CN113921141B - 一种个体慢病演进风险可视化评估方法及系统 - Google Patents

一种个体慢病演进风险可视化评估方法及系统 Download PDF

Info

Publication number
CN113921141B
CN113921141B CN202111523880.7A CN202111523880A CN113921141B CN 113921141 B CN113921141 B CN 113921141B CN 202111523880 A CN202111523880 A CN 202111523880A CN 113921141 B CN113921141 B CN 113921141B
Authority
CN
China
Prior art keywords
risk
individual
patient
disease
chronic disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111523880.7A
Other languages
English (en)
Other versions
CN113921141A (zh
Inventor
李劲松
蒋一帆
周天舒
田雨
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202111523880.7A priority Critical patent/CN113921141B/zh
Publication of CN113921141A publication Critical patent/CN113921141A/zh
Application granted granted Critical
Publication of CN113921141B publication Critical patent/CN113921141B/zh
Priority to JP2023538042A priority patent/JP7430295B2/ja
Priority to PCT/CN2022/116969 priority patent/WO2023109199A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种个体慢病演进风险可视化评估方法及系统，本发明从研究文献中获取风险关系知识，并对同一研究目的的不同研究结果进行合并，从而系统地构建包含各种复杂关系的慢病风险循证语义知识库；基于慢病风险循证语义知识库，结合患者个体数据和人群暴露率数据，计算患者个体慢病演进风险，绘制患者个体慢病演进风险路径图，既考虑患者个体差异，给出个性化评估结果，又确保评估结果有循证支持；本发明提供可视化、交互式的患者个体慢病演进风险分析方法，让信息表达更加清晰、直观、生动，让患者充分了解自身慢病演进风险、干预治疗措施的预期效果，充分参与临床决策，实现医患共同决策，提升患者依从性及治疗效果。

Description

一种个体慢病演进风险可视化评估方法及系统
技术领域
本发明属于医疗信息技术领域，尤其涉及一种个体慢病演进风险可视化评估方法及系统。
背景技术
慢病是慢性非传染性疾病的简称，是一类起病隐匿、病程长且病情迁延不愈、缺乏确切病因证据的疾病的总称，主要包括糖尿病、高血压、心血管疾病和慢性肾病等。慢病的一大特点是合并症、并发症多，且发病率高，有至少一半以上的慢病患者具有合并症或并发症。复杂的并发症会影响患者的生活质量、提高患者医疗成本，严重的甚至直接提高死亡率。许多并发症可以通过改变生活方式、用药等干预治疗方法进行预防，但是需要对患者进行有效的健康教育、患者进行有效的自我管理。
慢病患者去医院就诊时，医生会根据患者问诊情况和临床数据对患者进行诊断，评估患者慢病可能演进的并发症、合并症风险，并给出干预治疗方案，干预治疗方案包括用药治疗、生活方式干预、患者自我管理措施等。对于患者的慢病演进风险评估，医生往往借助临床指南或现有临床决策支持系统。对于患者的干预治疗方案，主要通过口头或医嘱文本传达。存在的不足在于：
1.现有的临床指南或临床决策支持系统往往来自于各个研究文献的循证证据。研究文献一般是针对单个疾病进行相关风险因素或干预治疗的研究并形成循证证据，比如研究吸烟这一风险因素对于增加患高血压风险的影响，或研究跑步这一干预治疗措施对于降低高血压风险的影响。现有的临床指南或临床决策支持系统会针对某疾病筛选、汇集相关的研究文献结论，以文本形式呈现。但是慢病患者存在个体差异，且各种慢病及其并发症、合并症种类繁多、关系复杂，现有方法主要针对单个疾病分别进行风险评估，没有系统全面地评估慢病及其多种并发症、合并症的复杂演进关系。
2.现有存在一些采用机器学习、数据挖掘算法对患者个体数据分析并预测慢病及其并发症、合并症风险的方法，但是这些方法也难以做到对几十种疾病复杂关系的精准考虑，且缺乏循证支持，难以真正应用到临床实际场景中。
3.慢病的特殊性在于许多干预治疗措施需要在院外、日常生活中进行，例如生活方式干预、运动干预、饮食干预等，这需要患者具备自我管理的意愿和能力。医生将评估结果和干预治疗措施通过口头或医嘱文本形式传达给患者，不够清晰、直观，会使得患者对于自身慢病演进风险理解不全面、不深入，对于医生给出的干预治疗措施的预期效果不了解，从而导致依从性降低，治疗效果不好。
发明内容
本发明的目的在于针对现有技术的不足，提供一种个体慢病演进风险可视化评估方法及系统，为医生和患者呈现针对患者个性化的慢病演进风险评估，帮助医患共同决策。
本发明的目的是通过以下技术方案来实现的：
本发明一方面公开了一种个体慢病演进风险可视化评估方法，该方法包括以下步骤：
(1)构建慢病风险循证语义知识库，包括：构建慢病及其并发症、合并症的疾病实体，以及与疾病相关的风险因素实体，对于每个疾病实体，检索相关研究文献，提取风险关系语义知识，对同一研究目的的不同研究文献的相对风险比进行合并，使用合并后的相对风险比表征实体之间的关系，构建慢病风险循证语义知识库；
(2)针对慢病风险循证语义知识库中的所有实体，关联实体对应的人群暴露率，构建人群暴露率数据库；
(3)构建患者个体数据标准模型，从多个数据源获取患者个体健康数据，将获取的患者个体健康数据进行匹配，抽取、转换、加载到所述患者个体数据标准模型；
(4) 计算与绘制患者个体慢病演进风险路径图，包括：基于所述慢病风险循证语义知识库、所述人群暴露率数据库和所述患者个体数据标准模型，构建表征个体慢病演进风险的带权有向图，有向图的顶点为患者已发生的风险因素以及可能发生的疾病，对应所述慢病风险循证语义知识库中的实体，有向图的边权重为两个实体之间的相对风险比，边方向为实体之间产生影响的方向；将各个顶点的总体相对风险比存储在风险矩阵中；根据患者个体的带权有向图和风险矩阵绘制患者个体慢病演进风险路径图；
(5)患者个体慢病演进风险交互式分析，包括：若患者个体数据变化，则更新患者个体数据标准模型，绘制新的患者个体慢病演进风险路径图，可视化地展示演进风险路径上疾病风险变化。
进一步地，步骤(1)中，以慢病及其并发症、合并症的相关研究文献作为知识库的知识来源，以医疗健康标准术语集作为数据语义标识，构建慢病及其并发症、合并症的风险关系语义知识。
进一步地，步骤(1)中，所述慢病风险循证语义知识库的数据结构设计为符合OWL语言格式规范的RDF三元组，每个三元组包括两个实体，表征来源的实体A和表征结果的实体B，以及实体之间的关系C；实体类包括人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状；所述实体B的类为疾病，所述实体A是所述实体B的风险因素，所述实体之间的关系C包括增加风险和降低风险，使用相对风险比进行表征。
进一步地，步骤(1)中，所述对同一研究目的的不同研究文献的相对风险比进行合并，包括：
(1.1) 使用Q检验法对不同研究文献的异质性进行识别，得到检验量
Figure 991993DEST_PATH_IMAGE001
，检验量
Figure 886000DEST_PATH_IMAGE001
服从自由度为K-1的卡方分布，K为研究文献总数；使用卡方检验获得卡方值
Figure 249985DEST_PATH_IMAGE002
，若
Figure 908762DEST_PATH_IMAGE003
，
Figure 92619DEST_PATH_IMAGE004
为置信度，则表明各研究文献间存在异质性，否则表明各研究文献间无 异质性；
(1.2)若各研究文献间无异质性，使用固定效应模型Mantel-Hasenzel法计算合并后的相对风险比，否则使用随机效应模型D-L法计算合并后的相对风险比。
进一步地，所述检验量
Figure 259158DEST_PATH_IMAGE005
的计算公式如下：
Figure 680912DEST_PATH_IMAGE006
其中，
Figure 9125DEST_PATH_IMAGE007
为第i个研究文献的权重，
Figure 414699DEST_PATH_IMAGE008
为第i个研究文献所包含样本的相 对风险比的方差，
Figure 886394DEST_PATH_IMAGE009
为第i个研究文献的相对风险比，
Figure 428233DEST_PATH_IMAGE010
为各研究文献的相对风险比的 平均值；
若各研究文献间无异质性，使用固定效应模型Mantel-Hasenzel法计算合并后的 相对风险比
Figure 927348DEST_PATH_IMAGE011
的公式如下：
Figure 554638DEST_PATH_IMAGE012
其中，
Figure 797401DEST_PATH_IMAGE013
为指数函数，
Figure 459326DEST_PATH_IMAGE014
为对数函数；
若各研究文献间存在异质性，使用随机效应模型D-L法对权重
Figure 129342DEST_PATH_IMAGE015
进行校正，校正公 式如下：
Figure 745393DEST_PATH_IMAGE016
其中，
Figure 526268DEST_PATH_IMAGE017
，
Figure 308279DEST_PATH_IMAGE018
为第i个研究文献校正后的权重值。
进一步地，步骤(3)中，所述患者个体数据标准模型包括个人基本信息，以及人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状。
进一步地，步骤(3)中，所述患者个体健康数据来源于：医疗机构的临床电子病历，个人健康档案，智能硬件、穿戴式设备采集的健康数据，健康问卷数据，慢病管理机构、养老机构的管理数据。
进一步地，步骤(4)中，结合患者个体已发生的所有风险因素，对每个可能发生的疾病的总体相对风险比进行估算，将估算得到的各个顶点的总体相对风险比存储在风险矩阵中，估算方法包括：
(4.1)logistic回归模型估算总体相对风险比：设有向图中以顶点i为终点的边有n条，边的权重分别为
Figure 149196DEST_PATH_IMAGE019
，则顶点i的总体相对风险比
Figure 751078DEST_PATH_IMAGE020
计算公式如下：
Figure 335644DEST_PATH_IMAGE021
其中，
Figure 706582DEST_PATH_IMAGE022
为第j条边的回归系数，a以顶点i对应疾病的人群患病率来估计，P为对应 疾病的人群患病率，来源于所述人群暴露率数据库；
(4.2)Rothman-Keller模型估算总体相对风险比：设有向图中以顶点i为终点的边 有n条，边的权重分别为
Figure 497163DEST_PATH_IMAGE019
；
计算基准发病比例
Figure 320763DEST_PATH_IMAGE023
：
Figure 709019DEST_PATH_IMAGE024
其中，
Figure 934464DEST_PATH_IMAGE025
为第j条边对应风险因素的人群暴露率，来源于所述人群暴露率数据库；
计算每个风险因素的风险分数
Figure 382763DEST_PATH_IMAGE026
：
Figure 959237DEST_PATH_IMAGE027
设集合E和集合F，对每个风险因素的风险分数
Figure 885605DEST_PATH_IMAGE026
，若
Figure 732601DEST_PATH_IMAGE028
，则将
Figure 351801DEST_PATH_IMAGE026
插入集合E，若
Figure 415572DEST_PATH_IMAGE029
，则将
Figure 145630DEST_PATH_IMAGE026
插入集合F，则顶点i的总体相对风险比
Figure 345668DEST_PATH_IMAGE030
计算公式如下：
Figure 135769DEST_PATH_IMAGE031
其中，m为集合E的元素个数，
Figure 421257DEST_PATH_IMAGE032
为集合E的第i个元素值，k为集合F的元素个数，
Figure 456471DEST_PATH_IMAGE033
为集合E的第j个元素值；
(4.3)混合模型估算总体相对风险比：对logistic回归模型和Rothman-Keller模型的估算结果进行加权平均，作为最终的总体相对风险比。
进一步地，步骤(4)中，所述计算与绘制患者个体慢病演进风险路径图，包括：定义画布位置和尺寸，确定坐标轴比例，选择图表类型，定义节点形状和颜色；节点类型包括人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状，用不同的节点形状区分；对于不同疾病类型，用不同的节点颜色区分；疾病的节点大小通过风险矩阵存储的顶点的总体相对风险比计算，呈线性关系；节点之间的连线粗细通过有向图中边的权重计算，呈线性关系，通过不同的连线颜色区分增加风险和降低风险；将入度为0的节点靠一侧对齐，依次排列下层节点，形成慢病演进风险路径层次。
本发明另一方面公开了一种个体慢病演进风险可视化评估系统，该系统包括：
(1)患者个体数据获取及转换模块：根据患者身份标识，从多个数据源获取患者个体健康数据，将获取的患者个体健康数据进行匹配，抽取、转换、加载到患者个体数据标准模型；
(2)患者个体慢病演进风险可视化评估模块，包括以下单元：
慢病风险循证语义知识库构建单元：构建慢病及其并发症、合并症的疾病实体，以及与疾病相关的风险因素实体，对于每个疾病实体，检索相关研究文献，提取风险关系语义知识，对同一研究目的的不同研究文献的相对风险比进行合并，使用合并后的相对风险比表征实体之间的关系，构建慢病风险循证语义知识库；
人群暴露率数据库构建单元：针对慢病风险循证语义知识库中的所有实体，关联实体对应的人群暴露率，构建人群暴露率数据库；
患者个体慢病演进风险路径图计算与绘制单元：基于慢病风险循证语义知识库、人群暴露率数据库和患者个体数据标准模型，构建表征个体慢病演进风险的带权有向图，有向图的顶点为患者已发生的风险因素以及可能发生的疾病，对应慢病风险循证语义知识库中的实体，有向图的边权重为两个实体之间的相对风险比，边方向为实体之间产生影响的方向；将各个顶点的总体相对风险比存储在风险矩阵中；根据患者个体的带权有向图和风险矩阵绘制患者个体慢病演进风险路径图；
(3)患者个体慢病演进风险交互式分析模块：若患者个体数据变化，则更新患者个体数据标准模型，绘制新的患者个体慢病演进风险路径图，可视化地展示演进风险路径上疾病风险变化，为医生和患者提供动态的、交互式的患者个体慢病演进风险分析。
本发明的有益效果是：
1. 针对现有临床指南或临床决策支持系统没有对多种慢病及其并发症、合并症系统全面评估其复杂关系的问题，本发明从大量的研究文献中获取风险关系知识，并对同一研究目的的不同研究结果进行合并，从而系统地构建包含各种复杂关系的慢病风险循证语义知识库。
2. 针对现有针对患者个体慢病风险预测方法存在的无法覆盖几十种疾病复杂关系、在临床实际应用中缺乏循证支持的问题，本发明基于慢病风险循证语义知识库，结合患者个体数据和人群暴露率数据，计算患者个体慢病演进风险，并绘制患者个体慢病演进风险路径图，既考虑患者个体差异，给出个性化评估结果，又确保评估结果有循证支持。
3. 针对现有医患诊疗中的决策与交流存在的患者理解不全面、不深入、依从性低的问题，本发明基于患者个体慢病演进风险路径图绘制方法，提供可视化、交互式的患者个体慢病演进风险分析方法，让信息表达更加清晰、直观、生动，让患者充分了解自身慢病演进风险、干预治疗措施的预期效果，充分参与临床决策，实现医患共同决策，从而帮助患者依从性以及治疗效果的提升。
附图说明
图1为本发明实施例提供的个体慢病演进风险可视化评估方法流程图；
图2为本发明实施例提供的慢病风险循证语义知识库构建流程图；
图3为本发明实施例提供的患者个体慢病演进风险路径图示例；
图4为本发明实施例提供的个体慢病演进风险可视化评估系统结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
本发明实施例提供一种个体慢病演进风险可视化评估方法，如图1所示，包括以下步骤：
（1）构建慢病风险循证语义知识库
基于医学证据的疾病风险关系是评估慢病演进风险的基础，因此需要首先构建慢病风险循证语义知识库。以慢病及其并发症、合并症相关的研究文献作为知识库的知识来源，以医疗健康标准术语集作为数据语义标识，构建慢病及其并发症、合并症的风险关系语义知识。
医疗健康标准术语集可以采用SNOMED CT、ICD-10、UMLS等构建。
慢病风险循证语义知识库的数据结构设计为符合OWL（Web Ontology Language）语言格式规范的RDF（Resource Description Framework）三元组，使得慢病风险知识变为适合于计算机推理的语义结构。每个三元组包括两个实体，表征来源的实体A和表征结果的实体B，以及两个实体之间的关系C。实体类包括人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状等。非药物干预治疗手段包括行为、运动、饮食等。
本发明构建的慢病风险循证语义知识库主要是为了表征疾病风险关系，三元组中实体B的类为疾病，采用医疗健康标准术语集作为唯一语义标识。实体A是实体B的风险因素，实体A包含上述所有实体类。也就是说，疾病的风险因素既包括人口统计学信息、检查检验、药物、非药物干预治疗手段、症状等实体类，也包括其他疾病。实体之间的关系C主要包括增加风险和降低风险，使用相对风险比（risk ratio, RR）进行表征。相对风险比是指暴露组的发病率与对照组的发病率之比。RR=1，说明实体A与实体B无关联；RR>1，说明实体A与实体B之间的关系为增加风险；RR<1，说明实体A与实体B之间的关系为降低风险。
如图2所示，根据临床指南与专家意见，构建知识库的实体，包括慢病及其并发症、合并症的疾病实体，以及与这些疾病相关的人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状这些风险因素实体。对每个疾病实体，检索公开发表的相关研究文献（可以采用关键词检索），构建慢病临床文献库。使用自然语言处理技术获取研究文献中的风险关系语义知识，并将研究文献中提取的各个风险因素与已构建的风险因素实体进行语义映射，从而构建各个疾病的风险关系三元组。慢病风险循证语义知识库使用neo4j进行存储。
在不同的研究文献中，同样两个实体之间的相对风险比可能是不一样的，因此在提取出各研究文献的风险关系语义知识后，借鉴Meta分析的思想，对同一研究目的的不同研究结果进行分析与合并，从而获得最终的最为可信的相对风险比。
1、首先，使用Q检验法对不同研究文献的异质性进行识别，得到检验量
Figure 511015DEST_PATH_IMAGE005
，计算公式 如下：
Figure 472018DEST_PATH_IMAGE034
其中，K为研究文献总数，
Figure 979222DEST_PATH_IMAGE015
为第i个研究文献的权重，
Figure 316663DEST_PATH_IMAGE035
为第i个研究文献的效 应量，也就是相对风险比值，
Figure 491292DEST_PATH_IMAGE010
为各研究文献的相对风险比值的平均值。
Figure 357617DEST_PATH_IMAGE036
其中，
Figure 384741DEST_PATH_IMAGE037
为第i个研究文献所包含样本的相对风险比值的方差。
检验量
Figure 994714DEST_PATH_IMAGE038
服从自由度为K-1的卡方分布。使用卡方检验，获得卡方值
Figure 23850DEST_PATH_IMAGE039
。若
Figure 61076DEST_PATH_IMAGE040
，则表明各研究文献间存在异质性，否则表明各研究文献间无异质性，其 中，
Figure 808452DEST_PATH_IMAGE041
为置信度，可设置为0.05。
2、然后，对多个研究文献的相对风险比值结果进行合并。
若各研究文献间无异质性，使用固定效应模型Mantel-Hasenzel法计算合并后的 相对风险比值
Figure 222116DEST_PATH_IMAGE011
。
Figure 371338DEST_PATH_IMAGE012
其中，
Figure 346509DEST_PATH_IMAGE013
为指数函数，
Figure 315602DEST_PATH_IMAGE042
为对数函数。
若各研究文献间存在异质性，使用随机效应模型D-L法对权重
Figure 532957DEST_PATH_IMAGE043
进行校正，校正公 式如下：
Figure 536685DEST_PATH_IMAGE016
其中，
Figure 915714DEST_PATH_IMAGE044
，
Figure 637682DEST_PATH_IMAGE018
为第i个研究文献校正后的权重值。
（2）构建人群暴露率数据库
针对慢病风险循证语义知识库中的所有实体，关联实体对应的人群暴露率。人群暴露率是指人群中实体的暴露人数与总人数之比。例如，某实体为“吸烟”，则该实体的人群暴露率为人群中吸烟人数除以总人数。对于疾病实体，人群暴露率即为人群患病率。人群暴露率数据库的数据来源可以是公开发布的统计数据、自行对某人群数据库进行统计的数据，人群可以是全国人群、本地人群、某医院人群等，本发明不做具体限定。例如，本系统用于某医院，则数据来源可以是医院全体患者的统计数据；本系统用于某区域，则数据来源可以是区域全体患者的统计数据。
（3）构建患者个体数据标准模型
患者个体健康数据来源于：多医疗机构的临床电子病历，个人健康档案，智能硬件、穿戴式设备采集的健康数据，健康问卷数据，慢病管理机构、养老机构等管理数据等。患者个体数据标准模型包括个人基本信息，以及人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状等信息。将多个数据源中的患者个体健康数据进行匹配，抽取、转换、加载到患者个体数据标准模型。患者个体数据标准模型采用的术语与慢病风险循证语义知识库中的医疗健康标准术语集保持一致。
（4）患者个体慢病演进风险路径图计算与绘制
针对患者个体，基于慢病风险循证语义知识库、人群暴露率数据库和患者个体数据标准模型，构建表征个体慢病演进风险的带权有向图G(V,E)。有向图G的顶点集V中的顶点为患者已发生的风险因素以及可能发生的疾病，对应慢病风险循证语义知识库中的实体；有向图G的边集E中的边权重为两个实体之间的相对风险比，边的方向为实体之间产生影响的方向。另外，慢病风险循证语义知识库中存储的是单个风险因素与疾病的风险关系，结合患者个体已发生的所有风险因素，可以对每个可能发生的疾病的总体相对风险比进行估算，将估算获得的各个顶点的总体相对风险比存储在风险矩阵M中。
其中，总体相对风险比可以用三种方法进行估算：logistic回归模型、Rothman-Keller模型和混合模型。
1、logistic回归模型估算总体相对风险比
设有向图G中以顶点i为终点的边有n条，边的权重分别为
Figure 393148DEST_PATH_IMAGE045
。则 顶点i的总体相对风险比
Figure 752848DEST_PATH_IMAGE046
计算公式如下：
Figure 568357DEST_PATH_IMAGE047
其中，
Figure 777622DEST_PATH_IMAGE022
为第j条边的回归系数，计算公式为：
Figure 71200DEST_PATH_IMAGE048
a以该顶点对应疾病的人群患病率来估计，计算公式为：
Figure 49520DEST_PATH_IMAGE049
其中，P为对应疾病的人群暴露率，即人群患病率，来源于上述人群暴露率数据库。
2、Rothman-Keller模型估算总体相对风险比
设有向图G中以顶点i为终点的边有n条，边的权重分别为
Figure 35931DEST_PATH_IMAGE045
。
首先，计算基准发病比例
Figure 466912DEST_PATH_IMAGE023
：
Figure 65646DEST_PATH_IMAGE024
其中，
Figure 898472DEST_PATH_IMAGE025
为第j条边对应风险因素在人群中的暴露率，来源于上述人群暴露率数据 库。
然后，计算每个风险因素的风险分数
Figure 55784DEST_PATH_IMAGE026
：
Figure 974062DEST_PATH_IMAGE027
最后，计算顶点i的总体相对风险比
Figure 609442DEST_PATH_IMAGE030
：
设集合E和集合F，对每个风险因素的风险分数
Figure 296776DEST_PATH_IMAGE026
，若
Figure 890568DEST_PATH_IMAGE026
大于等于1，则将
Figure 532027DEST_PATH_IMAGE026
插入集 合E，若
Figure 236678DEST_PATH_IMAGE026
小于1，则将
Figure 778518DEST_PATH_IMAGE050
插入集合F，则：
Figure 277632DEST_PATH_IMAGE051
其中，m为集合E的元素个数，
Figure 170502DEST_PATH_IMAGE032
为集合E的第i个元素值，k为集合F的元素个数，
Figure 147685DEST_PATH_IMAGE033
为集合E的第j个元素值。
3、混合模型估算总体相对风险比
混合模型即为logistic回归模型和Rothman-Keller模型结果相结合的模型。对上述两种模型的结果进行加权平均，得到最终的总体相对风险比。权重可以人为根据经验选择，本发明不做具体限定。
将患者个体的带权有向图G和风险矩阵M使用绘图插件echarts进行可视化绘图。定义画布的位置和尺寸，确定坐标轴的比例，选择图表类型，定义节点形状和颜色。节点的类型包括人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状等，用不同的节点形状区分。对于不同疾病类型，例如心血管系统疾病、泌尿系统疾病、内分泌系统疾病、其他疾病等，用不同的节点颜色区分。疾病的节点大小通过风险矩阵M存储的顶点的总体相对风险比值计算，呈线性关系，总体相对风险比值越大，节点越大。节点之间的连线粗细通过带权有向图G中边的权重计算，呈线性关系，反映两个节点之间的相对风险大小，节点之间的连线通过不同的颜色区分增加风险和降低风险。将入度为0的节点靠左对齐，依次排列下层的节点，形成慢病演进风险路径层次。图3为患者个体慢病演进风险路径图的一个示例。
（5）患者个体慢病演进风险交互式分析
上述患者个体慢病演进风险路径图计算与绘制，主要基于患者初始的数据进行计 算和绘制。为了让患者更加生动、清晰地了解个体执行干预治疗手段后、或者个体数据变化 后演进路径上各个疾病风险的变化，提供患者个体慢病演进风险交互式分析方法，实现动 态的、可交互的、可视化的分析。设t时刻，某患者个体数据标准模型为集合A，其中，不可调 节的数据为集合B，包括人口统计学等基础信息，可调节的数据为集合C，包括检查检验中的 物理检查结果，如体重，还包括药物、非药物干预治疗手段、疾病、症状等数据。A=B+C。此时 刻，根据上述患者个体慢病演进风险路径图计算与绘制方法绘制出对应的路径图D。若
Figure 809611DEST_PATH_IMAGE052
时 刻，患者动态调节了可调节的某些数据，可调节数据集C变为
Figure 234952DEST_PATH_IMAGE053
，则此时刻的患者个体数据 标准模型为
Figure 349538DEST_PATH_IMAGE054
。此时刻，根据上述患者个体慢病演进风险路径图计算与绘制方法 绘制出对应的路径图
Figure 130413DEST_PATH_IMAGE055
。由于患者调节了某些参数，可以可视化地看到
Figure 646845DEST_PATH_IMAGE052
时刻相比于t时刻 的变化，从而生动、清晰、准确地了解执行干预治疗手段后、或者个体数据变化后演进路径 上各个疾病风险的变化。也可以对比不同的慢病干预治疗手段对于慢病及其并发症、合并 症的风险，从而选择对该患者最有效的管理方案。医生能够对患者进行有效的解释说明，患 者能够更好理解，实现医患共同决策，提升患者依从性。
本发明实施例还提供一种个体慢病演进风险可视化评估系统，如图4所示，该系统包括：
患者个体数据获取及转换模块：根据患者身份标识，从多个数据源获取患者个体健康数据，将获取的患者个体健康数据进行匹配，抽取、转换、加载到患者个体数据标准模型；该模块的实现可以参考上述步骤（3）。
患者个体慢病演进风险可视化评估模块，包括以下单元：
慢病风险循证语义知识库构建单元：构建慢病及其并发症、合并症的疾病实体，以及与疾病相关的风险因素实体，对于每个疾病实体，检索相关研究文献，提取风险关系语义知识，对同一研究目的的不同研究文献的相对风险比进行合并，使用合并后的相对风险比表征实体之间的关系，构建慢病风险循证语义知识库；该单元的实现可以参考上述步骤（1）；
人群暴露率数据库构建单元：针对慢病风险循证语义知识库中的所有实体，关联实体对应的人群暴露率，构建人群暴露率数据库；该单元的实现可以参考上述步骤（2）；
患者个体慢病演进风险路径图计算与绘制单元：基于慢病风险循证语义知识库、人群暴露率数据库和患者个体数据标准模型，构建表征个体慢病演进风险的带权有向图，有向图的顶点为患者已发生的风险因素以及可能发生的疾病，对应慢病风险循证语义知识库中的实体，有向图的边权重为两个实体之间的相对风险比，边方向为实体之间产生影响的方向；将各个顶点的总体相对风险比存储在风险矩阵中；根据患者个体的带权有向图和风险矩阵绘制患者个体慢病演进风险路径图；该单元的实现可以参考上述步骤（4）。
患者个体慢病演进风险交互式分析模块：若患者个体数据变化，则更新患者个体数据标准模型，绘制新的患者个体慢病演进风险路径图，可视化地展示演进风险路径上疾病风险变化，为医生和患者提供动态的、交互式的患者个体慢病演进风险分析；该模块的实现可以参考上述步骤（5）。
以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (9)

1.一种个体慢病演进风险可视化评估方法，其特征在于，包括以下步骤：
(1)构建慢病风险循证语义知识库，包括：构建慢病及其并发症、合并症的疾病实体，以及与疾病相关的风险因素实体，对于每个疾病实体，检索相关研究文献，提取风险关系语义知识，对同一研究目的的不同研究文献的相对风险比进行合并，使用合并后的相对风险比表征实体之间的关系，构建慢病风险循证语义知识库；
(2)针对慢病风险循证语义知识库中的所有实体，关联实体对应的人群暴露率，构建人群暴露率数据库；
(3)构建患者个体数据标准模型，从多个数据源获取患者个体健康数据，将获取的患者个体健康数据进行匹配，抽取、转换、加载到所述患者个体数据标准模型；
(4)计算与绘制患者个体慢病演进风险路径图，包括：基于所述慢病风险循证语义知识库、所述人群暴露率数据库和所述患者个体数据标准模型，构建表征个体慢病演进风险的带权有向图，有向图的顶点为患者已发生的风险因素以及可能发生的疾病，对应所述慢病风险循证语义知识库中的实体，带权有向图的边权重为两个实体之间的相对风险比，边方向为实体之间产生影响的方向；结合患者个体已发生的所有风险因素，对每个可能发生的疾病的总体相对风险比进行估算，将估算得到的各个顶点的总体相对风险比存储在风险矩阵中；根据患者个体的带权有向图和风险矩阵绘制患者个体慢病演进风险路径图；总体相对风险比的估算方法包括：
(4.1)logistic回归模型估算总体相对风险比：设带权有向图中以顶点i为终点的边有n条，边的权重分别为
Figure DEST_PATH_IMAGE002
，则顶点i的总体相对风险比
Figure DEST_PATH_IMAGE004
计算公式如下：
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE008
为第j条边的回归系数，a以顶点i对应疾病的人群患病率来估计，P为对应疾病的人群患病率，来源于所述人群暴露率数据库；
(4.2)Rothman-Keller模型估算总体相对风险比：设带权有向图中以顶点i为终点的边有n条，边的权重分别为
Figure 904919DEST_PATH_IMAGE002
；
计算基准发病比例
Figure DEST_PATH_IMAGE010
：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
为第j条边对应风险因素的人群暴露率，来源于所述人群暴露率数据库；
计算每个风险因素的风险分数
Figure DEST_PATH_IMAGE016
：
Figure DEST_PATH_IMAGE018
设集合E和集合F，对每个风险因素的风险分数
Figure 667732DEST_PATH_IMAGE016
，若
Figure DEST_PATH_IMAGE020
，则将
Figure 181890DEST_PATH_IMAGE016
插入集合E，若
Figure DEST_PATH_IMAGE022
，则将
Figure 514782DEST_PATH_IMAGE016
插入集合F，则顶点i的总体相对风险比
Figure DEST_PATH_IMAGE023
计算公式如下：
Figure DEST_PATH_IMAGE025
其中，m为集合E的元素个数，
Figure DEST_PATH_IMAGE027
为集合E的第i个元素值，k为集合F的元素个数，
Figure DEST_PATH_IMAGE029
为集合E的第j个元素值；
(4.3)混合模型估算总体相对风险比：对logistic回归模型和Rothman-Keller模型的估算结果进行加权平均，作为最终的总体相对风险比；
(5)患者个体慢病演进风险交互式分析，包括：若患者个体数据变化，则更新患者个体数据标准模型，绘制新的患者个体慢病演进风险路径图，可视化地展示演进风险路径上疾病风险变化。
2.根据权利要求1所述的一种个体慢病演进风险可视化评估方法，其特征在于，步骤(1)中，以慢病及其并发症、合并症的相关研究文献作为慢病风险循证语义知识库的知识来源，以医疗健康标准术语集作为数据语义标识，构建慢病及其并发症、合并症的风险关系语义知识。
3.根据权利要求1所述的一种个体慢病演进风险可视化评估方法，其特征在于，步骤(1)中，所述慢病风险循证语义知识库的数据结构设计为符合OWL语言格式规范的RDF三元组，每个三元组包括两个实体，表征来源的实体A和表征结果的实体B，以及实体之间的关系C；实体类包括人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状；所述实体B的类为疾病，所述实体A是所述实体B的风险因素，所述实体之间的关系C包括增加风险和降低风险，使用相对风险比进行表征。
4.根据权利要求1所述的一种个体慢病演进风险可视化评估方法，其特征在于，步骤(1)中，所述对同一研究目的的不同研究文献的相对风险比进行合并，包括：
(1.1)使用Q检验法对不同研究文献的异质性进行识别，得到检验量
Figure DEST_PATH_IMAGE031
，检验量
Figure 640739DEST_PATH_IMAGE031
服从自由度为K-1的卡方分布，K为研究文献总数；使用卡方检验获得卡方值
Figure DEST_PATH_IMAGE033
，若
Figure DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE037
为置信度，则表明各研究文献间存在异质性，否则表明各研究文献间无异质性；
(1.2)若各研究文献间无异质性，使用固定效应模型Mantel-Hasenzel法计算合并后的相对风险比，否则使用随机效应模型D-L法计算合并后的相对风险比。
5.根据权利要求4所述的一种个体慢病演进风险可视化评估方法，其特征在于，所述检验量
Figure 869726DEST_PATH_IMAGE031
的计算公式如下：
Figure DEST_PATH_IMAGE039
其中，
Figure DEST_PATH_IMAGE041
为第i个研究文献的权重，
Figure DEST_PATH_IMAGE043
为第i个研究文献所包含样本的相对风险比的方差，
Figure DEST_PATH_IMAGE045
为第i个研究文献的相对风险比，
Figure DEST_PATH_IMAGE047
为各研究文献的相对风险比的平均值；
若各研究文献间无异质性，使用固定效应模型Mantel-Hasenzel法计算合并后的相对风险比
Figure DEST_PATH_IMAGE049
的公式如下：
Figure DEST_PATH_IMAGE051
其中，
Figure DEST_PATH_IMAGE053
为指数函数，
Figure DEST_PATH_IMAGE055
为对数函数；
若各研究文献间存在异质性，使用随机效应模型D-L法对权重
Figure DEST_PATH_IMAGE057
进行校正，校正公式如下：
Figure DEST_PATH_IMAGE059
其中，
Figure DEST_PATH_IMAGE061
，
Figure DEST_PATH_IMAGE063
为第i个研究文献校正后的权重值。
6.根据权利要求1所述的一种个体慢病演进风险可视化评估方法，其特征在于，步骤(3)中，所述患者个体数据标准模型包括个人基本信息，以及人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状。
7.根据权利要求1所述的一种个体慢病演进风险可视化评估方法，其特征在于，步骤(3)中，所述患者个体健康数据来源于：医疗机构的临床电子病历，个人健康档案，智能硬件、穿戴式设备采集的健康数据，健康问卷数据，慢病管理机构、养老机构的管理数据。
8.根据权利要求1所述的一种个体慢病演进风险可视化评估方法，其特征在于，步骤(4)中，所述计算与绘制患者个体慢病演进风险路径图，包括：定义画布位置和尺寸，确定坐标轴比例，选择图表类型，定义节点形状和颜色；节点类型包括人口统计学信息、检查检验、药物、非药物干预治疗手段、疾病、症状，用不同的节点形状区分；对于不同疾病类型，用不同的节点颜色区分；疾病的节点大小通过风险矩阵存储的顶点的总体相对风险比计算，呈线性关系；节点之间的连线粗细通过带权有向图中边的权重计算，呈线性关系，通过不同的连线颜色区分增加风险和降低风险；将入度为0的节点靠一侧对齐，依次排列下层节点，形成慢病演进风险路径层次。
9.一种个体慢病演进风险可视化评估系统，其特征在于，包括：
(1)患者个体数据获取及转换模块：根据患者身份标识，从多个数据源获取患者个体健康数据，将获取的患者个体健康数据进行匹配，抽取、转换、加载到患者个体数据标准模型；
(2)患者个体慢病演进风险可视化评估模块，包括以下单元：
慢病风险循证语义知识库构建单元：构建慢病及其并发症、合并症的疾病实体，以及与疾病相关的风险因素实体，对于每个疾病实体，检索相关研究文献，提取风险关系语义知识，对同一研究目的的不同研究文献的相对风险比进行合并，使用合并后的相对风险比表征实体之间的关系，构建慢病风险循证语义知识库；
人群暴露率数据库构建单元：针对慢病风险循证语义知识库中的所有实体，关联实体对应的人群暴露率，构建人群暴露率数据库；
患者个体慢病演进风险路径图计算与绘制单元：基于慢病风险循证语义知识库、人群暴露率数据库和患者个体数据标准模型，构建表征个体慢病演进风险的带权有向图，带权有向图的顶点为患者已发生的风险因素以及可能发生的疾病，对应慢病风险循证语义知识库中的实体，带权有向图的边权重为两个实体之间的相对风险比，边方向为实体之间产生影响的方向；结合患者个体已发生的所有风险因素，对每个可能发生的疾病的总体相对风险比进行估算，将估算得到的各个顶点的总体相对风险比存储在风险矩阵中；根据患者个体的带权有向图和风险矩阵绘制患者个体慢病演进风险路径图；总体相对风险比的估算方法包括：
a. logistic回归模型估算总体相对风险比：设带权有向图中以顶点i为终点的边有n条，边的权重分别为
Figure 28437DEST_PATH_IMAGE002
，则顶点i的总体相对风险比
Figure 696179DEST_PATH_IMAGE004
计算公式如下：
Figure 833899DEST_PATH_IMAGE006
其中，
Figure 92842DEST_PATH_IMAGE008
为第j条边的回归系数，a以顶点i对应疾病的人群患病率来估计，P为对应疾病的人群患病率，来源于所述人群暴露率数据库；
b. Rothman-Keller模型估算总体相对风险比：设带权有向图中以顶点i为终点的边有n条，边的权重分别为
Figure 316013DEST_PATH_IMAGE002
；
计算基准发病比例
Figure 256287DEST_PATH_IMAGE010
：
Figure 248514DEST_PATH_IMAGE012
其中，
Figure 943938DEST_PATH_IMAGE014
为第j条边对应风险因素的人群暴露率，来源于所述人群暴露率数据库；
计算每个风险因素的风险分数
Figure 144151DEST_PATH_IMAGE016
：
Figure 888116DEST_PATH_IMAGE018
设集合E和集合F，对每个风险因素的风险分数
Figure 734849DEST_PATH_IMAGE016
，若
Figure 335595DEST_PATH_IMAGE020
，则将
Figure 533358DEST_PATH_IMAGE016
插入集合E，若
Figure 815435DEST_PATH_IMAGE022
，则将
Figure 782254DEST_PATH_IMAGE016
插入集合F，则顶点i的总体相对风险比
Figure 819480DEST_PATH_IMAGE004
计算公式如下：
Figure 238960DEST_PATH_IMAGE025
其中，m为集合E的元素个数，
Figure 324728DEST_PATH_IMAGE027
为集合E的第i个元素值，k为集合F的元素个数，
Figure DEST_PATH_IMAGE064
为集合E的第j个元素值；
c.混合模型估算总体相对风险比：对logistic回归模型和Rothman-Keller模型的估算结果进行加权平均，作为最终的总体相对风险比；
(3)患者个体慢病演进风险交互式分析模块：若患者个体数据变化，则更新患者个体数据标准模型，绘制新的患者个体慢病演进风险路径图，可视化地展示演进风险路径上疾病风险变化。
CN202111523880.7A 2021-12-14 2021-12-14 一种个体慢病演进风险可视化评估方法及系统 Active CN113921141B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111523880.7A CN113921141B (zh) 2021-12-14 2021-12-14 一种个体慢病演进风险可视化评估方法及系统
JP2023538042A JP7430295B2 (ja) 2021-12-14 2022-09-05 個体慢性疾患進行リスク可視化評価方法及びシステム
PCT/CN2022/116969 WO2023109199A1 (zh) 2021-12-14 2022-09-05 一种个体慢病演进风险可视化评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111523880.7A CN113921141B (zh) 2021-12-14 2021-12-14 一种个体慢病演进风险可视化评估方法及系统

Publications (2)

Publication Number Publication Date
CN113921141A CN113921141A (zh) 2022-01-11
CN113921141B true CN113921141B (zh) 2022-04-08

Family

ID=79249112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111523880.7A Active CN113921141B (zh) 2021-12-14 2021-12-14 一种个体慢病演进风险可视化评估方法及系统

Country Status (3)

Country Link
JP (1) JP7430295B2 (zh)
CN (1) CN113921141B (zh)
WO (1) WO2023109199A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113921141B (zh) * 2021-12-14 2022-04-08 之江实验室 一种个体慢病演进风险可视化评估方法及系统
CN115036034B (zh) * 2022-08-11 2022-11-08 之江实验室 一种基于患者表征图的相似患者识别方法及系统
CN117198527B (zh) * 2023-08-24 2024-02-23 北京大学人民医院 一种亲缘造血干细胞移植术后的风险评估系统及方法
CN116959715B (zh) * 2023-09-18 2024-01-09 之江实验室 一种基于时序演进过程解释的疾病预后预测系统
CN117854676A (zh) * 2024-01-17 2024-04-09 泰昊乐生物科技有限公司 一种健康管理计划定制方法及系统
CN117936114B (zh) * 2024-03-13 2024-06-25 湖北福鑫科创信息技术有限公司 基于大语言模型的电子病历智能化分析与优化系统
CN117912708B (zh) * 2024-03-14 2024-05-17 苏州市相城区疾病预防控制中心 公共卫生中慢性非传染性疾病防控方法、系统及存储介质
CN118136270B (zh) * 2024-05-10 2024-06-25 恺恩泰(南京)科技有限公司 一种基于数据分析慢病健康监测与预警系统与方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108877943A (zh) * 2018-06-21 2018-11-23 天津医科大学 基于循证医学证据的ii型糖尿病风险评估模型
CN110277167A (zh) * 2019-05-31 2019-09-24 南京邮电大学 基于知识图谱的慢性非传染性疾病风险预测系统
CN111370127A (zh) * 2020-01-14 2020-07-03 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
CN112133445A (zh) * 2020-10-21 2020-12-25 万达信息股份有限公司 一种心血管疾病管理服务方法和系统
CN112820415A (zh) * 2021-02-08 2021-05-18 郑州大学 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法
CN113643821A (zh) * 2021-10-13 2021-11-12 浙江大学 一种多中心知识图谱联合决策支持方法与系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002067775A1 (en) 2001-02-21 2002-09-06 Delphi Health Systems, Inc. Chronic disease outcomes education and communication system
US20130151276A1 (en) * 2011-12-09 2013-06-13 Fabio Alburquerque Thiers Profile rendering for clinical research entities
CN103559397A (zh) * 2013-10-31 2014-02-05 合肥学院 一种应用于高血压慢性病的智慧服务系统及方法
CN108511070A (zh) * 2018-04-18 2018-09-07 郑州大学第附属医院 一种糖尿病患者评估及管理系统
JP7107375B2 (ja) 2018-08-31 2022-07-27 日本電信電話株式会社 状態遷移予測装置、予測モデル学習装置、方法およびプログラム
CN110718302A (zh) * 2019-10-22 2020-01-21 江苏健康无忧网络科技有限公司 一种基于大数据的糖尿病管理路径的系统
US20210272696A1 (en) * 2020-03-02 2021-09-02 University Of Cincinnati System, method computer program product and apparatus for dynamic predictive monitoring in the critical health assessment and outcomes study (chaos)
CN111507827A (zh) * 2020-04-20 2020-08-07 上海商涌网络科技有限公司 一种健康风险评估的方法、终端及计算机存储介质
CN112336358A (zh) * 2020-04-30 2021-02-09 中山大学孙逸仙纪念医院 一种预测致密型乳腺的乳腺病灶恶性风险模型及其构建方法
US20210375472A1 (en) * 2020-06-01 2021-12-02 University Of Washington Methods and systems for decision support
CN112102937B (zh) * 2020-11-13 2021-02-12 之江实验室 一种慢性病辅助决策的患者数据可视化方法及系统
CN113626624B (zh) * 2021-10-12 2021-12-21 腾讯科技（深圳）有限公司 一种资源识别方法和相关装置
CN113921141B (zh) * 2021-12-14 2022-04-08 之江实验室 一种个体慢病演进风险可视化评估方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108877943A (zh) * 2018-06-21 2018-11-23 天津医科大学 基于循证医学证据的ii型糖尿病风险评估模型
CN110277167A (zh) * 2019-05-31 2019-09-24 南京邮电大学 基于知识图谱的慢性非传染性疾病风险预测系统
CN111370127A (zh) * 2020-01-14 2020-07-03 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
CN112133445A (zh) * 2020-10-21 2020-12-25 万达信息股份有限公司 一种心血管疾病管理服务方法和系统
CN112820415A (zh) * 2021-02-08 2021-05-18 郑州大学 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法
CN113643821A (zh) * 2021-10-13 2021-11-12 浙江大学 一种多中心知识图谱联合决策支持方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多数据源融合的医疗知识图谱框架构建研究;韩普等;《现代情报》;20190630;第81-91页 *

Also Published As

Publication number Publication date
JP7430295B2 (ja) 2024-02-09
CN113921141A (zh) 2022-01-11
WO2023109199A1 (zh) 2023-06-22
JP2023553504A (ja) 2023-12-21

Similar Documents

Publication Publication Date Title
CN113921141B (zh) 一种个体慢病演进风险可视化评估方法及系统
US8682693B2 (en) Patient data mining for lung cancer screening
US7711404B2 (en) Patient data mining for lung cancer screening
Bozkurt et al. Using automatically extracted information from mammography reports for decision-support
WO2019132685A1 (ru) Способ и система поддержки принятия врачебных решений
US20080033894A1 (en) Prognosis Modeling From One or More Sources of Information
Kareem et al. An application of belief merging for the diagnosis of oral cancer
Shenas et al. Identifying high-cost patients using data mining techniques and a small set of non-trivial attributes
Ishak et al. Artificial intelligence in medical application: An exploration
Parimbelli et al. A review of AI and Data Science support for cancer management
KR20200113954A (ko) 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법
US11875884B2 (en) Expression of clinical logic with positive and negative explainability
Martin et al. Determinants of direct discharge home from critical care units: A population-based cohort analysis
Chou et al. Extracting drug utilization knowledge using self-organizing map and rough set theory
Wongtangman et al. Development and validation of a machine learning ASA-score to identify candidates for comprehensive preoperative screening and risk stratification
Fowlie et al. Measurement properties of the clinical risk index for babies-reliability, validity beyond the first 12 hours, and responsiveness over 7 days
CN109192312B (zh) 一种心力衰竭患者不良事件智能管理系统及方法
Tan et al. Informative missingness: What can we learn from patterns in missing laboratory data in the electronic health record?
RU2752792C1 (ru) Система для поддержки принятия врачебных решений
Tan et al. A stratification approach using logit-based models for confounder adjustment in the study of continuous outcomes
Aina et al. Perception and acceptance of medical chatbot among undergraduates in Ekiti State University, Nigeria
Gauthier et al. Challenges to building a platform for a breast cancer risk score
CN111128330A (zh) 电子病例报告表自动录入方法、装置以及相关设备
Alzubaidi et al. Acculturation and glycaemic control in Arab immigrants with type 2 diabetes in Australia
KR102550465B1 (ko) 인공지능 기반의 가상 환자 관리 시스템

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
GR01 Patent grant
GR01 Patent grant