CN111814169B - 一种消化道疾病数据加密获取方法及风险预测系统 - Google Patents

一种消化道疾病数据加密获取方法及风险预测系统 Download PDF

Info

Publication number
CN111814169B
CN111814169B CN202010688366.8A CN202010688366A CN111814169B CN 111814169 B CN111814169 B CN 111814169B CN 202010688366 A CN202010688366 A CN 202010688366A CN 111814169 B CN111814169 B CN 111814169B
Authority
CN
China
Prior art keywords
digestive tract
disease
risk
tract disease
risk factors
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
CN202010688366.8A
Other languages
English (en)
Other versions
CN111814169A (zh
Inventor
薛付忠
季晓康
丁荔洁
王永超
杨帆
袁同慧
高超男
刘廷轩
王睿
王京彦
刘真
马官慧
杨伟浩
韩君铭
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.)
Kangping Medical Health Co ltd
Shandong University
Sunshine Insurance Group Co Ltd
Original Assignee
Kangping Medical Health Co ltd
Shandong University
Sunshine Insurance Group Co Ltd
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 Kangping Medical Health Co ltd, Shandong University, Sunshine Insurance Group Co Ltd filed Critical Kangping Medical Health Co ltd
Priority to CN202010688366.8A priority Critical patent/CN111814169B/zh
Publication of CN111814169A publication Critical patent/CN111814169A/zh
Application granted granted Critical
Publication of CN111814169B publication Critical patent/CN111814169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种消化道疾病数据加密获取方法及风险预测系统，包括根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，在得到的消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，通过用户ID验证调取密码，通过认证后，获取访问权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量。对于敏感的身份数据进行加密保存，实施安全管理，确保数据的安全性、保密性，以及通过设置权限的方式，双层隐私保护确保隐私数据自主可控，加密存储授权调用，既可以明确数据来源，又可以用于明确数据责任。

Description

一种消化道疾病数据加密获取方法及风险预测系统
技术领域
本发明属于医疗大数据处理技术领域，尤其涉及一种消化道疾病数据加密获取方法及风险预测系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
消化系统疾病的预测包括疾病易感性或发病风险预测、慢性食管、胃肠、肝胆胰等疾病炎症或癌前疾病或癌变倾向的预测，通过消化道的介入式诊断、内镜等有创检查来诊断是否患有消化系统疾病，而对于在日常的体检中，采用有创检查或介入式检查首先会让体检者产生抵触心理导致不愿意主动接受检查，再者会对人体造成创伤，在非必要情况下造成创伤。另外，发明人发现，目前没有以患消化道疾病相关的实际临床医疗数据为基础建立的风险预测模型，而且对于实际临床医疗数据而言，每个疾病变量对患消化道疾病的影响是不同的；同时关于医疗数据指标选取，不能仅凭借临床经验、已有的公开文献等手段获取，以此方法选取的指标具有很强的主观性。
其次，在通过病例获取与消化道疾病相关的疾病指标时，必然包括患者的私人信息，例如身份证号、住址、电话等，而对于患者本人来说，病例信息及个人信息属于隐私，需要进行数据隐私的保护。同时，病例数据一般存储在各个医院的数据库中，而医院各个身份、各个层级的医护人员众多，如果不对医护人员进行统一管理，也会造成数据的泄露，无法保证数据隐私安全；再者，在保险领域，在个体保险的投保过程中，目前是监管机构公布多种重大疾病的群体发生率，并没有针对某种疾病的人群发生率，更无法预测个人的发病风险。
发明内容
为克服上述现有技术的不足，本发明提供了一种消化道疾病数据加密获取方法及风险预测系统，对于敏感的身份数据进行加密保存，实施安全管理，确保数据的安全性、保密性，以及通过设置权限的方式，双层隐私保护确保隐私数据自主可控，加密存储授权调用，既可以明确数据来源，又可以用于明确数据责任。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种消化道疾病数据加密获取方法，包括：
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；
否则，无权访问所述消化道疾病队列。
在更多实施例中，提供一种消化道疾病风险预测系统，包括：
危险因素筛选模块，基于在消化道疾病病例中获取的消化道疾病相关疾病变量，与患消化道疾病事件进行相关性分析，筛选得到危险因素；
风险预测模块，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测请求获取消化道疾病发病概率预测结果。
在更多实施例中，提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测获取消化道疾病发病概率预测结果。
在更多实施例中，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测获取消化道疾病发病概率预测结果。
以上一个或多个技术方案存在以下有益效果：
本发明实施安全管理，对于敏感的身份数据进行加密保存，确保数据的安全性、保密性，将选定的权限对象授权给相应的用户或角色，确保隐私数据自主可控，加密存储授权调用，一方面明确数据贡献来源，另一方面可以用于明确数据责任。
本发明实现保证原始数据安全，不被污染或者篡改，保证数据不被任何形式泄露，不允许任何形式数据下载导出到服务器以外的环境。
本发明基于疾病大数据队列，采用相关性分析等数据挖掘方法充分挖掘了与消化道疾病相关的危险因素，很大程度上弥补了仅进行人工筛选的主观性；并且，在疾病大数据的支撑下，保证了危险因素不被遗漏，且保证了后续预测模型的通用性。
建立相应的消化道疾病发病的高危人群筛查模型，分析各种疾病因素在疾病发生、发展中的作用，预测个体发病风险，筛查出高危人群；在个体保险的投保过程中，可以根据个体未来疾病的发生率，按照个体情况进行保费定价，实现个体根据实际健康预测情况精准投保。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的消化道疾病数据获取方法流程图；
图2为本发明实施例1提供的数据标准化方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例公开了一种消化道疾病数据加密获取方法，包括：
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；否则，无权访问所述消化道疾病队列。
其中，当工作终端向所述云平台提起消化道疾病队列访问请求时，所述云平台对所述消化道疾病队列中的用户信息进行加密再反馈至工作终端。本领域技术人员可以理解，反馈至工作终端的疾病队列中，用户信息可以为空、可以为密文、也可以隐藏相关字段，保障了用户的隐私。并且，反馈至用户终端的数据信息不可复制。所有的数据和分析结果均存储在云平台，保障了原始数据不被污染。
在本实施例中，提供适用于多种应用的高效的、可靠的、安全的数据管理，对敏感数据采用加密形式保存，确保相关计生数据的安全性、保密性。
系统提供将选定的权限对象授权给相应的用户或角色，权限对象可以根据用户和角色两种方式进行分配。
系统提供对数据库使用性质相同或接近的用户群进行角色管理，每个用户都属于一定的角色，每一个角色包含了许多用户，用户在继承所属角色所拥有的系统权限的同时也可以拥有自己所特有的权限。
系统管理包含区划信息管理、角色权限设置、用户信息管理等功能模块。
在本实施例中，可以实现确保隐私数据自主可控，加密存储授权调用，涉及的病人基本信息、住院基本信息、住院状态变更信息、医嘱信息、用户信息、检验报告信息、检查报告信息等数据内容均可对其进行脱敏加密处理，保证原始数据安全，不被污染或者篡改，保证数据不被任何形式泄露，不允许任何形式数据下载导出到服务器以外的环境。
另外，布设在各地市的医疗信息数据库构成分布式数据库系统，从分布式数据库系统调取疾病大数据队列，具体为：
步骤1.1：根据预设的与疾病有关的字段，查找数据库系统中包含这些字段的数据表；
步骤1.2：基于查找到的数据表，抽取身份证号、疾病、疾病编码、患病时间等字段，并记录该疾病的数据来源，例如源地市、源数据表，在数据表中的ID等，生成疾病大数据队列。
基于疾病大数据队列，建立消化道疾病队列，包括以下步骤：
步骤2.1：从疾病大数据队列中检索与消化道疾病相关的疾病名称；由于消化道疾病相关的表达形式较多，此处需进行同义词扩展，本领域技术人员可以理解，还可以通过构造逻辑表达式进行检索；
步骤2.2：经由客户端由用户对检索得到的消化道疾病相关疾病名称进行审核；本领域技术人员可以理解，该审核可针对数据记录进行单独删减，也可通过构造逻辑表达式进行批量删减；
步骤2.3：根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、性别、地域等数据，得到消化道疾病队列。
消化道疾病队列中各数据均可作为索引进行额外的检索，例如，针对消化道疾病队列中的某一身份证号，可从分布式数据库中获取该身份证号对应的所有相关医疗数据记录。
另外，在本实施例中通过数据标准化模块对疾病大数据队列进行数据标准化，如图2所示：
步骤3.1：从疾病大数据队列中筛选样本数据集，将样本数据中的疾病名称与疾病分类标准中的疾病名称进行对照，将样本数据中的疾病名称进行标准化；
步骤3.2：对于疾病大数据队列中未标准化的数据，将疾病名称与样本数据中的原疾病名称进行对照，完成部分疾病名称的标准化；
步骤3.3：对于疾病大数据队列中剩余未标准化的数据，将疾病编码与疾病分类标准中的编码进行对照，对于编码对照成功的数据，将疾病分类标准中的编码相应的疾病名称写入标准化字段。
步骤3.4：经由客户端由用户对疾病大数据队列中的标准化名称进行人工审核，统计对照率，若对照率超过设定阈值，标准化结束。由于待标准化的数据量大，此处可按频数将疾病名称进行排序，仅审核频数较大的疾病名称。
所述步骤3.1：所述将样本数据中的疾病名称进行标准化包括：创建标准化名称字段，依次按照以下步骤执行标准化：
(1)名称相同对照：获取疾病名称与疾病分类标准中的疾病名称完全一致的样本数据，将原疾病名称写入标准化名称字段。
(2)名称相似对照：获取疾病名称与疾病分类标准中的疾病名称相似度超过设定阈值的样本数据，将原疾病名称写入标准化名称字段；所述相似性度量可采用余弦相似度、欧氏距离等现有文本相似度方法，在此不做限定。
(3)包含对照：获取疾病名称与疾病分类标准中的疾病名称存在包含关系的样本数据，例如“食管炎”和“反流性食管炎”，将原疾病名称写入标准化名称字段。
(4)经由客户端由用户对样本数据的标准化名称进行人工审核。具体地，人工审核时可按频数将疾病名称进行排序，优先审核频数大的疾病名称。
所述步骤3.2：对于疾病名称与样本数据中的原疾病名称满足名称相同、名称相似度大于设定阈值或存在包含关系的数据，将样本数据中原疾病名称对应的标准化名称写入标准化字段。
所述步骤3.3：具体地，将疾病编码与疾病分类标准中的编码进行对照分阶段进行：首先与疾病分类标准中的编码全部6位进行对照，其次与前4位进行对照，最后与前2位进行对照。
本实施例针对来源复杂的医疗大数据，基于多个层级的文本匹配方式，获取样本数据的标准化数据，然后基于样本的标准化数据，依次按照名称和编码匹配的方式，完成海量的数据标准化，相较于全部医疗大数据之间与标准数据直接匹配的方式，能够得到更高的标准化率和准确率，且兼顾了标准化的效率。
其次，本实施例实施安全管理，对于敏感的身份数据进行加密保存，确保数据的安全性、保密性。提供适用于多种应用的高效的、可靠的、安全的数据管理，对敏感数据采用加密形式保存，确保相关计生数据的安全性、保密性。
实施例2
本实施例提供一种消化道疾病风险预测系统，包括：
危险因素筛选模块，基于在消化道疾病病例中获取的消化道疾病相关疾病变量，与患消化道疾病事件进行相关性分析，筛选得到危险因素；
风险预测模块，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测请求获取消化道疾病发病概率预测结果。
在本实施例中，根据接收病例纳入标准和对照组匹配规则，从消化道疾病队列中获取消化道疾病病例和对照组数据，开展巢式病例对照研究。
本实施例病例纳入标准：选取预设时间段期间首次出现消化道疾病诊断记录的所有女性患者作为病例组，并且排除因患其他癌症死亡的患者；根据年龄，按设定比例为病例样本匹配对照组。
危险因素筛选模块，根据消化道疾病结局事件统计相关危险因素并进行筛选。具体地，被配置为执行以下步骤：
步骤4.1：将各消化道疾病相关疾病变量与消化道疾病结局事件进行相关性分析，将相关性大于设定阈值的危险因素作为候选危险因素；
(1)根据是否具有危险因素，构建二值化危险因素矩阵X，其中，每一行对应一个人，每一列对应一类危险因素，矩阵X的第m行第n列X(m,n)表示第m个人是否具有第n类危险因素，若是，记为1，若否，记为0；
(2)根据是否发生消化道疾病结局事件，构建二值化消化道疾病矩阵Y，其中，矩阵Y包含一列，每一行对应一个人是否发生消化道疾病结局事件；
(3)将二值化危险因素矩阵X的每一列与矩阵Y进行相关性分析，得到相关性矩阵R，矩阵R中的各元素表示各危险因素与消化道疾病的相关性，将相关性大于设定阈值的危险因素作为候选危险因素。
步骤4.2：基于贝叶斯网络，从候选危险因素中筛选最终危险因素。
贝叶斯网络是一种表示变量间连接概率的图形模式，可用于发现数据间的潜在关系，贝叶斯学习的结果表示为随机变量的概率分布，它可以解释为对不同可能性的信任程度。本实施例将所述步骤4.1中得到的候选危险因素与消化道疾病结局事件输入贝叶斯网络，得到与消化道疾病结局事件有关联的候选危险因素作为最终的危险因素。
本领域技术人员可以理解，还可以基于文献、临床数据和国家标准，人为的辅助指标筛选，采用多种指标筛选方法，防止重要指标的遗漏。
在更多实施例中，提供一种食管癌风险预测系统，基于上述方法从食管癌相关疾病变量中筛选得到危险因素；
其中，食管癌相关疾病变量包括胃食管反流、消化道出血、胃黏膜萎缩、胃炎、胃溃疡；
最终选择的危险因素包括：胃食管反流、消化道出血、胃黏膜萎缩、胃炎、胃溃疡。
基于筛选的危险因素logistic回归模型分别进行单因素分析和多因素logistic回归分析，构建食管癌风险预测模型，具体的：
(1)基于筛选的危险因素采用logistic回归模型进行单因素分析，通过逐步筛选法选择食管癌的独立预测因子。检验水准α＝0.05。
logistic回归模型的公式如下：
Figure BDA0002588434370000091
其中β0为常数项，β1，β2，…，βp为回归系数，X1，X2，…，Xp为自变量，P为预测值。
将危险因素进行多因素logistic回归分析，建立食管癌疾病预测模型。
多因素logistic回归分析结果中危险因素包括：胃食管反流、消化道出血、胃黏膜萎缩、胃炎、胃溃疡。
本实施例对模型进行多次构建，每次多引入一个新的危险指标，通过净重新分类指数(Net Reclassification Index，NRI)衡量模型的预测性能，得到预测性能最好的最终预测模型。
具体地，首先基于每个危险因素分别进行单因素建模，得到预测性能最好的初始预测模型，相应的危险因素即为最重要因素；然后，在该初始预测模型的基础上，引入其他危险因素中的一个，进行两因素建模，得到预测性能最好的两因素预测模型，新引入的危险因素即为次重要因素；依次类推，依次引入新的危险指标，直至预测模型的性能不再增强。
其中，每构建一次预测模型，均计算ROC、灵敏度、特异度；然后计算NRI＝(灵敏度test2+特异度test2)-(灵敏度test1+特异度test1)，作为模型性能的衡量指标。若NRI>0，提示在加入了新的预测因子后，新模型的预测能力有所改善，正确分类的比例提高了NRI个百分点。NRI提高越多，变量预测效果越好，变量越重要。本实施例模型的构建采用每次引入一个危险因素的方式，逐步确定与食管癌最相关的危险因素，且保证了预测的准确度，同时，对筛选得到的危险因素的重要性进行了排序。
在更多实施例中，提供一种肝癌风险预测系统，包括：
构建肝癌发病随访队列，对队列基线特征进行发病危险因素筛选。
肝癌相关疾病变量中，男性肝癌相关疾病变量包括病毒性肝炎、慢性肝炎、肝硬化、食管静脉曲张、酒精性肝病、糖尿病；女性肝癌相关疾病变量包括病毒性肝炎、自身免疫性肝炎、慢性肝炎、肝硬化、酒精性肝病、糖尿病；
男性队列筛选得到的疾病影响因素包括病毒性肝炎、肝硬化、食管静脉曲张、酒精性肝病和糖尿病；女性队列筛选得到的疾病影响因素包括病毒性肝炎、慢性肝炎、肝硬化和糖尿病。
在更多实施例中，提供一种胰脏癌风险预测系统，包括：
胰脏癌相关疾病变量包括高血压、糖尿病、胆囊切除术后、胃大部分切除术后、慢性胰腺炎、胆系疾病史、阑尾切除术后、胆囊炎、乙型病毒性肝炎、胰腺囊肿、胰腺炎。
构建胰脏癌风险预测模型，筛选的危险因素包括：高血压、糖尿病、胆系疾病史、胆囊炎、乙型病毒性肝炎、胰腺炎。
在更多实施例中，提供一种胃癌风险预测系统，包括：
胃癌相关疾病变量包括男性相关疾病变量和女性相关疾病变量，男性相关疾病变量包括急性胃炎、萎缩性胃炎、胃穿孔、肠梗阻、贫血、慢性胃炎、胃食管反流、胃溃疡、幽门螺杆菌感染、胃出血、胃息肉、腹痛腹泻；女性相关疾病变量包括急性胃炎、萎缩性胃炎、肠梗阻、贫血、慢性胃炎、胃食管反流、胃溃疡、胃出血、胃息肉、腹痛腹泻；
构建胃癌风险预测模型，筛选出的危险因素包括男性危险因素和女性危险因素，男性危险因素包括萎缩性胃炎、胃食管反流、胃溃疡、胃息肉、腹痛腹泻和幽门螺杆菌感染；女性危险因素包括萎缩性胃炎、贫血、胃食管反流、胃出血和腹痛腹泻。
在更多实施例中，提供一种结直肠癌风险预测系统，包括：
所述结直肠癌相关疾病变量包括便秘、克隆氏病、结直肠息肉、胆管炎、溃疡性结肠炎、慢性阑尾炎、慢性腹泻、肠梗阻、非酒精性脂肪肝、贫血、高脂血症、糖尿病；
构建结直肠癌风险预测模型，筛选出的危险因素包括：在男性模型中包括大肠腺瘤、结直肠息肉、溃疡性结肠炎、慢性腹泻、肠梗阻、贫血；女性模型中包括大肠腺瘤、结直肠息肉、溃疡性结肠炎、慢性阑尾炎、慢性腹泻、肠梗阻。
以结直肠癌为例，基于筛选的危险指标采用logistic回归模型进行单因素分析，通过逐步筛选法选择结直肠癌的独立预测因子，检验水准α＝0.05；
logistic回归模型的公式如下：
Figure BDA0002588434370000121
其中β0为常数项，β1，β2，…，βp为回归系数，X1，X2，…，Xp为自变量，P为预测值。
单因素回归分析后，筛选出的变量包括：男性相关疾病变量包括便秘、大肠腺瘤、克隆氏病、结直肠息肉、胆管炎、溃疡性结肠炎、慢性阑尾炎、高脂血症、慢性腹泻、肠梗阻、非酒精性脂肪肝、糖尿病、贫血；
女性相关疾病变量包括大肠腺瘤、结直肠息肉、溃疡性结肠炎、慢性阑尾炎、慢性腹泻、肠梗阻均有统计学意义；
将危险指标进行多因素logistic回归分析，结合Gail模型，建立结直肠癌疾病预测模型，
Gail模型是基于山东全人群全生命周期大数据队列人群中结直肠癌的发病风险、竞争事件风险以及多因素非条件logistic回归模型结果，将个体发生结直肠癌的相对风险值转化为绝对风险值，是一种发病风险计算的数学模型。
Gail模型的公式如下：
Figure BDA0002588434370000122
其中
Figure BDA0002588434370000123
Figure BDA0002588434370000124
为年龄别膀胱癌发病率，F(t)＝1-AR，AR为人群归因危险度。r(t)为相对风险，/>
Figure BDA0002588434370000125
是生存到t岁的竞争风险概率。
所以，最终选择的危险因素包括：在男性模型中包括大肠腺瘤、结直肠息肉、溃疡性结肠炎、慢性腹泻、肠梗阻、贫血；女性模型中包括大肠腺瘤、结直肠息肉、溃疡性结肠炎、慢性阑尾炎、慢性腹泻、肠梗阻。
在本实施例中，还包括：
用户管理模块，用于对注册用户的身份信息进行管理；
其中，系统提供将选定的权限对象授权给相应的用户或角色，权限对象可以根据用户和角色两种方式进行分配。
系统提供对数据库使用性质相同或接近的用户群进行角色管理，每个用户都属于一定的角色，每一个角色包含了许多用户，用户在继承所属角色所拥有的系统权限的同时也可以拥有自己所特有的权限。
疾病应对策略管理模块，用于对各类疾病的注意事项、应对建议进行存储；
消化道疾病概率预测模块，接收用户终端发送的预测请求，调取所述用户的历史疾病数据队列，基于消化道疾病预测模型获取消化道疾病发病概率预测结果；
具体地，对于预测模型中的每个危险因素变量，若该用户患有该危险因素相应的疾病，则对该危险因素变量赋值为1，否则赋值为0，计算该用户的消化道疾病发病概率。
消化道疾病危险因素分析模块，获取该用户有关消化道疾病的危险因素及各危险因素的贡献率；
具体地，各危险因素的贡献率计算方法为：
对于上述赋值为1的每个危险因素变量，分别赋值为0并计算消化道疾病发病概率，得到该用户不患有该危险因素相应的疾病时的发病概率；将其与消化道疾病概率预测模块得到的发病概率作差，得到每个危险因素相应的疾病对该用户得消化道疾病的贡献率。
消化道疾病危险因素指引模块，对于该用户患有的对消化道疾病有影响的疾病，获取相应的应对策略；
健康报告生成模块，用于根据健康信息、消化道疾病发病概率预测结果和消化道疾病危险因素指引结果生成可视化报告。
云平台中预先封装相关数据处理方法，上述的数据处理均在云平台执行，数据不会传输至其他终端，保证了数据的安全，保护了用户的隐私。
本实施例采用云平台作为数据汇总和数据处理的核心，与各级地市医疗机构的数据库对接，保证了数据的真实性和完整性，以及数据的安全性。
本实施例提供了针对用户的健康评估系统，能够预测用户的消化道疾病发病概率，以及该用户所患与消化道疾病有关疾病的贡献率，给出这些疾病的应对策略，起到引导用户预防消化道疾病的作用。
工作终端，包括：
数据标准化模块，用于对云平台中样本数据标准化结果和全部数据标准化结果进行审核；
消化道疾病相关疾病名称获取模块，用于接收用户输入的与消化道疾病相关的疾病名称，或用于检索疾病名称的逻辑表达式；以及对检索到的疾病名称进行审核；
危险因素确定模块，用于从云平台获取候选危险因素及其贝叶斯网络结构图，接收用户对危险因素的确认和修正并发送至云平台；
模型构建模块，用于接收病例纳入标准、对照组匹配规则以及所采用的模型；
模型修正模块，用于对所采用的模型和模型参数进行修正。
用户终端，包括：
登录认证模块，用于对用户身份进行认证；
健康报告查看模块，用于从云平台获取该用户的健康信息，包括历史体检信息、病例信息等；
消化道疾病概率预测模块，用于从云平台获取消化道疾病发病概率预测结果；
消化道疾病危险因素指引模块，用于从云平台获取该用户有关消化道疾病的危险因素及各危险因素的贡献率；
健康报告生成模块，用于根据健康信息、消化道疾病发病概率预测结果和消化道疾病危险因素指引结果生成可视化报告。
当工作终端向所述云平台提起某种消化道疾病队列访问请求时，所述云平台对所述肝癌疾病队列中的用户信息进行加密再反馈至工作终端。本领域技术人员可以理解，反馈至工作终端的疾病队列中，用户信息可以为空、可以为密文、也可以隐藏相关字段，保障了用户的隐私。并且，反馈至用户终端的数据信息不可复制。所有的数据和分析结果均存储在云平台，保障了原始数据不被污染。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测获取消化道疾病发病概率预测结果。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测获取消化道疾病发病概率预测结果。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种消化道疾病数据加密获取方法，其特征在于，包括：
对疾病大数据队列进行标准化，具体为，从疾病大数据队列中筛选样本数据集，将样本数据中的疾病名称与疾病分类标准中的疾病名称进行对照，将样本数据中的疾病名称进行标准化，包括名称相同对照、名称相似对照和包含对照；对于疾病大数据队列中未标准化的数据，将疾病名称与样本数据中的原疾病名称进行对照，完成部分疾病名称的标准化；对于疾病大数据队列中剩余未标准化的数据，将疾病编码与疾病分类标准中的编码进行对照，对于编码对照成功的数据，将疾病分类标准中的编码相应的疾病名称写入标准化字段；
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；
否则，无权访问所述消化道疾病队列；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测获取消化道疾病发病概率预测结果；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，具体为：
将各消化道疾病相关疾病变量与消化道疾病结局事件进行相关性分析，将相关性大于设定阈值的危险因素作为候选危险因素；根据是否具有危险因素，构建二值化危险因素矩阵X，其中，每一行对应一个人，每一列对应一类危险因素，矩阵X的第m行第n列X(m,n)表示第m个人是否具有第n类危险因素，若是，记为1，若否，记为0；根据是否发生消化道疾病结局事件，构建二值化消化道疾病矩阵Y，其中，矩阵Y包含一列，每一行对应一个人是否发生消化道疾病结局事件；将二值化危险因素矩阵X的每一列与矩阵Y进行相关性分析，得到相关性矩阵R，矩阵R中的各元素表示各危险因素与消化道疾病的相关性，将相关性大于设定阈值的危险因素作为候选危险因素；
基于贝叶斯网络，从候选危险因素中筛选最终危险因素；
构建消化道疾病风险预测模型，具体为：
基于筛选的危险因素采用logistic回归模型进行单因素分析，通过逐步筛选法选择食管癌的独立预测因子；logistic回归模型的公式如下：
Figure FDA0003994422020000021
其中β0为常数项，β1，β2，…，βp为回归系数，X1，X2，…，Xp为自变量，P为预测值；
将危险因素进行多因素logistic回归分析，建立食管癌疾病预测模型；
对模型进行多次构建，每次多引入一个新的危险指标，通过净重新分类指数衡量模型的预测性能，得到预测性能最好的最终预测模型；首先基于每个危险因素分别进行单因素建模，得到预测性能最好的初始预测模型，相应的危险因素即为最重要因素；然后，在该初始预测模型的基础上，引入其他危险因素中的一个，进行两因素建模，得到预测性能最好的两因素预测模型，新引入的危险因素即为次重要因素；依次类推，依次引入新的危险指标，直至预测模型的性能不再增强。
2.如权利要求1所述的一种消化道疾病数据加密获取方法，其特征在于，
所述疾病大数据队列，根据预设的与疾病有关的字段，查找数据库系统中包含这些字段的数据表；基于查找到的数据表，抽取身份证号和疾病相关的字段，生成疾病大数据队列。
3.如权利要求1所述的一种消化道疾病数据加密获取方法，其特征在于，
所述名称相同对照为获取疾病名称与疾病分类标准中的疾病名称完全一致的样本数据，将原疾病名称写入标准化名称字段；
所述名称相似对照为获取疾病名称与疾病分类标准中的疾病名称相似度超过设定阈值的样本数据，将原疾病名称写入标准化名称字段；
所述包含对照为获取疾病名称与疾病分类标准中的疾病名称存在包含关系的样本数据。
4.如权利要求1所述的一种消化道疾病数据加密获取方法，其特征在于，
疾病编码对照具体为：
首先与疾病分类标准中的编码全部6位进行对照，其次与前4位进行对照，最后与前2位进行对照。
5.如权利要求1所述的一种消化道疾病数据加密获取方法，其特征在于，
所述消化道疾病包括食管癌、胃癌、肝癌、胰脏癌和结直肠癌。
6.一种消化道疾病风险预测系统，其特征在于，包括：
危险因素筛选模块，基于在消化道疾病病例中获取的消化道疾病相关疾病变量，与患消化道疾病事件进行相关性分析，筛选得到危险因素，具体为：
将各消化道疾病相关疾病变量与消化道疾病结局事件进行相关性分析，将相关性大于设定阈值的危险因素作为候选危险因素；根据是否具有危险因素，构建二值化危险因素矩阵X，其中，每一行对应一个人，每一列对应一类危险因素，矩阵X的第m行第n列X(m,n)表示第m个人是否具有第n类危险因素，若是，记为1，若否，记为0；根据是否发生消化道疾病结局事件，构建二值化消化道疾病矩阵Y，其中，矩阵Y包含一列，每一行对应一个人是否发生消化道疾病结局事件；将二值化危险因素矩阵X的每一列与矩阵Y进行相关性分析，得到相关性矩阵R，矩阵R中的各元素表示各危险因素与消化道疾病的相关性，将相关性大于设定阈值的危险因素作为候选危险因素；
基于贝叶斯网络，从候选危险因素中筛选最终危险因素；
风险预测模块，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测请求获取消化道疾病发病概率预测结果；
构建消化道疾病风险预测模型，具体为：
基于筛选的危险因素采用logistic回归模型进行单因素分析，通过逐步筛选法选择独立预测因子；logistic回归模型的公式如下：
Figure FDA0003994422020000041
其中β0为常数项，β1，β2，…，βp为回归系数，X1，X2，…，Xp为自变量，P为预测值；
将危险因素进行多因素logistic回归分析，建立疾病预测模型；
对模型进行多次构建，每次多引入一个新的危险指标，通过净重新分类指数衡量模型的预测性能，得到预测性能最好的最终预测模型；首先基于每个危险因素分别进行单因素建模，得到预测性能最好的初始预测模型，相应的危险因素即为最重要因素；然后，在该初始预测模型的基础上，引入其他危险因素中的一个，进行两因素建模，得到预测性能最好的两因素预测模型，新引入的危险因素即为次重要因素；依次类推，依次引入新的危险指标，直至预测模型的性能不再增强。
7.如权利要求6所述的一种消化道疾病风险预测系统，其特征在于，
所述系统还包括可视化模块，获取患消化道疾病事件的危险因素、危险因素的重要程度排名及各危险因素的贡献率，生成可视化健康报告，发送至用户终端进行显示。
8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测获取消化道疾病发病概率预测结果；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，具体为：
将各消化道疾病相关疾病变量与消化道疾病结局事件进行相关性分析，将相关性大于设定阈值的危险因素作为候选危险因素；根据是否具有危险因素，构建二值化危险因素矩阵X，其中，每一行对应一个人，每一列对应一类危险因素，矩阵X的第m行第n列X(m,n)表示第m个人是否具有第n类危险因素，若是，记为1，若否，记为0；根据是否发生消化道疾病结局事件，构建二值化消化道疾病矩阵Y，其中，矩阵Y包含一列，每一行对应一个人是否发生消化道疾病结局事件；将二值化危险因素矩阵X的每一列与矩阵Y进行相关性分析，得到相关性矩阵R，矩阵R中的各元素表示各危险因素与消化道疾病的相关性，将相关性大于设定阈值的危险因素作为候选危险因素；
基于贝叶斯网络，从候选危险因素中筛选最终危险因素；
构建消化道疾病风险预测模型，具体为：
基于筛选的危险因素采用logistic回归模型进行单因素分析，通过逐步筛选法选择食管癌的独立预测因子；logistic回归模型的公式如下：
Figure FDA0003994422020000061
其中β0为常数项，β1，β2，…，βp为回归系数，X1，X2，…，Xp为自变量，P为预测值；
将危险因素进行多因素logistic回归分析，建立食管癌疾病预测模型；
对模型进行多次构建，每次多引入一个新的危险指标，通过净重新分类指数衡量模型的预测性能，得到预测性能最好的最终预测模型；首先基于每个危险因素分别进行单因素建模，得到预测性能最好的初始预测模型，相应的危险因素即为最重要因素；然后，在该初始预测模型的基础上，引入其他危险因素中的一个，进行两因素建模，得到预测性能最好的两因素预测模型，新引入的危险因素即为次重要因素；依次类推，依次引入新的危险指标，直至预测模型的性能不再增强。
9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：
根据消化道疾病相关疾病名称，从疾病大数据队列中匹配身份证号、姓名、性别以及地域数据，得到消化道疾病队列；
在所述消化道疾病队列中，对身份证号、姓名、性别以及地域数据进行脱敏加密，并设置数据调取权限；
根据消化道疾病队列访问请求，验证用户权限是否在数据调取权限范围内，若在，则通过用户ID验证调取密码，通过认证后，获取访问消化道疾病队列的权限，并获取消化道疾病病例，在消化道疾病病例中获取消化道疾病相关疾病变量；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，基于筛选的危险因素构建消化道疾病风险预测模型，根据接收发病风险预测获取消化道疾病发病概率预测结果；
将消化道疾病相关疾病变量与患消化道疾病事件进行相关性分析，筛选得到危险因素，具体为：
将各消化道疾病相关疾病变量与消化道疾病结局事件进行相关性分析，将相关性大于设定阈值的危险因素作为候选危险因素；根据是否具有危险因素，构建二值化危险因素矩阵X，其中，每一行对应一个人，每一列对应一类危险因素，矩阵X的第m行第n列X(m,n)表示第m个人是否具有第n类危险因素，若是，记为1，若否，记为0；根据是否发生消化道疾病结局事件，构建二值化消化道疾病矩阵Y，其中，矩阵Y包含一列，每一行对应一个人是否发生消化道疾病结局事件；将二值化危险因素矩阵X的每一列与矩阵Y进行相关性分析，得到相关性矩阵R，矩阵R中的各元素表示各危险因素与消化道疾病的相关性，将相关性大于设定阈值的危险因素作为候选危险因素；
基于贝叶斯网络，从候选危险因素中筛选最终危险因素；
构建消化道疾病风险预测模型，具体为：
基于筛选的危险因素采用logistic回归模型进行单因素分析，通过逐步筛选法选择食管癌的独立预测因子；logistic回归模型的公式如下：
Figure FDA0003994422020000081
/>
其中β0为常数项，β1，β2，…，βp为回归系数，X1，X2，…，Xp为自变量，P为预测值；
将危险因素进行多因素logistic回归分析，建立食管癌疾病预测模型；
对模型进行多次构建，每次多引入一个新的危险指标，通过净重新分类指数衡量模型的预测性能，得到预测性能最好的最终预测模型；首先基于每个危险因素分别进行单因素建模，得到预测性能最好的初始预测模型，相应的危险因素即为最重要因素；然后，在该初始预测模型的基础上，引入其他危险因素中的一个，进行两因素建模，得到预测性能最好的两因素预测模型，新引入的危险因素即为次重要因素；依次类推，依次引入新的危险指标，直至预测模型的性能不再增强。
CN202010688366.8A 2020-07-16 2020-07-16 一种消化道疾病数据加密获取方法及风险预测系统 Active CN111814169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010688366.8A CN111814169B (zh) 2020-07-16 2020-07-16 一种消化道疾病数据加密获取方法及风险预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010688366.8A CN111814169B (zh) 2020-07-16 2020-07-16 一种消化道疾病数据加密获取方法及风险预测系统

Publications (2)

Publication Number Publication Date
CN111814169A CN111814169A (zh) 2020-10-23
CN111814169B true CN111814169B (zh) 2023-03-28

Family

ID=72866349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010688366.8A Active CN111814169B (zh) 2020-07-16 2020-07-16 一种消化道疾病数据加密获取方法及风险预测系统

Country Status (1)

Country Link
CN (1) CN111814169B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160995A (zh) * 2020-12-31 2021-07-23 上海明品医学数据科技有限公司 一种消化道穿孔诊断装置、干预装置及诊断干预系统
CN113259382B (zh) * 2021-06-16 2021-09-24 上海有孚智数云创数字科技有限公司 数据传输方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007128240A (ja) * 2005-11-02 2007-05-24 Hikari Fiber Service:Kk 分散ネットワークストレージ
CN104392405A (zh) * 2014-11-14 2015-03-04 杭州银江智慧医疗集团有限公司 电子病历安全系统
CN106778186A (zh) * 2017-02-14 2017-05-31 南方科技大学 一种用于虚拟现实交互设备的身份识别方法及装置
CN107085666B (zh) * 2017-05-24 2020-07-17 山东大学 疾病风险评估与个性化健康报告生成系统及方法
CN110957025A (zh) * 2019-12-02 2020-04-03 重庆亚德科技股份有限公司 一种医疗卫生信息安全管理系统

Also Published As

Publication number Publication date
CN111814169A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
Steyerberg et al. Assessment of heterogeneity in an individual participant data meta‐analysis of prediction models: An overview and illustration
Dias et al. Evidence synthesis for decision making 1: introduction
CA2564307C (en) Data record matching algorithms for longitudinal patient level databases
Pignone et al. Challenges in systematic reviews of economic analyses
US10242213B2 (en) Asymmetric journalist risk model of data re-identification
Wynants et al. Random‐effects meta‐analysis of the clinical utility of tests and prediction models
US11152120B2 (en) Identifying a treatment regimen based on patient characteristics
CN111814169B (zh) 一种消化道疾病数据加密获取方法及风险预测系统
Efendi et al. A goodness-of-fit test for the random-effects distribution in mixed models
Vickers An evaluation of survival curve extrapolation techniques using long-term observational cancer data
Grund et al. Using synthetic data to improve the reproducibility of statistical results in psychological research.
CN111883253A (zh) 基于医学知识库的疾病数据分析方法和肺癌风险预测系统
Verbeeck et al. Unbiasedness and efficiency of non-parametric and UMVUE estimators of the probabilistic index and related statistics
Schwendicke et al. Artificial intelligence for caries detection: value of data and information
Simkus et al. Statistical reproducibility for pairwise t-tests in pharmaceutical research
Merola et al. Oncology drug effectiveness from electronic health record data calibrated against RCT evidence: the PARSIFAL trial emulation
Rodriguez-Lopez et al. Cross-classified Multilevel Analysis of Individual Heterogeneity and Discriminatory Accuracy (MAIHDA) to evaluate hospital performance: the case of hospital differences in patient survival after acute myocardial infarction
Carozza et al. The adaptive stochasticity hypothesis: Modeling equifinality, multifinality, and adaptation to adversity
CN111816318A (zh) 一种心脏疾病数据队列生成方法和风险预测系统
Mugdha et al. Extended Epidemiological Models for Weak Economic Region: Case Studies of the Spreading of COVID‐19 in the South Asian Subcontinental Countries
Ye et al. Identifying patients with inflammatory bowel diseases in an administrative health claims database: do algorithms generate similar findings?
WO2023034453A1 (en) Data repository, system, and method for cohort selection
Encantado et al. Development and cross-cultural validation of the goal content for weight maintenance scale (GCWMS)
Ramires et al. Predicting the cure rate of breast cancer using a new regression model with four regression structures
Barnett Automated detection of over-and under-dispersion in baseline tables in randomised controlled trials

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