CN112768074A - 一种基于人工智能的重疾风险预测方法及系统 - Google Patents
一种基于人工智能的重疾风险预测方法及系统 Download PDFInfo
- Publication number
- CN112768074A CN112768074A CN202110069544.3A CN202110069544A CN112768074A CN 112768074 A CN112768074 A CN 112768074A CN 202110069544 A CN202110069544 A CN 202110069544A CN 112768074 A CN112768074 A CN 112768074A
- Authority
- CN
- China
- Prior art keywords
- risk
- factor
- data
- prediction
- disease
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 54
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 29
- 238000012706 support-vector machine Methods 0.000 claims description 23
- 238000012502 risk assessment Methods 0.000 claims description 11
- 208000028399 Critical Illness Diseases 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 abstract description 6
- 239000008280 blood Substances 0.000 description 17
- 210000004369 blood Anatomy 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 208000029078 coronary artery disease Diseases 0.000 description 11
- 230000036772 blood pressure Effects 0.000 description 9
- 208000008589 Obesity Diseases 0.000 description 5
- 235000020824 obesity Nutrition 0.000 description 5
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 150000002632 lipids Chemical class 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002747 voluntary effect Effects 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于人工智能的重疾风险预测方法及系统，所述重疾风险预测方法包括以下步骤：确定预测模型、基础风险因子以及基础风险因子权重；收集用户相关数据，并对数据进行处理；根据基础风险因子基于神经网络算法优化风险因子和风险因子权重；利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测；所述重疾风险预测系统包括以下模块：模型选择模块，数据收集模块，因子优化模块，预测模块。本发明基于国外现有的成熟算法，结合人工智能学习，通过神经网络算法智能调整风险因子的权重，随着数据的不断积累，更适用于国内人群现状，对国内人群的疾病风险预测更加精准。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于人工智能的重疾风险预测方法及系统。
背景技术
健康风险评估(health risk appraisal,HRA)是管理式医疗中重要的一环，用于评估某一个体未来发生某种特定疾病的可能性，这种分析过程目的在于估计特性时间发生的可能性，而不在于做出明确的诊断。健康风险评估通过自愿性的调查问卷形式了解用户在健康方面的相关生活习惯，根据评估结果将用户的各种风险因素进行归类，并提供降低这些风险的合理建议，推荐一些有助于改变不良生活习惯的方法或措施。目前常见的风险评估方法有两种，第一种是建立在单一危险因素及发病率的基础上，讲这些单一因素与发病率的关系以相对危险性来表示强度，得到的各相关因素的加权分数即为患者的危险性。第二种是建立在多因素数理分析基础上，即采用统计学概率理论的方法来得出患病危险性与危险因素之间的关系模型。这种方法的典型代表是Framingham的冠心病模型，他是在前瞻性研究的基础上建立的，因而被广泛应用。随着当前各大保险公司都在构建HMO体系，健康风险评估也越来越被重视，但是由于在国内起步较晚，缺乏有效数据积累及理论性研究，导致目前市面上基本没有有效的评估模型。而由于中美两国在人种、流行病学、经济、社会环境等各方面存在着差异，导致国外成熟的评估模型无法直接被国内使用。
发明内容
鉴于目前存在的上述不足，本发明提供一种基于人工智能的重疾风险预测方法及系统，智能调整风险因子的权重，随着数据的不断积累，形成适用于国内人群现状的疾病风险预测模型。
为达到上述目的，本发明的实施例采用如下技术方案：
一种基于人工智能的重疾风险预测方法，所述重疾风险预测方法包括以下步骤：
确定预测模型、基础风险因子以及基础风险因子权重；
收集用户相关数据，并对数据进行处理；
根据基础风险因子基于神经网络算法优化风险因子和风险因子权重；
利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测。
依照本发明的一个方面，所述确定预测模型、基础风险因子以及基础风险因子权重具体为：根据所要评估的疾病类型确定预测模型，根据所要评估的具体疾病确定基础风险因子和基础风险因子权重。
依照本发明的一个方面，所述收集用户相关数据，并对数据进行处理具体为：通过问卷和/或体检报告收集用户相关数据，并对数据进行结构化处理。
依照本发明的一个方面，所述根据基础风险因子基于神经网络算法优化风险因子和风险因子权重包括以下步骤：获取大量样本数据作为训练集；根据选择的基础风险因子确定训练集的数据特征并进行缩放；使用训练集对神经网络进行训练获取最佳支持向量机模型；根据最佳支持向量机模型获取最优的风险因子和风险因子权重。
依照本发明的一个方面，所述使用训练集对神经网络进行训练获取最佳支持向量机模型包括以下步骤：选择具体核函数；采用交叉验证法选定最佳惩罚因子和核函数半径；选用最佳惩罚因子和核函数半径，采用训练集中的不同数据特征和权重生成多个支持向量机模型；将模型预测结果与训练集中的实际情况比较，获取误差最小的支持向量机模型。
依照本发明的一个方面，所述利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测包括以下步骤：预测模型计算用户数据中每个优化风险因子的风险值；汇总计算用户的个人相对风险分值；根据个人相对风险分值预测用户未来罹患疾病的概率。
依照本发明的一个方面，所述汇总计算用户的个人相对风险分值具体为：根据个人风险值与人均风险值的比值确定每个风险因子的相对风险分值；将每个风险因子的相对风险分值乘以对应的权重再汇总得到用户个人相对风险分值。
依照本发明的一个方面，所述根据个人相对风险分值预测用户未来罹患疾病的概率具体为：将个人相对风险分值除以人均相对风险分值得到对比值；根据用户的年龄，将对比值乘以seer系数预测用户未来罹患疾病的概率，所述seer系数为官方发布的指定年龄段特定疾病的发病概率。
一种基于人工智能的重疾风险预测系统，包括以下模块：
模型选择模块，用于确定选用的预测模型和风险因子；
数据收集模块，用于收集用户相关数据；
因子优化模块，用于优化风险因子和风险因子权重；
疾病预测模块，用于给出重疾风险预测。
依照本发明的一个方面，基于人工智能的重疾风险预测系统还包括数据处理模块，用于对用户相关数据进行结构化处理。
本发明实施的优点：本发明所述的一种基于人工智能的重疾风险预测方法及系统，所述重疾风险预测方法包括以下步骤：确定预测模型、基础风险因子以及基础风险因子权重；收集用户相关数据，并对数据进行处理；根据基础风险因子基于神经网络算法优化风险因子和风险因子权重；利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测；所述重疾风险预测系统包括以下模块：模型选择模块，数据收集模块，因子优化模块，预测模块。本发明基于国外现有的成熟算法，结合人工智能学习，通过神经网络算法智能调整风险因子的权重，随着数据的不断积累，更适用于国内人群现状，对国内人群的疾病风险预测更加精准。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的一种基于人工智能的重疾风险预测方法示意图；
图2为本发明所述的一种基于人工智能的重疾风险预测方法优化过程示意图；
图3为本发明所述的一种基于人工智能的重疾风险预测方法预测过程示意图；
图4为本发明所述的一种基于人工智能的重疾风险预测系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
如图1所示，一种基于人工智能的重疾风险预测方法，所述重疾风险预测方法包括以下步骤：
S1：确定预测模型、基础风险因子以及基础风险因子权重；
在实际应用中，所述确定预测模型及风险因子具体为：根据所要评估的疾病类型确定预测模型，根据所要评估的具体疾病确定基础风险因子和基础风险因子权重。
在实际应用中，预测模型可为哈佛大学癌症风险因子或Framingham冠心病模型。
在实际应用中，根据疾病大类选用预测模型，如癌症选取哈佛大学癌症风险因子，心血管疾病选取Framingham冠心病模型。
在本实施例中，具体预测心血管疾病的风险，因此选取Framingham冠心病模型。
在实际应用中，根据疾病大类中的具体病症选用基础风险因子，基础风险因子可为血压、血糖、肺活量、心率和体温等身体健康数据。
在本实施例中，具体预测冠心病的风险概率，因此确定基础风险因子为血压、血脂、血糖、肥胖度、BMI等。
在实际应用中，获取的基础风险因子和基础风险因子权重是基于外国人群确定，不一定适用于国内人群的实际情况，因此需进行优化。
S2：收集用户相关数据，并对数据进行处理；
在实际应用中，所述收集用户相关数据，并对数据进行处理具体为：通过问卷和/或体检报告收集用户相关数据，并对数据进行结构化处理。
在实际应用中，获得用户的体检数据和相关信息，并将所有相关数据做结构化处理。
在实际应用中，数据结构化具体是建立数据间的相互关系，将用户相关数据存储为数据库结构。
在本实施例中，由于确定了基础风险因子为血压、血脂、血糖、肥胖度、BMI等，因此收集的主要为用户这几个方面的具体指标。
S3：根据基础风险因子基于神经网络算法优化风险因子和风险因子权重；
在实际应用中，如图2所示，所述根据基础风险因子基于神经网络算法优化风险因子和风险因子权重包括以下步骤：
S301：获取大量样本数据作为训练集；
在实际应用中，样本数据来源于预先建立的小程序或合作单位，合作单位包括保险公司、体检机构等多方。
在实际应用中，小程序可获取使用者的相关数据。
在实际应用中，样本数据包含了人员全面的身体数据和实际患病风险值。
S302：根据选择的基础风险因子确定训练集的数据特征并进行缩放；
在实际应用中，将训练集中有关基础风险因子的数据作为训练集的数据特征，并根据训练集中的患病风险值将所有人员分为高风险和低风险两个人群。
在本实施例中，由于已确定基础风险因子为血压、血脂、血糖、肥胖度、BMI等，因此数据特征也为这几个方面的具体指标。
在实际应用中，特征缩放具体指将不同特征的值量化到同一区间的方法，也是预处理中容易忽视的关键步骤之一，在支持向量机中，可以使其花费更少时间找到支持向量。
S303：使用训练集对神经网络进行训练获取最佳支持向量机模型；
在实际应用中，所述使用训练集对神经网络进行训练获取最佳支持向量机模型包括以下步骤：选择具体核函数；采用交叉验证法选定最佳惩罚因子和核函数半径；选用最佳惩罚因子和核函数半径，采用训练集中的不同数据特征和权重生成多个支持向量机模型；将模型预测结果与训练集中的实际情况比较，获取误差最小的支持向量机模型。
在实际应用中，所述核函数可供选择的类型有：
0–线性：u'v
1–多项式：(r*u'v+coef0)^degree
2–RBF函数：exp(-r|u-v|^2)
3–sigmoid：tanh(r*u'v+coef0)
根据经验，我们通常会使用多项式做为核函数，并对多个核函数进行测试。
在本实施例中，以选取多项式核函数为例。
在实际应用中，惩罚因子决定了离群点带来的损失的重视程度，这里会选定不同惩罚因子，来形成分类器，通过测试来看看分类器的效果，并最终得到一个最优化的值，同理，核函数半径也通过测试获得最优化的值。
在实际应用中，选用最佳惩罚因子和核函数半径，通过不同的数据特征和权重来生成多个支持向量机模型，将训练集中的相关数据特征输入个各支持向量机模型。
在本实施例中，分别取血压、血脂、血糖、肥胖度、BMI等指标中的一个或多个指标，并以不同权重组合来生成支持向量机模型。
在本实施例中，也就是将人员的血压、血脂、血糖、肥胖度、BMI等指标输入支持向量机模型。
在实际应用中，各支持向量机模型根据数据特征和相应的权重做出风险分类预测，得到高风险和低风险人群的分类预测结果。
在实际应用中，对比各支持向量机模型获得的分类预测结果与训练集中的实际分类结果，找到误差最小的支持向量机模型。
S304：根据最佳支持向量机模型获取最优的风险因子和风险因子权重；
在实际应用中，构建最佳支持向量机模型的数据特征和对应权重即为最优的风险因子和风险因子权重。
在本实施例中，以血压、血脂、血糖和BMI为优化风险因子为例。
S4：利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测。
在实际应用中，如图3所示，所述利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测包括以下步骤：
S401：预测模型计算用户数据中每个优化风险因子的风险值；
在实际应用中，将优化的风险因子迭代回预测模型，预测模型计算每个优化风险因子的风险值。
在本实施例中，由于优化风险因子为血压、血脂、血糖和BMI，所以之前选用的Framingham冠心病模型根据用户的这几个指标分别计算出风险值。
S402：汇总计算用户的个人相对风险分值；
在实际应用中，所述汇总计算用户的个人相对风险分值具体为：根据个人风险值与人均风险值的比值确定每个风险因子的相对风险分值；将每个风险因子的相对风险分值乘以对应的权重再汇总得到用户个人相对风险分值。
在实际应用中，获取用户每个风险因子的风险值与该风险因子的人均风险值的比值，在根据比值获取每个风险因子的相对风险分值。
在实际应用中，各风险因子的人均风险值从模型的大数据中获得。
在实际应用中，比值在(0.9,1.1)的，相对风险分值为0；比值在(0.7，0.9)，(1.1,1.5)的，相对风险分值为5，比值在(0.4,0.7),(1.5,3.0)的，相对风险分值为10，比值在(0.2,0.4),(3.0,7.0)的，相对风险分值为25，其余的相对风险分值为50。
在实际应用中，根据优化后的风险因子权重即可将每个风险因子的相对风险分值汇总为个人的相对风险分值。
在实际应用中，将血压、血脂、血糖和BMI的相对风险分值分别乘以其对应的权重，结果总和后即为个人的相对风险分值。
S403：根据个人相对风险分值预测用户未来罹患疾病的概率。
在实际应用中，所述根据个人相对风险分值预测用户未来罹患疾病的概率具体为：将个人相对风险分值除以人均相对风险分值得到对比值；根据用户的年龄，将对比值乘以seer系数预测用户未来罹患疾病的概率，所述seer系数为官方发布的指定年龄段特定疾病的发病概率。
在实际应用中，人均相对风险分值从模型的大数据中获得。
在实际应用中，通过对比值的设定可清晰获知用户相对人均的健康状况。
在本实施例中，seer系数具体为指定年龄段患冠心病的概率。
在本实施例中，具体预测的为用户未来患冠心病的概率。
在实际应用中，获取用户罹患疾病的概率后，即可得知用户是否属于高风险人群，便于用户及时采取措施。
本实施例提供了一种基于人工智能的重疾风险预测方法，选定Framingham冠心病模型和对应的基础风险因子后，可自适应的根据数据积累进行风险因子及风险因子权重的优化，更适用于国内人群现状，对国内人群的冠心病风险预测更加精准。
基于人工智能的重疾风险预测系统实施例
如图4所示，一种基于人工智能的重疾风险预测系统，包括以下模块：
模型选择模块1，用于确定选用的预测模型和风险因子；
数据收集模块2，用于收集用户相关数据；
因子优化模块3，用于优化风险因子和风险因子权重；
疾病预测模块4，用于给出重疾风险预测。
在实际应用中，基于人工智能的重疾风险预测系统还包括数据处理模块5，用于对用户相关数据进行结构化处理。
本发明实施的优点：本发明所述的一种基于人工智能的重疾风险预测方法及系统，所述重疾风险预测方法包括以下步骤：确定预测模型、基础风险因子以及基础风险因子权重；收集用户相关数据，并对数据进行处理；根据基础风险因子基于神经网络算法优化风险因子和风险因子权重；利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测；所述重疾风险预测系统包括以下模块：模型选择模块，数据收集模块，因子优化模块，预测模块。本发明基于国外现有的成熟算法，结合人工智能学习，通过神经网络算法智能调整风险因子的权重，随着数据的不断积累，更适用于国内人群现状，对国内人群的疾病风险预测更加精准。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的重疾风险预测方法，其特征在于，所述重疾风险预测方法包括以下步骤：
确定预测模型、基础风险因子以及基础风险因子权重；
收集用户相关数据，并对数据进行处理；
根据基础风险因子基于神经网络算法优化风险因子和风险因子权重；
利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测。
2.根据权利要求1所述的基于人工智能的重疾风险评估方法，其特征在于，所述确定预测模型及风险因子具体为：根据所要评估的疾病类型确定预测模型，根据所要评估的具体疾病确定基础风险因子和基础风险因子权重。
3.根据权利要求1所述的基于人工智能的重疾风险评估方法，其特征在于，所述收集用户相关数据，并对数据进行处理具体为：通过问卷和/或体检报告收集用户相关数据，并对数据进行结构化处理。
4.根据权利要求1所述的基于人工智能的重疾风险评估方法，其特征在于，所述根据基础风险因子基于神经网络算法优化风险因子和风险因子权重包括以下步骤：获取大量样本数据作为训练集；根据选择的基础风险因子确定训练集的数据特征并进行缩放；使用训练集对神经网络进行训练获取最佳支持向量机模型；根据最佳支持向量机模型获取最优的风险因子和风险因子权重。
5.根据权利要求4所述的基于人工智能的重疾风险评估方法，其特征在于，所述使用训练集对神经网络进行训练获取最佳支持向量机模型包括以下步骤：选择具体核函数；采用交叉验证法选定最佳惩罚因子和核函数半径；选用最佳惩罚因子和核函数半径，采用训练集中的不同数据特征和权重生成多个支持向量机模型；将模型预测结果与训练集中的实际情况比较，获取误差最小的支持向量机模型。
6.根据权利要求1所述的基于人工智能的重疾风险评估方法，其特征在于，所述利用预测模型根据处理后的用户数据、优化的风险因子和风险因子权重进行重疾风险预测包括以下步骤：预测模型计算用户数据中每个优化风险因子的风险值；汇总计算用户的个人相对风险分值；根据个人相对风险分值预测用户未来罹患疾病的概率。
7.根据权利要求6所述的基于人工智能的重疾风险评估方法，其特征在于，所述汇总计算用户的个人相对风险分值具体为：根据个人风险值与人均风险值的比值确定每个风险因子的相对风险分值；将每个风险因子的相对风险分值乘以对应的权重再汇总得到用户个人相对风险分值。
8.根据权利要求7所述的基于人工智能的重疾风险评估方法，其特征在于，所述根据个人相对风险分值预测用户未来罹患疾病的概率具体为：将个人相对风险分值除以人均相对风险分值得到对比值；根据用户的年龄，将对比值乘以seer系数预测用户未来罹患疾病的概率，所述seer系数为官方发布的指定年龄段特定疾病的发病概率。
9.一种基于人工智能的重疾风险预测系统，其特征在于，包括以下模块：
模型选择模块，用于确定选用的预测模型和风险因子；
数据收集模块，用于收集用户相关数据；
因子优化模块，用于优化风险因子和风险因子权重；
疾病预测模块，用于给出重疾风险预测。
10.根据权利要求9所述的基于人工智能的重疾风险预测系统，其特征在于，还包括数据处理模块，用于对用户相关数据进行结构化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110069544.3A CN112768074A (zh) | 2021-01-19 | 2021-01-19 | 一种基于人工智能的重疾风险预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110069544.3A CN112768074A (zh) | 2021-01-19 | 2021-01-19 | 一种基于人工智能的重疾风险预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112768074A true CN112768074A (zh) | 2021-05-07 |
Family
ID=75703170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110069544.3A Pending CN112768074A (zh) | 2021-01-19 | 2021-01-19 | 一种基于人工智能的重疾风险预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112768074A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114613507A (zh) * | 2022-03-16 | 2022-06-10 | 温子娜 | 基于大数据和人工智能的精子受精功能预测模型 |
| CN114668371A (zh) * | 2022-03-25 | 2022-06-28 | 重庆大学 | 猝死预警系统 |
| CN114724717A (zh) * | 2022-04-20 | 2022-07-08 | 山东大学齐鲁医院 | 一种胃早癌高危风险筛查系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897566A (zh) * | 2017-02-28 | 2017-06-27 | 北京积水潭医院 | 一种风险预估模型的构建方法及装置 |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| CN108257673A (zh) * | 2018-01-12 | 2018-07-06 | 南通大学 | 患病风险值预测方法及电子设备 |
| CN110458313A (zh) * | 2018-05-07 | 2019-11-15 | 中国科学院沈阳自动化研究所 | 一种基于svm的电力用户信用风险预警方法及系统 |
| CN111354464A (zh) * | 2018-12-24 | 2020-06-30 | 深圳先进技术研究院 | Cad预测模型建立方法、装置以及电子设备 |
| CN111739641A (zh) * | 2020-06-23 | 2020-10-02 | 杭州和壹医学检验所有限公司 | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 |
| CN111785380A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云（北京）技术有限公司 | 传染性疾病患病风险等级的预测方法及装置、介质、设备 |
-
2021
- 2021-01-19 CN CN202110069544.3A patent/CN112768074A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| CN106897566A (zh) * | 2017-02-28 | 2017-06-27 | 北京积水潭医院 | 一种风险预估模型的构建方法及装置 |
| CN108257673A (zh) * | 2018-01-12 | 2018-07-06 | 南通大学 | 患病风险值预测方法及电子设备 |
| CN110458313A (zh) * | 2018-05-07 | 2019-11-15 | 中国科学院沈阳自动化研究所 | 一种基于svm的电力用户信用风险预警方法及系统 |
| CN111354464A (zh) * | 2018-12-24 | 2020-06-30 | 深圳先进技术研究院 | Cad预测模型建立方法、装置以及电子设备 |
| CN111739641A (zh) * | 2020-06-23 | 2020-10-02 | 杭州和壹医学检验所有限公司 | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 |
| CN111785380A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云（北京）技术有限公司 | 传染性疾病患病风险等级的预测方法及装置、介质、设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114613507A (zh) * | 2022-03-16 | 2022-06-10 | 温子娜 | 基于大数据和人工智能的精子受精功能预测模型 |
| CN114668371A (zh) * | 2022-03-25 | 2022-06-28 | 重庆大学 | 猝死预警系统 |
| CN114724717A (zh) * | 2022-04-20 | 2022-07-08 | 山东大学齐鲁医院 | 一种胃早癌高危风险筛查系统 |
| CN114724717B (zh) * | 2022-04-20 | 2024-04-12 | 山东大学齐鲁医院 | 一种胃早癌高危风险筛查系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292853B (zh) | 基于多参数的心血管疾病风险预测网络模型及其构建方法 | |
| CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
| CN111524602A (zh) | 一种老年人记忆及认知功能评估筛查预警系统 | |
| Zhang et al. | Using CatBoost algorithm to identify middle-aged and elderly depression, national health and nutrition examination survey 2011–2018 | |
| CN108648827A (zh) | 心脑血管疾病风险预测方法及装置 | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| CN113284623B (zh) | 基于用户能力的个性化认知训练任务推荐算法及系统 | |
| CN105808906B (zh) | 患者个人特性的分析方法及其装置 | |
| CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
| KR102342770B1 (ko) | 질병 예측치의 분포를 이용한 건강관리 상담 시스템 | |
| CN115602325A (zh) | 一种基于多模型算法的慢性病风险评估方法及其系统 | |
| 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 | |
| CN109767836A (zh) | 一种医学诊断人工智能系统、装置及其自我学习方法 | |
| CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
| CN110299207A (zh) | 用于慢性病检测中的基于计算机预测模型数据处理方法 | |
| CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
| CN118173253B (zh) | 一种基于病患数据分析管理系统及方法 | |
| CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
| Kour et al. | An Advance Approach for Diabetes Detection by Implementing Machine Learning Algorithms | |
| CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
| CN114758786A (zh) | 基于无创参数的创伤后失血性休克动态早期预警系统 | |
| CN115147768B (zh) | 一种跌倒风险评估方法及系统 | |
| Castronuovo et al. | Analyzing the Interactions between Environmental Parameters and Cardiovascular Diseases Using Random Forest and SHAP Algorithms | |
| Rao et al. | Stroke Risk Assessment Decision-Making Using a Machine Learning Model: Logistic-AdaBoost |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201100 floors 5 and 6, No. 1256, Shenbin South Road, Minhang District, Shanghai Applicant after: Shanghai Dayu Medical and Health Technology Group Co.,Ltd. Address before: 201100 floors 5 and 6, No. 1256, Shenbin South Road, Minhang District, Shanghai Applicant before: Dayu (Shanghai) Medical Health Technology Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |