CN113990506B - 一种健康状态评估方法、装置、存储介质及计算机系统 - Google Patents
一种健康状态评估方法、装置、存储介质及计算机系统 Download PDFInfo
- Publication number
- CN113990506B CN113990506B CN202111276360.0A CN202111276360A CN113990506B CN 113990506 B CN113990506 B CN 113990506B CN 202111276360 A CN202111276360 A CN 202111276360A CN 113990506 B CN113990506 B CN 113990506B
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- dimension
- evaluated
- preset
- 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
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及数据处理技术领域,具体涉及一种健康状态评估方法及装置、存储介质及计算机系统。所述健康状态评估方法包括:根据目标对象的用户数据构建风险分析模型;其中,所述用户数据包括与所述目标对象健康状态相关的多个特征;基于所述风险分析模型确定所述特征的特征值对应的风险参数;获取待评估对象的预设特征;结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果。通过计算各特征值的风险参数,并基于风险参数计算用户数据评估结果,可以清楚的获知对用户数据评估结果产生主要影响的特征,便于进行数据的回溯分析。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种健康状态评估方法、一种健康状态评估装置、一种存储介质,以及一种计算机系统。
背景技术
随着社会发展,健康状况评估逐步融入人们的生活之中。
为了对用户的健康状况做评估,通常基于传统的机器学习方法,通过训练多个分类器进行归一计算,得到PHI(Personal Health Index,个人健康指数),并将PHI定义为用户具有高健康风险的概率,即上述PHI是一个反映个人健康状况的总体评估分数。但是,该PHI结果是一个概率值。因此,无法分析得到PHI的原因,进而无法向用户提供健康建议。另外,上述PHI基于传统的机器学习的方法训练,其评估结果的准确度低。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种健康状态评估方法、健康状态评估装置、存储介质及计算机系统,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的无法向用户提供准确的健康状态评估结果的情况。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供了一种健康状态评估方法,包括:
根据目标对象的用户数据构建风险分析模型;其中,所述用户数据包括与所述目标对象健康状态相关的多个特征;
基于所述风险分析模型确定所述特征的特征值对应的风险参数;
获取待评估对象的预设特征;
结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果。
在本公开的一种示例性实施例中,所述与所述目标对象健康状态相关的多个特征,包括:所述特征及对应的特征值,和目标事件参数;
所述根据目标对象的用户数据构建风险分析模型,包括:
基于预设条件选取目标对象;
对所述目标对象的用户数据进行解析以获取特征及对应的特征值,和目标事件参数;其中,所述目标事件参数包括:目标事件、目标事件时间;
基于特征数据和目标事件参数构建用户特征数据队列,并基于用户特征数据队列构建风险分析模型。
在本公开的一种示例性实施例中,所述获取待评估对象的预设特征,包括:
为所述待评估对象配置数据分析维度;
确定各所述数据分析维度对应的风险评估项;其中,所述风险评估项包括至少一个预设特征;以及
对所述待评估对象的用户数据进行解析,以确定各所述预设特征对应的特征值。
在本公开的一种示例性实施例中,所述状态评估结果包括维度数据分析结果;
所述结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果,包括:
基于风险评估项对应的各预设特征的特征值的风险参数,确定所述风险评估项的风险评估项评分;其中,各所述风险评估项配置有至少一个所述预设特征;
基于数据分析维度对应的各风险评估项的所述风险评估项评分,确定所述数据分析维度的维度数据评估结果;其中,各所述数据分析维度配置有至少一个所述风险评估项。
在本公开的一种示例性实施例中,所述根据所述特征值的风险参数,确定所述特征值对应的风险评估项的风险评估项评分,包括:
根据所述风险评估项的各所述预设特征所对应的各特征值的风险参数,计算风险参数之和;
将所述风险参数之和配置为对应的风险评估项的风险评估项评分。
在本公开的一种示例性实施例中,所述结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果,包括:
获取各数据分析维度下,各所述风险评估项所对应的预设特征的特征值的风险参数,基于各所述风险参数计算对应的数据分析维度的维度权重值;
根据所述数据分析维度的预设总分数和对应的所述维度权重值,确定所述数据分析维度的维度评估结果;
结合各所述数据分析维度对应的所述维度评估结果确定所述综合数据评估结果。
在本公开的一种示例性实施例中,所述基于各所述风险评估项所对应的各所述预设特征的特征值的风险参数,计算所述风险评估项对应数据分析维度的维度权重值,包括:
根据所述风险评估项的各预设特征的风险参数,确定所述风险评估项对应的风险参数最大值和风险参数最小值;
基于所述数据分析维度与所述风险评估项的对应关系,利用若干个所述风险评估项对应的风险参数最大值和风险参数最小值,确定对应的所述数据分析维度对应的维度权重值。
根据本公开的第二方面,提供一种健康状态评估装置,包括:
风险分析模型构建模块,用于根据目标对象的用户数据构建风险分析模型;其中,所述用户数据包括与所述目标对象健康状态相关的多个特征;
风险参数获取模块,用于基于所述风险分析模型确定所述特征的特征值对应的风险参数;
待评估对象数据获取模块,用于获取待评估对象的预设特征;
评估结果生成模块,用于结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果。
根据本公开的第三方面,提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的健康状态评估方法。
根据本公开的第四方面,提供一种计算机系统,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述的健康状态评估方法。
本公开的一种实施例所提供的健康状态评估方法中,通过预先利用目标对象的用户构建风险分析模型,并得到特征值对应的风险参数;对于待评估对象,可以利用风险分析模型来计算预设特征各特征值对应的风险参数;通过各预设特征,结合对应的风险参数,便可以获取待评估对象的用户数据评估结果;继而可以得到更有针对性的健康建议。通过计算各特征值的风险参数,并基于风险参数计算用户数据评估结果,可以清楚的获知对用户数据评估结果产生主要影响的特征,便于进行数据的回溯分析。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本公开示例性实施例中一种健康状态评估方法的示意图;
图2示意性示出本公开示例性实施例中一种系统架构的示意图;
图3示意性示出本公开示例性实施例中一种确定待评估对象的预设特征及特征值的方法的示意图;
图4示意性示出本公开示例性实施例中一种获取维度数据评估结果的方法的示意图;
图5示意性示出本公开示例性实施例中一种获取用户的健康状态评估结果的方法的示意图;
图6示意性示出本公开示例性实施例中一种健康状态评估装置的示意图;
图7示意性示出本公开示例性实施例中一种计算机系统的组成示意图;
图8示意性示出本公开示例性实施例中一种存储介质的组成示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
在相关技术中,为了给人们的健康状况做评估,现有技术提出了一个基于大型综合老年医学检查(Geriatric Medical Examination,GME)数据集,挖掘个人健康指数(Personal Health Index,PHI)的框架。该方案将PHI定义为一个人被分类为高健康风险的概率,是一个反映个人健康状况的总体评估分数。其中,健康风险由GME数据集及与其相关联的死因(Cause of Death,COD)数据集共同计算而得。但是,现有技术中存在一定的缺陷和局限性,例如,PHI是基于传统的机器学习的方法,通过训练多个分类器归一计算得到,该方法没有提到可解释性的问题,即计算得到的PHI如何解释?一个人的哪些信息决定了PHI的高低,哪些信息与PHI的结果无关,这些问题从PHI的计算模型中无法回答,容易对用户造成困扰和误导。另外,计算方法基于ICD10的COD数据集,现实场景中,获得这样数据集的成本高,该方法的适用性因此受到了很大的限制。
为了解决现有技术中存在的技术问题,本示例实施方式中首先提供了一种健康状态评估方法,可以应用于对用户医疗数据进行分析,并生成对应的健康状态评估结果。参考图1中所示,上述的健康状态评估方法可以包括以下步骤:
步骤S11,根据目标对象的用户数据构建风险分析模型;其中,所述用户数据包括与所述目标对象健康状态相关的多个特征;
步骤S12,基于所述风险分析模型确定所述特征值对应的风险参数;
步骤S13,获取待评估对象的预设特征;
步骤S14,结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果。
本示例实施方式所提供的健康状态评估方法,一方面,通过对目标对象的用户数据进行解析来获取其中的特征数据,并构建风险分析模型,从而可以利用风险分析模块来计算不同特征的特征值对应的风险参数;对于待评估对象,在确定对应的预设特征之后,从而可以利用风险分析模型来计算各预设特征的特征值对应的风险参数;通过利用不同方面的各预设特征,结合对应的各风险参数,便可以获取待评估对象的用户数据评估结果。继而可以得到更有针对性的健康建议。另一方面,通过计算各特征值的风险参数,并基于风险参数计算用户数据评估结果,可以清楚的获知对用户数据评估结果产生主要影响的特征,便于进行数据的回溯分析,进行更加准确的分析。
下面,将结合附图及实施例对本示例实施方式中的健康状态评估方法的各个步骤进行更详细的说明。
本示例实施方式中,参考图2所示,提供了一种系统架构,可以用于执行、实现上述的健康状态评估方法。参考图2所示,该系统架构可以包括用户终端201、网络202、业务服务器203。其中,用户终端201可以是智能手机、平板电脑、台式电脑、便携式计算机中的一种或多种;网络202可以用于在终端设备和服务器之间提供通信链路的介质。网络202可以包括各种连接类型,例如有线通信链路、无线通信链路等等。应该理解,图2中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如业务服务器202可以是多个服务器组成的服务器集群等。
在本示例性实施方式中,上述的健康状态评估方法可以由服务器端执行,或者由用户终端和服务器端协作执行。举例来说,基于上述的系统架构,用户可以通过用户终端201提交健康数据分析请求;由业务服务器203处理该数据分析请求,并向用户终端201反馈数据评估结果。
具体来说,该健康数据分析请求中可以包括待评估对象的身份信息。此外,上述的健康数据分析请求可以包括用户的授权信息。服务器端在接收到健康数据分析请求后,可以根据该授权信息查找待评估对象的相关医疗数据和与健康状态相关的数据,并将该些用户数据用于进行用户数据评估。或者,在一些示例性实施方式中,上述的健康数据分析请求中也可以包括用户主动提交的待评估对象的部分用户数据,例如用户的基本信息,以及根据预设的调查问卷提供的问卷数据等等。或者,上述的健康数据分析请求中还可以用户期望的评估方向;例如,某一具体疾病的发展评估,某一疾病的复发概率等等。
本示例性实施方式中,可以预先配置一用户健康标签体系,利用该用户健康标签体系对用户数据进行解析,得到用户数据中包含的具体特征数据。具体的,在该标签体系中可以包含多个标签维度,各标签维度可以配置有个标签,各标签可以配置有一个或多个特征。
举例来说,如表1所示,用户健康标签体系可以包括基本信息、医疗状况、生活习惯、运动行为和生理状态五个维度。在每个标签维度下定义若干标签;例如,基本信息维度可以包含年龄、性别和BMI等标签。各标签可以配置有一个或多个特征;如表1中所示,各特征可以通过标签值域来表示。例如,BMI级别标签对应的特征可以包括:underweight、normal、overweight、obesitygrade1、obesitygrade2以及obesitygrade3。举例来说,表1中的标签数据可以通过用户填写调查问卷,根据用户授权利用用户身份信息进行查询等方式获取。例如,基本信息维度可以包含年龄、性别和BMI等,这部分标签数据可以通过用户问卷获得;医疗状况维度可以包含既往病史、疾病风险和检验检查指标等,这部分标签数据可以通过和医院合作的方式,经过用户授权,从医院电子病历数据中获得;生活习惯维度包含吸烟、饮酒、睡眠和饮食等,这部分标签数据可以通过用户问卷获得;运动情况维度包含了高等强度运动时长和中等强度运动时长,这部分标签数据可以通过手机、手环或其他运动设备数据采集或者问卷获得;心理状态维度包含了心理评估结果和祈祷冥想行为等,可以通过用户问卷的方式获得。
表1
当然,在本公开的其他示例性实施方式中,用户健康标签体系中还可以配置有其他标签维度,以及该其他标签维度下的各标签。例如,还可以配置有饮食习惯维度,该数据维度下可以配置有吃辣程度标签、食用槟榔标签等等。还可以配置有工作环境维度,该数据维度可以配置有久坐、粉尘环境等标签。
或者,在一些示例性实施例中,由于不同待评估对象提供的数据可能不同;或者已限定评估结果的主要方向,例如某一疾病的再发病概率;因此,也可以是在获取原始的用户数据后,根据当前的用户数据的内容、数据类型等,配置专用于该待评估对象的用户健康标签体系。并利用该标签体系对原始的用户数据进行解析,得到解析后的用户数据。
在步骤S11中,根据目标对象的用户数据构建风险分析模型;其中,所述用户数据包括与所述目标对象健康状态相关的多个特征。
本示例实施方式中,可以预先构建一风险分析模型,用于对用户的特征数据进行计算,并得到对应的风险参数。具体的,上述的步骤S11可以包括:
步骤S11,基于预设条件选取目标对象;
步骤S12,对所述目标对象的用户数据进行解析以获取特征及对应的特征值,和目标事件参数;其中,所述目标事件参数包括:目标事件、目标事件时间;
步骤S13,基于特征数据和目标事件参数构建用户特征数据队列,并基于用户特征数据队列构建风险比例回归模型。
举例来说,上述的风险分析模型可以是比例风险回归模型(Cox回归模型)。在构建样本数据时,可以首选进行人群的划定,即选取目标对象。其中,上述的预设条件可以包括时间条件、疾病类型、死亡时间,以及疾病确诊时间等条件。通过该些条件,选定一定范围的人群作为目标对象,并使用各目标对象的相关医疗数据。例如,人群划定的时间条件可以是时间起点为2015年1月到医院就诊的人群,就诊情况可以包括门诊、住院等情况;观察时间截止为2020年12月。利用每个目标对象的用户数据构建该目标对象的用户特征数据队列。例如,用户特征数据队列可以是以回顾性队列的形式,数据组成包括:用户特征数据+目标事件+目标事件时间。其中,目标事件可以是该用户的终点事件,如是否死亡,或者也可以是确诊患某一种疾病;对应的,目标事件时间可以是到达终点事件时间,例如,从起始时间2015年1月到死亡的时间,如该目标对象2017年死亡,则目标事件时间为2年;或者若2020年死亡,则目标事件时间为5年。另外,队列中的用户特征数据可以是依据上述的用户标签体系对目标对象的原始医疗数据进行解析之后获取的用户特征数据。
在构建每个目标对象的用户特征数据队列之后,便可以利用该些用户特征数据队列组成样本数据,用于对Cox回归模型进行训练。一般而言,Cox回归模型可以包括:
h(t,X)=h0(t)exp(β’X)=h0(t)exp(β1X1+β2X2+β3X3+…+βmXm)
其中,h(t,X)用于表示具有协变量X的个体在时刻t时的风险函数,t为生存时间,即上述的目标事件时间;X=(X1,X2,…,Xm)用于表示可能影响生存时间的有关变量,即协变量,既可以是定量的,也可以是定性的,在整个观察期内不随时间的变化而变化,即上述由用户特征构成的用户特征数据队列;h0(t)用于表示所有协变量取值为0时的风险函数,称为基线风险函数;β=(β1,β2,…,βm)是Cox模型的回归系数,是一组特估的回归参数;可以使用最大似然法估计β。另外,模型的主要前提条件可以包括:假定风险比值h(t)/h0(t)为固定值,即协变量对生存率的影响不随时间的改变而改变。对于Cox回归模型的其他相关函数和变量的限定,使用现有方案即可实现,本公开不做特殊限定。
此外,在一些示例性实施方式中,上述的风险分析模型也可以采用其他的回归分析模型进行训练。例如,可以构建基于Logistics模型的风险分析模型。
在步骤S12中,基于所述风险分析模型确定所述特征的特征值对应的风险参数。
本示例实施方式中,以风险分析模型采用Cox回归模型为例;举例来说,Cox回归模型的输入可以采用二元特征组成的特征向量来表示。例如,对于目标对象的特征数据,性别标签抽取特征后,特征名为“gender”,1代表男性,0代表女性;BMI(Body Mass Index,体重指数)标签值域分为六类,每一类作为一个特征得到BMI_underweight、BMI_normal、BMI_overweight等六个特征;例如,一个人BMI为正常,则BMI_normal这一特征取特征值为1,其他为0;既往病史的值域中每一项都作为一个特征,若患过该病则特征取值1,未患过则特征取值0;例如,一个人既往病史有二型糖尿病但没有高血压,二型糖尿病对应ICD10编码是E11,高血压是I10,则这个人在特征E11取值为1,特征I10的取值为0;依次类推。
对于Cox回归模型来说,其输入参数为上述的用户特征数据队列,其中,用户特征数据对列中的特征和对应的特征值便可以利用上述的二元特征表示;模型的输出为各特征的特征值对应的风险参数,即HR(Hazard Ratio,风险率)值。
举例来说,对于各目标对象而言,可以使用上述的用户标签体系对其用户数据进行解析,在各标签维度下,配置有多个不同的标签,各标签用户表示目标对象的一项特征数据;各标签对应的标签值域可以作为该标签的特征;对用户数据进行分析,得到各特征的特征值。例如,第一目标用户为男性,则性别标签的“male”特征的特征值为1,“female”特征、“unknown”特征对应的特征值为0。将用户特征数据队列作为风险分析模型的输入,利用风险分析模对各用户特征数据队列进行计算,得到各特征对应的风险参数后,即HR值。例如,每个风险评估项对应若干个特征,例如BMI对应有BMI_underweight、BMI_normal、BMI_overweight、BMI_obesitygrade1、BMI_obesitygrade2、BMI_obesitygrade3共六个特征,通过模型输出每个特征的HR值。此外,对于不同的待评估对象,BMI风险评估项取值不同,得到不同的HR值。如表2所示,为一待评估对象的BMI风险评估项各特征对应的风险参数。
表2
在步骤S13中,获取待评估对象的预设特征。
本示例实施方式中,用户可以在用户终端针对一待评估对象生成对应的数据评估请求,该数据评估请求中可以包含待评估对象的用户数据。业务服务器在获取该数据评估请求后,可以对用户数据进行分析,并配置对应的预设特征。另外,数据评估请求中还可以包括分析目标;例如,对指定疾病的分析。
本示例实施方式中,参考图3所示,上述的步骤S13可以包括:
步骤S131,为所述待评估对象配置数据分析维度;
步骤S132,确定各所述数据分析维度对应的风险评估项;其中,所述风险评估项包括至少一个预设特征;以及
步骤S133,对所述待评估对象的用户数据进行解析,以确定各所述预设特征对应的特征值。
具体来说,对于当前的待评估对象,在获取待评估对象的用户数据后,便可以根据已配置的、默认的用户健康标签体系对用户数据进行解析,将用户健康标签体系中的标签维度配置为待评估对象的数据分析维度,将各标签维度的标签配置为风险评估项,将各标签的默认标签值域作为风险评估项的预设特征;从而获取各维度下,各标签的各特征的特征值。在确定预设特征及对应的特征值之后,便可以基于风险评估模型已计算出的各特征的风险参数进行参考比对,从而确定待评估对象的预设特征的风险参数。从而实现通过用户健康标签体系对原始的用户数据进行数据分析,得到解析后的用户数据。并将该解析后的用户数据用于获取用户数据评估结果的基础数据。
此外,在一些示例性实施方式中,在获取可用的用户数据后,可以基于待评估对象的实际需求以及当前可用的用户数据内容,选取若干个标签维度作为当前待评估对象的数据分析维度。同时,对于各数据分析维度而言,还可以根据实际分析需求,以及用户提供的数据内容选择部分或全部的标签作为风险评估项;并将各标签对应的特征作为风险评估项的预设特征。例如,若用户未提供心理状况的相关数据时,便可以将心理状况维度忽略。或者,在考虑待分析对象的肺癌发病风险时,可以忽略乳腺癌风险标签,并添加工作环境维度的相关标签作为风险评估项。
在确定待评估对象对应的数据分析维度,以及各维度对应的风险评估项之后,便可以基于用户数据确定各风险评估项下的各预设特征的特征值。
举例来说,对于风险评估项“性别”,其预设特征包括:男性、女性;对应的,预设特征“男性”的特征值为1,“女性”的特征值为0。对于风险评估项“BMI级别”来说,其预设特征包括:BMI_underweight,BMI_normal,BMI_overweight…等六个特征;如一个人BMI为正常,则BMI_normal这一特征取值为1,其他为0。对于风险评估项“既往病史”,其值域中每一项都作为一个特征,若患过该病则特征取值1,未患过则特征取值0;例如,待评估对象既往病史有二型糖尿病但没有高血压,则二型糖尿病对应ICD10编码是E11,高血压是I10,则在预设特征E11对应的特征值为1,预设特征I10的特征值为0。
或者,在一些示例性实施方式中,在获取待评估对象的用户数据后,可以对用户数据进行初步识别,提取到其中明显异常的医疗参数,即数值明显不在正常数据范围的医疗数据参数。并根据该些异常的医疗数据参数来为当前的待评估对象选定其数据分析所必须的数据分析维度,以及各数据分析维度所必须的风险评估项。
对于针对当前的待评估对象配置的数据分析维度,即基于标签体系中选择的标签维度;各标签维度中配置若干个或全部的标签作为风险评估项;各标签的预设标签值域作为风险评估项的预设特征。
在步骤S14中,结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果。
本示例实施方式中,在获取各特征的特征值对应的风险参数之后,便可以计算待评估对象的数据评估结果。具体来说,对于待评估对象的数据评估结果,可以通过各数据分析维度对应的维度数据评估结果来表示。参考图4所示,上述的步骤S14可以包括:
步骤S1411,根据所述特征值的风险参数,确定所述特征值对应的风险评估项的风险评估项评分;其中,各所述风险评估项配置有至少一个所述预设特征;
步骤S1412,基于所述风险评估项评分,获取所述风险评估项对应的数据分析维度的维度数据评估结果;其中,各所述数据分析维度配置有至少一个所述风险评估项。
本示例实施方式中,上述的根据所述特征值的风险参数,确定所述特征值对应的风险评估项的风险评估项评分,具体可以包括:
根据所述风险评估项的各所述预设特征所对应的各特征值的风险参数,计算风险参数之和;将所述风险参数之和配置为对应的风险评估项的风险评估项评分。
具体而言,在获取风险评估项的各特征对应的HR值之后,便可以将各HR值相加,得到风险参数和值。并将该风险参数和值作为该风险评估项对应的风险评估项评分。或者,也可以对各HR值进行一定的数学运算之后,再得到对应的值。例如,可以通过对多个HR值计算平均值的方式,各HR值可以配置不用的权重系数。
或者,在一些示例性实施方式中,对于风险评估项对应的多个特征对应的HR值,也可以选取HR最大值作为当前风险评估项的风险评估分。例如,对于上述的BMI风险评估项,可以选取obesitygrade3特征的HR值2.71配置为BMI风险评估项的风险评估项评分。举例来说,对于待评估对象来说,若其体重正常,则在BMI风险评估项中,normal特征的特征值应为1,其他特征的特征值为0。因此,在选择normal特征的HR值作为BMI风险评估项的风险评估项评分时,可以节省计算过程,并准确的表达出BMI风险评估项。
本示例实施方式中,在基于上述的方法获取每个风险评估项对应的风险评估项评分之后,基于数据分析维度(即标签维度)与风险评估项(即标签)之间的对应关系,对于各数据分析维度,可以利用属于该数据分析维度的若干个风险评估项的风险评估项评分进行累加,得到该数据分析维度维度数据评估结果。例如,如上表1所示的“生活习惯”数据分析维度,可以将吸烟风险评估项、饮酒风险评估项和睡眠时间风险评估将对应的三个风险评估项评分相加,将该风险评估项评分累加的数值作为“生活习惯”数据分析维度的维度数据分析结果。
通过多个数据分析维度的维度数据分析结果,可以表示出待评估评估对象在各维度的状况,从而能够通过不同的维度评分来描述个人的健康状况。
基于上述内容,在一些示例性实施方式中,待评估对象的用户数据评估结果也可以通过对多个维度数据分析结果进行整理之后,通过综合数据评估结果来描述用户的健康状态。具体来说,参考图5所示,上述的步骤S14还可以包括:
步骤S1421,获取各数据分析维度下,各所述风险评估项所对应的预设特征的特征值的风险参数,基于各所述风险参数计算对应的数据分析维度的维度权重值;
步骤S1422,根据所述数据分析维度的预设总分数和对应的所述维度权重值,确定所述数据分析维度的维度评估结果;
步骤S1423,结合各所述数据分析维度对应的所述维度评估结果确定所述综合数据评估结果。
具体而言,在上述的步骤S1421中,可以根据所述风险评估项的各预设特征的风险参数,确定所述风险评估项对应的风险参数最大值和风险参数最小值;基于所述数据分析维度与所述风险评估项的对应关系,利用若干个所述风险评估项对应的风险参数最大值和风险参数最小值,确定对应的所述数据分析维度对应的维度权重值。通过该维度权重值来表示为数据分析维度在整体数据中的风险得分比。具体的,维度权重值的计算公式可以包括:
其中,R表示为数据分析维度的维度权重值;HRi表示该数据分析维度下第i个风险评估项对应的风险评估项评分;maxHRi表示第i个风险评估项对应的风险参数最大值,即HR最大值;minHRi表示第i个风险评估项的风险参数最小值,即HR最小值。例如,参考表2所示,在BMI风险评估项中,取HR最大值为2.71,HR最小值为1。
在通过上述的方法得到每个数据分析维度对应的维度权重值后,在步骤S1422、步骤S1423中,便可以利用维度权重值和各数据分析维度的预设总分数进行计算,得到每个数据分析维度的评分,再利用各数据分析维度的评分计算当前待评估对象的总得分。具体来说,各数据分析维度可以预先配置有维度总分;通过维度总分来表示该数据分析维度的重要性,也可以根据各数据分析维度中所包含的风险评估项的数量以及重要性配置维度总分。例如,参考表3所示,可以预先配置基本信息维度、医疗状况维度、生活习惯维度、运动行为维度和心状态维度的的预设维度总分分别为100、300、200、200和200。当前计算各数据分析维度对应的维度权重值分别为50%、75%、80%、100%和100%,则计算得到当前待分析对象的最终的用户数据评估结果的分数为835。
表3
或者,在一些示例性实施方式中,在计算获取各数据分析维度对应的维度数据评估结果之后,以及在计算并获取各数据分析维度的维度权重值R后,也可以利用当前计算的维度数据评估结果和维度权重值计算最终的用户数据评估结果。例如,用户数据评估结果=“基本信息”维度数据评估结果*50%+“医疗状况”维度数据评估结果*75%+“生活习惯”维度数据评估结果*80%+“运动行为”维度数据评估结果*100%+“心理状态”维度数据评估结果*100%。
基于上述内容,在本公开的一些示例性实施方式中,在获取待评估对象的健康状态评估结果后,可以通过健康分从全方面综合评估个人的健康状况。另外,还可以根据该健康状态评估结果向用户提供相关的健康建议。例如,可以根据健康状态评估结果进行回溯,确定影响健康状态评估结果分束的核心风险评估项、次核心风险评估项,等等。再根据该些筛选出来的风险评估项提供对应的健康管理建议。举例来说,由于Cox回归模型及健康分计算框架的可解释性,能够回溯各个风险评估项对健康的影响大小。例如,一个人健康分仅有200分,可以回溯是因为哪个数据分析维度、具体的哪些标签扣了多少分导致的。例如,待评估对象因为体重偏胖扣了50分,生活习惯中因为吸烟扣了200分,等等。可以知道吸烟对健康的影响更大,自然可以给出“吸烟严重损害健康,建议戒烟”这样的建议,这时候“建议减肥”的优先级可以更低一些。
本公开示例性实施方式中提供的健康状态评估方法,可以为不同的待评估对象配置不同数据分析维度,以及数据分析维度下必需的风险评估项。通过预先建立用户健康标签体系,并利用该用户健康标签体系对用户数据进行解析,从而得到各风险评估项的特征对应的特征值。并利用该些特征值构建该待评估对象的用户特征数据队列,通过已训练的风险分析模型得到各特征对应的风险参数,即HR值;从而可以基于HR值进行计算,逐步得到各风险评估项的风险评估项评分结果、各数据分析维度对应的维度数据分析结果,以及最终的用户数据评估结果,并利用计算出的健康分数据值进行表示。实现了从风险评估项的评分,到数据分析维度的评分,再到整体的健康状态评估结果的多层级的计算方式。从而实现利用健康分从全方面综合评估个人的健康状况。同时,由于Cox回归模型及健康分计算框架的可解释性,能够回溯到各个标签(即风险评估项)对健康的影响大小;从而实现面向个人的基于健康分的健康管理。个人仅需要提供自身的指定类目的数据,如年龄、身高、体重、生活习惯和医疗行为等,得到健康建议,以提高自身健康水平。并能够给出该评估的解释和数据细节。可以理解的是,通过为不同的用户配置不同的确定风险评估项,可以对用户的身体状况做出准确的评估。
进一步的,参考图6所示,本示例的实施方式中还提供一种健康状态评估装置60,包括:风险分析模型构建模块601、风险参数获取模块602、待评估对象数据获取模块603以及评估结果生成模块604。其中,
所述风险分析模型构建模块601可以用于根据目标对象的用户数据构建风险分析模型;其中,所述用户数据包括与所述目标对象健康状态相关的多个特征。
所述风险参数获取模块602可以用于基于所述风险分析模型确定所述特征的特征值对应的风险参数。
所述待评估对象数据获取模块603可以用于获取待评估对象的预设特征。
所述评估结果生成模块604可以用于结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果。
本示例的实施方式中,所述与所述目标对象健康状态相关的多个特征,包括:所述特征及对应的特征值,和目标事件参数。
所述风险分析模型构建模块601可以用于基于预设条件选取目标对象;对所述目标对象的用户数据进行解析以获取特征及对应的特征值,和目标事件参数;其中,所述目标事件参数包括:目标事件、目标事件时间;基于特征数据和目标事件参数构建用户特征数据队列,并基于用户特征数据队列构建风险分析模型。
本示例实施方式中,所述风险参数获取模块602可以包括:为所述待评估对象配置数据分析维度;确定各所述数据分析维度对应的风险评估项;其中,所述风险评估项包括至少一个预设特征;以及对所述待评估对象的用户数据进行解析,以确定各所述预设特征对应的特征值。
本示例实施方式中,所述用户数据评估结果包括维度数据分析结果;所述评估结果生成模块604可以包括:第一分析单元。
所述第一分析单元可以用于基于风险评估项对应的各预设特征的特征值的风险参数,确定所述风险评估项的风险评估项评分;其中,各所述风险评估项配置有至少一个所述预设特征;基于数据分析维度对应的各风险评估项的所述风险评估项评分,确定所述数据分析维度的维度数据评估结果;其中,各所述数据分析维度配置有至少一个所述风险评估项。
本示例实施方式中,所述第一分析单元还可以包括:根据所述风险评估项的各所述预设特征所对应的各特征值的风险参数,计算风险参数之和;将所述风险参数之和配置为对应的风险评估项的风险评估项评分。。
本示例的实施方式中,所述评估结果生成模块604还可以包括:第二分析单元。
所述第二分析单元可以用于获取各数据分析维度下,各所述风险评估项所对应的预设特征的特征值的风险参数,基于各所述风险参数计算对应的数据分析维度的维度权重值;根据所述数据分析维度的预设总分数和对应的所述维度权重值,确定所述数据分析维度的维度评估结果;结合各所述数据分析维度对应的所述维度评估结果确定所述综合数据评估结果。
本示例的实施方式中,所述第二分析单元还可以包括:根据所述风险评估项的各预设特征的风险参数,确定所述风险评估项对应的风险参数最大值和风险参数最小值;基于所述数据分析维度与所述风险评估项的对应关系,利用若干个所述风险评估项对应的风险参数最大值和风险参数最小值,确定对应的所述数据分析维度对应的维度权重值。
上述的健康状态评估装置中各模块的具体细节已经在对应的健康状态评估方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的计算机系统。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的计算机系统400。图7显示的计算机系统400仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统400以通用计算设备的形式表现。计算机系统400的组件可以包括但不限于:上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元410执行,使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元410可以执行如图1中所示的步骤。
存储单元420可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202,还可以进一步包括只读存储单元(ROM)4203。
存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204,这样的程序模块4205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机系统400也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该计算机系统400交互的设备通信,和/或与使得该计算机系统400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且,计算机系统400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器460通过总线430与计算机系统400的其它模块通信。处理单元410通过总线430连接显示单元440应当明白,尽管图中未示出,可以结合计算机系统400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品500,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品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为但不限于电、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(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。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的程序代码,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。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (7)
1.一种健康状态评估方法,其特征在于,包括:
根据目标对象的用户数据构建风险分析模型;其中,所述用户数据包括与所述目标对象健康状态相关的多个特征;
基于所述风险分析模型确定所述特征的特征值对应的风险参数;
为待评估对象配置专用于该待评估对象的用户健康标签体系,以用于利用该健康标签体系对用户数据进行解析;
获取待评估对象的预设特征,包括:为所述待评估对象配置数据分析维度;确定各所述数据分析维度对应的风险评估项;其中,所述风险评估项包括至少一个预设特征;以及对所述待评估对象的用户数据进行解析,以确定各所述预设特征对应的特征值;其中,为所述待评估对象配置数据分析维度包括:将所述用户健康标签体系中的标签维度配置为所述待评估对象的数据分析维度,或者选取若干个标签维度作为待评估对象的数据分析维度;
结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果,包括:根据所述风险评估项的各预设特征的风险参数,确定所述风险评估项对应的风险参数最大值和风险参数最小值;基于所述数据分析维度与所述风险评估项的对应关系,利用若干个所述风险评估项对应的风险参数最大值和风险参数最小值,确定对应的所述数据分析维度对应的维度权重值;以及,根据所述数据分析维度的预设总分数和对应的所述维度权重值,确定所述数据分析维度的维度评估结果;结合各所述数据分析维度对应的所述维度评估结果确定综合数据评估结果,作为所述状态评估结果;所述状态评估结果包括维度数据分析结果。
2.根据权利要求1所述的健康状态评估方法,其特征在于,所述与所述目标对象健康状态相关的多个特征,包括:所述特征及对应的特征值,和目标事件参数;
所述根据目标对象的用户数据构建风险分析模型,包括:
基于预设条件选取目标对象;
对所述目标对象的用户数据进行解析以获取特征及对应的特征值,和目标事件参数;其中,所述目标事件参数包括:目标事件、目标事件时间;
基于特征数据和目标事件参数构建用户特征数据队列,并基于用户特征数据队列构建风险分析模型。
3.根据权利要求1所述的健康状态评估方法,其特征在于,所述结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果,包括:
基于风险评估项对应的各预设特征的特征值的风险参数,确定所述风险评估项的风险评估项评分;其中,各所述风险评估项配置有至少一个所述预设特征;
基于数据分析维度对应的各风险评估项的所述风险评估项评分,确定所述数据分析维度的维度数据评估结果;其中,各所述数据分析维度配置有至少一个所述风险评估项。
4.根据权利要求3所述的健康状态评估方法,其特征在于,所述根据所述特征值的风险参数,确定所述特征值对应的风险评估项的风险评估项评分,包括:
根据所述风险评估项的各所述预设特征所对应的各特征值的风险参数,计算风险参数之和;
将所述风险参数之和配置为对应的风险评估项的风险评估项评分。
5.一种健康状态评估装置,其特征在于,包括:
风险分析模型构建模块,用于根据目标对象的用户数据构建风险分析模型;其中,所述用户数据包括与所述目标对象健康状态相关的多个特征;
风险参数获取模块,用于基于所述风险分析模型确定所述特征的特征值对应的风险参数;
用户健康标签体系配置模块,用于为待评估对象配置专用于该待评估对象的用户健康标签体系,以用于利用该健康标签体系对用户数据进行解析;
待评估对象数据获取模块,用于获取待评估对象的预设特征,包括:为所述待评估对象配置数据分析维度;确定各所述数据分析维度对应的风险评估项;其中,所述风险评估项包括至少一个预设特征;以及对所述待评估对象的用户数据进行解析,以确定各所述预设特征对应的特征值;
评估结果生成模块,用于结合所述待评估对象的预设特征以及所述预设特征的特征值对应的风险参数,确定所述待评估对象的状态评估结果,包括:根据所述风险评估项的各预设特征的风险参数,确定所述风险评估项对应的风险参数最大值和风险参数最小值;基于所述数据分析维度与所述风险评估项的对应关系,利用若干个所述风险评估项对应的风险参数最大值和风险参数最小值,确定对应的所述数据分析维度对应的维度权重值;以及,根据所述数据分析维度的预设总分数和对应的所述维度权重值,确定所述数据分析维度的维度评估结果;结合各所述数据分析维度对应的所述维度评估结果确定综合数据评估结果,作为所述状态评估结果;所述状态评估结果包括维度数据分析结果。
6.一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至4中任一项所述的健康状态评估方法。
7.一种计算机系统,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至4中任一项所述的健康状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276360.0A CN113990506B (zh) | 2021-10-29 | 2021-10-29 | 一种健康状态评估方法、装置、存储介质及计算机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276360.0A CN113990506B (zh) | 2021-10-29 | 2021-10-29 | 一种健康状态评估方法、装置、存储介质及计算机系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113990506A CN113990506A (zh) | 2022-01-28 |
CN113990506B true CN113990506B (zh) | 2023-03-10 |
Family
ID=79744804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111276360.0A Active CN113990506B (zh) | 2021-10-29 | 2021-10-29 | 一种健康状态评估方法、装置、存储介质及计算机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113990506B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103104291A (zh) * | 2012-11-07 | 2013-05-15 | 中国矿业大学(北京) | 一种煤岩动力灾害多参量综合指标预测方法 |
CN108281188A (zh) * | 2018-01-18 | 2018-07-13 | 姜涵予 | 一种健康状态评估体系以及装置 |
CN109670680A (zh) * | 2018-11-30 | 2019-04-23 | 安徽四创电子股份有限公司 | 一种基于风险指标的突发事件应急能力综合评估方法 |
CN109859847A (zh) * | 2019-02-15 | 2019-06-07 | 京东方科技集团股份有限公司 | 电子设备、体重管理收益预测装置及存储介质 |
CN110009219A (zh) * | 2019-03-28 | 2019-07-12 | 诺亚正行基金销售有限公司 | 金融大数据处理方法、存储介质和设备 |
CN110796370A (zh) * | 2019-10-30 | 2020-02-14 | 南京新贝金服科技有限公司 | 一种基于保险数据分析的家庭抗风险能力评测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610779B (zh) * | 2017-10-25 | 2021-10-22 | 医渡云(北京)技术有限公司 | 疾病评价及患病风险评估方法及装置 |
CN111901814B (zh) * | 2020-09-11 | 2022-07-26 | 中国联合网络通信集团有限公司 | 无线网络健康评估方法、装置、电子设备及存储介质 |
-
2021
- 2021-10-29 CN CN202111276360.0A patent/CN113990506B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103104291A (zh) * | 2012-11-07 | 2013-05-15 | 中国矿业大学(北京) | 一种煤岩动力灾害多参量综合指标预测方法 |
CN108281188A (zh) * | 2018-01-18 | 2018-07-13 | 姜涵予 | 一种健康状态评估体系以及装置 |
CN109670680A (zh) * | 2018-11-30 | 2019-04-23 | 安徽四创电子股份有限公司 | 一种基于风险指标的突发事件应急能力综合评估方法 |
CN109859847A (zh) * | 2019-02-15 | 2019-06-07 | 京东方科技集团股份有限公司 | 电子设备、体重管理收益预测装置及存储介质 |
CN110009219A (zh) * | 2019-03-28 | 2019-07-12 | 诺亚正行基金销售有限公司 | 金融大数据处理方法、存储介质和设备 |
CN110796370A (zh) * | 2019-10-30 | 2020-02-14 | 南京新贝金服科技有限公司 | 一种基于保险数据分析的家庭抗风险能力评测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113990506A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
Kamalraj et al. | Interpretable filter based convolutional neural network (IF-CNN) for glucose prediction and classification using PD-SS algorithm | |
US10825167B2 (en) | Rapid assessment and outcome analysis for medical patients | |
Hedeker et al. | MIXREGLS: A program for mixed-effects location scale analysis | |
Currie et al. | Smoothing and forecasting mortality rates | |
US7668826B2 (en) | Predicting apparatus, predicting method, and computer product | |
Sjölander et al. | Doubly robust estimation of attributable fractions in survival analysis | |
de Haan-Rietdijk et al. | On the use of mixed Markov models for intensive longitudinal data | |
Heath et al. | Calculating the expected value of sample information in practice: considerations from 3 case studies | |
JP6916310B2 (ja) | 人間参加型対話式モデル訓練 | |
Hof et al. | A probabilistic record linkage model for survival data | |
US20220129734A1 (en) | Forecasting device, method, and program | |
Harper et al. | Discrete conditional phase-type models utilising classification trees: application to modelling health service capacities | |
JP6038727B2 (ja) | 分析システム及び分析方法 | |
CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
Mancini et al. | Marked point process models for the admissions of heart failure patients | |
Carroll et al. | Temporally dependent accelerated failure time model for capturing the impact of events that alter survival in disease mapping | |
Xu et al. | Evaluating medical device adverse event signals using a likelihood ratio test method | |
Manna et al. | Diabetes prediction model using cloud analytics | |
US20210225513A1 (en) | Method to Create Digital Twins and use the Same for Causal Associations | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
Ng et al. | Joint frailty modeling of time-to-event data to elicit the evolution pathway of events: a generalized linear mixed model approach | |
CN113990506B (zh) | 一种健康状态评估方法、装置、存储介质及计算机系统 | |
Shen et al. | Robust modeling in screening studies: estimation of sensitivity and preclinical sojourn time distribution | |
Kopra et al. | Bayesian models for data missing not at random in health examination surveys |
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 |