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 PDFInfo
- 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
Links
- 206010022489 Insulin Resistance Diseases 0.000 title claims abstract description 116
- 208000001072 type 2 diabetes mellitus Diseases 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 50
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims abstract description 132
- 238000012549 training Methods 0.000 claims abstract description 83
- 102000004877 Insulin Human genes 0.000 claims abstract description 66
- 108090001061 Insulin Proteins 0.000 claims abstract description 66
- 229940125396 insulin Drugs 0.000 claims abstract description 66
- 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 claims abstract description 65
- 239000008103 glucose Substances 0.000 claims abstract description 65
- 239000008280 blood Substances 0.000 claims abstract description 61
- 210000004369 blood Anatomy 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 57
- 238000013210 evaluation model Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 6
- 210000001596 intra-abdominal fat Anatomy 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 14
- 108010023302 HDL Cholesterol Proteins 0.000 claims description 8
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012512 characterization method Methods 0.000 abstract description 3
- 210000003205 muscle Anatomy 0.000 description 15
- 235000005911 diet Nutrition 0.000 description 14
- 201000010099 disease Diseases 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 210000004153 islets of langerhan Anatomy 0.000 description 10
- 230000037213 diet Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 206010033307 Overweight Diseases 0.000 description 7
- 210000000577 adipose tissue Anatomy 0.000 description 6
- 230000000378 dietary effect Effects 0.000 description 6
- 235000013305 food Nutrition 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 208000004930 Fatty Liver Diseases 0.000 description 5
- 206010019708 Hepatic steatosis Diseases 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 208000010706 fatty liver disease Diseases 0.000 description 5
- 231100000240 steatosis hepatitis Toxicity 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 3
- 208000008589 Obesity Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000512 lipotoxic effect Effects 0.000 description 3
- 235000020824 obesity Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 108090000340 Transaminases Proteins 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 235000020979 dietary recommendations Nutrition 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 2
- 108091005995 glycated hemoglobin Proteins 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 102000014898 transaminase activity proteins Human genes 0.000 description 2
- HSINOMROUCMIEA-FGVHQWLLSA-N (2s,4r)-4-[(3r,5s,6r,7r,8s,9s,10s,13r,14s,17r)-6-ethyl-3,7-dihydroxy-10,13-dimethyl-2,3,4,5,6,7,8,9,11,12,14,15,16,17-tetradecahydro-1h-cyclopenta[a]phenanthren-17-yl]-2-methylpentanoic acid Chemical compound C([C@@]12C)C[C@@H](O)C[C@H]1[C@@H](CC)[C@@H](O)[C@@H]1[C@@H]2CC[C@]2(C)[C@@H]([C@H](C)C[C@H](C)C(O)=O)CC[C@H]21 HSINOMROUCMIEA-FGVHQWLLSA-N 0.000 description 1
- VOUAQYXWVJDEQY-QENPJCQMSA-N 33017-11-7 Chemical compound OC(=O)CC[C@H](N)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)NCC(=O)NCC(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N1[C@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(O)=O)CCC1 VOUAQYXWVJDEQY-QENPJCQMSA-N 0.000 description 1
- 208000004611 Abdominal Obesity Diseases 0.000 description 1
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 108010082126 Alanine transaminase Proteins 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 108010075254 C-Peptide Proteins 0.000 description 1
- 206010065941 Central obesity Diseases 0.000 description 1
- 102000006395 Globulins Human genes 0.000 description 1
- 108010044091 Globulins Proteins 0.000 description 1
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000003613 bile acid Substances 0.000 description 1
- -1 blood pressure Chemical compound 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000021004 dietary regimen Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000024924 glomerular filtration Effects 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007410 oral glucose tolerance test Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 201000010065 polycystic ovary syndrome Diseases 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
- 229940116269 uric acid Drugs 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
- G16H50/30—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
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:
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,,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,
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;
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;
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。
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)
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)
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 |
-
2021
- 2021-12-17 CN CN202111545125.9A patent/CN113936803B/zh active Active
Patent Citations (1)
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 | |
US20060116557A1 (en) | Methods and systems for evaluating patient data | |
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 | |
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 | |
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 | |
Li et al. | Progress in biological age research | |
CN109935331B (zh) | 一种基于多模型动态综合的血糖预测方法及系统 | |
CN111588384A (zh) | 获得血糖检测结果的方法、装置及设备 | |
Simon et al. | Survival association rule mining towards type 2 diabetes risk assessment | |
US20150234999A1 (en) | Systems, methods and computer program products for determining a consolidated disease risk score from risk factors and a level of composite risk | |
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 | |
CN107636767A (zh) | 用于食物摄入量的参数概率上下文无关文法 | |
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 | |
WO2017116003A1 (ko) | 당뇨병 증상을 가진 사용자에 운동량을 고려한 개인화된 음식 추천 방법 | |
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 | |
KR20200135444A (ko) | 만성 신장 질환의 위험에 대해 피험자를 스크리닝하기 위한 방법들 및 컴퓨터-구현 방법 | |
CN116913550A (zh) | 一种ppi相关糖尿病风险预测模型的建模方法和应用 | |
Moore et al. | Pairing food and drink: A physiological model of blood ethanol levels for a variety of drinking behaviors | |
US20230352185A1 (en) | Method and System for Generating a User Tunable Representation of Glucose Homeostasis in Type 1 Diabetes Based on Automated Receipt of Therapy Profile Data | |
CN112885454A (zh) | 用于透析患者的营养状况监控系统及方法 |
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 |