CN112216400A - 一种基于大数据的食源性疾病致病因子预测的方法和系统 - Google Patents
一种基于大数据的食源性疾病致病因子预测的方法和系统 Download PDFInfo
- Publication number
- CN112216400A CN112216400A CN202011077341.0A CN202011077341A CN112216400A CN 112216400 A CN112216400 A CN 112216400A CN 202011077341 A CN202011077341 A CN 202011077341A CN 112216400 A CN112216400 A CN 112216400A
- Authority
- CN
- China
- Prior art keywords
- prediction
- disease
- data
- module
- food
- 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
- 208000019331 Foodborne disease Diseases 0.000 title claims abstract description 99
- 230000001717 pathogenic effect Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 26
- 201000010099 disease Diseases 0.000 claims abstract description 126
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 126
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000011161 development Methods 0.000 claims abstract description 18
- 230000002265 prevention Effects 0.000 claims abstract description 14
- 238000011282 treatment Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 230000006806 disease prevention Effects 0.000 claims description 4
- 230000002554 disease preventive effect Effects 0.000 claims description 4
- 230000003449 preventive effect Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 description 5
- 231100000331 toxic Toxicity 0.000 description 3
- 230000002588 toxic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010016952 Food poisoning Diseases 0.000 description 1
- 208000030852 Parasitic disease Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 208000011140 intestinal infectious disease Diseases 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000011321 prophylaxis Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 206010048282 zoonosis Diseases 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于大数据的食源性疾病致病因子预测的方法，该方法包括以下步骤：S1、通过收集、整理食源性疾病事故案例，建立食源性疾病样本分析数据库，并对每个样本包含的特征项记录，确定训练集和测试集并进行属性选择与神经元定义，对缺失的数据进行预处理，构建准确率较好的食源性疾病致病因子深层BP神经网络预测模型；有益效果：将专家预测数据与深层BP神经网络预测结合，获得的预测结果更加准确，便于预测数据的获取、更新，实现食源性疾病的动态预测，更好的预测疾病发展趋势，并做出预测方案、措施调整，有利于疾病的预防控制和治疗，基于大数据使预测系统更加完善，提高疾病预测时效性、准确性。
Description
技术领域：
本发明属于致病因子预测技术领域，特别涉及一种基于大数据的食源性疾病致病因子预测的方法和系统。
背景技术：
食源性疾病是指通过摄食而进入人体的有毒有害物质(包括生物性病原体)等致病因子所造成的疾病。一般可分为感染性和中毒性，包括常见的食物中毒、肠道传染病、人畜共患传染病、寄生虫病以及化学性有毒有害物质所引起的疾病。食源性疾患的发病率居各类疾病总发病率的前列，是当前世界上最突出的卫生问题，致病因子是指在生物体与外界的接触中，可能遇到的引起生物体出现病态的一切因素。例如强辐射，化学有毒物质，微生物等。致病因子是指在生物体与外界的接触中，可能遇到的引起生物体出现病态的一切因素。例如强辐射，化学有毒物质，病毒等，食源性疾病致病因子单一预测方式和数据采集不全面、困难，造成疾病预测方法可实施性较差，预测系统不完善，影响疾病预测时效性、准确性，所以本发明提供一种基于大数据的食源性疾病致病因子预测的方法和系统来解决上述问题。
发明内容：
本发明的目的就在于为了解决上述问题而提供一种基于大数据的食源性疾病致病因子预测的方法和系统，解决了食源性疾病致病因子单一预测方式和数据采集不全面、困难，造成疾病预测方法可实施性较差，预测系统不完善，影响疾病预测时效性、准确性的缺点。
为了解决上述问题，本发明提供了一种技术方案：
一种基于大数据的食源性疾病致病因子预测的方法，该方法包括以下步骤：
S1、通过收集、整理食源性疾病事故案例，建立食源性疾病样本分析数据库，并对每个样本包含的特征项记录，确定训练集和测试集并进行属性选择与神经元定义，对缺失的数据进行预处理，构建准确率较好的食源性疾病致病因子深层BP神经网络预测模型；
S2、数据采集，通过与疾控中心之间建立联系，获取疾控中心食源性疾病数据；
S3、对由疾控中心获取的数据进行处理，得到用于食源性疾病致病因子深层BP神经网络预测模型的有效数据；
S4、将处理后的数据输入食源性疾病致病因子深层BP神经网络预测模型，获得模型预测结果数据；
S5、建立疾病专家团队，专家团队根据采集的食源性疾病数据进行分析、预测，获得专家预测结果；
S6、专家预测结果与模型预测结果进行对比，获得最终的食源性疾病预测结果；
S7、根据食源性疾病最终的预测结果及疾病发展趋势，对疾病风险评估，根据疾病风险评估等级发出预警，建立预防方案和预防措施；
S8、将疾病预测数据反馈至疾控中心，疾控中心通过物联网运营商与个人、医院建立联系，做出疾病预防、治疗。
作为本发明的一种优选技术方案，所述S2中的数据采集与各地疾控中心及全国疾控中心建立连接，并对采集数据进行地域上的区域划分。
作为本发明的一种优选技术方案，所述专家预测数据与模型预测数据对比相符合，则直接为最终预测结果，专家预测数据与模型预测数据对比存在差异，则专家团队在专家预测数据的基础上，结合模型预测数据，进行预测调整，确定最终预测结果。
作为本发明的一种优选技术方案，所述疾病发展趋势包括区域扩散速度、疾病日新增人数、日死亡人数、日康复人数和追踪隔离接触人数，疾病日新增人数包括日新增疑似人数和日新增确诊人数。
作为本发明的一种优选技术方案，所述疾病专家团队中至少包括两名疾病预防临床专家医生。
一种基于大数据的食源性疾病致病因子预测系统，该系统包括数据采集模块、数据处理模块、预测模块、对比调整模块、预测评估模块、反馈模块、疾控中心模块、输送模块和应用模块；
所述数据采集模块用于与疾控中心之间建立联系，采集获取疾控中心食源性疾病数据；
所述数据处理模块用于对由疾控中心获取的数据进行处理，得到用于食源性疾病致病因分析的有效数据；
所述预测模块用于通过对数据处理模块得到有效数据分析，获得食源性疾病预测结果；
所述对比调整模块用于对不同预测结果综合，得到最终预测结果；
所述预测评估模块用于对预测结果进行分析，评估食源性疾病的风险等级，做出疾病预测预警；
所述反馈模块用于将预测结果及预测评估反馈给疾控中心；
所述疾控中心通过接收的预测结果及预测评估，建立疾病预防措施，通过输送模块将预防措施发送至应用模块；
所述应用模块用于对食源性疾病预测做出实际应用。
作为本发明的一种优选技术方案，所述预测模块包括深层BP神经网络预测模块和专家预测模块，所述深层BP神经网络预测模块用于通过深层BP神经网络预测模块获取模型预测数据，所述专家预测模块用于通过食源性疾病专家团队获取专家预测数据。
作为本发明的一种优选技术方案，所述疾控中心模块上设有数据更新模块、存储模块和档案模块，所述数据更新模块用于食源性疾病发展过程中数据的更新，所述存储模块用于储存预测数据，所述档案模块用于记录疾病预测、发展、治疗方案及诱发因素，总结并作出规避措施。
作为本发明的一种优选技术方案，所述应用模块包括个人应用模块和医院应用模块，所述个人应用模块用于疾病预测个人的预防，所述医院应用模块将疾病预测数据用于医院疾病治疗。
作为本发明的一种优选技术方案，所述输送模块包括短信模块和无线模块。
本发明的有益效果：
本发明所述的一种基于大数据的食源性疾病致病因子预测的方法和系统，通过设置的由深层BP神经网络预测模块和专家预测模块组成的预测模块，将专家预测数据与深层BP神经网络预测进行结合，获得的预测结果更加准确，更好的规避单一预测存在的缺漏，提高食源性疾病致病因子预测系统的全面性，且预测模块数据采集与疾控中心建立相互联系，便于预测数据的获取，以及通过设置的数据更新模块，能够对食源性疾病发展过程中数据的更新，以便于实现食源性疾病的动态预测，更好的预测疾病发展的趋势，并做出预测方案、措施调整，有利于疾病的预防控制和治疗，且预测系统上设置的预测评估模块用于对预测结果进行分析，评估食源性疾病的风险等级，做出疾病预测预警，反馈模块用于将预测结果及预测评估反馈给疾控中心，疾控中心通过接收的预测结果及预测评估，建立疾病预防措施，通过输送模块将预防措施发送至应用模块，对食源性疾病预测做出实际应用，基于大数据使食源性疾病致病因子预测系统更加完善，提高疾病预测时效性、准确性。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1为本发明的预测方法示意图；
图2为本发明的预测系统示意图。
具体实施方式：
如图1-2所示，本具体实施方式采用以下技术方案：一种基于大数据的食源性疾病致病因子预测的方法，该方法包括以下步骤：
S1、通过收集、整理食源性疾病事故案例，建立食源性疾病样本分析数据库，并对每个样本包含的特征项记录，确定训练集和测试集并进行属性选择与神经元定义，对缺失的数据进行预处理，构建准确率较好的食源性疾病致病因子深层BP神经网络预测模型；
S2、数据采集，通过与疾控中心之间建立联系，获取疾控中心食源性疾病数据；
S3、对由疾控中心获取的数据进行处理，得到用于食源性疾病致病因子深层BP神经网络预测模型的有效数据；
S4、将处理后的数据输入食源性疾病致病因子深层BP神经网络预测模型，获得模型预测结果数据；
S5、建立疾病专家团队，专家团队根据采集的食源性疾病数据进行分析、预测，获得专家预测结果；
S6、专家预测结果与模型预测结果进行对比，获得最终的食源性疾病预测结果；
S7、根据食源性疾病最终的预测结果及疾病发展趋势，对疾病风险评估，根据疾病风险评估等级发出预警，建立预防方案和预防措施；
S8、将疾病预测数据反馈至疾控中心，疾控中心通过物联网运营商与个人、医院建立联系，做出疾病预防、治疗。
作为优选，所述S2中的数据采集与各地疾控中心及全国疾控中心建立连接，并对采集数据进行地域上的区域划分。
作为优选，所述专家预测数据与模型预测数据对比相符合，则直接为最终预测结果，专家预测数据与模型预测数据对比存在差异，则专家团队在专家预测数据的基础上，结合模型预测数据，进行预测调整，确定最终预测结果。
作为优选，所述疾病发展趋势包括区域扩散速度、疾病日新增人数、日死亡人数、日康复人数和追踪隔离接触人数，疾病日新增人数包括日新增疑似人数和日新增确诊人数。
作为优选，所述疾病专家团队中至少包括两名疾病预防临床专家医生。
一种基于大数据的食源性疾病致病因子预测系统，该系统包括数据采集模块、数据处理模块、预测模块、对比调整模块、预测评估模块、反馈模块、疾控中心模块、输送模块和应用模块；
所述数据采集模块用于与疾控中心之间建立联系，采集获取疾控中心食源性疾病数据；
所述数据处理模块用于对由疾控中心获取的数据进行处理，得到用于食源性疾病致病因分析的有效数据；
所述预测模块用于通过对数据处理模块得到有效数据分析，获得食源性疾病预测结果；
所述对比调整模块用于对不同预测结果综合，得到最终预测结果；
所述预测评估模块用于对预测结果进行分析，评估食源性疾病的风险等级，做出疾病预测预警；
所述反馈模块用于将预测结果及预测评估反馈给疾控中心；
所述疾控中心通过接收的预测结果及预测评估，建立疾病预防措施，通过输送模块将预防措施发送至应用模块；
所述应用模块用于对食源性疾病预测做出实际应用。
作为优选，所述预测模块包括深层BP神经网络预测模块和专家预测模块，所述深层BP神经网络预测模块用于通过深层BP神经网络预测模块获取模型预测数据，所述专家预测模块用于通过食源性疾病专家团队获取专家预测数据。
作为优选，所述疾控中心模块上设有数据更新模块、存储模块和档案模块，所述数据更新模块用于食源性疾病发展过程中数据的更新，所述存储模块用于储存预测数据，所述档案模块用于记录疾病预测、发展、治疗方案及诱发因素，总结并作出规避措施。
作为优选，所述应用模块包括个人应用模块和医院应用模块，所述个人应用模块用于疾病预测个人的预防，所述医院应用模块将疾病预测数据用于医院疾病治疗。
作为优选，所述输送模块包括短信模块和无线模块。
具体的：一种基于大数据的食源性疾病致病因子预测的方法和系统，使用时，首先通过收集、整理食源性疾病事故案例，建立食源性疾病样本分析数据库，并对每个样本包含的特征项记录，确定训练集和测试集并进行属性选择与神经元定义，对缺失的数据进行预处理，构建准确率较好的食源性疾病致病因子深层BP神经网络预测模型，数据采集，通过与疾控中心之间建立联系，获取疾控中心食源性疾病数据，对由疾控中心获取的数据进行处理，得到用于食源性疾病致病因子深层BP神经网络预测模型的有效数据，将处理后的数据输入食源性疾病致病因子深层BP神经网络预测模型，获得模型预测结果数据，建立疾病专家团队，专家团队根据采集的食源性疾病数据进行分析、预测，获得专家预测结果，专家预测结果与模型预测结果进行对比，获得最终的食源性疾病预测结果，根据食源性疾病最终的预测结果及疾病发展趋势，对疾病风险评估，根据疾病风险评估等级发出预警，建立预防方案和预防措施，将疾病预测数据反馈至疾控中心，疾控中心通过物联网运营商与个人、医院建立联系，做出疾病预防、治疗，通过设置的由深层BP神经网络预测模块和专家预测模块组成的预测模块，将专家预测数据与深层BP神经网络预测进行结合，获得的预测结果更加准确，更好的规避单一预测存在的缺漏，提高食源性疾病致病因子预测系统的全面性，且预测模块数据采集与疾控中心建立相互联系，便于预测数据的获取，以及通过设置的数据更新模块，能够对食源性疾病发展过程中数据的更新，以便于实现食源性疾病的动态预测，更好的预测疾病发展的趋势，并做出预测方案、措施调整，有利于疾病的预防控制和治疗，且预测系统上设置的预测评估模块用于对预测结果进行分析，评估食源性疾病的风险等级，做出疾病预测预警，反馈模块用于将预测结果及预测评估反馈给疾控中心，疾控中心通过接收的预测结果及预测评估，建立疾病预防措施，通过输送模块将预防措施发送至应用模块，对食源性疾病预测做出实际应用，使食源性疾病致病因子预测系统更加完善，提高疾病预测时效性、准确性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于大数据的食源性疾病致病因子预测的方法，其特征在于：该方法包括以下步骤：
S1、通过收集、整理食源性疾病事故案例，建立食源性疾病样本分析数据库，并对每个样本包含的特征项记录，确定训练集和测试集并进行属性选择与神经元定义，对缺失的数据进行预处理，构建准确率较好的食源性疾病致病因子深层BP神经网络预测模型；
S2、数据采集，通过与疾控中心之间建立联系，获取疾控中心食源性疾病数据；
S3、对由疾控中心获取的数据进行处理，得到用于食源性疾病致病因子深层BP神经网络预测模型的有效数据；
S4、将处理后的数据输入食源性疾病致病因子深层BP神经网络预测模型，获得模型预测结果数据；
S5、建立疾病专家团队，专家团队根据采集的食源性疾病数据进行分析、预测，获得专家预测结果；
S6、专家预测结果与模型预测结果进行对比，获得最终的食源性疾病预测结果；
S7、根据食源性疾病最终的预测结果及疾病发展趋势，对疾病风险评估，根据疾病风险评估等级发出预警，建立预防方案和预防措施；
S8、将疾病预测数据反馈至疾控中心，疾控中心通过物联网运营商与个人、医院建立联系，做出疾病预防、治疗。
2.根据权利要求1所述的一种基于大数据的食源性疾病致病因子预测的方法，其特征在于：所述S2中的数据采集与各地疾控中心及全国疾控中心建立连接，并对采集数据进行地域上的区域划分。
3.根据权利要求1所述的一种基于大数据的食源性疾病致病因子预测的方法，其特征在于：所述专家预测数据与模型预测数据对比相符合，则直接为最终预测结果，专家预测数据与模型预测数据对比存在差异，则专家团队在专家预测数据的基础上，结合模型预测数据，进行预测调整，确定最终预测结果。
4.根据权利要求1所述的一种基于大数据的食源性疾病致病因子预测的方法，其特征在于：所述疾病发展趋势包括区域扩散速度、疾病日新增人数、日死亡人数、日康复人数和追踪隔离接触人数，疾病日新增人数包括日新增疑似人数和日新增确诊人数。
5.根据权利要求1所述的一种基于大数据的食源性疾病致病因子预测的方法，其特征在于：所述疾病专家团队中至少包括两名疾病预防临床专家医生。
6.一种基于大数据的食源性疾病致病因子预测系统，其特征在于：该系统包括数据采集模块、数据处理模块、预测模块、对比调整模块、预测评估模块、反馈模块、疾控中心模块、输送模块和应用模块；
所述数据采集模块用于与疾控中心之间建立联系，采集获取疾控中心食源性疾病数据；
所述数据处理模块用于对由疾控中心获取的数据进行处理，得到用于食源性疾病致病因分析的有效数据；
所述预测模块用于通过对数据处理模块得到有效数据分析，获得食源性疾病预测结果；
所述对比调整模块用于对不同预测结果综合，得到最终预测结果；
所述预测评估模块用于对预测结果进行分析，评估食源性疾病的风险等级，做出疾病预测预警；
所述反馈模块用于将预测结果及预测评估反馈给疾控中心；
所述疾控中心通过接收的预测结果及预测评估，建立疾病预防措施，通过输送模块将预防措施发送至应用模块；
所述应用模块用于对食源性疾病预测做出实际应用。
7.根据权利要求6所述的一种基于大数据的食源性疾病致病因子预测系统，其特征在于：所述预测模块包括深层BP神经网络预测模块和专家预测模块，所述深层BP神经网络预测模块用于通过深层BP神经网络预测模块获取模型预测数据，所述专家预测模块用于通过食源性疾病专家团队获取专家预测数据。
8.根据权利要求6所述的一种基于大数据的食源性疾病致病因子预测系统，其特征在于：所述疾控中心模块上设有数据更新模块、存储模块和档案模块，所述数据更新模块用于食源性疾病发展过程中数据的更新，所述存储模块用于储存预测数据，所述档案模块用于记录疾病预测、发展、治疗方案及诱发因素，总结并作出规避措施。
9.根据权利要求6所述的一种基于大数据的食源性疾病致病因子预测系统，其特征在于：所述应用模块包括个人应用模块和医院应用模块，所述个人应用模块用于疾病预测个人的预防，所述医院应用模块将疾病预测数据用于医院疾病治疗。
10.根据权利要求6所述的一种基于大数据的食源性疾病致病因子预测系统，其特征在于：所述输送模块包括短信模块和无线模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077341.0A CN112216400A (zh) | 2020-10-10 | 2020-10-10 | 一种基于大数据的食源性疾病致病因子预测的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077341.0A CN112216400A (zh) | 2020-10-10 | 2020-10-10 | 一种基于大数据的食源性疾病致病因子预测的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112216400A true CN112216400A (zh) | 2021-01-12 |
Family
ID=74053056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011077341.0A Pending CN112216400A (zh) | 2020-10-10 | 2020-10-10 | 一种基于大数据的食源性疾病致病因子预测的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112216400A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117524434A (zh) * | 2023-11-17 | 2024-02-06 | 中国人民解放军海军第九七一医院 | 基于静脉治疗数据平台的专家信息管理优化方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1881227A (zh) * | 2006-05-16 | 2006-12-20 | 中国人民解放军第三军医大学 | 传染病疫情诊断及危害度分类智能分析模型技术 |
| CN104123384A (zh) * | 2014-08-04 | 2014-10-29 | 金坛市疾病预防控制中心 | 引起食物中毒的致病因子的筛选方法和装置 |
| CN108364694A (zh) * | 2018-03-09 | 2018-08-03 | 中华人民共和国陕西出入境检验检疫局 | 基于多数据源大数据的机场疾病预警及防控系统构建方法 |
| CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| CN109935336A (zh) * | 2019-01-15 | 2019-06-25 | 北京思普科软件股份有限公司 | 一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统 |
| KR20190091788A (ko) * | 2018-01-29 | 2019-08-07 | 연세대학교 산학협력단 | 데이터 기반의 예방 의료정보 제공 및 평가를 위한 장치 및 방법 |
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
| CN111383760A (zh) * | 2020-04-10 | 2020-07-07 | 韩琳 | 一种神经系统疾病的医疗智能诊断系统建立方法 |
-
2020
- 2020-10-10 CN CN202011077341.0A patent/CN112216400A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1881227A (zh) * | 2006-05-16 | 2006-12-20 | 中国人民解放军第三军医大学 | 传染病疫情诊断及危害度分类智能分析模型技术 |
| CN104123384A (zh) * | 2014-08-04 | 2014-10-29 | 金坛市疾病预防控制中心 | 引起食物中毒的致病因子的筛选方法和装置 |
| KR20190091788A (ko) * | 2018-01-29 | 2019-08-07 | 연세대학교 산학협력단 | 데이터 기반의 예방 의료정보 제공 및 평가를 위한 장치 및 방법 |
| CN108364694A (zh) * | 2018-03-09 | 2018-08-03 | 中华人民共和国陕西出入境检验检疫局 | 基于多数据源大数据的机场疾病预警及防控系统构建方法 |
| CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| CN109935336A (zh) * | 2019-01-15 | 2019-06-25 | 北京思普科软件股份有限公司 | 一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统 |
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
| CN111383760A (zh) * | 2020-04-10 | 2020-07-07 | 韩琳 | 一种神经系统疾病的医疗智能诊断系统建立方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周伟杰;诸芸;艾永才;: "建立食源性疾病监测预警信息系统的研究", 中国公共卫生管理, no. 02 * |
| 黄薇;刘建平;张锦周;王重建;扈庆华;李迎慧;: "细菌性食源性疾病发病预测中Elman神经网络模型的应用", 公共卫生与预防医学, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117524434A (zh) * | 2023-11-17 | 2024-02-06 | 中国人民解放军海军第九七一医院 | 基于静脉治疗数据平台的专家信息管理优化方法及系统 |
| CN117524434B (zh) * | 2023-11-17 | 2024-04-30 | 中国人民解放军海军第九七一医院 | 基于静脉治疗数据平台的专家信息管理优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Slob et al. | Application of machine learning to improve dairy farm management: A systematic literature review | |
| CN105975740B (zh) | 一种带有智能诊断的医疗系统 | |
| CN112669967B (zh) | 一种主动式健康医疗决策辅助方法及设备 | |
| CN110827994B (zh) | 心梗预警方法、装置及设备、存储介质 | |
| CN109147943B (zh) | 围术期评估及指导系统 | |
| CN113241196B (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
| CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
| CN105956372A (zh) | 一种远程多传感器监护的医疗系统 | |
| CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
| CN105912870A (zh) | 一种便携式多传感器监护的医疗系统 | |
| Rajeswari et al. | Fuzzy based modeling for diabetic diagnostic decision support using Artificial Neural Network | |
| 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 | |
| CN115662631A (zh) | 基于ai智能判别的养老院管理系统 | |
| CN106951710B (zh) | 基于特权信息学习支持向量机的cap数据系统及方法 | |
| CN112216400A (zh) | 一种基于大数据的食源性疾病致病因子预测的方法和系统 | |
| Verma et al. | Methodologies, Applications, and Challenges of Pneumonia Detection of Chest X-Ray images for COVID-19 using IoT-enabled Deep Learning | |
| CN112086170A (zh) | 一种中医药大数据云服务平台的评价系统 | |
| CN111816297A (zh) | 一种基于云端的nCoV病毒诊疗系统和方法 | |
| CN111584088A (zh) | 一种基于病源信息熵的电网施工人员高原病防治方法 | |
| CN105975741B (zh) | 一种带有病人状态分级的医疗系统 | |
| Priya et al. | A novel intelligent diagnosis and disease prediction algorithm in green cloud using machine learning approach | |
| CN115714016B (zh) | 一种基于机器学习的布鲁氏菌病筛查率提升方法 | |
| Kashlova et al. | AWARENESS AND APPLICATION OF EXPRESS LABORATORY TESTS IN OUTPATIENT MEDICAL CARE | |
| CN116580798B (zh) | 一种动态精准的受试者药物临床试验遴选的研究方法 | |
| Lokhande et al. | Cardiac Disease Detection Using IoT-Enabled ECG Sensors and Deep Learning Approach |
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 |