CN115527673A - 一种基于大数据的心理健康风险筛查系统及其方法 - Google Patents

一种基于大数据的心理健康风险筛查系统及其方法 Download PDF

Info

Publication number
CN115527673A
CN115527673A CN202211138833.5A CN202211138833A CN115527673A CN 115527673 A CN115527673 A CN 115527673A CN 202211138833 A CN202211138833 A CN 202211138833A CN 115527673 A CN115527673 A CN 115527673A
Authority
CN
China
Prior art keywords
model
scale
classification
screening
module
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
CN202211138833.5A
Other languages
English (en)
Inventor
陈超
宋彪
韩泽文
王哲
张瑞环
许鸿蕾
罗祎斐
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.)
Inner Mongolia Weishu Data Technology Co ltd
Original Assignee
Inner Mongolia Weishu Data 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 Inner Mongolia Weishu Data Technology Co ltd filed Critical Inner Mongolia Weishu Data Technology Co ltd
Priority to CN202211138833.5A priority Critical patent/CN115527673A/zh
Publication of CN115527673A publication Critical patent/CN115527673A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于大数据的心理健康风险筛查系统及其方法，系统包括：数据采集模块、模型构建模块、智能初筛模型、量表复筛模块、分类推荐模块和结果可视化模块；方法包括：获取相关大数据；构建并训练模型，并进行模型参数的调优和模型的验证评估；获取智能初筛结果；向智能初筛结果阳性人群提供自评量表及测试环境并进一步进行风险分类，得到量表复筛结果；针对量表复筛结果最终阳性人群进行进一步疾病分类作为智能分类结果，并向最终阳性人群推荐不同的临床专业自评量表并提供测试环境；获取并整合结果，汇总所有最终阳性人群的评价结果并进行显示；本发明通过对常规检验大数据建模实现心理健康风险筛查，提高筛查效率。

Description

一种基于大数据的心理健康风险筛查系统及其方法
技术领域
本发明涉及大数据分析技术领域，更具体的说是涉及一种基于大数据的心理健康风险筛查系统及其方法。
背景技术
《“健康中国2030”规划纲要》指出，健康是促进人的全面发展的必然要求，也是经济社会发展的基础条件。然而心理障碍评估的准确性和干预的有效性一直是心理健康领域的重大挑战，这很大程度上是由于缺乏科学的预测工具。
在现有技术中，心理障碍评估主观性强和精确性低一直是困扰研究者的重要问题之一。
因此，如何提供一种客观快速的基于大数据的心理健康风险筛查系统及其方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种客观快速的基于大数据的心理健康风险筛查系统及其方法。
为了实现上述目的，本发明采用如下技术方案：
一种基于大数据的心理健康风险筛查系统，包括：数据采集模块、模型构建模块、智能初筛模型、量表复筛模块、分类推荐模块和结果可视化模块；
所述数据采集模块，用于获取医院相关常规检验数据；
所述模型构建模块，用于构建并训练模型，并进行模型参数的调优和模型的验证评估；
所述智能初筛模型，用于在完成训练后对待筛样本进行风险分类，获取智能初筛结果，所述智能初筛结果包括阳性和阴性，并将阳性分类结果分别发送至所述量表复筛模块和所述结果可视化模块；
所述量表复筛模块，用于调取自评量表，向所述智能初筛模型筛选出的阳性人群提供测试环境，接收并保存测试内容，根据所述自评量表所对应的评定规则对被测人群进一步进行风险分类，得到最终阳性人群作为量表复筛结果，并将最终阳性人群分别发送至所述分类推荐模块和所述结果可视化模块；
所述分类推荐模块包括量表推荐单元和分类预测模型；
所述量表推荐单元用于根据精神疾病种类对最终阳性人群进行进一步分类，并针对不同的分类结果向最终阳性人群推荐不同的临床专业自评量表并提供测试环境，接收并保存测试内容，并将测试结果发送至所述结果可视化模块；
所述分类预测模型，用于针对无法通过所述量表推荐单元进行疾病分类的被测人群进行自动分类预测及量表推荐，并将分类及推送结果发送至所述量表推荐单元来完成测试；
所述结果可视化模块，用于整合智能初筛结果、量表复筛结果、智能分类结果，汇总所有最终阳性人群的评价结果并进行显示。
优选的，所述模型构建模块包括初筛模型构建单元，用于采用深度神经网络进行二分类建模，并对所述智能初筛模型进行参数调优，其中具体参数调优内容包括：神经元数量，选择范围为128-1024；隐藏层数量为2-6层；激活函数的选择；dropout层的设置及损失比例的设置，选择范围为0.1-0.5，间隔为0.1；损失函数的选取；优化算法选择；模型训练轮数，选择范围为50-200间隔50；每批训练的数量，范围选择为128-1024；
所述初筛模型构建单元还用于模型验证，采用多实验多模型的方式，通过1次以上的实验，每次实验优选出至少2个模型，根据验证集AUC值最优进行评估及模型选取。
优选的，所述模型构建模块还包括分类预测模型构建单元，所述分类预测模型构建单元采用深度神经网络多分类模型，用于对所述量表复筛模块进行参数调优，其中具体参数包括：神经元数量，选择范围为128-512；隐藏层数量2-4层；激活函数的选择；dropout层的设置及损失比例的设置，范围为0.1-0.3间隔为0.1；损失函数的选取；优化算法选择；模型训练轮数，选择范围为50-200间隔50；每批训练的数量，范围选择为128-1024；
所述分类预测模型构建单元还用于模型验证，采用多实验多模型的方式，通过1次以上的实验，每次实验优选出至少2个模型，根据验证集AUC值最优进行评估及模型选取。
优选的，所述量表复筛模块调取的自评量表为SCL-90量表，根据评分获取风险等级。
优选的，还包括数据处理模块，用于对所述数据采集模块所获取到的数据进行处理，其中包括异常数据处理、新生儿婴幼儿数据剔除、数据单位量纲统一、数据标准化和数据集划分。
一种基于大数据的心理健康风险筛查方法，包括以下步骤：
S1.获取医院相关科室接诊人员相关大数据；
S2.构建并训练模型，并进行模型参数的调优和模型的验证评估；
S3.通过完成训练后的智能初筛模型对待筛样本进行风险分类，获取智能初筛结果，所述智能初筛结果包括阳性和阴性；
S4.调取自评量表，向S2中筛选出的阳性人群提供测试环境，接收并保存测试内容，根据所述自评量表所对应的评定规则对被测人群进一步进行风险分类，得到最终阳性人群作为量表复筛结果；
S5.根据精神疾病种类对最终阳性人群进行进一步分类，并针对不同的分类结果向最终阳性人群推荐不同的临床专业自评量表并提供测试环境，接收并保存测试内容；针对无法通过所述临床专业自评量表进行疾病分类的被测人群进行自动分类预测得到自动分类结果及量表推荐，被测人群根据所推荐的链表完成测试；
S6.获取并整合智能初筛结果、量表复筛结果、智能分类结果，汇总所有最终阳性人群的评价结果并进行显示。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于大数据的心理健康风险筛查系统及其方法，通过对常规检验大数据建模实现心理健康风险筛查，推动精神类疾病的主观评判向客观识别的发展，降低心理健康高危人群筛查成本，提高筛查效率，一定程度缓解心理健康服务资源分布不均的问题，优化服务质量和工作模式。
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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例一提供的一种基于大数据的心理健康风险筛查系统的结构示意图；
图2为本发明实施例一提供的一种基于大数据的心理健康风险筛查方法的流程示意图；
图3为本发明实施例二提供的网络结构及变量符号示意图。
具体实施方式
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。
实施例一：
本发明实施例公开了一种基于大数据的心理健康风险筛查系统，如图1所示，包括：数据采集模块、模型构建模块、智能初筛模型、量表复筛模块、分类推荐模块和结果可视化模块；
数据采集模块，用于获取医院相关常规检验数据；
模型构建模块，用于构建并训练模型，并进行模型参数的调优和模型的验证评估；
智能初筛模型，用于在完成训练后对待筛样本进行风险分类，获取智能初筛结果，智能初筛结果包括阳性和阴性，并将阳性分类结果分别发送至量表复筛模块和结果可视化模块；
量表复筛模块，用于调取自评量表，向智能初筛模型筛选出的阳性人群提供测试环境，接收并保存测试内容，根据自评量表所对应的评定规则对被测人群进一步进行风险分类，得到最终阳性人群作为量表复筛结果，并将最终阳性人群分别发送至分类推荐模块和结果可视化模块；
分类推荐模块包括量表推荐单元和分类预测模型；
量表推荐单元用于根据精神疾病种类对最终阳性人群进行进一步分类，并针对不同的分类结果向最终阳性人群推荐不同的临床专业自评量表并提供测试环境，接收并保存测试内容，并将测试结果发送至结果可视化模块；
分类预测模型，用于针对无法通过量表推荐单元进行疾病分类的被测人群进行自动分类预测及量表推荐，并将分类及推送结果发送至量表推荐单元来完成测试；
结果可视化模块，用于整合智能初筛结果、量表复筛结果、智能分类结果，汇总所有最终阳性人群的评价结果并进行显示。
在本实施例中，数据采集模块获取获取医院lis系统中精卫科住院患者血常规项目指标数据及医院中健康体检血常规项目指标数据。本实施例优选的采用专业的精神疾病专科医院，医院级别为三甲，其中选取精卫科住院患者血常规项目检验数据，并优选住院患者数据的首条血常规检验数据，其中涵盖多种精神类疾病，包括精神分裂、抑郁、焦虑、双相情感障碍、其他精神障碍、器质性精神病、神经症性障碍、躁狂、幻觉、阿尔兹海默症等其他躯体形式障碍，并同时获取医院中健康体检数据作为对照数据。
模型构建模块，使用开源深度学习模型构建框架tensorflow，深度神经网络架构共分为3层，包括输入层、隐藏层、输出层。输入层采用常规检验数据进行输出，隐藏层采取多层方式进行构建、输出层，输出模型预测结果，
为了进一步实施上述技术方案，模型构建模块包括初筛模型构建单元，用于采用深度神经网络进行二分类建模，并对智能初筛模型进行参数调优，其中具体参数调优内容包括：神经元数量，选择范围为128-1024；隐藏层数量为2-6层；激活函数的选择；dropout层的设置及损失比例的设置，选择范围为0.1-0.5间隔为0.1；损失函数的选取；优化算法选择；模型训练轮数，选择范围为50-200间隔50；每批训练的数量，范围选择为128-1024；
初筛模型构建单元还用于模型验证，采用多实验多模型的方式，通过1次以上的实验，每次实验优选出至少2个模型，根据验证集AUC值最优进行评估及模型选取。
在本实施例中，初筛模型构建单元采用深度神经网络进行二分类建模主要为了进行心理健康风险识别，激活函数为relu，对于分类问题效果较好；防止模型过拟合的dropout层，参数为rate，即损失比例，范围为0.1-0.5间隔为0.1；损失函数选取为对二分类效果较好binary_crossentropy；优化算法选择adam优化器；batch_size,即每批训练的数量，神经网络在模型训练中数据按照批次进行迭代训练，范围选择为128-1024(128,256,512,1024)，模型验证优选地采用多实验多模型的方式，采用10次实验每次实验优选出2个模型，其中，模型每次实验前后重新进行训练集测试集的重新划分，10次实验会有10次不同的训练和测试集，用来验证模型的稳定性，每次实验会产生两个最优模型，用来验证算法对同一批数据的学习能力。
为了进一步实施上述技术方案，模型构建模块还包括分类预测模型构建单元，分类预测模型构建单元采用深度神经网络多分类模型，用于对量表复筛模块进行参数调优，其中具体参数包括：神经元数量，选择范围为128-512；隐藏层数量2-4层；激活函数的选择；dropout层的设置及损失比例的设置，范围为0.1-0.3间隔为0.1；损失函数的选取；优化算法选择；模型训练轮数，选择范围为50-200间隔50；每批训练的数量，范围选择为128-1024；
分类预测模型构建单元还用于模型验证，采用多实验多模型的方式，通过1次以上的实验，每次实验优选出至少2个模型，根据验证集AUC值最优进行评估及模型选取。
在本实施例中，分类预测模型构建单元采用深度神经网络多分类模型，目标是为了区分抑郁、焦虑、精神分裂、双相情感障碍及其他精神疾病，激活函数为relu，防止模型过拟合的dropout层，参数为rate，即损失比例，范围为0.1-0.3间隔为0.1；损失函数选取适用于多分类模型的crossentropy；优化算法选择adam优化器；epochs，选择范围从50-200间隔50；batch_size，选择128-1024(128,256,512,1024)，所述模型验证同样采用10次实验每次实验优选出2个模型。
为了进一步实施上述技术方案，量表复筛模块调取的自评量表为SCL-90量表，根据评分获取风险等级。
在本实施例中，采用SCL-90量表进行评估，该量表涉及内容广泛，可同时评估多种心理健康常见精神疾病，包含有较广泛的精神病症状学内容，从感觉、情绪、思维、行为直至生活习惯、人际关系、饮食睡眠等均有所涉及，量表使用简单，该量表属于自评量表，不需要医生及专业医师干预，题目简单易答，且题目本身的设置合理，被试者容易接受认可，能准确刻画被试的自觉症状等特点，量表信息量大，该量表涉及十个维度的内容，对后续继续进行进一步诊断具有重要意义。
本实施例中量表测试评估方法为采取1～5分制；评分时从10个维度中选取5个做为评判依据：抑郁、精神病性、焦虑、偏执、敌对。并根据总分及各因子组合给出评定规则：
当总分超过160分，判定为有风险对象，进一步以下判断2)～5)；
抑郁偏高：平均分>＝4，判定为高风险；
精神病性偏高：平均分>＝3，判定为高风险；
焦虑+抑郁：焦虑因子平均分>＝4且抑郁因子均分>＝3，判定为高风险；
偏执+敌对+精神病性：精神病性、偏执、敌对因子平均分同时>＝3，判定为高风险。
基于以上规则进行量表复筛后为阳性的人群，定为本实施系统中的心理健康高风险群体。
在本实施例中，针对阳性人群进行进一步精神类疾病分类，具体分类为抑郁、焦虑、双相情感障碍、精神分裂、其他精神疾病，通过分类结果为阳性群体推荐合适的临床专业自评量表，临床专业自评量表包括：
抑郁症采用汉密尔顿抑郁量表(SDS)，焦虑症采用焦虑量表(SAS)，双相情感障碍采用躁狂量表(BRMS)，精神分裂症采用简明精神病量表(BPRS)。
本实施例优选地采用如下规则进行分类，抑郁因子，平均分>＝4，分类为抑郁并推荐汉密尔顿抑郁量表(SDS)进行继续测评，焦虑因子，平均分>＝4，分类为焦虑并推荐采用焦虑量表(SAS)进行继续测评，偏执+敌对+精神病性因子，平均分同时>＝3,分类为精神分裂症并推荐采用简明精神病量表(BPRS)，分类预测模型，具体针对SCL-90量表无法进行分类推荐的样本进行分类预测及量表推荐，获取需要进行分类的血常规检验数据利用智能分类模型进行预测，分类模型会给出最终分类结果，并根据分类结果推荐对应的临床专业量表。
为了进一步实施上述技术方案，还包括数据处理模块，用于对数据采集模块所获取到的数据进行处理，其中包括异常数据处理、新生儿婴幼儿数据剔除、数据单位量纲统一、数据标准化和数据集划分。
在本实施例中，异常值处理具体为将数据采集层获取到的数据进行进一步质量控制，剔除数据中的谎谬值、特殊字符等，本实施例中优选地对lis数据按照10-90岁的年龄范围进行筛选，原因在于新生儿血常规检验数据与正常参考范围不同影响模型训练，而且10岁以下人存在心理健康疾病的人群较少，所以不在本实施例数据选取范围中，年龄最高限度为90是基于本实施例中医院心理健康患者数据分布本身所定，90岁以上患者为极少数，所以选取90为上限，数据单位量纲统一，由于不同仪器试剂下的检验结果导致血常规检验指标一些项目单位不同，需要进行单位转换统一，数据标准化，本实施例优选地采用正态标准化对数据进行统一的标准化，数据集划分训练集、测试集、验证集采用6:2:2的比例进行划分。
一种基于大数据的心理健康风险筛查方法，如图2所示，包括以下步骤：
S1.获取医院相关科室接诊人员相关大数据；
S2.构建并训练模型，并进行模型参数的调优和模型的验证评估；
S3.通过完成训练后的智能初筛模型对待筛样本进行风险分类，获取智能初筛结果，智能初筛结果包括阳性和阴性；
S4.调取自评量表，向S2中筛选出的阳性人群提供测试环境，接收并保存测试内容，根据自评量表所对应的评定规则对被测人群进一步进行风险分类，得到最终阳性人群作为量表复筛结果；
S5.根据精神疾病种类对最终阳性人群进行进一步分类，并针对不同的分类结果向最终阳性人群推荐不同的临床专业自评量表并提供测试环境，接收并保存测试内容；针对无法通过临床专业自评量表进行疾病分类的被测人群进行自动分类预测得到自动分类结果及量表推荐，被测人群根据所推荐的链表完成测试；
S6.获取并整合智能初筛结果、量表复筛结果、智能分类结果，汇总所有最终阳性人群的评价结果并进行显示。
实施例二：
模型构建模块还可以采用keras顺序模型构建深度神经网络又可称为多层感知网络(MLP)构建模型。网络主要分为三个部分输入层、隐藏层、输出层。具体的构建模型的过程包括：
训练过程：给定训练集D＝{(x1,y1),(x2,y2),.....,(x3,y3)},Xi∈Rd，yi∈Rl即输入由d个属性描述，输出l维实值向量。参考图3所示，图中有d个输入神经元、l个输出神经元、q个隐层神经元的多层前馈网络结构，其中输出层第j个神经元的阈值用θj表示，隐层第h个神经元的阈值用γh表示，输入层第i个神经元与隐层第h个神经元之间的连接权为ωhj。
记隐层第h个神经元接收到的输入为
Figure BDA0003852542580000101
输出层第j个神经元接收到的输入为
Figure BDA0003852542580000102
其中bh为隐层第h个神经元的输出。对训练例(xk，yk)假定神经网络的输出为
Figure BDA0003852542580000111
即
Figure BDA0003852542580000112
则网络在(xk，yk)上的均方误差为
Figure BDA0003852542580000113
图3中的网络有(d+l+1)q+l个参数需确定，输入层到隐层的d×q个权值、隐层到输出层的q×l个权值、q个隐层神经元的阈值、l个输出层神经元的阈值。本实施例中所用多层感知网络运用迭代学习算法，在迭代的每一轮中采用广义的感知机学习规则对参数进行更新估计，任意参数υ的更新估计式为υ←υ+Δυ。本算法基于梯度下降策略对模型参数进行调整，以目标的负梯度方向对参数进行调整，则对误差Ek，给定学习率η，有
Figure BDA0003852542580000114
学习率η∈(0,1)控制着算法每一轮迭代中的更新步长，太大则容易振荡，太小则收敛速度又会变慢。算法的最终目标是要最小化训练集D上的累计误差
Figure BDA0003852542580000115
参数调优：所述智能初筛模型其中具体参数调优内容包括：神经元数量，选择范围为128-1024；隐藏层数量为2-6层；隐藏层激活函数的选择为relu，输出层为sigmoid；dropout层的设置，具体选择范围为0.1-0.5间隔为0.1；损失函数选取为binary_crossentropy；优化算法选择adam；模型训练轮数，选择范围为50-200间隔50；每批训练的数量，范围选择为128-1024；
分类预测模型其中具体参数调优内容包括：神经元数量，选择范围为128-256；隐藏层数量为2-4层；激活函数的选择为relu，输出层为softmax；dropout层的设置，具体选择范围为0.1-0.5间隔为0.1；损失函数选取为categorical_crossentropy；优化算法选择adam；模型训练轮数，选择范围为50-200间隔50；每批训练的数量，范围选择为128-512；
模型验证：所述智能初筛模型和分类推荐模块均采用多实验多模型的方式，通过10次以上的实验，每次实验优选出至少2个模型，根据验证集AUC值最优进行评估及模型选取。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于大数据的心理健康风险筛查系统，其特征在于，包括：数据采集模块、模型构建模块、智能初筛模型、量表复筛模块、分类推荐模块和结果可视化模块；
所述数据采集模块，用于获取医院相关常规检验数据；
所述模型构建模块，用于构建并训练模型，并进行模型参数的调优和模型的验证评估；
所述智能初筛模型，用于在完成训练后对待筛样本进行风险分类，获取智能初筛结果，所述智能初筛结果包括阳性和阴性，并将阳性分类结果分别发送至所述量表复筛模块和所述结果可视化模块；
所述量表复筛模块，用于调取自评量表，向所述智能初筛模型筛选出的阳性人群提供测试环境，接收并保存测试内容，根据所述自评量表所对应的评定规则对被测人群进一步进行风险分类，得到最终阳性人群作为量表复筛结果，并将最终阳性人群分别发送至所述分类推荐模块和所述结果可视化模块；
所述分类推荐模块包括量表推荐单元和分类预测模型；
所述量表推荐单元用于根据精神疾病种类对最终阳性人群进行进一步分类，并针对不同的分类结果向最终阳性人群推荐不同的临床专业自评量表并提供测试环境，接收并保存测试内容，并将测试结果发送至所述结果可视化模块；
所述分类预测模型，用于针对无法通过所述量表推荐单元进行疾病分类的被测人群进行自动分类预测及量表推荐，并将分类及推送结果发送至所述量表推荐单元来完成测试；
所述结果可视化模块，用于整合智能初筛结果、量表复筛结果、智能分类结果，汇总所有最终阳性人群的评价结果并进行显示。
2.根据权利要求1所述的一种基于大数据的心理健康风险筛查系统，其特征在于，所述模型构建模块包括初筛模型构建单元，用于采用深度神经网络进行二分类建模，并对所述智能初筛模型进行参数调优，其中具体参数调优内容包括：神经元数量，选择范围为128-1024；隐藏层数量为2-6层；激活函数的选择；dropout层的设置及损失比例的设置，选择范围为0.1-0.5，间隔为0.1；损失函数的选取；优化算法选择；模型训练轮数，选择范围为50-200间隔50；每批训练的数量，范围选择为128-1024；
所述初筛模型构建单元还用于模型验证，采用多实验多模型的方式，通过1次以上的实验，每次实验优选出至少2个模型，根据验证集AUC值最优进行评估及模型选取。
3.根据权利要求1所述的一种基于大数据的心理健康风险筛查系统，其特征在于，所述模型构建模块还包括分类预测模型构建单元，所述分类预测模型构建单元采用深度神经网络多分类模型，用于对所述量表复筛模块进行参数调优，其中具体参数包括：神经元数量，选择范围为128-512；隐藏层数量2-4层；激活函数的选择；dropout层的设置及损失比例的设置，范围为0.1-0.3间隔为0.1；损失函数的选取；优化算法选择；模型训练轮数，选择范围为50-200间隔50；每批训练的数量，范围选择为128-1024；
所述分类预测模型构建单元还用于模型验证，采用多实验多模型的方式，通过1次以上的实验，每次实验优选出至少2个模型，根据验证集AUC值最优进行评估及模型选取。
4.根据权利要求1所述的一种基于大数据的心理健康风险筛查系统，其特征在于，所述量表复筛模块调取的自评量表为SCL-90量表，根据评分获取风险等级。
5.根据权利要求1所述的一种基于大数据的心理健康风险筛查系统，其特征在于，还包括数据处理模块，用于对所述数据采集模块所获取到的数据进行处理，其中包括异常数据处理、新生儿婴幼儿数据剔除、数据单位量纲统一、数据标准化和数据集划分。
6.一种基于大数据的心理健康风险筛查方法，其特征在于，包括以下步骤：
S1.获取医院相关科室接诊人员相关大数据；
S2.构建并训练模型，并进行模型参数的调优和模型的验证评估；
S3.通过完成训练后的智能初筛模型对待筛样本进行风险分类，获取智能初筛结果，所述智能初筛结果包括阳性和阴性；
S4.调取自评量表，向S2中筛选出的阳性人群提供测试环境，接收并保存测试内容，根据所述自评量表所对应的评定规则对被测人群进一步进行风险分类，得到最终阳性人群作为量表复筛结果；
S5.根据精神疾病种类对最终阳性人群进行进一步分类，并针对不同的分类结果向最终阳性人群推荐不同的临床专业自评量表并提供测试环境，接收并保存测试内容；针对无法通过所述临床专业自评量表进行疾病分类的被测人群进行自动分类预测得到自动分类结果及量表推荐，被测人群根据所推荐的链表完成测试；
S6.获取并整合智能初筛结果、量表复筛结果、智能分类结果，汇总所有最终阳性人群的评价结果并进行显示。
CN202211138833.5A 2022-09-19 2022-09-19 一种基于大数据的心理健康风险筛查系统及其方法 Pending CN115527673A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211138833.5A CN115527673A (zh) 2022-09-19 2022-09-19 一种基于大数据的心理健康风险筛查系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211138833.5A CN115527673A (zh) 2022-09-19 2022-09-19 一种基于大数据的心理健康风险筛查系统及其方法

Publications (1)

Publication Number Publication Date
CN115527673A true CN115527673A (zh) 2022-12-27

Family

ID=84696731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211138833.5A Pending CN115527673A (zh) 2022-09-19 2022-09-19 一种基于大数据的心理健康风险筛查系统及其方法

Country Status (1)

Country Link
CN (1) CN115527673A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884575A (zh) * 2023-07-10 2023-10-13 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种针对癌症患者心理健康评估系统的控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967804A (zh) * 2021-01-29 2021-06-15 西安新能技术有限公司 一种针对健康体检计算机自适应化心理健康筛查系统及其筛查方法
CN113517066A (zh) * 2020-08-03 2021-10-19 东南大学 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统
CN113611420A (zh) * 2021-08-11 2021-11-05 季凯 一种基于血液检查指标的疾病筛查方法和系统
US20210375468A1 (en) * 2020-05-27 2021-12-02 Cornell University Using Electronic Health Records and Machine Learning to Predict and Mitigate Postpartum Depression

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210375468A1 (en) * 2020-05-27 2021-12-02 Cornell University Using Electronic Health Records and Machine Learning to Predict and Mitigate Postpartum Depression
CN113517066A (zh) * 2020-08-03 2021-10-19 东南大学 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统
CN112967804A (zh) * 2021-01-29 2021-06-15 西安新能技术有限公司 一种针对健康体检计算机自适应化心理健康筛查系统及其筛查方法
CN113611420A (zh) * 2021-08-11 2021-11-05 季凯 一种基于血液检查指标的疾病筛查方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周娴 等: "综合式筛查模式用于赴美移民精神疾病监测情况分析", 中国国境卫生检疫杂志, vol. 37, no. 05, pages 325 - 327 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884575A (zh) * 2023-07-10 2023-10-13 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种针对癌症患者心理健康评估系统的控制方法及装置

Similar Documents

Publication Publication Date Title
Paul et al. Genetic algorithm based fuzzy decision support system for the diagnosis of heart disease
CN113517066B (zh) 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统
CN111091241A (zh) 一种基于bp神经网络的药品销量预测与决策方法及系统
CN111834010A (zh) 一种基于属性约简和XGBoost的COVID-19检测假阴性识别方法
García Balboa et al. Generalization-oriented road line classification by means of an artificial neural network
Doumpos et al. Preference disaggregation for multicriteria decision aiding: An overview and perspectives
CN115527673A (zh) 一种基于大数据的心理健康风险筛查系统及其方法
Fong et al. Applying a hybrid model of neural network and decision tree classifier for predicting university admission
CN116805533A (zh) 一种基于数据收集与模拟的脑出血手术风险预测系统
CN111834011A (zh) 一种面向长期养老照护的协同交互式服务推荐方法
CN114649075A (zh) 一种基于机器学习的抑郁症评级系统及方法
CN114219096A (zh) 一种机器学习算法模型的训练方法、装置及存储介质
Chattopadhyay et al. Fuzzy-logic-based screening and prediction of adult psychoses: A novel approach
CN115201394B (zh) 一种多组分变压器油色谱在线监测方法及相关装置
Mutegeki et al. Interpretable Machine Learning-Based Triage For Decision Support in Emergency Care
CN113743461B (zh) 无人机集群健康度评估方法及装置
Oteniya Bayesian belief networks for dementia diagnosis and other applications: a comparison of hand-crafting and construction using a novel data driven technique
Özmen et al. Interactive evolutionary approaches to multiobjective feature selection
CN113851221A (zh) 基于时序体测数据的动态健康评价方法及系统
Pedroto et al. Predicting age of onset in TTR-FAP patients with genealogical features
Yewale et al. An optimized XGBoost based classification model for effective analysis of heart disease prediction
Prabhashwaree et al. Towards machine learning approaches for predicting risk level of postpartum depression
Olofsson Using machine learning and Repeated Elastic Net Technique for identification of biomarkers of early Alzheimer's disease
Liew et al. Hierarchical parallel genetic optimization fuzzy ARTMAP ensemble
CN117079821B (zh) 一种患者住院事件预测方法

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