CN112420204B - 乳腺癌筛查方案推荐系统及推荐方法 - Google Patents
乳腺癌筛查方案推荐系统及推荐方法 Download PDFInfo
- Publication number
- CN112420204B CN112420204B CN202011209947.5A CN202011209947A CN112420204B CN 112420204 B CN112420204 B CN 112420204B CN 202011209947 A CN202011209947 A CN 202011209947A CN 112420204 B CN112420204 B CN 112420204B
- Authority
- CN
- China
- Prior art keywords
- acquisition module
- screening
- mam
- component
- module
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 271
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 61
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 10
- 230000035945 sensitivity Effects 0.000 claims abstract description 29
- 230000036541 health Effects 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 208000037396 Intraductal Noninfiltrating Carcinoma Diseases 0.000 claims description 6
- 208000028715 ductal breast carcinoma in situ Diseases 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000007728 cost analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 description 78
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 230000008520 organization 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出了一种乳腺癌筛查方案推荐系统及推荐方法。该系统中的筛查方案成本数据采集模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、各筛查组分期发布的参数获取模块、未筛查组分期发布的参数获取模块、各筛查组发病率获取模块、未筛查组发病率获取模块、各筛查组死亡率获取模块和未筛查组死亡率获取模块分别连接数据预处理模块，所述数据预处理模块输出端与所述评价模块连接，所述评价模块输出端连接所述显示模块输入端所述评价模块根据获取的参数进行乳腺癌筛查方案的成本效用性分析，并将分析结果显示于显示模块上，具备成本效用性的筛查方案为推荐方案。该系统能快速给出具备成本效用性的筛查方案。
Description
技术领域
本发明涉及医疗领域，具体涉及一种乳腺癌筛查方案推荐系统及推荐方法。
背景技术
目前，乳腺癌目前已经成为全球女性最常见的恶性肿瘤，2018年全球新发乳腺癌病例约209万人，死亡63万人，其发病率和死亡率已高居女性恶性肿瘤第一位。鉴于乳腺癌目前高发的态势，推广乳腺癌筛查是实现乳腺癌早发现、早治疗和降低乳腺癌的发病率的重要手段。目前主要有钼靶X线(Mammography，MAM)筛查和超声(US)筛查，然而基于一些经济原因，很多患者没有采取合适的筛查方案，从而导致病情的恶化，因此什么样的筛查方案更具有成本效用比是目前需要解决的问题。
发明内容
为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种乳腺癌筛查方案推荐系统及推荐方法。
为了实现本发明的上述目的，本发明提供了一种乳腺癌筛查方案推荐系统，包括数据采集模块、数据预处理模块、评价模块以及显示模块；
所述数据采集模块包括筛查方案成本数据采集模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、乳腺癌分期发布的参数获取模块、乳腺癌发病率获取模块和死亡率获取模块；
所述筛查方案成本数据采集模块包括MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块和未筛查组成本获取模块；所述乳腺癌分期发布的参数获取模块包括MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块和未筛查组分期发布的参数获取模块；所述乳腺癌发病率获取模块包括MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块和未筛查组发病率获取模块，所述死亡率获取模块包括MAM 筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块；
所述MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块、未筛查组成本获取模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块、未筛查组分期发布的参数获取模块、MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块、未筛查组发病率获取模块、MAM筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块分别从互联网和/或各医院数据库获取数据信息；
所述MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块、未筛查组成本获取模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块、未筛查组分期发布的参数获取模块、MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块、未筛查组发病率获取模块、MAM筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块分别连接数据预处理模块，所述数据预处理模块输出端与所述评价模块连接，所述评价模块输出端连接所述显示模块输入端所述评价模块根据获取的参数进行乳腺癌筛查方案的成本效用性分析，并将分析结果显示于显示模块上，具备成本效用性的筛查方案为推荐方案。
该系统结构简单，能快速给出具备成本效用性的筛查方案值。
该乳腺癌筛查方案推荐系统的优选方案：所述MAM筛查组成本获取模块、 US筛查组成本获取模块、MAM联合US筛查组成本获取模块均分别包括筛查成本获取模块、筛查组直接医疗成本获取模块、筛查组直接非医疗成本获取模块、筛查组间接成本获取模说块；
所述未筛查组成本获取模块包括未筛查组直接医疗成本获取模块、未筛查组直接非医疗成本获取模块、未筛查组间接成本获取模块。这使得评价结果更具有参考性。
该乳腺癌筛查方案推荐系统的优选方案：所述筛查方案灵敏度获取模块采集MAM灵敏度、US灵敏度、MAM联合US灵敏度；所述筛查方案特异度获取模块采集MAM特异度、US特异度、MAM联合US特异度。这使得评价结果更具准确。
该乳腺癌筛查方案推荐系统的优选方案：所述乳腺癌分期健康效用值获取模块采集DCIS期和I期、Ⅱ期、Ⅲ期、Ⅳ期的健康效用值。所述筛查组分期发布的参数模块和未筛查组分期发布的参数模块均分别采集各自组在DCIS 期、I期、Ⅱ期、Ⅲ期、Ⅳ期的发布的参数。这使得评价结果更具准确。
本发明还提出了一种乳腺癌筛查方案推荐方法，采用上述的乳腺癌筛查方案推荐系统分析MAM筛查方案、US筛查方案、MAM联合US筛查方案和未筛查方案的成本效用比值，并分别计算MAM筛查方案、US筛查方案、MAM联合US 筛查方案以不筛查方案的成本效用值为基线获得的增量成本效用比，分别将 MAM筛查方案、US筛查方案、MAM联合US筛查方案的增量成本效用比与支付意愿阈值进行比较，当增量成本效用比小于支付意愿阈值时，该筛查方案为推荐方案。该方法能快速得到具备成本效用性的筛查方案，即为推荐方案。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
具体实施方式
下面详细描述本发明的实施例，在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供了一种乳腺癌筛查方案推荐系统，包括数据采集模块、数据预处理模块、评价模块以及显示模块。
所述数据采集模块包括筛查方案成本数据采集模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、乳腺癌分期发布的参数获取模块、乳腺癌发病率获取模块和死亡率获取模块。其中，筛查方案灵敏度获取模块采集MAM灵敏度、US灵敏度、MAM联合US灵敏度；所述筛查方案特异度获取模块采集MAM特异度、US特异度、MAM联合US特异度；乳腺癌分期健康效用值获取模块采集DCIS期和I期、Ⅱ期、Ⅲ期、Ⅳ期的健康效用值。
所述筛查方案成本数据采集模块包括MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块和未筛查组成本获取模块。所述MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块均分别包括筛查成本获取模块、筛查组直接医疗成本获取模块、筛查组直接非医疗成本获取模块、筛查组间接成本获取模说块。所述未筛查组成本获取模块包括未筛查组直接医疗成本获取模块、未筛查组直接非医疗成本获取模块、未筛查组间接成本获取模块。
所述乳腺癌分期发布的参数获取模块包括MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块和未筛查组分期发布的参数获取模块；MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块和未筛查组分期发布的参数模块均分别采集各自组在DCIS 期、I期、Ⅱ期、Ⅲ期、Ⅳ期的发布的参数。
所述乳腺癌发病率获取模块包括MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块和未筛查组发病率获取模块，所述死亡率获取模块包括MAM筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块。
所述MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块、未筛查组成本获取模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块、未筛查组分期发布的参数获取模块、MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块、未筛查组发病率获取模块、MAM筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块分别从互联网和/或各医院数据库获取数据信息。
所述MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块、未筛查组成本获取模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块、未筛查组分期发布的参数获取模块、MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块、未筛查组发病率获取模块、MAM筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块分别连接数据预处理模块，所述数据预处理模块输出端与所述评价模块连接，所述评价模块输出端连接所述显示模块输入端所述评价模块根据获取的参数进行乳腺癌筛查方案的成本效用性分析，并将分析结果显示于显示模块上，具备成本效用性的筛查方案为推荐方案。
本实施例中，所述数据预处理模块包括数据归约模块，采用数据归约法进行数据预处理。评价模块包括有Markov模型构建模块，对MAM筛查、US筛查、 MAM联合US筛查和未筛查分别进行队列模拟，模拟时间为N年，N为正整数，本实施例中设为45年。
由于乳腺癌是慢性疾病，通常慢性疾病病程状态的改变周期为半年或一年，所以本实施例将乳腺癌筛查的循环周期设置为1年。由于35岁后乳腺癌的发病率显著提升，所以将筛查的起始年龄设定为35岁，得到各筛查组和不筛查组的人均累计成本和效用值，并按3％的贴现率进行贴现，由此计算出各筛查组和不筛查组的成本效用比值(Cost-utilityratio，CUR)。
本实施例中，数据采集模块可采集多个样本的数据计算成本参数、筛查灵敏度和特异度参数、健康效用值参数。
特异度其中n为采集样本的次数，Ti为第i次采集样本的特异度， Ni为第i次采集样本的筛查的人数。第i次采集样本的特异度Ti＝(真阴性人数/ (真阴性人数+假阳性人数))*100％，正确判断非病人的率，真阴性人数和假阳性人数均在采集样本时可得到。
健康效用值其中n为采集样本的次数，Qi为第i次采集样本的健康效用值，Ri为第i第i次采集样本的纳入人数,第i次采集的样本的健康效用值/>其中，j表示生命期望，被分为m个时期；Tj表示第j期所持续的时间；qj表示第j期的剩余生命质量状况的权重值,该值通常在0到1之间，处于完全健康的状态时健康效用值为1，而死亡为0,在某些情况下，健康效用值可以小于0，比如病人处于某种比死亡更痛苦的状态时。
成本其中n为采集样本的次数，Mi为第i第i次采集样本的成本，Ri为第i第i次采集样本的纳入人数。
灵敏度其中n为采集样本的次数，Li为第i次采集样本的灵敏度，Ni为第i第i次采集样本的筛查人数，第i次采集的样本的灵敏度Li＝真阳性人数/(真阳性人数+假阴性人数)*100％，正确判断病人的率，真阳性人数和假阴性人数均在采集样本时可得到。
数据采集模块也可通过深度学习Pubmed、EMBASE、Web of Science和中国知网中的相关文献，获取相应的成本参数、筛查灵敏度和特异度参数、健康效用值参数。
特异度其中n为参考文献数量，Ti为第i个参考文献记载的特异度，Ni为第i个参考文献筛查的人数。
健康效用值其中n为参考文献数量，Qi为第i个参考文献记载的健康效用值，Ri为第i个参考文献纳入的人数。
成本其中n为参考文献数量，Mi为第i个参考文献记载的成本， Ri为第i个参考文献纳入的人数。
灵敏度其中n为参考文献数量，Li为第i个参考文献记载的灵敏度，Ni为第i个参考文献筛查的人数。
本发明还提出了一种乳腺癌筛查方案推荐方法，采用上述的乳腺癌筛查方案推荐系统分析MAM筛查方案、US筛查方案、MAM联合US筛查方案和未筛查方案的成本效用比值，并分别计算MAM筛查方案、US筛查方案、MAM联合US筛查方案以不筛查方案的成本效用值为基线获得的增量成本效用比(Incremental cost-utility ratio，ICUR)，分别将MAM筛查方案、US筛查方案、MAM联合US 筛查方案的增量成本效用比与支付意愿阈值进行比较，当增量成本效用比小于支付意愿阈值时，该筛查方案具备成本效用性，为推荐方案。阈值的计算可采用世界卫生组织的标准，设定为人均国内生产总值(GDP)的3倍。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种乳腺癌筛查方案推荐系统，其特征在于，包括数据采集模块、数据预处理模块、评价推荐模块以及显示模块；
所述数据采集模块包括筛查方案成本数据采集模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、乳腺癌分期发布的参数获取模块、乳腺癌发病率获取模块和死亡率获取模块；
所述筛查方案成本数据采集模块包括MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块和未筛查组成本获取模块；所述乳腺癌分期发布的参数获取模块包括MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块和未筛查组分期发布的参数获取模块；所述乳腺癌发病率获取模块包括MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块和未筛查组发病率获取模块，所述死亡率获取模块包括MAM筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块；
所述MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块、未筛查组成本获取模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块、未筛查组分期发布的参数获取模块、MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块、未筛查组发病率获取模块、MAM筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块分别从互联网和/或各医院数据库获取数据信息；
所述MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块、未筛查组成本获取模块、筛查方案灵敏度获取模块、筛查方案特异度获取模块、乳腺癌分期健康效用值获取模块、MAM筛查组分期发布的参数获取模块、US筛查组分期发布的参数获取模块、MAM联合US筛查组分期发布的参数获取模块、未筛查组分期发布的参数获取模块、MAM筛查组发病率获取模块、US筛查组发病率获取模块、MAM联合US筛查组发病率获取模块、未筛查组发病率获取模块、MAM筛查组死亡率获取模块、US筛查组死亡率获取模块、MAM联合US筛查组死亡率获取模块和未筛查组死亡率获取模块分别连接数据预处理模块，所述数据预处理模块输出端与所述评价模块连接，所述评价模块输出端连接所述显示模块输入端，所述评价模块根据获取的参数进行乳腺癌筛查方案的成本效用性分析，并将分析结果显示于显示模块上，具备成本效用性的筛查方案为推荐方案；
所述评价模块包括有Markov模型构建模块，对MAM筛查、US筛查、MAM联合US筛查和未筛查分别进行队列模拟，模拟时间为N年，N为正整数。
2.根据权利要求1所述的乳腺癌筛查方案推荐系统，其特征在于，所述MAM筛查组成本获取模块、US筛查组成本获取模块、MAM联合US筛查组成本获取模块均分别包括筛查成本获取模块、筛查组直接医疗成本获取模块、筛查组直接非医疗成本获取模块、筛查组间接成本获取模块；
所述未筛查组成本获取模块包括未筛查组直接医疗成本获取模块、未筛查组直接非医疗成本获取模块、未筛查组间接成本获取模块。
3.根据权利要求1所述的乳腺癌筛查方案推荐系统，其特征在于，所述筛查方案灵敏度获取模块采集MAM灵敏度、US灵敏度、MAM联合US灵敏度；所述筛查方案特异度获取模块采集MAM特异度、US特异度、MAM联合US特异度。
4.根据权利要求1所述的乳腺癌筛查方案推荐系统，其特征在于，所述乳腺癌分期健康效用值获取模块采集DCIS期和I期、Ⅱ期、Ⅲ期、Ⅳ期的健康效用值。
5.根据权利要求1所述的乳腺癌筛查方案推荐系统，其特征在于，所述筛查组分期发布的参数模块和未筛查组分期发布的参数模块均分别采集各自组在DCIS期、I期、Ⅱ期、Ⅲ期、Ⅳ期的发布的参数。
6.根据权利要求1所述的乳腺癌筛查方案推荐系统，其特征在于，所述数据预处理模块包括数据归约模块。
7.一种乳腺癌筛查方案推荐方法，其特征在于，采用如权利要求1-6任一项所述的乳腺癌筛查方案推荐系统分析MAM筛查方案、US筛查方案、MAM联合US筛查方案和未筛查方案的成本效用比值，并分别计算MAM筛查方案、US筛查方案、MAM联合US筛查方案以不筛查方案的成本效用值为基线获得的增量成本效用比，分别将MAM筛查方案、US筛查方案、MAM联合US筛查方案的增量成本效用比与支付意愿阈值进行比较，当增量成本效用比小于支付意愿阈值时，该筛查方案为推荐方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011209947.5A CN112420204B (zh) | 2020-11-03 | 2020-11-03 | 乳腺癌筛查方案推荐系统及推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011209947.5A CN112420204B (zh) | 2020-11-03 | 2020-11-03 | 乳腺癌筛查方案推荐系统及推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112420204A CN112420204A (zh) | 2021-02-26 |
| CN112420204B true CN112420204B (zh) | 2023-10-20 |
Family
ID=74828376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011209947.5A Active CN112420204B (zh) | 2020-11-03 | 2020-11-03 | 乳腺癌筛查方案推荐系统及推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112420204B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001009758A2 (en) * | 1999-08-02 | 2001-02-08 | Glaxo Group Limited | Computer-implemented methods and systems for estimating costs and benefits associated with disease management interventions |
| WO2001016834A1 (en) * | 1999-08-27 | 2001-03-08 | Kelly Patrick J | Method and system for early detection of disease |
| WO2004062467A2 (en) * | 2002-12-31 | 2004-07-29 | John Herbert Cafarella | Multi-sensor breast tumor detection |
| CA2433953A1 (en) * | 2003-06-13 | 2004-12-13 | Craig Bittner | Use of mri to screen normal risk, asymptomatic individuals for breast cancer |
| WO2012153250A1 (en) * | 2011-05-10 | 2012-11-15 | Koninklijke Philips Electronics N.V. | Breast cancer risk assessment |
| KR20140098695A (ko) * | 2013-01-31 | 2014-08-08 | 서울대학교산학협력단 | 유방암 발병 위험도 및 확률 예측 방법 |
| CN106021331A (zh) * | 2016-05-07 | 2016-10-12 | 深圳市前海安测信息技术有限公司 | 基于大数据的乳腺筛查数据分析系统和方法 |
| CN107247887A (zh) * | 2017-07-27 | 2017-10-13 | 点内（上海）生物科技有限公司 | 基于人工智能帮助肺癌筛查的方法及系统 |
| CN108732121A (zh) * | 2018-08-01 | 2018-11-02 | 重庆医科大学 | 一种基于红外光谱鉴别良性与恶性肿瘤的方法 |
| WO2019089949A1 (en) * | 2017-11-01 | 2019-05-09 | Praeveni, Sbc | Methods and systems for a medical screening system |
| WO2019186577A1 (en) * | 2018-03-27 | 2019-10-03 | Council Of Scientific And Industrial Research | A non-invasive and remote method to screen cancer |
| CN110957043A (zh) * | 2018-09-26 | 2020-04-03 | 金敏 | 疾病预测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040254814A1 (en) * | 2003-06-13 | 2004-12-16 | Sumathi Paturu | Scheduling, filing and tracking system for breast, prostate and colorectal cancer screening |
| US20220398721A1 (en) * | 2018-11-23 | 2022-12-15 | Icad, Inc. | System and method for assessing breast cancer risk using imagery |
-
2020
- 2020-11-03 CN CN202011209947.5A patent/CN112420204B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001009758A2 (en) * | 1999-08-02 | 2001-02-08 | Glaxo Group Limited | Computer-implemented methods and systems for estimating costs and benefits associated with disease management interventions |
| WO2001016834A1 (en) * | 1999-08-27 | 2001-03-08 | Kelly Patrick J | Method and system for early detection of disease |
| WO2004062467A2 (en) * | 2002-12-31 | 2004-07-29 | John Herbert Cafarella | Multi-sensor breast tumor detection |
| CA2433953A1 (en) * | 2003-06-13 | 2004-12-13 | Craig Bittner | Use of mri to screen normal risk, asymptomatic individuals for breast cancer |
| WO2012153250A1 (en) * | 2011-05-10 | 2012-11-15 | Koninklijke Philips Electronics N.V. | Breast cancer risk assessment |
| KR20140098695A (ko) * | 2013-01-31 | 2014-08-08 | 서울대학교산학협력단 | 유방암 발병 위험도 및 확률 예측 방법 |
| CN106021331A (zh) * | 2016-05-07 | 2016-10-12 | 深圳市前海安测信息技术有限公司 | 基于大数据的乳腺筛查数据分析系统和方法 |
| CN107247887A (zh) * | 2017-07-27 | 2017-10-13 | 点内（上海）生物科技有限公司 | 基于人工智能帮助肺癌筛查的方法及系统 |
| WO2019089949A1 (en) * | 2017-11-01 | 2019-05-09 | Praeveni, Sbc | Methods and systems for a medical screening system |
| WO2019186577A1 (en) * | 2018-03-27 | 2019-10-03 | Council Of Scientific And Industrial Research | A non-invasive and remote method to screen cancer |
| CN108732121A (zh) * | 2018-08-01 | 2018-11-02 | 重庆医科大学 | 一种基于红外光谱鉴别良性与恶性肿瘤的方法 |
| CN110957043A (zh) * | 2018-09-26 | 2020-04-03 | 金敏 | 疾病预测系统 |
Non-Patent Citations (4)
| Title |
|---|
| 吴菲 ; 刘霄宇 ; 赵根明 ; 徐望红 ; .癌症筛查成本效果评估的研究进展.中国肿瘤.2016,(第02期),第4-10页. * |
| 批量体检早期乳腺癌筛查方法研究进展;沈爱玲;伍娟飞;;人民军医(11);全文 * |
| 有关乳腺癌群体筛查若干问题的思考;张超杰;黄婷;;医学与哲学(B)(第01期);全文 * |
| 结肠癌筛查和诊疗的研究进展;康清杰;向征;;重庆医学(28);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112420204A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dholakia | Regional disparity in economic and human development in India | |
| US20030216628A1 (en) | Methods and systems for assessing glycemic control using predetermined pattern label analysis of blood glucose readings | |
| Hu et al. | Postoperative mortality is an inadequate quality indicator for lung cancer resection | |
| Tuan et al. | Prediction of hypertension by different anthropometric indices in adults: the change in estimate approach | |
| Mattke et al. | Health care quality indicators project: initial indicators report | |
| Thaikruea et al. | Prevalence of normal weight central obesity among Thai healthcare providers and their association with CVD risk: a cross-sectional study | |
| CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
| Paul et al. | A novel wavelet neural network based pathological stage detection technique for an oral precancerous condition | |
| CN106485061A (zh) | 一种生活风险评估及改善系统的建立方法 | |
| Shen et al. | Food insecurity and malnutrition in Chinese elementary school students | |
| de Souza de Silva et al. | Association between cardiorespiratory fitness, obesity, and health care costs: the Veterans Exercise Testing Study | |
| CN112861994A (zh) | 基于Unet迁移学习的胃印戒细胞癌图像智能分类系统 | |
| CN105232060A (zh) | 基于独立风险因子组合筛查的预警系统 | |
| CN112420204B (zh) | 乳腺癌筛查方案推荐系统及推荐方法 | |
| CN111816314A (zh) | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 | |
| Moore et al. | Past body mass index and risk of mortality among women | |
| Dailey-Chwalibóg et al. | Clinical and biochemical markers of risk in uncomplicated severe acute malnutrition | |
| Wallis | Artificial intelligence for the real world of breast screening | |
| CN105787232B (zh) | 一种数据处理方法、装置、健康系统平台及终端 | |
| CN109872783B (zh) | 一种基于大数据的糖尿病文献信息标准数据库集分析方法 | |
| CN109784645A (zh) | 一种医院科室绩效排名方法及装置 | |
| CN116864062A (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
| Lan et al. | Radiomics in addition to computed tomography-based body composition nomogram may improve the prediction of postoperative complications in gastric cancer patients | |
| CN105433901B (zh) | 一种测定人体体脂的方法及其应用 | |
| Yang et al. | Sources of information on the burden of cancer in China |
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 |