CN115527674A - 一种健康管理系统、方法及电子设备 - Google Patents

一种健康管理系统、方法及电子设备 Download PDF

Info

Publication number
CN115527674A
CN115527674A CN202211239259.2A CN202211239259A CN115527674A CN 115527674 A CN115527674 A CN 115527674A CN 202211239259 A CN202211239259 A CN 202211239259A CN 115527674 A CN115527674 A CN 115527674A
Authority
CN
China
Prior art keywords
data
health management
information
health
detection result
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
CN202211239259.2A
Other languages
English (en)
Inventor
张郁
刘俊麟
陈琦
胡志刚
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.)
Zhejiang Dipu Diagnosis Technology Co ltd
Original Assignee
Zhejiang Dipu Diagnosis 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 Zhejiang Dipu Diagnosis Technology Co ltd filed Critical Zhejiang Dipu Diagnosis Technology Co ltd
Priority to CN202211239259.2A priority Critical patent/CN115527674A/zh
Publication of CN115527674A publication Critical patent/CN115527674A/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
    • 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
    • G16B20/30—Detection of binding sites or motifs
    • 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
    • G16B20/40—Population genetics; Linkage disequilibrium
    • 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
    • G16B20/50—Mutagenesis

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biotechnology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Public Health (AREA)
  • Ecology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种健康管理系统、方法及电子设备，构建包括数据获取装置、数据管理装置、数据处理装置和数据输出装置的健康管理系统，充分分析健康管理对象的基因检测结果，从而可以基于健康管理对象的对象信息和基因检测结果对健康管理对象做出综合性的健康管理报告，以供后续针对健康管理对象给出针对设定疾病的预防方案等。

Description

一种健康管理系统、方法及电子设备
技术领域
本发明涉及医学信息处理领域，尤其涉及一种健康管理系统、方法及电子设备。
背景技术
血栓性疾病是复杂的多基因-环境因素疾病，血栓性疾病能够破坏血液凝血与抗凝平衡的因素均可导致血栓性疾病的发生。目前对于静脉血栓的预防，主要采用Caprini评估模型和Padua评估模型对个体进行VTE(Venous Thromboembolism，静脉血栓栓塞症)风险评估，评估的危险因素包括获得性因素和遗传因素。
发明内容
本发明实施例为了解决上述问题，提供一种健康监测系统、方法及电子设备。
根据本发明第一方面，提供了一种健康管理系统，所述系统包括：数据获取装置，用于获取健康管理对象的对象信息和基因检测结果；数据管理装置，用于通过所述数据获取装置获取并存储所述数据获取装置所获取的数据以及对所述基因检测结果进行处理的依据；数据处理装置，用于根据所述基因检测结果，分析所述健康管理对象的设定基因位点发生突变的突变类型和突变数量，所述设定基因位点为针对设定疾病确定的基因位点；数据输出装置，用于根据所述对象信息、所述突变类型和所述突变数量，生成所述健康管理对象的健康报告。
根据本发明一实施方式，所述数据获取装置，包括：第一数据传输模块，用于通过第一数据传输接口从核酸质谱检测仪器获取所述健康管理对象的核酸质谱检测下机数据；以及根据所述核酸质谱检测下机数据确定所述健康管理对象的基因型数据；检测结果处理模块，用于对所述基因型数据进行处理，得到至少包括样本信息、检测位点信息、检测结果信息的所述基因检测结果。
根据本发明一实施方式，所述数据获取装置，还包括：第二数据传输模块，用于通过第二数据传输接口从医院端获取所述对象信息。
根据本发明一实施方式，所述数据管理装置包括：用户管理模块，用于执行用户注册、权限管理和系统配置操作；对象管理模块，用于获取所述用户信息和关联因素信息；医务管理模块，用于获取与所述健康管理对象管理的相对应的医务信息；其中，所述对象信息包括所述健康管理对象的所述用户信息和与所述设定疾病关联的所述关联因素信息。
根据本发明一实施方式，所述数据管理装置还包括：样本管理模块，用于获取所述健康管理对象的样本信息；项目管理模块，用于获取针对所述样本信息进行检测的检测信息。
根据本发明一实施方式，所述基因检测结果至少包括针对与所述设定疾病相对应的设定基因位点的基因检测结果。
根据本发明一实施方式，所述数据管理装置包括：数据库模块，用于存储所述数据获取装置所获取的数据以及对所述基因检测结果进行处理的依据；其中，所述数据获取装置所获取的数据包括所述对象信息和所述基因检测结果；对所述基因检测结果进行处理的依据包括：与设定疾病关联的关联因素信息对所述设定疾病的影响因子、所述基因检测结果的检测数据与设定基因位点发生突变的突变类型的对应关系。
根据本发明一实施方式，所述数据输出装置包括：预测模块，用于根据所述对象信息、所述突变类型和所述突变数量，预测所述健康管理对象针对设定疾病的风险值；报告生成模块，用于生成所述健康管理对象的健康报告，所述健康报告包括所述风险值。
根据本发明第二方面，又提供了一种健康管理方法，所述方法包括：获取健康管理对象的对象信息和基因检测结果；根据所述基因检测结果以及预先存储的对所述基因检测结果进行处理的依据，分析所述健康管理对象的设定基因位点发生突变的突变类型和突变数量，所述设定基因位点为针对设定疾病确定的基因位点；根据所述对象信息、所述突变类型和所述突变数量，预测所述健康管理对象针对设定疾病的风险值；生成所述健康管理对象的健康报告，所述健康报告包括所述风险值。
根据本发明第三方面，又提供了一种电子设备，所述电子设备包括上述健康管理系统。
本发明实施例健康管理系统、方法及电子设备中，健康管理系统包括：数据获取装置，用于获取健康管理对象的对象信息和基因检测结果；数据管理装置，用于通过所述数据获取装置获取并存储所述数据获取装置所获取的数据以及对所述基因检测结果进行处理的依据；数据处理装置，用于根据所述基因检测结果，分析所述健康管理对象的设定基因位点发生突变的突变类型和突变数量，所述设定基因位点为针对设定疾病确定的基因位点；数据输出装置，根据所述对象信息、所述突变类型和所述突变数量，生成所述健康管理对象的健康报告。由此，通过构建健康管理系统，充分分析健康管理对象的基因检测结果，从而可以基于健康管理对象的对象信息和基因检测结果对健康管理对象做出综合性的健康管理报告，以供后续针对健康管理对象给出针对设定疾病的预防方案等。
需要理解的是，本发明的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本发明一实施例健康监测系统的组成结构示意图；
图2示出了本发明另一实施例健康监测系统的组成结构示意图；
图3示出了本发明实施例一具体应用示例中健康监测系统的组成结构示意图；
图4示出了本发明实施例健康监测方法的实现流程示意图；
图5示出了本发明实施例健康监测方法中易栓症基因检测分析的实现流程示意图；
图6示出了本发明实施例健康监测方法中基因分析处理的实现流程示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为使本发明更加透彻和完整，并能够将本发明的范围完整地传达给本领域的技术人员。
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
图1示出了本发明一实施例健康监测系统的组成结构示意图。
参考图1，本发明实施例健康监测系统10至少包括：数据获取装置11、数据管理装置12、数据处理装置13和数据输出装置14。其中数据获取装置11用于获取健康管理对象的对象信息和基因检测结果。数据管理装置12用于通过数据获取装置获取并存储数据获取装置所获取的数据以及对基因检测结果进行处理的依据。数据处理装置13用于根据基因检测结果，分析健康管理对象的设定基因位点发生突变的突变类型和突变数量，设定基因位点为针对设定疾病确定的基因位点。数据输出装置14用于根据对象信息、突变类型和突变数量，生成健康管理对象的健康报告。
举例说明，本发明这一实施例可以针对未确诊人群进行健康管理，健康管理所针对的设定疾病可以是血栓，也即将未确诊的人群作为健康管理对象。由此，健康管理对象可以包括体检人群、手术患者、处于妊娠期或产褥期、伴有肿瘤性疾病的人群以及具有血栓家族史的人群等。
图2示出了本发明另一实施例健康监测系统的组成结构示意图。
在本发明这一实施方式中，数据获取装置11包括第一数据传输模块111和检测结果处理模块112。其中，第一数据传输模块111用于通过第一数据传输接口从核酸质谱检测仪器获取健康管理对象的核酸质谱检测下机数据。检测结果处理模块112用于对核酸质谱检测下机数据进行处理，得到至少包括样本信息、检测位点信息、检测结果信息的基因检测结果。
在本发明这一实施方式中，数据获取装置11还包括第二数据传输模块113，第二数据传输模块113用于通过第二数据传输接口从医院端获取对象信息。
在本发明这一实施方式中，第一数据传输模块111和第二数据传输模块113可以是API(Application Programming Interface，应用程序编程接口)。
在本发明这一实施方式中，基因检测结果至少包括针对与设定疾病相对应的设定基因位点的基因检测结果。
检测结果处理模块112可以对第一数据传输模块111所获取的核酸质谱检测下机数据进行解析，从下机数据中解析核酸信息。解析前的文件包括峰高、信噪比等信息，解析后的文件包括健康管理对象的样本信息、检测位点信息、检测结果信息，得到至少包括样本信息、检测位点信息、检测结果信息的基因检测结果。
核酸质谱检测下机数据MALDI-TOF可以来源于基质辅助激光解吸电离飞行时间质谱(Matrix Assisted Laser Desorption/Ionization-Time of Flight,MALDI-TOF)等可获得基因检测结果的仪器，本发明以MALDI-TOF为例，易栓症基因检测结果的示例文件格式如下表1所示：
表1
Sample Id(样本Id) Call Assay Id(检测结果Id)
DP000000001 C rs146922325
DP000000001 AGAAG_AGAAGAAG rs199469469
DP000000001 G rs773327173
DP000000001 C rs757583846
DP000000001 A rs121918153
DP000000001 T rs199469503
DP000000001 TTTT rs1241365457
DP000000001 G rs5017717
DP000000001 T rs387906675
DP000000001 T rs121918474
DP000000001 G rs387906674
DP000000001 G rs121909562
DP000000001 G rs121909554
DP000000001 G rs121909551
DP000000001 C rs121909546
DP000000001 G rs121909547
DP000000001 G rs121909567
DP000000001 C rs6025
DP000000001 G rs201790842
DP000000001 T rs118203907
DP000000001 C rs121918486
DP000000001 G rs1799963
DP000000001 T rs761776963
DP000000001 A rs121918122
DP000000001 AC rs398122807
DP000000001 G rs1799762
DP000000001 G rs1801133
在本发明这一实施方式中，数据管理装置12包括：用户管理模块121、对象管理模块122和医务管理模块123。其中，用户管理模块121，用于执行用户注册、权限管理和系统配置操作。对象管理模块122，用于获取用户信息和关联因素信息。医务管理模块123，用于获取与健康管理对象管理的相对应的医务信息。对象信息可以包括健康管理对象的用户信息和与设定疾病关联的关联因素信息。
具体的，用户管理模块121具有用户注册、权限管理、系统配置、数据兼容等常规系统软件功能。
对象管理模块122，主要用于获取健康管理对象的一些个人信息，包括受检者的姓名、性别、年龄、医生、是否是静脉血栓患者以及静脉血栓栓塞症的获得性危险因素如是否做过手术、是否有VTE家族史、是否处于妊娠期或产后、是否卧床等与设定疾病相关的关联信息。
需要说明的是，本发明中对健康管理对象均需要做针对血栓相关基因的基因检测，因此，这里及下文所涉及的受检者即为健康管理对象。
医务管理模块123，主要用于获取医生的信息以及送检机构的信息等。其中，医生的信息可以包括医生姓名、性别、手机号、所属科室、所属送检机构等。送检机构的信息可以包括机构名称、机构的logo、机构签名等。
其中送检机构的信息也可以单独配置机构管理模块(图中未示出)等。
在本发明这一实施方式中，数据管理装置12还可以包括：样本管理模块124，用于获取健康管理对象的样本信息；项目管理模块125，用于获取针对样本信息进行检测的检测信息。
具体的，样本管理模块124可以获取受检者的样本信息可以包括样本条码号、样本类型、送检日期、收样日期、检测日期及所属机构等信息。其中，样本类型可以包括血液、口腔黏膜、唾液等可提取到患者DNA的样本。
项目管理模块125主要用于获取检测项目的项目相关的信息，包括项目条码号、项目名称、项目检测位点信息等。本发明中检测项目主要是指易栓症基因检测项目。
该项目中所涉及到的位点信息主要来源于(1)、ClinVar(https://www.ncbi.nlm.nih.gov/clinvar/)数据库中的致病突变(Pathogenic)，并且在提交数据库时有证据支持(criteria provided)；(2)、OMIM(https://www.omim.org/)数据库中与易栓症表型相关，有相对明确的遗传方式(如AD(常染色体显性遗传)/AR(常染色体隐性遗传))的基因位点；(3)、专家共识、指南或文献报道的中国人群的基因位点突变。具体的9个基因27个位点信息如下表2所示：
表2
Figure BDA0003884422860000081
在本发明这一实施方式中，数据管理装置12还包括数据库模块126。数据库模块126可以用于存储数据获取装置所获取的数据以及对基因检测结果进行处理的依据。其中，数据获取装置所获取的数据包括对象信息和基因检测结果；对基因检测结果进行处理的依据包括与设定疾病关联的关联因素信息对设定疾病的影响因子、基因检测结果的检测数据与设定基因位点发生突变的突变类型的对应关系。
数据库模块126可以数据库的形式存储健康管理对象的对象信息，由此可以根据多个健康管理对象的对象信息进行样本分析，得到更为精准的对基因检测结果进行处理的依据。
数据库模块126还可以数据库的形式存储对基因检测结果进行处理的依据，具体的可以包括以下两类数据。
第一类是与设定疾病关联的关联因素信息对设定疾病的影响因子，也即受检者静脉血栓获得性因素信息，该信息主要来源于对象管理模块122，用户登录后健康管理系统可以自动提示进行受检者信息完善。
举例说明，如下表3示出了静脉血栓关联因素主要包括哪些因素，以及这些关联因素对静脉血栓的影响因子，关联因素主要是一些获得性因素信息。这里影响因子可以作为简单的分值，针对健康管理对象的这些关联因素赋值情况，对与设定疾病关联的关联因素信息对设定疾病的影响因子进行求和。
表3
Figure BDA0003884422860000091
第二类是基因检测结果的检测数据与设定基因位点发生突变的突变类型的对应关系。具体的，可以包括基因检测的基因位点信息、疾病遗传方式信息、遗传解析信息、高危人群健康管理方案推荐信息等。
举例说明，如下表4示出了易栓症基因检测位点基本信息，如下表5示出了易栓症基因检测MALDI-TOF下机数据与突变类型的对应关系，如下表6示出了对易栓症基因检测遗传变异的注释情况。如下表7示出了易栓症基因检测的健康管理策略建议。如下表8示出了血栓风险分级健康管理建议。
进一步的，在本发明另一实施例中，对每个关联因素设置影响因子的方法还可以采用机器学习模型进行风险预测。举例说明，这里机器学习模型可以采用决策树进行预测，预测步骤如下：
1、数据集获取。系统自带一个初始数据集(csv文件)，含有1000样本，如果当前健康管理对象完成风险预测，则该机器学习模型的个人信息、遗传获得性因素信息、遗传风险等级信息、预测结果信息也会加入到数据集中，数据集中每增加一例样本，预测的准确率就会更加，模型算法每个月自动更新一次。本发明采用python的pandas库进行csv文件数据的导入，令其为data，即通过函数data＝pd.read_csv('file')来调用数据。
2、数据清洗。系统已默认提示用户所有可用信息均为必填选项，其他非可用信息的缺失值可以忽略。
3、特征选择。数据集的特征值可以包括：活动性恶性肿瘤，患者先前有局部或远端转移或6个月内接受过化疗和放疗、卧床患者(卧床时间>＝72小时)、近期(<＝1个月)创伤或外科手术、年龄>＝70岁、心脏或呼吸衰竭、急性心肌梗死或缺血性脑卒中、急性感染或风湿性疾病、妊娠或产后、肥胖(体质指数>＝30kg/m2)、正在进行激素治疗以及遗传因素风险等级等11个特征值，在数据集中的名称分别为：is_tumor，is_chemotherapy，is_bedridden、is_operation、is_older、is_respiratory failure、is_stroke、is_rheumatic、is_pregnancy、is_obesity、is_hormone_therapy、genetic_risk_level。
数据集的特征值中的最后一项遗传因素风险等级可以包括低风险、中风险、高风险等，可以分别用数值0、1、2来表示，data['genetic_risk_level']＝data['genetic_risk_level'].map({'低风险':0,'中风险':1,'高风险':2})，features＝['is_tumor','is_chemotherapy','is_bedridden','is_operation','is_older','is_respiratoryfailure','is_stroke','is_rheumatic','is_pregnancy','is_obesity','is_hormone_therapy','genetic_risk_level']
4、拆分训练数据集和测试数据集。抽取30％的数据作为测试集，其余为训练集。
from sklearn.model_selection import train_test_split
train,test＝train_test_split(data_features,test_size＝0.3)
train_features＝train[features]
train_labels＝train_data[‘risk’]
test_features＝test_data[features]
特征值中前10项的可能结果均为是或否，分别用数值0或1来表示，采用sklearn特征选择中的DictVectorizer类，它可以处理符号化的对象，将符号转成数字0/1进行表示。
dvec＝DictVectorizer(sparse＝False)；
train_features＝dvec.fit_transform(train_features.to_dict(orient＝'record'))。
5、GridSearchCV调整优化参数，随后构建并且训练CART决策树。
clf＝DecisionTreeClassifier(criterion＝'gini')；
clf.fit(train_features,train_labels)。
6、利用决策树模型进行预测。
test_features＝dvec.transform(test_features.to_dict(orient＝'record'))；
pred_labels＝clf.predict(test_features)；
7、得到决策树准确率。
acc_decision_tree＝round(clf.score(train_features,train_labels),6)。
召回率1，准确率95％以上的模型确定为最终的预测模型。
确定模型后，输入受检者的数据，即可获得受检者的风险值。
表4：易栓症基因检测位点基本信息表
Figure BDA0003884422860000111
Figure BDA0003884422860000121
Figure BDA0003884422860000131
表5：易栓症基因检测MALDI-TOF下机数据与突变类型的对应关系
Figure BDA0003884422860000132
Figure BDA0003884422860000141
Figure BDA0003884422860000151
表6：易栓症基因检测遗传变异注释表
Figure BDA0003884422860000152
Figure BDA0003884422860000161
Figure BDA0003884422860000171
Figure BDA0003884422860000181
Figure BDA0003884422860000191
表7：易栓症基因检测健康管理建议表
Figure BDA0003884422860000192
表8：血栓风险分级健康管理建议表
Figure BDA0003884422860000193
Figure BDA0003884422860000201
在本发明这一实施方式中，数据输出装置14可以包括预测模块141和报告生成模块142。预测模块141用于根据对象信息、突变类型和突变数量，预测健康管理对象针对设定疾病的风险值。报告生成模块142用于生成健康管理对象的健康报告，健康报告包括风险值。数据输出装置14还可以包括健康数据追踪模块143。
在本发明这一实施方式中，数据输出装置14还可以健康管理模块，用于采用如上表10的健康管理建议表，为健康管理对象的提供健康管理建议。
其中，预测模块141可以从核酸质谱仪MALDI-TOF获取受检者的检测结果，根据检测结果与基因型的对应关系，获取受检者的基因型数据和健康管理方案信息。
具体的，体检人群、手术患者、处于妊娠期或产褥期、伴有肿瘤性疾病、有血栓家族史的人群等。该系统可以帮助这类人群识别血栓危险因素，特别是高风险人群，系统会提示该类人群需要定期进行临床血栓危险因素的筛查，动态评估血栓风险。
举例说明，设定疾病可以为静脉血栓，健康管理对象的基因检测结果可以通过图1所示的健康管理系统中数据管理装置12获取，健康管理对象的获得静脉血栓的获得因素信息可以包括如表5所示的危险因素，若健康管理对象具有表5中所示出的危险因素，则根据如下表12中该危险因素相对应的影响因子，为该健康管理对象进行赋值，举例说明，可以直接将多个影响因子进行求和。此外，还可以采取如下图5所示的易栓症基因检测分析的实现流程，根据易栓基因突变结果，确定健康管理对象的血栓遗传风险。在遗传因素风险等级为高风险的情况下返回参考表5中该危险因素相对应的分值，为该健康管理对象进行赋值。
最终对所有危险因素的赋值进行合理的计算，确定健康管理对象后期被确诊血栓的风险值，例如：求和、加权求和等计算方式。
需要说明的是，为了健康管理对象进行更加精确的健康风险管理，也可以进行更为详细的风险等级，分别赋予不同的分值，例如：一级、二级、三级、四级、五级等风险等级依次升高，赋值也相应的升高。其他获得性的危险因素也可以根据需求进行分级管理。例如：根据卧床患者的卧床时间分别赋予不同的分值，根据年龄区间分别赋予不同的分值、以及根据放疗时间长短、术后时间长短、呼吸衰竭等级、产后时间、妊娠次数、肥胖者体重区间、肥胖者体脂指数、正在进行激素治疗过程使用的激素种类和使用量等。
在本发明这一实施方式中，易栓症基因分析所分析的基因可以包括表6中所示出的PROC、PROS1、SERPINC1、F2、F5、HRG、THBD、PAI-1和MTHFR这9个基因，具体的检测位点如表6中所示出的27个位点。
报告生成模块142主要是根据受检者静脉血栓获得性危险因素和遗传性危险因素进行风险模型评估，获得受检者的风险等级，根据风险等级推荐受检者适合的健康管理方案，例如：密切关注、药物预防等。由此，可以为受检者提供个体化的健康管理方案，例如：健康管理推荐方案，报告单生成模块主要是将这些信息写入报告单模板中，生成PDF报告单，供受检者或临床医生登录查看和下载。
健康数据追踪模块143主要用于对受检者进行跟踪。具体的，本发明血栓健康管理系统可以部署在云存储位置或者设定服务器等，本发明对此不做限定。受检者可通过网页或其他移动设施登录系统，录入受检者血栓获得性因素的改变情况，根据系统推荐的血栓风险等级以及适合的健康管理方案进行个体化的健康管理，例如：预防用药、定期检查、密切关注等。同时，系统在不同的时间段能够自动提示受检者补充血栓控制情况，受检者可及时反馈信息。提示方式可以包括各种信息提醒方式，例如：短消息等即时通信或针对医护人员管理界面的文字和语音提示等。系统能够根据反馈情况，重新推荐个性化的健康管理方案。护士、医生或体检机构的其他授予权限的人群均可登录健康管理系统，查看患者的血栓控制情况，以便及时进行健康管理方案调整。
图3示出了本发明实施例一具体示例健康管理系统示意图。
参考图3，本发明实施例一具体示例健康管理系统可以配置至云端服务器上。健康管理系统的数据交换接口可以与医院端的数据交换API接口与医院端进行数据交换，以及与数据输出API接口进行数据交互，从核酸质谱仪器端获取数据。
健康管理系统可以包括用户管理、样本管理、受检者管理、医生管理、项目管理、检测结果等模块，这些模块可以相当于图2所示的实施例中数据管理装置的相应模块。健康管理系统还可以包括报告单生成模块、血栓风险预测模块以及血栓预防方案生成模块，这些模块可以相当于图2所示的实施例中数据输出装置的相应模块。
其中，图3的具体实现细节与图1和图2所示实施例中的具体实现细节相类似，这里不再赘述。
图4示出了本发明实施例健康管理方法的实现流程示意图。
参考图4，本发明实施例健康监测方法，至少包括如下操作流程：操作401，获取健康管理对象的对象信息和基因检测结果；操作402，根据基因检测结果以及预先存储的对基因检测结果进行处理的依据，分析健康管理对象的设定基因位点发生突变的突变类型和突变数量，设定基因位点为针对设定疾病确定的基因位点；操作403，根据对象信息、突变类型和突变数量，预测健康管理对象针对设定疾病的风险值；操作404，生成健康管理对象的健康报告，健康报告包括风险值。
在本发明这一实施方式中，还可以根据易栓症基因分析的易栓基因突变结果，确定对健康管理对象的健康管理策略为以下至少之一：在易栓基因突变结果示出健康管理对象发生抗凝因子基因PROC突变时，推荐使用凝血因子F10抑制剂进行药物预防；在易栓基因突变结果示出健康管理对象发生抗凝因子基因PROS1突变时，推荐使用肝素进行抗凝或溶栓治疗和/或口服抗凝剂用于预防血栓复发；在易栓基因突变结果示出健康管理对象发生抗凝因子基因SERPINC1突变时，推荐使用华法林或者凝血因子X抑制剂进行抗凝治疗；在易栓基因突变结果示出健康管理对象发生凝血因子基因F2或F5突变、富组氨酸糖蛋白增多症基因HRG突变或血栓调节蛋白基因THBD突变时，定期检测凝血机制和/或推荐预防性用药；在易栓基因突变结果示出健康管理对象发生纤溶系统基因PAI-1突变时，推荐使用纤溶酶类药物治疗；在易栓基因突变结果示出健康管理对象发生同型半胱氨酸MTHFR突变时，推荐补充5-甲基四氢叶酸或补充叶酸进行预防和/或补充维生素B6以及B12。具体的，可以参考上述表9所示的易栓症基因检测健康管理建议。
图5示出了本发明实施例健康监测方法中易栓症基因检测分析的实现流程示意图。
参考图5，对于易栓症基因检测分析，可以根据受检者MALDI-TOF下机数据在表5中，可获取受检者基因分类、基因名称、基因、位点、突变类型、突变遗传方式等信息，然后根据表7可对受检者进行风险等级计算，对于抗凝蛋白基因突变、凝血因子基因突变、富组氨酸糖蛋白增多症、血栓调节蛋白基因突变所涉及到的基因，可根据突变遗传方式进行分类计算，常染色体显性遗传(AD)的位点，杂合突变数目大于等于1，或者纯合突变的数目大于等于1为高风险人群；常染色体隐性遗传(AR)的位点，杂合突变数目大于等于2，或者纯合突变的数目大于等于1为高风险人群；X染色体连锁隐性遗传(XLR)的位点，对于女性人群，杂合突变数目大于等于2，或者纯合突变的数目大于等于1为高风险人群，对于男性人群，突变数目大于等于1为高风险人群。对于纤溶系统基因功能异常、同型半胱氨酸突变所涉及到的基因，纯合突变的数目大于等于1为高风险人群。根据上述方式可计算获得基因对应的风险等级，然后根据表8，即可获得血栓高危人群的健康管理建议。
图6示出了本发明实施例健康监测方法中基因分析处理的实现流程示意图。
参考图6，本发明实施例健康监测方法中针对健康管理对象可进行常规的血栓风险评估，及早发现高危人群，进行血栓预防。首先，可以对受检者遗传因素的评估，即对受检者进行易栓症基因检测结果进行分析，可获得受检者遗传因素的风险等级。例如：可以采用表3所示的静脉血栓关联因素进行分析。此外，还可以根据上文对数据库模块126的描述中对每个关联因素设置影响因子的方法采用机器学习模型进行风险预测。进一步的，将受检者的遗传因素的风险等级加入到受检者血栓风险评分量表中，并根据受检者评分量表的评分制确定受检者静脉血栓最终的风险等级。
本发明实施例通过构建健康管理系统，充分分析健康管理对象的基因检测结果，从而可以基于健康管理对象的对象信息和基因检测结果对健康管理对象做出综合性的健康管理报告，以供后续针对健康管理对象给出针对设定疾病的预防方案等。
进一步，基于如上文健康管理系统，本发明实施例还提供一种电子设备，电子设备包括上述健康管理系统。
更进一步，基于如上文健康管理系统，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有程序，当程序被处理器执行时，使得处理器至少执行操作401-操作404的操作步骤。
这里需要指出的是：以上对针对健康管理方法及电子设备实施例的描述，与前述图1至图3所示的系统实施例的描述是类似的，具有同前述图1至图所示的系统实施例相似的有益效果，因此不做赘述。对于本发明健康管理方法及电子设备实施例中未披露的技术细节，请参照本发明前述图1至图3所示的系统和方法实施例的描述而理解，为节约篇幅，因此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种健康管理系统，其特征在于，所述系统包括：
数据获取装置，用于获取健康管理对象的对象信息和基因检测结果；
数据管理装置，用于通过所述数据获取装置获取并存储所述数据获取装置所获取的数据以及对所述基因检测结果进行处理的依据；
数据处理装置，用于根据所述基因检测结果，分析所述健康管理对象的设定基因位点发生突变的突变类型和突变数量，所述设定基因位点为针对设定疾病确定的基因位点；
数据输出装置，用于根据所述对象信息、所述突变类型和所述突变数量，生成所述健康管理对象的健康报告。
2.根据权利要求1所述的系统，其特征在于，所述数据获取装置，包括：
第一数据传输模块，用于通过第一数据传输接口，从核酸质谱检测仪器获取所述健康管理对象的核酸质谱检测下机数据；以及根据所述核酸质谱检测下机数据确定所述健康管理对象的基因型数据；
检测结果处理模块，用于对所述基因型数据进行处理，得到至少包括样本信息、检测位点信息、检测结果信息的所述基因检测结果。
3.根据权利要求2所述的系统，其特征在于，所述数据获取装置，还包括：
第二数据传输模块，用于通过第二数据传输接口从医院端获取所述对象信息。
4.根据权利要求1所述的系统，其特征在于，所述数据管理装置包括：包括：
用户管理模块，用于执行用户注册、权限管理和系统配置操作；
对象管理模块，用于获取所述用户信息和关联因素信息；
医务管理模块，用于获取与所述健康管理对象管理的相对应的医务信息；
其中，所述对象信息包括所述健康管理对象的所述用户信息和与所述设定疾病关联的所述关联因素信息。
5.根据权利要求4所述的系统，其特征在于，所述数据管理装置还包括：
样本管理模块，用于获取所述健康管理对象的样本信息；
项目管理模块，用于获取针对所述样本信息进行检测的检测信息。
6.根据权利要求1所述的系统，其特征在于，所述基因检测结果至少包括针对与所述设定疾病相对应的设定基因位点的基因检测结果。
7.根据权利要求1所述的系统，其特征在于，所述数据管理装置包括：
数据库模块，用于存储所述数据获取装置所获取的数据以及对所述基因检测结果进行处理的依据；
其中，所述数据获取装置所获取的数据包括所述对象信息和所述基因检测结果；
对所述基因检测结果进行处理的依据包括：与设定疾病关联的关联因素信息对所述设定疾病的影响因子、所述基因检测结果的检测数据与设定基因位点发生突变的突变类型的对应关系。
8.根据权利要求1所述的系统，其特征在于，所述数据输出装置包括：
预测模块，用于根据所述对象信息、所述突变类型和所述突变数量，预测所述健康管理对象针对设定疾病的风险值；
报告生成模块，用于生成所述健康管理对象的健康报告，所述健康报告包括所述风险值。
9.一种健康管理方法，其特征在于，所述方法包括：
获取健康管理对象的对象信息和基因检测结果；
根据所述基因检测结果以及预先存储的对所述基因检测结果进行处理的依据，分析所述健康管理对象的设定基因位点发生突变的突变类型和突变数量，所述设定基因位点为针对设定疾病确定的基因位点；
根据所述对象信息、所述突变类型和所述突变数量，预测所述健康管理对象针对设定疾病的风险值；
生成所述健康管理对象的健康报告，所述健康报告包括所述风险值。
10.一种电子设备，所述电子设备包括权利要求1-8中任一项所述的健康管理系统。
CN202211239259.2A 2022-10-11 2022-10-11 一种健康管理系统、方法及电子设备 Pending CN115527674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211239259.2A CN115527674A (zh) 2022-10-11 2022-10-11 一种健康管理系统、方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211239259.2A CN115527674A (zh) 2022-10-11 2022-10-11 一种健康管理系统、方法及电子设备

Publications (1)

Publication Number Publication Date
CN115527674A true CN115527674A (zh) 2022-12-27

Family

ID=84700879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211239259.2A Pending CN115527674A (zh) 2022-10-11 2022-10-11 一种健康管理系统、方法及电子设备

Country Status (1)

Country Link
CN (1) CN115527674A (zh)

Similar Documents

Publication Publication Date Title
US20200381087A1 (en) Systems and methods of clinical trial evaluation
Lee et al. Prediction of heart failure mortality in emergent care: a cohort study
Paige et al. Landmark models for optimizing the use of repeated measurements of risk factors in electronic health records to predict future disease risk
Quach et al. A comparison between the APACHE II and Charlson Index Score for predicting hospital mortality in critically ill patients
Burrello et al. Development and validation of prediction models for subtype diagnosis of patients with primary aldosteronism
US20110077931A1 (en) Methods and apparatus for identifying disease status using biomarkers
JP2008532104A (ja) 複数の医療関連アウトカムの予測を行い、インターベンション計画の評価を行い、更に同時にバイオマーカー因果性検証を行うことのできる、予測モデルを生成して適用する方法、そのシステム、及びそのコンピュータ・プログラム製品
US20130332190A1 (en) Providing indications of clinical-trial criteria modifications
WO2021231317A1 (en) Clinical predictor based on multiple machine learning models
JP2008077603A (ja) 検査項目選定装置、検査項目選定方法、及び検査項目選定プログラム
US11152120B2 (en) Identifying a treatment regimen based on patient characteristics
Heintzman et al. Agreement of Medicaid claims and electronic health records for assessing preventive care quality among adults
US20210118571A1 (en) System and method for delivering polygenic-based predictions of complex traits and risks
Petrazzini et al. Coronary risk estimation based on clinical data in electronic health records
WO2019160442A1 (ru) Способ оценки риска заболевания пользователя
JP2017504846A (ja) ヒト臨床遺伝学のための病原性スコアリングシステム
KR102342770B1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
Kalpakidou et al. The Prognosis in Palliative care Study II (PiPS2): study protocol for a multi-centre, prospective, observational, cohort study
CN112582071A (zh) 医疗保健网络
Geethadevi et al. Validity of three risk prediction models for dementia or cognitive impairment in Australia
Schiborn et al. German Diabetes Risk Score for the Determination of the Individual Type 2 Diabetes Risk: 10-Year Prediction and External Validations
CN114300048A (zh) 一种肥胖基因检测评估系统及数据处理方法
WO2019107118A1 (ja) 健康管理支援装置、方法およびプログラム
Trentham-Dietz et al. Data gaps and opportunities for modeling cancer health equity
Rostami et al. Comparison of methods to construct a genetic risk score for prediction of rheumatoid arthritis in the population-based Nord-Trøndelag Health Study, Norway

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