CN113782186A - 一种辅助诊断衰弱的系统 - Google Patents
一种辅助诊断衰弱的系统 Download PDFInfo
- Publication number
- CN113782186A CN113782186A CN202111052528.XA CN202111052528A CN113782186A CN 113782186 A CN113782186 A CN 113782186A CN 202111052528 A CN202111052528 A CN 202111052528A CN 113782186 A CN113782186 A CN 113782186A
- Authority
- CN
- China
- Prior art keywords
- module
- random forest
- forest model
- constructing
- training
- 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
- 206010003549 asthenia Diseases 0.000 title abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000007637 random forest analysis Methods 0.000 claims description 31
- 239000008280 blood Substances 0.000 claims description 15
- 210000004369 blood Anatomy 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000002757 inflammatory effect Effects 0.000 claims description 15
- 230000000495 immunoinflammatory effect Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 108090001005 Interleukin-6 Proteins 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 102000004219 Brain-derived neurotrophic factor Human genes 0.000 claims description 6
- 108090000715 Brain-derived neurotrophic factor Proteins 0.000 claims description 6
- 101000998146 Homo sapiens Interleukin-17A Proteins 0.000 claims description 6
- 101001010626 Homo sapiens Interleukin-22 Proteins 0.000 claims description 6
- 108090000174 Interleukin-10 Proteins 0.000 claims description 6
- 102100033461 Interleukin-17A Human genes 0.000 claims description 6
- 102100030703 Interleukin-22 Human genes 0.000 claims description 6
- 102100039064 Interleukin-3 Human genes 0.000 claims description 6
- 102000004388 Interleukin-4 Human genes 0.000 claims description 6
- 108090000978 Interleukin-4 Proteins 0.000 claims description 6
- 102000004890 Interleukin-8 Human genes 0.000 claims description 6
- 108090001007 Interleukin-8 Proteins 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 101150079978 AGRN gene Proteins 0.000 claims description 5
- 102100040026 Agrin Human genes 0.000 claims description 5
- 108700019743 Agrin Proteins 0.000 claims description 5
- 102100039620 Granulocyte-macrophage colony-stimulating factor Human genes 0.000 claims description 5
- 101000746373 Homo sapiens Granulocyte-macrophage colony-stimulating factor Proteins 0.000 claims description 5
- 101001033279 Homo sapiens Interleukin-3 Proteins 0.000 claims description 5
- 101000611183 Homo sapiens Tumor necrosis factor Proteins 0.000 claims description 5
- 101000851018 Homo sapiens Vascular endothelial growth factor receptor 1 Proteins 0.000 claims description 5
- 102000026633 IL6 Human genes 0.000 claims description 5
- 108091058560 IL8 Proteins 0.000 claims description 5
- -1 IgM Proteins 0.000 claims description 5
- 102000003815 Interleukin-11 Human genes 0.000 claims description 5
- 108090000177 Interleukin-11 Proteins 0.000 claims description 5
- 108010065805 Interleukin-12 Proteins 0.000 claims description 5
- 102000013462 Interleukin-12 Human genes 0.000 claims description 5
- 108010065637 Interleukin-23 Proteins 0.000 claims description 5
- 102000013264 Interleukin-23 Human genes 0.000 claims description 5
- 102100037632 Progranulin Human genes 0.000 claims description 5
- 101710114165 Progranulin Proteins 0.000 claims description 5
- 102100040247 Tumor necrosis factor Human genes 0.000 claims description 5
- 102100033178 Vascular endothelial growth factor receptor 1 Human genes 0.000 claims description 5
- 101150026046 iga gene Proteins 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 5
- ZRKFYGHZFMAOKI-QMGMOQQFSA-N tgfbeta Chemical compound C([C@H](NC(=O)[C@H](C(C)C)NC(=O)CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CC(C)C)NC(=O)CNC(=O)[C@H](C)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)NC(=O)[C@H](C)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](N)CCSC)C(C)C)[C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N1[C@@H](CCC1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(O)=O)C1=CC=C(O)C=C1 ZRKFYGHZFMAOKI-QMGMOQQFSA-N 0.000 claims description 5
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000000392 somatic effect Effects 0.000 claims description 2
- 102000003814 Interleukin-10 Human genes 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 26
- 230000036541 health Effects 0.000 abstract description 12
- 230000032683 aging Effects 0.000 abstract description 10
- 230000035945 sensitivity Effects 0.000 abstract description 9
- 238000012216 screening Methods 0.000 abstract description 7
- 238000003759 clinical diagnosis Methods 0.000 abstract description 3
- 230000000052 comparative effect Effects 0.000 description 9
- 102000026659 IL10 Human genes 0.000 description 5
- 230000003313 weakening effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 108090001012 Transforming Growth Factor beta Proteins 0.000 description 1
- 102100030742 Transforming growth factor beta-1 proprotein Human genes 0.000 description 1
- 108060008682 Tumor Necrosis Factor Proteins 0.000 description 1
- 102000000852 Tumor Necrosis Factor-alpha Human genes 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 229940088592 immunologic factor Drugs 0.000 description 1
- 239000000367 immunologic factor Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种辅助诊断衰弱的系统，包括数据获取模块、数据库模块、机器学习模块、训练模块、测试模块和结果输出模块。本发明系统的辅助诊断结果与临床诊断结果相比较，特异性强，敏感性高，可以作为大面积推广筛查人群衰弱患病率的有效手段，大大减小临床医生对被检者躯体功能测量的工作量，也减少了人为主观带来的偏倚与误诊。本发明为医学老龄化健康评估工作提供非常有价值的参考，也为全民大健康时代提供健康筛查手段。
Description
技术领域
本发明属于诊断系统领域，具体涉及一种辅助诊断衰弱的系统。
背景技术
随着人口老龄化的加重，衰老相关疾病的经济负担不断加重，各个国家都在为确保社会制度和医疗保健体系能够应对这一挑战而做准备，有关衰老问题的研究受到前所未有的重视。衰老的本质是退化，表现为机体结构和功能衰退，适应性和抵抗力下降，包括未出现明显临床病变的老年综合征和衰弱。目前研究人员虽然在衰老相关分子生物学、临床医学、流行病学等方面取得了不少成绩，但衰老的评估形式却繁杂多样，标准各异，给实施干预措施带来了很大的困难。
衰弱是指老年人生理储备能力降低到一定程度，健康和功能的完好性受损，对于压力源的易感性增加，引发不良结局的一种状态。目前国际上针对衰弱的诊断标准以及评估策略仍局限于躯体功能，检测躯体功能的方法工作量大，难以大面积推广筛查，而且依赖于医生的认为主观判断，容易带来偏倚与误诊。研究人员尽管发现IL-6、CRP等因子与集体衰弱存在一定的相关性，但炎症因子、激素等可能与衰弱相关的生物标志物成千上万，其与衰弱诊断的相关性和准确度均难以预料，因此目前仍然还没有稳定有效的生物学指标诊断方法。
机器学习(Machine Learning,ML)是一门涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，是如今数据分析领域的研究热点，在管理系统、大数据分析系统、环境监测系统、疾病的辅助诊断系统等多种领域均有广泛的应用，建立基于机器学习的系统，将在多个领域大大减少人力成本，甚至进一步提神检测、判断的精度，具有诸多优势。
若能借助机器学习算大，提供一种能够准确、快速的辅助诊断衰弱的系统，避免传统的躯体功能检测带来的偏振误诊，将对医学老龄化健康评估提供重要参考，具有很好的临床应用价值与前景。
然而，机器学习方式众多，包括监督式学习、非监督式学习、半监督式学习、强化学习、集成学习等多类，机器学习算法模型又有回归算法模型、神经网络模型、支持向量机模型、随机森林模型多诸多种类，不同的机器学习算法之间各有优劣，在针对辅助诊断衰弱这一特定的技术问题时，如何确定恰当的参数，构建合理的机器学习算法，最终获得精度高、特异性高的系统，依然亟待进一步研究与探索。
发明内容
本发明提供了一种辅助诊断衰弱的系统，包括如下模块：
数据获取模块：获取患者的血液样本中免疫炎症因子水平；
数据库模块：以健康人体、衰弱人体的躯体功能测量指标和血液样本中免疫炎症因子水平数据构成数据库，并随机拆分为训练集和测试集；
机器学习模块：构建随机森林模型；
训练模块：利用训练集对随机森林模型进行训练，获得训练好的随机森林模型；
测试模块：利用测试集对训练好的随机森林模型进行验证；
结果输出模块：输出是否衰弱的结果。
进一步地，上述免疫炎症因子为：CPR、PGRN、IFNγ、IL1β、IL3、IL4、IL6、IL8、IL10、IL11、IL12、IL17、IL22、IL23、C3、C4、Agrin、IgA、GMCSF、IgE、IgG、IgM、BDNF、VEGFR1、TNFα、TGFβ。
进一步地，上述躯体功能测量指标包括：握力、步速、疲乏状况、近一年体重变化情况、每周活动量。
本发明还提供了上述的系统的构建方法，包括如下步骤：
(1)构建用于输入免疫炎症因子水平数据的数据获取模块；
(2)收集健康及衰弱的自然人的躯体功能测量指标及血液样本中免疫炎症因子水平数据，构建数据库模块；将数据库中的数据随机拆分为训练集和测试集；
(3)采用随机森林算法构建随机森林模型，得到机器学习模块；
(4)构建采用训练集对随机森林模型进行分析训练的训练模块；
(5)构建使用测试集验证并优化训练后的随机森林模型的测试模块；
(6)构建将机器学习模块的计算结果输出的输出模块。
本发明还提供了一种介质，所述介质储存有计算机可执行指令，所述指令在被处理器执行时刻用于实现权利要求1～3任一项所述的系统，进行如下操作：
获取患者的血液样本中免疫炎症因子水平；
以健康人体、衰弱人体的躯体功能测量指标和血液样本中免疫炎症因子水平数据构成数据库，并随机拆分为训练集和测试集；
构建随机森林模型；
利用训练集对随机森林模型进行训练，获得训练好的随机森林模型；
利用测试集对训练好的随机森林模型进行验证；
结果输出模块：输出是否衰弱的结果。
本发明还提供了一种计算设备，包括处理单元、存储器以及I/O接口；
所述存储器，用于存储所述处理单元执行的程序或指令；
所述处理单元，用于根据所述存储器存储的程序或指令，执行权利要求7～9任一项所述介质所进行的操作；
所述I/O接口，用于在所述处理单元的控制下接收或发送数据。
本发明提供了一种全新的辅助诊断衰弱系统。本发明系统的辅助诊断结果与临床诊断结果相比较，特异性强，敏感性高，可以作为大面积推广筛查人群衰弱患病率的有效手段，大大减小临床医生对被检者躯体功能测量的工作量，也减少了人为主观带来的偏倚与误诊。本发明为医学老龄化健康评估工作提供非常有价值的参考，也为全民大健康时代提供健康筛查手段。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
具体实施方式
本发明所用原料与设备均为已知产品，通过购买市售产品所得。
实施例1、本发明辅助诊断衰弱的系统的建立
1.收集健康及衰弱的自然人的躯体功能测量指标及血液样本，血液样本用于测量特定的衰弱相关免疫炎症因子水平(包括CPR、PGRN、IFNγ、IL1β、IL3、IL4、IL6、IL8、IL10、IL11、IL12、IL17、IL22、IL23、C3、C4、Agrin、IgA、GMCSF、IgE、IgG、IgM、BDNF、VEGFR1、TNFα、TGFβ)，构建数据库(数据库模块)。
2.将数据库的数据根据2:1的比例分为训练集及测试集，训练集通过随机森林算法分析、训练，确定随机森林最佳参数(训练模块)；验证集用于验证随机森林模型的准确度(测试模块)，达到最佳效果的模型用于构建衰弱诊断模型(机器学习模块)。
3、构建用于输入待检对象血液样本中免疫炎症因子的水平的输入模块，以及输出及其学习模块的随机森林模型输出的是否衰弱的判断结果的输出模块。
对比例1、基于逻辑回归算法的辅助诊断衰弱系统的建立
训练集用于逻辑回归算法训练学习(训练模块)，测试集用于验证训练后的逻辑回归算法训练学习的模型的准确度(测试模块)，达到最佳效果的模型用于构建衰弱诊断模型(机器学习模块)。其余模块的建立同实施例1。
对比例2、基于最佳子集算法的辅助诊断衰弱系统的建立
训练集用于最佳子集算法训练学习(训练模块)，测试集用于验证训练后的最佳子集算法训练学习的模型的准确度(测试模块)，达到最佳效果的模型用于构建衰弱诊断模型(机器学习模块)。其余模块的建立同实施例1。
对比例3、基于支持向量机的辅助诊断衰弱系统的建立
训练集用于支持向量机训练学习(训练模块)，测试集用于验证训练后的支持向量机训练学习的模型的准确度(测试模块)，达到最佳效果的模型用于构建衰弱诊断模型(机器学习模块)。其余模块的建立同实施例1。
对比例4、基于目前已广泛报道的衰弱相关免疫因子的诊断衰弱系统的建立
数据库模块的免疫炎症因子水平仅使用CRP、IL-6、TNF-α3种，其余模块的建立同实施例1.
以下通过实验例证明本发明的有益效果。
实验例1、本发明免疫炎症因子水平重要性分析
在推断免疫炎症因子重要性时，根据随机森林模型得到的％IncMSE值(均方误差影响度)进行免疫炎症因子对机器学习结果的影响的评价。对大量免疫炎症因子的％IncMSE值大小进行排序，％IncMSE值越高说明该特征越重要，对结果影响越大。结果发现CPR、PGRN、IFNγ、IL1β、IL3、IL4、IL6、IL8、IL10、IL11、IL12、IL17、IL22、IL23、C3、C4、Agrin、IgA、GMCSF、IgE、IgG、IgM、BDNF、VEGFR1、TNFα、TGFβ的％IncMSE值相比于其他免疫炎症因子显著更大，说明它们在本发明中参与衰弱的机器学习诊断并具有极高的价值与权重。其中排在前十位的免疫炎症因子数据如下：
| 免疫炎症因子 | ％IncMSE值 |
| IFNγ | 26 |
| IL10 | 14 |
| IL17 | 11 |
| TNFα | 9 |
| BDNF | 9 |
| IL4 | 8 |
| IL22 | 7 |
| IL3 | 3 |
| IL8 | 3 |
| TGFβ | 2 |
实验例2、本发明免疫炎症因子水平的准确性、特异性及敏感性分析
1、被检者收集：按照衰弱诊断的临床标准诊断出的衰弱患者25例，非衰弱正常人体99例，采集血样，并将血样送检免疫炎症因子：CPR、PGRN、IFNγ、IL1β、IL3、IL4、IL6、IL8、IL10、IL11、IL12、IL17、IL22、IL23、C3、C4、Agrin、IgA、GMCSF、IgE、IgG、IgM、BDNF、VEGFR1、TNFα、TGFβ的水平。
所述标准诊断方法如下：
(1)1年内体重减轻﹥3kg或5％；
(2)自觉疲惫，上周内超过3天做任何事都觉得费劲或缺乏干劲；
(3)握力下降(男性<23kg，女性<14kg)；
(4)步速下降：行走4.5米需要时间>7秒)；
(5)每周活动量下降(男性<383千卡/周，女<270千卡/周)；
以上5条条件满足3条或以上即诊断为衰弱。
2、取采用实施例1构建的辅助诊断系统，输入各被检者的免疫炎症因子水平，得到输出的预测结果。如表1所示：
表1
可见，本发明的预测结果准确度高，是辅助诊断衰弱的可靠方法。
进一步计算本发明实施例1辅助诊断系统以及对比例1～4的辅助诊断系统的检测敏感性、特异性。
敏感性计算方法：
敏感性＝真阳性病例数/(真阳性病例数+假阴性病例数)
特异性计算方法：
特异性＝真阳性病例数/(真阳性病例数+假阳性病例数)
计算结果如表2所示：
表2
| 系统 | 敏感性 | 特异性 |
| 实施例1 | 0.88 | 0.79 |
| 对比例1 | 0.46 | 0.57 |
| 对比例2 | 0.44 | 0.53 |
| 对比例3 | 0.71 | 0.55 |
| 对比例4 | 0.32 | 0.63 |
可见，与其他机器学习模型相比，以及与其他输入的特征参数建立的模型相比，本发明采用特定的20余种免疫炎症因子水平参数构建的随机森林模型辅助诊断系统具有最优异的敏感性和特异性，相比于其它辅助诊断系统具有显著的优势。
综上，本发明提供了一种全新的辅助诊断衰弱的系统。本发明系统的辅助诊断结果与临床诊断结果相比较，特异性强，敏感性高，相比于其它多种算法系统具有显著的优势，可以作为大面积推广筛查人群衰弱患病率的有效手段，大大减小临床医生对被检者躯体功能测量的工作量，也减少了人为主观带来的偏倚与误诊。本发明为医学老龄化健康评估工作提供非常有价值的参考，也为全民大健康时代提供健康筛查手段。
Claims (6)
1.一种辅助诊断衰弱的系统，其特征在于，包括如下模块：
数据获取模块：获取患者的血液样本中免疫炎症因子水平；
数据库模块：以健康人体、衰弱人体的躯体功能测量指标和血液样本中免疫炎症因子水平数据构成数据库，并随机拆分为训练集和测试集；
机器学习模块：构建随机森林模型；
训练模块：利用训练集对随机森林模型进行训练，获得训练好的随机森林模型；
测试模块：利用测试集对训练好的随机森林模型进行验证；
结果输出模块：输出是否衰弱的结果。
2.如权利要求1所述的系统，其特征在于，所述免疫炎症因子为：CPR、PGRN、IFNγ、IL1β、IL3、IL4、IL6、IL8、IL10、IL11、IL12、IL17、IL22、IL23、C3、C4、Agrin、IgA、GMCSF、IgE、IgG、IgM、BDNF、VEGFR1、TNFα、TGFβ。
3.如权利要求1所述的系统，其特征在于，所述躯体功能测量指标包括：握力、步速、疲乏状况、近一年体重变化情况、每周活动量。
4.权利要求1～3任一项所述的系统的构建方法，其特征在于，包括如下步骤：
(1)构建用于输入免疫炎症因子水平数据的数据获取模块；
(2)收集健康及衰弱的自然人的躯体功能测量指标及血液样本中免疫炎症因子水平数据，构建数据库模块；将数据库中的数据随机拆分为训练集和测试集；
(3)采用随机森林算法构建随机森林模型，得到机器学习模块；
(4)构建采用训练集对随机森林模型进行分析训练的训练模块；
(5)构建使用测试集验证并优化训练后的随机森林模型的测试模块；
(6)构建将机器学习模块的计算结果输出的输出模块。
5.一种介质，其特征在于，所述介质储存有计算机可执行指令，所述指令在被处理器执行时刻用于实现权利要求1～3任一项所述的系统，进行如下操作：
获取患者的血液样本中免疫炎症因子水平；
以健康人体、衰弱人体的躯体功能测量指标和血液样本中免疫炎症因子水平数据构成数据库，并随机拆分为训练集和测试集；
构建随机森林模型；
利用训练集对随机森林模型进行训练，获得训练好的随机森林模型；
利用测试集对训练好的随机森林模型进行验证；
结果输出模块：输出是否衰弱的结果。
6.一种计算设备，其特征在于，包括处理单元、存储器以及I/O接口；
所述存储器，用于存储所述处理单元执行的程序或指令；
所述处理单元，用于根据所述存储器存储的程序或指令，执行权利要求5所述介质所进行的操作；
所述I/O接口，用于在所述处理单元的控制下接收或发送数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052528.XA CN113782186A (zh) | 2021-09-08 | 2021-09-08 | 一种辅助诊断衰弱的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052528.XA CN113782186A (zh) | 2021-09-08 | 2021-09-08 | 一种辅助诊断衰弱的系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113782186A true CN113782186A (zh) | 2021-12-10 |
Family
ID=78842069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111052528.XA Pending CN113782186A (zh) | 2021-09-08 | 2021-09-08 | 一种辅助诊断衰弱的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113782186A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114561395A (zh) * | 2022-03-30 | 2022-05-31 | 四川大学 | 无融合标签的rhIL-11及其突变体的可溶表达及高效纯化方法 |
| CN115954102A (zh) * | 2023-03-14 | 2023-04-11 | 中山大学附属第一医院 | 一种人工关节假体周围感染诊断模型及诊断系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295148A (zh) * | 2016-08-01 | 2017-01-04 | 苏翀 | 基于随机森林算法的乙肝代偿期肝硬化筛查模型建立方法 |
| CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
| CN112899368A (zh) * | 2021-02-02 | 2021-06-04 | 广西医科大学第一附属医院 | 一种用于原发性肝细胞癌早期诊断的生物标志物及其检测试剂和应用 |
-
2021
- 2021-09-08 CN CN202111052528.XA patent/CN113782186A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295148A (zh) * | 2016-08-01 | 2017-01-04 | 苏翀 | 基于随机森林算法的乙肝代偿期肝硬化筛查模型建立方法 |
| CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
| CN112899368A (zh) * | 2021-02-02 | 2021-06-04 | 广西医科大学第一附属医院 | 一种用于原发性肝细胞癌早期诊断的生物标志物及其检测试剂和应用 |
Non-Patent Citations (2)
| Title |
|---|
| 景瑞青: "老年冠心病患者的衰弱评估与中医证型的相关性及影响因素的研究" * |
| 许丽娟 等: "社区老年衰弱危险因素及风险预测模型构建" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114561395A (zh) * | 2022-03-30 | 2022-05-31 | 四川大学 | 无融合标签的rhIL-11及其突变体的可溶表达及高效纯化方法 |
| CN115954102A (zh) * | 2023-03-14 | 2023-04-11 | 中山大学附属第一医院 | 一种人工关节假体周围感染诊断模型及诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113782186A (zh) | 一种辅助诊断衰弱的系统 | |
| US11986324B2 (en) | Apparatus for measuring degree of frailty on basis of athletic ability parameters | |
| Sejdinović et al. | Classification of prediabetes and type 2 diabetes using artificial neural network | |
| CN111048206A (zh) | 一种多维度健康状态的评估方法及装置 | |
| Sahin et al. | The sensitivity and specificity of the balance evaluation systems test-BESTest in determining risk of fall in stroke patients | |
| CN111508607A (zh) | 一种基于bp神经网络的肥胖症预测系统 | |
| CN106845140A (zh) | 一种基于尿比重和尿量监测的肾衰竭预警方法及系统 | |
| CN115775625A (zh) | 基于健康体适能的高校教职工高血压患病风险评估模型构建方法 | |
| Dini et al. | Detection of Oxygen Levels (SpO2) and Heart Rate Using a Pulse Oximeter for Classification of Hypoxemia Based on Fuzzy Logic | |
| RU2535406C1 (ru) | Способ мониторинга состояния здоровья человека | |
| CN109363678B (zh) | 基于经络能量平衡值的易发疾病预测系统 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
| CN111816303A (zh) | 一种基于机器学习的难治性精神分裂症风险的预测方法 | |
| CN117100246A (zh) | 基于动态生物电信号的健康状态分析方法和相关产品 | |
| CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| Luo et al. | Conducting a correlation model between TCM constitution and physical examination index based on BPNN algorithm | |
| CN109215790A (zh) | 一种大数据健康预测系统 | |
| Lai et al. | Hypoglycaemia detection using fuzzy inference system with intelligent optimiser | |
| US20210371803A1 (en) | Multi-parameter automatic blood cell counting device | |
| RU2742429C1 (ru) | Способ экспресс-оценки изменений легочной ткани при COVID-19 без применения компьютерной томографии органов грудной клетки | |
| Fayezi et al. | Exercise-induced asthma in asthmatic children of southern Iran | |
| CN112485162A (zh) | 一种使用血液标志物预测性别的方法 | |
| Wang et al. | Design of eye health monitoring system under color fundus image visual cup segmentation algorithm |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhou Lixing Inventor after: Cheng Rui Inventor after: Yang Yanwu Inventor before: Zhou Lixing |
|
| CB03 | Change of inventor or designer information |