CN114093518B - 一种基于肥胖度的糖尿病风险评估系统及评估方法 - Google Patents

一种基于肥胖度的糖尿病风险评估系统及评估方法 Download PDF

Info

Publication number
CN114093518B
CN114093518B CN202210076661.7A CN202210076661A CN114093518B CN 114093518 B CN114093518 B CN 114093518B CN 202210076661 A CN202210076661 A CN 202210076661A CN 114093518 B CN114093518 B CN 114093518B
Authority
CN
China
Prior art keywords
user
sugar
blood sample
information
risk
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
CN202210076661.7A
Other languages
English (en)
Other versions
CN114093518A (zh
Inventor
李斯琦
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.)
Health Hope (beijing) Technology Co ltd
Original Assignee
Health Hope (beijing) 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 Health Hope (beijing) Technology Co ltd filed Critical Health Hope (beijing) Technology Co ltd
Priority to CN202210076661.7A priority Critical patent/CN114093518B/zh
Publication of CN114093518A publication Critical patent/CN114093518A/zh
Application granted granted Critical
Publication of CN114093518B publication Critical patent/CN114093518B/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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种基于肥胖度的糖尿病风险评估系统，包括收集平台、服务平台以及用户数据库；用户数据库包括基本信息库、血样信息库、高糖血样库、饮食库和运动库；收集平台包括软件采集模块和血样采集模块，软件采集模块与血样采集模块通讯连接；软件采集模块能够采集基本信息、饮食摄入信息以及运动信息，并将基本信息存储在基本信息库中，将饮食摄入信息存储在饮食库中，将运动信息存储在运动库中；血样采集模块用于采集血样信息。本发明还提供了基于肥胖度的糖尿病风险评估系统的评估方法。基于本发明的评估系统和评估方法能够对用户的血糖状态及时进行提醒，使用户能够获得较早的干预或治疗建议，能够有效避免因就医不及时导致的健康问题。

Description

一种基于肥胖度的糖尿病风险评估系统及评估方法
技术领域
本申请涉及糖尿病风险评估技术领域，尤其涉及一种基于肥胖度的糖尿病风险评估系统及评估方法。
背景技术
根据现有技术研究数据显示，肥胖和糖尿病同属于代谢性疾病，肥胖与糖尿病发生密切相关。糖尿病发生的原因主要有胰岛β细胞功能的衰退和胰岛素抵抗，而胰岛素抵抗是导致肥胖的关键因素。肥胖患者由于体重超标，脂肪含量高，很容易产生胰岛素抵抗，胰岛素抵抗使体内的胰岛素不能发挥相应的降糖作用。由于胰岛素是体内唯一的降血糖激素，机体为控制血糖，必须提升胰岛β细胞分泌胰岛素的能力，增加胰岛素分泌，当增加胰岛素分泌依然不能使血糖回复正常时就会导致糖尿病，所以胰岛素抵抗是肥胖产生的根源之一，也是糖尿病发生很重要的原因。基于大量数据调查显示肥胖与糖尿病发生率正相关，从数据统计中可以看到，当体重超标时，糖尿病患者发病率呈现显著增加的趋势。
中国有世界上最多的糖尿病人口和最高的糖尿病发病率，2013年疾控中心的调查数据表明，在每不到10个人中就有一个糖尿病患者，超过35%的成年人血糖都高于正常值而处于糖尿病前提状态。一旦患上糖尿病就需要患者长期带药，面临巨大的治疗开销，甚至还会因为未能及时接受诊治而遭受并发症的折磨，目前研究显示，糖尿病如果得不到合理控制，还会造成心血管疾病、卒中的风险大幅增加。在过去20年间，我国15-49岁人口的糖尿病发病率增速超过了60%，而40岁以下的年轻糖尿病患者的血糖代谢能力下降更快，用药治疗率却更低，其原因在于很多人平时不会特意就医检查，通常只是在每年例行体检时进行一次空腹血糖检查，但是，空腹血糖检查可能会因为自身的敏感性不足，而导致很多人错过了早期干预的时机。因此，当前迫切需要一种能够全面评估和控制预防糖尿病，及时对用户的血糖状态进行提醒，并能够给出干预或治疗建议的产品。
发明内容
为了解决以上问题，本发明提供了一种基于肥胖度的糖尿病风险评估系统，包括收集平台、服务平台以及用户数据库，其中：
用户数据库包括基本信息库、血样信息库、高糖血样库、饮食库和运动库；
收集平台包括软件采集模块和血样采集模块，软件采集模块与血样采集模块通讯连接；
软件采集模块能够采集基本信息、饮食摄入信息以及运动信息，并将基本信息存储在基本信息库中，将饮食摄入信息存储在饮食库中，将运动信息存储在运动库中；
血样采集模块用于采集血样信息，血样信息包括检测日期、有效节点以及血糖值；
服务平台包括有效值判断模块、高糖判断模块、BMI模块和评估模块，其中，
有效值判断模块用于判断血样采集模块采集到的血样信息是否处于有效节点，若判断为是，则将血样信息存储在血样信息库中；
高糖判断模块用于判断血样信息库中的血糖值是否为高血糖，若判断为是，则设置血样信息为高糖血样信息，将高糖血样信息存储在高糖血样库中；
BMI模块能够根据用户的BMI得到对应的BMI肥胖系数P；评估模块通过高糖血样库中的高糖血样信息和用户的BMI肥胖系数P，获得用户的患病的风险度。
可选的，软件采集模块设置为移动设备上的应用程序；血样采集模块包括血糖测量仪，血糖测量仪包括采血针。
可选的，用户的基本信息至少包括年龄、身高、体重和服药情况；BMI=体重（kg）/身高²（m2）。
可选的，有效节点包括但不限于早餐前空腹、早餐后两小时、午餐后两小时、晚餐后两小时以及凌晨空腹。
进一步的，本发明还提供了一种基于肥胖度的糖尿病风险评估方法，使用上述糖尿病风险评估系统，糖尿病风险评估方法的步骤包括：
S100，设置A用户的血样信息中包括
Figure DEST_PATH_IMAGE002
个检测日期，在
Figure DEST_PATH_IMAGE004
的第
Figure DEST_PATH_IMAGE006
个检测日期
Figure DEST_PATH_IMAGE008
检测到
Figure DEST_PATH_IMAGE010
个有效血糖值
Figure DEST_PATH_IMAGE012
，检测日期
Figure 208684DEST_PATH_IMAGE008
的
Figure 303679DEST_PATH_IMAGE010
个有效血糖值
Figure DEST_PATH_IMAGE014
对应发生在
Figure 894060DEST_PATH_IMAGE010
类有效节点
Figure DEST_PATH_IMAGE016
中；
其中，设置有效节点共有
Figure DEST_PATH_IMAGE018
个类别，
Figure DEST_PATH_IMAGE020
；
S200，已知
Figure 372184DEST_PATH_IMAGE010
类有效节点
Figure 262779DEST_PATH_IMAGE016
中的第
Figure DEST_PATH_IMAGE022
类有效节点
Figure DEST_PATH_IMAGE024
的正常血糖阈值
Figure DEST_PATH_IMAGE026
，当在检测日期
Figure 935200DEST_PATH_IMAGE008
的有效节点
Figure 514342DEST_PATH_IMAGE024
测量到的有效血糖值
Figure DEST_PATH_IMAGE028
时，则有效血糖值
Figure DEST_PATH_IMAGE030
对应的血样信息为高糖血样信息，其中，检测日期
Figure 359939DEST_PATH_IMAGE008
为高糖日期，高糖日期
Figure 839462DEST_PATH_IMAGE008
的有效节点
Figure 541838DEST_PATH_IMAGE024
为高糖节点；
得到高糖节点
Figure 841233DEST_PATH_IMAGE024
的点高糖差值
Figure DEST_PATH_IMAGE032
；
从而得到高糖日期
Figure 490520DEST_PATH_IMAGE008
的日高糖差值
Figure DEST_PATH_IMAGE034
；
S300，获取A用户的
Figure DEST_PATH_IMAGE036
个高糖日期
Figure DEST_PATH_IMAGE038
，高糖日期
Figure DEST_PATH_IMAGE040
的
Figure 729609DEST_PATH_IMAGE036
个日高糖差值
Figure DEST_PATH_IMAGE042
，以及A用户在高糖日期
Figure 806149DEST_PATH_IMAGE040
的BMI肥胖系数
Figure DEST_PATH_IMAGE044
，A用户在首次高糖日期
Figure DEST_PATH_IMAGE046
产生的日高糖差值为，在末次高糖日期
Figure DEST_PATH_IMAGE048
产生的日高糖差值为
Figure DEST_PATH_IMAGE050
；
设置高糖日期
Figure 500829DEST_PATH_IMAGE038
中的第
Figure 219387DEST_PATH_IMAGE006
个高糖日期
Figure DEST_PATH_IMAGE052
对应的日高糖差值为
Figure DEST_PATH_IMAGE054
，高糖日期
Figure 876764DEST_PATH_IMAGE052
的BMI肥胖系数为
Figure DEST_PATH_IMAGE056
；
从而得到A用户患病的风险度
Figure DEST_PATH_IMAGE058
;
S500，设置第一患病风险度阈值
Figure DEST_PATH_IMAGE060
、第二患病风险度阈值
Figure DEST_PATH_IMAGE062
，其中，
Figure DEST_PATH_IMAGE064
；
用户患病的风险度
Figure DEST_PATH_IMAGE066
时，判断用户为低风险患病用户，向用户推荐低风险方案；
用户患病的风险度
Figure DEST_PATH_IMAGE068
时，判断用户为高风险患病用户，向用户推荐高风险方案；
用户患病的风险度
Figure DEST_PATH_IMAGE070
时，根据用户的基本信息，建立网络神经模型，得到基本信息特征系数
Figure DEST_PATH_IMAGE072
；同时，根据评估关联时段中的饮食摄入信息和运动信息，能够得到评估关联时段的饮食运动系数
Figure DEST_PATH_IMAGE074
；
设置第三患病风险度阈值
Figure DEST_PATH_IMAGE076
，当
Figure DEST_PATH_IMAGE078
时，判断用户为中高风险患病用户，向用户推荐中高风险方案；当
Figure DEST_PATH_IMAGE080
时，判断用户为中低风险患病用户，向用户推荐对应中低风险方案。
进一步的，在步骤S500中，包括评估关联时段
Figure DEST_PATH_IMAGE082
和时隔阈值
Figure DEST_PATH_IMAGE084
，评估关联时段
Figure 676269DEST_PATH_IMAGE082
包括两个以上的高糖日期，相邻的高糖日期之间的时间间隔不大于时隔阈值
Figure 215834DEST_PATH_IMAGE084
；设置A用户的评估关联时段
Figure 236618DEST_PATH_IMAGE082
包括连续
Figure DEST_PATH_IMAGE086
个高糖日期
Figure DEST_PATH_IMAGE088
，其中第
Figure 748502DEST_PATH_IMAGE006
个高糖日期为
Figure DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE092
；
获取评估关联时段
Figure 901266DEST_PATH_IMAGE082
的食物摄入信息和运动信息得到连续高糖日期
Figure 662548DEST_PATH_IMAGE088
中每日摄入热量的超额量
Figure DEST_PATH_IMAGE094
，每日糖分的超额量
Figure DEST_PATH_IMAGE096
以及每日的运动量
Figure DEST_PATH_IMAGE098
,
得到评估关联时段的饮食运动系数
Figure DEST_PATH_IMAGE100
。
进一步的，在步骤S500中，将历史数据中，以用户的基本信息和患病情况作为输入和输出数据样本
Figure DEST_PATH_IMAGE102
，建立网络神经模型；
具体算法为：在样本空间中划分超平面
Figure DEST_PATH_IMAGE104
，其中，w
Figure DEST_PATH_IMAGE106
为超平面参数；
支持向量机的数学公式即为：
Figure DEST_PATH_IMAGE108
Figure DEST_PATH_IMAGE110
,其中，
Figure DEST_PATH_IMAGE112
为样本点
Figure DEST_PATH_IMAGE114
到划分超平面的函数间隔，取
Figure DEST_PATH_IMAGE116
；
Figure DEST_PATH_IMAGE118
是超平面的范数，最大化
Figure DEST_PATH_IMAGE120
等价于最小化
Figure DEST_PATH_IMAGE122
，可得到支持线性可分的支持向量机的最优化；
Figure DEST_PATH_IMAGE124
Figure DEST_PATH_IMAGE126
,对其进行拉格朗日对偶性求解对偶问题；建立拉格朗日函数，引进拉格朗日乘子
Figure DEST_PATH_IMAGE128
，定义拉格朗日函数：
Figure DEST_PATH_IMAGE130
;
根据原始问题的对偶性，原始问题的对偶性是极大极小问题，即
Figure DEST_PATH_IMAGE132
,求最小时，
Figure DEST_PATH_IMAGE134
分别对
Figure DEST_PATH_IMAGE136
和
Figure DEST_PATH_IMAGE138
求导为零可得:
Figure DEST_PATH_IMAGE140
,
Figure DEST_PATH_IMAGE142
;
将其带入对偶问题，可得:
Figure DEST_PATH_IMAGE144
,
Figure DEST_PATH_IMAGE146
,
Figure DEST_PATH_IMAGE148
;
解出
Figure DEST_PATH_IMAGE150
之后，那么
Figure DEST_PATH_IMAGE152
也可以相应得到;
其中，设原空间
Figure DEST_PATH_IMAGE154
，新空间是
Figure DEST_PATH_IMAGE156
，定义从原空间到新空间的映射
Figure DEST_PATH_IMAGE158
;
而对偶问题是：
Figure DEST_PATH_IMAGE160
,
Figure 522575DEST_PATH_IMAGE146
,
Figure 685703DEST_PATH_IMAGE148
;
引入核函数
Figure DEST_PATH_IMAGE162
,SVM的目标函数为：
Figure DEST_PATH_IMAGE164
,
Figure DEST_PATH_IMAGE166
,
Figure DEST_PATH_IMAGE168
;
其中，
Figure DEST_PATH_IMAGE170
代表的是在线性不可分的情况下，对分类错误的惩罚程度；
Figure DEST_PATH_IMAGE172
是松弛变量，由错分点到对应类别支持向量所在平面的距离表示，正确分类样本点的
Figure DEST_PATH_IMAGE174
，惩罚项由所有的离群点确定；
根据上述算法，得到输出结果，对应得到用户的基本信息特征系数
Figure 120620DEST_PATH_IMAGE072
。
进一步的，在步骤S300中，根据需要的监测时间段
Figure DEST_PATH_IMAGE176
，设置监测时间段
Figure 602155DEST_PATH_IMAGE176
内总共有
Figure DEST_PATH_IMAGE178
个高糖日期
Figure DEST_PATH_IMAGE180
,
Figure DEST_PATH_IMAGE182
个高糖日期
Figure DEST_PATH_IMAGE184
对应产生的
Figure 607151DEST_PATH_IMAGE178
个日高糖差值
Figure DEST_PATH_IMAGE186
，设置高糖日期
Figure 359207DEST_PATH_IMAGE180
中的第
Figure 916090DEST_PATH_IMAGE006
个高糖日期为
Figure DEST_PATH_IMAGE188
，对应的日高糖差值为
Figure DEST_PATH_IMAGE190
，监测时间段内的平均BMI肥胖系数为
Figure DEST_PATH_IMAGE192
；得到用户在监测时间段
Figure 649752DEST_PATH_IMAGE176
内患病风险度
Figure DEST_PATH_IMAGE194
。
本发明的基于肥胖度的糖尿病风险评估系统和评估方法，能够对用户的血糖状态及时进行提醒，使用户能够获得较早的干预或治疗建议，能够有效避免因就医不及时导致的健康问题。
附图说明
为了更清楚地的说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明优选实施例的基于肥胖度的糖尿病风险评估方法的步骤流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
为了解决对糖尿病风险评估问题，本实施例提供一种基于肥胖度的糖尿病风险评估系统、评估方法及健康推荐方法。
本实施例的基于肥胖度的糖尿病风险评估系统，包括收集平台、服务平台以及用户数据库，其中：用户数据库包括基本信息库、血样信息库、高糖血样库、饮食库和运动库。
收集平台用于收集用户的相关资料，收集平台包括软件采集模块和血样采集模块，软件采集模块设置为能够安装在移动设备上的应用程序，血样采集模块包括血糖测量仪，血糖测量仪包括采血针等采血设备，能够通过采血针采集的血样检测到血糖值。
软件采集模块能够用来采集用户的基本信息，包括姓名、性别、年龄、身高、体重、职业、病史、服药情况等 ，也能够通过软件采集模块收集到用户每日的饮食摄入信息以及运动信息。
将软件采集模块采集到的用户的基本信息存储在基本信息库中；采集到的饮食摄入信息记录在饮食库内，采集到的运动信息记录在运动库内。
软件采集模块与血样采集模块能够进行通讯连接，血样采集模块采集的血样信息包括检测日期、有效节点，以及血糖值，其中：
有效节点分布在检测日期的有效时段，可以根据自身需求在任一类有效节点进行检测，例如可以设置为5类有效节点，分别为早餐前空腹、早餐后两小时、午餐后两小时、晚餐后两小时以及凌晨空腹，在每个检测日期中这5类有效节点得到的血糖值都为有效，将有效节点检测的血样信息，通过软件采集模块上传到服务平台，保存在血样信息库中。
服务平台包括有效值判断模块、高糖判断模块、BMI模块，其中，有效值判断模块用于判断得到的血样信息是否是在有效节点进行检测，高糖判断模块用于判断收集平台采集有效节点的血糖值是否为高血糖值，若为高血糖值，将该高血糖值的血样信息存储在高糖血样库中。
BMI(Body Mass Index,身体质量指数)，是目前国际上常用的衡量人体胖瘦程度以及是否健康的一个标准，具体计算方法为：BMI=体重（kg）/身高²（m2）。因此可以说，BMI的值能够代表肥胖程度，作为本实施例中糖尿病风险评估的重要指标，服务平台的BMI模块通过用户基本信息库中的基本信息（身高和体重），得到用户的BMI，同时，根据得到的BMI，能够得到该用户进行风险评估的肥胖系数P。例如，设置肥胖程度由轻到重依次为：当24＜BMI≤26时，设置为初度肥胖，肥胖系数P=0.6；当26＜BMI≤28时设置为中度肥胖，肥胖系数P=0.8；当28＜BMI≤30时设置为重度肥胖，肥胖系数P=1.0；当BMI＞30时为特重度肥胖，设置肥胖系数P=1.2。
优选的，参考图1,基于肥胖度的糖尿病风险评估方法的具体步骤包括：
设置A用户的血样信息中包括
Figure 520756DEST_PATH_IMAGE002
个检测日期
Figure DEST_PATH_IMAGE196
，在
Figure 392897DEST_PATH_IMAGE004
的第
Figure 120682DEST_PATH_IMAGE006
个检测日期
Figure 576809DEST_PATH_IMAGE008
检测到
Figure 48241DEST_PATH_IMAGE010
个有效血糖值
Figure 40468DEST_PATH_IMAGE012
，检测日期
Figure 673575DEST_PATH_IMAGE008
的
Figure 649621DEST_PATH_IMAGE010
个有效血糖值
Figure 659165DEST_PATH_IMAGE014
对应发生在
Figure 505899DEST_PATH_IMAGE010
类有效节点
Figure 575486DEST_PATH_IMAGE016
中；
其中，设置有效节点共有
Figure 507670DEST_PATH_IMAGE018
个类别，
Figure 87949DEST_PATH_IMAGE020
；
另外，A用户在第
Figure 54768DEST_PATH_IMAGE006
个检测日期
Figure 29677DEST_PATH_IMAGE008
的BMI肥胖系数为
Figure DEST_PATH_IMAGE198
;
服务平台中存储有根据A用户的基本身体数据情况得到的
Figure 183578DEST_PATH_IMAGE010
类有效节点
Figure 800504DEST_PATH_IMAGE016
中的第
Figure 621830DEST_PATH_IMAGE022
类有效节点
Figure 767640DEST_PATH_IMAGE024
的正常血糖阈值
Figure 674416DEST_PATH_IMAGE026
，当在检测日期
Figure 593569DEST_PATH_IMAGE008
的有效节点
Figure 269401DEST_PATH_IMAGE024
测量到的有效血糖值
Figure 851692DEST_PATH_IMAGE028
时，则有效血糖值
Figure 245764DEST_PATH_IMAGE030
对应的血样信息为高糖血样信息，其中，检测日期
Figure 938913DEST_PATH_IMAGE008
为高糖日期，高糖日期
Figure 410DEST_PATH_IMAGE008
的有效节点
Figure 753603DEST_PATH_IMAGE024
为高糖节点；并将高糖数据
Figure 369392DEST_PATH_IMAGE030
、高糖日期
Figure 866232DEST_PATH_IMAGE008
以及对应的当日高糖节点
Figure 18121DEST_PATH_IMAGE024
储存在高糖数据库中。
同时，还能够得到高糖日期
Figure 942215DEST_PATH_IMAGE008
的当日高糖节点
Figure 576459DEST_PATH_IMAGE024
的点高糖差值
Figure 611411DEST_PATH_IMAGE032
；
从而得到高糖日期
Figure 116341DEST_PATH_IMAGE008
的日高糖差值
Figure 211336DEST_PATH_IMAGE034
；
进一步的，从高糖数据库中获取A用户的
Figure 536138DEST_PATH_IMAGE036
个高糖日期
Figure 374781DEST_PATH_IMAGE038
，高糖日期
Figure 498333DEST_PATH_IMAGE040
的
Figure 29808DEST_PATH_IMAGE036
个日高糖差值
Figure 107486DEST_PATH_IMAGE042
，以及A用户在高糖日期
Figure 484241DEST_PATH_IMAGE040
的BMI肥胖系数
Figure 963763DEST_PATH_IMAGE044
，A用户在首次高糖日期
Figure 400561DEST_PATH_IMAGE046
产生的日高糖差值为
Figure DEST_PATH_IMAGE200
，在末次高糖日期
Figure 699955DEST_PATH_IMAGE048
产生的日高糖差值为
Figure 880401DEST_PATH_IMAGE050
；
设置高糖日期
Figure 981474DEST_PATH_IMAGE038
中的第
Figure 589173DEST_PATH_IMAGE006
个高糖日期
Figure 375864DEST_PATH_IMAGE052
对应的日高糖差值为
Figure 360000DEST_PATH_IMAGE054
，高糖日期
Figure 79694DEST_PATH_IMAGE052
的BMI肥胖系数为
Figure 858295DEST_PATH_IMAGE056
；
从而得到A用户患病的风险度
Figure 132281DEST_PATH_IMAGE058
。
例如：，A用户在高糖数据库中，首次高糖日期为2018年7月2日，最后一次高糖日期为2018年7月4日，其中，进行检测的有效节点为5类，分别是早餐前空腹、早餐后两小时、午餐后两小时、晚餐后两小时以及凌晨空腹；在7月2日，5个有效节点均发生高糖数据，形成的高糖差分别为2，3，2，4，2；得到7月2日的日高糖差值为13。在7月3日，有3个有效节点发生高糖数据，形成的高糖差分别为：3，2，2,；得到7月3日的日高糖差值为7。在7月4日，有4个有效节点发生高糖数据，形成的高糖差分别为 2，1，1，1；得到7月4日的日高糖差值为5，获得A用户在高糖日期7月2日-7月4日的BMI肥胖系数P为1.0，将血样数据和日期数据使用上述公式进行计算，从而得到用户患病的风险度为12.5。
其中，由于不同的人（不同年龄）在有效节点的正常血糖阈值也会不同，可以根据基本信息得到该用户个人的血糖差值。
在其他一些实施方式中，也可以由用户自身情况根据需要选择评估时间段，获得该评估时间段内患糖尿病的风险度；例如，B用户选择的用于评估的监测时间段为
Figure 654529DEST_PATH_IMAGE176
，在
Figure 461686DEST_PATH_IMAGE176
的监测时间段内总共有
Figure 411188DEST_PATH_IMAGE178
个高糖日期
Figure 703629DEST_PATH_IMAGE180
,
Figure 763988DEST_PATH_IMAGE182
个高糖日期
Figure 192696DEST_PATH_IMAGE184
对应产生的
Figure 313099DEST_PATH_IMAGE178
个日高糖差值
Figure 561677DEST_PATH_IMAGE186
，设置高糖日期
Figure 691307DEST_PATH_IMAGE180
中的第
Figure 974521DEST_PATH_IMAGE006
个高糖日期为
Figure 755571DEST_PATH_IMAGE188
，对应的日高糖差值为
Figure 491446DEST_PATH_IMAGE190
，监测时间段内的平均BMI肥胖系数为
Figure 159188DEST_PATH_IMAGE192
；得到用户在监测时间段
Figure 562487DEST_PATH_IMAGE176
内患病风险度
Figure 24693DEST_PATH_IMAGE194
。
进一步的，设置第一患病风险度阈值
Figure 247864DEST_PATH_IMAGE060
、第二患病风险度阈值
Figure 719296DEST_PATH_IMAGE062
，其中，
Figure 711523DEST_PATH_IMAGE064
；
用户患病的风险度
Figure 344630DEST_PATH_IMAGE066
时，判断用户为低风险患病用户，根据用户目前的BMI和个人需求，对应向用户推荐饮食和运动方案以进行糖尿病预防；
用户患病的风险度
Figure 819211DEST_PATH_IMAGE068
时，向用户推荐周边专业医院，建议用户及时治疗，以及提供一些降糖食谱等；
用户患病的风险度
Figure 828755DEST_PATH_IMAGE070
时，根据用户的基本信息、BMI以及用户的饮食和运动情况，建立网络神经模型，对用户的患病风险进行进一步判断；
具体方法为：
当得到A用户患病的风险度
Figure 675489DEST_PATH_IMAGE070
时，获取高糖数据库中A用户的评估关联时段
Figure 745076DEST_PATH_IMAGE082
和时隔阈值
Figure 677260DEST_PATH_IMAGE084
，评估关联时段
Figure 756074DEST_PATH_IMAGE082
包括两个以上的高糖日期，相邻的高糖日期之间的时间间隔不大于时隔阈值
Figure 457314DEST_PATH_IMAGE084
；设置A用户的评估关联时段
Figure 697802DEST_PATH_IMAGE082
包括连续
Figure 117282DEST_PATH_IMAGE086
个高糖日期
Figure 970094DEST_PATH_IMAGE088
，其中第
Figure 56999DEST_PATH_IMAGE006
个高糖日期为
Figure 468389DEST_PATH_IMAGE090
，
Figure 375165DEST_PATH_IMAGE092
；
获取评估关联时段
Figure 530203DEST_PATH_IMAGE082
的食物摄入信息和运动信息得到连续高糖日期
Figure 206035DEST_PATH_IMAGE088
中每日摄入热量的超额量
Figure 788326DEST_PATH_IMAGE094
，每日糖分的超额量
Figure 182398DEST_PATH_IMAGE096
以及每日的运动量
Figure 141127DEST_PATH_IMAGE098
,
得到评估关联时段的饮食运动系数
Figure 435579DEST_PATH_IMAGE100
。
进一步的，将历史数据中，以用户的基本信息和患病情况作为输入和输出数据样本
Figure 923193DEST_PATH_IMAGE102
，建立网络神经模型；
具体算法为：
在样本空间中划分超平面
Figure 804561DEST_PATH_IMAGE104
，其中，w
Figure 301401DEST_PATH_IMAGE106
为超平面参数；
支持向量机的数学公式即为：
Figure 951826DEST_PATH_IMAGE108
Figure 141498DEST_PATH_IMAGE110
,其中，
Figure 244584DEST_PATH_IMAGE112
为样本点
Figure 279536DEST_PATH_IMAGE114
到划分超平面的函数间隔，取
Figure 551511DEST_PATH_IMAGE116
；
Figure 646505DEST_PATH_IMAGE118
是超平面的范数，最大化
Figure 502466DEST_PATH_IMAGE120
等价于最小化
Figure 341109DEST_PATH_IMAGE122
，可得到支持线性可分的支持向量机的最优化；
Figure 966125DEST_PATH_IMAGE124
Figure 232022DEST_PATH_IMAGE126
,对其进行拉格朗日对偶性求解对偶问题；建立拉格朗日函数，引进拉格朗日乘子
Figure 309699DEST_PATH_IMAGE128
，定义拉格朗日函数：
Figure 952033DEST_PATH_IMAGE130
;
根据原始问题的对偶性，原始问题的对偶性是极大极小问题，即
Figure 431556DEST_PATH_IMAGE132
,求最小时，
Figure 366889DEST_PATH_IMAGE134
分别对
Figure 931862DEST_PATH_IMAGE136
和
Figure 112308DEST_PATH_IMAGE138
求导为零可得:
Figure 446337DEST_PATH_IMAGE140
,
Figure 319615DEST_PATH_IMAGE142
;
将其带入对偶问题，可得:
Figure 371885DEST_PATH_IMAGE144
,
Figure 356021DEST_PATH_IMAGE146
,
Figure 544557DEST_PATH_IMAGE148
;
解出
Figure 588737DEST_PATH_IMAGE150
之后，那么
Figure 629767DEST_PATH_IMAGE152
也可以相应得到;
Figure DEST_PATH_IMAGE202
，其中，约束条件包括：
Figure DEST_PATH_IMAGE204
对于任意训练样本
Figure 558540DEST_PATH_IMAGE114
总有
Figure DEST_PATH_IMAGE206
或者
Figure DEST_PATH_IMAGE208
；
其中，设原空间
Figure 70424DEST_PATH_IMAGE154
，新空间是
Figure 19925DEST_PATH_IMAGE156
，定义从原空间到新空间的映射
Figure 545322DEST_PATH_IMAGE158
;
而对偶问题是：
Figure 871262DEST_PATH_IMAGE160
,
Figure 34390DEST_PATH_IMAGE146
,
Figure 420372DEST_PATH_IMAGE148
;
引入核函数
Figure 668950DEST_PATH_IMAGE162
,其中，
设
Figure DEST_PATH_IMAGE210
是对称函数，则
Figure DEST_PATH_IMAGE212
为正定核函数的充要条件是，对任意的
Figure DEST_PATH_IMAGE214
对应的Gram矩阵（向量内积组成的矩阵）：
Figure DEST_PATH_IMAGE216
为半正定矩阵，所有的特征值不小于0；
SVM的目标函数为：
Figure 187130DEST_PATH_IMAGE164
,
Figure 470344DEST_PATH_IMAGE166
,
Figure 761648DEST_PATH_IMAGE168
;
其中，代表的是在线性不可分的情况下，对分类错误的惩罚程度；原则上
Figure 497523DEST_PATH_IMAGE170
可以根据需要选择所有大于0的数，
Figure 430844DEST_PATH_IMAGE170
越大表示整个优化过程中对于总误差
Figure DEST_PATH_IMAGE218
的关注程度越高，对于减少误差的要求越高，甚至不惜使间隔减少。
通过上述算法，输入用户的特征数据，比如【年龄，性别，BMI，职业、病史】，通过神经网络输出，设置得到用户的基本信息特征系数
Figure 37406DEST_PATH_IMAGE072
；例如，当输出为-1时，设置基本信息特征系数
Figure DEST_PATH_IMAGE220
；当输出为0时，设置基本信息特征系数
Figure DEST_PATH_IMAGE222
；当输出为1时，设置基本信息特征系数。
设置第三患病风险度阈值
Figure 201409DEST_PATH_IMAGE076
，当
Figure 424579DEST_PATH_IMAGE078
时，判断用户为中高风险患病用户，向用户推荐周边专业医院，建议用户及时治疗，以及提供一些降糖食谱等；
当
Figure 630433DEST_PATH_IMAGE080
时，判断用户为中低风险患病用户，根据用户目前的BMI和个人需求，对应向用户推荐饮食和运动方案以进行糖尿病预防。
本发明的基于肥胖度的糖尿病风险评估系统和评估方法，能够对用户的血糖状态及时进行提醒，使用户能够获得较早的干预或治疗建议，能够有效避免因就医不及时导致的健康问题。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例的技术方案的精神和范围。

Claims (5)

1.一种基于肥胖度的糖尿病风险评估系统，包括收集平台、服务平台以及用户数据库，其特征在于：
所述用户数据库包括基本信息库、血样信息库、高糖血样库、饮食库和运动库；
所述收集平台包括软件采集模块和血样采集模块，所述软件采集模块与所述血样采集模块通讯连接；
所述软件采集模块能够采集基本信息、饮食摄入信息以及运动信息，并将所述基本信息存储在所述基本信息库中，将所述饮食摄入信息存储在所述饮食库中，将所述运动信息存储在所述运动库中；
所述血样采集模块用于采集血样信息，所述血样信息包括检测日期、有效节点以及血糖值；
所述服务平台包括有效值判断模块、高糖判断模块、BMI模块和评估模块，其中，所述有效值判断模块用于判断所述血样采集模块采集到的血样信息是否处于有效节点，若判断为是，则将所述血样信息存储在所述血样信息库中；
所述高糖判断模块用于判断所述血样信息库中的血糖值是否为高血糖，若判断为是，则设置所述血样信息为高糖血样信息，将所述高糖血样信息存储在所述高糖血样库中；
所述BMI模块能够根据用户的BMI得到对应的BMI肥胖系数P；所述评估模块通过所述高糖血样库中的高糖血样信息和用户的BMI肥胖系数P，获得用户的患病的风险度；
使用所述糖尿病风险评估系统进行患病风险度评估的步骤，具体为：
S100，设置A用户的血样信息中包括n个检测日期
Figure 443360DEST_PATH_IMAGE001
在
Figure 272776DEST_PATH_IMAGE002
的第i个检测日期
Figure 128736DEST_PATH_IMAGE003
检测到k个有效血糖值
Figure 764117DEST_PATH_IMAGE004
检测日期
Figure 372822DEST_PATH_IMAGE003
的k个有效血糖值
Figure 373139DEST_PATH_IMAGE005
对应发生在k类有效节点
Figure 450816DEST_PATH_IMAGE006
中；其中，设置有效节点共有r个类别，
Figure 889888DEST_PATH_IMAGE007
S200，已知k类有效节点
Figure 103831DEST_PATH_IMAGE006
中的第j类有效节点
Figure 291361DEST_PATH_IMAGE008
的正常血糖阈值
Figure 653073DEST_PATH_IMAGE009
当在检测日期
Figure 833518DEST_PATH_IMAGE003
的有效节点
Figure 901968DEST_PATH_IMAGE008
测量到的有效血糖值
Figure 509667DEST_PATH_IMAGE010
时，则有效血糖值
Figure 811204DEST_PATH_IMAGE011
对应的血样信息为高糖血样信息，其中，检测日期
Figure 326499DEST_PATH_IMAGE003
为高糖日期，高糖日期
Figure 515035DEST_PATH_IMAGE003
的有效节点
Figure 293635DEST_PATH_IMAGE008
为高糖节点；得到高糖节点
Figure 629939DEST_PATH_IMAGE008
的点高糖差值
Figure 152187DEST_PATH_IMAGE012
从而得到高糖日期
Figure 943032DEST_PATH_IMAGE003
的日高糖差值
Figure 892534DEST_PATH_IMAGE013
S300，获取A用户的m个高糖日期
Figure 450554DEST_PATH_IMAGE014
高糖日期
Figure 776493DEST_PATH_IMAGE015
的m个日高糖差值
Figure 939621DEST_PATH_IMAGE016
以及A用户在高糖日期
Figure 43712DEST_PATH_IMAGE015
的BMI肥胖系数
Figure 354608DEST_PATH_IMAGE017
A用户在首次高糖日期
Figure 218659DEST_PATH_IMAGE018
产生的日高糖差值为
Figure 236293DEST_PATH_IMAGE019
在末次高糖日期
Figure 527597DEST_PATH_IMAGE020
产生的日高糖差值为
Figure 14205DEST_PATH_IMAGE021
设置高糖日期
Figure 478684DEST_PATH_IMAGE022
中的第i个高糖日期
Figure 85246DEST_PATH_IMAGE023
对应的日高糖差值为
Figure 813030DEST_PATH_IMAGE024
高糖日期
Figure 832939DEST_PATH_IMAGE023
的BMI肥胖系数为
Figure 38792DEST_PATH_IMAGE025
从而得到A用户患病的风险度
Figure 14708DEST_PATH_IMAGE026
S500，设置第一患病风险度阈值
Figure 913393DEST_PATH_IMAGE027
和第二患病风险度阈值
Figure 155019DEST_PATH_IMAGE028
其中，
Figure 164563DEST_PATH_IMAGE029
用户患病的风险度
Figure 11296DEST_PATH_IMAGE030
时，判断用户为低风险患病用户，向用户推荐低风险方案；用户患病的风险度
Figure 612042DEST_PATH_IMAGE031
时，判断用户为高风险患病用户，向用户推荐高风险方案；用户患病的风险度
Figure 557608DEST_PATH_IMAGE032
时，根据用户的基本信息，建立网络神经模型，得到基本信息特征系数
Figure 839685DEST_PATH_IMAGE033
同时，根据评估关联时段中的饮食摄入信息和运动信息，能够得到评估关联时段的饮食运动系数
Figure 806504DEST_PATH_IMAGE034
设置第三患病风险度阈值
Figure 578151DEST_PATH_IMAGE035
当
Figure 263210DEST_PATH_IMAGE036
时，判断用户为中高风险患病用户，向用户推荐中高风险方案；当
Figure 598245DEST_PATH_IMAGE037
时，判断用户为中低风险患病用户，向用户推荐对应中低风险方案。
2.如权利要求1所述的基于肥胖度的糖尿病风险评估系统，其特征在于，所述软件采集模块设置为移动设备上的应用程序；所述血样采集模块包括血糖测量仪，所述血糖测量仪包括采血针。
3.如权利要求1所述的基于肥胖度的糖尿病风险评估系统，其特征在于，用户的所述基本信息至少包括年龄、身高、体重和服药情况。
4.如权利要求1所述的基于肥胖度的糖尿病风险评估系统，其特征在于， 所述有效节点包括但不限于早餐前空腹、早餐后两小时、午餐后两小时、晚餐后两小时以及凌晨空腹。
5.如权利要求3所述的基于肥胖度的糖尿病风险评估系统，其特征在于，所述BMI=体重（kg）/身高²（m2）。
CN202210076661.7A 2022-01-24 2022-01-24 一种基于肥胖度的糖尿病风险评估系统及评估方法 Active CN114093518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210076661.7A CN114093518B (zh) 2022-01-24 2022-01-24 一种基于肥胖度的糖尿病风险评估系统及评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210076661.7A CN114093518B (zh) 2022-01-24 2022-01-24 一种基于肥胖度的糖尿病风险评估系统及评估方法

Publications (2)

Publication Number Publication Date
CN114093518A CN114093518A (zh) 2022-02-25
CN114093518B true CN114093518B (zh) 2022-04-26

Family

ID=80309276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210076661.7A Active CN114093518B (zh) 2022-01-24 2022-01-24 一种基于肥胖度的糖尿病风险评估系统及评估方法

Country Status (1)

Country Link
CN (1) CN114093518B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8017324B1 (en) * 2005-06-17 2011-09-13 Centre National De La Recherche Scientifique ENPP1 (PC-1) gene haplotype associated with the risk of obesity and type 2 diabetes and their applications
CN102542146A (zh) * 2010-12-30 2012-07-04 浙江大学 一种用于ⅱ型糖尿病健康生活管理的网络测评系统
WO2017073713A1 (ja) * 2015-10-30 2017-05-04 Ｎｅｃソリューションイノベータ株式会社 血糖値予測装置、血糖値予測方法及びコンピュータ読み取り可能な記録媒体
CN111145908A (zh) * 2019-12-26 2020-05-12 糖医生健康管理南京有限公司 一种健康评估综合信息服务平台
CN111798992A (zh) * 2020-07-11 2020-10-20 许昌学院 一种肥胖与非慢性传染病发病风险的分析方法及系统
CN111816294A (zh) * 2012-07-09 2020-10-23 德克斯康公司 在连续葡萄糖监测中利用智能手机特征的系统和方法
CN113658704A (zh) * 2021-09-17 2021-11-16 平安国际智慧城市科技股份有限公司 糖尿病风险预测设备、装置和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10743813B2 (en) * 2014-09-11 2020-08-18 Rattan Nath Diabetes control using postprandial feedback

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8017324B1 (en) * 2005-06-17 2011-09-13 Centre National De La Recherche Scientifique ENPP1 (PC-1) gene haplotype associated with the risk of obesity and type 2 diabetes and their applications
CN102542146A (zh) * 2010-12-30 2012-07-04 浙江大学 一种用于ⅱ型糖尿病健康生活管理的网络测评系统
CN111816294A (zh) * 2012-07-09 2020-10-23 德克斯康公司 在连续葡萄糖监测中利用智能手机特征的系统和方法
WO2017073713A1 (ja) * 2015-10-30 2017-05-04 Ｎｅｃソリューションイノベータ株式会社 血糖値予測装置、血糖値予測方法及びコンピュータ読み取り可能な記録媒体
CN111145908A (zh) * 2019-12-26 2020-05-12 糖医生健康管理南京有限公司 一种健康评估综合信息服务平台
CN111798992A (zh) * 2020-07-11 2020-10-20 许昌学院 一种肥胖与非慢性传染病发病风险的分析方法及系统
CN113658704A (zh) * 2021-09-17 2021-11-16 平安国际智慧城市科技股份有限公司 糖尿病风险预测设备、装置和存储介质

Also Published As

Publication number Publication date
CN114093518A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN103959291B (zh) 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器
US7395158B2 (en) Method of screening for disorders of glucose metabolism
Gonder-Frederick et al. Self-measurement of blood glucose: accuracy of self-reported data and adherence to recommended regimen
AU2014233094B2 (en) System and method to manage diabetes based on glucose median, glucose variability, and hypoglycemic risk
JP4891511B2 (ja) 自己モニタリングデータから糖尿病の血糖管理を評価する方法、システム及びコンピユータプログラム製品
US20040142403A1 (en) Method of screening for disorders of glucose metabolism
KR102400740B1 (ko) 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법
EP3822639A1 (en) Healthcare management method
CN101785701B (zh) 信息处理的装置、方法、设备及试剂载体
CN112117004A (zh) 一种基于多源医学数据的糖尿病风险预测模型
CN113571180A (zh) 基于c肽分层及脏器功能的2型糖尿病人工智能诊疗管理系统
CN114093518B (zh) 一种基于肥胖度的糖尿病风险评估系统及评估方法
CN117577262A (zh) 一种基于大语言模型技术的智能动态血压管理方法与系统
CN117012392A (zh) 高血压风险评估模型构建方法、膳食食疗及健康管理系统
Taderegew et al. Association of glycemic control and anthropometric measurement among type 2 diabetes mellitus: a cross-sectional study
CN116453641A (zh) 一种中医辅助分析信息的数据处理方法及系统
KR102418341B1 (ko) 연속혈당 데이터를 이용한 당 관리 장치 및 그 방법
Roy et al. OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI
CN117116462A (zh) 一种糖化血红蛋白值的预测方法、系统及装置
Volkov et al. DiaMeter: a Mobile Application and Web Service for Monitoring Diabetes Mellitus
CN117153416B (zh) 一种糖尿病筛查数据处理及管理系统
US20220230751A1 (en) Decision support system, and method in relation thereto
CN117672531A (zh) 一种基于多参数的糖尿病风险评价系统
Williams et al. Preliminary analysis of sodium-lithium countertransport and blood pressure in Utah pedigrees
Kaufman et al. Screening for Impaired Glucose Homeostasis: A Novel Metric of Glycemic Control

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