CN112582058B - 一种基于空气质量的慢阻肺发病预测方法及系统 - Google Patents
一种基于空气质量的慢阻肺发病预测方法及系统 Download PDFInfo
- Publication number
- CN112582058B CN112582058B CN201911084202.8A CN201911084202A CN112582058B CN 112582058 B CN112582058 B CN 112582058B CN 201911084202 A CN201911084202 A CN 201911084202A CN 112582058 B CN112582058 B CN 112582058B
- Authority
- CN
- China
- Prior art keywords
- data
- obstructive pulmonary
- pulmonary disease
- air quality
- chronic obstructive
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pathology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于空气质量的慢阻肺发病预测方法及系统,所述预测方法为,在获取设定地理范围内的空气质量数据和慢阻肺的病例数据后,通过数据处理确定强相关参数,并对强相关参数进行拟合以构建慢阻肺发病预测模型;按照预设算法,将待验证的空气质量数据代入所述慢阻肺发病预测模型,获得慢阻肺发病预测值。预测系统包括空气质量数据获取单元,病例数据获取单元,计算单元及预测单元。本发明基于空气质量数据、慢阻肺研究病种库临床数据,使慢阻肺防治机构可以根据天气质量情况较为准确地预测出当前区域的慢阻肺发病情况,使慢阻肺的区域防治由被动转换为主动,可提前进行相应的准备与对策以对应慢阻肺爆发性发病的场景。
Description
技术领域
本发明涉及医疗大数据分析技术领域,特别是涉及一种基于空气质量的慢阻肺发病预测方法及系统。
背景技术
慢阻肺即慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD),是一种具有气流阻塞特征的慢性支气管炎和(或)肺气肿,可进一步发展为肺心病和呼吸衰竭的常见慢性疾病。与有害气体及有害颗粒的异常炎症反应有关,致残率和病死率很高,全球40岁以上发病率已高达9%~10%。慢阻肺是一种常见的以持续气流受限为特征的可以预防和治疗的疾病,气流受限进行性发展,与气道和肺脏对有毒颗粒或气体的慢性炎性反应增强有关。
慢阻肺致病原因已经发现的危险因素大致可以分为外因(即环境因素)与内因(即个体易患因素)两类。外因包括吸烟、粉尘和化学物质的吸入、空气污染、呼吸道感染及社会经济地位较低的人群(可能与室内和室外空气污染、居室拥挤、营养较差及其他与社会经济地位较低相关联的因素有关)。内因包括遗传因素、气道反应性增高、在怀孕期、新生儿期、婴儿期或儿童期由各种原因导致肺发育或生长不良的个体。现有研究已经表明慢阻肺与空气质量存在较强的相关性,但一直没有可定量分析的统计与预测方法。
发明内容
鉴于此,本发明的目的是提供一种基于空气质量的慢阻肺发病预测方法及系统,实现了慢阻肺发病基于空气质量变化的定量预测。
为了实现上述目的,本发明采用如下技术方案:
本发明实施例记载了一种基于空气质量的慢阻肺发病预测方法,其特征在于,所述预测方法包括如下步骤:
(1)获取设定地理范围内的空气质量数据;
(2)获取所述设定地理范围内的慢阻肺的病例数据;
(3)按照设定时间单位,对空气质量数据和病例数据进行处理,其中病例数据按照设定时间单位进行求和,空气质量数据按照设定时间单位求平均值;
(4)择取空气质量数据中的第一天气数据指标,将第一天气数据指标与病例数据进行相关性分析,确定强相关参数;
(5)以设定时间单位,对强相关参数进行拟合以构建慢阻肺发病预测模型;
(6)按照预设算法,将待验证的空气质量数据代入所述慢阻肺发病预测模型,获得慢阻肺发病预测值。
构建慢阻肺发病预测模型包括如下步骤:
(1)利用多维相关性算法进行指标相关性分析,向前强迫回归法挑选其偏回归平方和贡献最大的变量,用方差比进行显著性检验的办法,确定基本发病与患者年龄和第二天气数据指标存在数学上的强相关性,从而确定强相关参数;
(2)对强相关参数进行数学拟合,以固定效应模型和随机效应模型形成非线性混合效应模型,以非线性混合效应模型为基础模型并根据非线性混合效应模型算法确定慢阻肺发病预测模型。
所述以固定效应模型和随机效应模型形成非线性混合效应模型包括对数据进行泊松回归和非线性回归最终得到非线性混合效应模型的过程。
所述构建慢阻肺发病预测模型还包括对预测模型的仿真拟合计算,所述仿真拟合计算是将计算模型应用在未参与建模过程的实际数据中,将计算结果数据和实际临床数据进行对比分析,根据数据误差分析确认模型是否可用并多次调整拟合参数以获得最优拟合公式。
所述强相关参数的决定系数R,其中R2>0.9,所述强相关参数的方差检验量F值与自变量检验t值均小于0.05。
优选的,所述第一天气数据指标包括PM2.5,PM10和SO2;所述第二天气数据指标包括PM2.5和PM10。
所述获取设定地理范围内的空气质量数据方法为,以年为单位,每小时采集一次设定地理范围内的空气质量数据;所述设定时间单位为月。
优选的,所述预设算法包括贝叶斯反馈法、马尔可夫链算法和蒙特卡洛算法之一或其组合算法。
本发明另一实施例记载了一种基于空气质量的慢阻肺发病预测系统,其特征在于,所述预测系统包括
空气质量数据获取单元,用于获取待验证的空气质量数据以及设定地理范围内的空气质量数据;
病例数据获取单元,用于设定地理范围内的慢阻肺的病例数据;
计算单元,用于对空气质量数据和病例数据进行处理,确定强相关参数,构建慢阻肺发病预测模型;
预测单元,根据预设算法,将待验证的空气质量数据传递给计算单元,获得计算单元反馈的慢阻肺发病预测值。
预测系统还包括输入单元,用于输入待验证的空气质量数据;仿真单元,用于对慢阻肺发病预测模型进行仿真拟合计算。
与现有技术相比,本发明实现的有益效果:本发明以慢阻肺疾病发病理论结合人工智能算法为核心,基于空气质量数据、慢阻肺研究病种库临床数据,使慢阻肺防治机构可以根据天气质量情况较为准确地预测出当前区域的慢阻肺发病情况,使慢阻肺的区域防治由被动转换为主动,可提前进行相应的准备与对策以对应慢阻肺爆发性发病的场景。
附图说明
以下结合附图和具体实施方式来进一步详细说明本发明:
图1为本公开的实施例将天气质量数据代入模型进行数据验证结果图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
根据公开的中国主要城市的空气数据。将空气质量数据,结合慢阻肺研究病种库数据按照时间维度展开历史慢阻肺患者就诊数量变化的数据回归分析并进行建模,或可以实现预测未来空气污染指数关联的慢阻肺发病概率和规律。
现有研究已经表明慢阻肺与空气质量存在较强的相关性,但一直没有可定量分析的统计与预测方法。少量文献通过慢阻肺与空气质量数据的分析证明了其存在相关型数学关系,但无法进行数学模型建模更无法进行基于未来天气质量的发病预测。
慢阻肺的预测方法是基于空气质量数据、慢阻肺研究病种库中的大量临床数据,采用阻肺疾病发病理论结合人工智能算法为核心方法,发病预测模型由大量的临床实际数据、空气质量数据依据慢阻肺发病理论拟合而来。系统建立模型构建算法引擎,将现有的数据接入人工智能引擎进行建模计算。
第一方面,本公开的实施例提供了一种基于空气质量的慢阻肺发病预测模型构建方法,该方法包括如下阶段:
(1)数据的获得,数据包括:空气质量数据、慢阻肺研究病种库中患者的临床数据如诊断、检验检查指标、病历、医嘱等;对原始数据进行排重、去除临床核心的数据如诊断、就诊时间、年龄等字段缺失的数据,在进行数据标准化如不同医院间的诊断编码、性别、年龄数据按照归一标准进行一致化,使建模过程中使用的原始数据源数据达到标准化。
(2)基于现有临床科研数据库内的患者临床数据,选取患者的检查数据、检验数据、患者临床数据和空气质量数据利用多维相关性算法进行指标相关性分析,向前强迫回归法挑选其偏回归平方和贡献最大的变量,用方差比进行显著性检验的办法,确定基本发病与患者年龄、空气PM2.5、PM10指标的存在数学上的较强相关性,从而确定影响发病的确定因素。决定系数R,R2>0.9,方差检验量F值与自变量检验t值均小于0.05。
(3)对患者病历其相关数据进行数学拟合,使用拟合过程按照固定效应模型和随机效应模型以便形成非线性混合效应模型为基础模型。根据非线性混合效应模型算法确定数学模型,并进行仿真拟合计算以确定其合理性。
(4)将计算模型应用在未参与建模过程的实际数据中,将计算结果数据和实际临床数据进行对比分析,进行数据误差分析以便确认模型是否可用并多次调整拟合参数,以获得最优拟合公式。
第二方面,本公开的实施例提供了一种基于空气质量的慢阻肺发病预测方法,所述预测方法包括如下步骤:
(1)获取设定地理范围内的空气质量数据;
(2)获取所述设定地理范围内的慢阻肺的病例数据;
(3)按照设定时间单位,对空气质量数据和病例数据进行处理,其中病例数据按照设定时间单位进行求和,空气质量数据按照设定时间单位求平均值;
(4)择取空气质量数据中的第一天气数据指标,将第一天气数据指标与病例数据进行相关性分析,确定强相关参数;
(5)以设定时间单位,对强相关参数进行拟合以构建慢阻肺发病预测模型;
(6)按照预设算法,将待验证的空气质量数据代入所述慢阻肺发病预测模型,获得慢阻肺发病预测值。
以广州市为例,基于2013年至今的数据,按照上述基于空气质量的慢阻肺发病预测方法进行如下实施例;
实施例1广州市的慢阻肺发病预测
(1)广州天气数据的整理,来源:中国环境检测总站。数据包括:包括AQI、pm2.5、pm10、co、o3、no2、so2。广州市采集点包括:市监测站、广雅中学、市五中、广东商学院、市八十六中、番禺中学、花都师范、九龙镇监测站、帽峰山、体育西、麓湖等。采集频率:每小时一次。
(2)慢阻肺病人的病历准备,广州市慢阻肺发病患者病历中门诊急性慢阻肺发病相关病例18725份。
(3)数据的初步清洗,考虑到单日就诊的随机性,将就诊记录和天气信息都按照月份进行处理。就诊记录按月求和,天气信息则按月取平均值。
(4)相关性分析,以PM2.5,PM10,SO2等天气数据指标与病例数分别进行相关性分析,确定强相关参数准备后续拟合操作。
(5)以月度值为单位,对数据进行泊松回归、非线性回归最终的到非线性混合效应模型。
(6)采用未参与建模的天气质量数据代入模型进行数据验证,如图1所示,在图中,通过点状的预测数据与实际数据的偏差,分布在以1.99为误差的中位数,以-3.73~7.72为分位区间的范围内,采用天气质量数据代入模型进行数据验证,预测值与实际值差距在±10%以内,完全达到慢阻肺疾病预测的误差要求。
本发明实施例以慢阻肺疾病发病理论结合人工智能算法为核心,基于空气质量数据、慢阻肺研究病种库临床数据,使慢阻肺防治机构可以根据天气质量情况较为准确地预测出当前区域的慢阻肺发病情况。
在上述公开的实例中,构建慢阻肺发病预测模型包括如下步骤:
(1)利用多维相关性算法进行指标相关性分析,向前强迫回归法挑选其偏回归平方和贡献最大的变量,用方差比进行显著性检验的办法,确定基本发病与患者年龄和第二天气数据指标存在数学上的强相关性,从而确定强相关参数。
(2)对强相关参数进行数学拟合,以固定效应模型和随机效应模型形成非线性混合效应模型,以非线性混合效应模型为基础模型并根据非线性混合效应模型算法确定慢阻肺发病预测模型。
所述以固定效应模型和随机效应模型形成非线性混合效应模型包括对数据进行泊松回归和非线性回归最终得到非线性混合效应模型的过程。
为了提高预测模型构建的精度,所述构建慢阻肺发病预测模型还包括对预测模型的仿真拟合计算,所述仿真拟合计算是将计算模型应用在未参与建模过程的实际数据中,将计算结果数据和实际临床数据进行对比分析,根据数据误差分析确认模型是否可用并多次调整拟合参数以获得最优拟合公式。所述强相关参数的决定系数R,其中R2>0.9,所述强相关参数的方差检验量F值与自变量检验t值均小于0.05。
在一个实施例中,所述第一天气数据指标包括PM2.5,PM10和SO2,所述第二天气数据指标包括PM2.5和PM10;根据不同地理位置及时间,所述第一天气数据指标与第二天气数据指标也会不同,可以是AQI、pm2.5、pm10、co、o3、no2、so2的一种或多种,所述天气数据指标与该地理位置主要工业空气排放污染物种类关联。
在一个实施例中,所述获取设定地理范围内的空气质量数据方法为,以年为单位,每小时采集一次设定地理范围内的空气质量数据;所述设定时间单位为月。在更短的实施周期内,可以把设定时间单位设定为周,对应的,获取设定地理范围内的空气质量数据方法为,以月为单位,每30分钟采集一次设定地理范围内的空气质量数据;通过更高频率的数据采集,满足城市季节性污染物排放对慢阻肺病发预测的需要,尤其是对我国北方秋冬季节煤炭采暖,致使季节性的空气污染高发,本发明实施例具有很好的应用价值。
所述预设算法包括贝叶斯反馈法、马尔可夫链算法和蒙特卡洛算法之一或其组合算法。在实施例中,确定慢阻肺发病模型后即可以天气数据指标,利用贝叶斯反馈法进行发病数据预测,预测过程结合马尔可夫链算法、蒙特卡洛算法等多种算法相结合,可获得最佳的预测精度。
第三方面,本公开的实施例提供了一种基于空气质量的慢阻肺发病预测系统,所述预测系统包括
空气质量数据获取单元,用于获取待验证的空气质量数据以及设定地理范围内的空气质量数据;所述空气质量数据获取单元连接空气质量数据库,也可以连接外部的空气质量采集终端,根据控制指令获取或接收来自空气质量数据库或空气质量采集终端的数据,并将数据通过有线或无线数据链接的方式传递给计算单元和预测单元;
病例数据获取单元,用于设定地理范围内的慢阻肺的病例数据;病例数据获取单元链接慢阻肺研究病种库,根据指令获取慢阻肺研究病种库中患者的临床数据,包括但不限于如诊断、检验检查指标、病历、医嘱等。
计算单元,用于对空气质量数据和病例数据进行处理,确定强相关参数,构建慢阻肺发病预测模型;根据慢阻肺发病预测模型构建的方法,内置相应的计算处理程序,在输入空气质量数据和病例数据输入后,计算处理程序自动计算得到慢阻肺发病预测模型;必要时,还设置仿真单元,用于对慢阻肺发病预测模型进行仿真拟合计算,将计算结果数据和实际临床数据进行对比分析,通过数据误差分析以便确认模型是否可用并多次调整拟合参数以获得最优拟合公式,优化预测模型;
预测单元,根据预设算法,将待验证的空气质量数据传递给计算单元,获得计算单元反馈的慢阻肺发病预测值;预测单元与计算单元集成或通讯链接,通过必要的输入单元,在输入待验证的空气质量数据后,计算单元根据慢阻肺发病预测模型获得预测值,并反馈给预测单元,由预测单元通过必要的显示界面或发送到用户终端,告知用户慢阻肺发病预测值。
本发明实施例以慢阻肺疾病发病理论结合人工智能算法为核心,基于空气质量数据、慢阻肺研究病种库临床数据,使慢阻肺防治机构可以根据天气质量情况较为准确地预测出当前区域的慢阻肺发病情况,使慢阻肺的区域防治由被动转换为主动,可提前进行相应的准备与对策以对应慢阻肺爆发性发病的场景。
第四方面,本公开的实施例提供了一种存储介质,该存储介质存储有实现所述慢阻肺发病预测模型构建方法或慢阻肺发病预测方法的处理程序,该存储介质可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开的实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种基于空气质量的慢阻肺发病预测方法,其特征在于,所述预测方法包括如下步骤:
(1)获取设定地理范围内的空气质量数据;
(2)获取所述设定地理范围内的慢阻肺的病例数据,所述病例数据包括:空气质量数据、慢阻肺研究病种库中患者的临床数据包括诊断、检验检查指标、病历和医嘱;对原始数据进行排重、去除临床核心的数据包括诊断、就诊时间和年龄字段缺失的数据,对不同医院间的诊断编码、性别和年龄数据进行数据标准化包括按照归一标准进行一致化;
(3)按照设定时间单位,对空气质量数据和病例数据进行处理,其中病例数据按照设定时间单位进行求和,空气质量数据按照设定时间单位求平均值;
(4)择取空气质量数据中的第一天气数据指标,将第一天气数据指标与病例数据进行相关性分析,确定强相关参数;
(5)以设定时间单位,对强相关参数进行拟合以构建慢阻肺发病预测模型;
(6)按照预设算法,将待验证的空气质量数据代入所述慢阻肺发病预测模型,获得慢阻肺发病预测值;
构建慢阻肺发病预测模型包括如下步骤:
(1)利用多维相关性算法进行指标相关性分析,向前强迫回归法挑选其偏回归平方和贡献最大的变量,用方差比进行显著性检验的办法,确定基本发病与患者年龄和第二天气数据指标存在数学上的强相关性,从而确定强相关参数;
(2)对强相关参数进行数学拟合,以固定效应模型和随机效应模型形成非线性混合效应模型,以非线性混合效应模型为基础模型并根据非线性混合效应模型算法确定慢阻肺发病预测模型;
所述以固定效应模型和随机效应模型形成非线性混合效应模型包括对数据进行泊松回归和非线性回归最终得到非线性混合效应模型的过程;
所述构建慢阻肺发病预测模型还包括对预测模型的仿真拟合计算,所述仿真拟合计算是将计算模型应用在未参与建模过程的实际数据中,将计算结果数据和实际临床数据进行对比分析,根据数据误差分析确认模型是否可用并多次调整拟合参数以获得最优拟合公式;
所述强相关参数的决定系数R,其中R2>0.9,所述强相关参数的方差检验量F值与自变量检验t值均小于0.05;
把所述设定时间单位设定为周,对应的,获取所述设定地理范围内的空气质量数据方法为,以月为单位,每30分钟采集一次所述设定地理范围内的空气质量数据。
2.如权利要求1所述的预测方法,其特征在于,所述第一天气数据指标包括PM2.5,PM10和SO2;
所述第二天气数据指标包括PM2.5和PM10。
3.如权利要求1所述的预测方法,其特征在于,所述获取设定地理范围内的空气质量数据方法为,以年为单位,每小时采集一次设定地理范围内的空气质量数据;
所述设定时间单位为月。
4.如权利要求1-3中任意一项所述的预测方法,其特征在于,所述预设算法包括贝叶斯反馈法、马尔可夫链算法和蒙特卡洛算法之一或其组合算法。
5.一种基于空气质量的慢阻肺发病预测系统,使用上述权利要求1-4任一项所述的预测方法,其特征在于,所述预测系统包括
空气质量数据获取单元,用于获取待验证的空气质量数据以及设定地理范围内的空气质量数据;
病例数据获取单元,用于设定地理范围内的慢阻肺的病例数据;
计算单元,用于对空气质量数据和病例数据进行处理,确定强相关参数,构建慢阻肺发病预测模型;
预测单元,根据预设算法,将待验证的空气质量数据传递给计算单元,获得计算单元反馈的慢阻肺发病预测值;
还包括:
输入单元,用于输入待验证的空气质量数据;
仿真单元,用于对慢阻肺发病预测模型进行仿真拟合计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084202.8A CN112582058B (zh) | 2019-11-07 | 2019-11-07 | 一种基于空气质量的慢阻肺发病预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084202.8A CN112582058B (zh) | 2019-11-07 | 2019-11-07 | 一种基于空气质量的慢阻肺发病预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112582058A CN112582058A (zh) | 2021-03-30 |
CN112582058B true CN112582058B (zh) | 2022-04-01 |
Family
ID=75117307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911084202.8A Active CN112582058B (zh) | 2019-11-07 | 2019-11-07 | 一种基于空气质量的慢阻肺发病预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112582058B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107660150A (zh) * | 2015-03-05 | 2018-02-02 | Ab2生物股份有限公司 | Il‑18结合蛋白(il‑18bp)和抗体在炎性疾病中 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130131146A1 (en) * | 2010-04-30 | 2013-05-23 | The Johns Hopkins University | Compositions and Methods for Treating Pulmonary Conditions |
WO2012027804A1 (en) * | 2010-09-02 | 2012-03-08 | Katholieke Universiteit Leuven | Apparatus for automatically diagnosing emphysema |
CN104809335B (zh) * | 2015-04-10 | 2019-03-05 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测装置 |
CN108550400B (zh) * | 2018-04-13 | 2022-02-22 | 成都金盘电子科大多媒体技术有限公司 | 空气污染物对呼吸道疾病病患人数影响的评估方法 |
CN109934408A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 |
CN110047594A (zh) * | 2019-05-27 | 2019-07-23 | 北京气象在线科技有限公司 | 基于气象环境监测数据的呼吸系统疾病发病趋势预测方法 |
-
2019
- 2019-11-07 CN CN201911084202.8A patent/CN112582058B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107660150A (zh) * | 2015-03-05 | 2018-02-02 | Ab2生物股份有限公司 | Il‑18结合蛋白(il‑18bp)和抗体在炎性疾病中 |
Non-Patent Citations (2)
Title |
---|
"Associations between daily air quality and hospitalisations for acute exacerbation of chronic obstructive pulmonary disease in Beijing,2013-17:an ecological analysis";Lirong Liang等;《The Lancet Planetary Health》;20190619;第3卷(第6期);e270-e279页 * |
"大气颗粒物对肺部微生态的影响及在慢性阻塞性肺疾病发病中的作用";李乃健等;《中国呼吸与危重监护杂志》;20180325;第17卷(第2期);第206-209页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112582058A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
Shechter et al. | A clinically based discrete-event simulation of end-stage liver disease and the organ allocation process | |
CN109472004B (zh) | 气候变化和人类活动对水文干旱影响的综合评估方法、装置及系统 | |
WO2019153595A1 (zh) | 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
Karakatsani et al. | Weekly personal ozone exposure and respiratory health in a panel of Greek schoolchildren | |
WO2000065996A1 (en) | Method and apparatus for providing air quality analysis based on human reactions and clustering methods | |
Guo et al. | Deposition of ambient ultrafine particles in the respiratory tract of children: a novel experimental method and its application | |
Suanno et al. | Pollen forecasting and its relevance in pollen allergen avoidance | |
CN112992375A (zh) | 一种疾病的预警方法、预警装置、设备及介质 | |
Fedele et al. | Comparison of secondhand smoke exposure in minority and nonminority children with asthma. | |
CN112582058B (zh) | 一种基于空气质量的慢阻肺发病预测方法及系统 | |
Hwang et al. | Establishment of outdoor thermal comfort index groups for quantifying climate impact on construction accidents | |
Egan et al. | Inhaled aerosol transport and deposition calculations for the ICRP Task Group | |
McClellan et al. | Critical considerations in evaluating scientific evidence of health effects of ambient ozone: a conference report | |
Hajage et al. | Estimation of conditional and marginal odds ratios using the prognostic score | |
Kummer et al. | Measuring the seasonality of human contact patterns and its implications for the spread of respiratory infectious diseases | |
Carlin et al. | Spatio-temporal hierarchical models for analyzing Atlanta pediatric asthma ER visit rates | |
Bonneuil et al. | Optimal population path fitting for flawed vital statistics and censuses | |
Vinnikov et al. | Occupation and chronic obstructive pulmonary disease in Minsk tractor plant workers | |
CN113223708A (zh) | 病症风险预测模型的构建方法和相关设备 | |
Pan et al. | Time-series analysis of air pollution and health accounting for covariate-dependent overdispersion | |
Abdelmoula et al. | Machine learning based prediction tool of hospitalization cost | |
Czechowski et al. | Providing high-quality measurement data in analytical system of air pollution monitoring and their key importance for smart cities residents | |
Sun et al. | Prediction of indoor climate and long-term air quality using the BTA-AQP model: Part II. Overall model evaluation and application |
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 |