CN114530247A - 绝经后女性人群骨质疏松症风险列线图预测系统及方法 - Google Patents

绝经后女性人群骨质疏松症风险列线图预测系统及方法 Download PDF

Info

Publication number
CN114530247A
CN114530247A CN202210129358.9A CN202210129358A CN114530247A CN 114530247 A CN114530247 A CN 114530247A CN 202210129358 A CN202210129358 A CN 202210129358A CN 114530247 A CN114530247 A CN 114530247A
Authority
CN
China
Prior art keywords
osteoporosis
data set
prediction
model
nomogram
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
CN202210129358.9A
Other languages
English (en)
Inventor
李显
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.)
XIYUAN HOSPITAL OF CHINA ACADEMY OF CHINESE MEDICAL SCIENCES
Original Assignee
XIYUAN HOSPITAL OF CHINA ACADEMY OF CHINESE MEDICAL SCIENCES
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 XIYUAN HOSPITAL OF CHINA ACADEMY OF CHINESE MEDICAL SCIENCES filed Critical XIYUAN HOSPITAL OF CHINA ACADEMY OF CHINESE MEDICAL SCIENCES
Priority to CN202210129358.9A priority Critical patent/CN114530247A/zh
Publication of CN114530247A publication Critical patent/CN114530247A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于绝经后女性人群骨质疏松症风险预测技术领域，公开了一种绝经后女性人群骨质疏松症风险列线图预测系统及方法，通过文献学习，设计与骨质疏松症预测相关的数据收集表，通过对女性患者的问卷调查及骨密度检查结果，形成训练数据集与验证集；训练数据集经过Lasso回归筛选变量，Logistic回归建立预测模型，经过建立数据集及验证数据集验证，并通过模型评价，指标包括校准度、分辨度及临床实用性。制作骨质疏松症风险列线图，可将列线图制作为APP或微信小程序，供患者使用。本发明通过骨密度检查，能够初步筛查患者骨质疏松症风险，促使患者早期治疗，建议高风险患者进行骨质疏松症筛查及给出医疗建议。

Description

绝经后女性人群骨质疏松症风险列线图预测系统及方法
技术领域
本发明属于绝经后女性人群骨质疏松症风险预测技术领域，尤其涉及一种基于Lasso回归的绝经后女性人群骨质疏松症风险列线图预测系统及预测方法。
背景技术
绝经后女性人群骨质疏松症发病率高，很多患者在进行骨密度检查时，已经发病较长、病情较重，甚至伴有骨质疏松症性骨折。
目前已有的存在的骨质疏松症预测工具，均为评价量表，使用起来较为困难，需要医师操作，健康督导与宣教能力差。尚无骨质疏松症风险的列线图(Nomogram)，列线图的优势在于简单可行，并将其制作APP或微信小程序，经过患者自行点选回答问题后，即可生产骨质疏松症风险概率，并给与医学建议。
因此，简便的女性预测骨质疏松症风险，并进行骨密度检查，可以促使患者早期治疗，防止严重并发症。因此，亟需建立一个简单、易行的绝经后女性人群骨质疏松症风险预测工具，以初步筛查患者骨质疏松症风险，建议高风险患者进行骨密度检查及给出医疗建议。
通过上述分析，现有技术存在的问题及缺陷为：
(1)目前已有的存在的骨质疏松症预测工具，均为评价量表，使用起来较为困难，需要医师操作，健康督导与宣教能力差。
(2)现有技术中尚无预测绝经后女性人群骨质疏松症风险的列线图。
发明内容
针对现有技术存在的问题，本发明提供了一种绝经后女性人群骨质疏松症风险列线图预测系统及预测方法。
本发明是这样实现的，一种绝经后女性人群骨质疏松症风险列线图预测方法，所述绝经后女性人群骨质疏松症风险列线图预测方法包括以下步骤：
步骤一，设计与绝经后女性人群骨质疏松症预测相关的数据收集表，形成训练数据集与验证数据集；
步骤二，训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加其他变量以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型，并制作绝经后女性人群骨质疏松症风险列线图；
步骤三，运用步骤二得出的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括-校准度、分辨度及临床实用性。
步骤四，将列线图制作为APP或微信小程序，供患者使用。
进一步，所述步骤一中，通过文献学习，设计与骨质疏松症预测相关的数据收集表，内容主要包括：年龄、体重、身高、运动量、饮酒习惯、吸烟习惯、每日饮用咖啡量、每日豆制品食用量、每日饮奶量、每日食肉量、每日坚果食用量、停经年龄、糖皮质激素使用史、高血压病史、糖尿病史、高脂血症病史、既往非暴力骨折史、父母髋关节骨折史、长期使用枸杞、长期使用三七、是否有腰背痛症状、是否有肢体抽筋症状等，通过对绝经后女性患者的问卷调查及骨密度检查结果，形成训练数据集与验证数据集。
进一步，所述步骤二中，训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加他变量，以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型。
本发明的另一目的在于提供一种应用所述的绝经后女性人群骨质疏松症风险列线图预测方法的绝经后女性人群骨质疏松症风险列线图预测系统，所述绝经后女性人群骨质疏松症风险列线图预测系统包括：
数据收集表设计模块，用于通过文献学习，设计与绝经后女性人群骨质疏松症预测相关的数据收集表；
训练数据集构建模块，用于通过对女性患者的问卷调查及骨密度检查结果，形成训练数据集；
预测模型构建模块，用于训练数据集经过Lasso回归筛选变量，Logistic回归建立预测模型；
模型验证模块，通过Logistic回归建立的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括-校准度、分辨度及临床实用性；
模型应用模块，用于将列线图制作为APP或微信小程序，供患者使用。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
通过文献学习，设计与绝经后女性人群骨质疏松症预测相关的数据收集表；通过门诊患者的量表填写及骨密度检查结果，形成训练数据集与验证数据集；训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加其他变量，以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型；通过Logistic回归建立的模型，计算建立数据集与验证数据集患者骨质疏松症的概率骨质疏松症，进行模型评价，指标包括-校准度、分辨度及临床实用性。制作绝经后女性人群骨质疏松症风险列线图，可将列线图制作为APP或微信小程序，供患者使用。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
通过文献学习，设计与绝经后女性人群骨质疏松症预测相关的数据收集表；通过对女性患者的问卷调查及骨密度检查结果，形成训练数据集(大于200例)与验证数(大于100例)据集；训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加其他变量，以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型；通过Logistic回归建立的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型评价，指标包括-校准度、分辨度及临床实用性。制作绝经后女性人群骨质疏松症风险列线图，可将列线图制作为APP或微信小程序，供患者使用。本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述的绝经后女性人群骨质疏松症风险列线图预测系统。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述的绝经后女性人群骨质疏松症风险列线图预测系统。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的绝经后女性人群骨质疏松症风险列线图预测系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的骨质疏松症风险列线图预测方法，能够简便的预测骨质疏松症风险，并进行骨密度检查，可以促使患者早期治疗，防止严重并发症；通过建立一个简单、易行的骨质疏松症风险预测工具，以初步筛查患者骨质疏松症风险，建议高风险患者进行骨密度检查及给出医疗建议。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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是本发明实施例提供的绝经后女性人群骨质疏松症风险列线图预测方法流程图。
图2是本发明实施例提供的绝经后女性人群骨质疏松症风险列线图预测系统结构框图；
图中：1、数据收集表设计模块；2、训练与验证数据集构建模块；3、预测模型构建模块；4、模型验证模块；5、模型应用模块。
图3是本发明实施例提供的绝经后女性人群骨质疏松症风险列线图预测系统实验效果图。
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仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种骨质疏松症风险列线图预测系统及预测方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的骨质疏松症风险列线图预测方法包括以下步骤：
S101，通过文献学习，设计与骨质疏松症预测相关的数据收集表，内容主要包括：年龄、体重、身高、运动量、饮酒习惯、吸烟习惯、每日饮用咖啡量、每日豆制品食用量、每日饮奶量、每日食肉量、每日坚果食用量、停经年龄、糖皮质激素使用史、高血压病史、糖尿病史、高脂血症病史、既往非暴力骨折史、父母髋关节骨折史、长期使用枸杞、长期使用三七、是否有腰背痛症状、是否有肢体抽筋症状等，通过对绝经后女性患者的问卷调查及骨密度检查结果，形成训练数据集(大于200例)与验证数据集(大于100例)；
S102，训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加其他变量，以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型；
S103，运用S102得出的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括：校准度、分辨度及临床实用性；
S104，将列线图制作为APP或微信小程序，供患者使用。
如图2所示，本发明实施例提供的绝经后女性人群骨质疏松症风险列线图预测系统包括：
数据收集表设计模块1，用于通过文献学习，设计与绝经后女性人群骨质疏松症预测相关的数据收集表；
训练数据集构建模块2，用于通过门诊患者的量表填写及骨密度检查结果，形成训练数据集与验证数据集；
预测模型构建模块3，训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加其他变量，以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型；
模型验证模块4，运用模块3得出的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括-校准度、分辨度及临床实用性；
模型应用模块5，制作绝经后女性人群骨质疏松症风险列线图，可将列线图制作为APP或微信小程序，供患者使用。
下面结合实施例对本发明的技术方案作进一步描述。
图3是本发明提供的绝经后女性人群骨质疏松症风险列线图预测系统实验效果图。
本发明实施例提供的绝经后女性人群骨质疏松症风险列线图预测方法包括：
通过文献学习，设计与骨质疏松症预测相关的数据收集表，通过对女性患者的问卷调查及骨密度检查结果，形成训练数据集(大于200例)与验证集(大于100例)。训练数据集经过Lasso回归筛选变量，Logistic回归建立预测模型。计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括-校准度、分辨度及临床实用性。制作绝经后女性人群骨质疏松症风险列线图，可将列线图制作为APP或微信小程序，供患者使用。简便的女性预测骨质疏松症风险，并进行骨密度检查，可以促使患者早期治疗，防止严重并发症。建立一个简单、易行的绝经后女性人群骨质疏松症风险预测工具，以初步筛查患者骨质疏松风险，建议高风险患者进行骨质疏松筛查及给出医疗建议。
目前已采集数据共700余例，并进行预测模型的建立。其风险列线图大致如下(参数可能进行调整)。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种绝经后女性人群骨质疏松症风险列线图预测方法，其特征在于，所述绝经后女性人群骨质疏松症风险列线图预测方法包括以下步骤：
步骤一，设计与绝经后女性人群骨质疏松症预测相关的数据收集表，形成训练数据集与验证数据集；
步骤二，训练数据集经过Lasso回归进行变量筛选，通过Logistic回归建立预测模型；
步骤三，运用步骤二得出的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括：校准度、分辨度及临床实用性。
步骤四，制作绝经后女性人群骨质疏松症风险列线图，将列线图制作为APP或微信小程序。
2.如权利要求1所述的绝经后女性人群骨质疏松症风险列线图预测方法，其特征在于，所述步骤一中，通过文献学习，设计与骨质疏松症预测相关的数据收集表，内容主要包括：年龄、体重、身高、运动量、饮酒习惯、吸烟习惯、每日饮用咖啡量、每日豆制品食用量、每日饮奶量、每日食肉量、每日坚果食用量、停经年龄、糖皮质激素使用史、高血压病史、糖尿病史、高脂血症病史、既往非暴力骨折史、父母髋关节骨折史、长期使用枸杞、长期使用三七、是否有腰背痛症状、是否有肢体抽筋症状，通过对绝经后女性患者的问卷调查及骨密度检查结果，形成训练数据集与验证数据集。
3.如权利要求1所述的绝经后女性人群骨质疏松症风险列线图预测方法，其特征在于，所述步骤二中，训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加其他变量，以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型。
4.一种应用如权利要求1所述的绝经后女性人群骨质疏松症风险列线图预测方法的绝经后女性人群骨质疏松症风险列线图预测系统，其特征在于，所述绝经后女性人群骨质疏松症风险列线图预测系统包括：
数据收集表设计模块，用于通过文献学习，设计与骨质疏松症预测相关的数据收集表；
训练数据集构建模块，用于通过对绝经后女性患者的问卷调查及骨密度检查结果，形成训练数据集与验证集；
预测模型构建模块，用于训练数据集经过Lasso回归筛选变量，Logistic回归建立预测模型；
运用预测模型构建模块建立的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括-校准度、分辨度及临床实用性。
制作骨质疏松症风险列线图，可将列线图制作为APP或微信小程序，供患者使用。
5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
通过文献学习，设计与骨质疏松症预测相关的数据收集表，内容主要包括：年龄、体重、身高、运动量、饮酒习惯、吸烟习惯、每日饮用咖啡量、每日豆制品食用量、每日饮奶量、每日食肉量、每日坚果食用量、停经年龄、糖皮质激素使用史、高血压病史、糖尿病史、高脂血症病史、既往非暴力骨折史、父母髋关节骨折史、长期使用枸杞、长期使用三七、是否有腰背痛症状、是否有肢体抽筋症状；
通过对绝经后女性患者的问卷调查及骨密度检查结果，形成训练数据集与验证数据集；训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加其他变量，以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型；
模型验证：通过Logistic回归建立的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括-校准度、分辨度及临床实用性；
制作绝经后女性人群骨质疏松症风险列线图，将列线图制作为APP或微信小程序，供患者使用。
6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
通过文献学习，设计与绝经后女性人群骨质疏松症预测相关的数据收集表；通过对女性患者的问卷调查及骨密度检查结果，形成训练数据集与验证数据集；训练数据集经过Lasso回归进行数据降维及变量筛选。将筛选后的变量作为自变量，并结合临床适当增加其他变量，以是否骨质疏松症作为因变量，通过Logistic回归建立预测模型；模型验证：通过Logistic回归建立的模型，计算建立数据集与验证数据集患者骨质疏松症的概率，进行模型的验证，模型评价指标包括-校准度、分辨度及临床实用性。制作骨质疏松症风险列线图，可将列线图制作为APP或微信小程序，供患者使用。
7.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求2所述的绝经后女性人群骨质疏松症风险列线图预测系统。
8.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1所述的绝经后女性人群骨质疏松症风险列线图预测系统。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求2所述的绝经后女性人群骨质疏松症风险列线图预测系统。
CN202210129358.9A 2022-02-11 2022-02-11 绝经后女性人群骨质疏松症风险列线图预测系统及方法 Pending CN114530247A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210129358.9A CN114530247A (zh) 2022-02-11 2022-02-11 绝经后女性人群骨质疏松症风险列线图预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210129358.9A CN114530247A (zh) 2022-02-11 2022-02-11 绝经后女性人群骨质疏松症风险列线图预测系统及方法

Publications (1)

Publication Number Publication Date
CN114530247A true CN114530247A (zh) 2022-05-24

Family

ID=81621946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210129358.9A Pending CN114530247A (zh) 2022-02-11 2022-02-11 绝经后女性人群骨质疏松症风险列线图预测系统及方法

Country Status (1)

Country Link
CN (1) CN114530247A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116631618A (zh) * 2023-04-28 2023-08-22 南方医科大学南方医院 骨质疏松风险监测系统、方法、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116631618A (zh) * 2023-04-28 2023-08-22 南方医科大学南方医院 骨质疏松风险监测系统、方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Pega et al. Unconditional cash transfers for reducing poverty and vulnerabilities: effect on use of health services and health outcomes in low‐and middle‐income countries
CN109256212A (zh) 骨健康评估模型构建方法、装置、设备、介质及评估方法
KR102131973B1 (ko) 개인 건강관리 방법 및 시스템
CN113921140A (zh) 一种绝经后女性骨质疏松风险列线图预测系统及预测方法
Giladi et al. Measuring outcomes in hand surgery
WO2019041711A1 (zh) 基于健康检查一体机的慢病随访监控系统及方法
Michalowsky et al. Healthcare resource utilization and cost in dementia: are there differences between patients screened positive for dementia with and those without a formal diagnosis of dementia in primary care in Germany?
Halldorsson et al. A clinical decision support system for the diagnosis, fracture risks and treatment of osteoporosis
CN111145909B (zh) 诊疗数据处理方法与装置、存储介质、电子设备
CN109767067A (zh) 基于多评价维度评价医院的方法及相关产品
WO2012116334A2 (en) Methods and systems for assessing latent traits using probabilistic scoring
Motahari-Nezhad et al. Outcomes of digital biomarker–based interventions: protocol for a systematic review of systematic reviews
CN112992375A (zh) 一种疾病的预警方法、预警装置、设备及介质
CN114530247A (zh) 绝经后女性人群骨质疏松症风险列线图预测系统及方法
van der Heijden et al. Resource use and costs of type 2 diabetes patients receiving managed or protocolized primary care: a controlled clinical trial
Naranjo et al. Cost-effectiveness analysis of fracture liaison services compared with standard of care in the secondary prevention of fragility fractures in Spain
Andrews et al. Evaluating the effects of symptom monitoring on menopausal health outcomes: A systematic review and meta-analysis
CN111128330A (zh) 电子病例报告表自动录入方法、装置以及相关设备
CN114550928A (zh) 基于逐步回归的绝经女性骨质疏松症风险预测系统及方法
Habbema et al. Chronic disease modeling
Mengoni et al. The application of discrete choice experiments in health economics: a systematic review of the literature
US20230238145A1 (en) Health score and predictive analysis
Sanz-Guinea et al. Efficiency of “Prescribe Vida Saludable”, a health promotion innovation. Pilot phase
Sandell et al. Patient self-reported follow-up for radiation oncology patients during COVID-19: feasibility and patient-clinician agreement
Shih et al. Modelling the type and timing of consecutive events: application to predicting preterm birth in repeated pregnancies

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