CN114141321A - 一种社区老年轻度认知障碍智能随访服务推荐方法 - Google Patents

一种社区老年轻度认知障碍智能随访服务推荐方法 Download PDF

Info

Publication number
CN114141321A
CN114141321A CN202111376448.XA CN202111376448A CN114141321A CN 114141321 A CN114141321 A CN 114141321A CN 202111376448 A CN202111376448 A CN 202111376448A CN 114141321 A CN114141321 A CN 114141321A
Authority
CN
China
Prior art keywords
scale
community
follow
cognitive impairment
service
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.)
Pending
Application number
CN202111376448.XA
Other languages
English (en)
Inventor
高峰
袁凯
曾燕
刘茂福
顾进广
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202111376448.XA priority Critical patent/CN114141321A/zh
Publication of CN114141321A publication Critical patent/CN114141321A/zh
Pending legal-status Critical Current

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • 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

Abstract

本发明提供一种社区老年轻度认知障碍智能随访服务推荐方法，根据采集到的老年随访信息提出基于特征进化选择的预测模型，基于认知障碍预测结果设置基于相似度计算的养老服务推荐模型；采用量表方式，建立社区老年认知和慢病管理调查问卷；将量表调查问卷电子化；构建web系统，发布电子版调查问卷；支持量表查询，进行量表数据的获得，将数据储存在数据库中；采用基于特征进化选择的预测模型进行老年人患老年痴呆疾病程度预测；采用基于相似度计算的养老服务推荐模型生成医疗养老服务推荐结果。本发明相对于现有方法，能提供更全面的MCI随访量表、更准确的预测结果、更易用的随访系统以及更为个性化的老年服务推荐。

Description

一种社区老年轻度认知障碍智能随访服务推荐方法
技术领域
本发明属于人工智能技术应用于轻度认知障碍防控系统领域。具体而言，本发明涉及认知障碍防控的信息服务系统构建和基于人工智能算法的认知障碍预测和服务推荐模型构建，用于实现老年轻度认知障碍社区调查网络化，老年认知障碍数据电子化，老年认知障碍随访和服务推荐智能化。
背景技术
由于我国老年化问题逐渐显现，而目前老年认知障碍防控社区调查基本属于纯人工纸质化操作，需要耗费大量人力物力，将问卷调查电子化，既方便医务人员操作，也利于数据的录入和分析。在老年随访数据信息化的基础上，可使用录入的老年病社区调查数据结合本发明采用的模型进行预测该老年人是否患有MCI并推荐相应线上、线下照料和看护服务。
针对MCI早期筛查，现有的技术往往采用随机森林等机器学习模型来根据特征预测疾病进展和趋势。然而现有的人工智能方法达到全局最优需要对特征进行选择，往往采用网格搜索等全局搜索方法，对于认知障碍防控领域中的海量特征无法进行有效筛选，需要设计一种效率更高的特征搜索和选择方法来提高算法训练效率。
现在没有MCI服务系统信息化、智能化程度较低，难以实现个性化、智能化的认知障碍服务推荐。协同过滤推荐是目前应用最广泛和最成功的推荐系统。协同过滤的出发点是兴趣相近的用户可能会对同样的东西感兴趣,协同过滤技术通过分析历史数据，生成与当前用户行为兴趣最相近的用户集，将他们最感兴趣的项作为当前用户的推荐结果；采用不同方法计算用户对项目的偏好，将各种计算结果融合，可提高结果的可靠性。通用领域的服务推荐算法难以结合老年人生理、社会学特征和病史和外周血生物标志物等信息做出服务推荐，需要一种能结合疾病筛查信息的老年护理、照料服务、认知干预推荐系统，实现精准服务推荐，提升服务对接效率和能力。
发明内容
针对上述问题，本发明的目的是找到一种对社区老年MCI防控随访和养老服务的智能化解决方案。在进行社区老年MCI调查的时候，尽可能的方便老人和医务人员操作。获取数据之后，方便患者查询，以及医务人员分析和认知干预服务推荐。
为实现以上目的，本发明首先设计了一套社区老年MCI随访信息和养老服务管理方案，然后基于采集到的老年随访信息提出了基于特征进化选择的预测模型，最后基于认知障碍预测结果设计了基于相似度计算的养老服务推荐模型。
本发明提供一种社区老年轻度认知障碍智能随访服务推荐方法，根据采集到的老年随访信息提出基于特征进化选择的预测模型，基于认知障碍预测结果设置基于相似度计算的养老服务推荐模型，实现社区老年MCI随访信息采集和养老服务推荐，实现过程包括以下步骤，
步骤1.1，采用量表方式，建立社区老年认知和慢病管理调查问卷；
步骤1.2，将量表调查问卷电子化；
步骤1.3，构建web系统，发布电子版调查问卷；
步骤1.4，支持量表查询，包括根据量表编号、受访者姓名、受访者身份证号、研究者姓名和/或随访时间进行量表数据的获得；
步骤1.5，将步骤1.4中获取的数据储存在数据库中；
步骤1.6，根据步骤1.4中获取的数据，采用基于特征进化选择的预测模型进行老年人患老年痴呆疾病程度预测；
步骤1.7，根据步骤1.4中获取的数据和步骤1.6中预测结果，采用基于相似度计算的养老服务推荐模型生成医疗养老服务推荐结果。
而且，量表包括档案信息、一般资料、体格检查、社会经济状况、社交网络、利手习惯、性格、既往史、家族史、个人生活与行为史、主观认知下降调查问卷和有关MCI判定的一些量表得分，以及外周血生物标志物。
而且，查询量表时，根据量表编号、受访者姓名、受访者身份证号、研究者姓名和随访时间进行量表数据的获得。
而且，进行基于量表数据的认知障碍预测，包括利用基于特征进化的随机森林算法处理量表数据，进行MCI的辅助预测。
而且，服务推荐采用协同过滤算法与热门项目推荐相结合的方式。
而且，步骤1.7之后，支持选择养老服务的类型和服务时间地点信息并下单，后台对订单信息进行录入和保存。
而且，分为web端和移动端实现，适应多种应用场景。
本发明的优点在于：
在社区老年MCI随访信息和养老服务智能化方面，本发明结合一套完整的调查问卷实现和老年MCI预测以及医疗养老服务推荐方法。简化了医务人员问卷调查的步骤，方便患者填写和查询数据，方便医务人员整理和分析数据；对社区养老问题以及养老服务推荐方面做出了有益探索。
在老年认知障碍预测方面，本发明采用遗传算法求取随机森林MCI预测模型的最优参数，通过MCI样本特征设定随机森林参数范围后，根据参数范围设定染色体编码规则，生成参数组种群，经过种群的世代演化，最终收敛于最优参数解；相比于网格搜索，遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法，具有快速随机的全局特征搜索能力，本发明提出的方法具有很高的智能化辅助价值，不仅节省了宝贵医疗成本，减轻医生工作负荷，同时与目前的MCI预测方式相比，准确率也有了显著提高。
在养老认知干预推荐方面，针对不同等级的MCI预测结果，本发明采用协同过滤方法，在相同MCI结果人群中计算用户之间的相似度，并结合项目流行度指标给老年人推荐合适的医疗养老服务。
附图说明
图1为本发明实施例的社区老年健康管理和随访服务流程图；
图2为本发明实施例的基于特征进化选择随机森林的MCI预测方法流程图。
图3为本发明实施例基于MCI预测结果和用户相似度的协同过滤服务推荐流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例提供的社区老年MCI随访服务推荐智能化方法主要包含1)随访信息和服务管理系统设计和研发、2)基于特征进化的MCI预测随机森林模型研发和3)结合协同过滤与项目流行度的服务推荐模型研发3个主要内容。即根据采集到的老年随访信息提出基于特征进化选择的预测模型，基于认知障碍预测结果设置基于相似度计算的养老服务推荐模型，实现社区老年MCI随访信息采集和养老服务推荐。
其中主要有以下内容：
1)定义一套社区老年人群MCI筛查体系，通过受访者的个人身体状况和生活方式、家族患病情况、神经心理评估量表评估以及外周血液新型标志物检测等多方面信息对受访者的认知功能和可能的病理改变进行有效的判定；2)将纸质版调查量表电子化，在方便数据管理的同时，提出使用基于特征进化选择的随机森林方法对MCI病症进行自动诊断，对社区老年人群的MCI症状进行调查与分析；3)提供方便易操作的MCI随访交互方法，受访者和研究者可以直接通过此系统进行操作，相比大部分现有的方法，受访者填写和查询信息更方便；4)并在MCI诊断的结果上进行认知干预服务推荐，根据MCI结果将人群分组，在同组中计算用户之间的相似度，根据相似度排序推荐服务。在同类人群中进行推荐提高了推荐系统的准确性；另外，在计算用户间相似度时，为消除推荐系统的长尾效用，避免越热门的项目越容易被推荐，越冷门的项目越不容易被推荐，引入了流行度的概念，即项目的流行程度，来降低项目的热门程度对用户相似度的影响，以到达更好的推荐效果。总体上，本发明相对于现有方法和系统，能提供更全面的MCI随访量表、更准确的预测结果、更易用的随访系统以及更为个性化的老年服务推荐。
以下对实施例的各部分具体实现进行说明。
1.针对社区老年健康管理和随访信息服务需求，本发明实施例设计了一种社区MCI智能随访和服务推荐方法，
建议实现过程为：1)定义一套完整的老年病社区调查问卷；2)将老年病社区调查问卷电子化；3)问卷数据的分析与管理；4)问卷数据的导出到xls文件；5)预测老年人患老年痴呆疾病的程度；6)结合预测结果自动推荐医疗养老服务。
实施例中其主要实现包括以下步骤，如图1所示：
步骤1.1：采用量表方式，建立一套完整的社区老年认知和慢病管理调查问卷；
优选地，量表包括档案信息、一般资料、体格检查、社会经济状况、社交网络、利手习惯、性格、既往史、家族史、个人生活与行为史、主观认知下降调查问卷和有关MCI判定的一些量表得分，以及外周血生物标志物等每一部分都包含自身的详细内容信息。
实施例中，该步骤主要设计了以下量表：
1)采用循证医学分析和德尔菲(Delphi)专家咨询法，研究老年认知障碍评估指标体系。按照循证医学方法学的五个步骤，以社区老年人的健康需求和认知障碍防控目标为导向，针对传统老年队列现场调查、社区老年体检、医疗诊治和物联网自动监测等多维数据采集形式和应用场景，循证评估相关文献和证据，构建认知障碍综合评估指标体系。采用Delphi专家咨询法，从数据来源、数据质量和数据规模等角度，建立数据采信规则，形成社区老年认知障碍评估指标体系和数字化清单；
2)采用循证医学分析和层次分析法，研究认知障碍综合健康管理质量评价指标和健康管理分级标准。一方面应用老年记忆队列快速应用循证证据，另一方面梳理国内外文献中的老年认知障碍健康管理、并发症管理、理疗康复、生活辅助、急救预警、教育培训、人文关怀和生活照护等方面的指标评价标准，采用层次分析法提炼并整合具有较高证据等级及可行性的分级分类方案，形成多模块认知障碍风险量化分级标准、干预服务清单和综合健康管理质量标准；
3)采用Delphi专家咨询法和归一处理法，研究认知障碍防控体系的数据治理标准，构建多模态大数据库和数据管理系统标准。将不同来源的异构数据进行整合，建立认知障碍防控数据库；再对文本数据进行解析，将数据结构化，系统明确字段的语义，规范数据的结构；最后对于非标准术语进行归一处理，形成清洗后的数据，编制认知障碍风险评估标准数据集。
4)档案主要信息量表，通过输入受访者和研究者的主要信息来创建受访者个人量表，方便后续所有量表内容的输入和保存，也利于量表查询操作的进行。数据库中主要字段表格如下表所示：
表1:档案信息
Figure BDA0003364044520000051
5)访者个人主要信息，有利于后续进行量表分类以及研究分析。数据库中主要字段表格如下表所示：
表1一般资料
字段名 字段类型 字段描述
a1 varchar 性别
a2 int 年龄
a3 int 受教育程度(年)
a4 date 出生日期
6)B体格检查量表，记录受访者个人的体能健康情况并将其保存到数据库中。数据库中主要字段表格如下表所示：
表2体格检查
Figure BDA0003364044520000052
Figure BDA0003364044520000061
7)C社会经济状况量表，记录受访者的经济情况，在后续研究中可以判断经济状况对社区老年人的影响。数据库中主要字段表格如下表所示：
表3社会经济状况
Figure BDA0003364044520000062
8)D社交网络量表，记录受访者和他人的相处情况，有利于研究老年人群的精神状态如何，是否存在年龄越大越孤僻的现象。数据库中主要字段表格如下表所示：
表4社交网络
字段名 字段类型 字段描述
d1 varchar 近一年来您和谁住在一起？
d2 varchar 您有子女吗？(子女个数)
d3 varchar 您有健在的兄弟姐妹吗？
d4 varchar 您有多少关系密切，可以得到支持和帮助的朋友？
d5 varchar 您与邻居的关系
d6 varchar 您参加社交活动的次数
9)E利手习惯量表、F性格量表，记录受访者的惯用手和其主要性格特征，可以预测其认知功能的差异所在。数据库中主要字段表格如下表所示：
表5利手习惯+性格
字段名 字段类型 字段描述
e varchar 利手习惯(右利手、左利手、双利手)
f varchar 性格特征(内向或外向、社会适应情况)
10)G既往史量表，记录受访者的患病历史，可以清晰地了解受访者以前和现在的健康状况，方便后续分析是否有遗留的症状对其个人情况存在影响。数据库中主要字段表格如下表所示：
表6既往史
Figure BDA0003364044520000071
11)H家族史量表，记录受访者家庭成员的患病历史，可以了解社区老年人群的轻度认知障碍症状是否与家族遗传有关。数据库中主要字段表格如下表所示：
表7家族史
字段名 字段类型 字段描述
h_1_1 varchar 父亲是否曾经患病
h_1_2 varchar 如果父亲患病，选择患病类型
h_2_1 varchar 母亲是否曾经患病
h_2_2 varchar 如果母亲患病，选择患病类型
h_3_1 varchar 兄弟姐妹是否曾经患病
h_3_2 varchar 如果兄弟姐妹患病，选择患病类型
12)I个人生活与行为史量表，记录受访者自身的行为和生活方式，从中可以分析是否存在慢性非传染性疾病，对后续MCI研究有一定的帮助。数据库中主要字段表格如下表所示：
表8个人生活与行为史
Figure BDA0003364044520000072
Figure BDA0003364044520000081
13)J主观认知下降调查问卷量表，主观认知下是阿尔茨海默病的高危因素，通过此部分量表记录受访者信息，通过分析比较可以很好地得出社区老年人群的记忆状况。数据库中主要字段表格如下表所示：
表9主观认知下降调查问卷
Figure BDA0003364044520000082
Figure BDA0003364044520000091
如果j2_x(x取1/2/3/4/5)的选择为是，则以下字段将显示：
字段名 字段类型 字段描述
j2_x_1 varchar 你是否会担心
j2_x_2 varchar 你是否觉得你这方面表现的较同龄人差？
j2_x_3 varchar 你觉得什么时候情况变差的？
j2_x_4 varchar 你是否去看过医生？
j2_x_5 varchar 你第一次跟你的医生谈这些问题是什么时候？
14)H各个量表得分情况，记录受访者有关一些医学MCI的量表得分情况，方便后续对医学MCI进行预测和判定，也有利于得知受访者轻度认知障碍的预测结果。数据库中主要字段表格如下表所示：
表10各个量表得分
Figure BDA0003364044520000092
15)加入蛋白组学检测，血清炎症因子全套，血浆Aβ1-42，Aβ1-40，Aβ1-42/Aβ1-40,T-tau，P-tau181，neurofilament protein light chain(NfL)
16)加入基因学检测，ApoE等位基因检测指标
步骤1.2：将1.1中的量表调查问卷电子化；该步骤主要基于Vue框架实现了量表的前端设计，使用分页分步骤的录入方法，并采用适合在安卓端和桌面端操作的方法进行设计；步骤1.3：构建web系统，将1.2中的电子版调查问卷发布在该系统中；该步骤的系统实现基于SSM框架，Web系统包含后台服务程序、桌面前端系统和安卓前端系统3个部分，其中后台服务程序实现数据管理、慢病分析和服务对接等后台功能，桌面前端主要提供数据录入、查询、导入导出和服务下单功能，安卓前端主要提供数据录入和服务下单功能；
步骤1.4：支持量表查询，可以根据量表编号、受访者姓名、受访者身份证号、研究者姓名和/或随访时间进行量表数据的获得；具体实施时社区调查对象在医务人员的指导下，使用安卓或桌面前端界面进行调查问卷；
步骤1.5：系统将1.4中获取的数据储存在MySql数据库中；
步骤1.6：根据1.4中获取的数据，使用下文内容2中的模型进行预测老年人患老年痴呆疾病程度；获取的数据可以用于对MCI判定进行参考，利用基于特征进化的随机森林算法处理这些高维数据，可以高效准确的进行MCI预计辅助。
步骤1.7：根据1.4中获取的数据和1.6中预测结果，使用内容3中的模型对老年人进行医疗养老服务推荐；推荐方法可以采用协同过滤算法与热门项目推荐相结合的方法，有利于提供推荐系统的准确率；
步骤1.8：支持老年人家属在MCI防控服务界面选择养老服务的类型和服务时间地点等信息并下单，后台对订单信息进行录入和保存。
具体实施时，建议系统分为web端和移动端，可以适应多种应用场景，更加方便进行社区认知障碍防控智能随访，给受访者和研究者提供了便捷。
2.本发明设计了一种基于特征进化选择随机森林的老年MCI早期风险筛查模型，其主要功能的实现包括以下步骤，如图2所示：
步骤2.1：根据MCI特征设定随机森林参数范围，因随机森林的决策树个数一般在100后趋于稳定，所以设定决策树数目的取值范围为[1,121]；本系统MCI的特征数为22个，为防止决策树出现过拟合现象，决策树最大深度的取值应略小于MCI的特征数，故设定为[1,16]；叶子最小特征数的取值范围设定为[1,8]；
步骤2.2：设定染色体编码规则，将随机森林MCI预测模型的一组参数组合作为一个染色体，染色体也称为个体，一个染色体含有多个基因，一个基因用一个2进制数表示，一个参数由一至多个基因表示，基因的个数由参数的范围以及二进制编码与参数实值的对应规则而定，基因越多，精度越大。根据步骤2.1得出的参数取值范围，设定基因个数为14个，决策树数目，决策树最大深度，最大特征数，叶子最小特征数可分别对应4，4，3，3个基因表示；
步骤2.3：用参数组初始化种群，利用步骤2.2方式生成一系列染色体表示随机森林MCI预测模型参数组，形成一个种群，进行接下来的选择、交叉和变异过程。初始化种群通常采用随机生成的方式；
步骤2.4：通过MCI预判准确率求染色体的适应度，染色体的适应度对应了当前个体的优劣程度，一般由目标函数决定。本方法个体适应度是根据个体对应的参数组在随机森林MCI预测模型的准确率计算的；
步骤2.5：种群选择个体，根据自然界优胜劣汰的选择规律，根据染色体的适应度对个体进行选择，即对随机森林MCI预测模型的参数组合进行筛选。适应度大的个体更可能被保留下来，但是并不意味着适应度小的个体一定消失，其中存在一些个体虽然适应度不高，但可能包含优秀基因，作为之后的遗传发展基础；
步骤2.6：染色体基因交叉，根据自然界的遗传规律，在遗传过程中，个体之间会两两交叉基因片段。互相交换基因片段的过程会产生新的可能解组合，即有可能产生新的随机森林MCI预测模型参数组合；
步骤2.7：基因变异，种群在遗传过程中，可能发生小概率的基因变异事件，加大了种群的多样性，为遗传创造了原材料，通过此过程也有可能产生更有利的随机森林MCI预测模型的参数组；
步骤2.8：终止条件判断，循环步骤2.3至步骤2.6过程，当循环次数达到预定值次数后，终止循环；
步骤2.9：用特征选择方法获取的最优参数进行随机森林预测MCI的训练，即可得到随机森林自动预测MCI模型。
3.本发明设计了一种基于MCI预测结果和用户相似度的协同过滤服务推荐方法，包括以下子步骤，如图3所示：
步骤3.1：根据步骤1.6中预测的MCI结果将用户分类成不同组，以便于在更小的范围内搜索到相似用户，提高了推荐系统的效率，使推荐结果更加准确；
步骤3.2：根据用户选择的认知干预服务，计算出同组用户之间的相似度；每条数据包含user_id(用户编号)，item_id(项目编号)，mci_result(MCI结果)三个属性，首先根据mci_result值不同将数据分成不同组，计算用户之间的相似度，得到目标用户前5个相似用户，即前5个与目标用户选择项目最相似的用户，由于在传统的cos相似度计算方法中，项目的被选择次数对相似度大小近似呈指数相关，项目被选择次数的影响因素被放大，导致了越热门的项目越容易被推荐，越冷门的项目越不容易被推荐，为了消除这种弊端，定义每一个物品的流行度:ppli＝ln(1+|Ni|)，Ni代表每个项目被选择的次数，于是用户相似度计算公式为：
Figure BDA0003364044520000121
U1和U2表示用户1和用户2选择项目的集合，这样就降低了项目被选择次数对推荐结果的影响，使推荐结果更加合理。
步骤3.3：取与目标用户相似度排名前5的用户，在这些用户共同选择次数最多且目标用户没有选择过的5个项目作为推荐结果；
步骤3.4：若目标用户为新用户，则将该用户分组内最热门且目标用户没有选择过的5个项目作为推荐结果。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
例如，具体实现时可以相应实现一种社区MCI智能随访和服务推荐系统，用户使用过程包括以下步骤：
步骤1：登录；
输入正确的账号和密码进入系统；
步骤2：添加量表；
受访者和研究者使用系统创建受访者个人量表，并针对受访者自身情况进行量表主要内容信息的填写，填写完毕后进行提交，数据将保存在后台数据库中；
步骤3：量表维护；
受访者和研究者可以在主界面对已有量表进行查看和删除操作，在查看操作下，可以对量表内容进行修改和保存；
步骤4：查询量表；
受访者和研究者前端输入所要查询的信息，后台数据库由获取到的信息返回相应的量表数据；
步骤5：量表导出；
研究者通过导出操作，将数据库中保存的所有量表信息以xls文件进行汇总导出，研究者可以对所得数据进行分析，从而对医学MCI症状预测进行更有效的研究。
步骤6：认知障碍预测和服务推荐；
在录入问卷数据后，系统会给出老年人MCI的预测结果，并根据此结果给老年人推荐合适的认知障碍干预服务。
步骤7：服务下单；
老年人及其家属选择认知障碍干预的类型以及服务时间，服务地点等信息后下单，服务提供人员根据下单内容进行服务。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种社区老年轻度认知障碍智能随访服务推荐方法，其特征在于：根据采集到的老年随访信息提出基于特征进化选择的预测模型，基于认知障碍预测结果设置基于相似度计算的养老服务推荐模型，实现社区老年MCI随访信息采集和养老服务推荐，实现过程包括以下步骤，
步骤1.1，采用量表方式，建立社区老年认知和慢病管理调查问卷；
步骤1.2，将量表调查问卷电子化；
步骤1.3，构建web系统，发布电子版调查问卷；
步骤1.4，支持量表查询，包括根据量表编号、受访者姓名、受访者身份证号、研究者姓名和/或随访时间进行量表数据的获得；
步骤1.5，将步骤1.4中获取的数据储存在数据库中；
步骤1.6，根据步骤1.4中获取的数据，采用基于特征进化选择的预测模型进行老年人患老年痴呆疾病程度预测；
步骤1.7，根据步骤1.4中获取的数据和步骤1.6中预测结果，采用基于相似度计算的养老服务推荐模型生成医疗养老服务推荐结果。
2.根据权利要求1中所述的社区老年轻度认知障碍智能随访服务推荐方法，其特征在于：量表包括档案信息、一般资料、体格检查、社会经济状况、社交网络、利手习惯、性格、既往史、家族史、个人生活与行为史、主观认知下降调查问卷和有关MCI判定的一些量表得分，以及外周血生物标志物。
3.根据权利要求1中所述的社区老年轻度认知障碍智能随访服务推荐方法，其特征在于：查询量表时，根据量表编号、受访者姓名、受访者身份证号、研究者姓名和随访时间进行量表数据的获得。
4.根据权利要求1中所述的社区老年轻度认知障碍智能随访服务推荐方法，其特征在于：进行基于量表数据的认知障碍预测，包括利用基于特征进化的随机森林算法处理量表数据，进行MCI的辅助预测。
5.根据权利要求1中所述的社区老年轻度认知障碍智能随访服务推荐方法，其特征在于：服务推荐采用协同过滤算法与热门项目推荐相结合的方式。
6.根据权利要求1中所述的社区老年轻度认知障碍智能随访服务推荐方法，其特征在于：步骤1.7之后，支持选择养老服务的类型和服务时间地点信息并下单，后台对订单信息进行录入和保存。
7.根据权利要求1或2或3或4或5或6中所述的社区老年轻度认知障碍智能随访服务推荐方法，其特征在于：分为web端和移动端实现，适应多种应用场景。
CN202111376448.XA 2021-11-19 2021-11-19 一种社区老年轻度认知障碍智能随访服务推荐方法 Pending CN114141321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111376448.XA CN114141321A (zh) 2021-11-19 2021-11-19 一种社区老年轻度认知障碍智能随访服务推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111376448.XA CN114141321A (zh) 2021-11-19 2021-11-19 一种社区老年轻度认知障碍智能随访服务推荐方法

Publications (1)

Publication Number Publication Date
CN114141321A true CN114141321A (zh) 2022-03-04

Family

ID=80390340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111376448.XA Pending CN114141321A (zh) 2021-11-19 2021-11-19 一种社区老年轻度认知障碍智能随访服务推荐方法

Country Status (1)

Country Link
CN (1) CN114141321A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116364261A (zh) * 2023-06-02 2023-06-30 北京小懂科技有限公司 一种智能推荐方法、系统、设备及存储介质
CN117316415A (zh) * 2023-11-28 2023-12-29 西安阳创智尚信息科技有限公司 一种基于多模态的智能随访方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116364261A (zh) * 2023-06-02 2023-06-30 北京小懂科技有限公司 一种智能推荐方法、系统、设备及存储介质
CN117316415A (zh) * 2023-11-28 2023-12-29 西安阳创智尚信息科技有限公司 一种基于多模态的智能随访方法及系统
CN117316415B (zh) * 2023-11-28 2024-02-06 西安阳创智尚信息科技有限公司 一种基于多模态的智能随访方法及系统

Similar Documents

Publication Publication Date Title
Kamalraj et al. Interpretable filter based convolutional neural network (IF-CNN) for glucose prediction and classification using PD-SS algorithm
CN109830303A (zh) 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法
CN109147949A (zh) 一种基于分类回归树来用于检测教师亚健康状态的方法
CN114141321A (zh) 一种社区老年轻度认知障碍智能随访服务推荐方法
CA2594181A1 (en) Methods, systems, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality
CN110046757B (zh) 基于LightGBM算法的门诊量预测系统及预测方法
Wang A novel approach of integrating natural language processing techniques with fuzzy TOPSIS for product evaluation
CN107169259A (zh) 基于协同过滤和建议的个性化医学决定支持系统
CN116910172B (zh) 基于人工智能的随访量表生成方法及系统
Pavlov et al. Reference medical datasets (MosMedData) for independent external evaluation of algorithms based on artificial intelligence in diagnostics
CN102067140B (zh) 用于系谱分析的系统、方法和计算机程序产品
Juszczuk et al. Real-world data difficulty estimation with the use of entropy
Anitha et al. Optimal artificial neural network-based data mining technique for stress prediction in working employees
CN114943629A (zh) 一种健康管理保健服务系统及其健康管理方法
Gülkesen et al. Research subjects and research trends in medical informatics
Michel et al. How to interpret multidimensional quality of life questionnaires for patients with schizophrenia?
Benfares et al. A clinical support system for classification and prediction of depression using machine learning methods
Chattopadhyay et al. Fuzzy-logic-based screening and prediction of adult psychoses: A novel approach
Wormley et al. The Ecology-Culture Dataset: A new resource for investigating cultural variation
Valmarska et al. Analysis of medications change in Parkinson’s disease progression data
Zamit et al. Trends and features of autism spectrum disorder research using artificial intelligence techniques: A bibliometric approach
Khademolqorani et al. Development of a decision support system for handling health insurance deduction
CN114999634A (zh) 基于预测模型的疾病预测方法和系统
Alabi et al. Hybridization of machine learning techniques in predicting mental disorder
CN114664447A (zh) 一种骨质疏松健康风险评估方法及设备

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