CN111297329B - 预测糖尿病患者心血管并发症动态发病风险的方法及系统 - Google Patents

预测糖尿病患者心血管并发症动态发病风险的方法及系统 Download PDF

Info

Publication number
CN111297329B
CN111297329B CN202010113678.6A CN202010113678A CN111297329B CN 111297329 B CN111297329 B CN 111297329B CN 202010113678 A CN202010113678 A CN 202010113678A CN 111297329 B CN111297329 B CN 111297329B
Authority
CN
China
Prior art keywords
model
longitudinal
risk
predicting
cardiovascular complications
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
CN202010113678.6A
Other languages
English (en)
Other versions
CN111297329A (zh
Inventor
孙宏鹏
王从菊
崔志贞
曹桂珍
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN202010113678.6A priority Critical patent/CN111297329B/zh
Publication of CN111297329A publication Critical patent/CN111297329A/zh
Application granted granted Critical
Publication of CN111297329B publication Critical patent/CN111297329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种预测糖尿病患者心血管并发症动态发病风险的方法及系统,包括：从多个卫生系统中收集、整合糖尿病人群的公共卫生数据；构建贝叶斯多变量联合模型并对所述模型进行评估；利用评估后的模型对个体进行预测。本发明可以达到预防并阻止病情发展的目的。

Description

预测糖尿病患者心血管并发症动态发病风险的方法及系统
技术领域
本发明涉及预测发病风险的技术领域，尤其是指一种预测糖尿病患者心血管并发症动态发病风险的方法及系统。
背景技术
从20世纪70年代开始，多个国家和地区开展了大规模的心血管疾病风险因素的研究，并先后推出了多个心血管疾病风险评估方法，如英国前瞻性糖尿病预测模型，该模型用Cox比例风险模型建立，通过糖尿病患者的性别、糖尿病诊断年龄、吸烟情况，以及收缩压、胆固醇、低密度脂蛋白、糖化血红蛋白的值，预测2型糖尿病患者的冠心病发病风险，健康经济学家、临床医生和糖尿病患者等可免费使用模型的软件包。
现有的糖尿病并发症预测模型使用患者的横断面信息进行预测，没有考虑患者预测变量的动态变化(如多次测量的血糖值)和累计效应，对于变化的生理指标，预测风险不能动态的更新。另外，国外这些预测模型的建立基于已有的研究队列人群，由于这些人群和中国人群有较大的种族差异和并发症流行率的差异，导致人群的基线发病风险不同，使这些模型不适用于中国糖尿病人群的并发症预测。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中无法对个体进行心血管疾病风险动态预测的问题，从而提供一种对个体进行心血管疾病风险动态预测，以达到预防并阻止病情发展目的的预测糖尿病患者心血管并发症动态发病风险的方法及系统。
为解决上述技术问题，本发明的一种预测糖尿病患者心血管并发症动态发病风险的方法，包括：从多个卫生系统中收集、整合糖尿病人群的公共卫生数据；构建贝叶斯多变量联合模型并对所述模型进行评估；利用评估后的模型对个体进行预测。
在本发明的一个实施例中，所述的公共卫生数据包括不同时间多次重复测量的血糖、血压、血脂、尿酸等纵向指标，冠心病、脑卒中等心血管疾病是否发病及发病时间的结局变量。
在本发明的一个实施例中，所述数据将通过身份证号利用软件SAS进行匹配、整合。
在本发明的一个实施例中，所述构建贝叶斯多变量联合模型的方法为：假设在多个时间点收集的糖尿病患者的纵向变量，与发生心血管并发症有关，使用贝叶斯多变量联合模型拟合纵向数据和结局数据，所述联合模型包括纵向子模型和生存子模型，其中所述纵向子模型采用线性混合效应模型，所述生存子模型采用COX比例风险回归模型。
在本发明的一个实施例中，所述纵向子模型公式：yki(t)＝xki(t)βk+zki(t)bki，其中yki(t)表示在时刻t第i个糖尿病患者的第k个变量的变量值，xki(t)和zki(t)分别是固定效应βk和随机效应bki的系数。
在本发明的一个实施例中，所述生存子模型公式：hi(t)＝h0(t)exp[γ·wi(t)+α·fi *(Ti)]，其中hi(t)表示第i个糖尿病患者在时刻t患心血管疾病的风险函数，h0(t)表示基线风险函数，wi(t)是协变量，相应的系数是γ，fi *(Ti)是与纵向变量相关得函数，关联参数α将两个子模型联系起来，假设生存结局与纵向变量在时点的期望值、在时点的变化趋势、在全部时间的累计效应有关。
在本发明的一个实施例中，所述模型的拟合用软件的程序包进行。
在本发明的一个实施例中，对所述模型进行评估的方法为：模型拟合优度评价采用对数似然函数值、AIC信息准则和BIC信息准则，当所述AIC信息准则和BIC信息准则数值越小，而所述对数似然函数值越大，表示模型拟合越好。
在本发明的一个实施例中，所述对个体进行预测时，对糖尿病患者心血管并发症发病风险有影响的是全部时间空腹血糖的累计效应、全部时间收缩压的累计效应、最近一次检查的尿酸值，以及糖尿病患者的性别、糖尿病诊断时间、身体质量指数。
本发明还提供了一种预测糖尿病患者心血管并发症动态发病风险的系统，包括：数据收集模块，用于从多个卫生系统中收集、整合糖尿病人群的公共卫生数据；构建模型模块，用于构建贝叶斯多变量联合模型并对所述模型进行评估；构建模型模块，用于构建贝叶斯多变量联合模型并对所述模型进行评估。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的预测糖尿病患者心血管并发症动态发病风险的方法及系统，通过糖尿病不良结局心血管疾病的动态发病风险预测，社区糖尿病人群能够及时获知自己的心血管疾病发生风险，使其意识到疾病的严重性和易感性，促使糖尿病患者主动寻求自我管理及提高遵医嘱依从性，进而预防并阻止病情的发展，是降低其发生、促使其向良好的结局转归、减少疾病负担的关键。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明预测糖尿病患者心血管并发症动态发病风险的方法流程图；
图2是本发明某糖尿病患者的心血管疾病的发生风险的示意图。
具体实施方式
实施例一
如图1所示，本实施例提供一种预测糖尿病患者心血管并发症动态发病风险的方法，包括如下步骤：步骤S1：从多个卫生系统中收集、整合糖尿病人群的公共卫生数据；步骤S2:构建贝叶斯多变量联合模型并对所述模型进行评估；步骤S3：利用评估后的模型对个体进行预测。
本实施例所述预测糖尿病患者心血管并发症动态发病风险的方法，所述步骤S1中，从多个卫生系统中收集、整合糖尿病人群的公共卫生数据，有利于适用于中国糖尿病人群的并发症预测；所述步骤S2中，构建贝叶斯多变量联合模型并对所述模型进行评估，从而有利于对个体进行心血管疾病风险动态预测，以达到预防并阻止病情发展的目的；所述步骤S3中，利用评估后的模型对个体进行预测，从而可以预测糖尿病患者心血管疾病的发生风险，由于通过基于建立的联合模型对个体进行心血管疾病风险动态预测，因此可以达到预防并阻止病情发展的目的。
为了实现对中国糖尿病人群的并发症预测，所述的公共卫生数据包括不同时间多次重复测量的血糖、血压、血脂、尿酸等纵向指标，冠心病、脑卒中等心血管疾病是否发病及发病时间的结局变量，由于使用预测人群重复测量的体检数据，考虑了预测变量的动态变化和累积效应，可以动态的更新预测风险。所述数据将通过身份证号利用软件SAS进行匹配、整合。
下面详细论述如何从多个卫生系统中收集、整合糖尿病人群的公共卫生数据：
对某市某区65周岁以上参加体检的糖尿病人群进行心血管并发症的动态风险预测：用到的卫生系统有体检数据库、慢性病管理数据库、糖尿病健康管理档案、死亡报告数据库。从体检数据库中提取不同时间多次重复测量的血糖、血压、血脂、尿酸等指标；糖尿病健康管理档案中提取血糖、用药等数据。需要收集的数据还包括慢性病发病数据库中的冠心病、脑卒中等是否发病及发病时间，以及死亡报告数据库中死因、发病时间、死亡时间等。所述数据将通过身份证号利用软件SAS进行匹配、整合。以上收集的数据分为纵向变量和结局变量进行分析，纵向变量包括动态变量(比如血糖、收缩压、尿酸等)和静态变量(比如性别、吸烟、饮酒)，结局变量是脑卒中、冠心病等心血管疾病是否发病和发病时间。
所述构建贝叶斯多变量联合模型的方法为：假设在多个时间点收集的糖尿病患者的纵向变量，与发生心血管并发症有关，使用贝叶斯多变量联合模型拟合纵向数据和结局数据，所述联合模型包括纵向子模型和生存子模型，其中所述纵向子模型采用线性混合效应模型，所述生存子模型采用COX比例风险回归模型。所述纵向子模型公式：yki(t)＝xki(t)βk+zki(t)bki，其中yki(t)表示在时刻t第i个糖尿病患者的第k个变量的变量值，xki(t)和zki(t)分别是固定效应βk和随机效应bki的系数。所述生存子模型公式：hi(t)＝h0(t)exp[γ·wi(t)+α·fi *(Ti)]，其中hi(t)表示第i个糖尿病患者在时刻t患心血管疾病的风险函数，h0(t)表示基线风险函数，wi(t)是协变量，相应的系数是γ，fi *(Ti)是与纵向变量相关得函数，关联参数α将两个子模型联系起来，假设生存结局与纵向变量在时点的期望值、在时点的变化趋势、在全部时间的累计效应有关。模型的拟合和个体预测用软件R的程序包“JMbayes”进行。
下面详细说明如何构建贝叶斯多变量联合模型：
假设在多个时间点收集的糖尿病患者的纵向变量，与发生糖尿病并发症心血管疾病有关，使用贝叶斯多变量联合模型拟合纵向数据和结局数据。模型的拟合用软件R的程序包“JMbayes”进行。先对空腹血糖、收缩压、舒张压、胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、尿酸、心率等变量拟合单变量联合模型，考虑变量的时点期望值、时点变化趋势和在全部时间的累计效应，结合单变量联合模型的结果拟合贝叶斯多变量联合模型。拟合好多变量联合模型，对糖尿病患者心血管并发症发病风险有影响的是全部时间空腹血糖的累计效应、全部时间收缩压的累计效应、最近一次检查的尿酸值，以及糖尿病患者的性别、糖尿病诊断时间、身体质量指数，公式为：h＝h0exp(γ1·qzage+γ2·BMI+γ3·sex+α1·y血糖+α2·y收缩压+α3·y尿酸)，h表示糖尿病患者患心血管疾病的风险函数，h0表示基线风险函数，qzage表示糖尿病诊断时间，BMI表示身体质量指数，sex表示性别，γ1、γ2、γ3是相应的系数，y血糖表示空腹血糖值，y收缩压表示收缩压的值，y尿酸表示尿酸的值，α1、α2、α3分别为对应的关联参数。
对所述模型进行评估的方法为：模型拟合优度评价采用对数似然函数值、AIC信息准则和BIC信息准则，当所述AIC信息准则和BIC信息准则数值越小，而所述对数似然函数值越大，表示模型拟合越好。用roc曲线下面积、brier分数、平均绝对误差评估模型的预测能力。
所述对个体进行预测时，对糖尿病患者心血管并发症发病风险有影响的是全部时间空腹血糖的累计效应、全部时间收缩压的累计效应、最近一次检查的尿酸值，以及糖尿病患者的性别、糖尿病诊断时间、身体质量指数。具体地，使用累计三个纵向变量(空腹血糖、收缩压和尿酸水平)数据和糖尿病患者心血管并发症的发生情况，建立了糖尿病患者心血管并发症动态发生风险的预测模型，利用所述模型预测1名糖尿病患者心血管疾病的发生风险，从图2中可以看到该名糖尿病患者的心血管疾病的发生风险。
实施例二
基于同一发明构思，本实施例提供了一种预测糖尿病患者心血管并发症动态发病风险的系统，其解决问题的原理与所述预测糖尿病患者心血管并发症动态发病风险的方法类似，重复之处不再赘述。
本实施例所述的预测糖尿病患者心血管并发症动态发病风险的系统包括：
数据收集模块，用于从多个卫生系统中收集、整合糖尿病人群的公共卫生数据；
构建模型模块，用于构建贝叶斯多变量联合模型并对所述模型进行评估；
预测模块，利用评估后的模型对个体进行预测。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (6)

1.一种预测糖尿病患者心血管并发症动态发病风险的系统，其特征在于，包括：
数据收集模块，用于从多个卫生系统中收集、整合糖尿病人群的公共卫生数据；
构建模型模块，用于构建贝叶斯多变量联合模型并对所述模型进行评估，所述构建贝叶斯多变量联合模型时：假设在多个时间点收集的糖尿病患者的纵向变量，与发生心血管并发症有关，使用贝叶斯多变量联合模型拟合纵向数据和结局数据，所述联合模型包括纵向子模型和生存子模型，其中所述纵向子模型采用线性混合效应模型，所述生存子模型采用COX比例风险回归模型，其中所述纵向子模型公式：yki(t)＝xki(t)βk+zki(t)bki，其中yki(t)表示在时刻t第i个糖尿病患者的第k个变量的变量值，xki(t)和zki(t)分别是固定效应βk和随机效应bki的系数；所述生存子模型公式：hi(t)＝h0(t)exp[γ·wi(t)+α·fi *(Ti)]，其中hi(t)表示第i个糖尿病患者在时刻t患心血管疾病的风险函数，h0(t)表示基线风险函数，wi(t)是协变量，相应的系数是γ，fi *(Ti)是与纵向变量相关得函数，关联参数α将两个子模型联系起来，假设生存结局与纵向变量在时点的期望值、在时点的变化趋势、在全部时间的累计效应有关；
预测模块，利用评估后的模型对个体进行预测。
2.根据权利要求1所述的预测糖尿病患者心血管并发症动态发病风险的系统，其特征在于：所述的公共卫生数据包括纵向指标和结局变量，所述纵向指标为不同时间多次重复测量的血糖、血压、血脂、尿酸，所述结局变量为冠心病、脑卒中心血管疾病是否发病及发病时间。
3.根据权利要求2所述的预测糖尿病患者心血管并发症动态发病风险的系统，其特征在于：所述公共卫生数据将通过身份证号利用软件SAS进行匹配、整合。
4.根据权利要求1所述的预测糖尿病患者心血管并发症动态发病风险的系统，其特征在于：所述纵向子模型和生存子模型的拟合用软件的程序包进行。
5.根据权利要求1所述的预测糖尿病患者心血管并发症动态发病风险的系统，其特征在于：模型拟合优度评价采用对数似然函数值、AIC信息准则和BIC信息准则，当所述AIC信息准则和BIC信息准则数值越小，而所述对数似然函数值越大，表示模型拟合越好。
6.根据权利要求1所述的预测糖尿病患者心血管并发症动态发病风险的系统，其特征在于：所述对个体进行预测时，对糖尿病患者心血管并发症发病风险有影响的是全部时间空腹血糖的累计效应、全部时间收缩压的累计效应、最近一次检查的尿酸值，以及糖尿病患者的性别、糖尿病诊断时间、身体质量指数。
CN202010113678.6A 2020-02-24 2020-02-24 预测糖尿病患者心血管并发症动态发病风险的方法及系统 Active CN111297329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010113678.6A CN111297329B (zh) 2020-02-24 2020-02-24 预测糖尿病患者心血管并发症动态发病风险的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010113678.6A CN111297329B (zh) 2020-02-24 2020-02-24 预测糖尿病患者心血管并发症动态发病风险的方法及系统

Publications (2)

Publication Number Publication Date
CN111297329A CN111297329A (zh) 2020-06-19
CN111297329B true CN111297329B (zh) 2023-05-12

Family

ID=71151089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010113678.6A Active CN111297329B (zh) 2020-02-24 2020-02-24 预测糖尿病患者心血管并发症动态发病风险的方法及系统

Country Status (1)

Country Link
CN (1) CN111297329B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037918B (zh) * 2020-11-02 2021-02-12 平安科技（深圳）有限公司 一种融合并发症风险的慢病医保费用预测方法及相关设备
CN112614595A (zh) * 2020-12-25 2021-04-06 联仁健康医疗大数据科技股份有限公司 生存分析模型的构建方法、装置、电子终端及存储介质
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
US20230046951A1 (en) * 2021-08-03 2023-02-16 National Chengchi University System and method for assessing risk of type 2 mellitus diabetes complications
CN113679348B (zh) * 2021-08-26 2024-02-06 深圳平安智慧医健科技有限公司 血糖预测方法、血糖预测装置、设备及存储介质
IT202200002372A1 (it) 2022-02-09 2023-08-09 Meteda Srl Metodo per la predizione dell'insorgenza di complicanze a breve-medio termine nel paziente diabetico e della loro stratificazione temporale

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2147315B1 (en) * 2007-04-18 2013-06-26 Tethys Bioscience, Inc. Diabetes-related biomarkers and methods of use thereof
US20100030035A1 (en) * 2008-08-04 2010-02-04 The Hong Kong Polytechnic University Fuzzy system for cardiovascular disease and stroke risk assessment
CN103150611A (zh) * 2013-03-08 2013-06-12 北京理工大学 Ii型糖尿病发病概率分层预测方法
EP2843415B1 (en) * 2013-08-30 2020-04-01 LURIC Datenbank GbR Methods for cardiovascular risk assessment in diabetes patients
WO2017076974A1 (en) * 2015-11-05 2017-05-11 Academisch Medisch Centrum Biomarker for risk stratification in cardiovascular disease
WO2018069487A1 (en) * 2016-10-14 2018-04-19 INSERM (Institut National de la Santé et de la Recherche Médicale) Methods and kits for predicting the risk of loss of renal function in patients with type 2 diabetes

Also Published As

Publication number Publication date
CN111297329A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111297329B (zh) 预测糖尿病患者心血管并发症动态发病风险的方法及系统
US20230082019A1 (en) Systems and methods for monitoring brain health status
Zarkogianni et al. A review of emerging technologies for the management of diabetes mellitus
Tyler et al. Real-time, personalized medicine through wearable sensors and dynamic predictive modeling: a new paradigm for clinical medicine
Pappada et al. Neural network-based real-time prediction of glucose in patients with insulin-dependent diabetes
RU2630122C2 (ru) Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации
Pérez-Gandía et al. Artificial neural network algorithm for online glucose prediction from continuous glucose monitoring
Barsheshet et al. Admission blood glucose level and mortality among hospitalized nondiabetic patients with heart failure
Spencer et al. Patient outcomes after deep vein thrombosis and pulmonary embolism: the Worcester Venous Thromboembolism Study
US20090149724A1 (en) System and method for predicting septic shock
Georga et al. Data mining for blood glucose prediction and knowledge discovery in diabetic patients: The METABO diabetes modeling and management system
Martens et al. Association of newborn telomere length with blood pressure in childhood
CN117316452A (zh) 闭环管理场景下对高血压糖尿病进行健康评估的方法和装置
EP2224363A2 (en) Diagnostic support apparatus for diabetes and computer program product
Goldstein et al. Classifying individuals based on a densely captured sequence of vital signs: An example using repeated blood pressure measurements during hemodialysis treatment
Aghav et al. Health track
US11810652B1 (en) Computer decision support for determining surgery candidacy in stage four chronic kidney disease
Elkhovskaya et al. Personalized assistance for patients with chronic diseases through multi-level distributed healthcare process assessment
Skrøvseth et al. Statistical modeling of aggregated lifestyle and blood glucose data in type 1 diabetes patients
Vo et al. Predictive Modelling for Cardiovascular Disease Mortality in Intensive Care Units
Kapur et al. Understanding the chronic kidney disease landscape using patient representation learning from electronic health records
Deshmukh et al. Heart Disease Prediction Using ML Algorithm
Marini et al. Learning T2D evolving complexity from EMR and administrative data by means of Continuous time Bayesian networks
Boiarskaia Recognizing cardiovascular disease patterns with machine learning using NHANES accelerometer determined physical activity data
Kaufman Proportional-integral control in the evaluation of glucose homeostasis and Type 2 Diabetes

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