CN113936803B - 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备 - Google Patents

胰岛素抵抗指数的确定方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN113936803B
CN113936803B CN202111545125.9A CN202111545125A CN113936803B CN 113936803 B CN113936803 B CN 113936803B CN 202111545125 A CN202111545125 A CN 202111545125A CN 113936803 B CN113936803 B CN 113936803B
Authority
CN
China
Prior art keywords
sample data
model
initial
training
concentration
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
CN202111545125.9A
Other languages
English (en)
Other versions
CN113936803A (zh
Inventor
杜硕
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.)
Beijing Factor Health Technology Co ltd
Original Assignee
Beijing Factor Health Technology 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 Beijing Factor Health Technology Co ltd filed Critical Beijing Factor Health Technology Co ltd
Priority to CN202111545125.9A priority Critical patent/CN113936803B/zh
Publication of CN113936803A publication Critical patent/CN113936803A/zh
Application granted granted Critical
Publication of CN113936803B publication Critical patent/CN113936803B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Nutrition Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开一种胰岛素抵抗指数的确定方法、装置、存储介质及电子设备，该方法包括：获取多个样本数据，样本数据中记录胰岛素抵抗对应的检验指标；构建评估模型，评估模型包括第一初始模型和第二初始模型，第一初始模型有多个；通过多个样本数据训练每个第一初始模型，根据训练结果从第一初始模型中筛选得到多个第一模型；根据第一模型和多个样本数据对第二初始模型进行训练，得到第二模型；根据目标用户的胰岛素抵抗对应的检验指标，通过第一模型和第二模型、空腹胰岛素浓度及空腹血糖浓度确定目标用户的胰岛素抵抗指数。采用本发明的方法确定的胰岛素抵抗指数的表征效果好且耗费的时间成本低。

Description

胰岛素抵抗指数的确定方法、装置、存储介质及电子设备
技术领域
本发明涉及大数据的技术领域，尤其涉及一种胰岛素抵抗指数的确定方法、装置、存储介质及电子设备。
背景技术
胰岛素抵抗是指胰岛素的敏感性下降，机体对胰岛素的反应不敏感，此时胰岛素分泌的再多也达不到很好的降糖效果，从而引发糖尿病的产生。因此，胰岛素抵抗是糖尿病很重要的致病因素之一。同时，基于研究表明，胰岛素抵抗与高血压、脂肪肝、多囊卵巢综合症、老年痴呆等都有一定关系。因此，确定患者的胰岛素抵抗程度在临床中变得越来越重要，胰岛素抵抗程度常用量化的胰岛素抵抗指数表征，目前常用的胰岛素抵抗指数有HOMA-IR指数、李光伟指数、Matsuda指数等。
HOMA-IR、李光伟指数，这类静态指标基于空腹状态下测定的胰岛素浓度、血糖浓度得到其对应的指数值。静态指标将试验成本更近一步简化，减少了患者的等待时间，但这类静态指标的效果差，其原因可能在于代谢是一个过程，仅通过静态指标计算会缺失信息，从而影响到效果。
Matsuda指数为动态指标，通过得到空腹胰岛素、空腹血糖、胰岛素均值以及血糖均值的检验数据确定Matsuda指数，Matsuda指数简化了复杂的试验流程和医护人员的时间成本，但对于受试者通常需要耗费2-3小时时间才能确定胰岛素均值和血糖均值。
综上，目前的胰岛素抵抗指数存在表征效果差、胰岛素抵抗指数获取时间成本高等缺点。
发明内容
本发明提供一种胰岛素抵抗指数的确定方法、装置、存储介质以及电子设备，确定的胰岛素抵抗指数具有表征效果好、胰岛素抵抗指数获取时间成本低等效果。
本发明一方面提供一种胰岛素抵抗指数的确定方法，该方法包括：
获取多个样本数据，所述样本数据中记录胰岛素抵抗对应的检验指标；
构建评估模型，所述评估模型包括第一初始模型和第二初始模型，所述第一初始模型有多个；
通过所述多个样本数据对每个所述第一初始模型进行训练，根据训练结果从所述多个第一初始模型中筛选得到多个第一模型；
根据所述第一模型和所述多个样本数据对所述第二初始模型进行训练，得到第二模型；
根据目标用户的胰岛素抵抗对应的所述检验指标，通过所述第一模型和所述第二模型以及目标用户的空腹胰岛素浓度和空腹血糖浓度确定所述目标用户的胰岛素抵抗指数。
在一个可实施方式中，所述检验指标包括空腹胰岛素浓度、空腹血糖浓度、胰岛素均值浓度、血糖均值浓度、超重比例、内脏脂肪等级、高密度脂蛋白胆固醇浓度及甘油三酯浓度中任意多种的组合。
在一个可实施方式中，所述第一初始模型为树模型，每个第一初始模型的类型不同。
在一个可实施方式中，通过所述多个样本数据对每个所述第一初始模型进行训练，包括：
通过当前样本数据对所述第一初始模型进行一次训练，包括：
根据所述样本数据中记录的胰岛素均值浓度和血糖均值浓度确定该样本数据对应的目标输出值；
根据所述样本数据中记录的所述检验指标和所述第一初始模型确定该样本数据在所述第一初始模型下对应的实际输出值；
将所述样本数据对应的目标输出值与所述样本数据在所述第一初始模型下对应的实际输出值进行比较，得到所述样本数据在所述第一初始模型下的输出值比较结果；
若本次比较结果不满足预设条件，则对所述第一初始模型中的各项参数值进行调整后，使用下一条样本数据对参数调整后的第一初始模型进行下一次迭代训练；
若本次比较结果满足预设条件，则保持所述第一初始模型中各项参数值，使用下一条样本数据对所述第一初始模型进行下一次迭代训练；
直至连续预设次数的迭代训练得到的比较结果均满足预设条件，则将最后一次迭代训练时的所述第一初始模型作为第一模型。
在一个可实施方式中，所述根据多个所述第一模型和所述样本数据确定第二模型，包括：
根据每个所述样本数据中记录的所述检验指标和多个所述第一模型，得到每个样本数据对应的多个第一预测结果；
根据所述多个第一预测结果对所述第二初始模型进行训练，确定所述第二初始模型中各参数的参数值，得到第二模型。
在一个可实施方式中，根据目标用户的胰岛素抵抗对应的所述检验指标，通过所述第一模型和所述第二模型以及目标用户的空腹胰岛素浓度及空腹血糖浓度确定所述目标用户的胰岛素抵抗指数，包括：
根据目标用户的胰岛素抵抗对应的所述检验指标，通过每个所述第一模型确定对应的第一预测值，得到多个第一预测值；
根据多个所述第一预测值，通过所述第二模型确定目标值；
根据所述目标值、目标用户的空腹胰岛素浓度和空腹血糖浓度确定所述目标用户的胰岛素抵抗指数。
本发明另一方面提供一种胰岛素抵抗的确定装置，该装置包括：
获取模块，用于获取多个样本数据，所述样本数据中记录胰岛素抵抗对应的检验指标；
构建模块，用于构建评估模型，所述评估模型包括第一初始模型和第二初始模型，所述第一初始模型有多个；
第一训练模块，用于通过所述多个样本数据对每个所述第一初始模型进行训练，根据训练结果从所述多个第一初始模型中筛选得到多个第一模型；
第二训练模块，用于根据所述第一模型和所述多个样本数据对所述第二初始模型进行训练，得到第二模型；
确定模块，用于根据目标用户的胰岛素抵抗对应的所述检验指标，通过所述第一模型和所述第二模型以及目标用户的空腹胰岛素浓度和空腹血糖浓度确定所述目标用户的胰岛素抵抗指数。
在一个可实施方式中，所述检验指标包括空腹胰岛素浓度、空腹血糖浓度、胰岛素均值浓度、血糖均值浓度、超重比例、内脏脂肪等级、高密度脂蛋白胆固醇浓度及甘油三酯浓度中任意多种的组合。
在一个可实施方式中，所述第一初始模型为树模型，每个第一初始模型的类型不同。
在一个可实施方式中，所述第一训练模块，具体用于：
通过当前样本数据对所述第一初始模型进行一次训练，包括：
根据所述样本数据中记录的胰岛素均值浓度和血糖均值浓度确定该样本数据对应的目标输出值；
根据所述样本数据中记录的所述检验指标和所述第一初始模型确定该样本数据在所述第一初始模型下对应的实际输出值；
将所述样本数据对应的目标输出值与所述样本数据在所述第一初始模型下对应的实际输出值进行比较，得到所述样本数据在所述第一初始模型下的输出值比较结果；
若本次比较结果不满足预设条件，则对所述第一初始模型中的各项参数值进行调整后，使用下一条样本数据对参数调整后的第一初始模型进行下一次迭代训练；
若本次比较结果满足预设条件，则保持所述第一初始模型中各项参数值，使用下一条样本数据对所述第一初始模型进行下一次迭代训练；
直至连续预设次数的迭代训练得到的比较结果均满足预设条件，则将最后一次迭代训练时的所述第一初始模型作为第一模型。
在一个可实施方式中，所述第二训练模块，具体用于：
根据每个所述样本数据中记录的所述检验指标和多个所述第一模型，得到每个样本数据对应的多个第一预测结果；
根据所述多个第一预测结果对所述第二初始模型进行训练，确定所述第二初始模型中各参数的参数值，得到第二模型。
在一个可实施方式中，所述确定模块，具体用于：
根据目标用户的胰岛素抵抗对应的所述检验指标，通过每个所述第一模型确定对应的第一预测值，得到多个第一预测值；
根据多个所述第一预测值，通过所述第二模型确定目标值；
根据所述目标值、目标用户的空腹胰岛素浓度和空腹血糖浓度确定所述目标用户的胰岛素抵抗指数。
本发明又一方面提供一种饮食推荐方法，该方法包括：
采用本发明所述的确定方法确定胰岛素抵抗指数；
根据所述胰岛素抵抗指数和用户数据确定用户的病因类型，所述用户数据至少包括基础数据、疾病数据、运动数据及饮食数据中的一项；
根据所述病因类型确定饮食推荐方案。
本发明又一方面提供一种运动推荐方法，该方法包括：
采用本发明所述的确定方法确定胰岛素抵抗指数；
根据所述胰岛素抵抗指数和用户数据确定用户的病因类型，所述用户数据至少包括基础数据、疾病数据、运动数据及饮食数据中的一项；
根据所述病因类型确定运动推荐方案。
本发明再一方面提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明所述的确定方法。
本发明还一方面提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明所述的确定方法。
根据上述本发明记载的方案，通过获取多个样本数据，并通过样本数据对第一初始模型进行训练筛选出多个第一模型，再根据多个第一模型和样本数据对第二初始模型进行训练得到第二模型，最后根据目标用户的胰岛素抵抗对应的检验指标，通过第一模型和第二模型、空腹胰岛素浓度及空腹血糖浓度确定目标用户的胰岛素抵抗指数。本发明不需要耗费较长时间采集用户的胰岛素浓度和血糖浓度确定胰岛素均值浓度和血糖均值浓度，即可确定胰岛素抵抗指数，该胰岛素抵抗指数的表征效果好且耗费的时间成本低。
附图说明
图1示出了本发明一实施例提供的一种胰岛素抵抗指数的确定方法的流程示意图；
图2示出了本发明一实施例提供的评估模型的结构示意图；
图3示出本发明一实施例提供的一种胰岛素抵抗指数的确定装置。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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例，都属于本发明保护的范围。
如图1所示为本发明实施例提供的一种胰岛素抵抗指数的确定方法，胰岛素抵抗指数为用户胰岛素抵抗程度的量化指标，该方法包括:
步骤S101、获取多个样本数据，所述样本数据中记录胰岛素抵抗对应的检验指标；
通过对多个用户进行采集获取多个样本数据，每个样本数据中记录了与该用户胰岛素抵抗对应的检验指标。
步骤S102、构建评估模型，所述评估模型包括第一初始模型和第二初始模型，所述第一初始模型有多个；
设置多个第一初始模型是为了避免单一模型无法达到很好的效果，会降低胰岛素抵抗指数的准确度。第二初始模型用于确定多个第一初始模型所占的权重。
步骤S103、通过所述多个样本数据对每个所述第一初始模型进行训练，根据训练结果从所述多个第一初始模型中筛选得到多个第一模型；
步骤S104、根据所述第一模型和所述多个样本数据对所述第二初始模型进行训练，得到第二模型；
如图2所示为评估模型的结构示意图，将样本数据输入到多个第一模型中得到多个预测结果y1、y2、y3，...，再将多个预测结果输入第二初始模型，得到第二模型。
步骤S105、根据目标用户的胰岛素抵抗对应的所述检验指标，通过所述第一模型和所述第二模型以及目标用户的空腹胰岛素浓度及空腹血糖浓度确定所述目标用户的胰岛素抵抗指数。
将目标用户的胰岛素抵抗对应的检验指标输入第一模型得到预测值y1、y2、y3，再将预测值y1、y2、y3输入第二模型得到目标值Y，根据目标值、空腹胰岛素浓度及空腹血糖浓度即可确定目标用户的胰岛素抵抗指数。
本发明通过获取多个样本数据，并通过样本数据对第一初始模型进行训练筛选出多个第一模型，再根据多个第一模型和样本数据对第二初始模型进行训练得到第二模型，最后根据目标用户的胰岛素抵抗对应的检验指标，通过第一模型和第二模型、空腹胰岛素浓度及空腹血糖浓度确定目标用户的胰岛素抵抗指数。本发明只需要采集一次血液即可获取用户的空腹胰岛素浓度、空腹血糖浓度，与胰岛素抵抗对应的检验指标也只需一次采集即可获取，本发明不需要耗费较长时间采集用户的胰岛素浓度和血糖浓度确定胰岛素均值浓度和血糖均值浓度，即可确定胰岛素抵抗指数，耗费的时间成本低。由于本发明获取了与胰岛素抵抗相关的检验指标作为样本数据，使得样本数据的准确度更高，而不是仅利用空腹胰岛素浓度和空腹血糖浓度确定胰岛素抵抗指数，因此根据本发明的方法确定的胰岛素抵抗指数的准确度高，该胰岛素抵抗指数对胰岛素抵抗程度的表征效果好。
在一个示例中，根据步骤S101，所述检验指标包括空腹胰岛素浓度、空腹血糖浓度、胰岛素均值浓度、血糖均值浓度、超重比例、内脏脂肪等级、高密度脂蛋白胆固醇浓度及甘油三酯浓度中的任意多种的组合。
其中，空腹胰岛素浓度为空腹状态下（一般指隔夜空腹至少连续8小时未进餐为空腹状态）血液中的胰岛素浓度；空腹血糖浓度为空腹状态下血液中的血糖浓度；空腹胰岛素浓度和空腹血糖浓度可以通过采集空腹状态下的血液进行检测确定。
胰岛素均值浓度为用户一段时间内胰岛素的平均浓度，血糖均值浓度为一段时间内血糖的平均浓度，胰岛素均值浓度和血糖均值浓度可以通过口服葡萄糖耐量试验试验（OGTT）确定。
超重比例用于表征用户的肥胖程度，超重比例的确定方法为：
Figure 981335DEST_PATH_IMAGE001
公式（1）
根据用户的性别和身高，确定用户的标准体重，例如：
男性标准体重kg=（身高cm-80）×0.7
女性标准体重kg=（身高cm-70）×0.6
另外，还需要结合用户的年龄对标准体重进行调整，除了按照上述标准体重的公式计算外，还可以采用其它计算方法，本发明对此不做限制。
内脏脂肪等级、高密度脂蛋白胆固醇浓度及甘油三酯浓度可借助相应的检测仪器得到这些检验指标的数据。
在一个示例中，获取到样本数据后，该方法还包括：
对所述样本数据进行合理性检测。
对样本数据进行检测的目的在于发现不合理的样本数据，对于不合理的样本数据进行删除或修正，从而提高样本数据的准确度。
对所述样本数据进行合理性检测，包括：
将所述与胰岛素抵抗对应的检验指标和各指标阈值范围进行比较，得到比较结果；
根据比较结果确定所述样本数据是否合理。
例如血糖单位常用的是mmol/L和mg/dL，若获取的样本数据中空腹血糖浓度为120mmol/L，显然远超出血糖范围，对于这类不合理的数据进行修正，例如将血糖单位修改为mg/dL或者根据两种单位之间的换算关系进行换算。对于不确定如何修正的样本数据或者明显错误的样本数据，为了保证样本数据的准确性，删除这类不合理的样本数据。
在一个示例中，根据步骤S102，所述第一初始模型为树模型，每个第一初始模型的类型不同。
树模型包括提督提升决策树（XGBoost）、随机森林（RF）、XGBoost的优化算法（LightGBM）、分类回归树（CRT）等多种类型，其中每一个第一初始模型的类型不同。
设置多个第一初始模型是为了避免单一模型无法达到很好的效果，会降低胰岛素抵抗指数的准确度。第二初始模型用于确定多个第一模型的所占的权重，第二初始模型可以为线性回归模型、非线性回归模型、指数模型等，本发明对第二初始模型不做具体限制。
在一个示例中，根据步骤S103，通过所述多个样本数据对每个所述第一初始模型进行训练，包括：
通过当前样本数据对所述第一初始模型进行一次训练，包括：
根据所述样本数据中记录的胰岛素均值浓度和血糖均值浓度确定该样本数据对应的目标输出值；
根据所述样本数据中记录的所述检验指标和所述第一初始模型确定该样本数据在所述第一初始模型下对应的实际输出值；
将所述样本数据对应的目标输出值与所述样本数据在所述第一初始模型下对应的实际输出值进行比较，得到所述样本数据在所述第一初始模型下的输出值比较结果；
若本次比较结果不满足预设条件，则对所述第一初始模型中的各项参数值进行调整后，使用下一条样本数据对参数调整后的第一初始模型进行下一次迭代训练；
若本次比较结果满足预设条件，则保持所述第一初始模型中各项参数值，使用下一条样本数据对所述第一初始模型进行下一次迭代训练；
直至连续预设次数的迭代训练得到的比较结果均满足预设条件，则将最后一次迭代训练时的所述第一初始模型作为第一模型。
其中，根据样本数据中记录的胰岛素均值浓度和血糖均值浓度确定该样本数据对应的目标输出值可采用如下的公式：
目标输出值=10000/（胰岛素均值浓度×血糖均值浓度）1/2
根据所述样本数据中记录的所述检验指标和所述第一初始模型确定该样本数据在所述第一初始模型下对应的实际输出值，其中所述检验指标为空腹胰岛素浓度、空腹血糖浓度、超重比例、内脏脂肪等级、高密度脂蛋白胆固醇浓度及甘油三酯浓度中的任意多种组合。
通过比较实际输出值和目标输出值，得到输出值比较结果，例如计算实际输出值和目标输出值之间的差值，预设条件为实际输出值和目标输出值之间的差值范围为-0.05至0.05。若本次比较结果实际输出值和目标输出值之间的差值为0.02符合预设条件要求，则保持第一初始模型中各项参数值不变，使用下一条样本数据对第一初始模型进行下一次迭代训练；若本次比较结果实际输出值和目标输出值之间的差值为0.08，该比较结果不符合阈值要求，则对第一初始模型中的各项参数值进行调整后，使用下一条样本数据对参数调整后的第一初始模型进行下一次迭代训练。直至连续预设次数的迭代训练得到的比较结果均满足预设条件，则将最后一次迭代训练时的第一初始模型作为第一模型，假设预设次数为10次，连续10条样本数据迭代训练得到的实际输出值和目标输出值之间的差值均在-0.05至0.05之间，即10条样本数据的比较结果均符合预设条件，则将最后一次迭代训练时的第一初始模型作为第一模型。
通过上述方法，能够从第一初始模型中筛选出符合要求的第一模型。
在一个示例中，根据步骤S104，所述根据多个所述第一模型和所述样本数据确定第二模型，包括：
根据每个所述样本数据中记录的所述检验指标和多个所述第一模型，得到每个样本数据对应的多个第一预测结果；
根据所述多个第一预测结果对所述第二初始模型进行训练，确定所述第二初始模型中各参数的参数值，得到第二模型。
例如经过步骤S103，从多个第一初始模型中确定了三个第一模型，分别记为模型 1、模型2和模型3，将每个样本数据中记录的检验指标作为输入数据输入至第一模型中，可 以得到三个第一预测结果，分别记为y1、y2和y3。根据三个第一预测结果对第二模型进行训 练，例如第二模型为线性回归模型，
Figure 429634DEST_PATH_IMAGE002
，其中n表示第一模型的个数，Y表示目标输 出值，y表示根据第一模型确定的第一预测结果，ω表示权重。
根据目标输出值和多个第一预测结果，确定第二模型中的参数的参数值，即可确定第二模型。第二模型不限于线性回归模型，还可以是非线性模型、指数模型等，本发明对第二模型的具体形式不做限制。
在一个示例中，根据步骤S105，根据目标用户的胰岛素抵抗对应的所述检验指标，通过所述第一模型和所述第二模型以及目标用户的空腹胰岛素浓度及空腹血糖浓度确定所述目标用户的胰岛素抵抗指数，包括：
根据目标用户的胰岛素抵抗对应的所述检验指标，通过每个所述第一模型确定对应的第一预测值，得到多个第一预测值；
根据多个所述第一预测值，通过所述第二模型确定目标值；
根据所述目标值、目标用户的空腹胰岛素浓度和空腹血糖浓度确定所述目标用户的胰岛素抵抗指数。
其中，
Figure 6109DEST_PATH_IMAGE003
公式（2）
其中f为目标值，目标值、空腹胰岛素浓度和空腹血糖浓度根据公式（2）即可确定胰岛素抵抗指数。
本发明通过获取样本数据并对样本数据的合理性进行检测，提高样本数据的准确度，且样本数据中记录了多个维度的检验指标，丰富了样本数据的数据内容。通过样本数据对第一初始模型进行训练筛选出多个第一模型，再根据多个第一模型和样本数据对第二初始模型进行训练得到第二模型，最后根据目标用户的胰岛素抵抗对应的检验指标，通过第一模型和第二模型、空腹胰岛素浓度及空腹血糖浓度确定目标用户的胰岛素抵抗指数。与现有技术中的表征胰岛素抵抗程度的静态指数相比，由于静态指数仅通过用户的空腹胰岛素浓度和空腹血糖浓度对胰岛素抵抗指数进行计算，未考虑人体代谢等生理原因的影响，导致确定的胰岛素抵抗指数准确度低，用于表征胰岛素抵抗程度时的效果差。而本发明充分考虑了与胰岛素抵抗相关的检验指标作为样本数据，从而提高了胰岛素抵抗指数的准确度。与现有技术中Matsuda指数相比，由于Matsuda指数需要获取用户的空腹胰岛素浓度、空腹血糖浓度、胰岛素均值浓度以及血糖均值浓度，而血糖均值浓度和胰岛素均值浓度需要用户在检验机构，通常是医院，等待2-3小时，在规定的时间点进行特定的抽血检验，整个过程不仅耗费的时间成本高，而且频繁抽血影响用户的体验。本发明通过将检验指标输入第一模型得到第一预测结果，第一预测结果输入第二模型确定目标值，最后根据目标值、空腹胰岛素浓度和空腹血糖浓度即可确定胰岛素抵抗指数，与Matsuda指数相比，采用本发明的方案所耗费的时间成本低。综上，采用本发明的方法确定的胰岛素抵抗指数不仅对胰岛素抵抗程度的表征效果好，且确定过程耗费的时间成本低、用户体验好。
根据上述方法确定用户的胰岛素抵抗指数后，根据用户的胰岛素抵抗指数以及其它检验指标为用户推荐运动方案或饮食方案。
本发明一实施例提供一种饮食推荐方法，该方法包括：
采用上述实施例所述的胰岛素抵抗指数的确定方法确定胰岛素抵抗指数；
根据所述胰岛素抵抗指数和用户数据确定用户的病因类型，所述用户数据至少包括基础数据、疾病数据、运动数据及饮食数据中的一项；
根据所述病因类型确定饮食推荐方案。
其中，根据用户数据确定用户的病因类型，包括：
将所述所述胰岛素抵抗指数和用户数据输入基于机器学习的病因识别模型或者决策树模型或者预先设定规则，输出所述用户的病因类型。
其中，基础数据为表征用户生理指标的数据，例如用户的性别、年龄、身高、体重、腰围、臀围等数据。
疾病数据包括用户的病程（病程指用户罹患某疾病的时间长度，通常以年为单位）、疾病类型、与疾病类型对应的检验指标、并发症、家族史、用药信息等。
其中疾病类型对应的检验指标为表征该疾病的指标数据，不同的疾病类型所对应的检验指标存在差别。例如对于糖尿病来说，检验指标包括空腹血糖、空腹胰岛素、血糖均值、胰岛素均值、随机血糖、内脏脂肪等级、甘油三酯、转氨酶、肾小球滤过率、血尿酸、血压、胰岛素、C肽、糖化血红蛋白等指标数据。例如对于肝病来说，检验指标包括转氨酶、谷丙转氨酶、谷草转氨酶、白蛋白、球蛋白、白球比值、胆红素、胆汁酸等指标数据。
运动数据为表征用户运动行为的数据，运动数据包括用户的运动习惯，例如用户每日的运动种类以及各运动的运动时长等。
饮食数据体现了用户对饮食的倾向性以及用户的饮食禁忌。
例如用户的胰岛素抵抗指数高，该用户的胰岛素抵抗程度高，胰岛功能一般，体脂率或内脏脂肪等级超标，有脂肪肝，腰围或腰臀比超标，根据该用户的检验指标确定该用户为肥胖及内脏脂肪堆积引起的胰岛素抵抗。根据该用户的检验指标确定该用户的饮食目标为减脂，该用户每日摄取的食物总热量应该低于其基础代谢热量，如此才能达到减脂的目的。
例如用户的胰岛素抵抗指数一般，该用户的胰岛素抵抗程度一般，胰岛功能下降，体脂率或肌肉率在正常范围内，内脏脂肪等级超标，有脂肪肝，腰围或腰臀比超标，根据该用户的检验指标确定该用户为腹型肥胖，脂毒性和糖毒性作用引起的胰岛功能下降。根据该用户的检验指标确定该用户的饮食目标为减脂和增肌，该用户的饮食推荐方案除了每日摄取的食物总热量应该低于其基础代谢热量外，还要多摄取高蛋白的食物以达到增肌的目的。
例如用户的胰岛素抵抗指数较低，该用户的胰岛素抵抗程度较低，胰岛功能较差，糖化血红蛋白过高，体脂率较低，肌肉率不足，BMI过低，病程长即患有糖尿病的时间周期较长，根据该用户的检验指标确定该用户为长期脂毒性和糖毒性作用引起的胰岛功能下降、肌肉流失。根据该用户的检验指标确定该用户的饮食目标为增肌，该用户的饮食推荐方案中，应该以高蛋白的食物为主，以达到为该用户增肌的目的。
本发明一实施例提供一种运动推荐方法，该方法包括：
采用上述实施例所述的胰岛素抵抗指数的确定方法确定胰岛素抵抗指数；
根据所述胰岛素抵抗指数和用户数据确定用户的病因类型，所述用户数据至少包括基础数据、疾病数据、运动数据及饮食数据中的一项；
根据所述病因类型确定运动推荐方案。
例如用户的胰岛素抵抗指数高，该用户的胰岛素抵抗程度高，胰岛功能一般，体脂率或内脏脂肪等级超标，有脂肪肝，腰围或腰臀比超标，根据该用户的检验指标确定该用户为肥胖及内脏脂肪堆积引起的胰岛素抵抗，该用户的运动目标为减脂，运动推荐方案为有氧运动和阻抗运动的比例为5:2，其中有氧运动可以选择慢跑、游泳、骑车等运动，阻抗运动指的是肌肉在克服外来阻力时进行的主动运动，可以选择深蹲、仰卧起坐、杠铃弯举等运动。
例如用户的胰岛素抵抗指数一般，该用户的胰岛素抵抗程度一般，胰岛功能下降，体脂率或肌肉率在正常范围内，内脏脂肪等级超标，有脂肪肝，腰围或腰臀比超标，根据该用户的检验指标确定该用户为腹型肥胖，脂毒性和糖毒性作用引起的胰岛功能下降，该用户的运动目标为减脂和增肌，其中减脂是指减去内置脂肪，增肌是防止肌肉流失。该用户的运动推荐方案为有氧运动和抗阻运动的比例为4:3。
例如用户的胰岛素抵抗指数较低，该用户的胰岛素抵抗程度较低，胰岛功能较差，糖化血红蛋白过高，体脂率较低，肌肉率不足，BMI过低，病程长即患有糖尿病的时间周期较长，根据该用户的检验指标确定该用户为长期脂毒性和糖毒性作用引起的胰岛功能下降、肌肉流失，该用户的运动目标为增肌，该用户的运动推荐方案为有氧运动和抗阻运动的比例为3:4。
如图3所示为本发明实施例提供的一种胰岛素抵抗指数确定装置，该装置包括：
获取模块201，用于获取多个样本数据，所述样本数据中记录胰岛素抵抗对应的检验指标；
构建模块202，用于构建评估模型，所述评估模型包括第一初始模型和第二初始模型，所述第一初始模型有多个；
第一训练模块203，用于通过所述多个样本数据对每个所述第一初始模型进行训练，根据训练结果从所述多个第一初始模型中筛选得到多个第一模型；
第二训练模块204，用于根据所述第一模型和所述多个样本数据对所述第二初始模型进行训练，得到第二模型；
确定模块205，用于根据目标用户的胰岛素抵抗对应的所述检验指标，通过所述第一模型和所述第二模型、空腹胰岛素浓度及空腹血糖浓度确定所述目标用户的胰岛素抵抗指数。
在一个示例中，所述检验指标包括空腹胰岛素浓度、空腹血糖浓度、胰岛素均值浓度、血糖均值浓度、超重比例、内脏脂肪等级、高密度脂蛋白胆固醇浓度及甘油三酯浓度中的任意多种组合。
在一个示例中，所述第一初始模型为树模型，每个第一初始模型的类型不同。
在一个示例中，所述第一训练模块203，具体用于：
通过当前样本数据对所述第一初始模型进行一次训练，包括：
根据所述样本数据中记录的胰岛素均值浓度和血糖均值浓度确定该样本数据对应的目标输出值；
根据所述样本数据中记录的所述检验指标和所述第一初始模型确定该样本数据在所述第一初始模型下对应的实际输出值；
将所述样本数据对应的目标输出值与所述样本数据在所述第一初始模型下对应的实际输出值进行比较，得到所述样本数据在所述第一初始模型下的输出值比较结果；
若本次比较结果不满足预设条件，则对所述第一初始模型中的各项参数值进行调整后，使用下一条样本数据对参数调整后的第一初始模型进行下一次迭代训练；
若本次比较结果满足预设条件，则保持所述第一初始模型中各项参数值，使用下一条样本数据对所述第一初始模型进行下一次迭代训练；
直至连续预设次数的迭代训练得到的比较结果均满足预设条件，则将最后一次迭代训练时的所述第一初始模型作为第一模型。
在一个示例中，所述第二训练模块204，具体用于：
根据每个所述样本数据中记录的所述检验指标和多个所述第一模型，得到每个样本数据对应的多个第一预测结果；
根据所述多个第一预测结果对所述第二初始模型进行训练，确定所述第二初始模型中各参数的参数值，得到第二模型。
在一个示例中，所述确定模块205，具体用于：
根据目标用户的胰岛素抵抗对应的所述检验指标，通过每个所述第一模型确定对应的第一预测值，得到多个第一预测值；
根据多个所述第一预测值，通过所述第二模型确定目标值；
根据所述目标值、目标用户的空腹胰岛素浓度和空腹血糖浓度确定所述目标用户的胰岛素抵抗指数。
本发明一实施例提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明所述的确定方法。
本发明一实施例提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明所述的确定方法。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种胰岛素抵抗指数的确定方法，其特征在于，该方法包括：
获取多个样本数据，所述样本数据中记录胰岛素抵抗对应的检验指标；
构建评估模型，所述评估模型包括第一初始模型和第二初始模型，所述第一初始模型有多个；
通过所述多个样本数据对每个所述第一初始模型进行训练，根据训练结果从所述多个第一初始模型中筛选得到多个第一模型；
根据所述第一模型和所述多个样本数据对所述第二初始模型进行训练，得到第二模型，包括：根据每个所述样本数据中记录的所述检验指标和多个所述第一模型，得到每个样本数据对应的多个第一预测结果；根据所述多个第一预测结果对所述第二初始模型进行训练，确定所述第二初始模型中各参数的参数值，得到第二模型；
根据目标用户的胰岛素抵抗对应的所述检验指标，通过所述第一模型和所述第二模型以及目标用户的空腹胰岛素浓度和空腹血糖浓度确定所述目标用户的胰岛素抵抗指数，包括：根据目标用户的胰岛素抵抗对应的所述检验指标，通过每个所述第一模型确定对应的第一预测值，得到多个第一预测值；根据多个所述第一预测值，通过所述第二模型确定目标值；根据所述目标值、目标用户的空腹胰岛素浓度和空腹血糖浓度，利用以下公式确定所述目标用户的胰岛素抵抗指数，
Figure 812917DEST_PATH_IMAGE001
。
2.根据权利要求1所述的方法，其特征在于，所述检验指标包括空腹胰岛素浓度、空腹血糖浓度、胰岛素均值浓度、血糖均值浓度、超重比例、内脏脂肪等级、高密度脂蛋白胆固醇浓度及甘油三酯浓度中任意多种的组合。
3.根据权利要求1所述的方法，其特征在于，所述第一初始模型为树模型，每个第一初始模型的类型不同。
4.根据权利要求2所述的方法，通过所述多个样本数据对每个所述第一初始模型进行训练，包括：
通过当前样本数据对所述第一初始模型进行一次训练，包括：
根据所述样本数据中记录的胰岛素均值浓度和血糖均值浓度确定该样本数据对应的目标输出值；
根据所述样本数据中记录的所述检验指标和所述第一初始模型确定该样本数据在所述第一初始模型下对应的实际输出值；
将所述样本数据对应的目标输出值与所述样本数据在所述第一初始模型下对应的实际输出值进行比较，得到所述样本数据在所述第一初始模型下的输出值比较结果；
若本次比较结果不满足预设条件，则对所述第一初始模型中的各项参数值进行调整后，使用下一条样本数据对参数调整后的第一初始模型进行下一次迭代训练；
若本次比较结果满足预设条件，则保持所述第一初始模型中各项参数值，使用下一条样本数据对所述第一初始模型进行下一次迭代训练；
直至连续预设次数的迭代训练得到的比较结果均满足预设条件，则将最后一次迭代训练时的所述第一初始模型作为第一模型。
5.一种胰岛素抵抗指数的确定装置，其特征在于，该装置包括：
获取模块，用于获取多个样本数据，所述样本数据中记录胰岛素抵抗对应的检验指标；
构建模块，用于构建评估模型，所述评估模型包括第一初始模型和第二初始模型，所述第一初始模型有多个；
第一训练模块，用于通过所述多个样本数据对每个所述第一初始模型进行训练，根据训练结果从所述多个第一初始模型中筛选得到多个第一模型；
第二训练模块，用于根据所述第一模型和所述多个样本数据对所述第二初始模型进行训练，得到第二模型，包括：根据每个所述样本数据中记录的所述检验指标和多个所述第一模型，得到每个样本数据对应的多个第一预测结果；根据所述多个第一预测结果对所述第二初始模型进行训练，确定所述第二初始模型中各参数的参数值，得到第二模型；
确定模块，用于根据目标用户的胰岛素抵抗对应的所述检验指标，通过所述第一模型和所述第二模型、空腹胰岛素浓度及空腹血糖浓度确定所述目标用户的胰岛素抵抗指数，包括：根据目标用户的胰岛素抵抗对应的所述检验指标，通过每个所述第一模型确定对应的第一预测值，得到多个第一预测值；根据多个所述第一预测值，通过所述第二模型确定目标值；根据所述目标值、目标用户的空腹胰岛素浓度和空腹血糖浓度，利用以下公式确定所述目标用户的胰岛素抵抗指数，
Figure 208126DEST_PATH_IMAGE001
。
6.根据权利要求5所述的装置，其特征在于，所述检验指标包括空腹胰岛素浓度、空腹血糖浓度、胰岛素均值浓度、血糖均值浓度、超重比例、内脏脂肪等级、高密度脂蛋白胆固醇浓度及甘油三酯浓度中任意多种的组合。
7.根据权利要求5所述的装置，其特征在于，所述第一初始模型为树模型，每个第一初始模型的类型不同。
8.根据权利要求6所述的装置，其特征在于，所述第一训练模块，具体用于：
通过当前样本数据对所述第一初始模型进行一次训练，包括：
根据所述样本数据中记录的胰岛素均值浓度和血糖均值浓度确定该样本数据对应的目标输出值；
根据所述样本数据中记录的所述检验指标和所述第一初始模型确定该样本数据在所述第一初始模型下对应的实际输出值；
将所述样本数据对应的目标输出值与所述样本数据在所述第一初始模型下对应的实际输出值进行比较，得到所述样本数据在所述第一初始模型下的输出值比较结果；
若本次比较结果不满足预设条件，则对所述第一初始模型中的各项参数值进行调整后，使用下一条样本数据对参数调整后的第一初始模型进行下一次迭代训练；
若本次比较结果满足预设条件，则保持所述第一初始模型中各项参数值，使用下一条样本数据对所述第一初始模型进行下一次迭代训练；
直至连续预设次数的迭代训练得到的比较结果均满足预设条件，则将最后一次迭代训练时的所述第一初始模型作为第一模型。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-4任一项所述的确定方法。
10.一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-4任一项所述的确定方法。
CN202111545125.9A 2021-12-17 2021-12-17 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备 Active CN113936803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111545125.9A CN113936803B (zh) 2021-12-17 2021-12-17 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111545125.9A CN113936803B (zh) 2021-12-17 2021-12-17 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113936803A CN113936803A (zh) 2022-01-14
CN113936803B true CN113936803B (zh) 2022-04-15

Family

ID=79289211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111545125.9A Active CN113936803B (zh) 2021-12-17 2021-12-17 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113936803B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118095A (zh) * 2018-08-20 2019-01-01 深圳市中电数通智慧安全科技股份有限公司 基于机器学习的动态火灾风险评估方法、装置及服务器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10297350B2 (en) * 2016-06-01 2019-05-21 Roche Diabetes Care, Inc. Risk-based control-to-range
CN108846517B (zh) * 2018-06-12 2021-03-16 清华大学 一种分位数概率性短期电力负荷预测集成方法
CN109124648A (zh) * 2018-07-17 2019-01-04 桂林电子科技大学 基于能量代谢守恒法无创血糖检测模型的胰岛素作用因子计算方法
CN109378072A (zh) * 2018-10-13 2019-02-22 中山大学 一种基于集成学习融合模型的异常空腹血糖值预警方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118095A (zh) * 2018-08-20 2019-01-01 深圳市中电数通智慧安全科技股份有限公司 基于机器学习的动态火灾风险评估方法、装置及服务器

Also Published As

Publication number Publication date
CN113936803A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
Hall et al. Glucotypes reveal new patterns of glucose dysregulation
Sachar et al. Cortisol production in depressive illness: a clinical and biochemical clarification
US20040091424A1 (en) Diagnosis support system for diabetes
EP1032908A1 (en) Neonatal illness severity/mortality computerized determination system & method
CN110021437B (zh) 一种糖尿病的管理方法和系统
JP2009134749A (ja) コンピュータモデルを妥当性検証する装置および方法
CN113744878B (zh) 一种基于移动互联网的慢性病风险指数评估及干预系统
Simon et al. Survival association rule mining towards type 2 diabetes risk assessment
Cruz-Cobo et al. Effectiveness of mHealth interventions in the control of lifestyle and cardiovascular risk factors in patients after a coronary event: systematic review and meta-analysis
CN111588384A (zh) 获得血糖检测结果的方法、装置及设备
Li et al. Progress in biological age research
Maas et al. A physiology-based model describing heterogeneity in glucose metabolism: the core of the Eindhoven Diabetes Education Simulator (E-DES)
CN113936774A (zh) 一种饮食推荐方法、装置、系统、存储介质及电子设备
Erdős et al. Personalized computational model quantifies heterogeneity in postprandial responses to oral glucose challenge
US20070161868A1 (en) Method and system for determining whether additional laboratory tests will yield values beyond a threshold level
CN113936803B (zh) 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备
Zhou et al. Comparing the glycaemic outcomes between real‐time continuous glucose monitoring (rt‐CGM) and intermittently scanned continuous glucose monitoring (isCGM) among adults and children with type 1 diabetes: A systematic review and meta‐analysis of randomized controlled trials
WO2017116003A1 (ko) 당뇨병 증상을 가진 사용자에 운동량을 고려한 개인화된 음식 추천 방법
Westerman et al. Investigating Gene–Diet Interactions Impacting the Association Between Macronutrient Intake and Glycemic Traits
CN114300048A (zh) 一种肥胖基因检测评估系统及数据处理方法
CN112885454A (zh) 用于透析患者的营养状况监控系统及方法
CN117280423A (zh) 用于餐后血糖水平预测的方法和装置
CN113223708A (zh) 病症风险预测模型的构建方法和相关设备
JP4728616B2 (ja) 血糖値データ分析システム、血糖値データ分析プログラム
Eberle et al. A novel mathematical model detecting early individual changes of insulin resistance

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