CN113555107A - 一种人体代谢状态量化管理分析系统及方法 - Google Patents
一种人体代谢状态量化管理分析系统及方法 Download PDFInfo
- Publication number
- CN113555107A CN113555107A CN202110535040.6A CN202110535040A CN113555107A CN 113555107 A CN113555107 A CN 113555107A CN 202110535040 A CN202110535040 A CN 202110535040A CN 113555107 A CN113555107 A CN 113555107A
- Authority
- CN
- China
- Prior art keywords
- data
- metabolic
- human body
- standardized
- model
- 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
- 230000002503 metabolic effect Effects 0.000 title claims abstract description 190
- 238000004458 analytical method Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000012512 characterization method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000003908 quality control method Methods 0.000 claims abstract description 13
- 239000000126 substance Substances 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 32
- 230000006399 behavior Effects 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 238000011985 exploratory data analysis Methods 0.000 claims description 15
- 230000008676 import Effects 0.000 claims description 11
- 230000033764 rhythmic process Effects 0.000 claims description 11
- 239000003814 drug Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000000638 stimulation Effects 0.000 claims description 6
- 230000027288 circadian rhythm Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 229940079593 drug Drugs 0.000 claims description 4
- 238000002705 metabolomic analysis Methods 0.000 claims description 4
- 230000001431 metabolomic effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000001356 surgical procedure Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 230000004060 metabolic process Effects 0.000 description 33
- 238000012544 monitoring process Methods 0.000 description 24
- 238000007726 management method Methods 0.000 description 19
- 239000002775 capsule Substances 0.000 description 16
- 210000004369 blood Anatomy 0.000 description 15
- 239000008280 blood Substances 0.000 description 15
- 201000010099 disease Diseases 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 14
- 230000003068 static effect Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 12
- 230000036772 blood pressure Effects 0.000 description 11
- 230000037149 energy metabolism Effects 0.000 description 11
- 238000013499 data model Methods 0.000 description 10
- 238000005265 energy consumption Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 235000005911 diet Nutrition 0.000 description 7
- 230000037323 metabolic rate Effects 0.000 description 7
- 230000037213 diet Effects 0.000 description 6
- 230000008451 emotion Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 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 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000008103 glucose Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000284 resting effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 230000007958 sleep Effects 0.000 description 4
- 210000002700 urine Anatomy 0.000 description 4
- 230000004580 weight loss Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 235000012631 food intake Nutrition 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 238000009987 spinning Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000036757 core body temperature Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000001596 intra-abdominal fat Anatomy 0.000 description 2
- 208000030159 metabolic disease Diseases 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 230000036284 oxygen consumption Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 206010005746 Blood pressure fluctuation Diseases 0.000 description 1
- 208000001145 Metabolic Syndrome Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000000476 body water Anatomy 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003050 macronutrient Effects 0.000 description 1
- 235000021073 macronutrients Nutrition 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008558 metabolic pathway by substance Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G16H50/20—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种人体代谢状态量化管理分析系统及方法,系统包括:数据采集模块,用于对人体医学信息进行自动化采集,得到数据源,其中,所述数据源包括表征层数据和多组学数据;数据整合模块,用于对所述数据采集模块采集到的数据源进行质控、清洗、并进行数据结构化处理,得到包含代谢表型及多组学数据的标准化代谢数据集;数据分析模块,用于对所述标准化代谢数据集进行分析处理,得到标准化后的表征层数据及多组学数据的关联关系,并对所述关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。本发明可以更加高效、科学、多数据源、系统化的采集以及处理分析数据。
Description
技术领域
本发明涉及医疗系统技术领域,特别是涉及一种人体代谢状态量化管理分析系统及方法。
背景技术
人体生命活动依赖于体内物质代谢的进行。代谢失衡引起众多疾病,包括肥胖、糖尿病、代谢综合征等疾病。长期以来,由于缺乏对于人体代谢状态的量化方法与精准描述,上述疾病的诊疗高度依赖于医生的个人经验及能力,无法针对个体做出基于代谢状态的精准化医疗。因此构建标准化高维人体代谢数据集,通过数据模型对人体代谢状态进行特征描述,并量化代谢特征与诊疗结局之间的量效关系,建立“代谢数字人”,是推动代谢性疾病精准化医疗的实际需求。
人体代谢状态的调节涉及基因、代谢物、肠道微生物、生活习惯、个体行为、昼夜节律等众多因素,为完整记录人体代谢的真实情况,需要稳定的采集环境、多种生物学传感器的同步采集与数据清理、以及针对每位患者所构建的包含多种数据结构的数据集,如基础医疗数据、时间序列数据、多组学数据等,对数据质量控制、管理及分析具有较高要求,是高度系统化的工作。目前市面上尚无相关产品及系统性解决方案。
发明内容
本发明提供一种人体代谢状态量化管理分析系统及方法,解决了人体代谢实验复杂的管理模式,复杂的数据业务场景,多源异构数据的存储,结构化与标准化等问题。
本发明解决其技术问题所采用的技术方案是:提供一种人体代谢状态量化管理分析系统,包括:
数据采集模块,用于对人体医学信息进行自动化采集,得到数据源,其中,所述数据源包括表征层数据和多组学数据;
数据整合模块,用于对所述数据采集模块采集到的数据源进行质控、清洗、并进行数据结构化处理,得到包含代谢表型及多组学数据的标准化代谢数据集;
数据分析模块,用于对所述标准化代谢数据集进行分析处理,得到标准化后的表征层数据及多组学数据的关联关系,并对所述关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。
所述数据采集模块包括数据导入单元,所述数据导入单元用于将导入数据,所述数据包括数据采集设备采集的数据、本地数据库中的数据、API获取的数据、医院信息系统中的数据及手动输入的数据。
所述表征层数据包括个体医学特征、代谢节律信息和个体行为及外界刺激信息;所述多组学数据包括基因组学、转录组学、蛋白组学、代谢组学以及宏基因组学。
所述数据分析模块包括:数据降维及聚类单元,用于对所述标准化代谢数据集进行降维和聚类;代谢特征提取单元,用于从聚类后的数据集中提取个体代谢特征;关联性分析单元,用于建立所述个体代谢特征与时间、环境、个体行为、昼夜节律、药物反应的因素之间的量化关联关系;模型训练单元,用于对所述量化关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。
所述算法模型为树型算法模型或机器学习算法模型。
所述的人体代谢状态量化管理分析系统还包括模型预测模块,所述模型预测模块将受试者的代谢数据作为所述人体代谢模型的输入,通过所述人体代谢模型进行数据预测,所述数据预测包括代谢数据预测、体征数据预测、手术效果预测和体重数据预测。
所述的人体代谢状态量化管理分析系统还包括结果生成模块,所述结果生成模块用于整合所述标准化代谢数据集、人体代谢模型以及数据预测,生成相应的检测报告或探索性分析报告。
本发明解决其技术问题所采用的技术方案是:还提供一种人体代谢状态量化管理分析方法,包括:
(1)对人体医学信息进行自动化采集,得到数据源,其中,所述数据源包括表征层数据和多组学数据;
(2)对所述数据采集模块采集到的数据源进行质控、清洗、并进行数据结构化处理,得到包含代谢表型及多组学数据的标准化代谢数据集;
(3)对所述标准化代谢数据集进行分析处理,得到标准化后的表征层数据及多组学数据的关联关系,并对所述关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。
所述步骤(3)具体为:对所述标准化代谢数据集进行降维处理,并将降维处理后的数据集进行聚类;从聚类后的数据集中提取个体代谢特征;建立所述个体代谢特征与时间、环境、个体行为、昼夜节律、药物反应的因素之间的量化关联关系;对所述量化关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。
所述步骤(3)后还包括:将受试者的代谢数据作为所述人体代谢模型的输入,通过所述人体代谢模型进行数据预测,所述数据预测包括代谢数据预测、体征数据预测、手术效果预测和体重数据预测;整合所述标准化代谢数据集、人体代谢模型以及数据预测,生成相应的检测报告或探索性分析报告。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明包括将人体代谢舱、生理监测设备、行为表情识别、基础医学特征等数据源进行自动化采集与整合,并对采集的数据进行质控、清洗、并将数据结构化得到标准化数据,对标准化数据建模分析处理,得到标准化后的表征层数据以及多组学数据的关联关系;对关联关系以及处理后的标准化数据进行算法训练,搭建人体代谢模型,所述的人体代谢模型的内容为描述人体代谢状态的数据包。本发明可以更加高效、科学、多数据源、系统化的采集以及处理分析人体代谢及其他医学数据。
附图说明
图1是本发明应用于代谢舱的数据管理分析流程图;
图2是代谢舱常规检测的流程图;
图3是受试者在代谢舱内活动状态下地相关性热图;
图4是受试者在代谢舱内静息状态下地相关性热图;
图5是体重预测数据模型图;
图6是体重预测数据曲线图;
图7是代谢分析报告的示意图;
图8是能量平衡分析报告的示意图;
图9是分率分析报告的示意图;
图10是血压分析报告的示意图;
图11是体温分析报告的示意图;
图12是血糖分析报告1的示意图;
图13是血糖分析报告2的示意图;
图14是运动分析报告1的示意图;
图15是运动分析报告2的示意图;
图16是饮食分析报告1的示意图;
图17是饮食分析报告2的示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
能量代谢是细胞及机体能量与物质转换的重要生命过程,其稳态平衡是机体应对内外时空环境变化的重要保障。能量代谢失衡导致的各类代谢性疾病严重威胁人类健康。能量代谢研究需要从分子水平向表观互作、从静态到动态、从单维度到多维度监测等方面的纵深发展。
代谢舱使用间接测热法即测定氧气消耗及二氧化碳生成量,并结合尿氮排泄量,通过weir公式计算实时的能量消耗并可推算三大宏观营养素消耗占比,是人体能量测定的金标准。而人体数字化能量代谢监测平台以代谢舱为基础,整合多项智能环境控制系统,涵盖氧气、光照、温度、湿度、声音、视频等;集成各类先进人体医疗监测设备,可以实时监测舱内受试者的能量消耗、呼吸商、血糖、血压、心率、呼吸率、心电、脑电、肌电、皮电、体温、核心体温等多项生理参数;结合人工智能技术可实时判别并收集舱内受试者的行为姿势,动作,以及各种微表情等参数。
而人体代谢状态量化管理分析系统则是整合代谢舱常规检测以及课题实验的各个参数以及产生的各种数据的核心工厂,采用多种数据导入机制,灵活可分的设计架构。
该系统主要解决的是人体代谢实验复杂的管理模式,复杂的数据业务场景,多源异构数据的存储,结构化与标准化等问题。最终可分级打包标准化数据集,形成简单可用的高质量数据集并训练生成人体代谢模型,可用于科研数据分析,常规检测报告等多种用途,是一次多维度医疗数据采集存储到应用的积极探索。
本发明实施方式的人体代谢状态量化管理分析系统可用于生成人体代谢模型,其包括:
数据采集模块,用于对人体医学信息进行自动化采集,得到数据源,其中,所述数据源包括表征层数据和多组学数据。其中人体医学信息是与采集课题相关的数据采集设备所对应的数据种类;
数据处理模块,对所述数据采集模块采集到的数据源进行质控、清洗、并进行数据结构化处理,得到包含代谢表型及多组学数据的标准化代谢数据集;
数据分析模块,对所述标准化代谢数据集进行分析处理,得到标准化后的表征层数据及多组学数据的关联关系,并对所述关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。所述人体代谢模型的内容为描述人体代谢状态的数据包。
在优选的实施例中,所述数据采集模块还包括:
数据导入单元,其用于导入数据,所述数据包括数据采集设备采集的数据、本地数据库中的数据、API获取的数据、医院信息系统中的数据及手动输入的数据。
所述的数据导入模块可导入单独受试者的医疗数据,也可批量导入不同受试者的医疗数据,当导入模式为批量导入时,所述人体代谢状态量化管理分析系统将自动切换到生成人体代谢模型模式,对批量数据进行处理分析,以生成人体代谢数据模型;当导入内容为单独受试者时,所述人体代谢状态量化管理分析系统将自动切换到受试者代谢预测模式,根据所生成的人体代谢模型,依据课题选择为受试者进行代谢数据预测。
在优选的实施例中,所述的人体代谢状态量化管理分析系统还可利用人体代谢模型预测受试者未来的代谢状况并生成结果报告,其包括:
模型预测模块,将受试者的代谢数据作为所述人体代谢模型的输入,通过所述人体代谢模型进行数据预测,所述的数据预测包括代谢数据预测、体征数据预测、手术效果预测、体重数据预测。
结果生成模块,整合所述标准化代谢数据集、人体代谢模型以及数据预测,生成相应的检测报告或探索性分析报告。
本实施方式的代谢舱的数据管理分析系统可以通过将代谢数据导入到系统中,对数据进行处理分析后,训练生成人体代谢模型,所述的人体代谢模型可以用于预测根据受试者的代谢数据,进行相应的课题预测。
图1所示为应用于代谢舱的数据管理分析流程图,包括
(1)数据采集模块,对所述的人体代谢舱、生理监测设备、行为表情识别、基础医学特征等数据源进行自动化采集与整合。
所述的数据采集设备包括代谢监测设备、环境监测设备以及生理监测设备,所述的生理监测设备包括血气分析仪、光电生理监测仪、动态血糖仪、动感单车、智能跑步机、智能手环、睡眠监测设备以及脑电分析仪;所述的数据种类包括表征层数据以及多组学数据;所述的表征层数据包括个体医学特征、代谢节律信息、个体行为及外界刺激信息。
所述的个体医学特征包括个人医学信息以及静态结构化数据;所述的个人医学信息包括临床检验检查诊断结果、疾病状态、年龄,性别,BMI;所述的静态结构化数据包括生活习惯量表;所述的代谢节律信息包括所述的代谢监测设备采集的实时代谢数据以及生理监测设备采集实时生理数据;在该人体代谢状态量化管理分析系统中,所述的个体行为包括姿势变化、情绪变化,所述的外界刺激信息包括环境变化、药物干预、生活方式干预;所述的个体行为通过视频识别算法自动检测;所述的多组学数据包括基因组学、转录组学、蛋白组学、代谢组学以及宏基因组学,涉及的样本包括血液、组织、尿液,粪便等。
在优选的实施例中数据采集模块,采集人体代谢实验产生的代谢数据,环境数据,体成分数据,各种生理监测数据及其它静态医学特征。为了避免数据丢失可以选择从本地导入,手动录入,API接口多种方式同步数据。行为、姿势以及微表情通过实时视频结合AI算法自动识别。人体代谢节律信息通过人体代谢舱检测获得。个体静态医学特征通过医院HIS等数据接口,获取其检查、检验、诊断等数据。实时环境信息通过人体代谢舱安装的声音,光照,温湿度等传感器获取数据。动态生理监测数据通过动态血压,动态心率,动态血糖等生理监测设备获取数据。多组学数据通过预留实验样本,包括血液,尿液,粪便等,进行测序等操作,从第三方获取数据并导入整合。
(2)数据处理模块,对所采集的数据进行质控、数据清洗、并将数据结构化得到标准数据集。
所述的数据质控,包括对采集到的数据从缺失值,异常值,乱码等方面结合时间轴,进行可视化分析,确定问题数据的来源,产生问题数据的设备,出现问题数据的环节,并处理该问题数据,以产出高质量数据。
对于问题数据的处理方式为格式转换、单位转换、数据补充以及删除等。
经过数据处理后产生的数据,整合不同流程的数据,包括课题设计参数、实验信息、代谢节律信息、动态生理数据、静态医学特征、行为情绪标签等数据,根据不同的科研或算法要求,设计统一的数据框架,进行数据标准化操作,可以导出直接可用的数据包。
(3)数据分析模块,对所述的标准数据集数据建模分析处理后,得到标准化后的表征层数据及多组学数据的关联关系,对该关联关系以及所述处理后的标准化数据进行算法训练,搭建人体代谢模型。
所述的数据建模分析处理包括数据降维及聚类、代谢特征提取以及关联性分析,通过所述的数据建模分析处理得到标准化后的表征层数据以及多组学数据的关联关系。
所述的数据降维使用包括LDA、PCA、TSNE降维算法;所述的算法包括树型算法,所述的树型算法包括决策树、随机森林、Adaboost、XGBoost;所述的算法还包括机器学习算法,所述的机器学习算法包括回归分析、SVM、高斯核模型、ANN、CNN、LSTM、Resnet等。
(4)结果生成模块,整合所述的标准化数据及人体代谢模型,生成相应的检测报告或探索性分析报告。
所述的检索报告以及探索性分析报告显示为多维度数据,所述的多维度数据包括所述的标准化后的表征层数据以及其具有关联关系的多组学数据。
所述的检索报告以及探索性分析报告显示高密度的数据整合,所述的高密度数据整合为高频率的数据记录及分析。
所述的探索性分析报告包括个人生活方式干预报告、营养食谱设计报告、体重预测报告以及手术效果预测报告。
如图2所示的实施例为代谢舱常规检测的流程图,包括
(1)预约登记模块,可以登记预约常规检测的受试者以及课题实验的受试者,用于人体能量代谢实验的日程预约及工作管理。可以采用多种日期格式,按月,按周,按日排序,也可根据人体代谢舱进行筛选排序,可以收集病人的来源,设备号及其它基本信息。
(2)课题设计模块,用于开始人体能量代谢前的课题实验参数的动态设计,其中涉及运动的时间、频率、运动的方式、运动的强度等参数,进食的总摄入量、时间、频率等饮食参数,睡觉的时间,以及课题其他相关参数。实验参数的动态设计模型包括个体模型及群体模型,个体模型适用于常规监测受试者,群体模型适用于课题实验受试者;运动的方式主要有骑车,行走,跑步,涉及的设备有动感单车及智能跑步机;运动的强度通过最大氧耗,最大心率的预实验结合课题要求等进行衡量设定;进食的总摄入量通过基础代谢率,摄食比例,运动强度等参数进行动态计算设定;睡觉的时间设置与课题参数以及基础代谢率的测定有关。此外,还可以根据疾病类型,疾病阶段,检查检验结果等选择对应的数据模型作为报告模板;
(3)数据采集模块,根据课题设计选择相应的数据源并设定不同的采集频率分别进行采集,所述的数据源包括外界动态数据以及受试者人体数据,所述的外界动态数据包括代谢舱产生的动态数据以及环境检测设备的实时动态数据,所述的受试者人体数据包括医疗监护设备产生的动态数据、人体体征数据、运动参数、人体的运动姿势动作以及微表情参数,所述的人体的运动姿势动作以及微表情参数通过人工智能检测。
(4)数据质控模块,对采集到的数据从缺失值,异常值,乱码等方面结合时间轴,进行可视化分析,确定问题数据的来源,产生问题数据的设备,出现问题数据的环节,产出高质量数据。
(5)数据处理模块,进行缺失值、异常值、乱码等问题数据的处理,不同数据的格式转换,数据降维及结构化处理。
(6)标准化数据导出模块,对经过数据处理产生的高质量数据,整合不同流程的数据,包括课题设计参数、实验信息、代谢节律信息、动态生理数据、静态医学特征、行为情绪标签等数据,根据不同的科研或算法要求,设计统一的数据框架,进行数据标准化操作,导出直接可用的数据包。
此外,其他优选的实施例中还可以包括:
历史数据查询模块,可以查询管理已有实验数据,查看数据的基本统计信息,动态数据的可视化,以及查看数据质量报告等。
结果导出模块,整合所述的标准化数据,根据所述的报告模板生成相应的检测结果,所述的结果导出模块中标准化数据的整合方式为根据不同的使用场景打包所述的标准化数据得到标准化数据集(元数据),所述的检测结果包括至少一个标准化数据集及其分析。还可导出包括食谱生成报告,结合用户问卷与所述的检测结果,制定个性化营养食谱;以及减重预测报告,手术效果预测报告等。
HIS(医院信息系统)服务对接模块,通过HIS可直接获取所述的检测结果。
在优选的实施例中,所述的数据采集模块中得到的数据源的来源包括:
(1)代谢舱本身产生的动态数据,包括氧气,二氧化碳,能量消耗,呼吸熵等代谢参数;
(2)课题设计以及实验设计的人为设定参数及量表,包括摄入量表,运动量表,最大心率等实验参数;
(3)各环境监测设备的实时动态数据,包括光照、温度、湿度、声音等;
(4)医疗监护设备产生的动态数据,包括血糖、血压、心率、呼吸率、心电、脑电、肌电、皮电、体温、核心体温等多项生理参数;
(5)其他检查数据,包括体重,身高,体脂肪,肌肉,骨密度,腰臀比,内脏脂肪等;
(6)单车跑步机等产生的运动参数;
(7)结合人工智能可实施检测人体的运动姿势动作,以及各种微表情参数。
(8)患者在院内做的检查,检验,诊断等医疗数据。
在优选的实施例中,经过结构化的标准数据集可以直接使用。数据经过结构化后,通过不同的使用场景对数据进行打包,生成高质量,可直接使用的标准数据集。例如:经过一次代谢舱检测后的报告生成,生成本次检测的标准数据集,可用于报告分析。
在优选的实施例中,所述结果生成模块所生成的检测报告或探索性分析报告显示为多维度以及高密度的数据集,所述的多维度为数据包括表征层数据以及其对应的多组学数据,具体为表征层数据与其对应的基因层数据以及蛋白层数据。所述的高密度数据为高频率的整合表征层数据,例如1分钟内多次整合血压数据,该数据可用于将来不同状态(睡眠、运动、饮食等)下血压变化的预测。
在优选的数据分析模块的实施例中,使用所述地标准数据集,查看数据质量分布,手动或自动筛选所用数据,进行体重预测探索模式,可选择的有年龄、性别、身高、体重、疾病等基础医学特征,VO2、VCO2、呼吸熵、能量消耗等能量代谢数据,心率,血压,血糖等动态生理数据,行为,情绪等动态标签数据。
筛选出人体能量代谢与体重变化地相关参数,如:年龄,性别,身高,体重,腰臀比,脂肪含量,肌肉量,身体水分,内脏脂肪含量等基本参数。然后对动态生理数据进行模式提取,寻找代谢节律信息。代谢信息及生理数据地相关分析如图,图3为活动状态下地相关性热图实施例,图4为静息状态下地相关性热图实施例。
通过上述代谢信息及生理数据地相关分析可以对人体每天地活动及静息状态的时间及能量与生理状态定性描述,通过规定每天的运动,悠闲,静息的时长,结合代谢舱全天的代谢数据,对出舱后代谢情况作出一个科学地推理假设,并设置相应参数。
通过选择近似地年龄性别身高体重等身体数据,根据不同疾病划分,使用TSNE,PCA等降维算法,得出如图5所示的不同类型受试者的体重数据模型,如图5所示不同疾病地受试者的代谢特征不一样,可以向体重预测算法中,引入疾病相关参数。该模型可根据数据采集模块所采集的数据进行预测受试者的未来体重变化。
如图6所示,结合上述参数建立数据模型,构建合理地算法进行体重预测验证,可对受试者进行短期及长期体重预测,给予肥胖患者饮食运动方式指导。
该发明的代谢数据管理分析方法包括一种使用算法训练生成人体代谢模型的方法,其步骤包括:
S1,对数据进行质控、清洗、并将数据结构化得到标准化数据,所述的数据包括表征层数据以及多组学数据;
S2,对所述的标准化数据建模分析处理,并得到标准化后的表征层数据以及多组学数据的关联关系;
S3,对所述的关联关系以及所述处理后的标准化数据进行算法训练,搭建人体代谢模型,所述的人体代谢模型的内容为描述人体代谢状态的数据包。
在优选的实时例中,还包括步骤:
S01,数据采集,包括与采集课题相关的数据采集设备所对应的数据种类对数据进行自动化采集,所述的数据种类包括表征层数据以及多组学数据。
S02,将数据导入所述的人体代谢状态量化管理分析系统,所述的数据包括数据采集设备采集的数据、本地数据库中的数据、API获取的数据、医院信息系统中的数据及手动输入的数据。
在优选的实施例中,所述的人体代谢状态量化管理分析系统还可利用人体代谢模型预测受试者未来的代谢状况并生成结果报告,其步骤包括:
S4,根据受试者的代谢数据通过所述的人体代谢模型进行数据预测,所述的数据预测包括代谢数据预测、体征数据预测、手术效果预测、体重数据预测。
S5,整合所述的标准化数据、人体代谢模型以及数据预测,生成相应的检测报告或探索性分析报告。
在优选的实施例中,该发明包括一种代谢数据管理分析方法,该方法包括步骤:
S(1),使用与采集课题相关的数据采集设备对所对应的数据种类对数据进行自动化采集,所述的数据种类包括表征层数据以及多组学数据。
所述的数据采集设备包括代谢监测设备、环境监测设备以及生理监测设备,所述的生理监测设备包括血气分析仪、光电生理监测仪、动态血糖仪、动感单车、智能跑步机、智能手环、睡眠监测设备以及脑电分析仪;
所述的数据种类包括表征层数据以及多组学数据,所述的表征层数据包括个体医学特征、代谢节律信息、个体行为及外界刺激信息。
所述的个体医学特征包括个人医学信息以及静态结构化数据;所述的个人医学信息包括临床检验检查诊断结果、疾病状态、年龄,性别,BMI;所述的静态结构化数据包括生活习惯量表。
所述的代谢节律信息包括人体代谢舱检测的实时代谢数据,生理监测设备产生的动态血压,动态心率,动态血糖及电生理信号。
所述的个体行为及外界刺激信息,所述的个体行为包括姿势变化、情绪变化,所述的外界刺激信息包括环境变化、药物干预、生活方式干预;所述的个体行为通过视频识别算法自动检测。
所述的多组学数据包括基因组学、转录组学、蛋白组学、代谢组学以及宏基因组学。涉及的样本包括血液、组织、尿液,粪便等;
S(2),对所采集的数据进行质控、数据清洗、并将数据结构化得到标准数据集。
所述的数据质控,包括对采集到的数据从缺失值,异常值,乱码等方面结合时间轴,进行可视化分析,确定问题数据的来源,产生问题数据的设备,出现问题数据的环节,并处理该问题数据,以产出高质量数据。
对于问题数据的处理方式为格式转换、单位转换、数据补充以及删除等。
经过数据处理后产生的数据,整合不同流程的数据,包括课题设计参数、实验信息、代谢节律信息、动态生理数据、静态医学特征、行为情绪标签等数据,根据不同的科研或算法要求,设计统一的数据框架,进行数据标准化操作,可以导出直接可用的数据包。
S(3),对所述的标准数据集数据建模分析处理后,,得到标准化后的表征层数据及多组学数据的关联关系,对该关联关系以及所述处理后的标准化数据进行算法训练,搭建人体代谢模型。
所述的数据建模分析处理包括数据降维及聚类、代谢特征提取以及关联性分析。
所述的数据降维使用包括LDA、PCA、TSNE降维算法;
所述的算法包括树型算法,所述的树型算法包括决策树、随机森林、Adaboost、XGBoost;
所述的算法还包括机器学习算法,所述的机器学习算法包括回归分析、SVM、高斯核模型、ANN、CNN、LSTM、Resnet;所述的回归分析包括LR、KNN。
S(4),整合所述的标准化数据,生成相应的检测报告或探索性分析报告。
所述的检索报告以及探索性分析报告显示为多维度数据,所述的多维度数据包括所述的标准化后的表征层数据以及其具有关联关系的多组学数据。所述的检索报告以及探索性分析报告显示高密度的数据整合,所述的高密度数据整合为高频率的数据记录及分析。
所述的探索性分析报告包括营养食谱设计报告,手术效果预测报告、体重预测报告等。
此外,在优选的实施例的步骤还可以包括:
S(00),预约登记,包含预约登记,查询,以及预约列表。
S(01),录入受试者信息,录入方式包括一键自动录入、可手动录入以及本地导入,还可查询修改病人基本信息。
S(02),将个体静态医学特征导入人体代谢状态量化管理分析系统,所述的个体静态医学特征包括疾病类型,疾病阶段,检查检验结果等。
S(03),根据所述的个体静态医学特征,选择对应的数据模型作为报告模板;所述的数据模型内容为参数以及量表;所述的数据模型包括人体模型以及群体模型,可以改变所述数据模型的运动参数,以及年龄,性别,身高,体重,静息心率等计算基础代谢热量,总摄入热量以及运动最大心率。
还可以选择采集整合不同数据源数据,所述的数据源包括临床检验检查诊断结果、疾病状态、年龄,性别,BMI等个人信息、生活习惯量表等静态数据;
S(31),整合所述的标准化数据,根据所述的报告模板生成相应的检测结果,所述的结果导出模块中标准化数据的整合方式为根据不同的使用场景打包所述的标准化数据得到标准化数据集(元数据),所述的检测结果包括至少一个标准化数据集及其分析。
S(32),历史查询,包括查询,修改,删除等操作。还可以筛选生成可导的标准数据集。
S(41),所述的检测结果可应用于生成食谱、对接HIS以及AI实验室。所述的生成食谱为结合用户问卷与所述的检测结果,制定个性化营养食谱;所述的对接HIS为通过HIS可直接获取所述的检测结果;所述的应用于AI实验室为运用所述的标准化数据进行数据探索应用,包括减重预测,手术效果预测。
在优选的实施例中,如图7~图17所示为受试者在代谢舱内经过常规检测后根据处理后的标准数据集导出的个性化报告,如图7所示,图中包括受试者基本信息以及代谢分析,其中代谢率分析表中包括运动,基础代谢以及睡眠时的代谢记录及分析;图8为能量平衡分析,包括体成分变化以及运动和能量摄入平衡矩阵;图9为心率分析,包括全天心率分析以及心率和行为分析;图10为血压分析,包括全天血压预览、血压波动分析以及血压和行为分析;图11为体温分析,包括全天体温概览以及体温波动;图12及图13为血糖分析;图14及图15为运动分析,包括能量数据概览、活动能量评估、通气数据概览、生理指标波动以及运动获益;图16以及图17为饮食分析,包括能量数据概览、饮食热效应以及通气数据概览。
在优选的具体实施例中,当受试者需要进行代谢舱检测时,首先进行预约登记,其次录入受试者信息,如图7所示,包括姓名、性别、年龄、体重等基本信息,若该次检测的课题为代谢分析,在代谢舱中,代谢舱的检测设备高频率地检测受试者在做不同行为时的能量消耗,并通过采集模块采集数值,将采集后的数据结构化得到标准化数据集,最后将标准化数据集根据课题需求或手动筛选导出。所导出的代谢分析报告如图7所示,为代谢舱内22小时内的代谢分析,受试者在代谢舱内进行饮食、运动以及睡眠等行为,并记录各行为持续时间长短,消耗能量的大小以及计算各行为的能量代谢率。具体为,当受试者在进行单车运动时能量消耗最大,达到4.96Kcal/min,坐下时的能量消耗为1.34Kcal/min,躺下时的能量消耗为0.76Kcal/min。代谢舱还可自动识别受试者的行为种类,并记录行为的持续时间以及能量消耗总量,例如睡眠时间的能量消耗为320.1Kcal,时长为8.08小时,得出能量代谢率为0.66Kcal/min;基础代谢能量消耗56.4Kcal,时长1小时,得出能量代谢率为0.94Kcal/min;运动能量消耗为238.8Kcal,时长为0.8小时,得出能量代谢率为4.96Kcal/min;其他时间能量消耗1585.2Kcal,时长12.13小时,得出能量代谢率为1.2Kcal/min。图4下方为根据代谢分析作出的代谢率评估,受试者的基础代谢为0.94Kcal/min,低于平均代谢1.25Kcal/min,属于低代谢率。该检测结果还可应用于下次检测,或者减重预测,手术效果预测等其他应用中。
在另一种优选的具体实施例中,当受试者进行预约登记以及信息录入后,若该次检测的课题为心率检测,可导入在进入代谢舱前的心率数据,该心率数据通过数据结构化变为标准化数据,可直接进行下一步应用。所述课题的心率检测方式也会根据所导入的仓前心率数据进行改变,例如可以改变心率检测的时间长度,心率检测时的行为状态等,如图9所示为心率分析报告,如图所示,包括在躺下、坐下以及单车运动的心率变化图以及表格,其中包括了各个行为状态下的最大心率数值、最小心率数值以及平均心率数值。在其他具体的实施例中,该报告中的心率数值还可与舱前检测的心率数值进行比对,得出进一步的心率报告。所述的检测结果可直接应用于下次检测,或者减重预测,手术效果预测等其他应用中。
在其他具体实施例中,所导出的报告的种类及数量可取决于课题设计,所述的课题设计包括根据不同的疾病以及所述的仓前数据选择对应的数据模型作为报告模板。所导出的报告的种类及数量还可以人工筛选导出,操作者可以选择具体的报告种类并进行导出。在其他优选的实施例中,所述的各个报告还可对仓前数据以及舱内监测数据进行对比得出图表分析报告。
Claims (10)
1.一种人体代谢状态量化管理分析系统,其特征在于,包括:
数据采集模块,用于对人体医学信息进行自动化采集,得到数据源,其中,所述数据源包括表征层数据和多组学数据;
数据整合模块,用于对所述数据采集模块采集到的数据源进行质控、清洗、并进行数据结构化处理,得到包含代谢表型及多组学数据的标准化代谢数据集;
数据分析模块,用于对所述标准化代谢数据集进行分析处理,得到标准化后的表征层数据及多组学数据的关联关系,并对所述关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。
2.根据权利要求1所述的人体代谢状态量化管理分析系统,其特征在于,所述数据采集模块包括数据导入单元,所述数据导入单元用于将导入数据,所述数据包括数据采集设备采集的数据、本地数据库中的数据、API获取的数据、医院信息系统中的数据及手动输入的数据。
3.根据权利要求1所述的人体代谢状态量化管理分析系统,其特征在于,所述表征层数据包括个体医学特征、代谢节律信息和个体行为及外界刺激信息;所述多组学数据包括基因组学、转录组学、蛋白组学、代谢组学以及宏基因组学。
4.根据权利要求1所述的人体代谢状态量化管理分析系统,其特征在于,所述数据分析模块包括:数据降维及聚类单元,用于对所述标准化代谢数据集进行降维和聚类;代谢特征提取单元,用于从聚类后的数据集中提取个体代谢特征;关联性分析单元,用于建立所述个体代谢特征与时间、环境、个体行为、昼夜节律、药物反应的因素之间的量化关联关系;模型训练单元,用于对所述量化关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。
5.根据权利要求4所述的人体代谢状态量化管理分析系统,其特征在于,所述算法模型为树型算法模型或机器学习算法模型。
6.根据权利要求1所述的人体代谢状态量化管理分析系统,其特征在于,还包括模型预测模块,所述模型预测模块将受试者的代谢数据作为所述人体代谢模型的输入,通过所述人体代谢模型进行数据预测,所述数据预测包括代谢数据预测、体征数据预测、手术效果预测和体重数据预测。
7.根据权利要求5所述的人体代谢状态量化管理分析系统,其特征在于,还包括结果生成模块,所述结果生成模块用于整合所述标准化代谢数据集、人体代谢模型以及数据预测,生成相应的检测报告或探索性分析报告。
8.一种人体代谢状态量化管理分析方法,其特征在于,包括:
(1)对人体医学信息进行自动化采集,得到数据源,其中,所述数据源包括表征层数据和多组学数据;
(2)对所述数据采集模块采集到的数据源进行质控、清洗、并进行数据结构化处理,得到包含代谢表型及多组学数据的标准化代谢数据集;
(3)对所述标准化代谢数据集进行分析处理,得到标准化后的表征层数据及多组学数据的关联关系,并对所述关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。
9.根据权利要求8所述的人体代谢状态量化管理分析方法,其特征在于,所述步骤(3)具体为:对所述标准化代谢数据集进行降维处理,并将降维处理后的数据集进行聚类;从聚类后的数据集中提取个体代谢特征;建立所述个体代谢特征与时间、环境、个体行为、昼夜节律、药物反应的因素之间的量化关联关系;对所述量化关联关系以及所述标准化代谢数据集采用算法模型进行训练,构建人体代谢模型。
10.根据权利要求8所述的人体代谢状态量化管理分析方法,其特征在于,所述步骤(3)后还包括:将受试者的代谢数据作为所述人体代谢模型的输入,通过所述人体代谢模型进行数据预测,所述数据预测包括代谢数据预测、体征数据预测、手术效果预测和体重数据预测;整合所述标准化代谢数据集、人体代谢模型以及数据预测,生成相应的检测报告或探索性分析报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535040.6A CN113555107A (zh) | 2021-05-17 | 2021-05-17 | 一种人体代谢状态量化管理分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535040.6A CN113555107A (zh) | 2021-05-17 | 2021-05-17 | 一种人体代谢状态量化管理分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113555107A true CN113555107A (zh) | 2021-10-26 |
Family
ID=78101855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110535040.6A Pending CN113555107A (zh) | 2021-05-17 | 2021-05-17 | 一种人体代谢状态量化管理分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113555107A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114469594A (zh) * | 2022-03-03 | 2022-05-13 | 上海交通大学医学院附属瑞金医院 | 数字化能量代谢监测平台及其标准代谢舱 |
CN114593769A (zh) * | 2022-03-03 | 2022-06-07 | 上海交通大学医学院附属瑞金医院 | 数字化能量代谢监测平台及其环境模拟代谢舱 |
CN117883076A (zh) * | 2024-01-23 | 2024-04-16 | 北京邦尼营策科技有限公司 | 一种基于大数据的人体运动能量消耗监测系统及方法 |
CN118072828A (zh) * | 2024-04-22 | 2024-05-24 | 北京百奥利盟软件技术有限公司 | 一种多组学实验过程数据的管理方法、系统和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859853A (zh) * | 2019-02-26 | 2019-06-07 | 澹泊科技(苏州)有限公司 | 一种大数据医疗数据管理系统 |
CN110991530A (zh) * | 2019-12-02 | 2020-04-10 | 天津开心生活科技有限公司 | 缺失数据处理方法及装置、电子设备和存储介质 |
CN112786203A (zh) * | 2021-03-03 | 2021-05-11 | 天津医科大学 | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 |
-
2021
- 2021-05-17 CN CN202110535040.6A patent/CN113555107A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859853A (zh) * | 2019-02-26 | 2019-06-07 | 澹泊科技(苏州)有限公司 | 一种大数据医疗数据管理系统 |
CN110991530A (zh) * | 2019-12-02 | 2020-04-10 | 天津开心生活科技有限公司 | 缺失数据处理方法及装置、电子设备和存储介质 |
CN112786203A (zh) * | 2021-03-03 | 2021-05-11 | 天津医科大学 | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 |
Non-Patent Citations (1)
Title |
---|
朱婕,苏磊,齐运瑞: "《云计算架构设计与应用技术研究》", 31 July 2020 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114469594A (zh) * | 2022-03-03 | 2022-05-13 | 上海交通大学医学院附属瑞金医院 | 数字化能量代谢监测平台及其标准代谢舱 |
CN114593769A (zh) * | 2022-03-03 | 2022-06-07 | 上海交通大学医学院附属瑞金医院 | 数字化能量代谢监测平台及其环境模拟代谢舱 |
CN117883076A (zh) * | 2024-01-23 | 2024-04-16 | 北京邦尼营策科技有限公司 | 一种基于大数据的人体运动能量消耗监测系统及方法 |
CN118072828A (zh) * | 2024-04-22 | 2024-05-24 | 北京百奥利盟软件技术有限公司 | 一种多组学实验过程数据的管理方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113555107A (zh) | 一种人体代谢状态量化管理分析系统及方法 | |
Virone et al. | A system for automatic measurement of circadian activity deviations in telemedicine | |
KR102400740B1 (ko) | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 | |
US20160117937A1 (en) | System and method for providing biometric and context based messaging | |
CN112890816A (zh) | 一种个人用户的健康指数评分方法和装置 | |
CN109065162A (zh) | 一种综合性智能化诊断系统 | |
US20200205709A1 (en) | Mental state indicator | |
WO2019075522A1 (en) | RISK INDICATOR | |
Deutsch et al. | UTOPIA: a consultation system for visit-by-visit diabetes management | |
CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
CN110584601A (zh) | 一种老人认知功能监测和评估方法 | |
CN113317761A (zh) | 一种数据分析系统 | |
CN115148355A (zh) | 基于生理参数偏离提前发现脏腑病变的监测装置及系统 | |
CN117012392A (zh) | 高血压风险评估模型构建方法、膳食食疗及健康管理系统 | |
CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
CN115862873A (zh) | 一种睡眠节律量化及干预的方法、系统和装置 | |
CN114868203A (zh) | 信息传递装置以及信息传递方法 | |
Bellandi et al. | Engineering continuous monitoring of intrinsic capacity for elderly people | |
CN117198525A (zh) | 基于血压趋势分析预警血压疾病风险分析系统 | |
US20060078883A1 (en) | Apparatus for forming molecular timetable and apparatus for estimating circadian clock | |
Assaf et al. | Sleep detection using physiological signals from a wearable device | |
CN113876302A (zh) | 一种基于智能机器人的中医调治系统 | |
Tripathi et al. | Computational ensemble expert system classification for the recognition of bruxism using physiological signals | |
Maria et al. | Stress prediction using enhanced feature selection and knn model | |
Arias | Using Data from Wearables for Better Sleep |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |