CN114582493A - 基于西医检查指标的糖尿病中医分型系统、设备及介质 - Google Patents
基于西医检查指标的糖尿病中医分型系统、设备及介质 Download PDFInfo
- Publication number
- CN114582493A CN114582493A CN202210200206.3A CN202210200206A CN114582493A CN 114582493 A CN114582493 A CN 114582493A CN 202210200206 A CN202210200206 A CN 202210200206A CN 114582493 A CN114582493 A CN 114582493A
- Authority
- CN
- China
- Prior art keywords
- diabetes
- traditional chinese
- chinese medicine
- dialectical
- indexes
- 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
Links
- 239000003814 drug Substances 0.000 title claims abstract description 232
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 166
- 238000007689 inspection Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 230000036541 health Effects 0.000 claims abstract description 9
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000007477 logistic regression Methods 0.000 claims abstract description 6
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 230000004069 differentiation Effects 0.000 claims description 16
- 208000011580 syndromic disease Diseases 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 9
- 208000031971 Yin Deficiency Diseases 0.000 claims description 6
- 238000000546 chi-square test Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 6
- 206010037660 Pyrexia Diseases 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000037213 diet Effects 0.000 claims description 4
- 235000005911 diet Nutrition 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 16
- 238000012360 testing method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 108010074051 C-Reactive Protein Proteins 0.000 description 4
- 102100032752 C-reactive protein Human genes 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 201000001421 hyperglycemia Diseases 0.000 description 3
- 210000002700 urine Anatomy 0.000 description 3
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 108010010234 HDL Lipoproteins Proteins 0.000 description 2
- 102000015779 HDL Lipoproteins Human genes 0.000 description 2
- 102000004877 Insulin Human genes 0.000 description 2
- 108090001061 Insulin Proteins 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- 108010007622 LDL Lipoproteins Proteins 0.000 description 2
- 102000007330 LDL Lipoproteins Human genes 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 229940125396 insulin Drugs 0.000 description 2
- 108010017384 Blood Proteins Proteins 0.000 description 1
- 102000004506 Blood Proteins Human genes 0.000 description 1
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 206010020710 Hyperphagia Diseases 0.000 description 1
- 208000004880 Polyuria Diseases 0.000 description 1
- 208000031975 Yang Deficiency Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 108091005995 glycated hemoglobin Proteins 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 208000022530 polyphagia Diseases 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 208000016261 weight loss Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提出了一种基于西医检查指标的糖尿病中医分型系统、设备及介质，通过获取糖尿病西医常规检查指标和样本人群的西医常规检查指标，糖尿病中医辩证分型结果常规检查指标和样本人群的中医辩证分型结果常规检查指标；采用统计学方法对糖尿病中医辩证分型结果常规检查指标进行筛选，得到特征指标；利用逻辑回归分析法，建立糖尿病中医辩证分型模型；输入待分型指标数据到糖尿病中医辩证分型模型中，生成糖尿病中医辨证分型结果，同时结果和单项特征指标异常值给出相应提示和建议，并提供健康管理方案。本发明充分运用了西医生化检查数据与中医疾病辩证分型间的相关性，将两者结合分析糖尿病，在中医疾病准确诊断方面发挥了积极作用。
Description
技术领域
本发明涉及中西医检查结合技术领域，尤其涉及一种基于西医检查指标的糖尿病中医分型系统、设备及存储介质。
背景技术
糖尿病是一种以高血糖为主要特征的代谢性疾病，患者体内的高血糖是由于体内胰岛素的分泌异常，缺陷受损引起；糖尿病期间患者体内存在的高血糖，会引起身体内各组织器官出现功能障碍，患者会出现多尿、多食和体重下降等症状，严重者引起身体失水，危及生命；我国目前确诊糖尿病人超过一亿。目前，中西医结合防治糖尿病，不但在临床上证明是可行的，从理论上也为现代的遗传学免疫学、药理学、分子酶学、分子生物学所阐明，关键在于如何进行糖尿病中西医辨证分型。正确的分型，让使用中医手段防治糖尿病有了对症下药的依据。
目前，西医诊断用一个指标或几个指标来评价疾病，精确但不能代表整体。中医用数个临床症状及综合分析来判断疾病，虽然单个指标有主观因素的影响，不精确，可是中医往往是经验的总结，是大数据统计的结果，且中医运用综合指标来评价疾病；因此中医的诊断是相对模糊的，但是与西医检查指标以及大数据结合则可以使得医疗诊断更为精准。
因此，当前还没有一个普遍适用的系统，能够解决无法将西医常规检查指标和中医辩证分型两者结合分析糖尿病，实现精准医疗的问题。
发明内容
有鉴于此，本发明提出了一种基于西医检查指标的糖尿病中医分型系统，用于解决无法将西医常规检查指标和中医辩证分型两者结合分析糖尿病，实现精准医疗的问题。
本发明的技术方案是这样实现的：
本发明第一方面，公开一种基于西医检查指标的糖尿病中医分型系统，所述系统包括：
数据获取模块：用于获取糖尿病西医常规检查指标和样本人群的西医常规检查指标，糖尿病中医辩证分型结果常规检查指标和样本人群的中医辩证分型结果常规检查指标；
数据筛选模块：用于采用统计学方法对糖尿病西医常规检查指标对应的糖尿病中医辩证分型结果常规检查指标进行筛选，得到特征指标；
中医辩证分型模型模块：用于利用逻辑回归分析法，根据糖尿病中医辩证分型结果和特征指标，建立糖尿病中医辩证分型模型；
中医辨证分型模块：用于输入待分型指标数据到糖尿病中医辩证分型模型中，生成糖尿病中医辨证分型结果，同时针对不同糖尿病中医辨证分型结果和单项特征指标异常值给出相应提示和建议，并提供健康管理方案。
本发明通过上述系统，将西医常规检查指标和中医辩证分型两者结合分析糖尿病，实现精准医疗。
在以上技术方案的基础上，优选的，糖尿病中医辩证分型结果具体包括：
阴虚发热型、阴阳两虚型、气阴两虚型。
在以上技术方案的基础上，优选的，数据筛选模块中，采用统计学方法对糖尿病西医常规检查指标对应的糖尿病中医辩证分型结果常规检查指标进行筛选，得到特征指标具体包括：
依据卡方检验进行相关性分析，从糖尿病中医辩证分型结果常规检查指标中筛选出与糖尿病西医常规检查指标对应的强关联指标，即特征指标，建立特征指标匹配关系数据库并记录每个特征指标与糖尿病的关联程度在所述特征指标匹配关系数据库中。
在以上技术方案的基础上，优选的，依据卡方检验进行相关性分析，从糖尿病中医辩证分型结果常规检查指标中筛选出与糖尿病西医常规检查指标对应的强关联指标，即特征指标具体包括：
以糖尿病西医常规检查指标作为自变量，以是否患有糖尿病作为因变量，采用卡方检验的方法，计算糖尿病西医常规检查指标对应的各糖尿病中医辩证分型结果常规检查指标的卡方值
其中，E为糖尿病中医辩证分型结果常规检查指标与糖尿病患病原因相关的期望频率，O为观测频率；所述卡方值即为每个特征指标与糖尿病的关联程度，卡方值越小关联程度越高；
从中筛选出卡方值小于预设卡方阈值的糖尿病中医辩证分型结果常规检查指标作为特征指标。
本发明通过上述方法，从多种常规检查指标筛选出与糖尿病西医常规检查对应的与糖尿病强关联的糖尿病中医辩证分型结果常规检查指标作为特征指标，便于进行指标的精准分析。
在以上技术方案的基础上，优选的，利用逻辑回归分析法，根据糖尿病辩证分型结果和特征指标，建立糖尿病中医辩证分型模型具体包括：
根据每个特征指标的在匹配关系数据库中的分布计算其对应的辩证分型概率；根据每个特征指标的辩证分型概率，确定其作为自变量特征指标在多元回归方程的权重，并建立多元回归方程，构建糖尿病中医辩证分型模型，以样本人群的特征指标及对应的辩证分型概率为样本集对所述糖尿病中医辩证分型模型进行训练。
在以上技术方案的基础上，优选的，多元回归方程具体包括：
其中，P(y＝1|x)＝π(x)表示辩证分型概率的预测值，x表示特征指标，y表示辩证分型的概率，g(x)＝w0+w1x1+…+wnxn，w代表自变量特征指标在多元回归方程的权重，n代表特征指标的数量。
本发明通过上述方法，考虑到了多种因素，构建糖尿病中医辩证分型模型用以进行糖尿病所属中医病症分类的精准分析。
在以上技术方案的基础上，优选的，输入待分型指标数据到糖尿病中医辩证分型模型中，生成糖尿病中医辨证分型结果具体包括：
输入特征指标对应的患者待分型指标数据，通过糖尿病中医辩证分型模型进行中医辩证分型计算，得到该患者分别属于各糖尿病中医辨证分型结果的概率，选择概率最大值作为判断患者所属的中医辨证分型结果的依据。
在以上技术方案的基础上，优选的，针对不同糖尿病中医辨证分型结果和单项特征指标异常值给出相应提示和建议，并提供健康管理方案具体包括：
根据患者所属的中医辨证分型结果，以及某项单项特征指标数据不属于该项指标的预设范围的单项特征指标异常值，针对性给出相应提示和建议，并提供包括药膳、中药方剂和日常身体养护的健康管理方案，生成诊疗建议。
本发明通过上述系统，实现对患者情况的精准分析，实现了西医数据与中医辩证分析的结合，揭示了糖尿病中医疾病辩证分型与人体检查数据间的相关性，有助于实现对糖尿病的精准中医治疗。
本发明第二方面，公开一种电子设备，所述设备包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的一种基于西医检查指标的糖尿病中医分型系统程序，一种基于西医检查指标的糖尿病中医分型系统程序配置为实现如本发明第一方面所述的一种基于西医检查指标的糖尿病中医分型系统功能。
本发明第三方面，公开一种计算机可读存储介质，所述存储介质上存储有一种基于西医检查指标的糖尿病中医分型系统程序，所述一种基于西医检查指标的糖尿病中医分型系统程序被执行时实现如本发明第一方面所述的一种基于西医检查指标的糖尿病中医分型系统功能。
本发明的一种基于西医检查指标的糖尿病中医分型系统相对于现有技术具有以下有益效果：
(1)通过卡方检验的方式，从多种常规检查指标筛选出与糖尿病西医常规检查对应的与糖尿病强关联的糖尿病中医辩证分型结果常规检查指标作为特征指标，便于进行指标的精准分析；
(2)考虑到了多种因素，使用多元回归方程构建糖尿病中医辩证分型模型用以进行糖尿病所属中医病症分类的精准分析，实现了西医数据与中医辩证分析的结合，揭示了糖尿病中医疾病辩证分型与人体检查数据间的相关性，对中医疾病准确诊断发挥了积极作用。
附图说明
为了更清楚地说明本发明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，显而易见地，下面描述中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为本发明一种基于西医检查指标的糖尿病中医分型系统模块图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例
本发明一种基于西医检查指标的糖尿病中医分型系统工作流程见图1，处理步骤说明如下：
第一步，数据获取模块获取糖尿病西医常规检查指标和样本人群的西医常规检查指标，糖尿病中医辩证分型结果常规检查指标和样本人群的中医辩证分型结果常规检查指标。转第二步。
应当理解的是，在上述方案的基础上，糖尿病中医辩证分型结果包括：阴虚发热型、阴阳两虚型、气阴两虚型。糖尿病西医常规检查指标一般包括：尿常规、血常规、血糖检查、尿糖检查、血脂检查、血清胰岛素、糖化血清蛋白检查、糖基化血红蛋白检查、尿酮体检查等。
第二步，数据筛选模块采用统计学方法对糖尿病西医常规检查指标对应的糖尿病中医辩证分型结果常规检查指标进行筛选，得到特征指标。转第三步。
应当理解的是，在上述方案的基础上，依据卡方检验进行相关性分析，从糖尿病中医辩证分型结果常规检查指标中筛选出与糖尿病西医常规检查指标对应的强关联指标，即特征指标，建立特征指标匹配关系数据库并记录每个特征指标与糖尿病的关联程度在所述特征指标匹配关系数据库中。
应当理解的是，在上述方案的基础上，以糖尿病西医常规检查指标作为自变量，以是否患有糖尿病作为因变量，采用卡方检验的方法，计算糖尿病西医常规检查指标对应的各糖尿病中医辩证分型结果常规检查指标的卡方值
其中，E为糖尿病中医辩证分型结果常规检查指标与糖尿病患病原因相关的期望频率，O为观测频率；所述卡方值即为每个特征指标与糖尿病的关联程度，卡方值越小关联程度越高；
排除对糖尿病影响较小的因素，筛选出强关联因素，即从中筛选出卡方值小于预设卡方阈值的糖尿病中医辩证分型结果常规检查指标作为特征指标。
例如，对样本人群的各项糖尿病中医辩证分型结果常规检查指标分别计算其卡方值，得到卡方值小于预设卡方阈值的多项指标：空腹血糖(Glu)、总胆固醇(TC)、甘油三酯(TG)、低密度脂蛋白(LDL-C)、高密度脂蛋白(HDL-C)、C-反应蛋白(CRP)指标异常，这些指标均作为特征指标。
应当理解的是，在上述方案的基础上，
第三步，中医辩证分型模型模块利用逻辑回归分析法，根据糖尿病中医辩证分型结果和特征指标的具体情况，建立糖尿病中医辩证分型模型。转第四步。
应当理解的是，在上述方案的基础上，根据每个特征指标的在匹配关系数据库中的分布计算其对应的辩证分型概率；根据每个特征指标的辩证分型概率，确定其作为自变量在多元回归方程的权重，并建立多元回归方程，构建糖尿病中医辩证分型模型，以样本人群的特征指标及对应的辩证分型概率为样本集对所述糖尿病中医辩证分型模型进行训练。
应当理解的是，在上述方案的基础上，多元回归方程包括：
其中，P(y＝1|x)＝π(x)表示辩证分型概率的预测值，x表示特征指标，y表示辩证分型的概率，g(x)＝w0+w1x1+…+wnxn，w代表自变量特征指标在多元回归方程的权重，n代表特征指标的数量。
应当理解，本实施例中，考虑到不同的地域、不同性别、不同年龄阶段、不同环境以及不同行为习惯等因素可能对糖尿病辨证分型结果的影响，因此这里引入了多元回归方程。
第四步，中医辨证分型模块，可供输入待分型指标数据，用以生成糖尿病中医辨证分型结果，同时针对不同糖尿病中医辨证分型结果和单项特征指标异常值给出相应提示和建议，并提供健康管理方案。转第五步。
应当理解的是，在上述方案的基础上，在中医辨证分型模块中输入特征指标对应的患者待分型指标数据，通过糖尿病中医辩证分型模型进行中医辩证分型计算，得到该患者分别属于各糖尿病中医辨证分型结果的概率，选择概率最大值作为判断患者所属的中医辨证分型结果的依据。
应当理解的是，在上述方案的基础上，根据患者所属的中医辨证分型结果，以及某项单项特征指标数据不属于该项指标的预设范围的单项特征指标异常值，针对性给出相应提示和建议，并提供包括药膳、中药方剂和日常身体养护的健康管理方案，生成诊疗建议。
比如，根据糖尿病患者年龄、性别、空腹血糖(Glu)、总胆固醇(TC)、甘油三酯(TG)、低密度脂蛋白(LDL-C)、高密度脂蛋白(HDL-C)、C-反应蛋白(CRP)指标进行中医辩证分型计算后，得到该患者属于阴虚发热型糖尿病的概率最高，据此可以推荐药膳、中药方剂等，同时生成诊疗建议。
本发明以人工智能和大数据技术手段，结合西医糖尿病生化检查等数据，可以进行智能计算的中西医结合疾病辅助诊断，以达到糖尿病中医疾病辩证分型的目地，揭示糖尿病中医疾病辩证分型与人体检查数据间的相关性，为精准治疗糖尿病以及推荐准确的中药方剂、药膳等奠定基础，克服了传统中医疾病人为主观辩证分型的缺点，可协助经验不足的中医医生进行疾病诊断，有助于中医医生增长经验。本发明的疾病辩证分型过程克服了由传统中医人工诊断所包含的个人主观性而造成的中医诊断结果可信度低，可重复性不好的缺陷，充分运用了西医生化检查数据与中医疾病辩证分型(包括阴虚发热型、阴阳两虚型、气阴两虚型等)间的相关性，对中医疾病准确诊断发挥了积极作用。
本发明还公开一种电子设备，所述设备包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的一种基于西医检查指标的糖尿病中医分型系统程序，一种基于西医检查指标的糖尿病中医分型系统程序配置为实现如本发明实施例所述的一种基于西医检查指标的糖尿病中医分型系统功能。
本发明还公开一种计算机可读存储介质，所述存储介质上存储有一种基于西医检查指标的糖尿病中医分型系统程序，所述一种基于西医检查指标的糖尿病中医分型系统程序被执行时实现如本发明实施例所述的一种基于西医检查指标的糖尿病中医分型系统功能。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于西医检查指标的糖尿病中医分型系统，其特征在于，所述系统包括：
数据获取模块：用于获取糖尿病西医常规检查指标和样本人群的西医常规检查指标，糖尿病中医辩证分型结果常规检查指标和样本人群的中医辩证分型结果常规检查指标；
数据筛选模块：用于采用统计学方法对糖尿病西医常规检查指标对应的糖尿病中医辩证分型结果常规检查指标进行筛选，得到特征指标；
中医辩证分型模型模块：用于利用逻辑回归分析法，根据糖尿病中医辩证分型结果和特征指标，建立糖尿病中医辩证分型模型；
中医辨证分型模块：用于输入待分型指标数据到糖尿病中医辩证分型模型中，生成糖尿病中医辨证分型结果，同时针对不同糖尿病中医辨证分型结果和单项特征指标异常值给出相应提示和建议，并提供健康管理方案。
2.如权利要求1所述的一种基于西医检查指标的糖尿病中医分型系统，其特征在于，所述糖尿病中医辩证分型结果包括：
阴虚发热型、阴阳两虚型、气阴两虚型。
3.如权利要求1所述的一种基于西医检查指标的糖尿病中医分型系统，其特征在于，所述数据筛选模块中，采用统计学方法对糖尿病西医常规检查指标对应的糖尿病中医辩证分型结果常规检查指标进行筛选，得到特征指标包括：
依据卡方检验进行相关性分析，从糖尿病中医辩证分型结果常规检查指标中筛选出与糖尿病西医常规检查指标对应的强关联指标，即特征指标，建立特征指标匹配关系数据库并记录每个特征指标与糖尿病的关联程度在所述特征指标匹配关系数据库中。
4.如权利要求3所述的一种基于西医检查指标的糖尿病中医分型系统，其特征在于，所述依据卡方检验进行相关性分析，从糖尿病中医辩证分型结果常规检查指标中筛选出与糖尿病西医常规检查指标对应的强关联指标，即特征指标包括：
以糖尿病西医常规检查指标作为自变量，以是否患有糖尿病作为因变量，采用卡方检验的方法，计算糖尿病西医常规检查指标对应的各糖尿病中医辩证分型结果常规检查指标的卡方值
其中，E为糖尿病中医辩证分型结果常规检查指标与糖尿病患病原因相关的期望频率，O为观测频率；所述卡方值即为每个特征指标与糖尿病的关联程度，卡方值越小关联程度越高；
从中筛选出卡方值小于预设卡方阈值的糖尿病中医辩证分型结果常规检查指标作为特征指标。
5.如权利要求3所述的一种基于西医检查指标的糖尿病中医分型系统，其特征在于，所述利用逻辑回归分析法，根据糖尿病辩证分型结果和特征指标，建立糖尿病中医辩证分型模型包括：
根据每个特征指标的在匹配关系数据库中的分布计算其对应的辩证分型概率；根据每个特征指标的辩证分型概率，确定其作为自变量在多元回归方程的权重，并建立多元回归方程，构建糖尿病中医辩证分型模型，以样本人群的特征指标及对应的辩证分型概率为样本集对所述糖尿病中医辩证分型模型进行训练。
6.如权利要求5所述的一种基于西医检查指标的糖尿病中医分型系统，其特征在于，所述多元回归方程包括：
其中，P(y＝1|x)＝π(x)表示辩证分型概率的预测值，x表示特征指标，y表示辩证分型的概率，g(x)＝w0+w1x1+…+wnxn，w代表自变量特征指标在多元回归方程的权重，n代表特征指标的数量。
7.如权利要求6所述的一种基于西医检查指标的糖尿病中医分型系统，其特征在于，所述输入待分型指标数据到糖尿病中医辩证分型模型中，生成糖尿病中医辨证分型结果包括：
输入特征指标对应的患者待分型指标数据，通过糖尿病中医辩证分型模型进行中医辩证分型计算，得到该患者分别属于各糖尿病中医辨证分型结果的概率，选择概率最大值作为判断患者所属的中医辨证分型结果的依据。
8.如权利要求7所述的一种基于西医检查指标的糖尿病中医辩证分型系统，其特征在于，所述针对不同糖尿病中医辨证分型结果和单项特征指标异常值给出相应提示和建议，并提供健康管理方案包括：
根据患者所属的中医辨证分型结果，以及某项单项特征指标数据不属于该项指标的预设范围的单项特征指标异常值，针对性给出相应提示和建议，并提供包括药膳、中药方剂和日常身体养护的健康管理方案，生成诊疗建议。
9.一种电子设备，其特征在于，包括至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的一种基于西医检查指标的糖尿病中医分型系统程序，一种基于西医检查指标的糖尿病中医分型系统程序配置为实现如权利要求1至8任一项的一种基于西医检查指标的糖尿病中医分型系统功能。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有一种基于西医检查指标的糖尿病中医分型系统程序，所述一种基于西医检查指标的糖尿病中医分型系统程序被执行时实现如权利要求1至8中任一项的一种基于西医检查指标的糖尿病中医分型系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210200206.3A CN114582493A (zh) | 2022-03-02 | 2022-03-02 | 基于西医检查指标的糖尿病中医分型系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210200206.3A CN114582493A (zh) | 2022-03-02 | 2022-03-02 | 基于西医检查指标的糖尿病中医分型系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114582493A true CN114582493A (zh) | 2022-06-03 |
Family
ID=81776328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210200206.3A Pending CN114582493A (zh) | 2022-03-02 | 2022-03-02 | 基于西医检查指标的糖尿病中医分型系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114582493A (zh) |
-
2022
- 2022-03-02 CN CN202210200206.3A patent/CN114582493A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| 刘红英;淦家荣;鲁丽;张芸;廖剑波;曹艳萍;刘红茹;: "2型糖尿病相关指标与中医辨证分型的相关性研究", 云南中医中药杂志, no. 03, 20 March 2008 (2008-03-20) * |
| 王智明;周传礼;左文标;: "2型糖尿病的中医证型与糖脂代谢、炎症因子及胰岛素敏感性等多指标的关系", 中国中医药信息杂志, no. 1, 25 May 2009 (2009-05-25) * |
| 赵英娟;贺学魁;: "2型糖尿病病人中医证型与临床指标的相关性分析", 中西医结合心脑血管病杂志, no. 08, 20 April 2016 (2016-04-20), pages 809 - 811 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tigga et al. | Prediction of type 2 diabetes using machine learning classification methods | |
| De Bernardinis et al. | Discriminant power and information content of Ranson's prognostic signs in acute pancreatitis: a meta-analytic study | |
| Chakradar et al. | A non-invasive approach to identify insulin resistance with triglycerides and HDL-c ratio using machine learning | |
| CN111312401B (zh) | 一种基于多标签学习的体检后慢性疾病预后系统 | |
| CN110808097A (zh) | 一种妊娠期糖尿病预测系统及方法 | |
| Nandipati et al. | Polycystic Ovarian Syndrome (PCOS) classification and feature selection by machine learning techniques | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| Jalali et al. | Advanced analytics for outcome prediction in intensive care units | |
| CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
| CN111833985B (zh) | 胰岛素剂型选择及剂量调整方法及系统 | |
| CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
| Shahin et al. | Data mining in healthcare information systems: case studies in Northern Lebanon | |
| CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
| CN114582493A (zh) | 基于西医检查指标的糖尿病中医分型系统、设备及介质 | |
| CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
| CN116453645A (zh) | 一种基于临床用药的反馈方法及系统 | |
| CN115691788A (zh) | 一种基于异构数据的双重注意力耦合网络糖尿病分类系统 | |
| Sumathi et al. | Machine learning based pattern detection technique for diabetes mellitus prediction | |
| CN114550910A (zh) | 基于人工智能的射血分数保留型心衰诊断及分型系统 | |
| Lai et al. | Network-based analysis of comorbidities: case study of diabetes mellitus | |
| Chen et al. | Prediction model of diabetes based on machine learning | |
| KR102550465B1 (ko) | 인공지능 기반의 가상 환자 관리 시스템 | |
| Ji et al. | The Risk Prediction of Type 2 Diabetes based on XGBoost | |
| Khalaf et al. | Predicting Acute Respiratory Failure Using Fuzzy Classifier | |
| CN115064267B (zh) | 一种胆道闭锁风险评估系统及其建立方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |