻度,38岁刻度对应分数行6分刻度。
其中,mRNA数值行从0.015起始倒数到0.003终止,每0.001划分一个间隔,0.015刻度对应0分刻度,0.003刻度对应100分刻度。
其中,lnBDNF数值行从1.8起始到3.8终止,每0.2划分一个间隔,1.8刻度对应0分刻度,3.8刻度对应67.5分刻度。
其中,总分行从0分起始到130分终止,每10分划分一个大间隔,每个大间隔中等距分5个小间隔,每个间隔代表2分。
其中,概率行从0.1起始到0.95终止,0.1对应总分行的98分刻度,0.95对应总分行的122分刻度。
相应的,参见图8,双相障碍辅助诊断测试卡包括分数行、年龄行、MPratio数值行、总分行、概率行。
其中,分数行与双相障碍发病风险预测测试卡的分数行相同。
其中,年龄行则从15岁起始到45岁终止,15岁刻度对应分数行0分刻度,45岁刻度对应分数行12.5分刻度。
其中,MPratio数值行从12起始倒数到0结束,共划分12个间隔,12刻度对应分数行0分刻度,0刻度对应分数行100分刻度。
其中,总分行从0起始到110分终止,每10分为一个大间隔,每个大间隔中等分5个小间隔,每个小间隔代表2分。
其中,概率行从0.01起始到0.95终止,0.01刻度对应总分行26分刻度,0.1刻度对应总分行50分刻度,0.95刻度对应总分行100分刻度。
对于抑郁发作明确既往无(轻)躁狂或者混合发作病史就诊患者,可以通过该系统预测双相障碍的发生风险。对于抑郁发作既往(轻)躁狂发作或者混合发作不清楚的患者,可以筛选出双相障碍的病人和具有潜在双相特征的病人,从而提示和帮助经治医师采用适当的治疗方案。对于精神检查为双相障碍病人通过该系统辅助诊断双相障碍,避免因误诊而影响治疗结局。
专科医生或者非专科医生均可以通过血浆脑源性神经营养因子mRNA和蛋白的检测结果,在短时间内区分双相障碍和抑郁症,以及预测双相障碍的发病风险,从而缩短诊疗时间,提高了工作效率和诊疗方案的准确性,并给予针对性治疗。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明方法的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (8)
1.一种基于BDNF早期识别双相障碍的方法,其特征在于:按如下步骤进行:
S1数据获取模块(1)从外部获取检测数据集;
S2数据提取模块将检测数据集进行分类,分为预测模型数据集和辅助模型数据集;
S3双相障碍发病风险预测模型(2)获取预测模型数据集,并进行数据处理,获得双相障碍发病风险预测概率值;
S4双相障碍辅助诊断模型(3)获取辅助模型数据集,并进行数据处理,获得双相障碍辅助诊断概率值;
S5结果显示模块(4)获取双相障碍发病风险预测概率值、双相障碍辅助诊断概率值进行显示。
2.根据权利要求1所述的一种基于BDNF早期识别双相障碍的方法,其特征在于:S1中获取的检测数据集包括年龄、血浆mRNA水平、BDNF水平、mBDNF水平、proBDNF水平。
3.根据权利要求1所述的一种基于BDNF早期识别双相障碍的方法,其特征在于:S2中预测模型数据集包括年龄、BDNF水平、血浆mRNA水平;辅助模型数据集包括年龄、mBDNF水平、proBDNF水平。
4.根据权利要求1所述的一种基于BDNF早期识别双相障碍的方法,其特征在于:S3中双相障碍发病风险预测模型(2)进行的数据处理的具体方法如下:
S31对BDNF水平进行预处理,获得lnBDNF;
S33根据mRNA-分值计算公式:mRNA分数=124-血浆mRNA水平×8300,获取mRNA分数;
S34根据lnBDNF-分值计算公式:lnBDNF分数=lnBDNF×33-58,获取lnBDNF分数;
S35将获得的年龄分数一、mRNA分数、lnBDNF分数相加,获得双相障碍发病风险预测总分;
S36根据双相障碍发病风险预测总分-概率值换算表获得双相障碍发病风险预测概率值。
6.根据权利要求1-5任一项所述的一种基于BDNF早期识别双相障碍的方法的系统,其特征在于:包括数据获取模块(1)、数据提取模块、双相障碍发病风险预测模型(2)、双相障碍辅助诊断模型(3)、结果显示模块(4);
数据获取模块(1)用于访问/获取外部实际检测数据集,其中包括1个数据提取单元(1-1)和多个数据分类单元(1-2),数据提取单元(1-1)与每个数据分类单元(1-2)之间利用数据传输通道相连;
双相障碍发病风险预测模型(2)用于预测双相障碍发病的风险概率;
双相障碍辅助诊断模型(3)用于计算双相障碍诊断辅助概率;
用于外显双相障碍发病风险预测概率值、双相障碍辅助诊断概率值的结果显示模块(4)。
7.根据权利要求6所述的一种基于BDNF早期识别双相障碍的方法的系统,其特征在于:所述双相障碍发病风险预测模型(2)包括:用于预先处理预测模型数据集中部分数据的预测数据预处理单元(2-1)、用于计算预处理后的预测数据及预测模型数据集中剩余的每个数据所获分数的预测数据计算单元(2-2)、用于求和预测数据计算结果的预测分数整合单元(2-3)、用于换算预测总分与概率值的预测概率获取单元(2-4)。
8.根据权利要求6所述的一种基于BDNF早期识别双相障碍的方法的系统,其特征在于:所述双相障碍辅助诊断模型(3)包括:用于预先处理辅助模型数据集中部分数据的辅助数据预处理单元(3-1)、用于计算预处理后的辅助数据以及辅助模型数据集中剩余的每个数据所获分数的辅助数据计算单元(3-2)、用于求和辅助数据计算结果的辅助分数整合单元(3-3)、用于换算辅助总分与概率值的辅助概率获取单元(3-4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266717.6A CN111261288A (zh) | 2020-04-07 | 2020-04-07 | 一种基于bdnf早期识别双相障碍的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266717.6A CN111261288A (zh) | 2020-04-07 | 2020-04-07 | 一种基于bdnf早期识别双相障碍的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111261288A true CN111261288A (zh) | 2020-06-09 |
Family
ID=70955347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010266717.6A Pending CN111261288A (zh) | 2020-04-07 | 2020-04-07 | 一种基于bdnf早期识别双相障碍的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111261288A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080081334A1 (en) * | 2006-08-04 | 2008-04-03 | Universidad Del Pais Vasco | Methods for diagnosis and pronostic of psychiatric diseases |
WO2012113819A1 (en) * | 2011-02-23 | 2012-08-30 | Pangaea Biotech, S.L. | Molecular biomarkers for predicting response to antitumor treatment in lung cancer |
CN108764541A (zh) * | 2018-05-16 | 2018-11-06 | 天津大学 | 一种结合时空特征和误差处理的风能预测方法 |
CN109431521A (zh) * | 2018-10-12 | 2019-03-08 | 西北工业大学 | 一种基于音视频信息的多模态双相抑郁障碍自动检测方法 |
CN109858454A (zh) * | 2019-02-15 | 2019-06-07 | 东北大学 | 一种基于双模型自适应核相关滤波追踪方法 |
CN110263937A (zh) * | 2019-06-18 | 2019-09-20 | 深圳市腾讯网域计算机网络有限公司 | 一种数据处理方法、设备及存储介质 |
CN110634573A (zh) * | 2019-09-27 | 2019-12-31 | 南昌大学第一附属医院 | 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 |
CN110674726A (zh) * | 2019-09-20 | 2020-01-10 | 清华大学 | 基于目标检测与迁移学习的皮肤病辅助诊断方法及系统 |
CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
US20210035689A1 (en) * | 2018-04-17 | 2021-02-04 | Bgi Shenzhen | Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium |
-
2020
- 2020-04-07 CN CN202010266717.6A patent/CN111261288A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080081334A1 (en) * | 2006-08-04 | 2008-04-03 | Universidad Del Pais Vasco | Methods for diagnosis and pronostic of psychiatric diseases |
WO2012113819A1 (en) * | 2011-02-23 | 2012-08-30 | Pangaea Biotech, S.L. | Molecular biomarkers for predicting response to antitumor treatment in lung cancer |
US20210035689A1 (en) * | 2018-04-17 | 2021-02-04 | Bgi Shenzhen | Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium |
CN108764541A (zh) * | 2018-05-16 | 2018-11-06 | 天津大学 | 一种结合时空特征和误差处理的风能预测方法 |
CN109431521A (zh) * | 2018-10-12 | 2019-03-08 | 西北工业大学 | 一种基于音视频信息的多模态双相抑郁障碍自动检测方法 |
CN109858454A (zh) * | 2019-02-15 | 2019-06-07 | 东北大学 | 一种基于双模型自适应核相关滤波追踪方法 |
CN110263937A (zh) * | 2019-06-18 | 2019-09-20 | 深圳市腾讯网域计算机网络有限公司 | 一种数据处理方法、设备及存储介质 |
CN110674726A (zh) * | 2019-09-20 | 2020-01-10 | 清华大学 | 基于目标检测与迁移学习的皮肤病辅助诊断方法及系统 |
CN110634573A (zh) * | 2019-09-27 | 2019-12-31 | 南昌大学第一附属医院 | 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 |
CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elbaz et al. | Risk tables for parkinsonism and Parkinson's disease | |
Bagby et al. | Are there subtypes of alexithymia? | |
Jason et al. | Measuring substantial reductions in functioning in patients with chronic fatigue syndrome | |
Sigrist et al. | Early life maltreatment and resting-state heart rate variability: A systematic review and meta-analysis | |
Smith et al. | Measuring health status: self-, interviewer, and physician reports of overall health | |
Drenkard et al. | Racial disparities in the incidence of primary chronic cutaneous lupus erythematosus in the southeastern us: the Georgia lupus registry | |
US20150046176A1 (en) | System and method for improving neurologist's workflow on alzeimer's disease | |
Nao et al. | Adverse effects of the apolipoprotein E ε4 allele on episodic memory, task switching and gray matter volume in healthy young adults | |
EP3653109A1 (en) | Aggravation estimation device and aggravation estimation program | |
Qin et al. | Risk classification for conversion from mild cognitive impairment to Alzheimer's disease in primary care | |
Theme Filha et al. | Measurements of reported morbidity and interrelationships with health dimensions | |
Ladapo et al. | Clinical utility of a precision medicine test evaluating outpatients with suspected obstructive coronary artery disease | |
Shirole et al. | Cardiac, diabetic and normal subjects classification using decision tree and result confirmation through orthostatic stress index | |
Sikka et al. | Inconsistencies with screening for traumatic brain injury in spinal cord injury across the continuum of care | |
Farzanehfar et al. | Sensor measurements can characterize fluctuations and wearing off in Parkinson’s disease and guide therapy to improve motor, non-motor and quality of life scores | |
JP2011138376A (ja) | 診断支援システム | |
Tanguay-Sabourin et al. | A data-driven biopsychosocial framework determining the spreading of chronic pain | |
Nishita et al. | Temporal trends in cognitive function among community-dwelling older adults in Japan: Findings from the ILSA-J integrated cohort study | |
CN111261288A (zh) | 一种基于bdnf早期识别双相障碍的方法 | |
WO2023216293A1 (zh) | 预测痴呆症或轻度认知障碍的系统和方法 | |
Gupta et al. | X-ECGNet: an interpretable DL model for stress detection using ECG in COVID-19 healthcare workers | |
TW201629892A (zh) | 生理監控回饋系統及其運作方法 | |
CN116052877A (zh) | 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法 | |
CN115101204A (zh) | 一种基于血液生化指标量化评估抑郁症风险的模型、设备及存储介质 | |
CN111938652A (zh) | 人工智能诊断模式在支气管哮喘早期诊断中的应用 |
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 |