CN112102955B - 一种基于高斯混合模型的患者疾病预测控制系统与方法 - Google Patents
一种基于高斯混合模型的患者疾病预测控制系统与方法 Download PDFInfo
- Publication number
- CN112102955B CN112102955B CN202010927450.0A CN202010927450A CN112102955B CN 112102955 B CN112102955 B CN 112102955B CN 202010927450 A CN202010927450 A CN 202010927450A CN 112102955 B CN112102955 B CN 112102955B
- Authority
- CN
- China
- Prior art keywords
- data
- customer
- module
- disease
- classification
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 203
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000000203 mixture Substances 0.000 title claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007621 cluster analysis Methods 0.000 claims abstract description 18
- 239000003814 drug Substances 0.000 claims description 145
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 229940079593 drug Drugs 0.000 claims description 50
- 230000006399 behavior Effects 0.000 claims description 16
- 238000003064 k means clustering Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 206010067484 Adverse reaction Diseases 0.000 claims description 5
- 230000006838 adverse reaction Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims 1
- 208000027691 Conduct disease Diseases 0.000 abstract 1
- 238000007635 classification algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 208000015550 Fear of disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于高斯混合模型的患者疾病预测控制系统与方法，系统包含数据处理模块、聚类分析模块、分类预测模块、患者管理模块、数据库；方法步骤如下数据获取模块从数据库拉取顾客数据并传输至数据预处理模块，数据预处理模块对顾客数据进行清洗、转换、整合后特征提取模块从中提取特征；聚类分析模块采用高斯混合模型对顾客数据进行聚类分析得到顾客患某种类型疾病的概率，根据该概率进行疾病分类归类得到特征数据集；分类预测模块获取特征数据集并将其作为样本训练分类模型对未知顾客的个人数据进行疾病预测得到疾病预测数据；患者管理模块获取顾客的个人数据、疾病预测数据并管理，患者管理模块依据疾病预测数据发送预测结果至客户端。
Description
技术领域
本发明涉及疾病预测系统领域，具体涉及一种基于高斯混合模型的患者疾病预测控制系统与方法。
背景技术
在药店行业，每位顾客都有自己的健康需求，公司构建的药品标准分类库中包含药品对应的疾病类型信息，但是考虑购买行为的偶然性和时效性，不能简单地根据顾客是否购买过某疾病类型药品，就判定顾客是否患有相应疾病，比如，考虑某种慢性病，若活跃顾客A最近一年内只在早期有过一两次购买相关药品的记录，活跃顾客B最近一年内经常购买相关药品，那么顾客B患该种疾病的概率极大，而顾客A大概率不患有该种疾病，为了给顾客提供更加专业化和个性化的健康服务，考虑到药店顾客所患疾病信息是没法直接获得或确定的，我们需要准确识别出顾客的疾病类型，但是药店顾客的购药记录数据中和会员数据中不包含其所患疾病的任何信息，无法进行疾病分类，无法直接使用分类算法训练数据并预测，因此需要借助机器学习算法和大数据技术，并根据顾客购药数据、会员数据、购药行为、药品类别信息，对顾客进行用户建模和分类预测，以得到每位顾客所患的疾病类型，并根据顾客购药数据、会员数据、购药行为、药品类别信息提取顾客购药特征（静态和动态），结合药品标准分类信息利用聚类算法对药店购药顾客进行人群划分，得到不同疾病类型的患者集群与疾病分类结果，以上述得到的疾病分类结果和对应的顾客购药特征数据作为训练样本，利用分类算法构建患者疾病类型预测模型，实现对未知分类顾客的快速预测，也便于连锁药店进行后续的会员管理；
目前，在疾病预测方面，尽管有许多方案被提出，但它们基本都是根据已知疾病类型患者的数据进行机器学习建模的，从机器学习角度来看，它们解决的是一个有监督学习问题；
高斯混合模型（GMM）是一种广泛使用的聚类算法，以高斯分布作为参数模型，采用期望最大算法进行训练；
极端梯度提升算法（XGBoost算法）是梯度提升决策树算法的一种实现，采用Boosting集成学习方式，顺序地增加弱学习器，以修正现有模型的预测误差，在添加新的弱学习器时，使用梯度下降算法来最小化损失，此外，XGBoost算法既能处理分类预测问题，也能处理回归预测问题；
XGBoost算法优势主要体现两个方面，在算法方面，对于结构化数据的分类和回归预测，XGBoost可以实现最优的预测性能，在工程方面，XGBoost可以最大化利用提供的计算资源；
z分数（z-score），也叫标准分数（standard score）是一个数与平均数的差再除以标准差的过程；
K-means一般指K均值聚类算法，k均值聚类算法（k-means clusteringalgorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；
目前尚未有针对未知疾病类型患者的数据进行机器学习建模的有效方案，本领域亟需解决的是无监督学习问题。
发明内容
本发明要解决的技术问题是现有的药品标准分类库中包含药品对应的疾病类型信息，但是考虑购买行为的偶然性和时效性，不能简单地根据顾客是否购买过某疾病类型药品，就判定顾客是否患有相应疾病，本发明提供一种基于高斯混合模型的患者疾病预测控制系统，能够通过本系统提供的数据处理模块、聚类分析模块、分类预测模块、患者管理模块、数据库，能够根据顾客购药数据和会员数据，提取顾客购药特征（静态和动态），结合药品标准分类信息，先利用高斯混合模型GMM聚类算法对药店购药顾客进行人群划分，得到不同疾病类型的患者集群，再以上述得到的疾病分类结果和对应的顾客购药特征数据作为训练样本，利用分类算法如XGBoost算法构建患者疾病类型预测模型，实现对未知分类顾客（即未知疾病类型患者）的快速预测，解决无监督学习问题，用以解决现有技术导致的缺陷。
本发明还提供一种基于高斯混合模型的患者疾病预测控制方法。
为解决上述技术问题本发明提供以下的技术方案：
第一方面，一种基于高斯混合模型的患者疾病预测控制系统，其中，包含数据处理模块、聚类分析模块、分类预测模块、患者管理模块、数据库；
所述数据处理模块内置有用于从所述数据库拉取顾客数据的数据获取模块，用于对所述顾客数据进行清洗、转换、整合的数据预处理模块，用于从所述顾客数据中提取特征的特征提取模块，所述顾客数据主要包括药店顾客购药记录、药店顾客会员数据和公司自建的药品标准分类数据等，其中，药品标准分类信息存储药品对应的疾病分类信息；药店顾客会员数据主要提供患者会员卡和其联系方式的对应关系信息；在整合购药数据和药品分类数据时，考虑药品的特殊性，采用正则化方法进行药品名精准匹配，即将药店销售数据中的药品名精准匹配到公司自建的药品标准分类库中，这样就完成了两个数据集的整合；根据药品对应的疾病分类信息，对顾客的购药行为数据进行特征提取。提取的特征包括：顾客购买相关疾病药品行为对应的购药时间跨度、最近一次购药距当前的天数、累计购买次数和平均单次购买数量；顾客整体购药行为对应的购药时间跨度、最近一次购药距当前的天数、累计购买次数和平均单次购买数量，由于不同特征的量纲不同，采用Z-score进行标准化处理。
所述聚类分析模块采用高斯混合模型对所述顾客数据进行聚类分析得到顾客患某种类型疾病的概率，根据该概率进行疾病分类归类得到传输至所述分类预测模块的特征数据集，以疾病类型为单位，将患者进行二分类，从而得到是否患有某种疾病类型的患者集群；高斯混合模型（GMM），是一种广泛使用的聚类算法，以高斯分布作为参数模型，采用期望最大算法进行训练；由于基于期望最大算法的高斯混合模型其聚类结果受初始参数影响较大且收敛较慢，为了得到一组合适的初始参数值和加快收敛，即在进行高斯混合模型建模前，先使用K-means聚类算法进行预处理，从结果中提取均值向量、协方差矩阵和混合权重，作为参数的初始值；采用高斯混合模型（GMM）进行聚类分析，得到的是每位患者患某种类型疾病的概率，进一步可以根据设定的概率阈值将患者进行疾病分类，比如，可以分别从患者人群中筛选出患某种类型疾病概率值较高和较低的群体，并根据概率值大小将这部分人群按疾病类型归类，这样就得到了带有疾病分类的特征数据集；
所述分类预测模块将所述特征数据集作为样本训练分类模型对未知顾客的个人数据进行疾病预测，得到疾病预测数据，所述样本训练分类模型为XGBoost模型，XGBoost算法，是梯度提升决策树算法的一种实现，采用Boosting集成学习方式，顺序地增加弱学习器，以修正现有模型的预测误差，在添加新的弱学习器时，使用梯度下降算法来最小化损失，此外，XGBoost算法既能处理分类预测问题，也能处理回归预测问题，XGBoost算法优势主要体现两个方面：在算法方面，对于结构化数据的分类和回归预测，XGBoost可以实现最优的预测性能；在工程方面，XGBoost可以最大化利用提供的计算资源；
所述患者管理模块用于获取并管理顾客的个人数据、疾病预测数据，还用于将所述顾客的个人数据、所述疾病预测数据传输至所述数据库，其中，所述患者管理模块用于患者教育、专家咨询、定期随访、用药指导和疾病知识推送，患者教育主要侧重对患者的生活方式进行相关指导；专家咨询提供咨询服务，针对患者提出的进疾病相关的问题进行解答；定期随访主要是对患者定期查访，了解患者的病情变化，有助于进一步了解药物的疗效并增强与患者的联系；用药指导主要是用法用量指导，以实现患者科学用药；此外，也会教导患者相关药物的不良反应和应对措施；疾病知识推送通过微信或短信的方式将疾病的起因、主要症状和危害等相关知识发送给患有该疾病的患者，帮助患者认识和了解该疾病；有助于患者减少对疾病的恐惧和进行一定的自我健康管理；每个子模块都可以独立使用，也可以结合其它患者信息将这些子模块进行组合，提供个性化的患者管理服务。
上述的一种基于高斯混合模型的患者疾病预测控制系统，其中，还包含反馈补充模块；
所述反馈补充模块用于与客户端创建连接获取顾客的反馈数据，并依据所述反馈数据对顾客的疾病预测数据进行校验生成传输至所述分类预测模块的校验数据；
所述反馈补充模块还用于与医疗机构服务端创建连接获取医院处方数据，并将所述医院处方数据分别传输至所述聚类分析模块与所述分类预测模块。
上述的一种基于高斯混合模型的患者疾病预测控制系统，其中，所述顾客数据包含顾客购药记录数据、药店顾客会员数据、公司自建药品标准分类数据；
所述药店顾客会员数据包含顾客会员卡信息数据与顾客联系方式信息数据；
所述公司自建药品标准分类数据包含药品信息数据以及与药品对应的疾病分类信息数据；
所述数据预处理模块采用正则化方法对所述顾客数据内的药品名精准匹配到所述公司自建药品标准分类数据中；
所述特征提取模块从所述顾客数据中的所述顾客购药记录数据中提取顾客购买药品行为对应的购药时间跨度数据、最近一次购药距当前的天数数据、累计购买药品次数数据、平均单次购买药品数量数据后通过Z-score进行标准化处理。
上述的一种基于高斯混合模型的患者疾病预测控制系统，其中，所述聚类分析模块内置有聚类预处理模块；
所述聚类预处理模块采用K-means聚类算法对顾客疾病数据进行提取均值向量、协方差矩阵、混合权重处理后生成参数初始值；
所述聚类分析模块采用高斯混合模型对所述参数初始值进行聚类分析得到顾客患某种类型疾病的概率值，根据概率阈值与上述概率值大小对顾客进行疾病类型分类归类得到所述特征数据集，概率阈值是一个阈值，通常设置为0.5，用于与聚类得到的样本的概率值进行比较，以判定是否患有某疾病。
上述的一种基于高斯混合模型的患者疾病预测控制系统，其中，所述患者管理模块包含患者教育信息推送模块、专家咨询模块、定期随访确认模块、用药指导信息推送模块、疾病知识推送模块；
所述患者教育模块用于对患有特定疾病的患者通过微信或短信等方式推荐对应的健康生活方式信息，帮助减轻或改善患者病情；
所述专家咨询模块用于根据患者的疾病分类信息，提供相关科室的远程问诊服务，实现智能导诊；，
所述定期随访模块用于将分类得到的患有某些疾病的顾客名单信息反馈给顾客会员所在的药店，助力其开展定期随访服务；
所述用药指导模块用于结合疾病分类结果和患者的购药行为特征通过微信或短信等方式推送药品的用法用量、不良反应和应对措施等指导信息；
所述疾病知识推送模块用于通过所述数据库查询患者疾病分类结果并筛选出患有特定疾病的人群，然后通过微信或短信等方式推送对应的疾病知识信息；
生活方式信息、用药指导知识信息、疾病知识信息是由专业的营养师和药师整理编辑的；
患者的疾病预测结果会存储在所述数据库中，整个所述患者管理模块主要是应用疾病分类结果，相关的干预数据也会存储，用于后续统计和分析。
第二方面，一种基于高斯混合模型的患者疾病预测控制方法，其中，包含以下步骤：
步骤A1：数据获取模块从数据库拉取顾客数据并传输至数据预处理模块，数据预处理模块对顾客数据进行清洗、转换、整合后特征提取模块从顾客数据中提取特征；
步骤A2：聚类分析模块采用高斯混合模型对顾客数据进行聚类分析得到顾客患某种类型疾病的概率，根据该概率进行疾病分类归类得到特征数据集；
步骤A3：分类预测模块获取特征数据集并将其作为样本训练分类模型对未知顾客的个人数据进行疾病预测，得到疾病预测数据；
步骤A4：患者管理模块获取顾客的个人数据、疾病预测数据并管理，患者管理模块依据疾病预测数据发送预测结果至客户端，便于客户查看。
上述的一种基于高斯混合模型的患者疾病预测控制方法，其中，所述顾客数据包含顾客购药记录数据、药店顾客会员数据、公司自建药品标准分类数据；
所述药店顾客会员数据包含顾客会员卡信息数据与顾客联系方式信息数据；
所述公司自建药品标准分类数据包含药品信息数据以及与药品对应的疾病分类信息数据；
所述数据预处理模块采用正则化方法对所述顾客数据内的药品名精准匹配到所述公司自建药品标准分类数据中；
所述特征提取模块从所述顾客数据中的所述顾客购药记录数据中提取顾客购买药品行为对应的购药时间跨度数据、最近一次购药距当前的天数数据、累计购买药品次数数据、平均单次购买药品数量数据后通过Z-score进行标准化处理。
上述的一种基于高斯混合模型的患者疾病预测控制方法，其中，所述聚类预处理模块采用K-means聚类算法对顾客疾病数据进行提取均值向量、协方差矩阵、混合权重处理后生成参数初始值；
所述聚类分析模块采用高斯混合模型对所述参数初始值进行聚类分析得到顾客患某种类型疾病的概率值，根据概率阈值与上述概率值大小对顾客进行疾病类型分类归类得到所述特征数据集。
上述的一种基于高斯混合模型的患者疾病预测控制方法，其中，所述分类预测模块的分类预测方法包含以下步骤：
步骤B1：使用标签编码方法将字符型疾病类别变量转换为数值型变量，其取值为0或1；
步骤B2：使用分层交叉验证方法评估样本训练分类模型的性能；
步骤B3：采用基于特征列子采样的随机梯度提升决策树模型；
步骤B4：使用网格搜索法优化样本训练分类模型的三个主要超参数，即树的数量、树的层数和学习速率；
步骤B5：将训练好的样本训练分类模型以文件形式保存，用以发布或更新模型；
步骤B6：利用训练好的模型对未知疾病分类的购药顾客进行疾病预测，并将预测结果保存到数据库中供后续分析和其它业务应用。
第三方面，一种芯片，其中，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如上任一项所述的方法。
依据上述本发明一种基于高斯混合模型的患者疾病预测控制系统与方法的技术方案具有以下技术效果：
本系统提供的数据处理模块、聚类分析模块、分类预测模块、患者管理模块、数据库，能够根据顾客购药数据和会员数据，提取顾客购药特征（静态和动态），结合药品标准分类信息，先利用高斯混合模型GMM聚类算法对药店购药顾客进行人群划分，得到不同疾病类型的患者集群，再以上述得到的疾病分类结果和对应的顾客购药特征数据作为训练样本，利用分类算法如XGBoost算法构建患者疾病类型预测模型，实现对未知分类顾客（未知疾病类型患者）的快速预测，解决无监督学习问题。
附图说明
图1为本发明一种基于高斯混合模型的患者疾病预测控制系统的结构示意图；
图2为本发明一种基于高斯混合模型的患者疾病预测控制系统中聚类分析模块处理过程的流程图；
图3为本发明一种基于高斯混合模型的患者疾病预测控制方法的流程图。
具体实施方式
为了使发明实现的技术手段、创造特征、达成目的和功效易于明白了解，下结合具体图示，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本发明的一较佳实施例是提供一种基于高斯混合模型的患者疾病预测控制系统，目的是通过本系统提供的数据处理模块、聚类分析模块、分类预测模块、患者管理模块、数据库，能够根据顾客购药数据和会员数据，提取顾客购药特征（静态和动态），结合药品标准分类信息，先利用高斯混合模型GMM聚类算法对药店购药顾客进行人群划分，得到不同疾病类型的患者集群，再以上述得到的疾病分类结果和对应的顾客购药特征数据作为训练样本，利用分类算法如XGBoost算法构建患者疾病类型预测模型，实现对未知分类顾客的快速预测。
如图1-2所示，第一方面，一种基于高斯混合模型的患者疾病预测控制系统，其中，包含数据处理模块、聚类分析模块、分类预测模块、患者管理模块、数据库；
数据处理模块内置有用于从数据库拉取顾客数据的数据获取模块，用于对顾客数据进行清洗、转换、整合的数据预处理模块，用于从顾客数据中提取特征的特征提取模块，顾客数据主要包括药店顾客购药记录、药店顾客会员数据和公司自建的药品标准分类数据等，其中，药品标准分类信息存储药品对应的疾病分类信息；药店顾客会员数据主要提供患者会员卡和其联系方式的对应关系信息；在整合购药数据和药品分类数据时，考虑药品的特殊性，采用正则化方法进行药品名精准匹配，即将药店销售数据中的药品名精准匹配到公司自建的药品标准分类库中，这样就完成了两个数据集的整合；根据药品对应的疾病分类信息，对顾客的购药行为数据进行特征提取。提取的特征包括：顾客购买相关疾病药品行为对应的购药时间跨度、最近一次购药距当前的天数、累计购买次数和平均单次购买数量；顾客整体购药行为对应的购药时间跨度、最近一次购药距当前的天数、累计购买次数和平均单次购买数量，由于不同特征的量纲不同，采用Z-score进行标准化处理。
聚类分析模块采用高斯混合模型对顾客数据进行聚类分析得到顾客患某种类型疾病的概率，根据该概率进行疾病分类归类得到传输至分类预测模块的特征数据集，以疾病类型为单位，将患者进行二分类，从而得到是否患有某种疾病类型的患者集群；高斯混合模型（GMM），是一种广泛使用的聚类算法，以高斯分布作为参数模型，采用期望最大算法进行训练；由于基于期望最大算法的高斯混合模型其聚类结果受初始参数影响较大且收敛较慢，为了得到一组合适的初始参数值和加快收敛，即在进行高斯混合模型建模前，先使用K-means聚类算法进行预处理，从结果中提取均值向量、协方差矩阵和混合权重，作为参数的初始值；采用高斯混合模型（GMM）进行聚类分析，得到的是每位患者患某种类型疾病的概率，进一步可以根据设定的概率阈值将患者进行疾病分类，比如，可以分别从患者人群中筛选出患某种类型疾病概率值较高和较低的群体，并根据概率值大小将这部分人群按疾病类型归类，这样就得到了带有疾病分类的特征数据集；
分类预测模块将特征数据集作为样本训练分类模型对未知顾客的个人数据进行疾病预测，得到疾病预测数据，样本训练分类模型为XGBoost模型，XGBoost算法，是梯度提升决策树算法的一种实现，采用Boosting集成学习方式，顺序地增加弱学习器，以修正现有模型的预测误差，在添加新的弱学习器时，使用梯度下降算法来最小化损失，此外，XGBoost算法既能处理分类预测问题，也能处理回归预测问题，XGBoost算法优势主要体现两个方面：在算法方面，对于结构化数据的分类和回归预测，XGBoost可以实现最优的预测性能；在工程方面，XGBoost可以最大化利用提供的计算资源；
患者管理模块用于获取并管理顾客的个人数据、疾病预测数据，还用于将顾客的个人数据、疾病预测数据传输至数据库，其中，患者管理模块用于患者教育、专家咨询、定期随访、用药指导和疾病知识推送，患者教育主要侧重对患者的生活方式进行相关指导；专家咨询提供咨询服务，针对患者提出的进疾病相关的问题进行解答；定期随访主要是对患者定期查访，了解患者的病情变化，有助于进一步了解药物的疗效并增强与患者的联系；用药指导主要是用法用量指导，以实现患者科学用药；此外，也会教导患者相关药物的不良反应和应对措施；疾病知识推送通过微信或短信的方式将疾病的起因、主要症状和危害等相关知识发送给患有该疾病的患者，帮助患者认识和了解该疾病；有助于患者减少对疾病的恐惧和进行一定的自我健康管理；每个子模块都可以独立使用，也可以结合其它患者信息将这些子模块进行组合，提供个性化的患者管理服务。
其中，还包含反馈补充模块；
反馈补充模块用于与客户端创建连接获取顾客的反馈数据，并依据反馈数据对顾客的疾病预测数据进行校验生成传输至分类预测模块的校验数据；
反馈补充模块还用于与医疗机构服务端创建连接获取医院处方数据，并将医院处方数据分别传输至聚类分析模块与分类预测模块。
其中，顾客数据包含顾客购药记录数据、药店顾客会员数据、公司自建药品标准分类数据；
药店顾客会员数据包含顾客会员卡信息数据与顾客联系方式信息数据；
公司自建药品标准分类数据包含药品信息数据以及与药品对应的疾病分类信息数据；
数据预处理模块采用正则化方法对顾客数据内的药品名精准匹配到公司自建药品标准分类数据中；
特征提取模块从顾客数据中的顾客购药记录数据中提取顾客购买药品行为对应的购药时间跨度数据、最近一次购药距当前的天数数据、累计购买药品次数数据、平均单次购买药品数量数据后通过Z-score进行标准化处理。
其中，聚类分析模块内置有聚类预处理模块；
聚类预处理模块采用K-means聚类算法对顾客疾病数据进行提取均值向量、协方差矩阵、混合权重处理后生成参数初始值；
聚类分析模块采用高斯混合模型对参数初始值进行聚类分析得到顾客患某种类型疾病的概率值，根据概率阈值与上述概率值大小对顾客进行疾病类型分类归类得到特征数据集，概率阈值是一个阈值，通常设置为0.5，用于与聚类得到的样本的概率值进行比较，以判定是否患有某疾病。
其中，患者管理模块包含患者教育信息推送模块、专家咨询模块、定期随访确认模块、用药指导信息推送模块、疾病知识推送模块；
患者教育模块用于对患有特定疾病的患者通过微信或短信等方式推荐对应的健康生活方式信息，帮助减轻或改善患者病情；
专家咨询模块用于根据患者的疾病分类信息，提供相关科室的远程问诊服务，实现智能导诊；，
定期随访模块用于将分类得到的患有某些疾病的顾客名单信息反馈给顾客会员所在的药店，助力其开展定期随访服务；
用药指导模块用于结合疾病分类结果和患者的购药行为特征通过微信或短信等方式推送药品的用法用量、不良反应和应对措施等指导信息；
疾病知识推送模块用于通过数据库查询患者疾病分类结果并筛选出患有特定疾病的人群，然后通过微信或短信等方式推送对应的疾病知识信息；
生活方式信息、用药指导知识信息、疾病知识信息是由专业的营养师和药师整理编辑的；
患者的疾病预测结果会存储在数据库中，整个患者管理模块主要是应用疾病分类结果，相关的干预数据也会存储，用于后续统计和分析。
如图3所示，第二方面，一种基于高斯混合模型的患者疾病预测控制方法，其中，包含以下步骤：
步骤A1：数据获取模块从数据库拉取顾客数据并传输至数据预处理模块，数据预处理模块对顾客数据进行清洗、转换、整合后特征提取模块从顾客数据中提取特征；
步骤A2：聚类分析模块采用高斯混合模型对顾客数据进行聚类分析得到顾客患某种类型疾病的概率，根据该概率进行疾病分类归类得到特征数据集；
步骤A3：分类预测模块获取特征数据集并将其作为样本训练分类模型对未知顾客的个人数据进行疾病预测，得到疾病预测数据；
步骤A4：患者管理模块获取顾客的个人数据、疾病预测数据并管理，患者管理模块依据疾病预测数据发送预测结果至客户端，便于客户查看。
其中，顾客数据包含顾客购药记录数据、药店顾客会员数据、公司自建药品标准分类数据；
药店顾客会员数据包含顾客会员卡信息数据与顾客联系方式信息数据；
公司自建药品标准分类数据包含药品信息数据以及与药品对应的疾病分类信息数据；
数据预处理模块采用正则化方法对顾客数据内的药品名精准匹配到公司自建药品标准分类数据中；
特征提取模块从顾客数据中的顾客购药记录数据中提取顾客购买药品行为对应的购药时间跨度数据、最近一次购药距当前的天数数据、累计购买药品次数数据、平均单次购买药品数量数据后通过Z-score进行标准化处理。
其中，聚类预处理模块采用K-means聚类算法对顾客疾病数据进行提取均值向量、协方差矩阵、混合权重处理后生成参数初始值；
聚类分析模块采用高斯混合模型对参数初始值进行聚类分析得到顾客患某种类型疾病的概率值，根据概率阈值与上述概率值大小对顾客进行疾病类型分类归类得到特征数据集。
其中，分类预测模块的分类预测方法包含以下步骤：
步骤B1：使用标签编码方法将字符型疾病类别变量转换为数值型变量，其取值为0或1；
步骤B2：使用分层交叉验证方法评估样本训练分类模型的性能；
步骤B3：采用基于特征列子采样的随机梯度提升决策树模型；
步骤B4：使用网格搜索法优化样本训练分类模型的三个主要超参数，即树的数量、树的层数和学习速率；
步骤B5：将训练好的样本训练分类模型以文件形式保存，用以发布或更新模型；
步骤B6：利用训练好的模型对未知疾病分类的购药顾客进行疾病预测，并将预测结果保存到数据库中供后续分析和其它业务应用。
第三方面，一种芯片，其中，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有芯片的设备执行：如上述任一项的方法。
第四方面，一种计算机可读存储介质，其中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的方法的步骤。
例如，存储器可以包括随机存储器、闪存、只读存储器、可编程只读存储器、非易失性存储器或寄存器等；
处理器可以是中央处理器（Central Processing Unit，CPU）等，或者是图像处理器 (Graphic Processing Unit,GPU)存储器可以存储可执行指令；
处理器可以执行在存储器中存储的执行指令，从而实现本文描述的各个过程。
可以理解，本实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者；
其中，非易失性存储器可以是ROM (Read-OnlyMemory，只读存储器)、PROM(ProgrammableROM，可编程只读存储器)、EPROM (ErasablePROM，可擦除可编程只读存储器)、EEPROM (ElectricallyEPROM，电可擦除可编程只读存储器)或闪存。
易失性存储器可以是RAM (RandomAccessMemory，随机存取存储器)，其用作外部高速缓存；
通过示例性但不是限制性说明，许多形式的RAM可用，例如SRAM (StaticRAM，静态随机存取存储器)、DRAM (DynamicRAM，动态随机存取存储器)、SDRAM (SynchronousDRAM，同步动态随机存取存储器)、DDRSDRAM (DoubleDataRate SDRAM，双倍数据速率同步动态随机存取存储器)、ESDRAM (Enhanced SDRAM，增强型同步动态随机存取存储器)、SLDRAM(SynchlinkDRAM，同步连接动态随机存取存储器)和DRRAM (DirectRambusRAM，直接内存总线随机存取存储器)。本文描述的存储器205旨在包括但不限于这些和任意其它适合类型的存储器205。
在一些实施方式中，存储器存储了如下的元素，升级包、可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序；
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
应用程序，包含各种应用程序，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序中。
本领域技术人员可以明白的是，结合本文中所公开的实施例描述的各示例的单元及算法步骤能够以电子硬件、或者软件和电子硬件的结合来实现；
这些功能是以硬件还是软件方式来实现，取决于技术方案的特定应用和设计约束条件；
本领域技术人员可以针对每个特定的应用，使用不同的方式来实现所描述的功能，但是这种实现并不应认为超出本申请的范围。
在本申请实施例中，所公开的系统、装置和方法可以通过其它方式来实现；
例如，单元或模块的划分仅仅为一种逻辑功能划分，在实际实现时还可以有另外的划分方式；
例如，多个单元或模块或组件可以进行组合或者可以集成到另一个系统中；
另外，在本申请实施例中的各功能单元或模块可以集成在一个处理单元或模块中，也可以是单独的物理存在等等。
应理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施例的实施过程构成任何限定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在机器可读存储介质中；
因此，本申请的技术方案可以以软件产品的形式来体现，该软件产品可以存储在机器可读存储介质中，其可以包括若干指令用以使得电子设备执行本申请实施例所描述的技术方案的全部或部分过程；
上述存储介质可以包括ROM、RAM、可移动盘、硬盘、磁盘或者光盘等各种可以存储程序代码的介质。
综上，本发明的一种基于高斯混合模型的患者疾病预测控制系统与方法，能够通过本系统提供的数据处理模块、聚类分析模块、分类预测模块、患者管理模块、数据库，能够根据顾客购药数据和会员数据，提取顾客购药特征（静态和动态），结合药品标准分类信息，先利用高斯混合模型GMM聚类算法对药店购药顾客进行人群划分，得到不同疾病类型的患者集群，再以上述得到的疾病分类结果和对应的顾客购药特征数据作为训练样本，利用分类算法如XGBoost算法构建患者疾病类型预测模型，实现对未知分类顾客的快速预测。
以上对发明的具体实施例进行了描述。需要理解的是，发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；本领域技术人员可以在权利要求的范围内做出各种变形或修改做出若干简单推演、变形或替换，这并不影响发明的实质内容。
Claims (8)
1.一种基于高斯混合模型的患者疾病预测控制系统，其特征在于，包含数据处理模块、聚类分析模块、分类预测模块、患者管理模块、数据库；
所述数据处理模块内置有用于从所述数据库拉取顾客数据的数据获取模块，用于对所述顾客数据进行清洗、转换、整合的数据预处理模块，用于从所述顾客数据中提取特征的特征提取模块，所述顾客数据包含顾客购药记录数据、药店顾客会员数据、公司自建药品标准分类数据；
所述聚类分析模块采用高斯混合模型对所述顾客数据进行聚类分析得到顾客患某种类型疾病的概率，根据该概率进行疾病分类归类得到传输至所述分类预测模块的特征数据集；
所述分类预测模块将所述特征数据集作为样本训练分类模型对未知顾客的个人数据进行疾病预测，得到疾病预测数据，所述样本训练分类模型为XGBoost模型；
所述患者管理模块用于获取并管理顾客的个人数据、疾病预测数据，还用于将所述顾客的个人数据、所述疾病预测数据传输至所述数据库；
所述聚类分析模块内置有聚类预处理模块；
所述聚类预处理模块采用K-means聚类算法对顾客疾病数据进行提取均值向量、协方差矩阵、混合权重处理后生成参数初始值；
所述聚类分析模块采用高斯混合模型对所述参数初始值进行聚类分析得到顾客患某种类型疾病的概率值，根据概率阈值与上述概率值大小对顾客进行疾病类型分类归类得到所述特征数据集；
所述分类预测模块的分类预测方法依次包含以下步骤：
步骤B1：使用标签编码方法将字符型疾病类别变量转换为数值型变量，其取值为0或1；
步骤B2：使用分层交叉验证方法评估样本训练分类模型的性能；
步骤B3：采用基于特征列子采样的随机梯度提升决策树模型；
步骤B4：使用网格搜索法优化样本训练分类模型的三个主要超参数，即树的数量、树的层数和学习速率；
步骤B5：将训练好的样本训练分类模型以文件形式保存，用以发布或更新模型；
步骤B6：利用训练好的模型对未知疾病分类的购药顾客进行疾病预测，并将预测结果保存到数据库中供后续分析和其它业务应用。
2.如权利要求1所述的一种基于高斯混合模型的患者疾病预测控制系统，其特征在于，还包含反馈补充模块；
所述反馈补充模块用于与客户端创建连接获取顾客的反馈数据，并依据所述反馈数据对顾客的疾病预测数据进行校验生成传输至所述分类预测模块的校验数据；
所述反馈补充模块还用于与医疗机构服务端创建连接获取医院处方数据，并将所述医院处方数据分别传输至所述聚类分析模块与所述分类预测模块。
3.如权利要求1或2所述的一种基于高斯混合模型的患者疾病预测控制系统，其特征在于，
所述药店顾客会员数据包含顾客会员卡信息数据与顾客联系方式信息数据；
所述公司自建药品标准分类数据包含药品信息数据以及与药品对应的疾病分类信息数据；
所述数据预处理模块采用正则化方法对所述顾客数据内的药品名精准匹配到所述公司自建药品标准分类数据中；
所述特征提取模块从所述顾客数据中的所述顾客购药记录数据中提取顾客购买药品行为对应的购药时间跨度数据、最近一次购药距当前的天数数据、累计购买药品次数数据、平均单次购买药品数量数据后通过Z-score进行标准化处理。
4.如权利要求1或2所述的一种基于高斯混合模型的患者疾病预测控制系统，其特征在于，所述患者管理模块包含患者教育模块、专家咨询模块、定期随访模块、用药指导模块、疾病知识推送模块；
所述患者教育模块用于对患有特定疾病的患者通过微信或短信等方式推荐对应的健康生活方式信息；
所述专家咨询模块用于根据患者的疾病分类信息，提供相关科室的远程问诊服务；
所述定期随访模块用于将分类得到的患有某些疾病的顾客名单信息反馈给顾客会员所在的药店；
所述用药指导模块用于结合疾病分类结果和患者的购药行为特征通过微信或短信等方式推送药品的用法用量、不良反应和应对措施的信息；
所述疾病知识推送模块用于通过所述数据库查询患者疾病分类结果并筛选出患有特定疾病的人群，然后通过微信或短信等方式推送对应的疾病知识信息。
5.一种基于高斯混合模型的患者疾病预测控制方法，其特征在于，包含以下步骤：
步骤A1：数据获取模块从数据库拉取顾客数据并传输至数据预处理模块，数据预处理模块对顾客数据进行清洗、转换、整合后特征提取模块从顾客数据中提取特征；
步骤A2：聚类分析模块采用高斯混合模型对顾客数据进行聚类分析得到顾客患某种类型疾病的概率，根据该概率进行疾病分类归类得到特征数据集；
步骤A3：分类预测模块获取特征数据集并将其作为样本训练分类模型对未知顾客的个人数据进行疾病预测，得到疾病预测数据；
步骤A4：患者管理模块获取顾客的个人数据、疾病预测数据并管理，患者管理模块依据疾病预测数据发送预测结果至客户端，便于客户查看，所述顾客数据包含顾客购药记录数据、药店顾客会员数据、公司自建药品标准分类数据；
所述聚类分析模块内置有聚类预处理模块；
所述聚类预处理模块采用K-means聚类算法对顾客疾病数据进行提取均值向量、协方差矩阵、混合权重处理后生成参数初始值；
所述聚类分析模块采用高斯混合模型对所述参数初始值进行聚类分析得到顾客患某种类型疾病的概率值，根据概率阈值与上述概率值大小对顾客进行疾病类型分类归类得到所述特征数据集；
所述分类预测模块的分类预测方法包含以下步骤：
步骤B1：使用标签编码方法将字符型疾病类别变量转换为数值型变量，其取值为0或1；
步骤B2：使用分层交叉验证方法评估样本训练分类模型的性能；
步骤B3：采用基于特征列子采样的随机梯度提升决策树模型；
步骤B4：使用网格搜索法优化样本训练分类模型的三个主要超参数，即树的数量、树的层数和学习速率；
步骤B5：将训练好的样本训练分类模型以文件形式保存，用以发布或更新模型；
步骤B6：利用训练好的模型对未知疾病分类的购药顾客进行疾病预测，并将预测结果保存到数据库中供后续分析和其它业务应用。
6.如权利要求5所述的一种基于高斯混合模型的患者疾病预测控制方法，其特征在于，所述顾客数据包含顾客购药记录数据、药店顾客会员数据、公司自建药品标准分类数据。
7.如权利要求6所述的一种基于高斯混合模型的患者疾病预测控制方法，其特征在于，所述聚类预处理模块采用K-means聚类算法对顾客疾病数据进行提取均值向量、协方差矩阵、混合权重处理后生成参数初始值。
8.一种芯片，其特征在于，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行：如权利要求5至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927450.0A CN112102955B (zh) | 2020-09-07 | 2020-09-07 | 一种基于高斯混合模型的患者疾病预测控制系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927450.0A CN112102955B (zh) | 2020-09-07 | 2020-09-07 | 一种基于高斯混合模型的患者疾病预测控制系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102955A CN112102955A (zh) | 2020-12-18 |
| CN112102955B true CN112102955B (zh) | 2024-03-15 |
Family
ID=73757847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010927450.0A Active CN112102955B (zh) | 2020-09-07 | 2020-09-07 | 一种基于高斯混合模型的患者疾病预测控制系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102955B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112735596A (zh) * | 2020-12-31 | 2021-04-30 | 神州医疗科技股份有限公司 | 一种相似患者的确定方法、装置、电子设备及存储介质 |
| CN114584924B (zh) * | 2022-02-28 | 2024-05-31 | 长沙融创智胜电子科技有限公司 | 一种智能无人值守传感器系统及目标识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN107658023A (zh) * | 2017-09-25 | 2018-02-02 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质和电子设备 |
| CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
| CN109767157A (zh) * | 2018-12-19 | 2019-05-17 | 东南大学 | 一种基于云计算和大数据的医药销售系统 |
| CN110111886A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种基于XGBoost疾病预测的智能问诊系统及方法 |
| CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
| CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
| CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
| CN111403024A (zh) * | 2019-01-02 | 2020-07-10 | 天津幸福生命科技有限公司 | 一种基于医疗数据来获得疾病判定模型的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3895178A4 (en) * | 2018-12-11 | 2022-09-14 | K Health Inc. | HEALTH INFORMATION DELIVERY SYSTEM AND PROCEDURES |
-
2020
- 2020-09-07 CN CN202010927450.0A patent/CN112102955B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN107658023A (zh) * | 2017-09-25 | 2018-02-02 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质和电子设备 |
| CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
| CN109767157A (zh) * | 2018-12-19 | 2019-05-17 | 东南大学 | 一种基于云计算和大数据的医药销售系统 |
| CN111403024A (zh) * | 2019-01-02 | 2020-07-10 | 天津幸福生命科技有限公司 | 一种基于医疗数据来获得疾病判定模型的方法及装置 |
| CN110111886A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种基于XGBoost疾病预测的智能问诊系统及方法 |
| CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
| CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
| CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于高斯混合模型的糖尿病检测;白杰;;电脑知识与技术(第11期);全文 * |
| 心音信号特征分析与识别方法研究;周克良;王亚光;叶岑;;广西师范大学学报(自然科学版)(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102955A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Big data analytics in healthcare | |
| Purushotham et al. | Benchmarking deep learning models on large healthcare datasets | |
| Kaul et al. | Deep learning in healthcare | |
| US11145419B1 (en) | Machine-learning based query construction and pattern identification | |
| US10948887B2 (en) | Control apparatus and method for processing data inputs in computing devices therefore | |
| US8660857B2 (en) | Method and system for outcome based referral using healthcare data of patient and physician populations | |
| US20190102670A1 (en) | Secure Broker-Mediated Data Analysis and Prediction | |
| Sierra-Sosa et al. | Scalable healthcare assessment for diabetic patients using deep learning on multiple GPUs | |
| Whig et al. | A novel method for diabetes classification and prediction with Pycaret | |
| CN112102955B (zh) | 一种基于高斯混合模型的患者疾病预测控制系统与方法 | |
| US11551109B2 (en) | System and method for patient health data prediction using knowledge graph analysis | |
| US20230042882A1 (en) | Method of mapping and machine learning for patient-healthcare encounters to predict patient health and determine treatment options | |
| Kaushik et al. | Ensemble of multi-headed machine learning architectures for time-series forecasting of healthcare expenditures | |
| Valmarska et al. | Symptoms and medications change patterns for Parkinson's disease patients stratification | |
| US20220188654A1 (en) | System and method for clinical trial analysis and predictions using machine learning and edge computing | |
| Payrovnaziri et al. | Enhancing prediction models for one-year mortality in patients with acute myocardial infarction and post myocardial infarction syndrome | |
| US10832822B1 (en) | Methods and systems for locating therapeutic remedies | |
| Datta et al. | Artificial intelligence in critical care: Its about time! | |
| Strickland | Data analytics using open-source tools | |
| Rahul et al. | A systematic review on big data applications and scope for industrial processing and healthcare sectors | |
| Sarthak et al. | EmbPred30: Assessing 30-days readmission for diabetic patients using categorical embeddings | |
| US11355239B1 (en) | Cross care matrix based care giving intelligence | |
| Garske | Using deep learning on ehr data to predict diabetes | |
| Munsaka et al. | Leveraging machine learning, natural language processing, and deep learning in drug safety and pharmacovigilance | |
| Mukasheva et al. | DEVELOPING A SYSTEM FOR DIAGNOSING DIABETES MELLITUS USING BIGDATA. |
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 |