CN112837804A - 人工智能个性化慢病健康管疗的方法 - Google Patents

Abstract

本发明涉及一种人工智能个性化慢病健康管疗的方法，提出慢病信息、个人信息和时间是函数关系，通过监测个人信息、诊断慢病类别，依据群体的大数据，采用人工智能深度学习和个性化训练的方法，建立概念方程、偏微分方程、模糊数学方程、人工智能模型、混合模型、预测模型、单向映射模型、双向映射模型等数学模型，设计相关算法，对患者个人制定执行管疗方案，监测管疗效果，通过执行训练和优化可调个人信息和管疗效果模型，形成个性化的、持续升级的慢病健康管疗方案，同时设计了求取极值法、个性化训练法、调节个人信息法、软件仿真法等4种实现减少患者管疗费用和对身体损伤的方法；设计云中心、区块链和安全多方计算的云安全模式保护个人隐私；设计针对糖尿病、心血管疾病的2个应用实施例。

Description

人工智能个性化慢病健康管疗的方法

技术领域

本发明涉及临床医学和信息技术领域，尤其涉及诊断学、治疗学和人工智能领域，特别涉及人工智能的人类慢病健康管理和治疗的方法。

背景技术

慢病是威胁人类健康、造成人类死亡的元凶，是未来医疗保健领域发展的重中之重。

慢病又称慢性病(英文chronic)不是特指某种疾病，而是对一组起病时间长，缺乏明确的病因证据，一旦发病即病情迁延不愈的非传染性疾病的概括性总称，也是指不构成传染、具有长期积累形成疾病形态损害的疾病的总称。

慢病的范围很广，常见的慢性病主要包括：糖尿病、心脑血管疾病、癌症、慢性呼吸系统疾病，其中心脑血管疾病包含高血压、脑卒中和冠心病。据我国权威机构统计，18岁及以上成人高血压患病率为25.5％，糖尿病患病率为11％，其中，糖尿病总人数约为1.48亿，而成年人中血糖偏高者总数高达4亿。

目前的业内现状是：

1、诊断监测标准

业内对于慢病的健康管理和治疗，基本上都是采用同一个标准管理和治疗全部的慢病患者。以糖尿病为例，依据国际卫生组织(WHO)的规范，主要检测：1、静脉血液中葡萄糖的含量，空腹的静脉血糖≥7.0mmol/L，或者饭后两小时的血糖>11.1mmol/L；2、糖化血红蛋白A1c(HbA1c)≥7.0％；符合这个标准，即可判断为糖尿病。此外，静脉血糖≤3.9mmol/L者为低血糖。然而，由于人的多样性和人体代谢系统是动态的，例如，餐后两小时的血糖值，在实际测量中，静脉血糖的测量值随时间的波动差异较大，并且是随着各人的差异和饮食的不同，其离散误差十分明显。因此，靠单一静态的指标“饭后两小时的血糖>11.1mmol/L”来评判糖尿病，这本身就欠妥。此外，依据最新的糖尿病领域诺贝尔奖——班廷奖——的最新成果，人体内血糖值的波动对人体健康的影响比单纯静态血糖值影响更大。

2、诊断检测设备技术

以糖尿病为例，这类设备划分为两类，分别是医疗机构使用的专业检测设备和可以由患者个人使用的便携或者家用检测设备，前者由于专业性，其产销量较小，造价较为昂贵。后者由于量广面大，其价格可为个人用户接受。在检测方法方面，限于目前的技术发展，绝大多数血糖检测设备都是单时点检测，也就是在需要的时候检测一次，无法进行连续的、实时的检测，无法捕捉到人体的动态信息。

3、治疗方案

限于目前的医疗力量和手段，大多数慢病的治疗，都是采用共性化治疗，一张处方治疗所有的同一种慢病患者，无法做到真正的个性化治疗。

4、分析方法

业内对于慢病诊断和分析，目前还是以定性分析为主，尚未建立较为系统的数值化定量分析机制。

现有方法不足

然而，由于人类的多样性，加之人体的新陈代谢造成体内物理化学的指标是随着时间变化而变化的，因此，发明人认为，现有慢病管疗方法存在以下不足：

1、单点监测诊断无法实现连续动态测量，容易造成误判误诊。

2、慢病监测目前以定性分析为主，尚未建立数值化定量分析机制。

3、治疗方案不支持对于患者个人的个性化慢病管理和治疗，无法优化精准管疗。

4、仅靠医生人脑对于管疗方案的记忆及提升，工作量巨大，并且效率较低。

5、没有引入人工智能方法和现代数学模型，没有引用现在先进思想和技术。

发明内容及目的

发明人通过长期的观察、实验和研究，提出人工智能个性化慢病健康管疗的方法，本发明的目的和意图在于：

1、建立个人信息、慢病信息和时间之间的关系函数，进行精准的定量分析机制。

2、采用大数据的方法，记录个人和群体的个人信息、慢病信息、诊疗效果。

3、设计一系列人工智能数学模型和深度学习算法，管理患者个人的慢病管疗。

4、建立个性化训练管疗方案。

5、有利于降低患者的管理和治疗的成本，降低患者的不适程度。

6、实施个性化管疗方案，实时监督管疗效果。

7、通过调节个人可调信息来调节慢病疗效。

8、监测个人理化信息和个人扩展信息。

9、建立云大数据，采用区块链和安全多方计算来保护个人隐私。

本发明的应用范围可以包括所有的慢病，例如：糖尿病、心脏病、高血压、皮肤病、高脂血症、脑梗死、脑出血、慢性支气管炎慢性心衰、风湿性心脏病、风湿性关节炎、阿尔茨海默症、肿瘤等等，只是不同的慢病需要采用不同的信息、算法和设计不同的软硬件系统。

本发明强调，对于慢病的管理和治疗，是采用综合性考虑的，不是头痛医头脚痛医脚，因此，对于个人信息、慢病信息的采集，除了所要管疗的具体慢病本身，其它相关联甚至目前看起来不关联的信息，都尽可能采集进来，以便于更加全面地管理和治疗慢病。即便是所谓“蝴蝶效应”，在可能的情况下，也不应该拒绝，因为，现有的医疗发展，尚未真正彻底揭示出慢病的机理和原因，在人工智能和大数据的支撑下，通过一些列算法的设计和运行，不排除发现“不相关”编程相关的。因此，本发明所列举的无论是个人信息的种类，还是慢病信息的种类，还是管疗方案的具体分量，都是源于这种思路。限于篇幅和发明的基本精神，本发明申请无法一一罗列这些信息的种类及关联，发明申请中所提出的信息种类，不意味着是对于本发明思路的限制。

特别声明：

1、本发明所指的慢病，包括全部慢性病。

2、所述分解包括定性的分解和定量的分解，本发明所提出的分解思路不局限于权利要求书所指的具体分解方向。

3、依据监测技术的发展和人工智能技术的发展，业内中级技术人员可依据这一发明思路做出不同的分解方案和不同的实施例。

发明的有益效果

1、实时监测个人信息、慢病信息多维时间函数，全面揭示慢病发展曲线。

2、采用大数据和人工智能的方法，记录个人和群体的个人信息、慢病信息、诊疗效果，完成持续的个性化慢病管理和治疗，强化慢病管疗效果。

3、采用人工智能的方法，逐渐优化慢病管疗方案。

4、能够降低患者的管理和治疗的成本，降低患者的不适程度。

附图说明

图1：函数关系示意图

图2：核心步骤图

图3：方法结构图

图4：个人端结构图

图5：云端结构图

图6：隐私管理结构图

具体实施方法

本发明的目的和意图是采用如下实施例的技术方案实现的：

实施例一、糖尿病管疗方法

本发明的应用实施例之一是面向糖尿病的人工智能个性化管疗治疗的方法，这是本发明的一个典型的应用示例。在本实施例中，只涉及本发明的方法的叙述，不作为一个实际系统的完整设计，也不是对于本发明的限定。

1、糖尿病管疗图示说明

图1是糖尿病管疗方法的函数关系示意图，揭示慢病发展曲线。图中，PD、CD、t分别是以个人信息、慢病信息和时间为坐标轴的多维体系，需要特别说明的是，这三个坐标轴，尤其是PD轴和CD轴，既包括直角坐标构成的欧拉平面几何坐标系，还包括微分几何的黎曼曲面几何坐标系。此外，由于PD轴和CD轴都可以分解为多维坐标，限于作图和视觉的方便，图1只是采用三个坐标的黎曼几何作图，在实际设计中，图1依据系统的具体选用维度和算法，通常是多维的、曲线的。

图1中，实线AB是糖尿病在坐标系中的慢病发展曲线，其中，A点是在时间a处的空间状态，B点是在时间b处的空间状态，对应与坐标PD处，A点的坐标为PD_a，B点的坐标为PD_b。对应与坐标CD处，A点的坐标为CD_a，B点的坐标为CD_b。对应与坐标t处，A点的坐标为t_a，B点的坐标为t_b。依据本发明的定义，实线AB是连续的曲线。

图2是糖尿病管疗方法的核心步骤图。图中，2001是监测个人信息步骤。2002是诊断慢病信息步骤，这里具体是诊断糖尿病的步骤。2003是包括制定、执行和监测管疗方案的步骤。2004是包括依据大数据，采用人工智能算法，计算个性化特征和优化执行管疗方案等步骤。2005是以2004为循环体的循环步骤。

图3是糖尿病管疗方法结构图。图中，3001是监测个人理化信息。3002是监测个人扩展信息。3003是诊断慢病信息，这里需要注意的是，虽然本实施例为糖尿病的管疗方法，但是由于糖尿病和其它慢病例如高血压、心脏病、视网膜疾病、皮肤病等，可能有关联，所以这里需要纳入包括这些相关的慢性病。3004是执行管疗方案。3005是训练和优化管疗方案。3006是隐私管理。3007是数学模型。3008是健康信息库。

图4是糖尿病管疗方法的个人端结构图。其中，4001是理化信息传感器，4002是其它个人信息采集录入，4003是包括糖尿病管疗方法APP的智能手机。

图5是糖尿病管疗方法的云端结构图。其中，5001是网络接入。5002是监测个人信息。5003是诊断慢病信息。5004是制定和执行管疗方案。5005是优化和调节管疗方案。5006是数学模型库。5007是健康信息库。

图6是糖尿病管疗方法的隐私管理结构图。其中，6001是一个所述机构，例如医院A，6002是另外一个所述机构，例如医院B。所述机构的结构组成相似，在所述机构内部，包括若干个用户，通过机构的管理，具有加密算法库，监管审计节点，区块链云平台，BaaS、PaaS、IaaS(BaaS，Blockchain as a Sevrice，区块链即服务；PaaS，Platfoem as a Sevrice，平台即服务；IaaS，Infrastructure as a Sevrice，基础设施及服务)。在各个机构的加密算法库之间和监管审计节点之间，存在着MPC连接(MPC，Secure Multi-Party Computation，安全多方计算)，在这种MPC连接下，实现所述安全多方计算。

2、基础方案步骤

用于糖尿病的人工智能个性化慢病健康管疗的方法，至少包括以下几个步骤：

监测个人的个人信息步骤。

诊断所述个人的慢病信息步骤。

制定、执行及监测管疗方案步骤。

为了加强和改善糖尿病管疗的效果，还可以选择增加这样的步骤，即依据大数据，采用人工智能算法，计算个性化特征，优化所述管疗方法，实现降本的步骤。

实际上，这样的方案业内技术设计人员可以采用移动互联网的云模式具体实施，利用用户的手机，增加包括动态血糖传感器、运动传感器、心率传感器、脉搏传感器、心电图传感器等与手机联网，实时动态地监测个人信息，在互联网、物联网、人联网及大数据系统的支撑下，实现人工智能个性化糖尿病的健康管疗。

3、监测个人信息

所述监测个人的个人信息，包括S2000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S2010步骤，分解所述个人信息为个人理化信息和个人扩展信息：

其中所述个人理化信息包括采用传感器、医疗检测设备检测的所述个人信息，所述个人扩展信息包括采用非传感器或者非医疗检测设备检测的所述个人信息、由医务人员诊断所得的所述个人信息。

在这里，究竟是采用传感器还是采用医疗检测设备来监测，发明人是这样考虑的，作为医疗检测设备，通常是专业的、有合法医疗器械许可证的、但是造价较为昂贵的设备，所以我们可以将它当成一个标准的、甚至是用于校验传感器的设备，而这里的传感器，主要考虑是一种低成本设计的设备，以便于个人购买使用，当然，不同的制造商可以采用不同的营销和使用模式，以决定是否去医疗管理机构(如国家药品监督管理局)申办相关许可证。

按照公式(2.1)、公式(2.2)和公式(2.3)分解所述个人信息：

PD＝PDB∪PDE (2.1)

PDB＝{PDB_β|PDB_β编号β的个人理化信息，1≤β≤n} (2.2)

PDE＝{PDE_γ|PDE_γ编号γ的个人扩展信息，1≤γ≤p} (2.3)

其中，PD为所述个人信息集合，PDB为所述个人理化信息集合，PDE为所述个人扩展信息集合，PDB_β为编号为β的个人理化信息分量，n为所述个人理化信息分量的总数，PDE_γ为编号为γ的个人扩展信息分量，p为所述个人扩展信息分量的总数。

作为糖尿病管疗项目，这里的个人理化信息至少包括静脉中葡萄糖含量(即血糖)、运动量，还可以包括心脏脉搏、血压等，扩展信息至少包括糖尿病类型、历史、家族病史等。

S2020步骤，监测个人理化信息和个人理化信息分量：

分解所述个人理化信息为一个以上所述个人理化信息分量，按照公式(2.4)确定的所述个人理化信息分量的函数关系，监测所述个人理化信息分量，按照公式(2.5)建立所述个人理化信息分量的函数集合：

PDB_β＝f_2.4β(x) (2.4)

F_2.5＝{f_2.4β|f_2.4β个人理化信息编号β的函数，1≤β≤n} (2.5)

其中：

f_2.4β为编号为β的所述个人理化信息分量的函数，F_2.5为所述个人理化信息分量的函数集合，n为所述个人理化信息分量的函数的总数，n、β均属于自然数，且1≤β≤n。

PDB_β为编号为β的所述个人理化信息分量，x为所述个人理化信息分量的函数的自变量。

例如，我们把个人理化信息划分为血糖分量、运动分量、血压分量、脉搏分量等。

S2030步骤，监测所述个人扩展信息和个人扩展信息分量：

分解所述个人扩展信息为一个以上所述个人扩展信息分量，按照公式(2.6)确定的所述个人扩展信息的函数关系，监测所述个人扩展信息分量，按照公式(2.7)建立所述个人扩展信息的函数集合：

PDE_γ＝f_2.6γ(y) (2.6)

F_2.7＝{f_2.6γ|f_2.6γ个人扩展信息编号γ函数，1≤γ≤p} (2.7)

其中：

f_2.6γ为编号为γ的所述个人扩展信息分量的函数，F_2.7为所述个人扩展信息的函数集合，p为所述个人扩展信息分量的函数的总数，p、γ均属于自然数，且1≤γ≤p。

PDE_γ为编号为γ的所述个人扩展信息分量，y为所述个人扩展信息分量的函数的自变量；。例如，我们把糖尿病类型、历史、家族病史作为个人扩展信息分量；同时还把个人饮食情况记入个人扩展信息分量，包括食物种类、摄入数量、摄入时间等，在食物种类中，尤其需要将碳水化合物、脂肪、蛋白质等分开到相应的类别。

S2040步骤，监测所述个人信息的时间值：

依据连续时间序列，按照公式(2.8)确定的所述个人信息的时间函数关系，监测所述个人信息的时间值：

PD＝f_2.8(t) (2.8)

其中：PD为所述个人信息，f_2.8为所述个人信息的时间函数，t为所述连续时间序列。

S2050步骤，监测所述个人理化信息的时间值：

依据所述连续时间序列，按照公式(2.9)确定的所述个人理化信息的时间函数关系，监测所述个人理化信息的时间值：

PDB＝f_2.9(t) (2.9)

其中：PDB为所述个人理化信息，f_2.9为所述个人理化信息的时间函数，t为所述连续时间序列。

S2060步骤，监测所述个人扩展信息的时间值：

依据所述连续时间序列，按照公式(2.10)确定的所述个人扩展信息的时间函数关系，监测所述个人扩展信息的时间值：

PDE＝f_2.10(t) (2.10)

其中：PDE为所述个人扩展信息，f_2.10为所述个人扩展信息的时间函数，t为所述连续时间序列。

S2070步骤，监测所述个人信息的特定时刻值：

依据所述连续时间序列，按照公式(2.11)确定的所述个人信息的的特定时刻的函数关系，监测所述个人信息在特定时刻的所述特定时刻值：

PD_T＝f_2.8(t，t＝T) (2.11)

其中：PD_T为所述个人信息的所述特定时刻值，f_2.8为所述个人信息的时间函数，t为所述连续时间序列，T为所述特定时刻。

S2080步骤，监测所述个人理化信息的特定时刻值：

依据所述连续时间序列，按照公式(2.12)确定的个人理化信息的特定时间函数关系，监测所述个人理化信息在特定时刻的所述特定时刻值：

PDB_T＝f_2.9(t，t＝T) (2.12)

其中：PDB_T为所述个人理化信息的所述特定时刻值，f_2.9为所述个人理化信息的时间函数，t为所述连续时间序列，T为所述特定时刻。

S2090步骤，监测所述个人扩展信息的特定时刻值：

依据所述连续时间序列，按照公式(2.13)确定的个人扩展信息的特定时间函数关系，监测所述个人扩展信息在特定时刻的所述特定时刻值：

PDE_T＝f_2.10(t，t＝T) (2.13)

其中：PDE_T为所述个人扩展信息的所述特定时刻值，f_2.10为所述个人扩展信息的时间函数，t为所述连续时间序列，T为所述特定时刻。

这里的时间值，实际上就是连续监测的时间函数值，例如动态血糖的值，动态血压值。

S2100步骤，标定所述可调个人信息：

通过包括改变所述个人所处的外在环境、内在环境和执行所述管疗方案之后，监测所述个人信息，找出可以改变的这部分所述个人信息，标定为所述可调个人信息。

通过包括人为判断确定为可以调节的所述个人信息，标定为所述可调个人信息。

所述可调个人信息包括可调个人理化信息、可调个人理化信息分量、可调个人扩展信息、可调个人扩展信息分量，所述可调个人信息之外的所述个人信息为非可调个人信息。

S2110步骤，建立健康信息库：

依据不同的所述连续时间序列和所述特定时刻，针对所述个人，按照所述S2010步骤到所述S2100步骤，执行一次以上监测，将结果信息和中间信息记录到所述健康信息库。

上述S2010步骤到S2100步骤中，可以根据具体的设计需要选用，作为本实施例，建议全部采纳，以提供最详细、最完整的功能。对于某些简化版本的应用，可以适当删除某些步骤，例如某些信息的时间值、某些信息的特定时间值。

4、诊断慢病信息

所述诊断所述个人的慢病信息，包括S3000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S3010步骤，分解所述慢病信息：

所述慢病信息包括一个以上慢病类别，所述慢病类别包括一个以上慢病类别分量，所述慢病信息与所述慢病类别之间具有公式(3.1)所确定的函数关系，按照公式(3.1)诊断所述慢病信息：

CD＝f_3.1(CDT) (3.1)

其中，CD为所述慢病(英文：Chronic Disease，英文简称CD)信息，CDT为所述慢病类别(英文：Types of chronic diseases，英文简称CDT)，f_3.1为慢病信息函数。

例如，我们把慢病划分为糖尿病类别、高血压类别、心脏病类别。而在糖尿病类别中，又分为1型糖尿病分量、2型糖尿病分量、1.5型糖尿病分量等，同时还可以包括医学上的其它分类信息。

S3020步骤，监测所述慢病类别的时间值：

所述慢病类别与所述连续时间序列之间具有公式(3.2)所确定的函数关系，按照公式(3.2)监测所述慢病类别的时间值：

CDT＝f_3.2(t) (3.2)

其中，CDT为所述慢病类别，f_3.2为慢病类别时间函数，t为所述连续时间序列。

S3030步骤，监测所述慢病类别的特定时刻值：

所述慢病类别的所述特定时刻值与所述特定时刻之间具有公式(3.3)所确定的函数关系，按照公式(3.3)监测所述慢病类别的特定时刻值：

CDT_T＝f_3.2(t，t＝T) (3.3)

其中，t为所述连续时间序列，T为所述特定时刻，CDT_T为所述慢病类别在所述特定时刻的特定时刻值，f_3.2为所述慢病类别时间函数。

S3040步骤，监测慢病类别分量的时间值：

按照公式(3.4)分解所述慢病类别为一个以上所述慢病类别分量，所述慢病类别分量与所述连续时间序列之间具有公式(3.5)所确定的函数关系，按照公式(3.5)监测所述慢病类别分量的时间值：

CDT＝f_3.4(CDT₁，CDT₂，…，CDT_m) (3.4)

CDT_α＝f_3.5(t，1≤α≤m) (3.5)

其中，CDT₁，CDT₂，…，CDT_m为所述慢病类别分量，m为所述慢病类别分量的总数，α为所述慢病类别分量编号，m、α均属自然数，且1≤α≤m，f_3.4为慢病类别分解函数，f_3.5为慢病类别分量时间函数，CDT_α为编号为α的所述慢病类别分量在所述连续时间序列的时间值。

S3050步骤，监测所述慢病类别分量的特定时刻值：

所述慢病类别分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(3.6)所确定的函数关系，按照公式(3.6)监测所述慢病类别分量在特定时刻的所述特定时刻值：

CDT_αT＝f_3.5(t，t＝T，1≤α≤m) (3.6)

其中，CDT_αT为在所述特定时刻所述慢病类别分量的所述特定时刻值，f_3.5为所述慢病类别分量时间函数，α为所述慢病类别分量编号，m为所述慢病类别分量的总数，且1≤α≤m，m、α均属自然数。

S3060步骤，诊断所述慢病信息：

依据所述医疗机构、医务人员对于所述个人的所述慢病信息进行一次以上的诊断，整理收集诊断结果，记入所述健康信息库。

设计和收集慢病信息监测题、慢病信息监测题标准答案、慢病信息监测题标准答案分值、慢病信息监测方法，记入所述健康信息库。

依据所述慢病信息监测方法监测所述个人一次以上，记录慢病信息监测结果、所述慢病信息监测结果平均值到所述健康信息库。

S3070步骤，诊断所述慢病类别：

依据所述医疗机构、所述医务人员对于所述个人的所述慢病类别进行一次以上的诊断，整理收集诊断结果，记入所述健康信息库。

设计慢病类别监测题、慢病类别监测题标准答案、慢病类别监测题标准答案分值、慢病类别监测方法，记入所述健康信息库。

依据所述慢病类别监测方法监测所述个人一次以上，记录慢病类别监测结果、所述慢病类别监测结果平均值到所述健康信息库。

S3080步骤，诊断所述慢病类别分量：

依据所述医疗机构、所述医务人员对于所述个人的所述慢病类别分量进行一次以上的诊断，整理收集诊断结果，记入所述健康信息库。

设计所述慢病类别分量监测题、慢病类别分量监测题标准答案、慢病类别分量监测题标准答案分值、慢病类别分量监测方法。

依据所述慢病类别分量监测方法监测所述个人一次以上，记录所述慢病类别分量直接监测结果、所述慢病类别分量监测结果平均值到所述健康信息库。

S3090步骤，升级健康信息库：

选择不同的所述连续时间序列和不同的所述特定时刻，执行所述S3010步骤到所述S3080步骤，将中间结果和最终结果记录到所述健康信息库，或者依据所述健康信息库内容，优化和升级所述慢病信息监测方法、所述慢病类别监测方法、所述慢病类别分量监测方法。

所述慢病信息包括所述个人的所患的全部所述慢病类别的集合，所述慢病类别分量包括所述个人在所述慢病类别中所包括的慢病细分类型和程度。

上述S3010步骤到S3080中，可以根据具体的设计需要选用，作为本实施例，建议全部采纳，以提供最详细、最完整的功能。对于某些简化版本的应用，可以适当删除某些步骤，例如某些慢病信息的时间值、某些信息的特定时间值。

此外，对于慢病类别的分类以及分量的划分，本发明思路是综合考虑几种相关的慢病种类，而不要仅仅考虑单一种类。例如，对于糖尿病的管疗项目设计，也可以综合考虑心脏病、高血压、视网膜疾病等，这些往往构成糖尿病的并发症，所以，无论是对于个人信息的种类监测，还是对于慢病信息的种类监测，建议把相关联的慢病和个人信息都包含在内综合设计，除非是考虑设计一种简化版或者低成本的版本时可以剔除某些个人信息和某些慢病种类及分量。

5、制定管疗方案

所述制定、执行及监测管疗方案，包括S4000步骤，具体可分解为包括但不限于以下的单项步骤或者多项步骤的组合：

S4010步骤，制定所述管疗方案：

依据所述个人信息和所述面部信息，依据所述医疗机构、所述医务人员对于所述个人的所述慢病的诊断，和/或，所述人工智能的诊断，制定所述管疗方案，将所述管疗方案分解为包括一个以上管疗方案类别，所述管疗方案类别分解为包括一个以上管疗方案类别分量，并且计入所述健康信息库。

所述管疗方案类别分量至少包括用药品种、用药量、治疗种类、治疗量、治疗时间，治疗费用、所述个人的损伤。

管疗，即管理和治疗(英文Management treatment，英文简称MT)，所述管疗方案划分为所述管疗方案类别(英文Management treatment type，英文简称MTT)，包括药物治疗、外科手术治疗、中医治疗、食物治疗、体育锻炼治疗、疗养治疗；所述管疗方案分量包括药物种类、用药计量、用药时间、用药方法、外科手术种类、外科手术部位、外科手术细节。

所述管疗方案与所述管疗方案类别之间具有公式(4.1)所确定的函数关系，按照公式(4.1)制定所述管疗方案：

MT＝f_4.1(MTT) (4.1)

其中，MT为所述管疗方案，MTT为所述管疗方案类别，f_4.1为管疗函数。

S4020步骤，监测所述管疗方案类别的时间值：

所述管疗方案类别与所述连续时间序列之间具有公式(4.2)所确定的函数关系，按照公式(4.2)监测所述管疗方案类别的时间值：

MTT＝f_4.2(t) (4.2)

其中，MTT为所述管疗方案类别，f_4.2为管疗方案类别时间函数，t为所述连续时间序列。

S4030步骤，监测所述管疗方案类别的特定时刻值：

所述管疗方案类别的所述特定时刻值与所述特定时刻之间具有公式(4.3)所确定的函数关系，按照公式(4.3)监测所述管疗方案类别的特定时刻值：

MTT_T＝f_4.2(t，t＝T) (4.3)

其中，t为所述连续时间序列，T为所述特定时刻，MTT_T为所述管疗方案类别在所述特定时刻的特定时刻值，f_4.2为所述管疗方案类别时间函数。

S4040步骤，监测管疗方案类别分量的时间值：

按照公式(4.4)分解所述管疗方案类别为一个以上所述管疗方案类别分量，所述管疗方案类别分量与所述连续时间序列之间具有公式(4.5)所确定的函数关系，按照公式(4.5)监测所述管疗方案类别分量的时间值：

MTT＝f_4.4(MTT₁，MTT₂，…，MTT_q) (4.4)

MTT_δ＝f_4.5(t，1≤δ≤q) (4.5)

其中，MTT₁，MTT₂，…，MTT_q为所述管疗方案类别分量，q为所述管疗方案类别分量的总数，δ为所述管疗方案类别分量编号，q、δ均属自然数，且1≤δ≤q，f_4.4为管疗方案类别分解函数，f_4.5为管疗方案类别分量时间函数，MTT_δ为编号为δ的所述管疗方案类别分量在所述连续时间序列的时间值。

S4050步骤，监测所述管疗方案类别分量的特定时刻值：

所述管疗方案类别分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(4.6)所确定的函数关系，按照公式(4.6)监测所述管疗方案类别分量在特定时刻的所述特定时刻值：

MTT_δT＝f_4.5(t，t＝T，1≤δ≤q) (4.6)

其中，MTT_δT为在所述特定时刻所述管疗方案类别分量的所述特定时刻值，f_4.5为所述管疗方案类别分量时间函数，δ为所述管疗方案类别分量编号，q为所述管疗方案类别分量的总数，且1≤δ≤q，q、δ均属自然数。

在本实施例中，把管疗方案类别至少划分为药物治疗类、运动管疗类、饮食管疗类，其中，对于药物治疗类，依据用药品种还具体划分为二甲双胍口服药分量、维格列丁口服药分量、胰岛素针剂分量等，相应的还有用药剂量、用药时间等；对于运动管疗类还具体划分为跑步、健走、漫步、其它体育活动等，还包括运动量、运动时间等；对于饮食管疗类还具体划分为米饭、面条、其它淀粉品种、蔬菜、肉类、水果、饼干等，还包括数量、时间等。总之，只要条件允许，类似的信息采集得越多，对于管疗效果的计算就越详细越有效。

值得注意的是：

1、一方面，上述管疗方案的制定不仅需要详细录入所述健康信息库，另外一方面，患者的执行情况也需要一并录入所述健康信息库，以便于监测所述管疗方案的执行率和考察效果。

2、所述监测管疗方案的效果，是通过监测所述个人的所述个人信息和所述慢病信息，分析其中的相关信息分量的改善的步骤获得的。例如，通过用药、运动、饮食管疗，该患者的血糖数据明显降低，血糖波动明显较少，依此判定管疗效果得以改善。

3、所述管疗方案的制定、执行、效果监测是持续的、不断迭代改进的过程，不是一次制定就不变的。例如，一个糖尿病患者是2型糖尿病，使用本方法管疗之初的血糖值一直较高，日均在15.6mmol/L，并且波动幅度高达9.2mmol/L。制定并执行第一版管疗方案(包括使用胰岛素治疗)2个月后，日均降为8.3mmol/L，波动降为4.6mmol/L，此时修改管疗方案为第二版，取消胰岛素，改用口服降糖药，并加大每日健走的运动量为12000步。再过4个月后，发现日均降为6.1mmol/L，波动降为3.8mmol/L，此时再次修改管疗方案，减少维格列丁，维持二甲双胍片，以降低用药成本，减少药物对人体的副作用影响，同时在饮食中进一步控制碳水化合物的摄入量，以期血糖指标进一步趋向正常。

6、建立人工智能数学模型

所述依据大数据，采用人工智能算法，计算个性化特征，优化所述管疗方法，实现降本，包括S5000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S5010步骤，概念模型：

按照公式(5.1)建立所述慢病类别和所述个人信息、所述管疗方案之间的所述数学模型，计算所述慢病类别。

按照公式(5.2)建立所述慢病类别和全部所述个人理化信息分量、全部所述个人扩展信息分量、全部所述管疗方案类别分量之间的所述数学模型，计算所述慢病类别。

按照公式(5.3)建立所述慢病类别分量和全部所述个人理化信息分量、全部所述个人扩展信息分量、全部所述管疗方案类别分量之间的所述数学模型，计算所述慢病类别分量。

按照公式(5.4)建立所述慢病类别分量和部分所述个人理化信息分量、部分所述个人扩展信息分量、部分所述管疗方案类别分量之间的所述数学模型，计算所述慢病类别分量：

CDT＝f_5.1(PD，MT) (5.1)

CDT_α＝f_5.4α(PDB_α，PDE_α，MMT_α) (5.4)

其中：

f_5.1是所述慢病类别和所述个人信息、所述管疗方案之间的所述数学模型的函数，CDT是所述慢病类别，PD是所述个人信息，MT是所述管疗方案。

f_5.2是所述慢病类别和全部所述个人理化信息分量、全部所述个人扩展信息分量、全部所述管疗方案类别分量之间的所述数学模型的函数，

是全部所述个人理化信息分量计算函数，

是全部所述个人扩展信息分量计算函数，

是全部所述管疗方案类别分量计算函数，PDB是所述个人理化信息分量，n是所述个人理化信息分量的总个数，β是所述个人理化信息分量的编号，PDE是所述个人扩展信息分量，p是所述个人扩展信息分量的总个数，γ是所述个人扩展信息分量的编号，MTT是所述管疗方案类别，δ是所述管疗方案类别分量的编号，q是所述管疗方案类别分量的总数，且1≤β≤n、1≤γ≤p、1≤δ≤q。

f_5.3是第α个所述慢病类别分量和全部所述个人理化信息分量、全部所述个人扩展信息分量之间的所述数学模型的函数，CDT_α编号为α的所述慢病类别分量，且1≤β≤n、1≤γ≤p、1≤δ≤q。

f_5.4α是第α个所述慢病类别分量和第α种部分所述个人理化信息分量、第α种部分所述个人扩展信息分量、第α种部分所述管疗方案类别分量之间的所述数学模型的函数，CDT_α是第α个所述慢病类别分量，PDB_α是第α种与所述CDT_α有关的部分所述个人理化信息分量，包括零个以上与所述CDT_α有关联的所述个人理化信息分量，PDE_α是第α种与所述CDT_α有关的部分所述个人扩展信息分量，包括零个以上与所述CDT_α有关联的所述个人扩展信息分量，MTT_α是第α种与所述CDT_α有关的部分所述管疗方案类别分量，包括零个以上与所述CDT_α有关联的所述管疗方案类别分量，α、β、γ、δ为自然数。

S5020步骤，建立偏微分模型：

基于所述概念方程的所述数学模型，采用偏微分方程原理，按照公式(5.5)和公式(5.6)建立所述慢病类别、所述慢病类别分量和所述个人理化信息分量、所述个人扩展信息分量之间的函数，计算所述慢病类别、所述慢病类别分量：

其中：

f_5.5、f_5.6均是偏微分方程，CDT′₁是编号为1的所述慢病类别分量的1阶导数，

是标号为1所述慢病类别分量的ε阶导数，CDT′_m是标号为m的所述慢病类别分量的1阶导数，

是标号为m的所述慢病类别分量的ε阶导数；PDB′_α是第α种包括零个以上与所述CDT_α有关联的所述个人理化信息分量的1阶导数；

是第α种包括零个以上与所述CDT_α有关联的所述个人理化信息分量的v阶导数；PDE′_α是第α种包括零个以上与所述CDT_α有关联的所述个人扩展信息分量的1阶导数；

是第α种包括零个以上与所述CDT_α有关联的所述个人理化信息分量的ξ阶导数；MTT′_α是第α种包括零个以上与所述CDT_α有关联的所述个人扩展信息分量的1阶导数；

是第α种包括零个以上与所述CDT_α有关联的所述个人理化信息分量的∈阶导数。

其中，根据需要，f_5.4中的所述慢病类别分量还采用f_5.5中的CDT_α替代。

其中，ε是所述慢病类别分量导数的最高阶，v是所述个人理化信息分量导数的最高阶，ξ是所述个人扩展信息分量导数的最高阶，ε、v、ξ、∈均是自然数。

偏微分模型的建立，有利于将那些实际上有关联的慢病种类，但由无法建立起精准函数关系的情况下，通过求导，能够发现其关联关系。例如，糖尿病和视网膜病之间，依据生化科学，要建立准确的函数关系较为困难，可是，调查发现，视网膜病变会加深糖尿病病变，而这所谓的“病变”，就可以理解为对偏微分方程的求导。

S5030步骤，模糊模型：

基于所述概念方程模型，采用模糊方程原理，依据所述慢病类别和所述个人理化信息分量以及所述个人扩展信息分量之间的模糊数学关系，建立如公式(5.7)的所述模糊方程，计算所述慢病类别；依据所述慢病类别分量和所述个人理化信息分量以及所述个人扩展信息分量之间的模糊关系，建立如公式(5.8)的模糊方程，计算所述慢病类别分量：

其中，f_5.7、f_5.8均是模糊方程，α是所述慢病类别分量编号，n是所述个人理化信息分量最大编号，β是所述个人理化信息分量编号，p是所述个人扩展信息分量的最大编号，γ是所述个人扩展信息分量的编号，δ是所述管疗方案类别分量的编号，q是所述管疗方案类别分量的总数，n、p、q、δ、β、γ、δ均是自然数，ρ是模糊隶属度，其中ρ的下标β编号与对应的所述个人理化信息分量编号β一致，并且ρ_β为PDB_β的模糊隶属度，ρ的下标γ编号与所述个人扩展信息分量编号γ一致，并且ρ_γ为PDE_γ的模糊隶属度。

与偏微分模型相似，模糊模型是医学领域中的另一个建模法宝。对于那些实际上有关联，而由难以建立精准的函数关系的情况，引入模糊隶属度是一个简单而有效的方法。例如，药物对于慢病的疗效，很多情况下是一个模糊的判断。在本实施例中，例如，将管疗方案中的药物二甲双胍缓释片、个人理化信息中的血糖值和慢病类型中的2型糖尿病按照公式(5.8)建立模糊函数模型，对于患者个人来说，就可以通过修改相应的模糊隶属度来使得模型逐步接近实际测量值，以此完成机器学习任务。

S5040步骤，模糊偏微分模型：

基于所述偏微分方程和所述模糊方程，建立所述模糊偏微分方程，计算所述慢病类别和所述慢病类别分量；其中，包括以所述模糊隶属度为参数代入所述公式(5.5)和所述公式(5.6)来计算所述慢病类别和所述慢病类别分量的方法，和，以所述公式(5.5)和所述公式(5.6)列入到所述公式(5.7)和所述公式(5.8)来计算所述慢病类别和所述慢病类别分量的方法。

结合偏微分模型及模糊模型，通过求导和调节模糊隶属度，可以训练模型，逐渐逼近实际情况，这对于关系较为复杂的运算，是一个很好的选择。

S5050步骤，微分几何模型：

建立包括以所述个人理化信息分量、和/或所述个人扩展信息分量为曲面坐标系的多维曲面空间的微分几何学方程，求解所述慢病类别和所述慢病类别分量的方法。

由图1所示，PD个人信息和CD慢病信息与t时间，构成三维坐标系，由于PD和CD又有各自的分量，所以不能确定PD和CD在空间上是直线，不能确定图1就是欧拉的平面三维坐标系，很有可能是曲面的三维坐标系。因此，只能够采用黎曼的微分几何模型，以满足实际情况的要求。

S5060步骤，人工智能模型：

基于人工智能算法建立所述人工智能所述数学模型，依据所述健康信息库中所述群体的多个历史记录，采用监督学习训练所述历史记录得出参数，采用无监督学习和所述参数，预测计算未来的所述慢病类别和所述慢病类别分量；采用强化学习寻找优化的所述慢病类别和所述慢病类别分量、以及所述管疗方案类别分量的值；和/或，在学习的过程中引入人为测评，为所述学习的结果进行人为评分。

深度学习是人工智能的最大特征之一，糖尿病管疗方法在机器学习方面，一方面采用患者个人的健康信息库中的历史记录，按照前述模型进行学习，另外一方面，还引入了其它个人患者的健康信息库中的历史记录进行学习，以期寻找最佳的模型参数。

S5070步骤，基于所述人工智能所述数学模型，依据所述健康信息库中所述群体的多个所述历史记录，采用支持向量机、和/或卷积神经网络和/或T检验和/或Z检验和/或贝叶斯算法，执行以下S5071步骤到S5072步骤：

S5071步骤，挑选并标定出所述历史记录中的特异值，供进一步的所述S5010步骤到所述S5060步骤的所述数学模型使用以及人为分析使用。

S5072步骤，验证和总结所述慢病类别、所述慢病类别分量与所述历史记录之间的变化规律，供进一步的所述S5010步骤到所述S5060步骤的所述数学模型以及人为分析使用。

在例如传感器对于血糖的测量中，其标准差往往符合正态分布。作为样本数少于30的情况，采用T检验，对于样本数高于30的情况，采用Z检验，以剔除样本中的异常样本，增加监测的有效概率。对于糖尿病管疗方案效果的评估，采用经典贝叶斯算法和现代贝叶斯算法，实践证明，具有很好的效果。

S5080步骤，混合模型：

混合所述S5010步骤到所述S5070步骤的所述数学模型为所述混合数学模型，来计算和预测所述慢病类别、所述慢病类别分量。

S5090步骤，预测模型：

依据所述S5010步骤到S5080步骤的所述数学模型、所述慢病类别时间函数和慢病类别分量时间函数、设定未来时刻的所述特定时刻值，按照公式(5.9)计算所述慢病类别的预测值，按照公式(5.10)计算所述慢病类别分量的所述预测值：

CDT_φ＝f_5.9(BMIQ_σ，t＝t_φ) (5.9)

CDT_αφ＝f_5.10(BMIQ_σ，t＝t_φ) (5.10)

其中，f_5.9是所述慢病类别的所述预测数学模型的函数，f_5.10是所述慢病类别分量的所述预测数学模型的函数，φ是所述未来时刻，t_φ是所述设定未来时刻的所述特定时刻值，CDT_φ是所述设定未来时刻的所述特定时刻的所述慢病类别的所述预测值，CDT_αφ是所述设定未来时刻的所述特定时刻的编号为α的所述慢病类别分量的所述预测值，BMIQ是所述健康信息库，σ是指定的时刻，BMIQ_σ是截止于时间σ的所述历史记录，t_φ是σ之后的未来时间。

这个模型既可以做改善疗效的预测，也能够做疗效变差的预测。还可以通过健康信息库中的历史数据，做预测仿真，以进一步训练f_5.9和f_5.10，以提高预测精度。

S5100步骤，双向映射和单向映射模型：

依据所述个人信息和所述慢病类别之间实际存在的相互影响的关系，按照公式(5.11)建立双向映射数学模型，按照公式(5.12)建立左向映射数学模型，按照公式(5.13)建立右向映射数学模型：

其中：

运算符号

为双向映射运算符，即所述个人信息的改变会影响所述慢病类别，而所述慢病类别的改变也会影响所述个人信息。例如，慢病类别中的糖尿病类别的值与个人信息中的血糖值之间就是双向影响的关系。

运算符

为左向映射运算符，即所述个人信息的改变会影响所述慢病类别，而所述慢病类别的改变不会影响所述个人信息。例如，个人信息中的血糖值会影响慢病类别中的皮肤病，但是皮肤病不会影响血糖值。

运算符

为右向映射运算符，即所述慢病类别的改变会影响所述个人信息，而所述个人信息的改变不会影响所述慢病类别。例如，例如慢病类别中的1型糖尿病有可能导致低血糖的个人信息中的晕厥程度，但是晕厥不会导致1型糖尿病。

上述数学模型，需要根据具体的任务进行选择、组合，并非都要同时采用，也不是对于人工智能算法设计的限定。根据人工智能数学模型的发展，业内中级技术开发设计人员应该明白，并且依照这些思路，设计其它的人工智能算法，均属于本发明的保护范围。

S5200步骤，通过求取极值实现降本：

所述实现降本，包括降低所述个人在使用本发明方法时所花费的药物成本、治疗成本、人体不适成本的单体成本和总体成本；依据所述人工智能的模型，对于所述管疗方案求解所述管疗方案类别分量的极值，以实现包括所述用药量、所述治疗量、所述治疗时间最小，所述费用最少、所述个人的损伤最小，实现管疗方案的最优化。

在本实施例中，依据糖尿病的特点，可以把糖尿病的口服药价格信息、注射胰岛素价格信息、住院费用信息等作为经济成本计入管疗方案类别分量，并计入健康信息库，再把由于管疗方案对于患者生活的干扰做量化计入管疗方案类别分量，并计入健康信息库，通过对上述数学模型对这些分量求解极小值。例如在偏微分方程和模糊偏微分方程中，对这些变量求导数，以此获得极值，此时，求解出函数值，就是成本最低的答案。

7、个性化训练管理方案

所述依据大数据，采用人工智能算法，计算个性化特征，优化所述管疗方法，实现降本。包括S6000所述个性化特征的训练步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S6000步骤，所述大数据，包括所述个人的所述个人信息和所述慢病信息，还包括由一个以上所述个人构成的所述群体中的所述个人的所述个人信息和所述慢病信息，所述个性化特性，是通过对所述大数据采用所述S5000步骤和以下步骤在内的所述优化的方法实现的。

S6010步骤，模糊优化法：

依据所述数学模型和所述模糊方程、所述模糊偏微分方程，优化所述慢病类别和所述慢病类别分量，获取在优化的情况下的所述个人信息的最优值，具体包括：

S6011步骤，建立集合：

包括以全部所述慢病类别为元素建立慢病类别集合，记为CDTset；以全部所述慢病类别分量为元素建立慢病类别分量集合，记为CDT_αset；以全部所述个人信息为元素建立个人信息集合，记为PDset；分解所述个人信息集合为个人理化信息集合、个人扩展信息集合、人理化信息分量集合、个人扩展信息分量集合；分别记为PDBset、PDEset、PDB_βset、PDE_γset；以全部所述管疗方案类别为元素建立管疗方案集合，记为MTTset_λ；以全部所述管疗方案类别分量为元素建立管疗方案类别元素集合，记为MTT_δset_λ；所述集合包括模糊集合和非模糊集合。

其中：α为所述慢病类别分量的编号，β为所述个人理化信息分量的编号，γ为所述个人扩展信息分量的编号，δ为所述管疗方案类别分量的编号。

S6012步骤，建立截集：

依据所述数学模型，依次建立集合之间的映射关系，以所述慢病类别集合和所述慢病类别分量集合为主键进行排序，成为有序集合，并以从大到小进行正排序后取前λ个元素作为有序头截集，以从小到大反排序后取前μ个元素作为有序尾截集，具体如下：

CDTset_λ＝{cdt|cdt正排序号θ≤λ} (6.1)

CDT_αset_λ＝{cdt_δ|cdt_α正排序号θ≤λ} (6.2)

PDset_λ＝{pd|pd正排序号θ≤λ} (6.3)

PDBset_λ＝{pdb|pdb正排序号θ≤λ} (6.4)

PDB_βset_λ＝{pdb_β|pdb_β正排序号θ≤λ} (6.5)

PDEset_λ＝{pde|pde正排序号θ≤λ} (6.6)

PDE_γset_λ＝{pde_γ|pde_γ正排序号θ≤λ} (6.7)

MTTset_λ＝{mtt|mtt正排序号θ≤λ} (6.8)

MTT_δset_λ＝{mtt_δ|mtt_δ正排序号θ≤λ} (6.9)

CDTset_μ＝{cdt|cdt反排序号η≤μ} (6.10)

CDT_αset_μ＝{cdt_δ|cdt_α反排序号η≤μ} (6.11)

PDset_μ＝{pd|pd反排序号η≤μ} (6.12)

PDBset_μ＝{pdb|pdb反排序号η≤μ} (6.13)

PDB_βset_μ＝{pdb_β|pdb_β反排序号η≤μ} (6.14)

PDEset_μ＝{pde|pde反排序号η≤μ} (6.15)

PDE_γset_μ＝{pde_γ|pde_γ反排序号η≤μ} (6.16)

MTTset_μ＝{mtt|mtt反排序号η≤μ} (6.17)

MTT_δset_μ＝{mtt_δ|mtt_γ反排序号η≤μ} (6.18)

其中，CDTset_λ、CDT_αset_λ、PDset_λ、PDBset_λ、PDB_βset_λ、PDEset_λ、PDE_γset_λ、MTTset_λ、MTT_δset_λ为所述有序头截集，CDTset_μ、CDT_αset_μ、PDset_μ、PDBset_μ、PDB_βset_μ、PDEset_μ、PDE_γset_μ、MTTset_μ、MTT_δset_μ为所述有序尾截集，λ、μ为小于各自集合元素个数，也就是所述截集位置，属于自然数，θ为正排序编号，η为反排序编号。

S6013步骤，训练所述截集：

持续监测记录所述慢病类别和所述个人信息到所述健康信息库，依据所述健康信息库中的信息，采用循环和递归计算，以训练所述有序头截集和所述有序尾截集，记录结果到所述健康信息库。

S6014步骤，寻优所述截集：

依据所述数学模型，按照公式(6.1)至公式(6.18)，取λ＝1，计算获取慢病类别最优值和慢病类别分量最优值，所对应的所述个人信息同时作为最优值；取μ＝1，计算获取慢病类别最差值和慢病类别分量最差值，所对应的所述个人信息同时作为最差值。

S6020步骤，极值优化法：

依据所述偏微分方程和所述模糊偏微分方程，采用对包括公式(5.5)、公式(5.6)的所述偏微分方程中的自变量、因变量取极值的方法，以及求取任意所述自变量、所述因变量为0的时候，计算所述慢病类别和所述慢病类别分量的方法，获取所述慢病类别和所述慢病类别分量的所述最优值和所述最差值，以此获取所述个人信息的最优值。

S6021步骤，依据所述健康信息库随着时间推移而不断地更新，在定时或不定时情况下，实现多次学习和训练，采用包括T检验和Z检验的方法选出所述慢病类别和所述慢病类别分量的所述最优值和所述慢病类别和所述慢病类别分量的所述最差值的异常值，消除所述异常值，以此获取所述个人信息的异常值。

S6030步骤，概率优化法：

在所述健康信息库中，选取不同时间段采集的所述个人理化信息和所述个人扩展信息，依据所述数学模型执行所述S5000步骤，计算所述慢病类别和所述慢病类别分量，计算所述慢病类别和所述慢病类别分量为最大值和最小值时对应的所述个人信息，采用包括贝叶斯算法在内的概率计算方法，统计所述慢病类别和所述慢病类别分量为最大值和最小值时，所述个人信息中所述可调个人理化信息和所述可调个人扩展信息出现相近值的概率，并对高概率验证做验证。

标定在所述慢病类别和所述慢病类别分量为最大值时的所述个人信息中所述可调个人理化信息和所述可调个人扩展信息为优化可调个人理化信息和优化可调个人扩展信息，标定在所述慢病类别和所述慢病类别分量为最小值时的所述个人信息中所述可调个人理化信息和所述可调个人扩展信息为劣化可调个人理化信息和劣化可调个人扩展信息。

S6040步骤，神经网络优化法：

S6041步骤，依据包括所述数学模型，针对所述健康信息库中的关系型信息记录，以信息记录作为神经元，以包括所述数学模型的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络。

S6042步骤，依据所述连接函数中，所述优化可调个人理化信息和优化可调个人扩展信息对于所述慢病类别和所述慢病类别分量产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括常数型权重系数、函数型权重系数。

S6043步骤，采用深度学习算法，包括监督学习、无监督学习、强化学习算法，优化所述连接子函数。

S6044步骤，采用支持向量机算法，分类筛选所述慢病类别和所述慢病类别分量，并且筛选出所述优化可调个人理化信息和优化可调个人扩展信息。

S6045步骤，采用卷积神经网络算法，对于所述个人信息之间忽略关联的条件下，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息。

S6046步骤，采用循环神经网络算法，对于所述个人信息之间需要关联的条件下，建立层内关联函数，训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息。

S6047步骤，采用深度神经网络算法，对于各个所述神经网络的层之间的所述个人信息、所述慢病类别、所述慢病类别分量需要建立关联的条件下，建立层间关联函数，训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息。

S6048步骤，采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息。

S6049步骤，采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息。

S6050步骤，可逆寻优法：

采用所述模糊优化法、所述极值优化法、所述概率优化法、所述神经网络优化法之间的任意组合和/或这些方法之内的任意组合的方法，计算所述慢病类别和所述慢病类别分量达到最优或者其区间内的指定值时，得到的包括对应的所述优化可调个人理化信息和优化可调个人扩展信息的结果信息，并且使得结果信息能够可逆复现所述慢病类别和所述慢病类别分量达到最优或者其区间内的指定值，记录此时的所述优化可调个人理化信息和/或优化可调个人扩展信息与所述慢病类别和/或所述慢病类别分量之间的可逆关系。

S6060步骤，定时复现法：

依据所述数学模型和所述可逆关系，计算从当前时刻开始，所述慢病类别和/或所述慢病类别分量到达优化值或者指定值时的定时时间序列值，即从当前时刻开始，经过所述定时时间序列值的时间时，所述慢病类别和/或所述慢病类别分量到达优化值或者指定值。

S6070步骤，延时复现法：

依据所述数学模型和所述可逆关系，当所述定时时间序列值小于预定健康考核时间值的情况下，计算需要延时时间差值，将所述延时时间差值加入到所述数学模型，以确保在所述预定健康考核时间的时点，所述慢病类别和/或所述慢病类别分量到达优化值或者指定值。

S6080步骤，软件仿真法：

依据所述数学模型和所述个性化特诊的训练，针对所述个人的所述个人信息、所述慢病信息、所述管疗方案，采用软件仿真，由所述软件仿真来设定仿真参数、调整所述管理方案，经过一段仿真时间后，得到包括所述个人信息和所述慢病信息的仿真结果，将所述仿真结果与同时刻的所述个人的实际的所述个人信息和所述慢病信息相比较，如果差异在可接收的范围内，则所述仿真参数为有效仿真参数；

S6090步骤，通过个性化训练实现降本：

依据所述S5000步骤、所述S6000步骤，计算所述单体成本和/或所述总体成本最低时对所述S4000步骤中所述管疗方案的优化修改，和/或，依据所述预测模型，采用所述有效仿真参数执行所述软件仿真法管理和治疗，依据所述仿真结果调整和执行所述管疗方案，实现降本。

这里具体可以如下实施：

1、在S4000中，将治疗糖尿病较贵的药物，例如二甲双胍维格列丁片、胰岛素注射剂列入重点监控的所述管疗方案类别分量，采用CGM动态血糖仪实时监测患者的血糖，该血糖值列入人体理化信息分量，通过S5000步骤数学模型和S6000步骤个性化训练，在管疗过程中，如果发现血糖值持续保持低位，则减少二甲双胍维格列丁片、胰岛素注射剂的用量，再观察血糖值是否能够维持低位，能够维持低位，则持续减少二甲双胍维格列丁片、胰岛素注射剂的用量，反之，则适当增加用量，以此实现降本。

2、采用预测模型，在患者只执行原定的管疗方案时，依据大数据，通过S5000步骤数学模型和S6000步骤个性化训练，得到仿真管疗方案，进行软件仿真，得到的仿真结果的个人理化信息分量，与患者的实际个人理化信息分量比较，如果相符程度较高、较为可信，则采用软件仿真逐渐降低用药量，实现降本。

业内中级开发者应该明白，这些实现个性化管疗方案的优化训练方法，不是对于本发明的限定，而是提供发明思路。业内中级开发者既可以直接在项目中使用这些方法，也可以依据这个发明思路设计出其它的优化训练方法。

8、制定执行监测管理方案

所述制定、执行及监测管疗方案，包括S7000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S7100步骤，制定所述管疗方案：

S7110步骤，依据医务人员对于所述个人的人工诊断，建立所述管疗方案。

S7120步骤，依据检索专业的公开信息，经过所述医务人员和/或所述人工智能算法确认无误后，成为所述管疗方案。

S7130步骤，依据所述数学模型建立所述个人信息、所述慢病信息、所述慢病类别、所述慢病类别分量以及治理药物、治理方案之间的对应的专家知识库，成为所述管疗方案。

S7140步骤，持续维护优化所述管疗方案，纳入所述健康信息库；

S7200步骤，执行所述管疗方案：

S7210步骤：依据所述S2000步骤和所述S3000步骤，记录并标定所述个人信息、所述慢病信息、所述慢病类别、所述慢病类别分量为所述管疗方案的之前信息集。

S7200步骤：依据所述个人的所述管疗方案，执行所述管疗方案。

S7220步骤：依据所述S2000步骤和所述S3000步骤，记录并标定所述个人信息、所述慢病信息、所述慢病类别、所述慢病类别分量为所述管疗方案的之后信息集。

S7300步骤，监测所述管疗方案：

S7310步骤：比对所述之前信息集和所述之后信息集，找出并记录前后差异，纳入所述健康信息库，以监测所述管疗效果。

需要强调和注意的是，这里的S7000步骤和前述的S4000步骤，不是二选一的步骤，而是可以互相融合的步骤。其中，S4000步骤是侧重算法的方向，而S7000步骤是侧重操作流程的方向。

9、通过个人可调信息调节慢病

所述人工智能个性化慢病健康管疗的方法，还包括S8000采用所述可调个人信息来调节慢病的步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

这里的S8000步骤与S4000步骤、S7000步骤相同，也是管疗方案的一种。它是侧重于通过调节个人信息来实现管疗方案的。需要注意的是，这里的调节个人信息，分直接调节和间接调节。前者是例如增加个人的运动量来人为主动直接地实现降低血糖，而后者是由于药物的作用，间接被动地实现降低血糖。

S8010步骤，依据所述可调个人信息分量调节所述慢病类别：

所述慢病类别和所述可调个人理化信息分量、所述可调个人扩展信息分量、所述管疗方案类别之间具有公式(8.1)所确定的函数关系，所述慢病类别分量和所述可调个人理化信息分量、所述可调个人扩展信息分量、所述管疗方案类别分量之间具有公式(8.2)所确定的函数关系，按照公式(8.1)调节所述慢病类别，按照公式(8.2)调节所述慢病类别分量：

CDT＝f_8.1(APDB，APDE，MTT) (8.1)

CDT_α＝f_8.2(APDB_α，APDE_α，MTT_α) (8.2)

其中，CDT是所述慢病类别，CDT_α是编号为α的所述慢病类别分量，APDB为所述可调个人理化信息分量，APDE为所述可调个人扩展信息分量，MTT为所述管疗方案类别，MTT_α为所述管疗方案类别分量，f_8.1是以APDB和APDE为自变量的慢病类别调节函数一，f_8.2是以APDB_α和APDE_α为自变量的慢病类别分量调节函数一，其中，APDB_α和APDE_α和MTT_α是与所述CDT_α有关联的一个以上所述可调个人理化信息分量和一个以上所述可调个人扩展信息分量和一个以上所述管疗方案类别分量。

S8020步骤，依据所述个人信息关键权重调节所述慢病类别：

所述慢病类别和关键个人理化信息集合、关键个人扩展信息集合、管疗方案类别集合之间具有公式(8.3)所确定的函数关系；所述慢病类别分量和与该所述慢病类别分量有关的所述关键个人理化信息分量集合、与该所述慢病类别分量有关的所述关键个人扩展信息分量集合、与该所述慢病类别分量有关的管疗方案类别分量集合之间具有公式(8.4)确定的函数关系，按照公式(8.3)调节所述慢病类别，按照公式(8.4)调节所述慢病类别分量：

CDT＝f_8.3(KPDBset，KPDEset，MTTset) (8.3)

CDT_α＝f_8.4(KPDBsetα，KPDEsetα，MTTsetα) (8.4)

具体包括：

S8021步骤，计算关键理化权重集合：

在全部所述个人理化信息分量中找出所有对所述慢病类别的影响权重最大的所述个人理化信息分量组成集合元素，建立所述个人理化信息权重集合，以所述可调个人理化信息分量组成集合元素，建立可调个人理化信息集合，按照公式(8.5)计算所述关键理化权重集合，如果结果为非空集合，则记其元素为所述关键个人理化信息。

KPDBset＝PDBBset∩APDBset (8.5)

S8022步骤，计算关键扩展权重集合：

在全部所述个人扩展信息分量中找出所有对所述慢病类别的影响权重最大的所述个人扩展信息分量组成集合元素，建立扩展权重集合，按照公式(8.6)计算所述关键扩展权重集合，如果结果为非空集合，则记其元素为所述关键个人扩展信息：

KPDEset＝PDBEset∩APDEset (8.6)

S8023步骤，集合关系按照公式(8.7)和公式(8.8)所示：

在所述S8020步骤、所述S8021步骤、所述S8022步骤、所述S8023步骤中：

f_8.3是慢病类别调节函数二，f_8.4是慢病类别分量调节函数二，α是所述慢病类别分量的编号，CDT是所述慢病类别，CDT_α是编号为α的所述慢病类别分量。

KPDBset为所述关键个人理化信息集合，PDBBset为所述个人理化信息权重集合，APDBset为所述可调个人理化信息集合，MTTset为所述管疗方案类别集合。

KPDEset为所述关键个人扩展信息集合，PDBEset为所述个人扩展信息权重集合，APDEset为所述可调个人扩展信息集合。

KPDBsetα是与CDT_α有关的所述关键个人理化信息集合，它是所述KPDBset的子集，KPDEsetα是与CDT_α有关的所述关键个人扩展信息集合，它是所述KPDEset的子集，MTTsetα与所述慢病类别分量有关的管疗方案类别分量集合。

S8030步骤，监测时间函数：

依据所述数学模型，按照公式(8.9)，建立所述慢病类别时间函数；

依据所述慢病类别时间函数，按照公式(8.10)建立所述慢病类别分量时间函数；

按照公式(8.11)建立慢病类别时间反函数，计算时间序列值；

按照公式(8.12)建立慢病类别分量时间反函数，计算时间序列值：

CDT_t＝f_8.9(KPDB，KPDE，MTT，t) (8.9)

CDT_αt＝f_8.10(KPDB_α，KPDE_α，MTT_α，t) (8.10)

t＝f_8.11(CDT_t，KPDB，KPDE，MTT) (8.11)

t＝f_8.12(CDT_αt，KPDB_α，KPDE_α，MTT_α) (8.12)

其中，CDT_t为所述慢病类别的时间值，CDT_αt为编号为α的所述慢病类别分量的时间值，t为所述连续时间序列，KPDB为所述关键个人理化信息，KPDE为所述关键个人扩展信息，其中，KPDB_α和KPDE_α是与所述CDT_α有关联的一个以上所述可调个人理化信息分量和一个以上所述可调个人扩展信息分量，MTT为所述管疗方案类别，MTT_α为所述管疗方案类别分量；f_8.9为所述慢病类别时间函数，f_8.10为所述慢病类别分量时间函数，f_8.11为所述慢病类别时间反函数，f_8.12为所述慢病类别分量时间反函数。

S8040步骤，监测慢病类别特定时刻值和慢病类别分量特定时刻值：

按照公式(8.13)计算在特定时刻，所述慢病类别特定时刻值，按照公式(8.14)计算在特定时刻，所述慢病类别分量特定时刻值：

CDT_T＝f_8.13(KPDB，KPDE，MTT，t＝T) (8.13)

CDT_αT＝f_8.14(KPDB_α，KPDE_α，MTT_α，t＝T) (8.14)

其中，CDT_T是所述慢病类别特定时刻值，CDT_αT是所述慢病类别分量特定时刻值，T为所述特定时刻，α为所述慢病类别分量的编号。

S8050步骤，通过调节个人信息实现降本：

所述依据大数据，采用人工智能算法，计算个性化特征，优化所述管疗方法，实现降本。其中所述实现降本，是通过调节所述个人理化信息和调节所述个人扩展信息的方法，在所述管理方案类别和所述管理方案类别分量中，在确保所述慢病信息不变或者朝向改善的变化时，在所述管理方案类别分量中，寻找及执行所述个人的药物使用和外科治疗的分量减少的具体方法。

例如，通过实验，让患者增加运动量、减少饮食中糖的含量，减少维格列丁和胰岛素的用药量，如果患者此时的血糖值维持不变甚至减少时，修改管疗方案中维格列丁和胰岛素的用药量，达到以减少用药，减轻患者的经济负担的目的。在前述的深度学习和预测等算法中，还可以设计训练参数，以较少用药量。在其它的实施例中，依照这个方法，甚至可以减少外壳手术的治疗，进一步减少患者的痛苦。

10、监测个人信息

所述个人理化信息监测，包括S9000监测所述个人信息步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

所述个人理化信息类：

S9010步骤，将所述传感器划分为有创传感器和无创传感器。

S9020步骤，所述有创传感器包括置入个人皮肤内的设备、体外的医疗检测设备，监测所述个人理化信息，包括个人血液、组织液、组织的监测信息，包括刺穿个人皮肤获取一次以上所述个人理化信息，和，留置于个人皮肤下、留置于个人血管内、留置于个人组织内以持续获取所述个人理化信息分量，并记为所述个人理化信息分量和监测时间到所述健康信息库。

S9030步骤，采用酶电极构成所述有创传感器，置入个人皮下组织，通过酶与所述个人的组织液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化信息。

S9040步骤，采用酶电极构成所述有创传感器，置入个人血管中，通过酶与个人血液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化信息。

S9050步骤，采用光纤构成所述有创传感器，光纤传感器至少包括A端和B端，其中A端置入个人内部，包括血管、皮下组织，B端留在个人外部，由发光器件产生特定波长光线，通过所述B端传到所述A端，由设置在所述A端并离开所述A端有一个缝隙的光线反射装置，将所述光线返回到所述B端，由感光器件感光，此时，由于所述特定波长光线在所述缝隙中经过血液、组织液，产生特定吸收变化，据此构成所述光纤有创传感器的传感方法，所述缝隙的宽度介于0.01毫米到100毫米之间。

S9060步骤，采用基于人体神经网络的生物神经网络的有创传感器置入到个人的包括大脑、脊椎、皮下组织在内的神经网络，监测传感个人的神经网络信号。

S9070步骤，采用将所述酶电极传感器、所述光纤传感器和神经网络传感器融合于一体的融合传感器，监测所述个人理化信息。

S9080步骤，采用紧贴在皮肤上的通过电物理效应对于皮下组织产生反应的无创传感器，获取皮下生化信号，所述电物理效应包括电场、磁场、机械震动、物理挤压、微波、离子、化学的渗透。

S9090步骤，所述无创传感器为不刺入个人皮肤的设备、体外的医疗检测设备，监测所述个人理化信息，其种类包括血糖值、血氧值、血液成分、尿液成分、汗液成分、体液成分、唾液成分、血型、皮肤成分、肤色、皮肤斑块、皮肤表面分析、体温、身高、体重、性别、血型、心率、心电图值、脑电波、光电容积图值、监测位置、个人运动信息、食物种类、食物数量、季节、天气、监测时间、睡眠时间、心理特征、心情的单一种类及其它们的任意组合，并记为所述个人理化信息分量和监测时间到所述健康信息库。

S9100步骤，包括可监测的药物反应效果、可监测的医疗效果的设备；

S9110步骤，包括所述个人的基因信息、蛋白质信息、器官及其结构信息；

所述个人扩展信息类：

S9210步骤，采集医务人员对于所述个人的慢病的诊断、判断、药物疗效记录，记录成为所述个人扩展信息。

S9220步骤，所述个人扩展信息包括人工监测法、机器监测法，所述人工监测法是由包括医务人员在内的人通过与所述个人面对面交流、面试、笔试，或非面对面监测产生所述个人扩展信息的方法，所述机器监测法包括由机器自主的或人工智能监测系统实施对于所述个人扩展信息的监测的方法。

S9230步骤，所述个人扩展信息的内容包括：监测表述能力，语言、文字、音乐、肢体、动作，监测感知注意能力、眼睛耳朵鼻子舌头身体意识的感知观察注意力，监测记忆能力，监测想象能力，监测分析判断能力，监测思维逻辑能力，监测应变能力，监测数字能力，监测空间能力，监测归纳能力，监测动作反应与空间能力，监测内省能力，监测人际能力，监测自然探索能力，监测生存智慧能力，监测强化能力，监测泛化能力，监测分化能力，监测消退能力，监测抗条件作用能力。包括所述个人参加的健康考核成绩、别人的主观评价、客观评价、所述个人自己的主观评价、客观评价作为所述个人扩展信息和所述个人扩展信息分量予以监测，并记录发生的时间序列，记入所述健康信息库。

个人信息的范围，核心部分是依据本发明是用在哪种或者哪些慢病的种类而确定，例如对于心脏病、高血压、皮肤病、高脂血症、脑梗死、脑出血、慢性支气管炎慢性心衰、风湿性心脏病、风湿性关节炎、阿尔茨海默症、肿瘤等等，就需要针对这些慢病，设计所采集的个人信息，包括医院的化验结果、化验种类、医务人员的直观判断等信息。

另外，本发明强调，对于慢病的管理和治疗，是采用综合性考虑的，不是头痛医头脚痛医脚，因此，对于个人信息、慢病信息的采集，除了所要管疗的具体慢病本身，其它相关联甚至目前看起来不关联的信息，都尽可能采集进来，以便于更加全面地管理和治疗慢病。

11、云大数据及隐私保护

其特征在于包括SA000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

SA010步骤，采用云大数据模式建立云中心，以存储、管理和支撑所述健康信息库和支持本发明的各个步骤，存储位置包括本地和异地，所述健康信息库存储包括所述个人的和所述群体的全部信息。

SA020步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述健康信息库和前述的各个步骤，所述用户采用匿名记录，所述健康信息库中的信息采用带有时间戳的链式结构，用户访问所述健康信息库采用加解密通信，信息支持防篡改，支持防抵赖、多中心、无中心模式。

SA030步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述健康信息库核心信息的前提下，依据各自所述机构的所述健康信息库内容进行约定的计算，所得的计算结果由参与的所述机构共享。所述机构包括一个以上所述云中心，管理一个以上所述个人。所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强信息的安全性和保护个人隐私。

SA040步骤，采用集中学习模式建立和训练对于不强调个人隐私保护时的模型训练，所述健康信息库存储于一个云中心。

SA050步骤，采用联邦学习模式建立和训练对于需要强调个人隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的信息。

随着社会和技术的发展，信息安全和隐私保护越发重要，这里采用云模式大数据的方式收集信息，并且采用现有的区块链技术、安全多方计算技术、集中学习技术和联邦学习技术，这只是依据现有技术的罗列。随着技术的发展，只要是基于信息安全和保护隐私的思路，新技术的应用也落入本发明的保护范畴，现有技术的罗列并不是对于本发明思路的限定。

12、群体

其特征在于所述SG000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

SG010步骤，获取所述群体信息：

执行所述S1000步骤至所述S8000步骤的一步骤或者多步骤的组合步骤，获取产生的所述群体中全部所述个人的全部所述个人信息和所述慢病信息存入到所述健康信息库。

SG020步骤，计算群体时差：

依据所述群体的健康考核时间，对所述群体中的每一个所述个人，统一设定所述预定健康考核时间，计算每一个所述个人所需要的所述延时时间差值。

SG030步骤，群体同步：

针对所述群体中每一个所述个人的所述延时时间差值，采用所述延时复现法进行调整，使得所述群体中的每一所述个人都在所述预定健康考核时间达到所述慢病类别、所述慢病类别分量为优化值或者指定值。

SG040步骤，群体优化健康考核：

驱动所述群体达到所述群体同步，对群体中的每个所述个人执行所述优化健康考核，使得所述群体的整体健康考核结果优化，并将健康考核结果记录到所述健康信息库。

SG050步骤，群体均衡健康考核：

依据所述群体中每一个所述个人的慢病类别在时间轴上的概率分布和整个所述群体的概率分布，计算所述群体的均衡慢病类别，再计算所述群体中每一个所述个人的所述延时时间差值，通过对于所述群体中所述个人执行所述延时复现法和定时复现法，以便确保所述群体能够在任何时间参加健康考核，而不至于使得所述群体在慢病类别最坏的情况下参加健康考核。

SG060步骤，预测比较及优化：

依据所述预测数学模型，计算所述群体中全部所述个人在所述群体优化健康考核的时刻t_φ的所述慢病类别，监测此时的所述群体中全部所述个人的所述慢病类别，比较这两个慢病类别，寻找差距原因，优化所述预测数学模型，并记录到所述健康信息库。

SG000步骤，主要是针对慢病患者群体而提出的发明思路，目的旨在对于慢病群体进行综合管疗，以进一步实现对于相似慢病种类的大数据进行人工智能的分析和集体管疗，尤其是对于医院、养老院及其它医疗机构，提供群体管疗和治疗。

实施例二、心血管疾病管疗方法

与实施例一相同之处这里不再复述，不同之处有以下几点：

1、在个人信息采集方面，在个人理化信息上，至少重点采集心血管方面的信息，例如：PPG(Photoplethysmograph，光电容积脉搏描记)波形、ECG(Electrocardiogram，心电图)波形、血压、脉搏、血糖、血脂等信息。在个人扩展信息上，至少重点采集患者的主诉、医务人员的医嘱、医院的就诊等信息。其中，个人理化信息的采集，除了采集医院的检测信息之外，还可以采用基于个人应用的专用传感器，如ECG传感器、PPG传感器、脉搏传感器、血压传感器、血糖传感器、血脂传感器以及它们的组合。

2、在数学模型及算法设计方面，至少重点依据本发明所提供的思路，改良和设计心血管疾病专用的数学模型和相关算法，以解决本实施例的具体问题。

3、对于与心血管疾病相关联的其它慢病种类，其个人信息、慢病信息需要尽可能收集，以便于进行关联分析。例如患者个人的糖尿病等相关信息。

4、对于个性化训练和管疗方法的迭代，参考实施例一进行个性化改良。

Claims (11)

1.人工智能个性化慢病健康管疗的方法，包括：

监测个人的个人信息；

诊断所述个人的慢病信息；

制定、执行及监测管疗方案；和/或，

依据大数据，采用人工智能算法，计算个性化特征，优化所述管疗方法，实现降本。

2.根据权利要求1所述的方法，其特征在于，所述监测个人的个人信息，包括S2000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S2010步骤，分解所述个人信息为个人理化信息和个人扩展信息：

由一个以上所述个人构成群体，其中所述个人理化信息包括采用传感器和/或医疗检测设备检测的所述个人信息，所述个人扩展信息包括采用非传感器或者非医疗检测设备检测的所述个人信息和/或由医务人员诊断所得的所述个人信息；

按照公式(2.1)、公式(2.2)和公式(2.3)分解所述个人信息：

PD＝PDB∪PDE (2.1)

PDB＝{PDB_β|PDB_β编号β的个人理化信息，1≤β≤n} (2.2)

PDE＝{PDE_γ|PDE_γ编号γ的个人扩展信息，1≤γ≤p} (2.3)

其中，PD为所述个人信息集合，PDB为所述个人理化信息集合，PDE为所述个人扩展信息集合，PDB_β为编号为β的个人理化信息分量，n为所述个人理化信息分量的总数，PDE_γ为编号为γ的个人扩展信息分量，p为所述个人扩展信息分量的总数；

S2020步骤，监测个人理化信息和个人理化信息分量：

分解所述个人理化信息为一个以上所述个人理化信息分量，按照公式(2.4)确定的所述个人理化信息分量的函数关系，监测所述个人理化信息分量，按照公式(2.5)建立所述个人理化信息分量的函数集合：

PDB_β＝f_2.4β(x) (2.4)

F_2.5＝{f_2.4β|f_2.4β个人理化信息编号β的函数，1≤β≤n} (2.5)

其中：

f_2.4β为编号为β的所述个人理化信息分量的函数，F_2.5为所述个人理化信息分量的函数集合，n为所述个人理化信息分量的函数的总数，n、β均属于自然数，且1≤β≤n；

PDB_β为编号为β的所述个人理化信息分量，x为所述个人理化信息分量的函数的自变量；

和/或，

S2030步骤，监测所述个人扩展信息和个人扩展信息分量：

分解所述个人扩展信息为一个以上所述个人扩展信息分量，按照公式(2.6)确定的所述个人扩展信息的函数关系，监测所述个人扩展信息分量，按照公式(2.7)建立所述个人扩展信息的函数集合：

PDE_γ＝f_2.6γ(y) (2.6)

F_2.7＝{f_2.6γ|f_2.6γ个人扩展信息编号γ函数，1≤γ≤p} (2.7)

其中：

f_2.6γ为编号为γ的所述个人扩展信息分量的函数，F_2.7为所述个人扩展信息的函数集合，p为所述个人扩展信息分量的函数的总数，p、γ均属于自然数，且1≤γ≤p；

PDE_γ为编号为γ的所述个人扩展信息分量，y为所述个人扩展信息分量的函数的自变量；和/或，

S2040步骤，监测所述个人信息的时间值：

依据连续时间序列，按照公式(2.8)确定的所述个人信息的时间函数关系，监测所述个人信息的时间值：

PD＝f_2.8(t) (2.8)

其中：PD为所述个人信息，f_2.8为所述个人信息的时间函数，t为所述连续时间序列；和/或，

S2050步骤，监测所述个人理化信息的时间值：

依据所述连续时间序列，按照公式(2.9)确定的所述个人理化信息的时间函数关系，监测所述个人理化信息的时间值：

PDB＝f_2.9(t) (2.9)

其中：PDB为所述个人理化信息，f_2.9为所述个人理化信息的时间函数，t为所述连续时间序列；和/或，

S2060步骤，监测所述个人扩展信息的时间值：

依据所述连续时间序列，按照公式(2.10)确定的所述个人扩展信息的时间函数关系，监测所述个人扩展信息的时间值：

PDE＝f_2.10(t) (2.10)

其中：PDE为所述个人扩展信息，f_2.10为所述个人扩展信息的时间函数，t为所述连续时间序列；和/或，

S2070步骤，监测所述个人信息的特定时刻值：

依据所述连续时间序列，按照公式(2.11)确定的所述个人信息的的特定时刻的函数关系，监测所述个人信息在特定时刻的所述特定时刻值：

PD_T＝f_2.8(t，t＝T) (2.11)

其中：PD_T为所述个人信息的所述特定时刻值，f_2.8为所述个人信息的时间函数，t为所述连续时间序列，T为所述特定时刻；和/或，

S2080步骤，监测所述个人理化信息的特定时刻值：

依据所述连续时间序列，按照公式(2.12)确定的个人理化信息的特定时间函数关系，监测所述个人理化信息在特定时刻的所述特定时刻值：

PDB_T＝f_2.9(t，t＝T) (2.12)

其中：PDB_T为所述个人理化信息的所述特定时刻值，f_2.9为所述个人理化信息的时间函数，t为所述连续时间序列，T为所述特定时刻；和/或，

S2090步骤，监测所述个人扩展信息的特定时刻值：

依据所述连续时间序列，按照公式(2.13)确定的个人扩展信息的特定时间函数关系，监测所述个人扩展信息在特定时刻的所述特定时刻值：

PDE_T＝f_2.10(t，t＝T) (2.13)

其中：PDE_T为所述个人扩展信息的所述特定时刻值，f_2.10为所述个人扩展信息的时间函数，t为所述连续时间序列，T为所述特定时刻；和/或，

S2100步骤，标定所述可调个人信息：

通过包括改变所述个人所处的外在环境、内在环境和执行所述管疗方案之后，监测所述个人信息，找出可以改变的这部分所述个人信息，标定为所述可调个人信息；

通过包括人为判断确定为可以调节的所述个人信息，标定为所述可调个人信息；

所述可调个人信息包括可调个人理化信息、可调个人理化信息分量、可调个人扩展信息、可调个人扩展信息分量，所述可调个人信息之外的所述个人信息为非可调个人信息；

S2110步骤，建立健康信息库：

依据不同的所述连续时间序列和所述特定时刻，针对所述个人，按照所述S2010步骤到所述S2100步骤，执行一次以上监测，将结果信息和中间信息记录到所述健康信息库。

3.根据权利要求1所述的方法，其特征在于，所述诊断所述个人的慢病信息，包括S3000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S3010步骤，分解所述慢病信息：

所述慢病信息包括一个以上慢病类别，所述慢病类别包括一个以上慢病类别分量，所述慢病信息与所述慢病类别之间具有公式(3.1)所确定的函数关系，按照公式(3.1)诊断所述慢病信息：

CD＝f_3.1(CDT) (3.1)

其中，CD为所述慢病信息，CDT为所述慢病类别，f_3.1为慢病信息函数；和/或，

S3020步骤，监测所述慢病类别的时间值：

所述慢病类别与所述连续时间序列之间具有公式(3.2)所确定的函数关系，按照公式(3.2)监测所述慢病类别的时间值：

CDT＝f_3.2(t) (3.2)

其中，CDT为所述慢病类别，f_3.2为慢病类别时间函数，t为所述连续时间序列；和/或，

53030步骤，监测所述慢病类别的特定时刻值：

所述慢病类别的所述特定时刻值与所述特定时刻之间具有公式(3.3)所确定的函数关系，按照公式(3.3)监测所述慢病类别的特定时刻值：

CDT_T＝f_3.2(t，t＝T) (3.3)

其中，t为所述连续时间序列，T为所述特定时刻，CDT_T为所述慢病类别在所述特定时刻的特定时刻值，f_3.2为所述慢病类别时间函数；和/或，

S3040步骤，监测慢病类别分量的时间值：

按照公式(3.4)分解所述慢病类别为一个以上所述慢病类别分量，所述慢病类别分量与所述连续时间序列之间具有公式(3.5)所确定的函数关系，按照公式(3.5)监测所述慢病类别分量的时间值：

CDT＝f_3.4(CDT₁，CDT₂，...，CDT_m) (3.4)

CDT_α＝f_3.5(t，1≤α≤m) (3.5)

其中，CDT₁，CDT₂，...，CDT_m为所述慢病类别分量，m为所述慢病类别分量的总数，α为所述慢病类别分量编号，m、α均属自然数，且1≤α≤m，f_3.4为慢病类别分解函数，f_3.5为慢病类别分量时间函数，CDT_α为编号为α的所述慢病类别分量在所述连续时间序列的时间值；和/或，

S3050步骤，监测所述慢病类别分量的特定时刻值：

所述慢病类别分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(3.6)所确定的函数关系，按照公式(3.6)监测所述慢病类别分量在特定时刻的所述特定时刻值：

CDT_αT＝f_3.5(t，t＝T，1≤α≤m) (3.6)

其中，CDT_αT为在所述特定时刻所述慢病类别分量的所述特定时刻值，f_3.5为所述慢病类别分量时间函数，α为所述慢病类别分量编号，m为所述慢病类别分量的总数，且1≤α≤m，m、α均属自然数；和/或，

S3060步骤，诊断所述慢病信息：

依据所述医疗机构和/或医务人员对于所述个人的所述慢病信息进行一次以上的诊断，整理收集诊断结果，记入所述健康信息库；和/或，

设计和收集慢病信息监测题、慢病信息监测题标准答案、慢病信息监测题标准答案分值、慢病信息监测方法，记入所述健康信息库；和/或，

依据所述慢病信息监测方法监测所述个人一次以上，记录慢病信息监测结果和/或所述慢病信息监测结果平均值到所述健康信息库；

S3070步骤，诊断所述慢病类别：

依据所述医疗机构和/或所述医务人员对于所述个人的所述慢病类别进行一次以上的诊断，整理收集诊断结果，记入所述健康信息库；和/或，

设计慢病类别监测题、慢病类别监测题标准答案、慢病类别监测题标准答案分值、慢病类别监测方法，记入所述健康信息库；和/或，

依据所述慢病类别监测方法监测所述个人一次以上，记录慢病类别监测结果和/或所述慢病类别监测结果平均值到所述健康信息库；

S3080步骤，诊断所述慢病类别分量：

依据所述医疗机构和/或所述医务人员对于所述个人的所述慢病类别分量进行一次以上的诊断，整理收集诊断结果，记入所述健康信息库；和/或，

设计所述慢病类别分量监测题、慢病类别分量监测题标准答案、慢病类别分量监测题标准答案分值、慢病类别分量监测方法；和/或，

依据所述慢病类别分量监测方法监测所述个人一次以上，记录所述慢病类别分量直接监测结果和/或所述慢病类别分量监测结果平均值到所述健康信息库；

S3090步骤，升级健康信息库：

选择不同的所述连续时间序列和不同的所述特定时刻，执行所述S3010步骤到所述S3080步骤，将中间结果和最终结果记录到所述健康信息库，和/或，依据所述健康信息库内容，优化和升级所述慢病信息监测方法、所述慢病类别监测方法、所述慢病类别分量监测方法；

所述慢病信息包括所述个人的所患的全部所述慢病类别的集合，所述慢病类别分量包括所述个人在所述慢病类别中所包括的慢病细分类型和程度。

4.根据权利要求1所述的方法，其特征在于所述制定、执行及监测管疗方案，包括S4000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S4010步骤，制定所述管疗方案：

依据所述个人信息和所述面部信息，依据所述医疗机构、所述医务人员对于所述个人的所述慢病的诊断，和/或，所述人工智能的诊断，制定所述管疗方案，将所述管疗方案分解为包括一个以上管疗方案类别，所述管疗方案类别分解为包括一个以上管疗方案类别分量，并且计入所述健康信息库；

所述管疗方案类别分量至少包括用药品种、用药量、治疗种类、治疗量、治疗时间，治疗费用、所述个人的损伤；

所述管疗方案与所述管疗方案类别之间具有公式(4.1)所确定的函数关系，按照公式(4.1)制定所述管疗方案：

MT＝f_4.1(MTT) (4.1)

其中，MT为所述管疗方案，MTT为所述管疗方案类别，f_4.1为管疗函数；

S4020步骤，监测所述管疗方案类别的时间值：

所述管疗方案类别与所述连续时间序列之间具有公式(4.2)所确定的函数关系，按照公式(4.2)监测所述管疗方案类别的时间值：

MTT＝f_4.2(t) (4.2)

其中，MTT为所述管疗方案类别，f_4.2为管疗方案类别时间函数，t为所述连续时间序列；

S4030步骤，监测所述管疗方案类别的特定时刻值：

所述管疗方案类别的所述特定时刻值与所述特定时刻之间具有公式(4.3)所确定的函数关系，按照公式(4.3)监测所述管疗方案类别的特定时刻值：

MTT_T＝f_4.2(t，t＝T) (4.3)

其中，t为所述连续时间序列，T为所述特定时刻，MTT_T为所述管疗方案类别在所述特定时刻的特定时刻值，f_4.2为所述管疗方案类别时间函数；

S4040步骤，监测管疗方案类别分量的时间值：

按照公式(4.4)分解所述管疗方案类别为一个以上所述管疗方案类别分量，所述管疗方案类别分量与所述连续时间序列之间具有公式(4.5)所确定的函数关系，按照公式(4.5)监测所述管疗方案类别分量的时间值：

MTT＝f_4.4(MTT₁，MTT₂，...，MTT_q) (4.4)

MTT_δ＝f_4.5(t，1≤δ≤q) (4.5)

其中，MTT₁，MTT₂，...，MTT_q为所述管疗方案类别分量，q为所述管疗方案类别分量的总数，δ为所述管疗方案类别分量编号，q、δ均属自然数，且1≤δ≤q，f_4.4为管疗方案类别分解函数，f_4.5为管疗方案类别分量时间函数，MTT_δ为编号为δ的所述管疗方案类别分量在所述连续时间序列的时间值；

S4050步骤，监测所述管疗方案类别分量的特定时刻值：

所述管疗方案类别分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(4.6)所确定的函数关系，按照公式(4.6)监测所述管疗方案类别分量在特定时刻的所述特定时刻值：

MTT_δT＝f_4.5(t，t＝T，1≤δ≤q) (4.6)

其中，MTT_δT为在所述特定时刻所述管疗方案类别分量的所述特定时刻值，f_4.5为所述管疗方案类别分量时间函数，δ为所述管疗方案类别分量编号，q为所述管疗方案类别分量的总数，且1≤δ≤q，q、δ均属自然数。

5.根据权利要求2和3和4所述的方法，其特征在于，所述依据大数据，采用人工智能算法，计算个性化特征，优化所述管疗方法，实现降本，包括S5000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S5010步骤，概念模型：

按照公式(5.1)建立所述慢病类别和所述个人信息、所述管疗方案之间的所述数学模型，计算所述慢病类别；

按照公式(5.2)建立所述慢病类别和全部所述个人理化信息分量、全部所述个人扩展信息分量、全部所述管疗方案类别分量之间的所述数学模型，计算所述慢病类别；

按照公式(5.3)建立所述慢病类别分量和全部所述个人理化信息分量、全部所述个人扩展信息分量、全部所述管疗方案类别分量之间的所述数学模型，计算所述慢病类别分量；

按照公式(5.4)建立所述慢病类别分量和部分所述个人理化信息分量、部分所述个人扩展信息分量、部分所述管疗方案类别分量之间的所述数学模型，计算所述慢病类别分量：

CDT＝f_5.1(PD，MT) (5.1)

CDT_α＝f_5.4α(PDB_α，PDE_α，MMT_α) (5.4)

其中：

f_5.1是所述慢病类别和所述个人信息、所述管疗方案之间的所述数学模型的函数，CDT是所述慢病类别，PD是所述个人信息，MT是所述管疗方案；

f_5.2是所述慢病类别和全部所述个人理化信息分量、全部所述个人扩展信息分量、全部所述管疗方案类别分量之间的所述数学模型的函数，

是全部所述个人理化信息分量计算函数，

是全部所述个人扩展信息分量计算函数，

是全部所述管疗方案类别分量计算函数，PDB是所述个人理化信息分量，n是所述个人理化信息分量的总个数，β是所述个人理化信息分量的编号，PDE是所述个人扩展信息分量，p是所述个人扩展信息分量的总个数，γ是所述个人扩展信息分量的编号，MTT是所述管疗方案类别，δ是所述管疗方案类别分量的编号，q是所述管疗方案类别分量的总数，且1≤β≤n、1≤γ≤p、1≤δ≤q；

f_5.3是第α个所述慢病类别分量和全部所述个人理化信息分量、全部所述个人扩展信息分量之间的所述数学模型的函数，CDT_α编号为α的所述慢病类别分量，且1≤β≤n、1≤γ≤p、1≤δ≤q；

f_5.4α是第α个所述慢病类别分量和第α种部分所述个人理化信息分量、第α种部分所述个人扩展信息分量、第α种部分所述管疗方案类别分量之间的所述数学模型的函数，CDT_α是第α个所述慢病类别分量，PDB_α是第α种与所述CDT_α有关的部分所述个人理化信息分量，包括零个以上与所述CDT_α有关联的所述个人理化信息分量，PDE_α是第α种与所述CDT_α有关的部分所述个人扩展信息分量，包括零个以上与所述CDT_α有关联的所述个人扩展信息分量，MTT_α是第α种与所述CDT_α有关的部分所述管疗方案类别分量，包括零个以上与所述CDT_α有关联的所述管疗方案类别分量，α、β、γ、δ为自然数；和/或，

S5020步骤，建立偏微分模型：

基于所述概念方程的所述数学模型，采用偏微分方程原理，按照公式(5.5)和公式(5.6)建立所述慢病类别、所述慢病类别分量和所述个人理化信息分量、所述个人扩展信息分量之间的函数，计算所述慢病类别、所述慢病类别分量：

其中：

f_5.5、f_5.6均是偏微分方程，CDT′₁是编号为1的所述慢病类别分量的1阶导数，

是标号为1所述慢病类别分量的ε阶导数，CDT′_m是标号为m的所述慢病类别分量的1阶导数，

是标号为m的所述慢病类别分量的ε阶导数；PDB′_α是第α种包括零个以上与所述CDT_α有关联的所述个人理化信息分量的1阶导数；

是第α种包括零个以上与所述CDT_α有关联的所述个人理化信息分量的v阶导数；PDE′_α是第α种包括零个以上与所述CDT_α有关联的所述个人扩展信息分量的1阶导数；

是第α种包括零个以上与所述CDT_α有关联的所述个人理化信息分量的ξ阶导数；MTT′_α是第α种包括零个以上与所述CDT_α有关联的所述个人扩展信息分量的1阶导数；

是第α种包括零个以上与所述CDT_α有关联的所述个人理化信息分量的∈阶导数；

其中，根据需要，f_5.4中的所述慢病类别分量还采用f_5.5中的CDT_α替代；

其中，ε是所述慢病类别分量导数的最高阶，v是所述个人理化信息分量导数的最高阶，ξ是所述个人扩展信息分量导数的最高阶，ε、v、ξ、∈均是自然数；和/或，

S5030步骤，模糊模型：

基于所述概念方程模型，采用模糊方程原理，依据所述慢病类别和所述个人理化信息分量以及所述个人扩展信息分量之间的模糊数学关系，建立如公式(5.7)的所述模糊方程，计算所述慢病类别；依据所述慢病类别分量和所述个人理化信息分量以及所述个人扩展信息分量之间的模糊关系，建立如公式(5.8)的模糊方程，计算所述慢病类别分量：

其中，f_5.7、f_5.8均是模糊方程，α是所述慢病类别分量编号，n是所述个人理化信息分量最大编号，β是所述个人理化信息分量编号，p是所述个人扩展信息分量的最大编号，γ是所述个人扩展信息分量的编号，δ是所述管疗方案类别分量的编号，q是所述管疗方案类别分量的总数，n、p、q、δ、β、γ、δ均是自然数，ρ是模糊隶属度，其中ρ的下标β编号与对应的所述个人理化信息分量编号β一致，并且ρ_β为PDB_β的模糊隶属度，ρ的下标γ编号与所述个人扩展信息分量编号γ一致，并且ρ_γ为PDE_γ的模糊隶属度；和/或，

S5040步骤，模糊偏微分模型：

基于所述偏微分方程和所述模糊方程，建立所述模糊偏微分方程，计算所述慢病类别和所述慢病类别分量；其中，包括以所述模糊隶属度为参数代入所述公式(5.5)和所述公式(5.6)来计算所述慢病类别和所述慢病类别分量的方法，和，以所述公式(5.5)和所述公式(5.6)列入到所述公式(5.7)和所述公式(5.8)来计算所述慢病类别和所述慢病类别分量的方法；和/或，

S5050步骤，微分几何模型：

建立包括以所述个人理化信息分量、和/或所述个人扩展信息分量为曲面坐标系的多维曲面空间的微分几何学方程，求解所述慢病类别和所述慢病类别分量的方法；和/或，S5060步骤，人工智能模型：

基于人工智能算法建立所述人工智能所述数学模型，依据所述健康信息库中所述群体的多个历史记录，采用监督学习训练所述历史记录得出参数，采用无监督学习和所述参数，预测计算未来的所述慢病类别和所述慢病类别分量；采用强化学习寻找优化的所述慢病类别和所述慢病类别分量、以及所述管疗方案类别分量的值；和/或，在学习的过程中引入人为测评，为所述学习的结果进行人为评分；和/或，

S5070步骤，基于所述人工智能所述数学模型，依据所述健康信息库中所述群体的多个所述历史记录，采用支持向量机、和/或卷积神经网络和/或T检验和/或Z检验和/或贝叶斯算法，执行以下S5071步骤到S5072步骤：

S5071步骤，挑选并标定出所述历史记录中的特异值，供进一步的所述S5010步骤到所述S5060步骤的所述数学模型使用以及人为分析使用；

S5072步骤，验证和总结所述慢病类别、所述慢病类别分量与所述历史记录之间的变化规律，供进一步的所述S5010步骤到所述S5060步骤的所述数学模型以及人为分析使用；和/或，

S5080步骤，混合模型：

混合所述S5010步骤到所述S5070步骤的所述数学模型为所述混合数学模型，来计算和预测所述慢病类别、所述慢病类别分量；和/或，

S5090步骤，预测模型：

依据所述S5010步骤到S5080步骤的所述数学模型、所述慢病类别时间函数和慢病类别分量时间函数、设定未来时刻的所述特定时刻值，按照公式(5.9)计算所述慢病类别的预测值，按照公式(5.10)计算所述慢病类别分量的所述预测值：

CDT_φ＝f_5.9(BMIQ_σ，t＝t_φ) (5.9)

CDT_αφ＝f_5.10(BMIQ_σ，t＝t_φ) (5.10)

其中，f_5.9是所述慢病类别的所述预测数学模型的函数，f_5.10是所述慢病类别分量的所述预测数学模型的函数，φ是所述未来时刻，t_φ是所述设定未来时刻的所述特定时刻值，CDT_φ是所述设定未来时刻的所述特定时刻的所述慢病类别的所述预测值，CDT_αφ是所述设定未来时刻的所述特定时刻的编号为α的所述慢病类别分量的所述预测值，BMIQ是所述健康信息库，σ是指定的时刻，BMIQ_σ是截止于时间σ的所述历史记录，t_φ是σ之后的未来时间；和/或，

S5100步骤，双向映射和单向映射模型：

依据所述个人信息和所述慢病类别之间实际存在的相互影响的关系，按照公式(5.11)建立双向映射数学模型，按照公式(5.12)建立左向映射数学模型，按照公式(5.13)建立右向映射数学模型：

其中：

运算符号

为双向映射运算符，即所述个人信息的改变会影响所述慢病类别，而所述慢病类别的改变也会影响所述个人信息；

运算符

为左向映射运算符，即所述个人信息的改变会影响所述慢病类别，而所述慢病类别的改变不会影响所述个人信息；

运算符

为右向映射运算符，即所述慢病类别的改变会影响所述个人信息，而所述个人信息的改变不会影响所述慢病类别；

S5200步骤，通过求取极值实现降本：

所述实现降本，包括降低所述个人在使用本发明方法时所花费的药物成本、治疗成本、人体不适成本的单体成本和总体成本；依据所述人工智能的模型，对于所述管疗方案求解所述管疗方案类别分量的极值，以实现包括所述用药量、所述治疗量、所述治疗时间最小，所述费用最少、所述个人的损伤最小，实现管疗方案的最优化。

6.根据权利要求5所述的方法，其特征在于：所述依据大数据，采用人工智能算法，计算个性化特征，优化所述管疗方法，实现降本；包括S6000所述个性化特征的训练步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S6000步骤，所述大数据，包括所述个人的所述个人信息和所述慢病信息，还包括由一个以上所述个人构成的所述群体中的所述个人的所述个人信息和所述慢病信息，所述个性化特性，是通过对所述大数据采用所述S5000步骤和以下步骤在内的所述优化的方法实现的；

S6010步骤，模糊优化法：

依据所述数学模型和所述模糊方程、所述模糊偏微分方程，优化所述慢病类别和所述慢病类别分量，获取在优化的情况下的所述个人信息的最优值，具体包括：

S6011步骤，建立集合：

包括以全部所述慢病类别为元素建立慢病类别集合，记为CDTset；以全部所述慢病类别分量为元素建立慢病类别分量集合，记为CDT_αset：以全部所述个人信息为元素建立个人信息集合，记为PDset；分解所述个人信息集合为个人理化信息集合、个人扩展信息集合、人理化信息分量集合、个人扩展信息分量集合；分别记为PDBset、PDEset、PDB_βset、PDE_γset；以全部所述管疗方案类别为元素建立管疗方案集合，记为MTTset_λ；以全部所述管疗方案类别分量为元素建立管疗方案类别元素集合，记为MTT_δset_λ；所述集合包括模糊集合和非模糊集合；

其中：α为所述慢病类别分量的编号，β为所述个人理化信息分量的编号，γ为所述个人扩展信息分量的编号，δ为所述管疗方案类别分量的编号；

S6012步骤，建立截集：

依据所述数学模型，依次建立集合之间的映射关系，以所述慢病类别集合和所述慢病类别分量集合为主键进行排序，成为有序集合，并以从大到小进行正排序后取前λ个元素作为有序头截集，以从小到大反排序后取前μ个元素作为有序尾截集，具体如下：

CDTset_λ＝{cdt|cdt正排序号θ≤λ} (6.1)

CDT_αset_λ＝{cdt_δ|cdt_α正排序号θ≤λ} (6.2)

PDset_λ＝{pd|pd正排序号θ≤λ} (6.3)

PDBset_λ＝{pdb|pdb正排序号θ≤λ} (6.4)

PDB_βset_λ＝{pdb_β|pdb_β正排序号θ≤λ} (6.5)

PDEset_λ＝{pde|pde正排序号θ≤λ} (6.6)

PDE_γset_λ＝{pde_γ|pde_γ正排序号θ≤λ} (6.7)

MTTset_λ＝{mtt|mtt正排序号θ≤λ} (6.8)

MTT_δset_λ＝{mtt_δ|mtt_δ正排序号θ≤λ} (6.9)

CDTset_μ＝{cdt|cdt反排序号η≤μ} (6.10)

CDT_αset_μ＝{cdt_δ|cdt_α反排序号η≤μ} (6.11)

PDset_μ＝{pd|pd反排序号η≤μ} (6.12)

PDBset_μ＝{pdb|pdb反排序号η≤μ} (6.13)

PDB_βset_μ＝{pdb_β|pdb_β反排序号η≤μ} (6.14)

PDEset_μ＝{pde|pde反排序号η≤μ} (6.15)

PDE_γset_μ＝{pde_γ|pde_γ反排序号η≤μ} (6.16)

MTTset_μ＝{mtt|mtt反排序号η≤μ} (6.17)

MTT_δset_μ＝{mtt_δ|mtt_γ反排序号η≤μ} (6.18)

其中，CDTset_λ、CDT_αset_λ、PDset_λ、PDBset_λ、PDB_βset_λ、PDEset_λ、PDE_γset_λ、MTTset_λ、MTT_δset_λ为所述有序头截集，CDTset_μ、CDT_αset_μ、PDset_μ、PDBset_μ、PDB_βset_μ、PDEset_μ、PDE_γset_u、MTTset_μ、MTT_δset_μ为所述有序尾截集，λ、μ为小于各自集合元素个数，也就是所述截集位置，属于自然数，θ为正排序编号，η为反排序编号；

S6013步骤，训练所述截集：

持续监测记录所述慢病类别和所述个人信息到所述健康信息库，依据所述健康信息库中的信息，采用循环和递归计算，以训练所述有序头截集和所述有序尾截集，记录结果到所述健康信息库；

S6014步骤，寻优所述截集：

依据所述数学模型，按照公式(6.1)至公式(6.18)，取λ＝1，计算获取慢病类别最优值和慢病类别分量最优值，所对应的所述个人信息同时作为最优值；取μ＝1，计算获取慢病类别最差值和慢病类别分量最差值，所对应的所述个人信息同时作为最差值；和/或，

S6020步骤，极值优化法：

依据所述偏微分方程和所述模糊偏微分方程，采用对包括公式(5.5)、公式(5.6)的所述偏微分方程中的自变量、因变量取极值的方法，以及求取任意所述自变量、所述因变量为0的时候，计算所述慢病类别和所述慢病类别分量的方法，获取所述慢病类别和所述慢病类别分量的所述最优值和所述最差值，以此获取所述个人信息的最优值；

S6021步骤，依据所述健康信息库随着时间推移而不断地更新，在定时或不定时情况下，实现多次学习和训练，采用包括T检验和Z检验的方法选出所述慢病类别和所述慢病类别分量的所述最优值和所述慢病类别和所述慢病类别分量的所述最差值的异常值，消除所述异常值，以此获取所述个人信息的异常值；和/或，

S6030步骤，概率优化法：

在所述健康信息库中，选取不同时间段采集的所述个人理化信息和所述个人扩展信息，依据所述数学模型执行所述S5000步骤，计算所述慢病类别和所述慢病类别分量，计算所述慢病类别和所述慢病类别分量为最大值和最小值时对应的所述个人信息，采用包括贝叶斯算法在内的概率计算方法，统计所述慢病类别和所述慢病类别分量为最大值和最小值时，所述个人信息中所述可调个人理化信息和所述可调个人扩展信息出现相近值的概率，并对高概率验证做验证；和/或，

标定在所述慢病类别和所述慢病类别分量为最大值时的所述个人信息中所述可调个人理化信息和所述可调个人扩展信息为优化可调个人理化信息和优化可调个人扩展信息，标定在所述慢病类别和所述慢病类别分量为最小值时的所述个人信息中所述可调个人理化信息和所述可调个人扩展信息为劣化可调个人理化信息和劣化可调个人扩展信息；和/或，

S6040步骤，神经网络优化法：

S6041步骤，依据包括所述数学模型，针对所述健康信息库中的关系型信息记录，以信息记录作为神经元，以包括所述数学模型的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络；

S6042步骤，依据所述连接函数中，所述优化可调个人理化信息和优化可调个人扩展信息对于所述慢病类别和所述慢病类别分量产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括常数型权重系数、函数型权重系数；

S6043步骤，采用深度学习算法，包括监督学习、无监督学习、强化学习算法，优化所述连接子函数；和/或，

S6044步骤，采用支持向量机算法，分类筛选所述慢病类别和所述慢病类别分量，并且筛选出所述优化可调个人理化信息和优化可调个人扩展信息；和/或，

S6045步骤，采用卷积神经网络算法，对于所述个人信息之间忽略关联的条件下，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息；和/或，

S6046步骤，采用循环神经网络算法，对于所述个人信息之间需要关联的条件下，建立层内关联函数，训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息；和/或，

S6047步骤，采用深度神经网络算法，对于各个所述神经网络的层之间的所述个人信息、所述慢病类别、所述慢病类别分量需要建立关联的条件下，建立层间关联函数，训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息；和/或，

S6048步骤，采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息；和/或，

S6049步骤，采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述慢病类别和所述慢病类别分量，以及所对应的所述优化可调个人理化信息和优化可调个人扩展信息；和/或，

S6050步骤，可逆寻优法：

采用所述模糊优化法、所述极值优化法、所述概率优化法、所述神经网络优化法之间的任意组合和/或这些方法之内的任意组合的方法，计算所述慢病类别和所述慢病类别分量达到最优或者其区间内的指定值时，得到的包括对应的所述优化可调个人理化信息和优化可调个人扩展信息的结果信息，并且使得结果信息能够可逆复现所述慢病类别和所述慢病类别分量达到最优或者其区间内的指定值，记录此时的所述优化可调个人理化信息和/或优化可调个人扩展信息与所述慢病类别和/或所述慢病类别分量之间的可逆关系；和/或，

S6060步骤，定时复现法：

依据所述数学模型和所述可逆关系，计算从当前时刻开始，所述慢病类别和/或所述慢病类别分量到达优化值或者指定值时的定时时间序列值，即从当前时刻开始，经过所述定时时间序列值的时间时，所述慢病类别和/或所述慢病类别分量到达优化值或者指定值；和/或，

S6070步骤，延时复现法：

依据所述数学模型和所述可逆关系，当所述定时时间序列值小于预定健康考核时间值的情况下，计算需要延时时间差值，将所述延时时间差值加入到所述数学模型，以确保在所述预定健康考核时间的时点，所述慢病类别和/或所述慢病类别分量到达优化值或者指定值；和/或，

S6080步骤，软件仿真法：

依据所述数学模型和所述个性化特诊的训练，针对所述个人的所述个人信息、所述慢病信息、所述管疗方案，采用软件仿真，由所述软件仿真来设定仿真参数、调整所述管理方案，经过一段仿真时间后，得到包括所述个人信息和所述慢病信息的仿真结果，将所述仿真结果与同时刻的所述个人的实际的所述个人信息和所述慢病信息相比较，如果差异在可接收的范围内，则所述仿真参数为有效仿真参数；

S6090步骤，通过个性化训练实现降本：

依据所述S5000步骤、所述S6000步骤，计算所述单体成本和/或所述总体成本最低时对所述S4000步骤中所述管疗方案的优化修改，和/或，依据所述预测模型，采用所述有效仿真参数执行所述软件仿真法管理和治疗，依据所述仿真结果调整和执行所述管疗方案，实现降本。

7.根据权利要求5或6所述的方法，其特征在于，所述制定、执行及监测管疗方案，还包括S7000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S7100步骤，制定所述管疗方案：

S7110步骤，依据医务人员对于所述个人的人工诊断，建立所述管疗方案；

S7120步骤，依据检索专业的公开信息，经过所述医务人员和/或所述人工智能算法确认无误后，成为所述管疗方案；

S7130步骤，依据所述数学模型建立所述个人信息、所述慢病信息、所述慢病类别、所述慢病类别分量以及治理药物、治理方案之间的对应的专家知识库，成为所述管疗方案；

S7140步骤，持续维护优化所述管疗方案，纳入所述健康信息库；

S7200步骤，执行所述管疗方案：

S7210步骤：依据所述S2000步骤和所述S3000步骤，记录并标定所述个人信息、所述慢病信息、所述慢病类别、所述慢病类别分量为所述管疗方案的之前信息集；

S7200步骤：依据所述个人的所述管疗方案，执行所述管疗方案；

S7220步骤：依据所述S2000步骤和所述S3000步骤，记录并标定所述个人信息、所述慢病信息、所述慢病类别、所述慢病类别分量为所述管疗方案的之后信息集；

S7300步骤，监测所述管疗方案：

S7310步骤：比对所述之前信息集和所述之后信息集，找出并记录前后差异，纳入所述健康信息库，以监测所述管疗效果。

8.根据权利要求7所述的方法，其特征在于，还包括S8000采用所述可调个人信息来调节慢病的步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

S8010步骤，依据所述可调个人信息分量调节所述慢病类别：

所述慢病类别和所述可调个人理化信息分量、所述可调个人扩展信息分量、所述管疗方案类别之间具有公式(8.1)所确定的函数关系，所述慢病类别分量和所述可调个人理化信息分量、所述可调个人扩展信息分量、所述管疗方案类别分量之间具有公式(8.2)所确定的函数关系，按照公式(8.1)调节所述慢病类别，按照公式(8.2)调节所述慢病类别分量：

CDT＝f_8.1(APDB，APDE，MTT) (8.1)

CDT_α＝f_8.2(APDB_α，APDE_α，MTT_α) (8.2)

其中，CDT是所述慢病类别，CDT_α是编号为α的所述慢病类别分量，APDB为所述可调个人理化信息分量，APDE为所述可调个人扩展信息分量，MTT为所述管疗方案类别，MTT_α为所述管疗方案类别分量，f_8.1是以APDB和APDE为自变量的慢病类别调节函数一，f_8.2是以APDB_α和APDE_α为自变量的慢病类别分量调节函数一，其中，APDB_α和APDE_α和MTT_α是与所述CDT_α有关联的一个以上所述可调个人理化信息分量和一个以上所述可调个人扩展信息分量和一个以上所述管疗方案类别分量；和/或，

S8020步骤，依据所述个人信息关键权重调节所述慢病类别：

所述慢病类别和关键个人理化信息集合、关键个人扩展信息集合、管疗方案类别集合之间具有公式(8.3)所确定的函数关系；所述慢病类别分量和与该所述慢病类别分量有关的所述关键个人理化信息分量集合、与该所述慢病类别分量有关的所述关键个人扩展信息分量集合、与该所述慢病类别分量有关的管疗方案类别分量集合之间具有公式(8.4)确定的函数关系，按照公式(8.3)调节所述慢病类别，按照公式(8.4)调节所述慢病类别分量：

CDT＝f_8.3(KPDBset，KPDEset，MTTset) (8.3)

CDT_α＝f_8.4(KPDBsetα，KPDEsetα，MTTsetα) (8.4)

具体包括：

S8021步骤，计算关键理化权重集合：

在全部所述个人理化信息分量中找出所有对所述慢病类别的影响权重最大的所述个人理化信息分量组成集合元素，建立所述个人理化信息权重集合，以所述可调个人理化信息分量组成集合元素，建立可调个人理化信息集合，按照公式(8.5)计算所述关键理化权重集合，如果结果为非空集合，则记其元素为所述关键个人理化信息；

KPDBset＝PDBBset∩APDBset (8.5)

S8022步骤，计算关键扩展权重集合：

在全部所述个人扩展信息分量中找出所有对所述慢病类别的影响权重最大的所述个人扩展信息分量组成集合元素，建立扩展权重集合，按照公式(8.6)计算所述关键扩展权重集合，如果结果为非空集合，则记其元素为所述关键个人扩展信息：

KPDEset＝PDBEset∩APDEset (8.6)

S8023步骤，集合关系按照公式(8.7)和公式(8.8)所示：

在所述S8020步骤、所述S8021步骤、所述S8022步骤、所述S8023步骤中：

f_8.3是慢病类别调节函数二，f_8.4是慢病类别分量调节函数二，α是所述慢病类别分量的编号，CDT是所述慢病类别，CDT_α是编号为α的所述慢病类别分量；

KPDBset为所述关键个人理化信息集合，PDBBset为所述个人理化信息权重集合，APDBset为所述可调个人理化信息集合，MTTset为所述管疗方案类别集合；

KPDEset为所述关键个人扩展信息集合，PDBEset为所述个人扩展信息权重集合，APDEset为所述可调个人扩展信息集合；

KPDBsetα是与CDT_α有关的所述关键个人理化信息集合，它是所述KPDBset的子集，KPDEsetα是与CDT_α有关的所述关键个人扩展信息集合，它是所述KPDEset的子集，MTTsetα与所述慢病类别分量有关的管疗方案类别分量集合；和/或，

S8030步骤，监测时间函数：

依据所述数学模型，按照公式(8.9)，建立所述慢病类别时间函数；

依据所述慢病类别时间函数，按照公式(8.10)建立所述慢病类别分量时间函数；

按照公式(8.11)建立慢病类别时间反函数，计算时间序列值；

按照公式(8.12)建立慢病类别分量时间反函数，计算时间序列值：

CDT_t＝f_8.9(KPDB，KPDE，MTT，t) (8.9)

CDT_αt＝f_8.10(KPDB_α，KPDE_α，MTT_α，t) (8.10)

t＝f_8.11(CDT_t，KPDB，KPDE，MTT) (8.11)

t＝f_8.12(CDT_αt，KPDB_α，KPDE_α，MTT_α) (8.12)

其中，CDT_t为所述慢病类别的时间值，CDT_αt为编号为α的所述慢病类别分量的时间值，t为所述连续时间序列，KPDB为所述关键个人理化信息，KPDE为所述关键个人扩展信息，其中，KPDB_α和KPDE_α是与所述CDT_α有关联的一个以上所述可调个人理化信息分量和一个以上所述可调个人扩展信息分量，MTT为所述管疗方案类别，MTT_α为所述管疗方案类别分量；f_8.9为所述慢病类别时间函数，f_8.10为所述慢病类别分量时间函数，f_8.11为所述慢病类别时间反函数，f_8.12为所述慢病类别分量时间反函数；和/或，

S8040步骤，监测慢病类别特定时刻值和慢病类别分量特定时刻值：

按照公式(8.13)计算在特定时刻，所述慢病类别特定时刻值，按照公式(8.14)计算在特定时刻，所述慢病类别分量特定时刻值：

CDT_T＝f_8.13(KPDB，KPDE，MTT，t＝T) (8.13)

CDT_αT＝f_8.14(KPDB_α，KPDE_α，MTT_α，t＝T) (8.14)

其中，CDT_T是所述慢病类别特定时刻值，CDT_αT是所述慢病类别分量特定时刻值，T为所述特定时刻，α为所述慢病类别分量的编号；

S8050步骤，通过调节个人信息实现降本：

所述依据大数据，采用人工智能算法，计算个性化特征，优化所述管疗方法，实现降本；其中所述实现降本，是通过调节所述个人理化信息和调节所述个人扩展信息的方法，在所述管理方案类别和所述管理方案类别分量中，在确保所述慢病信息不变或者朝向改善的变化时，在所述管理方案类别分量中，寻找及执行所述个人的药物使用和外科治疗的分量减少的具体方法。

9.根据权利要求2所述的方法，其特征在于，包括S9000监测所述个人信息步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

所述个人理化信息类：

S9010步骤，将所述传感器划分为有创传感器和无创传感器；

S9020步骤，所述有创传感器包括置入个人皮肤内的设备和/或体外的医疗检测设备，监测所述个人理化信息，包括个人血液、组织液、组织的监测信息，包括刺穿个人皮肤获取一次以上所述个人理化信息，和，留置于个人皮肤下、留置于个人血管内、留置于个人组织内以持续获取所述个人理化信息分量，并记为所述个人理化信息分量和监测时间到所述健康信息库；和/或，

S9030步骤，采用酶电极构成所述有创传感器，置入个人皮下组织，通过酶与所述个人的组织液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化信息；和/或，

S9040步骤，采用酶电极构成所述有创传感器，置入个人血管中，通过酶与个人血液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化信息；和/或，

S9050步骤，采用光纤构成所述有创传感器，光纤传感器至少包括A端和B端，其中A端置入个人内部，包括血管和/或皮下组织，B端留在个人外部，由发光器件产生特定波长光线，通过所述B端传到所述A端，由设置在所述A端并离开所述A端有一个缝隙的光线反射装置，将所述光线返回到所述B端，由感光器件感光，此时，由于所述特定波长光线在所述缝隙中经过血液和/或组织液，产生特定吸收变化，据此构成所述光纤有创传感器的传感方法，所述缝隙的宽度介于0.01毫米到100毫米之间；和/或，

S9060步骤，采用基于人体神经网络的生物神经网络的有创传感器置入到个人的包括大脑、脊椎、皮下组织在内的神经网络，监测传感个人的神经网络信号；和/或，

S9070步骤，采用将所述酶电极传感器、所述光纤传感器和神经网络传感器融合于一体的融合传感器，监测所述个人理化信息；和/或，

S9080步骤，采用紧贴在皮肤上的通过电物理效应对于皮下组织产生反应的无创传感器，获取皮下生化信号，所述电物理效应包括电场、磁场、机械震动、物理挤压、微波、离子、化学的渗透；和/或，

S9090步骤，所述无创传感器为不刺入个人皮肤的设备和/或体外的医疗检测设备，监测所述个人理化信息，其种类包括血糖值、血氧值、血液成分、尿液成分、汗液成分、体液成分、唾液成分、血型、皮肤成分、肤色、皮肤斑块、皮肤表面分析、体温、身高、体重、性别、血型、心率、心电图值、脑电波、光电容积图值、监测位置、个人运动信息、食物种类、食物数量、季节、天气、监测时间、睡眠时间、心理特征、心情的单一种类及其它们的任意组合，并记为所述个人理化信息分量和监测时间到所述健康信息库；

S9100步骤，包括可监测的药物反应效果、可监测的医疗效果的设备；

S9110步骤，包括所述个人的基因信息、蛋白质信息、器官及其结构信息；

所述个人扩展信息类：

S9210步骤，采集医务人员对于所述个人的慢病的诊断、判断、药物疗效记录，记录成为所述个人扩展信息；

S9220步骤，所述个人扩展信息包括人工监测法和/或机器监测法，所述人工监测法是由包括医务人员在内的人通过与所述个人面对面交流、面试、笔试，或非面对面监测产生所述个人扩展信息的方法，所述机器监测法包括由机器自主的或人工智能监测系统实施对于所述个人扩展信息的监测的方法；和/或，

59230步骤，所述个人扩展信息的内容包括：监测表述能力，语言、文字、音乐、肢体、动作，监测感知注意能力、眼睛耳朵鼻子舌头身体意识的感知观察注意力，监测记忆能力，监测想象能力，监测分析判断能力，监测思维逻辑能力，监测应变能力，监测数字能力，监测空间能力，监测归纳能力，监测动作反应与空间能力，监测内省能力，监测人际能力，监测自然探索能力，监测生存智慧能力，监测强化能力，监测泛化能力，监测分化能力，监测消退能力，监测抗条件作用能力；包括所述个人参加的健康考核成绩、别人的主观评价、客观评价、所述个人自己的主观评价、客观评价作为所述个人扩展信息和所述个人扩展信息分量予以监测，并记录发生的时间序列，记入所述健康信息库。

10.根据权利要求1-9所述的任一方法，其特征在于包括SA000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

SA010步骤，采用云大数据模式建立云中心，以存储、管理和支撑所述健康信息库和支持本发明的各个步骤，存储位置包括本地和异地，所述健康信息库存储包括所述个人的和所述群体的全部信息；和/或，

SA020步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述健康信息库和前述的各个步骤，所述用户采用匿名记录，所述健康信息库中的信息采用带有时间戳的链式结构，用户访问所述健康信息库采用加解密通信，信息支持防篡改，支持防抵赖、多中心、无中心模式；和/或，

SA030步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述健康信息库核心信息的前提下，依据各自所述机构的所述健康信息库内容进行约定的计算，所得的计算结果由参与的所述机构共享；所述机构包括一个以上所述云中心，管理一个以上所述个人；所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强信息的安全性和保护个人隐私；和/或，

SA040步骤，采用集中学习模式建立和训练对于不强调个人隐私保护时的模型训练，所述健康信息库存储于一个云中心；和/或，

SA050步骤，采用联邦学习模式建立和训练对于需要强调个人隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的信息。

11.根据权利要求10所述的方法，其特征在于所述SG000步骤，具体可分解为包括以下的单项步骤或者多项步骤的组合：

SG010步骤，获取所述群体信息：

执行所述S1000步骤至所述S8000步骤的一步骤或者多步骤的组合步骤，获取产生的所述群体中全部所述个人的全部所述个人信息和所述慢病信息存入到所述健康信息库；

SG020步骤，计算群体时差：

依据所述群体的健康考核时间，对所述群体中的每一个所述个人，统一设定所述预定健康考核时间，计算每一个所述个人所需要的所述延时时间差值；

SG030步骤，群体同步：

针对所述群体中每一个所述个人的所述延时时间差值，采用所述延时复现法进行调整，使得所述群体中的每一所述个人都在所述预定健康考核时间达到所述慢病类别和/或所述慢病类别分量为优化值或者指定值；

SG040步骤，群体优化健康考核：

驱动所述群体达到所述群体同步，对群体中的每个所述个人执行所述优化健康考核，使得所述群体的整体健康考核结果优化，并将健康考核结果记录到所述健康信息库；和/或，

SG050步骤，群体均衡健康考核：

依据所述群体中每一个所述个人的慢病类别在时间轴上的概率分布和整个所述群体的概率分布，计算所述群体的均衡慢病类别，再计算所述群体中每一个所述个人的所述延时时间差值，通过对于所述群体中所述个人执行所述延时复现法和定时复现法，以便确保所述群体能够在任何时间参加健康考核，而不至于使得所述群体在慢病类别最坏的情况下参加健康考核；和/或，

SG060步骤，预测比较及优化：

依据所述预测数学模型，计算所述群体中全部所述个人在所述群体优化健康考核的时刻t_φ的所述慢病类别，监测此时的所述群体中全部所述个人的所述慢病类别，比较这两个慢病类别，寻找差距原因，优化所述预测数学模型，并记录到所述健康信息库。

Images