CN114974580A - 骨折风险检测数据的处理方法及系统 - Google Patents
骨折风险检测数据的处理方法及系统 Download PDFInfo
- Publication number
- CN114974580A CN114974580A CN202210429183.3A CN202210429183A CN114974580A CN 114974580 A CN114974580 A CN 114974580A CN 202210429183 A CN202210429183 A CN 202210429183A CN 114974580 A CN114974580 A CN 114974580A
- Authority
- CN
- China
- Prior art keywords
- data set
- difference
- information
- prediction
- current
- 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.)
- Granted
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
- G16H50/20—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
- G16H50/70—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种骨折风险检测数据的处理方法及系统,具体包括:服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合;获取基础预测模型以及基础预测模型分别对应的标准健康数据集合;将当前健康数据集合与标准健康数据集合比对得到差异健康数据集合;对基础预测模型进行调整得到用户预测模型,根据差异健康数据集合和基础预测模型得到预测偏移区间值;将当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据,根据预测偏移区间值对初始预测数据进行偏移处理得到第一预测数据,根据第一预测数据得到相对应的健康管理数据发送至相应的用户端。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种骨折风险检测数据的处理方法及系统。
背景技术
脆性骨折是指在没有明显外伤或轻微外力情况下,身体骨质部位出现断裂的情况,随着缺少户外运动、久坐等不健康生活方式增多,脆性骨折患者越来越多,最严重的就是髋部骨折。
骨折虽不是疑难病,一旦发生,没有更好的促进骨折愈合的治疗办法,所以避免骨折的方式主要是靠预防。随着当前科技的进步,可以构建多种骨折的预测模型,然后根据预测模型对相应人员的骨折可能性进行预测,并进行相应的提醒。
通过预测模型进行骨折等风险预测时,需要采集多个维度数据,但是用户在实际使用过程中,可能因为种种原因无法输入多个维度的数据,进而造成了服务侧处的服务端在进行计算时无法进行相应的计算,降低了服务侧的处理效率,使得相应的计算场景较为单一。
发明内容
本发明实施例提供一种骨折风险检测数据的处理方法及系统,能够根据用户所输入的数据维度的不同对预测模型进行调整,并根据模型中所缺少的信息、参数对预测数据偏移化、区间化的调整,使得本发明不仅能够在输入维度较少时对健康情况进行预测,并且能够将预测误差进行展示,保障了服务侧的处理效率,使得相应的计算场景较为多元。
本发明实施例的第一方面,提供一种骨折风险检测数据的处理方法,服务端分别与多个用户端连接,服务侧在接收到用户输入的多维度的健康数据后,通过以下步骤进行数据处理,具体包括:
服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合;
获取基础预测模型以及基础预测模型分别对应的标准健康数据集合,所述标准健康数据集合包括标准用户医学检测数据集合、标准属性数据集合以及标准习惯数据集合;
若所述当前健康数据集合与标准健康数据集合不对应,则将所述当前健康数据集合与标准健康数据集合比对得到差异健康数据集合;
根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型,根据所述差异健康数据集合和基础预测模型得到预测偏移区间值;
将所述当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据,根据所述预测偏移区间值对所述初始预测数据进行偏移处理得到第一预测数据,根据所述第一预测数据得到相对应的健康管理数据发送至相应的用户端。
可选地,在第一方面的一种可能实现方式中,在服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合的步骤中,具体包括:
服务端预先设置多个分别与当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合对应的筛选标签,所述筛选标签包括医学检测标签、用户属性标签以及用户习惯标签;
服务端在接收到当前健康数据集合后,根据筛选标签对当前健康数据集合内的数据进行筛选得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合。
可选地,在第一方面的一种可能实现方式中,在若所述当前健康数据集合与标准健康数据集合不对应,则将所述当前健康数据集合与标准健康数据集合比对得到差异健康数据集合的步骤中,具体包括:
获取当前健康数据集合中所具有数据所对应的筛选标签的数量,得到当前标签数量;
将所述当前标签数量与标准健康数据集合的标准标签数量比对,若所述当前标签数量与标准标签数量不相同,则判断当前健康数据集合与标准健康数据集合不对应;
确定当前健康数据集合与标准健康数据集合不对应的筛选标签作为差异标签,统计差异标签所对应的数据得到差异健康数据集合,所述差异健康数据集合至少包括差异医学检测数据集合、差异属性数据集合以及差异习惯数据集合中的任意一个;
所述差异医学检测数据集合包括骨扫描信息、骨CT信息、骨代谢信息、 BTS评分信息、肿瘤细胞分型信息、骨转移部位信息中的至少一个;
所述差异属性数据集合包括年龄信息、性别信息、体重信息、身高信息中的至少一个;
所述差异习惯数据集合包括骨结构不良改善药物使用频率信息、饮酒信息、吸烟信息、睡眠信息、饮食信息、运动信息中的至少一个。
可选地,在第一方面的一种可能实现方式中,在根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型的步骤中,具体包括:
若判断差异健康数据集合中存在差异医学检测数据集合,则获取差异医学检测数据集合中的第一差异信息;
根据所述第一差异信息选定基础预测模型中相应的第一输入参数;
根据当前用户属性数据集合中的用户属性信息确定与所述第一输入参数所对应的第一标准输入参数。
可选地,在第一方面的一种可能实现方式中,在根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型的步骤中,具体包括:
若判断差异健康数据集合中存在差异属性数据集合,则获取差异属性数据集合中的第二差异信息;
根据所述第二差异信息选定基础预测模型中相应的第二输入参数;
根据当前用户属性数据集合中已存在的用户属性信息确定与所述第二输入参数所对应的第二标准输入参数。
可选地,在第一方面的一种可能实现方式中,在根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型的步骤中,具体包括:
若判断差异健康数据集合中存在差异习惯数据集合,则获取差异习惯数据集合中的第三差异信息;
根据所述第三差异信息选定基础预测模型中相应的第三输入参数;
若判断所述第三输入参数为基础预测模型中模型预测的偏移计算单元,则将所述第三输入参数所对应的偏移计算单元删除。
可选地,在第一方面的一种可能实现方式中,在根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型的步骤中,具体包括:
获取所述第一差异信息的第一数量、第二差异信息的第二数量以及第三差异信息的第三数量;
将每个第一差异信息、第二差异信息以及第三差异信息在基础预测模型中分别对应的标准权重作为差异权重;
根据所述第一数量、第二数量、第三数量以及不同差异信息的差异权重得到预测偏移区间值;
根据所述预测偏移区间值对用户预测模型所输出的预测数据进行偏移处理得到第一预测数据。
可选地,在第一方面的一种可能实现方式中,在将所述当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据的步骤中,具体包括:
所述用户预测模型为以下公式,
其中,Yα为第α个用户端的初始预测数据,Mα为第α个用户端的基准预测值,
Ka为当前用户医学检测数据集合中第a个信息的权重值,为当前用户医学检测数据集合中第a个信息的当前量化值,为当前用户医学检测数据集合中第a个信息的预设量化值,Ga为当前用户医学检测数据集合中第a个信息的归一化值,b为当前用户医学检测数据集合中信息的上限值,A为第一预测常数值,
Kc为当前用户属性数据集合中第c个信息的权重值,为当前用户属性数据集合中第c个信息的当前量化值,为当前用户属性数据集合中第c个信息的预设量化值,Gc为当前用户属性数据集合中第c个信息的归一化值,d为当前用户属性数据集合中信息的上限值,C为第二预测常数值,
Ke为当前用户习惯数据集合中第e个信息的权重值,为当前用户习惯数据集合中第e个信息的当前量化值,为当前用户习惯数据集合中第e个信息的预设量化值,Ge为当前用户习惯数据集合中第e个信息的归一化值,e为当前用户属性数据集合中信息的上限值,E为第三预测常数值。
可选地,在第一方面的一种可能实现方式中,在根据所述第一数量、第二数量、第三数量以及不同差异信息的差异权重得到预测偏移区间值的步骤中,具体包括:
基于所述第一数量、每个第一差异信息的差异权重得到第一偏移子系数;
基于所述第二数量、每个第二差异信息的差异权重得到第二偏移子系数;
基于所述第三数量、每个第三差异信息的差异权重得到第三偏移子系数;
根据所述第一偏移子系数、第二偏移子系数以及第三偏移子系数确定第一区间系数和第二区间系数,根据所述第一区间系数和第二区间系数生成预测偏移区间值;
通过以下公式计算第一区间系数和第二区间系数,
其中,Q1为第一区间系数,q1为第一区间权重,
α1为第一差异系数值,S1为第一数量,Kg为第g个第一差异信息的差异权重,h为第一差异信息的上限值,
α2为第二差异系数值,S2为第二数量,Ki为第i个第二差异信息的差异权重,j为第二差异信息的上限值,
α3为第三差异系数值,S3为第三数量,Kl为第l个第三差异信息的差异权重,m为第三差异信息的上限值,Z为区间常数值,
Q2为第二区间系数,q2为第二区间权重;
在根据所述预测偏移区间值对用户预测模型所输出的预测数据进行偏移处理得到第一预测数据的步骤中,具体包括:
通过以下公式得到第一预测数据,
其中,U1为第一预测数据中的最小值,U2为第一预测数据中的最大值,为第一区间正常值第一预测数据中的最小值U1和第一预测数据中的最大值U2所形成的的区间构成第一预测数据。
本发明实施例的第二方面,提供一种骨折风险检测数据的处理系统,服务端分别与多个用户端连接,服务侧在接收到用户输入的多维度的健康数据后,通过以下模块进行数据处理,具体包括:
分类模块,用于使服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合;
获取模块,用于获取基础预测模型以及基础预测模型分别对应的标准健康数据集合,所述标准健康数据集合包括标准用户医学检测数据集合、标准属性数据集合以及标准习惯数据集合;
比对模块,用于若所述当前健康数据集合与标准健康数据集合不对应,则将所述当前健康数据集合与标准健康数据集合比对得到差异健康数据集合;
调整模块,用于根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型,根据所述差异健康数据集合和基础预测模型得到预测偏移区间值;
偏移模块,用于将所述当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据,根据所述预测偏移区间值对所述初始预测数据进行偏移处理得到第一预测数据,根据所述第一预测数据得到相对应的健康管理数据发送至相应的用户端。
本发明实施例的第三方面,提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种骨折风险检测数据的处理方法及系统。能够根据健康数据的维度、种类不同将多个维度的健康数据归类为当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合。并且将当前健康数据集合与标准健康数据集合进行有效的比对,确定相应的差异健康数据集合,本发明会根据差异健康数据集合对基础预测模型进行调整得到用户预测模型,使得本发明调整后的用户预测模型可以对缺少输入数据的当前健康数据集合内的数据进行预测,并且根据差异健康数据集合确定预测偏移区间值,该种方式使得本发明不仅能够在缺少用户输入某种维度数据的前提下进行预测,而且能够根据用户所输入的缺少相应维度数据的种类得到预测偏移区间值,使得本发明在进行预测的同时,会得到相应的误差率,供用户进行参考,并根据该第一预测数据确定健康管理数据发送至相应的用户端。
本发明提供的技术方案,在对基础预测模型进行调整时,会根据差异健康数据中不同类型的差异信息采取对基础预测模型不同的调整方式,使得本发明能够根据场景的不同采取不同的计算方式,进而采取对基础预测模型输入预设的参数或者是将部分计算单元删除,使所得到的用户预测模型中所有的输入参数都有相对应的数值,进而使得用户预测模型能够正常工作、输出相应的初始预测数据。
用户所输入的数据的维度越多,则最终所得到的第一预测数据越准确,所以本发明会根据差异健康数据集合中差异信息的数量、差异信息的不同类型,来确定预测偏移区间值,本发明会根据差异信息的不同设置不同的差异权重,使得本发明所计算的预测偏移区间值不仅参考维度较多,而且能够对重点的、重要的维度进行更大化的偏移,进而使得本发明能够确定一个合理的偏移区间,使得所输出的第一预测数据是区间形式的。
附图说明
图1为本发明提供的技术方案的应用场景示意图;
图2为骨折风险检测数据的处理方法的第一种实施方式的流程图;
图3为骨折风险检测数据的处理方法的第二种实施方式的流程图;
图4为骨折风险检测数据的处理系统的第一种实施方式的结构图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、 B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3 个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A 与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
如图1所示,为本发明提供的技术方案的应用场景示意图,包括设置于服务侧的服务端,服务端可以是服务器等具有计算、处理功能的设备,用户侧可以包括多个,每个用户侧具有预先对应设置的用户端,用户端处可以预先设置进行数据采集的APP、知识库、小程序等等,用户可以通过APP向用户端传输多维度的健康数据,服务端对用户端所发送的健康数据进行计算处理,得到第一预测数据和健康管理数据并反馈至用户端。
本发明提供一种骨折风险检测数据的处理方法,服务端分别与多个用户端连接,服务侧在接收到用户输入的多维度的健康数据后,如图2所示,通过以下步骤进行数据处理,具体包括:
步骤S110、服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合。服务端在接收到当前健康数据集合后,首先会进行分类处理,当前健康数据集合既可以看作是当前用户在用户端所采集的健康数据、信息所生成的当前健康数据。本发明会根据当前健康数据集合中数据、信息的种类不同分类得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合。
本发明提供的技术方案,在一个可能的实施方式中,如图3所示,步骤 S110具体包括:
步骤S1101、服务端预先设置多个分别与当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合对应的筛选标签,所述筛选标签包括医学检测标签、用户属性标签以及用户习惯标签。本发明会预先设置与不同数据集合对应的不同的筛选标签。
筛选标签可以是骨扫描标签、骨CT标签、骨代谢标签、BTS评分标签、肿瘤细胞分型标签、骨转移部位标签、年龄标签、性别标签、体重标签、骨不良改善药物使用频率标签、饮酒标签、吸烟标签中的至少一个。例如骨扫描标签、骨CT标签、骨代谢标签、BTS评分标签、肿瘤细胞分型标签、骨转移部位标签对应当前用户医学检测数据集合。年龄标签、性别标签、体重标签对应当前用户属性数据集合。骨结构不良改善药物使用频率信息使用频率标签、饮酒标签、吸烟标签对应当前用户习惯数据集合。
用户端在进行数据采集时,会根据用户在用户端输入的信息、数据自动添加相应的筛选标签。
步骤S1102、服务端在接收到当前健康数据集合后,根据筛选标签对当前健康数据集合内的数据进行筛选得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合。服务侧直接对当前健康数据集合中的所有数据进行筛选、划分,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合。
步骤S120、获取基础预测模型以及基础预测模型分别对应的标准健康数据集合,所述标准健康数据集合包括标准用户医学检测数据集合、标准属性数据集合以及标准习惯数据集合。本发明会预先设置基础预测模型,基础预测模型中会具有多个维度的输入参数,例如骨扫描信息、骨CT信息、骨代谢信息、BTS评分信息、肿瘤细胞分型信息、骨转移部位信息等等。此时的标准健康数据集合中会包括所有输入参数,例如此时输入参数的数量为10个。该10个输入参数所对应的信息、数据可以分类为标准用户医学检测数据集合、标准属性数据集合以及标准习惯数据集合。基础预测模型所对应的所有输入参数即为标准用户医学检测数据集合、标准属性数据集合以及标准习惯数据集合所对应的类型的输入参数。
步骤S130、若所述当前健康数据集合与标准健康数据集合不对应,则将所述当前健康数据集合与标准健康数据集合比对得到差异健康数据集合。如果当前健康数据集合与标准健康数据集合不对应,则证明此时用户主动输入的信息、数据并不能够满足基础预测模型所需要的所有参数,所以此时需要将当前健康数据集合与标准健康数据集合比对,得到最终的差异健康数据集合。
本发明提供的技术方案,在一个可能的实施方式中,步骤S130具体包括:
获取当前健康数据集合中所具有数据所对应的筛选标签的数量,得到当前标签数量。本发明在得到当前健康数据集合后,会首先确定当前健康数据集合中的数据的筛选标签的数量,得到用户在当前发送的健康数据的当前标签数量。
将所述当前标签数量与标准健康数据集合的标准标签数量比对,若所述当前标签数量与标准标签数量不相同,则判断当前健康数据集合与标准健康数据集合不对应。所以此时无法满足基础预测模型所有输入参数的需求,所以此时需要对基础预测模型进行修改,得到用户预测模型。
如果当前标签数量和标准标签数量相同,则证明用户所输入的信息、数据的种类已经与标准健康数据集合中的信息、数据的所有种类一一对应。此时可以将基础预测模型直接作为用户预测模型。
确定当前健康数据集合与标准健康数据集合不对应的筛选标签作为差异标签,统计差异标签所对应的数据得到差异健康数据集合,所述差异健康数据集合至少包括差异医学检测数据集合、差异属性数据集合以及差异习惯数据集合中的任意一个。本发明会确定当前健康数据集合与标准健康数据集合不对应的筛选标签,进而得到差异标签。
例如标准健康数据集合中存在骨扫描标签,但是当前健康数据集合中不具有存在骨扫描标签的信息、数据,则此时差异标签即为骨扫描标签,并且骨扫描信息是属于医学检测数据集合类型的信息,所以此时即存在相对应的差异医学检测数据集合,差异医学检测数据集合中即具有骨扫描信息。
本发明提供的技术方案,在用户输入的当前健康数据集合中如果存在明显不符合常理的数值定义为异常值,对于异常值的处理方式可以是进行计算或删除。
所述差异医学检测数据集合包括骨扫描信息、骨CT信息、骨代谢信息、 BTS评分信息、肿瘤细胞分型信息、骨转移部位信息中的至少一个。医学检测数据中的信息都是根据实际机器设备测量所得到的。可以是一些数值,例如钙磷PTH代谢指标、CT指标、CA指标等等。BTS评分信息也可以是一个数值。肿瘤细胞分型信息、骨转移部位信息中的细胞类型、骨转移部位可以是预先设置的,例如第一种类型的分型的量化值为1、第二种类型的分型的量化值为2等等。第一种类型的骨转移部位的量化值为3、第二种类型的骨转移部位的量化值为4等等。
所述差异属性数据集合包括年龄信息、性别信息、体重信息、身高信息中的至少一个。年龄信息、性别信息以及体重信息都是客观存在的。尤其是年龄信息和性别信息,正常的用户并不会进行遗忘或者是无法确定。
所述差异习惯数据集合包括骨结构不良改善药物使用频率信息息、饮酒信息、吸烟信息中的至少一个。差异习惯数据即为用户的不同习惯,例如骨结构不良改善药物使用频率信息,例如一天几次或者是几天一次,频率越高则对骨的不良影响越大,饮酒、吸烟等频率越大则对骨的影响越大,饮酒可以是一天饮酒多少毫升、吸烟可以是多少支等等。
步骤S140、根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型,根据所述差异健康数据集合和基础预测模型得到预测偏移区间值。本发明会根据差异健康数据集合对基础预测模型进行调整得到用户预测模型,进而使得用户所输入的信息、数据所对应的参数能够满足用户预测模型所对应的输入参数,此时会根据差异健康数据集合和基础预测模型得到预测偏移区间值。
本发明在对基础预测模型进行调整时,会根据不同类型的差异集合采取对基础预测模型不同的调整方式。
本发明提供的技术方案,在一个可能的实施方式中,步骤S140具体包括:
若判断差异健康数据集合中存在差异医学检测数据集合,则获取差异医学检测数据集合中的第一差异信息。本发明会将差异医学检测数据集合中的信息、数据作为第一差异信息。
根据所述第一差异信息选定基础预测模型中相应的第一输入参数。本发明首先会确定基础预测模型中相应的第一输入参数,例如该第一输入参数需要是用户实际输入的参数,但是此时用户并没有实际输入相应的参数,此时则无法进行该参数部分的计算。
根据当前用户属性数据集合中的用户属性信息确定与所述第一输入参数所对应的第一标准输入参数。本发明会根据用户属性信息确定与所述第一输入参数所对应的第一标准输入参数,以第一差异信息是骨代谢信息为例,当前用户属性数据集合中的用户属性信息包括的年龄是15岁、性别为男,例如 15岁男生的正常骨代谢信息所对应的PTH的数值为30pg/ml,则此时的第一标准输入参数中的骨代谢信息的PTH的数值即为30pg/ml。
通过以上的技术方案,使得本发明存在差异医学检测数据集合时,能够根据用户属性信息确定与第一输入参数所对应的第一标准输入参数,避免因为残缺第一差异信息而无法进行预测的情况出现,并且该种方式能够保障一定的准确性。
本发明提供的技术方案,在一个可能的实施方式中,步骤S140具体包括:
若判断差异健康数据集合中存在差异属性数据集合,则获取差异属性数据集合中的第二差异信息。在存在差异属性数据集合时,一般来说差异属性数据集合的第二差异信息大多为体重信息、身高信息,因为年龄、性别都是用户可以直接毫无疑问所确定的信息,用户可能无法确定其当前的体重信息、身高信息。
根据所述第二差异信息选定基础预测模型中相应的第二输入参数。本发明会在基础预测模型中相应的第二输入参数,此时的第二输入参数可能对应的信息为身高信息。
根据当前用户属性数据集合中已存在的用户属性信息确定与所述第二输入参数所对应的第二标准输入参数。例如用户属性信息包括的年龄是15岁、性别为男,则此时所对应的身高信息一般都是具有一定标准的,例如165厘米,此时的165厘米既可以理解为是第二标准输入参数。
本发明提供的技术方案,在一个可能的实施方式中,步骤S140具体包括:
若判断差异健康数据集合中存在差异习惯数据集合,则获取差异习惯数据集合中的第三差异信息。第三差异信息所对应的是用户的习惯,但是不同的用户的习惯都是不同的,存在部分用户具有抽烟习惯、饮酒习惯等等。所以此时需要确定相对应的第三差异信息。
根据所述第三差异信息选定基础预测模型中相应的第三输入参数。通过确定第三输入参数既可以得到相对应的偏移计算单元。
若判断所述第三输入参数为基础预测模型中模型预测的偏移计算单元,则将所述第三输入参数所对应的偏移计算单元删除。本发明会将第三输入参数所对应的偏移计算单元删除,可以这样理解,偏移计算单元删除对于数据的预测只是起到一定的偏移改变作用,用户习惯的影响相对于用户的身体本身的情况,产生骨折的影响度会较小。
本发明提供的技术方案,在一个可能的实施方式中,步骤S140具体包括:
获取所述第一差异信息的第一数量、第二差异信息的第二数量以及第三差异信息的第三数量。本发明首先会分别统计第一差异信息、第二差异信息以及第三差异信息的数量,如果数量越多,则证明用户所输入的信息、数据的数量越小,此时所得到的预测数据的准确率会越差,偏差会越大。
将每个第一差异信息、第二差异信息以及第三差异信息在基础预测模型中分别对应的标准权重作为差异权重。本发明会首先确定基础预测模型中分别对应的标准权重作为差异权重,可以这样理解,如果基础预测模型中相应信息、参数的标准权重越大,则证明该信息、参数对所计算的预测数据的影响就越大,此时无法得到该信息、参数的话,则相对应的错误率就会变大。所以本发明会根据基础预测模型中分别对应的标准权重作为差异权重,使得差异权重与标准权重之间是成正比的。
根据所述第一数量、第二数量、第三数量以及不同差异信息的差异权重得到预测偏移区间值。本发明会根据差异信息的不同采取不同的计算方式得到最终的预测偏移区间值。
本发明提供的技术方案,在一个可能的实施方式中,在根据所述第一数量、第二数量、第三数量以及不同差异信息的差异权重得到预测偏移区间值的步骤中,具体包括:
基于所述第一数量、每个第一差异信息的差异权重得到第一偏移子系数。本发明可以通过以下公式得到第一偏移子系数,
第一偏移子系数越大,则证明当前用户医学检测数据集合中相应的数据、信息越少,此时的预测偏移区间值会具有增大的趋势。
基于所述第二数量、每个第二差异信息的差异权重得到第二偏移子系数。
本发明可以通过以下公式得到第二偏移子系数,
第二偏移子系数越大,则证明当前用户属性数据集合中相应的数据、信息越少,此时的预测偏移区间值会具有增大的趋势。
基于所述第三数量、每个第三差异信息的差异权重得到第三偏移子系数。
本发明可以通过以下公式得到第三偏移子系数,
第三偏移子系数越大,则证明当前用户习惯数据集合中相应的数据、信息越少,此时的预测偏移区间值会具有增大的趋势。
根据所述第一偏移子系数、第二偏移子系数以及第三偏移子系数确定第一区间系数和第二区间系数,根据所述第一区间系数和第二区间系数生成预测偏移区间值;
通过以下公式计算第一区间系数和第二区间系数,
其中,Q1为第一区间系数,q1为第一区间权重,α1为第一差异系数值,S1为第一数量,Kg为第g个第一差异信息的差异权重,h为第一差异信息的上限值,α2为第二差异系数值,S2为第二数量,Ki为第i个第二差异信息的差异权重, j为第二差异信息的上限值,α3为第三差异系数值,S3为第三数量,Kl为第l个第三差异信息的差异权重,m为第三差异信息的上限值,Z为区间常数值,Q2为第二区间系数,q2为第二区间权重。本发明会为不同的差异信息设置不同的差异系数值,使得本发明在计算第一区间系数和第二区间系数可以具有一定的方向偏差。本发明可以在计算第一区间系数和第二区间系数时,设置不同的区间权重,使得本发明所得到的第一区间系数和第二区间系数所对应的数值并不是关于数值1对称的,使得所计算的区间更加具有倾向性、更加的准确。第一差异系数值α1、第二差异系数值α2以及第三差异系数值α3可以是用户、工作人员根据实际场景需要设置的。
步骤S150、将所述当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据,根据所述预测偏移区间值对所述初始预测数据进行偏移处理得到第一预测数据,根据所述第一预测数据得到相对应的健康管理数据发送至相应的用户端。本发明会将当前健康数据集合中的信息、数据输入至用户预测模型中得到初始预测数据,根据预测偏移区间值对该初始预测数据进行偏移处理得到第一预测数据。
本发明提供的技术方案,步骤S150具体包括:
所述用户预测模型为以下公式,
其中,Yα为第α个用户端的初始预测数据,Mα为第α个用户端的基准预测值,Ka为当前用户医学检测数据集合中第a个信息的权重值,为当前用户医学检测数据集合中第α个信息的当前量化值,为当前用户医学检测数据集合中第a个信息的预设量化值,Ga为当前用户医学检测数据集合中第a个信息的归一化值,b为当前用户医学检测数据集合中信息的上限值,A为第一预测常数值,Kc为当前用户属性数据集合中第c个信息的权重值,为当前用户属性数据集合中第c个信息的当前量化值,为当前用户属性数据集合中第c个信息的预设量化值,Gc为当前用户属性数据集合中第c个信息的归一化值,d为当前用户属性数据集合中信息的上限值,C为第二预测常数值,Ke为当前用户属性数据集合中第e个信息的权重值,为当前用户属性数据集合中第e个信息的当前量化值,为当前用户属性数据集合中第e个信息的预设量化值,Ge为当前用户属性数据集合中第e个信息的归一化值,e为当前用户属性数据集合中信息的上限值,E为第二预测常数值。
以及可以看作是输入参数,在上述中得到第一标准输入参数时,即可以将所对应输入参数作为第一标准输入参数。在上述中得到第二标准输入参数时,即可以将所对应输入参数作为第二标准输入参数。在将第三输入参数所对应的偏移计算单元删除时,可以理解为所对应第三输入参数的部分即为偏移计算单元,此时可以直接将该第e个信息所对应的偏移计算单元删除,其余偏移计算单元可以保留。
通过可以得到当前用户医学检测数据集合中所有信息的当前量化值与预设量化值之间的偏移关系,如果偏移越大,则证明骨折的风险越大。通过可以得到当前用户属性数据集合中所有信息的当前量化值与预设量化值之间的偏移关系,如果偏移越大,则证明骨折的风险越大。通过可以得到当前用户习惯数据集合中所有信息的当前量化值与预设量化值之间的偏移关系,如果偏移越大,则证明骨折的风险越大。初始预测数据可以是一个评价数值,数值越大,则骨折风险越大。
在第一种计算第一预测数据的实施方式中,通过以下公式得到第一预测数据,
其中,U1为第一预测数据中的最小值,Yπ第一预测正常值,U2为第一预测数据中的最大值,Qπ为第一区间正常值,第一预测数据中的最小值U1和第一预测数据中的最大值U2所形成的的区间构成第一预测数据。
在第二种计算第一预测数据的实施方式中,具体包括:
通过以下公式得到第一预测数据,
其中,U1为第一预测数据中的最小值,U2为第一预测数据中的最大值,第一预测数据中的最小值U1和第一预测数据中的最大值U2所形成的的区间构成第一预测数据。通过第一区间系数和第二区间系数可以分别对第一预测数据进行偏移化的处理,得到其可能出现的最大值和最小值,根据最大值和最小值得到最终的第一预测数据。
本发明会根据第一预测数据确定健康管理数据,本发明会将第一预测数据与预设标准数据比对,如果第一预测数据大于预设标准数据,则证明此时存在骨折风险,所以此时输出相应的健康管理数据,健康管理数据可以是建议多运动、建议多食用蛋白质、高钙类产品,例如跑步、鸡蛋、牛奶等等。
为了实现本发明提供的一种骨折风险检测数据的处理方法,本发明提还提供一种骨折风险检测数据的处理系统,服务端分别与多个用户端连接,服务侧在接收到用户输入的多维度的健康数据后,如图4所示,通过以下模块进行数据处理,具体包括:
分类模块,用于使服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合;
获取模块,用于获取基础预测模型以及基础预测模型分别对应的标准健康数据集合,所述标准健康数据集合包括标准用户医学检测数据集合、标准属性数据集合以及标准习惯数据集合;
比对模块,用于若所述当前健康数据集合与标准健康数据集合不对应,则将所述当前健康数据集合与标准健康数据集合比对得到差异健康数据集合;
调整模块,用于根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型,根据所述差异健康数据集合和基础预测模型得到预测偏移区间值;
偏移模块,用于将所述当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据,根据所述预测偏移区间值对所述初始预测数据进行偏移处理得到第一预测数据,根据所述第一预测数据得到相对应的健康管理数据发送至相应的用户端。
本发明还提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在存储介质中。设备的至少一个处理器可以从存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称: ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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技术方案的范围。
Claims (10)
1.一种骨折风险检测数据的处理方法,其特征在于,服务端分别与多个用户端连接,服务侧在接收到用户输入的多维度的健康数据后,通过以下步骤进行数据处理,具体包括:
服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合;
获取基础预测模型以及基础预测模型分别对应的标准健康数据集合,所述标准健康数据集合包括标准用户医学检测数据集合、标准属性数据集合以及标准习惯数据集合;
若所述当前健康数据集合与标准健康数据集合不对应,则将所述当前健康数据集合与标准健康数据集合比对得到差异健康数据集合;
根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型,根据所述差异健康数据集合和基础预测模型得到预测偏移区间值;
将所述当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据,根据所述预测偏移区间值对所述初始预测数据进行偏移处理得到第一预测数据,根据所述第一预测数据得到相对应的健康管理数据发送至相应的用户端。
2.根据权利要求1所述的骨折风险检测数据的处理方法,其特征在于,
在服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合的步骤中,具体包括:
服务端预先设置多个分别与当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合对应的筛选标签,所述筛选标签包括医学检测标签、用户属性标签以及用户习惯标签;
服务端在接收到当前健康数据集合后,根据筛选标签对当前健康数据集合内的数据进行筛选得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合。
3.根据权利要求2所述的骨折风险检测数据的处理方法,其特征在于,
在若所述当前健康数据集合与标准健康数据集合不对应,则将所述当前健康数据集合与标准健康数据集合比对得到差异健康数据集合的步骤中,具体包括:
获取当前健康数据集合中所具有数据所对应的筛选标签的数量,得到当前标签数量;
将所述当前标签数量与标准健康数据集合的标准标签数量比对,若所述当前标签数量与标准标签数量不相同,则判断当前健康数据集合与标准健康数据集合不对应;
确定当前健康数据集合与标准健康数据集合不对应的筛选标签作为差异标签,统计差异标签所对应的数据得到差异健康数据集合,所述差异健康数据集合至少包括差异医学检测数据集合、差异属性数据集合以及差异习惯数据集合中的任意一个;
所述差异医学检测数据集合包括骨扫描信息、骨CT信息、骨代谢信息、BTS评分信息、肿瘤细胞分型信息、骨转移部位信息中的至少一个;
所述差异属性数据集合包括年龄信息、性别信息、体重信息、身高信息中的至少一个;
所述差异习惯数据集合包括骨结构不良改善药物使用频率信息、饮酒信息、吸烟信息、睡眠信息、饮食信息、运动信息中的至少一个。
4.根据权利要求1所述的骨折风险检测数据的处理方法,其特征在于,
在根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型的步骤中,具体包括:
若判断差异健康数据集合中存在差异医学检测数据集合,则获取差异医学检测数据集合中的第一差异信息;
根据所述第一差异信息选定基础预测模型中相应的第一输入参数;
根据当前用户属性数据集合中的用户属性信息确定与所述第一输入参数所对应的第一标准输入参数。
5.根据权利要求4所述的骨折风险检测数据的处理方法,其特征在于,
在根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型的步骤中,具体包括:
若判断差异健康数据集合中存在差异属性数据集合,则获取差异属性数据集合中的第二差异信息;
根据所述第二差异信息选定基础预测模型中相应的第二输入参数;
根据当前用户属性数据集合中已存在的用户属性信息确定与所述第二输入参数所对应的第二标准输入参数。
6.根据权利要求5所述的骨折风险检测数据的处理方法,其特征在于,
在根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型的步骤中,具体包括:
若判断差异健康数据集合中存在差异习惯数据集合,则获取差异习惯数据集合中的第三差异信息;
根据所述第三差异信息选定基础预测模型中相应的第三输入参数;
若判断所述第三输入参数为基础预测模型中模型预测的偏移计算单元,则将所述第三输入参数所对应的偏移计算单元删除。
7.根据权利要求6所述的骨折风险检测数据的处理方法,其特征在于,
在根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型,根据所述差异健康数据集合和基础预测模型得到预测偏移区间值的步骤中,具体包括:
获取所述第一差异信息的第一数量、第二差异信息的第二数量以及第三差异信息的第三数量;
将每个第一差异信息、第二差异信息以及第三差异信息在基础预测模型中分别对应的标准权重作为差异权重;
根据所述第一数量、第二数量、第三数量以及不同差异信息的差异权重得到预测偏移区间值。
8.据权利要求7所述的骨折风险检测数据的处理方法,其特征在于,
在将所述当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据的步骤中,具体包括:
所述用户预测模型为以下公式,
其中,Yα为第α个用户端的初始预测数据,Mα为第α个用户端的基准预测值,Ka为当前用户医学检测数据集合中第a个信息的权重值,为当前用户医学检测数据集合中第a个信息的当前量化值,为当前用户医学检测数据集合中第a个信息的预设量化值,Ga为当前用户医学检测数据集合中第a个信息的归一化值,b为当前用户医学检测数据集合中信息的上限值,A为第一预测常数值,
Kc为当前用户属性数据集合中第c个信息的权重值,为当前用户属性数据集合中第c个信息的当前量化值,为当前用户属性数据集合中第c个信息的预设量化值,Gc为当前用户属性数据集合中第c个信息的归一化值,d为当前用户属性数据集合中信息的上限值,C为第二预测常数值,
9.据权利要求8所述的骨折风险检测数据的处理方法,其特征在于,
在根据所述第一数量、第二数量、第三数量以及不同差异信息的差异权重得到预测偏移区间值的步骤中,具体包括:
基于所述第一数量、每个第一差异信息的差异权重得到第一偏移子系数;
基于所述第二数量、每个第二差异信息的差异权重得到第二偏移子系数;
基于所述第三数量、每个第三差异信息的差异权重得到第三偏移子系数;
根据所述第一偏移子系数、第二偏移子系数以及第三偏移子系数确定第一区间系数和第二区间系数,根据所述第一区间系数和第二区间系数生成预测偏移区间值;
通过以下公式计算第一区间系数和第二区间系数,
其中,Q1为第一区间系数,q1为第一区间权重,α1为第一差异系数值,S1为第一数量,Kg为第g个第一差异信息的差异权重,h为第一差异信息的上限值,α2为第二差异系数值,S2为第二数量,Ki为第i个第二差异信息的差异权重,j为第二差异信息的上限值,α3为第三差异系数值,S3为第三数量,Kl为第l个第三差异信息的差异权重,m为第三差异信息的上限值,Z为区间常数值,Q2为第二区间系数,q2为第二区间权重;
在根据所述预测偏移区间值对用户预测模型所输出的预测数据进行偏移处理得到第一预测数据的步骤中,具体包括:
通过以下公式得到第一预测数据,
其中,U1为第一预测数据中的最小值,U2为第一预测数据中的最大值,第一预测数据中的最小值U1和第一预测数据中的最大值U2所形成的的区间构成第一预测数据。
10.一种骨折风险检测数据的处理系统,其特征在于,服务端分别与多个用户端连接,服务侧在接收到用户输入的多维度的健康数据后,通过以下模块进行数据处理,具体包括:
分类模块,用于使服务端对接收到的多维度的当前健康数据集合进行分类,得到当前用户医学检测数据集合、当前用户属性数据集合以及当前用户习惯数据集合;
获取模块,用于获取基础预测模型以及基础预测模型分别对应的标准健康数据集合,所述标准健康数据集合包括标准用户医学检测数据集合、标准属性数据集合以及标准习惯数据集合;
比对模块,用于若所述当前健康数据集合与标准健康数据集合不对应,则将所述当前健康数据集合与标准健康数据集合比对得到差异健康数据集合;
调整模块,用于根据所述差异健康数据集合对基础预测模型进行调整得到用户预测模型,根据所述差异健康数据集合和基础预测模型得到预测偏移区间值;
偏移模块,用于将所述当前健康数据集合中的数据输入至所述用户预测模型中得到初始预测数据,根据所述预测偏移区间值对所述初始预测数据进行偏移处理得到第一预测数据,根据所述第一预测数据得到相对应的健康管理数据发送至相应的用户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429183.3A CN114974580B (zh) | 2022-04-22 | 2022-04-22 | 骨折风险检测数据的处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429183.3A CN114974580B (zh) | 2022-04-22 | 2022-04-22 | 骨折风险检测数据的处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114974580A true CN114974580A (zh) | 2022-08-30 |
CN114974580B CN114974580B (zh) | 2023-05-23 |
Family
ID=82978508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210429183.3A Active CN114974580B (zh) | 2022-04-22 | 2022-04-22 | 骨折风险检测数据的处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114974580B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273666A (zh) * | 2017-05-26 | 2017-10-20 | 武汉大学 | 一种人体健康数据综合分析系统 |
CN109256212A (zh) * | 2018-08-17 | 2019-01-22 | 上海米因医疗器械科技有限公司 | 骨健康评估模型构建方法、装置、设备、介质及评估方法 |
CN110491479A (zh) * | 2019-07-16 | 2019-11-22 | 北京邮电大学 | 一种基于神经网络的骨质状态评估模型的构建方法 |
US20200104380A1 (en) * | 2018-09-28 | 2020-04-02 | International Business Machines Corporation | Post hoc bias compensation |
CN111968746A (zh) * | 2020-07-21 | 2020-11-20 | 华中科技大学协和深圳医院 | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 |
CN113113140A (zh) * | 2021-04-02 | 2021-07-13 | 中山大学 | 基于自监督dnn的糖尿病预警方法、系统、设备及存储介质 |
CN113360644A (zh) * | 2021-05-27 | 2021-09-07 | 中国平安人寿保险股份有限公司 | 文本模型再训练的方法、装置、设备及存储介质 |
-
2022
- 2022-04-22 CN CN202210429183.3A patent/CN114974580B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273666A (zh) * | 2017-05-26 | 2017-10-20 | 武汉大学 | 一种人体健康数据综合分析系统 |
CN109256212A (zh) * | 2018-08-17 | 2019-01-22 | 上海米因医疗器械科技有限公司 | 骨健康评估模型构建方法、装置、设备、介质及评估方法 |
US20200104380A1 (en) * | 2018-09-28 | 2020-04-02 | International Business Machines Corporation | Post hoc bias compensation |
CN110491479A (zh) * | 2019-07-16 | 2019-11-22 | 北京邮电大学 | 一种基于神经网络的骨质状态评估模型的构建方法 |
CN111968746A (zh) * | 2020-07-21 | 2020-11-20 | 华中科技大学协和深圳医院 | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 |
CN113113140A (zh) * | 2021-04-02 | 2021-07-13 | 中山大学 | 基于自监督dnn的糖尿病预警方法、系统、设备及存储介质 |
CN113360644A (zh) * | 2021-05-27 | 2021-09-07 | 中国平安人寿保险股份有限公司 | 文本模型再训练的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114974580B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11810037B2 (en) | Automatic patient recruitment system and methods for use therewith | |
US10950335B2 (en) | Health tracking device | |
CN107658001B (zh) | 一种家庭用油健康管理方法和系统 | |
CN109255721B (zh) | 基于费用预测的保险推荐方法、设备、服务器及可读介质 | |
CN112528009A (zh) | 生成用户慢病调理方案的方法、装置及计算机可读介质 | |
CN114023418A (zh) | 胰岛素推荐方法和装置、监控血糖水平的系统 | |
WO2020091053A1 (ja) | 健康ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
KR20190063954A (ko) | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 | |
Hannan et al. | A comparison among the abilities of various injury severity measures to predict mortality with and without accompanying physiologic information | |
CN114300075A (zh) | 一种基于大数据的运动医疗健康数据管理系统 | |
CN117577267A (zh) | 一种肝癌消融护理质量评价方法及系统 | |
TWI668664B (zh) | Method for dynamically analyzing blood sugar level, system thereof and computer program product | |
CN114974580B (zh) | 骨折风险检测数据的处理方法及系统 | |
CN110689946B (zh) | 一种基于图像识别技术确定用户饮食结构的健康饮食干预系统及干预方法 | |
CN112233816A (zh) | 健康监测方法、装置及计算机可读介质 | |
KR20170143298A (ko) | 그룹 기반의 당뇨 정보 공유 지원 장치 및 방법 | |
CN114388089A (zh) | 一种基于人工智能的个人健康管理方法及系统 | |
KR102426924B1 (ko) | 생체 임피던스 측정장치를 이용한 건강 관리시스템 및 건강 관리 장치 | |
Juan et al. | A classifier fusion approach to osteoporosis prediction for women in Taiwan | |
US20190051212A1 (en) | Method and system for suggesting nutrient intake | |
CN117542535B (zh) | 一种临床路径校正方法及其装置 | |
WO2019063762A1 (en) | SYSTEMS AND METHODS FOR AIDING NUTRITION | |
CN114722977B (zh) | 一种医疗对象分类方法、装置、电子设备及存储介质 | |
EP4138090A1 (en) | Personalized healthcare system and operation method thereof | |
Maldaner et al. | Standardizing Physical Activity Monitoring in Patients With Degenerative Lumbar Disorders |
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 |