CN113921136A - 一种融合多源数据智能评估预测慢性病风险的系统 - Google Patents

一种融合多源数据智能评估预测慢性病风险的系统 Download PDF

Info

Publication number
CN113921136A
CN113921136A CN202111070025.5A CN202111070025A CN113921136A CN 113921136 A CN113921136 A CN 113921136A CN 202111070025 A CN202111070025 A CN 202111070025A CN 113921136 A CN113921136 A CN 113921136A
Authority
CN
China
Prior art keywords
data
risk
chronic diseases
mapping
module
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
Application number
CN202111070025.5A
Other languages
English (en)
Inventor
杜登斌
杜小军
杜乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuzheng Intelligent Technology Beijing Co ltd
Original Assignee
Wuzheng Intelligent Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuzheng Intelligent Technology Beijing Co ltd filed Critical Wuzheng Intelligent Technology Beijing Co ltd
Priority to CN202111070025.5A priority Critical patent/CN113921136A/zh
Publication of CN113921136A publication Critical patent/CN113921136A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种融合多源数据智能评估预测慢性病风险的系统，包括以下几个模块：数据采集模块：获取多源数据；因素搜索模块：利用遍历查找慢性病致病的风险因素数据库以及知识库；风险映射模块：建立多源数据与慢性病致病的风险因素对应的映射关系模型，收集映射数据并作为映射数据集；数据训练验证模块：将映射数据集作为KNN分类器的输入，训练KNN分类器；数据评估预测模块：利用分类后的数据集建立比例风险回归模型，评估慢性病相对风险指标。本发明可以对不同来源间的关系进行危险度量化，并评估得到目标用户的慢性病相对风险指标，在目标用户数据稀缺的情况下，融合各方面信息和数据，提高了预测评估的精度置信下限和速度。

Description

一种融合多源数据智能评估预测慢性病风险的系统
技术领域
本发明涉及人工智能领域，尤其涉及一种融合多源数据智能评估预测慢性病风险的系统。
背景技术
慢性病全称是慢性非传染性疾病，不是特指某种疾病，而是对一类起病隐匿，病程长且病情迁延不愈，缺乏确切的传染性生物病因证据，病因复杂，且有些尚未完全被确认的疾病的概括性总称。慢性病的发生往往不是一个危险因素所致，常常是多个危险因素共同作用的结果。一种慢性病常常是多个危险因素共同作用的结果，同时，一个危险因素也可导致多种慢性病发病风险增加。比如，长期饮酒的影响：1)肝脏伤害：脂肪堆积在肝脏引起脂肪肝；2)胃溃疡：可引起胃出血而危及生命；3)神经系统伤害：譬如周边神经病变；4)大脑皮质萎缩：慢性酒瘾者的大脑皮质有萎缩现象，也有部分病人有智力衰退的迹象；5)酒精性胎儿：酒精在胎儿体内代谢和排泄速率较慢，对发育中的胎儿造成各种伤害，包括胎儿畸形、胎死腹中、生长迟滞及行为缺陷等。
因此，评估预测慢性病风险，若能有效的利用上面多源数据的样本量，将其融合于一定的指标评估之中，那么就能够解决在有限样本量及可信范围内获得并评估预测慢性病风险的问题。基于此，一种融合多源数据智能评估预测慢性病风险的系统以新的思路，在构建多源信息和数据的比例风险回归模型以及全局性计算方法上寻找出了一个全新的突破口。
发明内容
有鉴于此，本发明提出了一种融合多源数据智能评估预测慢性病风险的系统，旨在解决现有技术通常由于样本量有限，目标用户数据稀缺，而无法进行准确评估预测的问题。本发明通过训练KNN分类器，直至其分类误差达到阈值，实现了准确性高的多源数据的慢性病预测评估。
本发明的技术方案是这样实现的：
本发明提出了一种融合多源数据智能评估预测慢性病风险的系统，其包括以下模块：
数据采集模块，获取目标用户的多源数据；
因素搜索模块，搜索慢性病致病的直接和间接风险因素数据库以及慢性病知识库，对数据库和知识库进行遍历查找，将搜索相关的数据作为慢性病致病的直接和间接的风险因素数据；
风险映射模块，根据慢性病致病的直接和间接的风险因素数据，建立多源数据与慢性病致病的直接和间接风险因素对应的映射关系模型，根据所述映射关系模型收集映射数据，作为映射数据集；
数据训练验证模块，将所述映射数据集作为改进的KNN分类器的输入，训练KNN分类器，直至其分类误差达到阈值；
数据评估预测模块，根据分类后的数据集建立比例风险回归模型，用于评估目标用户的慢性病相对风险指标。
优选的，数据采集模块中，所述多源数据，包括，行为数据：包括基本信息、个人疾病史、家族疾病史、烟酒习惯、膳食习惯、睡眠习惯等数据；生化指标数据：包括血常规、尿常规、便常规、肝功能、常规心电图、内科检查、外科检查等数据；其他数据等。
优选的，因素搜索模块中，将搜索相关的数据作为慢性病致病的直接和间接的风险因素数据之后，对慢性病致病的直接和间接风险因素数据进行归一化处理。
在以上技术方案的基础上，进一步优选的，所述慢性病致病的直接和间接风险因素数据包括但不限于，遗传因素、性别与年龄因素、从事职业因素、饮食习惯因素和体重超重因素。
具体的，数据训练验证模块中，所述训练KNN分类器，包括以下单元：
距离计算单元，计算已知类别映射数据集中每个点和输入的待测点之间的距离；
排序单元，按照距离递增顺序排序；
选取单元，选取与输入的待测点距离最近的k个点；
频率确定单元，确定前k个点所在类别出现的频率；
预测分类单元，返回前k个点出现频率最高的类别作为输入的待测点的预测分类。
优选的，距离计算单元中，在计算已知类别映射数据集中每个点和输入的待测点之间的距离之前，利用斯皮尔曼等级相关将映射数据集中的同一疾病类别中的每两个映射数据进行相关度检测，保留相关度高于预设相关度阈值的多组映射数据，作为第一样本集，进行KNN分类；相关度低于预设相关度阈值的多组映射数据，作为第二样本集，进一步地进行KNN分类。
优选的，排序单元中，在按照距离递增顺序排序之前，对计算后每组映射数据点与点之间的距离进行加权，分为不同权重的每组映射数据。
优选的，选取单元中，在选取与输入的待测点距离最近的k个点之前，采用交叉验证法，求得第一样本集KNN分类后所对应的k值，并作为后续第二样本集进一步KNN分类的k取值。
优选的，数据训练验证模块中还包括误差估计单元，用于设定好一个误差阈值，并将KNN分类器返回的预测结果进行误差估计，未达到误差阈值则重复训练KNN分类器。
优选的，数据评估预测模块中，在根据分类后的数据集建立比例风险回归模型之后，采用梯度下降法对参数进行估计。
本发明的一种融合多源数据智能评估预测慢性病风险的系统相对于现有技术具有以下有益效果：
(1)本发明通过训练KNN分类器，实现了对多源数据的分类，该方法相比于传统的K近邻算法，由于是利用斯皮尔曼等级相关进行了相关度检测，排除掉了许多不相关的数据，而后对计算后的距离进行加权，把不同距离的权重优先划分好，再来进一步地完成分类过程，最后根据相关度检测的结果，可以根据相关度检测得出的相关度高所对应的k值，采取最优的分类方案，保证了分类过程中尽可能小的误差；
(2)本发明在根据分类后的数据集建立比例风险回归模型后，还采用了梯度下降法对参数进行估计，通过多次迭代的算法，一步步算出最小值和/或最大值并将近似坐标点相连，从而分析计算得出一组可以用来估计预测的线性回归方程，这种方法给出了一个预估值，方便在得出实验值后与预估值进行比对分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种融合多源数据智能评估预测慢性病风险的系统结构图；
图2为本发明数据训练验证模块40的单元结构示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明是一种融合多源数据智能评估预测慢性病风险的系统，包括以下模块：数据采集模块10，因素搜索模块20，风险映射模块30，数据训练验证模块40和数据评估预测模块50，具体的模块所实现的功能可以参照说明书发明内容部分，在此不做赘述。
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供了一种融合多源数据智能评估高血压风险的系统的具体实施例，以下是实施例的具体内容。
数据采集模块10，获取目标用户的多源数据。
具体的，目标用户的多源数据包括：1)行为数据：包括基本信息、个人疾病史、家族疾病史、吸烟、饮酒、膳食习惯、运动、睡眠、居住环境因素等数据；2)常规/生化指标数据：包括一般检查、内科、外科、眼科、口腔科、妇科、耳鼻喉科、血常规、尿常规、便常规、肝功能、肾常规、血脂、乙肝、肿瘤标志物检查、常规心电图、X线检查等数据；3)其他数据等。
因素搜索模块20，搜索慢性病致病的直接和间接风险因素数据库以及慢性病知识库，对数据库和知识库进行遍历查找，将搜索相关的数据作为慢性病致病的直接和间接的风险因素数据。
具体的，可以根据高血压致病的常见直接和间接风险因素入手，例如，其因素包括以下几方面：1)与遗传因素有关，如果是家族性的，比如父母都是高血压患者，下一代患高血压的几率就比较大，其子女患病率可高达46％；2)与性别和年龄有关，男性高血压患者多于女性，而且随着年龄的增大，高血压患者也增多，因此高血压患者多见于中老年；3)与从事的职业有关，对于长期从事脑力工作的或精神长期高度紧张的人，患高血压的风险就会比从事体力劳动者高；4)与饮食习惯有关，长期高盐饮食、饮酒、吸烟、喝咖啡就会明显增加患高血压的风险；5)与体重超重和肥胖有关，肥胖患者高血压风险是正常体重人的2-6倍等。
具体相关的实验数据包括但不限于，盐摄入量与血压水平和高血压患病率呈正相关，而钾盐摄入量与血压水平呈负相关，研究表明，钠盐平均每天增加2克，收缩压和舒张压分别增高2.0mmHg和1.2mmHg；过量饮酒也是高血压发病的危险因素，虽然少量饮酒后短时间内血压会有所下降，但长期少量饮酒可使血压轻度升高，过量饮酒则使血压明显升高，如每天平均饮酒＞3个标准杯(1个标准杯相当于12克酒精，约合360克啤酒，或100克葡萄酒，或30克白酒)，收缩压与舒张压分别平均升高3.5mmHg与2.1mmHg，且血压上升幅度随着饮酒量增加而增大；据研究，BMI≥24者发生高血压的风险是体重正常者的3-4倍，腰围男性≥90cm或女性≥85cm，发生高血压的风险是腰围正常者的4倍以上等。
所述因素搜索模块20中，将搜索成功的数据作为慢性病致病的直接和间接的风险因素数据之后，还包括以下步骤，对慢性病致病的直接和间接风险因素数据进行归一化处理。
具体的，归一化处理包括以下步骤，将高血压致病的直接和间接风险因素中根据调查的实验数据进行影响程度的从小到大排序，同时对实验数据的影响程度进行人为规定，使实验数据的影响程度所对应的值落在[0,1]之间，归一化处理过程用到的转化函数为x*＝(x-min)/(max-min)，其中，x*表示转化后的数据，x表示实验数据，min表示影响程度最小所对应的值，max表示影响程度最大所对应的值。
风险映射模块30，根据慢性病致病的直接和间接的风险因素数据，建立多源数据与慢性病致病的直接和间接风险因素对应的映射关系模型，根据所述映射关系模型收集映射数据，作为映射数据集。
具体的，建立映射关系模型包括以下步骤，例如，对目标用户进行血压检查，得到的收缩压与舒张压即是多源数据中的一部分数据，同时结合目标用户口述的饮酒习惯，那么根据前文所述的研究结果，可以将饮酒习惯与高血压所对应的映射关系反映在模型上。
数据训练验证模块40，将所述映射数据集作为KNN分类器的输入，训练KNN分类器，直至其分类误差达到阈值。
具体的，数据训练验证模块40中，所述训练KNN分类器，包括以下单元：
距离计算单元，计算已知类别映射数据集中每个点和输入的待测点之间的距离；
排序单元，按照距离递增顺序排序；
选取单元，选取与输入的待测点距离最近的k个点；
频率确定单元，确定前k个点所在类别出现的频率；
预测分类单元，返回前k个点出现频率最高的类别作为输入的待测点的预测分类。
优选的，距离计算单元中，在计算已知类别映射数据集中每个点和输入的待测点之间的距离之前，利用斯皮尔曼等级相关将映射数据集中的同一疾病类别中的每两个映射数据进行相关度检测，保留相关度高于预设相关度阈值的多组映射数据，作为第一样本集，进行KNN分类；相关度低于预设相关度阈值的多组映射数据，作为第二样本集，进一步地进行KNN分类。
优选的，排序单元中，在按照距离递增顺序排序之前，对计算后每组映射数据点与点之间的距离进行加权，分为不同权重的每组映射数据。
优选的，选取单元中，在选取与输入的待测点距离最近的k个点之前，采用交叉验证法，求得第一样本集KNN分类后所对应的k值，并作为后续第二样本集进一步KNN分类的k取值。
在以上技术方案的基础上，优选的，根据前文所述的钠盐食用过量引发的高血压的研究数据表明，钠盐食用过量患高血压是正常者的1.16-1.28倍，而前文所述的饮酒过量引发的高血压的研究数据表明，饮酒过量患高血压是正常者的1.5-2倍，根据研究数据来看，饮酒过量与高血压致病的相关度更高，为了保证数据的准确性与真实性，则还需要通过斯皮尔曼等级相关进行检测。
在以上技术方案的基础上，优选的，对计算后每组映射数据点与点之间的距离进行加权，分为不同权重的每组映射数据，加权的方法采用高斯函数加权，随着距离的增大，权重会减小，且权重不会变为0，避免因为权重过低导致数据导出错误。
需要理解的是，在这里由于预先通过相关度对样本进行了分类，相关度高的从一定程度上可以作为单种慢性病的高危险因素，而对于相关度低的映射数据，则需要保证k值的选取，也就是说，首先要抽取相关度高于预设阈值的多组映射数据进行初步分类，确定最佳k值，然后根据相关度高于预设阈值的分类后采用k的取值，作为后续所有相关度低于预设相关度阈值的多组映射数据的k取值，对待测点进行再次分类，这是为了避免相关度低的映射数据在进行KNN分类的时候k值的误差与相关度高的相比过大，比较两次分类结果，取分类准确度最高的一个分类结果最为最终疾病预测结果。
在以上技术方案的基础上，优选的，数据训练验证模块40中，在训练KNN分类器的过程中，设定好一个误差阈值，并将KNN分类器返回的预测结果进行误差估计，未达到误差阈值则重复训练KNN分类器。
数据评估预测模块50，根据分类后的数据集建立比例风险回归模型，用于评估目标用户的慢性病相对风险指标。
在利用KNN分类算法对多源数据与慢性病致病的直接和间接风险因素对应的映射关系进行分类后，每个数据集都可以根据坐标点绘制并建立比例风险回归模型，并用不同颜色的线条加以区分，这样在评估目标用户的高血压相对风险指标会更加的直观明了。
在以上技术方案的基础上，优选的，数据评估预测模块50中，在根据分类后的数据集建立比例风险回归模型之后，还包括以下步骤，采用梯度下降法对参数进行估计，主要目的是通过迭代找到目标函数的最小值，或者收敛到最小值，例如根据比例风险回归模型里各种因素的参数数据，对每个参数都进一步的对高血压患病风险的预估，总的来说，因素越多，患病的概率越高，而在同等因素的影响下，如饮酒习惯，血压上升幅度随着饮酒量增加而增大，而具体的实验数据则需要利用梯度下降法对参数进行一个准确的估计。
本说明书中未作详细描述的内容，如各种算法中运用的数学公式等，属于本领域专业技术人员公知的现有技术。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：包括以下模块：
数据采集模块，获取目标用户的多源数据；
因素搜索模块，搜索慢性病致病的直接和间接风险因素数据库以及慢性病知识库，对数据库和知识库进行遍历查找，将搜索相关的数据作为慢性病致病的直接和间接的风险因素数据；
风险映射模块，根据慢性病致病的直接和间接的风险因素数据，建立多源数据与慢性病致病的直接和间接风险因素对应的映射关系模型，根据所述映射关系模型收集映射数据，作为映射数据集；
数据训练验证模块，将所述映射数据集作为改进的KNN分类器的输入，训练KNN分类器，直至其分类误差达到阈值；
数据评估预测模块，根据分类后的数据集建立比例风险回归模型，用于评估目标用户的慢性病相对风险指标。
2.如权利要求1所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：数据采集模块中，所述多源数据，包括但不限于，
行为数据，包括基本信息、个人疾病史、家族疾病史、烟酒习惯、膳食习惯和睡眠习惯数据；
生化指标数据，包括血常规、尿常规、便常规、肝功能数据、常规心电图、内科检查和外科检查数据。
3.如权利要求1所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：因素搜索模块中，将搜索相关的数据作为慢性病致病的直接和间接的风险因素数据之后，对慢性病致病的直接和间接风险因素数据进行归一化处理。
4.如权利要求3所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：所述慢性病致病的直接和间接风险因素数据包括但不限于，遗传因素、性别与年龄因素、从事职业因素、饮食习惯因素和体重超重因素。
5.如权利要求1所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：数据训练验证模块中，所述训练KNN分类器，具体包括以下单元：
距离计算单元，计算已知类别映射数据集中每个点和输入的待测点之间的距离；
排序单元，按照距离递增顺序排序；
选取单元，选取与输入的待测点距离最近的k个点；
频率确定单元，确定前k个点所在类别出现的频率；
预测分类单元，返回前k个点出现频率最高的类别作为输入的待测点的预测分类。
6.如权利要求5所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：距离计算单元中，在计算已知类别映射数据集中每个点和输入的待测点之间的距离之前，利用斯皮尔曼等级相关将映射数据集中的同一疾病类别中的每两个映射数据进行相关度检测，保留相关度高于预设相关度阈值的多组映射数据，作为第一样本集，进行KNN分类；相关度低于预设相关度阈值的多组映射数据，作为第二样本集，进一步地进行KNN分类。
7.如权利要求5所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：排序单元中，在按照距离递增顺序排序之前，对计算后每组映射数据点与点之间的距离进行加权，分为不同权重的每组映射数据。
8.如权利要求6所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：选取单元中，在选取与输入的待测点距离最近的k个点之前，采用交叉验证法，求得第一样本集KNN分类后所对应的k值，并作为后续第二样本集进一步KNN分类的k取值。
9.如权利要求1所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：数据训练验证模块中还包括误差估计单元，用于设定好一个误差阈值，并将KNN分类器返回的预测结果进行误差估计，未达到误差阈值则重复训练KNN分类器。
10.如权利要求1所述的一种融合多源数据智能评估预测慢性病风险的系统，其特征在于：数据评估预测模块中，在根据分类后的数据集建立比例风险回归模型之后，采用梯度下降法对参数进行估计。
CN202111070025.5A 2021-09-13 2021-09-13 一种融合多源数据智能评估预测慢性病风险的系统 Pending CN113921136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111070025.5A CN113921136A (zh) 2021-09-13 2021-09-13 一种融合多源数据智能评估预测慢性病风险的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111070025.5A CN113921136A (zh) 2021-09-13 2021-09-13 一种融合多源数据智能评估预测慢性病风险的系统

Publications (1)

Publication Number Publication Date
CN113921136A true CN113921136A (zh) 2022-01-11

Family

ID=79234655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111070025.5A Pending CN113921136A (zh) 2021-09-13 2021-09-13 一种融合多源数据智能评估预测慢性病风险的系统

Country Status (1)

Country Link
CN (1) CN113921136A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994713A (zh) * 2023-03-22 2023-04-21 中国人民解放军火箭军工程大学 一种基于多源数据的操作训练效果评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994713A (zh) * 2023-03-22 2023-04-21 中国人民解放军火箭军工程大学 一种基于多源数据的操作训练效果评估方法及系统
CN115994713B (zh) * 2023-03-22 2023-06-16 中国人民解放军火箭军工程大学 一种基于多源数据的操作训练效果评估方法及系统

Similar Documents

Publication Publication Date Title
CN108648827B (zh) 心脑血管疾病风险预测方法及装置
O'connell et al. The sensitivity and specificity of the Morse Fall Scale in an acute care setting.
Griffin et al. Estimating premorbid intelligence comparison of traditional and contemporary methods across the intelligence continuum
CN106355033A (zh) 一种生活风险评估系统
CN114464322B (zh) 女性盆底功能障碍性疾病风险预警模型及其构建方法和系统
CN106485061A (zh) 一种生活风险评估及改善系统的建立方法
US20210027890A1 (en) Detecting, evaluating and predicting system for cancer risk
CN107066798A (zh) 一种心脏健康质量预警系统及其预警方法
CN110313916A (zh) 一种糖尿病足患者足底压力特征识别方法
CN113838577B (zh) 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法
CN111048206A (zh) 一种多维度健康状态的评估方法及装置
CN113921136A (zh) 一种融合多源数据智能评估预测慢性病风险的系统
CN113593708A (zh) 基于集成学习算法的脓毒症预后预测方法
CN117116477A (zh) 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统
CN116451110A (zh) 基于信号能量特征和脉搏周期的血糖预测模型构建方法
CN116864062B (zh) 一种基于互联网的健康体检报告数据分析管理系统
CN111028948A (zh) 一种基于相关风险因素的中风风险评估方法及系统
CN112331340B (zh) 育龄夫妇妊娠概率的智能预测方法及系统
CN110123280A (zh) 一种基于智能移动终端操作行为识别的手指灵活度检测方法
CN112233742A (zh) 一种基于聚类的病历文档分类系统、设备、存储介质
CN116564521A (zh) 一种慢性病风险评估模型建立方法、介质及系统
CN109192315B (zh) 基于加权核回归和封装式偏差搜索的综合年龄检测系统
CN110021426B (zh) 一种不均衡数据下最优化学习样本合成算法选择及参数确定方法
CN107610780B (zh) 一种生理信息数据的分析评价系统及方法
Cui et al. Research on diabetes risk prediction model at early stage based on machine learning

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