CN115602325A - 一种基于多模型算法的慢性病风险评估方法及其系统 - Google Patents
一种基于多模型算法的慢性病风险评估方法及其系统 Download PDFInfo
- Publication number
- CN115602325A CN115602325A CN202211208845.0A CN202211208845A CN115602325A CN 115602325 A CN115602325 A CN 115602325A CN 202211208845 A CN202211208845 A CN 202211208845A CN 115602325 A CN115602325 A CN 115602325A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- algorithm
- disease risk
- chronic disease
- 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
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012502 risk assessment Methods 0.000 title claims abstract description 27
- 201000010099 disease Diseases 0.000 claims description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 30
- 238000013058 risk prediction model Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 22
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 13
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 13
- 239000004571 lime Substances 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 235000007882 dietary composition Nutrition 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 1
- 239000008280 blood Substances 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 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
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 238000007446 glucose tolerance test Methods 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000291 postprandial effect Effects 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及慢性病风险评估技术领域，具体涉及一种基于多模型算法的慢性病风险评估方法及其系统，本发明通过对获取的数据信息进行预处理，将处理后数据发送至梯度决策树模型内进行学习，得到初步的疾病风险预测模型，所得模型能对未知患者五年内慢性病发病情况进行预测，进一步通过LIME算法和SHAP算法对模型预测过程和输出结果进行解释，根据用户特征给出风险因素，以及相应健康建议，使用户对慢性病的风险认知更加清楚，能及时到医院进行检查和接受治疗。
Description
技术领域
本发明涉及慢性病风险评估技术领域，具体的涉及基于多模型算法的慢性病风险评估方法及其系统。
背景技术
随着经济的快速发展，人们的生活节奏也明显加快，并随之产生了一系列的不健康生活方式，进而导致心脑血管疾病、糖尿病和恶性肿瘤等慢性病的发病率、患病率和死亡率持续上升。慢性病是一大类受环境因素和遗传因素共同影响的多因素疾病，是由多种危险因素综合作用产生的结果。慢性病起病隐匿，潜伏期长、病情进展快，很多患者难以及时发现及治疗。
慢性病的治疗需要在日常生活中控制生活习惯，降低慢性病的发病。对于慢性病的发展评估，基本上依靠医生的个人经验，但是慢性病的病情发展由多种因素造成，单纯依靠医生的个人经验，特别是在落后地区医疗资源相对较缺乏的情况下，医生难以对慢性病患者的病情给出较准确的判断并进行针对性的治疗，并且慢性病初期时，慢性病的症状有可能没有展现出来，导致患者对慢性病的风险认知并不清楚，不能及时到医院进行检查和接受治疗。
因此，如何便捷地检测出用户患慢性病的风险成为亟需解决的问题。
发明内容
本发明的目的在于克服以上技术问题提出基于多模型算法的慢性病风险评估方法。
为实现上述目的，本发明采用的技术方案如下：基于多模型算法的慢性病风险评估方法，包括以下方法：
S1、获取用户的数据信息；
S2、采用判断模型将获取的数据信息进行分类，分为生活数据、医疗数据和其他数据；
S3、基于多个质量维度对数据信息进行质量评估，以得到处于预设范围的标准化数据；
S4、将标准化数据输入至梯度提升决策树模型中进行模型训练，经过多步参数调整，验证模型性能，筛选出性能最佳的疾病风险预测模型；
S5、基于LIME和SHAP算法对疾病风险预测模型进行结果分析模型训练，得到风险因素分析模型，综合输出评估患慢性病的风险报告。
进一步的，所述基于多个质量维度对数据信息进行质量评估的方法包括：
S301、基于多个质量维度对数据信息进行质量评估，将数据质量分为待处理数据和可用数据两类；
S302、通过填补算法对所述待处理数据进行预处理，得到处于预设范围的标准化数据。
进一步的，所述填补算法包括中位数填补、LSTM和CNN时序填补、向后填补和随机森林填补中的一种或多种。
进一步的，利用SMOTE算法对步骤S3中得到的标准化数据进行正负样本平衡处理。
进一步的，所述正负样本平衡处理包括用算法删除部分样本，使得数据集正负样本平衡。
进一步的，所述将标准化数据输入至梯度提升决策树模型中进行训练包括：
S401、将标准化数据通过梯度提升决策树算法进行维度重要性排序与筛选，并提取主要维度数据；
S402、将主要维度数据作为梯度提升决策树模型的输入，训练梯度提升决策树模型直至训练误差达到局部最优，得到疾病风险预测模型；
S403、基于LightGBM算法对疾病风险预测模型进行模型训练，获取慢性病风险概率；
S404、通过sigmoid概率映射方法将所述慢性病风险概率转化为患慢性病的风险等级。
进一步的，所述主要维度数据包括饮食组成维度、身体健康维度、运动情况维度和生活习惯维度中的一种或多种。
进一步的，还包括根据慢性病的风险等级和风险因素溯源推荐相关改善慢性病的健康信息。
基于多模型算法的慢性病风险评估系统，包括：
获取模块，用于获取用户的数据信息；
处理模块，用于将获取的数据信息基于多个质量维度进行质量评估，并输入至梯度提升决策树模型中进行训练，构建得到疾病风险预测模型；
评估模块，用于根据疾病风险预测模型输出结果，利用LightGBM算法评估慢性病的风险等级，利用LIME和SHAP算法输出风险因素。
一种计算机可读存储介质，所述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所述处理器实现如上述的基于多模型算法的慢性病风险评估方法。
由上述对本发明的描述可知，与现有技术相比，本发明提供的一种基于多模型算法的慢性病风险评估方法具有的有益效果：本发明通过对获取的数据信息进行预处理，将处理后数据发送至梯度决策树模型内进行学习，得到初步的疾病风险预测模型，所得模型能对未知患者五年内慢性病发病情况进行预测，进一步通过LIME算法对模型预测过程和输出结果进行解释，根据用户特征给出风险因素，以及相应健康建议，使用户对慢性病的风险认知更加清楚，疾病风险预测模型是实时动态变化的，会根据不同用户身体状况的不同情况做不同结果，能及时到医院进行检查和接受治疗。
附图说明
图1为本发明基于多模型算法的慢性病风险评估方法的流程框图；
具体实施方式
以下将结合本发明实施例中的附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书术语“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。
如图1所示，基于多模型算法的慢性病风险评估方法，包括以下方法：
S1、获取用户的数据信息；
其中，所述数据信息包括性别、年龄、是否怀孕、直系亲属中是否有糖尿病患者、体质指数、睡眠时间、饮食习惯、每天运动时间、空腹血糖值、餐后血糖值、血脂值、耐糖量试验值中的一种或多种，根据不同慢病的情况会有收集不同慢病数据，可以是糖尿病、高血压、冠心病以及心力衰竭等不同的慢性疾病，
S2、采用判断模型将获取的数据信息进行分类，分为生活数据、医疗数据和其他数据；
其中，所述数据信息包括性别、年龄、是否怀孕、直系亲属中是否有糖尿病患者、体质指数、睡眠时间、饮食习惯、每天运动时间、空腹血糖值、餐后血糖值、血脂值、耐糖量试验值中的一种或多种，根据不同慢病的情况会有收集不同慢病数据，可以是糖尿病、高血压、冠心病以及心力衰竭等不同的慢性疾病。
S3、基于多个质量维度对数据信息进行质量评估，以得到处于预设范围的标准化数据；
其中，所述质量维度包括数据信息的准确性、完整性、合理性和可信度，所述基于多个质量维度对数据信息进行质量评估的方法包括：
S301、基于多个质量维度对数据信息进行质量评估，将数据质量分为待处理数据和可用数据两类；
S302、通过填补算法对所述待处理数据进行预处理，得到处于预设范围的标准化数据。
其中，所述填补算法包括中位数填补、LSTM和CNN时序填补、向后填补和随机森林填补中的一种或多种，所述待处理数据进行合理填补前，要先判断预处理数据是否为时间序列，如果待处理数据是时间序列，可采用如下方法对数据进行数据填补：1)采用LSTM和CNN相结合的方法，能根据历史时间数据对待处理数据中的缺失值进行较为合理的填补；2)对于多维度同时缺失的个体来说，利用随机森林填补能综合考虑多个维度信息对待处理数据进行数据填补；3) 对于缺失较少的数据，采用较为常规的中位数填补和向后填补相结合的方法对待处理数据进行数据填补。如果待处理数据不是时间序列，则采用知识图谱对待处理数据进行合理填补，可得到正确性和合理性均处于预设范围的标准化数据。
利用SMOTE算法对步骤S3中得到的标准化数据进行正负样本平衡处理，所述正负样本平衡处理包括用算法删除部分样本，使得数据集正负样本平衡，可解决正负样本不平衡的问题，利于提高模型区分少数类样本的能力。若不经过正负样本平衡处理，会造成模型倾向于对多数类的分类精度高，而少数类的分类精度低，如数据集中正常人比患者多很多，则模型会倾向于关注正常人的识别，对于关键的患者则识别能力较弱，因此将负类样本(即正常人)进行欠采样，即用算法删除部分样本，使得数据集正负样本平衡。
S4、将标准化数据输入至梯度提升决策树模型中进行模型训练，经过多步参数调整，验证模型性能，筛选出性能最佳的疾病风险预测模型；
其中，将标准化数据输入至梯度提升决策树模型中进行训练包括：
S401、将标准化数据通过梯度提升决策树算法进行维度重要性排序与筛选，并提取主要维度数据；
S402、将主要维度数据作为梯度提升决策树模型的输入，训练梯度提升决策树模型直至训练误差达到局部最优，得到疾病风险预测模型，所述主要维度数据包括饮食组成维度、身体健康维度、运动情况维度和生活习惯维度中的一种或多种，因此，所涵盖的评分维度更加全面，且所需维度数据较容易收集，方便用户操作；
S403、基于LightGBM算法对疾病风险预测模型进行模型训练，获取慢性病风险概率；
其中，训练时所用到损失函数：
S404、通过sigmoid概率映射方法将所述慢性病风险概率转化为患慢性病的风险等级，将所述风险等级定义为极低风险(0-5％)、低风险(5％-15％)、中低风险(15％-25％)、中风险(25-35％)、中高风险(35％-50％)、高风险(50％-65％) 和极高风险(65％-100％)，使用户可一目了然自己的身体状况，及时就医。
其中，所述疾病风险预测模型包括梯度决策树、输出映射函数和风险因素提示，所述梯度决策树用以给出患病概率，所述输出映射函数用以给出风险等级。
所述输出映射函数公式：
其中，x为模型输出结果,a为矫正系数
S5、基于LIME和SHAP算法对疾病风险预测模型进行结果分析模型训练，得到风险因素分析模型，综合输出评估患慢性病的风险报告。
其中，LIME算法步骤为：用户将数据变体提供给机器学习模型时，LIME预测会发生的疾病情况；LIME生成一个新的数据集，该数据集由扰动的样本和已经训练好的黑箱模型生成的相应预测组成；在这个新数据集上，LIME训练一个可解释的模型，该模型由采样实例与感兴趣实例的接近程度加权，所述模型可以是可解释模型中的任何一种，例如lasso回归。最终得到的模型应该是机器学习模型预测在本地的良好近似值，即：(1)选择一个样例x，进行可解释的 N次扰动，生成局部样本x'；(2)使用复杂模型对x和x'进行预测；(3) 对采样后的样本，拟合一个简单的模型，如lasso回归得到模型的权重。
公式如下：
x为模型解释样例，g为解释模型，f为原来的黑盒模型，Ω(g)为模型复杂度，πx为近似度量(定义实例x周围的邻域有多大)
SHAP算法是将通过特征值对输出的贡献，对所有可能的特征值组合进行加权与求和，计算相应的Shapley值，其公式如下：
其中S是模型中使用的特征的子集，x是要解释的实例的特征值的矢量，p是特征数，val(S)是对集合S中的特征值的预测。
LIME算法能输出针对单个患者的风险因素分支，通过排序算法确定前五个主要风险因素，SHAP算法可对患者的数据训练集能给出相应解释，帮助医生理解疾病风险预测模型的内在运作方式，确定模型可靠程度，两种算法结合可更加准确、合理地输出评估患慢性病的风险报告。
还包括根据慢性病的风险等级和风险因素溯源推荐相关改善慢性病的健康信息。
例如对于糖尿病患者用户，可以根据其当前状态实时更新风险因素，如糖尿病患者前一天血糖值较高，则疾病风险预测模型会给出当前血糖较高作为风险因素，并给出相应饮食建议，第二天血糖恢复正常，则相应风险因素就会消除。
如发现患者为低风险等级，风险报告主要强调生活习惯及饮食健康部分，提出需要保持的生活习惯和健康建议；
如为中风险等级，风险报告主要强调相应风险体检指标，需要去医院复查的项目，并提出风险指标的危害以及不良生活习惯的纠正建议；
如为中高风险及高危风险等级，风险报告则发出健康警示，提出生活方式干预可能已经不适合用户，需要及时就医，以及相应的医疗指引。
基于多模型算法的慢性病风险评估系统，包括：
获取模块，用于获取用户的数据信息；
处理模块，用于将获取的数据信息基于多个质量维度进行质量评估，并输入至梯度提升决策树模型中进行训练，构建得到疾病风险预测模型；
评估模块，用于根据疾病风险预测模型输出结果，利用LightGBM算法评估慢性病的风险等级，利用LIME和SHAP算法输出风险因素。
一种计算机可读存储介质，所述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所述处理器实现如上述的基于多模型算法的慢性病风险评估方法。
由上述对本发明的描述可知，与现有技术相比，本发明提供的一种基于多模型算法的慢性病风险评估方法，本发明通过对获取的数据信息进行预处理，将处理后数据发送至梯度决策树模型内进行学习，得到初步的疾病风险预测模型，所得模型能对未知患者五年内慢性病发病情况进行预测，进一步通过LIME 算法和SHAP算法对模型预测过程和输出结果进行解释，根据用户特征给出风险因素，以及相应健康建议，使用户对慢性病的风险认知更加清楚，能及时到医院进行检查和接受治疗。
上述仅为本发明的若干具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (10)
1.基于多模型算法的慢性病风险评估方法，其特征在于，包括以下方法：
S1、获取用户的数据信息；
S2、采用判断模型将获取的数据信息进行分类，分为生活数据、医疗数据和其他数据；
S3、基于多个质量维度对数据信息进行质量评估，以得到处于预设范围的标准化数据；
S4、将标准化数据输入至梯度提升决策树模型中进行模型训练，经过多步参数调整，验证模型性能，筛选出性能最佳的疾病风险预测模型；
S5、基于LIME和SHAP算法对疾病风险预测模型进行结果分析模型训练，得到风险因素分析模型，综合输出评估患慢性病的风险报告。
2.根据权利要求1所述的基于多模型算法的慢性病风险评估方法，其特征在于，所述基于多个质量维度对数据信息进行质量评估的方法包括：
S301、基于多个质量维度对数据信息进行质量评估，将数据质量分为待处理数据和可用数据两类；
S302、通过填补算法对所述待处理数据进行预处理，得到处于预设范围的标准化数据。
3.根据权利要求2所述的基于多模型算法的慢性病风险评估方法，其特征在于，所述填补算法包括中位数填补、LSTM和CNN时序填补、向后填补和随机森林填补中的一种或多种。
4.根据权利要求1所述的基于多模型算法的慢性病风险评估方法，其特征在于，利用SMOTE算法对步骤S3中得到的标准化数据进行正负样本平衡处理。
5.根据权利要求4所述的基于多模型算法的慢性病风险评估方法，其特征在于，所述正负样本平衡处理包括用算法删除部分样本，使得数据集正负样本平衡。
6.根据权利要求1所述的基于多模型算法的慢性病风险评估方法，其特征在于，所述将标准化数据输入至梯度提升决策树模型中进行训练包括：
S401、将标准化数据通过梯度提升决策树算法进行维度重要性排序与筛选，并提取主要维度数据；
S402、将主要维度数据作为梯度提升决策树模型的输入，训练梯度提升决策树模型直至训练误差达到局部最优，得到疾病风险预测模型；
S403、基于LightGBM算法对疾病风险预测模型进行模型训练，获取慢性病风险概率；
S404、通过sigmoid概率映射方法将所述慢性病风险概率转化为患慢性病的风险等级。
7.根据权利要求6所述的基于多模型算法的慢性病风险评估方法，其特征在于，所述主要维度数据包括饮食组成维度、身体健康维度、运动情况维度和生活习惯维度中的一种或多种。
8.根据权利要求1所述的基于多模型算法的慢性病风险评估方法，其特征在于：还包括根据慢性病的风险等级和风险因素溯源推荐相关改善慢性病的健康信息。
9.基于多模型算法的慢性病风险评估系统，其特征在于，包括：
获取模块，用于获取用户的数据信息；
处理模块，用于将获取的数据信息基于多个质量维度进行质量评估，并输入至梯度提升决策树模型中进行训练，构建得到疾病风险预测模型；
评估模块，用于根据疾病风险预测模型输出结果，利用LightGBM算法评估慢性病的风险等级，利用LIME和SHAP算法输出风险因素。
10.一种计算机可读存储介质，其特征在于，所述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所述处理器实现如权利要求1至8任意所述的基于多模型算法的慢性病风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211208845.0A CN115602325A (zh) | 2022-09-30 | 2022-09-30 | 一种基于多模型算法的慢性病风险评估方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211208845.0A CN115602325A (zh) | 2022-09-30 | 2022-09-30 | 一种基于多模型算法的慢性病风险评估方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115602325A true CN115602325A (zh) | 2023-01-13 |
Family
ID=84845059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211208845.0A Pending CN115602325A (zh) | 2022-09-30 | 2022-09-30 | 一种基于多模型算法的慢性病风险评估方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115602325A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189912A (zh) * | 2023-04-25 | 2023-05-30 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 一种具有学习功能的妇科患者生理信息反馈系统 |
| CN117253614A (zh) * | 2023-11-14 | 2023-12-19 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于大数据分析的糖尿病风险预警方法 |
| CN117351293A (zh) * | 2023-12-04 | 2024-01-05 | 天津医科大学口腔医院 | 一种联合学习的牙周病图像分类方法及设备 |
| CN117373688A (zh) * | 2023-11-07 | 2024-01-09 | 爱奥乐医疗器械(深圳)有限公司 | 慢性病数据处理方法、装置、电子设备和存储介质 |
| CN117912660A (zh) * | 2024-02-06 | 2024-04-19 | 华中科技大学同济医学院附属同济医院 | 一种糖尿病患者出行旅游的智能检测系统及其检测方法 |
| CN117995410A (zh) * | 2024-03-08 | 2024-05-07 | 南京医科大学 | 一种男性不育风险预测和风险特征描述的方法及装置 |
| CN118315063A (zh) * | 2024-04-22 | 2024-07-09 | 广东工业大学 | 一种地域性的用户健康风险评估方法、系统及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021120936A1 (zh) * | 2019-12-19 | 2021-06-24 | 浙江大学 | 一种基于多任务学习模型的慢病预测系统 |
| CN113921136A (zh) * | 2021-09-13 | 2022-01-11 | 吾征智能技术(北京)有限公司 | 一种融合多源数据智能评估预测慢性病风险的系统 |
| CN115049069A (zh) * | 2022-06-01 | 2022-09-13 | 东南大学 | 一种可视化交互式的脓毒症早期智能预警方法 |
-
2022
- 2022-09-30 CN CN202211208845.0A patent/CN115602325A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021120936A1 (zh) * | 2019-12-19 | 2021-06-24 | 浙江大学 | 一种基于多任务学习模型的慢病预测系统 |
| CN113921136A (zh) * | 2021-09-13 | 2022-01-11 | 吾征智能技术(北京)有限公司 | 一种融合多源数据智能评估预测慢性病风险的系统 |
| CN115049069A (zh) * | 2022-06-01 | 2022-09-13 | 东南大学 | 一种可视化交互式的脓毒症早期智能预警方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189912A (zh) * | 2023-04-25 | 2023-05-30 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 一种具有学习功能的妇科患者生理信息反馈系统 |
| CN117373688A (zh) * | 2023-11-07 | 2024-01-09 | 爱奥乐医疗器械(深圳)有限公司 | 慢性病数据处理方法、装置、电子设备和存储介质 |
| CN117373688B (zh) * | 2023-11-07 | 2024-06-04 | 爱奥乐医疗器械(深圳)有限公司 | 慢性病数据处理方法、装置、电子设备和存储介质 |
| CN117253614A (zh) * | 2023-11-14 | 2023-12-19 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于大数据分析的糖尿病风险预警方法 |
| CN117253614B (zh) * | 2023-11-14 | 2024-01-26 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于大数据分析的糖尿病风险预警方法 |
| CN117351293A (zh) * | 2023-12-04 | 2024-01-05 | 天津医科大学口腔医院 | 一种联合学习的牙周病图像分类方法及设备 |
| CN117351293B (zh) * | 2023-12-04 | 2024-02-06 | 天津医科大学口腔医院 | 一种联合学习的牙周病图像分类方法及设备 |
| CN117912660A (zh) * | 2024-02-06 | 2024-04-19 | 华中科技大学同济医学院附属同济医院 | 一种糖尿病患者出行旅游的智能检测系统及其检测方法 |
| CN117995410A (zh) * | 2024-03-08 | 2024-05-07 | 南京医科大学 | 一种男性不育风险预测和风险特征描述的方法及装置 |
| CN118315063A (zh) * | 2024-04-22 | 2024-07-09 | 广东工业大学 | 一种地域性的用户健康风险评估方法、系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115602325A (zh) | 一种基于多模型算法的慢性病风险评估方法及其系统 | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| US20220172841A1 (en) | Methods of identifying individuals at risk of developing a specific chronic disease | |
| KR102342770B1 (ko) | 질병 예측치의 분포를 이용한 건강관리 상담 시스템 | |
| CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN113838577A (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
| Mounika et al. | Prediction of type-2 diabetes using machine learning algorithms | |
| KR20180062917A (ko) | 유전체 정보와 건강검진데이터를 이용한 심혈관질환 진단 장치 및 그 방법 | |
| CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
| CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
| Al-Alshaikh et al. | Comprehensive evaluation and performance analysis of machine learning in heart disease prediction | |
| Rose et al. | Heart Attack Prediction using Machine Learning Techniques | |
| KR20050050768A (ko) | 개인별 맞춤 건강증진서비스 제공장치 및 그 방법 | |
| Gupta et al. | X-ECGNet: An interpretable DL model for stress detection using ECG in COVID-19 healthcare workers | |
| CN116453694A (zh) | 基于有放回欠采样集成框架的疾病风险预测方法及系统 | |
| CN116913550A (zh) | 一种ppi相关糖尿病风险预测模型的建模方法和应用 | |
| CN115547502A (zh) | 基于时序数据的血透病人风险预测装置 | |
| Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle | |
| Kavya et al. | Heart Disease Prediction Using Logistic Regression | |
| KR20230064123A (ko) | 여성 독거노인의 우울증 위험도 예측 장치, 여성 독거노인의 우울증 위험도 예측 방법 및 기록 매체에 저장된 프로그램 | |
| Tolentino et al. | CAREdio: Health screening and heart disease prediction system for rural communities in the Philippines | |
| Ceh-Varela et al. | Machine learning analysis of factors contributing to Diabetes Development | |
| Muthulakshmi et al. | Big Data Analytics for Heart Disease Prediction using Regularized Principal and Quadratic Entropy Boosting |
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 |