CN111710411A - 一种基于血脂检查指标智能推测疾病系统 - Google Patents
一种基于血脂检查指标智能推测疾病系统 Download PDFInfo
- Publication number
- CN111710411A CN111710411A CN202010476571.8A CN202010476571A CN111710411A CN 111710411 A CN111710411 A CN 111710411A CN 202010476571 A CN202010476571 A CN 202010476571A CN 111710411 A CN111710411 A CN 111710411A
- Authority
- CN
- China
- Prior art keywords
- blood fat
- value
- data
- judging
- acquiring
- 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
- 210000004369 blood Anatomy 0.000 title claims abstract description 169
- 239000008280 blood Substances 0.000 title claims abstract description 169
- 201000010099 disease Diseases 0.000 title claims abstract description 69
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 69
- 238000007689 inspection Methods 0.000 title abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 150000002632 lipids Chemical class 0.000 claims description 85
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 235000012000 cholesterol Nutrition 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011282 treatment Methods 0.000 claims description 10
- 150000003904 phospholipids Chemical class 0.000 claims description 9
- 235000021588 free fatty acids Nutrition 0.000 claims description 8
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims description 8
- 108010033266 Lipoprotein(a) Proteins 0.000 claims description 7
- 102000057248 Lipoprotein(a) Human genes 0.000 claims description 7
- 101710095342 Apolipoprotein B Proteins 0.000 claims description 6
- 102100040202 Apolipoprotein B-100 Human genes 0.000 claims description 6
- 108010071619 Apolipoproteins Proteins 0.000 claims description 6
- 102000007592 Apolipoproteins Human genes 0.000 claims description 6
- 108010010234 HDL Lipoproteins Proteins 0.000 claims description 6
- 102000015779 HDL Lipoproteins Human genes 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 239000003925 fat Substances 0.000 description 43
- 238000010586 diagram Methods 0.000 description 11
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 208000031226 Hyperlipidaemia Diseases 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- 206010029164 Nephrotic syndrome Diseases 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000032928 Dyslipidaemia Diseases 0.000 description 1
- 229930186217 Glycolipid Natural products 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 206010023129 Jaundice cholestatic Diseases 0.000 description 1
- 208000017170 Lipid metabolism disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 201000005267 Obstructive Jaundice Diseases 0.000 description 1
- 229930182558 Sterol Natural products 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 208000003532 hypothyroidism Diseases 0.000 description 1
- 230000002989 hypothyroidism Effects 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 150000003431 steroids Chemical class 0.000 description 1
- 150000003432 sterols Chemical class 0.000 description 1
- 235000003702 sterols Nutrition 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 150000003626 triacylglycerols Chemical class 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提出了一种基于血脂检查指标智能推测疾病系统。包括:采集模块,用于采集血脂数值,并对该血脂数值进行预处理,获取处理后的血脂数值;模型建立模块,用于获取血脂范围参考数据值以及对应的疾病数据,根据该血脂范围参考数据值以及对应的疾病数据建立区间判断模型;测算模块,用于建立复关系数,根据该复关系数对处理后的血脂数值进行测算,获取测算后的待判断数据;判断模块,用于通过区间判断模型对待判断数据进行判断,获取判断结果。本发明通过复关系数来实现待判断数值与区间判断模型之间的匹配,能够提高匹配速度,实现血脂评估的快速响应,提高用户体验。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于血脂检查指标智能推测疾病系统。
背景技术
血脂是血浆中的中性脂肪(甘油三酯和胆固醇)和类脂(磷脂、糖脂、固醇、类固醇)的总称,广泛存在于人体中。它们是生命细胞的基础代谢必需物质。血脂检查是对血液(血浆)中所含脂类进行的一种定量测定方法。通过检查血浆中的血脂,可以预防或知晓是否患有肥胖症、动脉硬化、高血脂、冠心病、糖尿病、肾病综合征,以及其他一些心血管疾病。
但是,血脂不正常既看不见也摸不着,通常需要抽血化验后,通过专业医生才能作出判断,但很多人面对血脂检查报告时却一头雾水,不知道这些指标代表的意义以及可能的疾病和危重程度,而且解读速度慢不说,用户体验也不好,所以,亟需一种一种基于血脂检查指标智能推测疾病系统,能够快速解读血脂检查指标含义。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
有鉴于此,本发明提出了一种基于血脂检查指标智能推测疾病系统,旨在解决现有技术无法通过复关系数来提高血脂解读速度的技术问题。
本发明的技术方案是这样实现的:
一方面,本发明提供了一种基于血脂检查指标智能推测疾病系统,所述基于血脂检查指标智能推测疾病系统包括:
采集模块,用于采集血脂数值,并对该血脂数值进行预处理,获取处理后的血脂数值;
模型建立模块,用于获取血脂范围参考数据值以及对应的疾病数据,根据该血脂范围参考数据值以及对应的疾病数据建立区间判断模型;
测算模块,用于建立复关系数,根据该复关系数对处理后的血脂数值进行测算,获取测算后的待判断数据;
判断模块,用于通过区间判断模型对待判断数据进行判断,获取判断结果。
在以上技术方案的基础上,优选的,采集模块包括预处理模块,用于采集血脂数值,所述血脂数值包括:总胆固醇、甘油三酯、高密度脂蛋白、载脂蛋白A、载脂蛋白B、磷脂、游离脂肪酸以及脂蛋白a,获取本地数值判断格式,根据该本地数值判断格式对血脂数值进行处理,保留满足格式要求的血脂数值作为处理后的血脂数值。
在以上技术方案的基础上,优选的,模型建立模块包括数值判断模块,用于获取本地血脂数值,血脂正常范围参考数值以及血脂异常范围参考数值,并根据该血脂正常范围参考数值以及血脂异常范围参考数值对本地血脂数值进行判断,将本地血脂数值划分为正常血脂数值以及异常血脂数值。
在以上技术方案的基础上,优选的,模型建立模块还包括区间判断模型建立模块,用于获取不同血脂数值对应的疾病数据,并与正常血脂数值以及异常血脂数值建立对应关系,根据该对应关系建立区间判断模型。
在以上技术方案的基础上,优选的,测算模块还包括数据测算模块,用于建立复关系数,通过复关系数对处理后的血脂数值计算,计算出每个处理后的血脂数值与其他处理后的血脂数值之间的线性相关程度的数值,并将该数值作为待判断数据块。
在以上技术方案的基础上,优选的,测算模块包括复关系数单元,所述复关系数为:
在以上技术方案的基础上,优选的,判断模块包括报告单生成模块,用于通过区间判断模型对待判断数据进行判断,获取判断结果并生成对应报告单,反馈至用户。
更进一步优选的,所述基于血脂检查指标智能推测疾病设备包括:
采集单元,用于采集血脂数值,并对该血脂数值进行预处理,获取处理后的血脂数值;
模型建立单元,用于获取血脂范围参考数据值以及对应的疾病数据,根据该血脂范围参考数据值以及对应的疾病数据建立区间判断模型;
测算单元,用于建立复关系数,根据该复关系数对处理后的血脂数值进行测算,获取测算后的待判断数据;
判断单元,用于通过区间判断模型对待判断数据进行判断,获取判断结果。
本发明的一种基于血脂检查指标智能推测疾病系统相对于现有技术具有以下有益效果:
(1)通过建立复关系数,能够加快待判断数值与区间判断模型之间的匹配速度,提高整个血脂评估过程的速度,提高用户体验;
(2)通过建立复关系数,降低了整个血脂评估过程的资源用量,提高了整个系统流程的速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于血脂检查指标智能推测疾病系统第一实施例的结构框图;
图2为本发明基于血脂检查指标智能推测疾病系统的第二实施例结构框图;
图3为本发明基于血脂检查指标智能推测疾病系统的第三实施例结构框图;
图4为本发明基于血脂检查指标智能推测疾病系统的第四实施例结构框图;
图5为本发明基于血脂检查指标智能推测疾病系统的第五实施例结构框图;
图6为本发明基于血脂检查指标智能推测疾病设备结构框图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,图1为本发明基于血脂检查指标智能推测疾病系统第一实施例的结构框图。其中,所述基于血脂检查指标智能推测疾病系统包括:采集模块10、模型建立模块20、测算模块30和判断模块40。
采集模块10,用于采集血脂数值,并对该血脂数值进行预处理,获取处理后的血脂数值;
模型建立模块20,用于获取血脂范围参考数据值以及对应的疾病数据,根据该血脂范围参考数据值以及对应的疾病数据建立区间判断模型;
测算模块30,用于建立复关系数,根据该复关系数对处理后的血脂数值进行测算,获取测算后的待判断数据;
判断模块40,用于通过区间判断模型对待判断数据进行判断,获取判断结果。
进一步地,如图2所示,基于上述各实施例提出本发明基于血脂检查指标智能推测疾病系统的第二实施例结构框图,在本实施例中,采集模块10还包括:
预处理模块101,用于采集血脂数值,所述血脂数值包括:总胆固醇、甘油三酯、高密度脂蛋白、载脂蛋白A、载脂蛋白B、磷脂、游离脂肪酸以及脂蛋白a,获取本地数值判断格式,根据该本地数值判断格式对血脂数值进行处理,保留满足格式要求的血脂数值作为处理后的血脂数值;
应当理解的是,首先采集血脂检查指标的数值,并进行预处理。采集的数据包括总胆固醇、甘油三酯、高密度脂蛋白、载脂蛋白A、载脂蛋白B、磷脂、游离脂肪酸、脂蛋白a等八项检查指标的数值,提取这些要素数据的正常范围参考区间值和异常范围参考区间值。这里的预处理为:把采集到的血脂上述八类检查指标数值,按照《诊断学》和国际、国内相关指标科学的确定的标准,纳入相对统一的正常范围参考区间值和异常范围参考区间值,并划分为正常、偏高、偏低等三个区间。例如,总胆固醇(TC)正常范围在5.23—5.69毫摩尔/升;甘油三脂(TG)正常范围差异较大,在0.56—1.7毫摩尔/升;高密度脂蛋白胆固醇(HDL-C)正常范围是大于1.00毫摩尔/升;低密度脂蛋白胆固醇(LDL-C)范围是低于3.12毫摩尔/升;脂蛋白(a)[Lp(a)]健康成人血清中浓度小于300毫克/升;磷脂(PL)正常范围在1.3—3.2毫摩尔/升;游离脂肪酸(FFA)正常范围在0.4—0.9毫摩尔/升。正常范围内属于正常;大于正常范围为偏高;相反为偏低。
进一步地,如图3所示,基于上述各实施例提出本发明基于血脂检查指标智能推测疾病系统的第三实施例结构框图,在本实施例中,模型建立模块20还包括:
数值判断模块201,用于获取本地血脂数值,血脂正常范围参考数值以及血脂异常范围参考数值,并根据该血脂正常范围参考数值以及血脂异常范围参考数值对本地血脂数值进行判断,将本地血脂数值划分为正常血脂数值以及异常血脂数值。
应当理解的是,采集并处理这些检查指标的范围参考区间值可能对应的疾病和病因,包括偏高、偏低区间值可能对应的疾病和病因以及不同人群、不同年龄阶段、不同指标(状态)异常变化可能对应的疾病和病因,对这些数据和知识进行预处理。这里的预处理为:把采集到的血脂上述八类检查指标数值,按照《诊断学》和国际、国内相关指标科学的标准,确定为相对统一的正常范围参考区间值和异常范围参考区间值(一般分为正常、偏高、偏低等三个区间)所对应的、可能的疾病与病因。比如,血清高密度脂蛋白胆固醇的正常参考区间值:0.93~1.81mmol/L(36~70mg/dl)。如果其增高,大于1.81mmol/L,可能的原因和疾病为慢性肝病和慢性中毒性疾病、长时间需氧代谢、遗传性高密度脂蛋白血症等;其降低,小于0.93mmol/L,可能的原因和疾病为冠心病、高脂血症、肝硬化、糖尿病、慢性肾功能不全等。
进一步地,如图4所示,基于上述各实施例提出本发明基于血脂检查指标智能推测疾病系统的第四实施例结构框图,在本实施例中,测算模块30还包括:
数据测算模块301,用于建立复关系数,通过复关系数对处理后的血脂数值计算,计算出每个处理后的血脂数值与其他处理后的血脂数值之间的线性相关程度的数值,并将该数值作为待判断数据。
复关系数单元302,所述复关系数为:
应当理解的是,利用Offset函数进行区间数据匹配。若指标在正常范围,则判断用户不存在患病的风险;若指标异常范围,偏高或者偏低,则判断用户可能存在患病的风险。
应当理解的是,若多项指标异常,或者有的偏高,或者有的偏低,可以合并计算偏高或者偏低对应的可能的疾病。计算时,把偏低和偏高视为两个类,对上述八项中的偏低和偏高直接相加即可;偏低和偏高对应的疾病因为有很多种,一般以疾病的名称或者危险因素的名称(或者叫分词)的形式出现(例,总胆固醇偏高,一般常见于动脉粥样硬化所致的心、脑血管病、糖尿病、肾病综合征、阻塞性黄疸、甲状腺功能减退等疾病,也可见于长期吸烟、饮酒、精神紧张等),可以通过计算疾病或者危险因素的名称分词词频即可。统计出来的分词(疾病名称或者危险因素的名称)频度高,那么可以推测出患该疾病的概率较高;反之亦然。
应当理解的是,更进一步,根据《中国成人血脂异常防治指南(2016年修订版)》不同人群和危险因素的因子,通过复相关系数计算并划分出极高危人群、高危人群、中危人群和低危人群等四种类型,并进行预警。具体步骤如下:首先对对数据特征进行编码。操作如下:比如血脂检查有[“总胆固醇”,“甘油三酯”,“高密度脂蛋白”,“载脂蛋白A”,“载脂蛋白B”,“磷脂”,“游离脂肪酸”,“脂蛋白a”]之分;性别有[“男”,“女”]之分;年龄有[“成人”,“儿童”]之分,危险因素可能为[“糖尿病”、“高血压”,“冠心病”,“缺血性卒中”等]之分。这些特征可以分别用不同的整数进行标记,比如[“男”,“女”]分表表示成[0、1],[“总胆固醇”、“甘油三酯”、“高密度脂蛋白”、“载脂蛋白A”、“载脂蛋白B”、“磷脂”、“游离脂肪酸”、“脂蛋白a”]分别表示成[0,1,2,3,4,5,6,7],[“成人”,“儿童”]表示为[0,1]。
应当理解的是,从上述内容可以看出,影响血脂检查指标的因素有不同性别、不同年龄、不同人群和不同危险因子等,据此可以通过复相关系数来进行测算。复相关系数是测量一个变量与其他多个变量之间线性相关程度的指标。它不能直接测算,只能采取一定的方法进行间接测算。为了测定一个变量y与其他多个变量X1,X2,...,XK之间的相关系数,可以考虑构造一个关于X1,X2,...,XK的线性组合,通过计算该线性组合与y之间的简单相关系数作为变量y与X1,X2,...,XK之间的复相关系数。K是数据的维度,也就是数据特征的数量,这里X1,X2,...,XK是每个样本的K个特征。具体计算过程如下:
第一步,用y对X1,X2,...,XK作回归,得:
第二步,计算简单相关系数即为y与X1,X2,...,Xk之间的复相关系数。复相关系数的计算公式为:
复相关系数与简单相关系数的区别是简单相关系数的取值范围是[-1,1],而复相关系数的取值范围是[0,1]。这是因为,在两个变量的情况下,回归系数有正负之分,所以在研究相关时,也有正相关和负相关之分;但在多个变量时,偏回归系数有两个或两个以上,其符号有正有负,不能按正负来区别,所以复相关系数也就只取正值。
进一步地,如图5所示,基于上述各实施例提出本发明基于血脂检查指标智能推测疾病系统的第五实施例结构框图,在本实施例中,判断模块40还包括:
报告单生成模块401,用于通过区间判断模型对待判断数据进行判断,获取判断结果并生成对应报告单,反馈至用户。
应当理解的是,通过区间判断模型对待判断数据进行判断,获取判断结果并生成成异常血脂认知分析报告及辅助诊断综合报告,反馈至用户。
需要说明的是,以上仅为举例说明,并不对本申请的技术方案构成任何限定。
通过上述描述不难发现,本实施例提出了一种基于血脂检查指标智能推测疾病系统,包括:采集模块,用于采集血脂数值,并对该血脂数值进行预处理,获取处理后的血脂数值;模型建立模块,用于获取血脂范围参考数据值以及对应的疾病数据,根据该血脂范围参考数据值以及对应的疾病数据建立区间判断模型;测算模块,用于建立复关系数,根据该复关系数对处理后的血脂数值进行测算,获取测算后的待判断数据;判断模块,用于通过区间判断模型对待判断数据进行判断,获取判断结果。本实施例通过复关系数来实现待判断数值与区间判断模型之间的匹配,能够提高匹配速度,实现血脂评估的快速响应,提高用户体验。
此外,本发明实施例还提出一种基于血脂检查指标智能推测疾病设备。如图6所示,该基于血脂检查指标智能推测疾病设备包括:采集单元10、模型建立单元20、测算单元30以及判断单元40。
采集单元10,用于采集血脂数值,并对该血脂数值进行预处理,获取处理后的血脂数值;
模型建立单元20,用于获取血脂范围参考数据值以及对应的疾病数据,根据该血脂范围参考数据值以及对应的疾病数据建立区间判断模型;
测算单元30,用于建立复关系数,根据该复关系数对处理后的血脂数值进行测算,获取测算后的待判断数据;
判断单元40,用于通过区间判断模型对待判断数据进行判断,获取判断结果。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于血脂检查指标智能推测疾病系统,此处不再赘述。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于血脂检查指标智能推测疾病系统,其特征在于,所述基于血脂检查指标智能推测疾病系统包括:
采集模块,用于采集血脂数值,并对该血脂数值进行预处理,获取处理后的血脂数值;
模型建立模块,用于获取血脂范围参考数据值以及对应的疾病数据,根据该血脂范围参考数据值以及对应的疾病数据建立区间判断模型;
测算模块,用于建立复关系数,根据该复关系数对处理后的血脂数值进行测算,获取测算后的待判断数据;
判断模块,用于通过区间判断模型对待判断数据进行判断,获取判断结果。
2.如权利要求1所述的基于血脂检查指标智能推测疾病系统,其特征在于:采集模块包括预处理模块,用于采集血脂数值,所述血脂数值包括:总胆固醇、甘油三酯、高密度脂蛋白、载脂蛋白A、载脂蛋白B、磷脂、游离脂肪酸以及脂蛋白a,获取本地数值判断格式,根据该本地数值判断格式对血脂数值进行处理,保留满足格式要求的血脂数值作为处理后的血脂数值。
3.如权利要求1所述的基于血脂检查指标智能推测疾病系统,其特征在于:模型建立模块包括数值判断模块,用于获取本地血脂数值,血脂正常范围参考数值以及血脂异常范围参考数值,并根据该血脂正常范围参考数值以及血脂异常范围参考数值对本地血脂数值进行判断,将本地血脂数值划分为正常血脂数值以及异常血脂数值。
4.如权利要求3所述的基于血脂检查指标智能推测疾病系统,其特征在于:模型建立模块还包括区间判断模型建立模块,用于获取不同血脂数值对应的疾病数据,并与正常血脂数值以及异常血脂数值建立对应关系,根据该对应关系建立区间判断模型。
5.如权利要求4所述的基于血脂检查指标智能推测疾病系统,其特征在于:测算模块还包括数据测算模块,用于建立复关系数,通过复关系数对处理后的血脂数值计算,计算出每个处理后的血脂数值与其他处理后的血脂数值之间的线性相关程度的数值,并将该数值作为待判断数据。
7.如权利要求5所述的基于血脂检查指标智能推测疾病系统,其特征在于:判断模块包括报告单生成模块,用于通过区间判断模型对待判断数据进行判断,获取判断结果并生成对应报告单,反馈至用户。
8.一种基于血脂检查指标智能推测疾病设备,其特征在于,所述基于血脂检查指标智能推测疾病设备包括:
采集单元,用于采集血脂数值,并对该血脂数值进行预处理,获取处理后的血脂数值;
模型建立单元,用于获取血脂范围参考数据值以及对应的疾病数据,根据该血脂范围参考数据值以及对应的疾病数据建立区间判断模型;
测算单元,用于建立复关系数,根据该复关系数对处理后的血脂数值进行测算,获取测算后的待判断数据;
判断单元,用于通过区间判断模型对待判断数据进行判断,获取判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476571.8A CN111710411A (zh) | 2020-05-29 | 2020-05-29 | 一种基于血脂检查指标智能推测疾病系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476571.8A CN111710411A (zh) | 2020-05-29 | 2020-05-29 | 一种基于血脂检查指标智能推测疾病系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111710411A true CN111710411A (zh) | 2020-09-25 |
Family
ID=72538251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010476571.8A Pending CN111710411A (zh) | 2020-05-29 | 2020-05-29 | 一种基于血脂检查指标智能推测疾病系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111710411A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112201357A (zh) * | 2020-11-19 | 2021-01-08 | 吾征智能技术(北京)有限公司 | 一种基于女性激素检查信息的疾病认知系统 |
CN112201354A (zh) * | 2020-10-20 | 2021-01-08 | 吾征智能技术(北京)有限公司 | 一种基于血铅数值的疾病信息匹配系统 |
CN112259244A (zh) * | 2020-10-20 | 2021-01-22 | 吾征智能技术(北京)有限公司 | 一种基于血氧饱和度的疾病信息匹配系统 |
CN112336310A (zh) * | 2020-11-04 | 2021-02-09 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
CN112972046A (zh) * | 2021-02-03 | 2021-06-18 | 西安交通大学口腔医院 | 一种菌斑控制记录的管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550400A (zh) * | 2018-04-13 | 2018-09-18 | 成都金盘电子科大多媒体技术有限公司 | 空气污染物对呼吸道疾病病患人数影响的评估方法 |
CN109671507A (zh) * | 2018-12-24 | 2019-04-23 | 万达信息股份有限公司 | 一种基于电子健康档案的产科专病关联指标挖掘方法 |
CN110021437A (zh) * | 2017-10-31 | 2019-07-16 | 东莞东阳光科研发有限公司 | 一种糖尿病的管理方法和系统 |
CN110718302A (zh) * | 2019-10-22 | 2020-01-21 | 江苏健康无忧网络科技有限公司 | 一种基于大数据的糖尿病管理路径的系统 |
CN110808097A (zh) * | 2019-10-30 | 2020-02-18 | 中国福利会国际和平妇幼保健院 | 一种妊娠期糖尿病预测系统及方法 |
-
2020
- 2020-05-29 CN CN202010476571.8A patent/CN111710411A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021437A (zh) * | 2017-10-31 | 2019-07-16 | 东莞东阳光科研发有限公司 | 一种糖尿病的管理方法和系统 |
CN108550400A (zh) * | 2018-04-13 | 2018-09-18 | 成都金盘电子科大多媒体技术有限公司 | 空气污染物对呼吸道疾病病患人数影响的评估方法 |
CN109671507A (zh) * | 2018-12-24 | 2019-04-23 | 万达信息股份有限公司 | 一种基于电子健康档案的产科专病关联指标挖掘方法 |
CN110718302A (zh) * | 2019-10-22 | 2020-01-21 | 江苏健康无忧网络科技有限公司 | 一种基于大数据的糖尿病管理路径的系统 |
CN110808097A (zh) * | 2019-10-30 | 2020-02-18 | 中国福利会国际和平妇幼保健院 | 一种妊娠期糖尿病预测系统及方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112201354A (zh) * | 2020-10-20 | 2021-01-08 | 吾征智能技术(北京)有限公司 | 一种基于血铅数值的疾病信息匹配系统 |
CN112259244A (zh) * | 2020-10-20 | 2021-01-22 | 吾征智能技术(北京)有限公司 | 一种基于血氧饱和度的疾病信息匹配系统 |
CN112259244B (zh) * | 2020-10-20 | 2024-04-30 | 吾征智能技术(北京)有限公司 | 一种基于血氧饱和度的疾病信息匹配系统 |
CN112336310A (zh) * | 2020-11-04 | 2021-02-09 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
CN112336310B (zh) * | 2020-11-04 | 2024-03-08 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
CN112201357A (zh) * | 2020-11-19 | 2021-01-08 | 吾征智能技术(北京)有限公司 | 一种基于女性激素检查信息的疾病认知系统 |
CN112972046A (zh) * | 2021-02-03 | 2021-06-18 | 西安交通大学口腔医院 | 一种菌斑控制记录的管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111710411A (zh) | 一种基于血脂检查指标智能推测疾病系统 | |
Kannel et al. | Obesity, lipids, and glucose intolerance The Framingham Study | |
Woyesa et al. | Hyperuricemia and metabolic syndrome in type 2 diabetes mellitus patients at Hawassa university comprehensive specialized hospital, South West Ethiopia | |
Swierk et al. | Validation of an Australian electronic food frequency questionnaire to measure polyunsaturated fatty acid intake | |
Lopes-Virella et al. | Cholesterol determination in high-density lipoproteins separated by three different methods. | |
He et al. | Prevalence of peripheral arterial disease and its association with smoking in a population-based study in Beijing, China | |
Wu et al. | Omega-3 fatty acids and incident type 2 diabetes: a systematic review and meta-analysis | |
Morales-Gurrola et al. | The triglycerides and glucose index is associated with cardiovascular risk factors in metabolically obese normal-weight subjects | |
US6277070B1 (en) | Medical analysis and treatment method and system | |
Ashavaid et al. | Establishment of reference intervals in Indian population | |
Telford et al. | Sensitivity of blood lipids to changes in adiposity, exercise, and diet in children | |
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 | |
CN108604464A (zh) | 确定生物标志物信号的受试者间和受试者内变异的方法 | |
CN108359710B (zh) | 葡萄糖磷酸异构酶的酶显色定量测定试剂盒及测定方法 | |
CN116864062B (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
Perng et al. | Application of Life’s Essential 8 to assess cardiovascular health during early childhood | |
Loyola-Leyva et al. | Hypercholesterolemia associated with erythrocytes morphology assessed by scanning electron microscopy in metabolically unhealthy individuals with normal-weight and obesity | |
CN113593705B (zh) | 社区老年人衰弱进展预测的列线图模型系统 | |
Jost et al. | Improved oxygen uptake efficiency parameters are not correlated with VO2peak or running economy and are not affected by omega-3 fatty acid supplementation in endurance runners | |
KR100768586B1 (ko) | 가속도맥파를 이용한 표준지표 산출 방법 | |
Rubin et al. | Accuracy of three dry-chemistry methods for lipid profiling and risk factor classification | |
CN114068026A (zh) | 一种超早期代谢相关脂肪性肝病的预测装置 | |
Guo et al. | Leveraging Large Language Models for Analyzing Blood Pressure Variations Across Biological Sex from Scientific Literature | |
Aziz et al. | Coronary heart disease risk factors among university female students | |
CN1766585A (zh) | 测量尿液中含锌量的试剂及其快速检测方法 |
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: 20200925 |
|
RJ01 | Rejection of invention patent application after publication |