CN111430032B - 基于apc模型与遗传聚类算法的老年人疾病建立模型方法 - Google Patents

基于apc模型与遗传聚类算法的老年人疾病建立模型方法 Download PDF

Info

Publication number
CN111430032B
CN111430032B CN202010206531.1A CN202010206531A CN111430032B CN 111430032 B CN111430032 B CN 111430032B CN 202010206531 A CN202010206531 A CN 202010206531A CN 111430032 B CN111430032 B CN 111430032B
Authority
CN
China
Prior art keywords
cluster
model
apc model
result
apc
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
CN202010206531.1A
Other languages
English (en)
Other versions
CN111430032A (zh
Inventor
刘纪敏
贾全秋
文龙日
赵慧琦
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010206531.1A priority Critical patent/CN111430032B/zh
Publication of CN111430032A publication Critical patent/CN111430032A/zh
Application granted granted Critical
Publication of CN111430032B publication Critical patent/CN111430032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一种基于APC模型与遗传聚类算法的老年人疾病建立模型方法，通过改进的算法将基本数据与体征数据相结合，以测量难度不高的属性提高疾病判定以及预测的精准度。满足大量部署的同时提高了疾病判定以及预测的精准度。此外，此计算模型不需要高成本测量仪器，通过平台所部署的物联网以及智能手机即能完成信息的采集，成本低且高效可行，适用于大范围的部署。

Description

基于APC模型与遗传聚类算法的老年人疾病建立模型方法
技术领域
本发明涉及医疗数据处理技术领域，具体涉及一种基于APC模型与遗传聚类算法的老年人疾病建立模型方法。
背景技术
人口老龄化给居民健康以及国家医疗费用的支出造成了巨大的压力，个人健康管理平台通过对用户的数据进行分析以进行疾病的判定和预测，通过运动处方以及合理的饮食建议将疾病控制在预防阶段和早期治疗阶段，在全世界范围内兴起。老年人作为健康管理所关注的焦点，由于身体机能的退化和慢性疾病而导致的体征数据普遍偏离正常值对突发类疾病的判定以及预测造成了极大的困难，也引起了众多的关注，Rozemarijn等人通过电子束断层扫描来监测老年人的冠状动脉钙化并加入到标准化程序中测定危险因素以提高心血管疾病的预测精度[1]等，但已有的技术大多需要高科技设备的支持，这在我国大范围部署的情况下成本过于昂贵，且由于个人健康管理在我国处于起步阶段，针对老年人的疾病预测以及诊断模型研究较少。因此，如何在不对每个个体都采取高精度测量仪器进行测量的情况下，摆脱慢性疾病所造成的体征数据的干扰，使用收集的数据进行精准的疾病预测仍然亟待解决。
发明内容
本发明为了克服以上技术的不足，提供了一种基于APC模型与遗传聚类算法的老年人疾病数据分析准确度的模型方法。
本发明克服其技术问题所采用的技术方案是：
一种基于APC模型与遗传聚类算法的老年人疾病建立模型方法，包括：
a)采集老年人体征数据；
b)将体征数据使用Stata15分析工具导入APC模型包，通过公式
Figure GDA0003497015040000011
计算结果，式中θijk为发病人数或死亡人数，Nijk为人口数，μ为年龄、时期、队列参数的疾病危险性参照水平，ai标示年龄效应，i＝1,2,3…，βj为时期效应，j＝1,2,3…，γk为出生队列k的效应，εijk为误差值；
c)根据公式
Figure GDA0003497015040000021
计算吸烟对步骤
b)中结构造成的影响指数ηsmoke，ln[εA(rijk)]为正常人的APC模型结果，ln[εB(rijk)]为吸烟人群的APC模型结果，n为数据总组数，通过影响指数ηsmoke对APC模型进行改进；
d)根据公式
Figure GDA0003497015040000022
计算APC模型结果的血压属性量化值BZ，式中SSi为第i个用户的收缩压，SS标为该年龄段标准收缩压，SZi为第i个用户的舒张压，SZ标为该年龄段标准舒张压，通过血压属性量化值BZ对APC模型进行改进；
e)将改进后的APC模型量化结果、脉率、合并的血压按照年龄分类后导入遗传算法聚类，设置最大迭代次数为T，种群规模为m，交叉概率为PC，变异概率为Pm进行选择、交叉、变异操作；
f)通过公式||Xi-Zj||＜||Xi-ZP||,P＝1,2,…k,p≠j计算同族内欧式距离，式中Xi为数据集中的各个点，Zj为聚类中心，ZP为其他的聚类中心，通过公式
Figure GDA0003497015040000023
Figure GDA0003497015040000024
计算适应度Fitness，式中Zi *为一个簇内全部点到聚类中心的欧式距离平均值，Xj为簇内各个点，ci为第i个簇，cj为第j个簇，Zi为聚类中心，Mi为簇内所有距离的和；
g)重复步骤f)直到达到最大迭代次数，得到并导出分类结果。
进一步的，步骤a)中的体征数据包括年龄信息、性别、出生日期、体检年分、血压、有无患病、是否吸烟饮酒、脉率。
本发明的有益效果是：通过改进的算法将基本数据与体征数据相结合，以测量难度不高的属性提高疾病判定以及预测的精准度。满足大量部署的同时提高了疾病判定以及预测的精准度。此外，此计算模型不需要高成本测量仪器，通过平台所部署的物联网以及智能手机即能完成信息的采集，成本低且高效可行，适用于大范围的部署。
附图说明
图1为本发明的流程图；
图2为本发明的APC模型中计算的流程图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种基于APC模型与遗传聚类算法的老年人疾病建立模型方法，包括：
a)采集老年人体征数据；
b)将体征数据使用Stata15分析工具导入APC模型包，通过公式
Figure GDA0003497015040000031
计算结果，式中θijk为发病人数或死亡人数，Nijk为人口数，μ为年龄、时期、队列参数的疾病危险性参照水平，ai标示年龄效应，i＝1,2,3…，βj为时期效应，j＝1,2,3…，γk为出生队列k的效应，εijk为误差值；
c)根据公式
Figure GDA0003497015040000032
计算吸烟对步骤
b)中结构造成的影响指数ηsmoke，ln[εA(rijk)]为正常人的APC模型结果，ln[εB(rijk)]为吸烟人群的APC模型结果，n为数据总组数，通过影响指数ηsmoke对APC模型进行改进；
d)根据公式
Figure GDA0003497015040000041
计算APC模型结果的血压属性量化值BZ，式中SSi为第i个用户的收缩压，SS标为该年龄段标准收缩压，SZi为第i个用户的舒张压，SZ标为该年龄段标准舒张压，通过血压属性量化值BZ对APC模型进行改进；
e)将改进后的APC模型量化结果、脉率、合并的血压按照年龄分类后导入遗传算法聚类，设置最大迭代次数为T，种群规模为m，交叉概率为PC，变异概率为Pm进行选择、交叉、变异操作；
f)通过公式||Xi-Zj||＜||Xi-ZP||,P＝1,2,…k,p≠j计算同族内欧式距离，式中Xi为数据集中的各个点，Zj为聚类中心，ZP为其他的聚类中心，通过公式
Figure GDA0003497015040000042
Figure GDA0003497015040000043
计算适应度Fitness，式中Zi *为一个簇内全部点到聚类中心的欧式距离平均值，Xj为簇内各个点，ci为第i个簇，cj为第j个簇，Zi为聚类中心，Mi为簇内所有距离的和；
g)重复步骤f)直到达到最大迭代次数，得到并导出分类结果。
通过改进的算法将基本数据与体征数据相结合，以测量难度不高的属性提高疾病判定以及预测的精准度。满足大量部署的同时提高了疾病判定以及预测的精准度。此外，此计算模型不需要高成本测量仪器，通过平台所部署的物联网以及智能手机即能完成信息的采集，成本低且高效可行，适用于大范围的部署。
进一步的，步骤a)中的体征数据包括年龄信息、性别、出生日期、体检年分、血压、有无患病、是否吸烟饮酒、脉率。

Claims (2)

1.一种基于APC模型与遗传聚类算法的老年人疾病建立模型方法，其特征在于，包括：
a)采集老年人体征数据；
b)将体征数据使用Stata15分析工具导入APC模型包，通过公式
Figure FDA0003497015030000011
计算结果，式中θijk为发病人数或死亡人数，Nijk为人口数，μ为年龄、时期、队列参数的疾病危险性参照水平，ai标示年龄效应，i＝1,2,3…，βj为时期效应，j＝1,2,3…，γk为出生队列k的效应，εijk为误差值；
c)根据公式
Figure FDA0003497015030000012
计算吸烟对步骤b)中结构造成的影响指数ηsmoke，ln[εA(rijk)]为正常人的APC模型结果，ln[εB(rijk)]为吸烟人群的APC模型结果，n为数据总组数，通过影响指数ηsmoke对APC模型进行改进；
d)根据公式
Figure FDA0003497015030000013
计算APC模型结果的血压属性量化值BZ，式中SSi为第i个用户的收缩压，SS标为该年龄段标准收缩压，SZi为第i个用户的舒张压，SZ标为该年龄段标准舒张压，通过血压属性量化值BZ对APC模型进行改进；
e)将改进后的APC模型量化结果、脉率、合并的血压按照年龄分类后导入遗传算法聚类，设置最大迭代次数为T，种群规模为m，交叉概率为PC，变异概率为Pm进行选择、交叉、变异操作；
f)通过公式||Xi-Zj||＜||Xi-ZP||,P＝1,2,…k,p≠j计算同族内欧式距离，式中Xi为数据集中的各个点，Zj为聚类中心，ZP为其他的聚类中心，通过公式
Figure FDA0003497015030000021
Figure FDA0003497015030000022
计算适应度Fitness，式中Zi *为一个簇内全部点到聚类中心的欧式距离平均值，Xj为簇内各个点，ci为第i个簇，cj为第j个簇，Zi为聚类中心，Mi为簇内所有距离的和；
g)重复步骤f)直到达到最大迭代次数，得到并导出分类结果。
2.根据权利要求1所述的基于APC模型与遗传聚类算法的老年人疾病建立模型方法，其特征在于：步骤a)中的体征数据包括年龄信息、性别、出生日期、体检年分、血压、有无患病、是否吸烟饮酒、脉率。
CN202010206531.1A 2020-03-20 2020-03-20 基于apc模型与遗传聚类算法的老年人疾病建立模型方法 Active CN111430032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010206531.1A CN111430032B (zh) 2020-03-20 2020-03-20 基于apc模型与遗传聚类算法的老年人疾病建立模型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010206531.1A CN111430032B (zh) 2020-03-20 2020-03-20 基于apc模型与遗传聚类算法的老年人疾病建立模型方法

Publications (2)

Publication Number Publication Date
CN111430032A CN111430032A (zh) 2020-07-17
CN111430032B true CN111430032B (zh) 2022-03-18

Family

ID=71548614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010206531.1A Active CN111430032B (zh) 2020-03-20 2020-03-20 基于apc模型与遗传聚类算法的老年人疾病建立模型方法

Country Status (1)

Country Link
CN (1) CN111430032B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2901398A1 (en) * 2012-09-27 2015-08-05 Joseph L. Breeden A computer implemented method for estimating age-period-cohort models on account-level data
CN108735296A (zh) * 2018-06-29 2018-11-02 广东医科大学 基于Hidden Markov Model的2型糖尿病危险因素分析方法
CN110251122A (zh) * 2019-06-13 2019-09-20 南方医科大学顺德医院(佛山市顺德区第一人民医院) 一种冠心病风险指数的无损检测系统及方法
CN110428901A (zh) * 2019-07-19 2019-11-08 中国医学科学院阜外医院 脑卒中发病风险预测系统及应用
CN110689935A (zh) * 2019-09-29 2020-01-14 山东科技大学 物联网急救服务平台及预警方法
CN110880362A (zh) * 2019-11-12 2020-03-13 南京航空航天大学 一种大规模医疗数据知识挖掘与治疗方案推荐系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2901398A1 (en) * 2012-09-27 2015-08-05 Joseph L. Breeden A computer implemented method for estimating age-period-cohort models on account-level data
CN108735296A (zh) * 2018-06-29 2018-11-02 广东医科大学 基于Hidden Markov Model的2型糖尿病危险因素分析方法
CN110251122A (zh) * 2019-06-13 2019-09-20 南方医科大学顺德医院(佛山市顺德区第一人民医院) 一种冠心病风险指数的无损检测系统及方法
CN110428901A (zh) * 2019-07-19 2019-11-08 中国医学科学院阜外医院 脑卒中发病风险预测系统及应用
CN110689935A (zh) * 2019-09-29 2020-01-14 山东科技大学 物联网急救服务平台及预警方法
CN110880362A (zh) * 2019-11-12 2020-03-13 南京航空航天大学 一种大规模医疗数据知识挖掘与治疗方案推荐系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
上海市糖尿病死亡趋势APC模型分析;卢伟等;《环境与职业医学》;20060625(第03期);全文 *
健康信息不确定下的个体吸烟决策――基于贝叶斯学习模型的理论分析和经验证据;秦雪征等;《世界经济文汇》;20200205(第01期);全文 *
我国城市居民健康状况及影响因素研究;于晓薇等;《中国人口.资源与环境》;20100215(第02期);全文 *

Also Published As

Publication number Publication date
CN111430032A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111292853B (zh) 基于多参数的心血管疾病风险预测网络模型及其构建方法
KR102024373B1 (ko) 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법
CN108198615B (zh) 一种在线认知评估系统
CN110246577B (zh) 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
CN102930163A (zh) 一种2型糖尿病风险状态判定方法
CN113239279B (zh) 一种慢性病医疗数据采集分析管理方法及云平台
CN110046757B (zh) 基于LightGBM算法的门诊量预测系统及预测方法
CN105868532B (zh) 一种智能评估心脏衰老程度的方法及系统
CN112331340B (zh) 育龄夫妇妊娠概率的智能预测方法及系统
CN107066798A (zh) 一种心脏健康质量预警系统及其预警方法
CN107145715B (zh) 一种基于推举算法的临床医学智能判别装置
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
CN106485061A (zh) 一种生活风险评估及改善系统的建立方法
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
TWI740647B (zh) 疾病分類方法及疾病分類裝置
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
CN114943629A (zh) 一种健康管理保健服务系统及其健康管理方法
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
CN115714023A (zh) 一种癌症风险评估系统的建立方法
CN114628033A (zh) 疾病风险预测方法、装置、设备及存储介质
CN107506606A (zh) 常见疾病风险预测方法及系统
CN112768074A (zh) 一种基于人工智能的重疾风险预测方法及系统
CN111430032B (zh) 基于apc模型与遗传聚类算法的老年人疾病建立模型方法
CN109119155A (zh) 基于深度学习的icu死亡危险性评估系统
KR20100102963A (ko) 유비쿼터스환경에서의 웰빙라이프케어 인덱스 모델 제작 방법

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