CN116052877A - 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法 - Google Patents

一种糖尿病患者抑郁风险评估方法及评估系统的构建方法 Download PDF

Info

Publication number
CN116052877A
CN116052877A CN202211632317.8A CN202211632317A CN116052877A CN 116052877 A CN116052877 A CN 116052877A CN 202211632317 A CN202211632317 A CN 202211632317A CN 116052877 A CN116052877 A CN 116052877A
Authority
CN
China
Prior art keywords
depression
survey
diabetic
risk
assessment system
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
CN202211632317.8A
Other languages
English (en)
Inventor
李珊珊
蒋伟
黄南博
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.)
Jiangsu Vocational College of Medicine
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202211632317.8A priority Critical patent/CN116052877A/zh
Publication of CN116052877A publication Critical patent/CN116052877A/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
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training

Landscapes

  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种糖尿病患者抑郁风险评估方法及评估系统的构建方法，其中糖尿病患者抑郁风险评估方法包括：获取多位糖尿病患者对于预设的第一调查问卷反馈的第一调查结果，得到调查结果集合，其中，第一调查问卷中包括多个调查指标；根据调查结果集合在多个调查指标中选取显著性差异指标；基于显著性差异指标构建回归模型；利用回归模型生成糖尿病患者抑郁风险评估系统。基于此，可以仅通过获取待评估糖尿病患者对于预设的第二调查问卷反馈的第二调查结果就能得到待评估糖尿病患者的抑郁风险，无需专业的人员进行指导，方便社区卫生人员使用。

Description

一种糖尿病患者抑郁风险评估方法及评估系统的构建方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种糖尿病患者抑郁风险评估方法及评估系统的构建方法。
背景技术
糖尿病是老年人群中的主要慢性病之一，30％的老年糖尿病患者合并抑郁症表现。抑郁和焦虑会加重糖尿病病情，增加对药物治疗的不依从性，降低生活质量并增加死亡率。
提高对糖尿病抑郁症的认识可能会改善结果。其中，第一步为采用一种筛查抑郁症高风险人群的简单方法，定期对糖尿病患者进行随访。
目前国内外已有相关可靠的量表能够用于抑郁症筛查，如GDS-30老年抑郁量表(The Geriatric Depression Scale)、抑郁自评量表(Self-Rating Depression Scale，SDS)、流行病学研究中心抑郁量表(Center of Epidemiological Survey-DepressionScale，CES-D)及汉密尔顿抑郁量表(HAMD)。其中，抑郁自评量表SDS主要用于评估抑郁症状的严重程度；流行病学研究中心抑郁量表CES-D主要作为流行病学调查，且对症状的判定一直存在争议；而汉密尔顿抑郁量表HAMD的适用对象是抑郁症患者，不适用于大规模人群调查。以上不论哪种量表，都需要专业的精神科医师指导完成，实施起来有一定的难度。
发明内容
有鉴于此，本发明实施例提供了一种糖尿病患者抑郁风险评估方法及评估系统的构建方法，以提供一种简单、方便的糖尿病患者抑郁风险的评估方法，从而可以定期对糖尿病患者进行随访。
根据第一方面，本发明实施例提供了一种糖尿病患者抑郁风险评估系统的构建方法，包括以下步骤：获取多位糖尿病患者对于预设的第一调查问卷反馈的第一调查结果，得到调查结果集合，其中，所述第一调查问卷中包括多个调查指标；根据所述调查结果集合在所述多个调查指标中选取显著性差异指标；基于所述显著性差异指标构建回归模型；利用所述回归模型生成糖尿病患者抑郁风险评估系统。
本发明实施例提供了一种糖尿病患者抑郁风险评估系统的构建方法，通过上述方法可以得到糖尿病患者抑郁风险评估系统，基于此，可以仅通过获取待评估糖尿病患者对于预设的第二调查问卷反馈的第二调查结果就能得到待评估糖尿病患者的抑郁风险，无需专业的人员进行指导，方便社区卫生人员使用。
具体的，所述第一调查问卷中的调查指标至少包括：月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟、自我感受评估。
具体的，所述根据所述调查结果集合在所述多个调查指标中选取显著性差异指标包括：获取所述多位糖尿病患者的神经心理测验结果；基于所述多位糖尿病患者的神经心理测验结果，将所述多位糖尿病患者划分成罹患抑郁症的糖尿病患者和无抑郁症的糖尿病患者；在所述调查结果集合中筛选出与所述罹患抑郁症的糖尿病患者相对应的调查结果，得到第一调查结果子集；在所述调查结果集合中筛选出与所述无抑郁症的糖尿病患者相对应的调查结果，得到第二调查结果子集；将所述第一调查结果子集和所述第二调查结果子集进行比较，得到所述显著性差异指标。
具体的，所述基于所述显著性差异指标构建回归模型包括：显示所述显著性差异指标；获取输入的有效风险预测指标，其中所述有效风险预测指标中包括所述显著性差异指标中的一项或多项；利用所述有效风险预测指标利用logistic回归方法构建所述回归模型。
具体的，当基于所述显著性差异指标构建的所述回归模型为至少两个时，在利用所述回归模型生成糖尿病患者抑郁风险评估系统之前，还包括：对所述至少两个回归模型进行应用价值评估；根据所述应用价值评估的评估结果，在所述至少两个回归模型中选取出优势模型；所述利用所述回归模型生成糖尿病患者抑郁风险评估系统包括：利用所述优势模型生成所述糖尿病患者抑郁风险评估系统。
具体的，所述对所述至少两个回归模型进行应用价值评估包括：使用ROC曲线对所述至少两个回归模型进行应用价值评估。
具体的，所述糖尿病患者抑郁风险评估系统采用列线图的形式显示评估结果。
根据第二方面，本发明实施例还提供了一种糖尿病患者抑郁风险评估方法，包括以下步骤：获取待评估糖尿病患者对于预设的第二调查问卷反馈的第二调查结果；将所述第二调查结果输入到糖尿病患者抑郁风险评估系统中，得到所述待评估糖尿病患者的抑郁风险；其中，所述糖尿病患者抑郁风险评估系统利用第一方面所述的糖尿病患者抑郁风险评估系统的构建方法构建得到。
具体的，所述第二调查问卷中的调查指标至少包括：月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟、自我感受评估。
根据第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面所述的糖尿病患者抑郁风险评估系统的构建方法，和/或，第二方面所述的糖尿病患者抑郁风险评估方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1为本发明实施例1中糖尿病患者抑郁风险评估系统构建方法的流程示意图；
图2为本发明实施例1中优势模型的列线图示意图；
图3为本发明实施例1中验证集的校准图；
图4为本发明实施例2中糖尿病患者抑郁风险评估方法的流程示意图；
图5为本发明实施例3中糖尿病患者抑郁风险评估系统构建装置的结构示意图；
图6为本发明实施例4中糖尿病患者抑郁风险评估装置的结构示意图；
图7为本发明实施例5中电子设备的结构示意图。
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，本领域技术人员在没有作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。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例1
老年糖尿病患者的心理障碍表现不典型，具有隐匿性，更需要社区卫生人员密切关注和及时评估。但对于多数评估抑郁量表的使用，需要具有专业的精神科医师指导。基层医生人数很少，缺乏对常见精神心理问题常见症状的掌握。同时，七次全国人口普查数据显示90％左右的老年人都在居家养老，家庭对其心理状况的影响不容小觑。
基于此，本发明实施例1提供了一种糖尿病患者抑郁风险评估系统的构建方法。图1为本发明实施例1中糖尿病患者抑郁风险评估系统构建方法的流程示意图，如图1所示，本发明实施例1的糖尿病患者抑郁风险评估系统的构建方法包括以下步骤：
S101：获取多位糖尿病患者对于预设的第一调查问卷反馈的第一调查结果，得到调查结果集合，其中，所述第一调查问卷中包括多个调查指标。
具体的，调查结果集合中包括多位糖尿病患对于第一调查问卷中的每个调查指标的调查结果。
其中，第一调查问卷中的调查指标至少包括：月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟、自我感受评估。其中，是否进行日常血糖监测属于糖尿病自我管理影响因素，即糖尿病相关因素，自我感受评估属于家庭相关影响因素。
示例的，第一调查问卷中的调查指标包括：年龄、性别、是否吸烟、文化水平、糖尿病病程、治疗方案的知晓情况、是否进行日常血糖监测、血糖水平、是否进行运动锻炼、月收入、医疗费用来源、是否为独生子女家庭、日常照料者、家庭支持、是否具有睡眠障碍、自我感受评估SPBS、APGAR。
示例的，月收入变量为离散变量，月收入变量的值表示为被测试者月收入<1000元、1000-2999元、3000-4999元、>5000元。
日常血糖监测变量为离散变量，日常血糖监测变量的值表示被测试者日常监测血糖或未监测血糖。
运动变量为离散变量，运动变量的值表示被测试者进行运动锻炼或未进行。
睡眠障碍变量为离散变量，睡眠的值表示被测试者有睡眠障碍或无睡眠障碍。
吸烟变量为离散变量，吸烟的值表示被测试者吸烟或无吸烟。
使用SPBS量表进行自我感受评估，自我感受状态变量为离散变量，通过自我感受状态变量表示被测试者有自我感受负担或无自我感受负担。
其中，是否吸烟的判断标准如下：世界卫生组织WHO将“吸烟者”定义为“一生中连续或累积吸烟6个月或以上者”。在本发明实施例1中的吸烟者为：符合上述“吸烟者”特点，在调查前30天内吸过烟的人。
是否进行运动锻炼的判断标准如下：根据WHO的定义，65岁以上老年人的活动量要求为每周进行3天及以上的各种多成分身体活动，中等或更高强度的功能平衡和力量训练为更佳。在本发明实施例1中按心率快慢评估运动强度：最大心率等于220减去年龄，运动心率在最大心率40-55％，低强度；运动心率在最大心率56-75％，中等强度；运动心率在最大心率76％以上，为高强度。
是否具有睡眠障碍的判断标准如下：预防疾病控制中心CDC将失眠定义为无法开始或维持睡眠。它也可能采取清晨觉醒的形式，表现为提前几个小时醒来并且无法恢复睡眠。
自我感受评估SPBS的判断标准如下：是目前患者自我感受负担的唯一有效量表，内部一致性系数α为0.92。该量表共10个条目，包括身体负担、情感负担、经济负担三个方面。每个条目有5级评分，最低分1为“从不”，最高分5为“总是”，各条目相加为SPBS总分。<20分为无明显自我感受负担，20～39分为存在轻中度自我感受负担，≥40分为存在重度自我感受负担。
APGAR：主要测试被试者对家庭功能的满意程度，包括适应度(Adaptation)，合作度(Partnership)，成长度(Growth)，情感度(Affection)和亲密度(Resolve)。共5个条目，每个条目从0分(几乎很少)～2分(经常这样)，7～10分提示家庭关怀度良好，4～6分提示家庭关怀度中度障碍，0～3分提示家庭关怀度严重障碍。
S102：根据所述调查结果集合在所述多个调查指标中选取显著性差异指标。
其中，根据所述调查结果集合在所述多个调查指标中选取显著性差异指标可以采用如下方案：获取所述多位糖尿病患者的神经心理测验结果；基于所述多位糖尿病患者的神经心理测验结果，将所述多位糖尿病患者划分成罹患抑郁症的糖尿病患者和无抑郁症的糖尿病患者；在所述调查结果集合中筛选出与所述罹患抑郁症的糖尿病患者相对应的调查结果，得到第一调查结果子集；在所述调查结果集合中筛选出与所述无抑郁症的糖尿病患者相对应的调查结果，得到第二调查结果子集；将所述第一调查结果子集和所述第二调查结果子集进行比较，得到所述显著性差异指标。
具体的，神经心理测验结果在精神科专科医师的协助下，GDS-30筛查成立。其中，GDS-30包含以下症状：情绪低落、活动减少、易激惹、退缩、痛苦的想法，对过去、现在与将来的消极评价。30个条目，要求受试者按照一周内的感受回答“是”或“否”，包括反序计分和正序计分。每个条目0-1分。总分0～10视为正常范围，≥11分表示异常。
示例的，可以将所述第一调查结果子集和所述第二调查结果子集进行比较，选取p<0.2的变量作为所述显著性差异指标，由此可以避免因变量的相互作用遗漏某些重要因素。
S103：基于所述显著性差异指标构建回归模型。
其中，所述基于所述显著性差异指标构建回归模型可以采用如下方法：显示所述显著性差异指标；获取输入的有效风险预测指标，其中所述有效风险预测指标中包括所述显著性差异指标中的一项或多项；利用所述有效风险预测指标利用logistic回归方法构建所述回归模型。
需要说明的是，有效风险预测指标中除包括显著性差异指标中的一项或多项之外，还可以包括其他的指标，例如生化指标血小板中的5-羟色胺。鉴于本发明适用范围为社区，因上述生化指标获取条件所限，暂不纳入评估系统。
基于显著性差异指标可以构建一个或多个回归模型。当基于所述显著性差异指标构建的所述回归模型为至少两个时，在利用所述回归模型生成糖尿病患者抑郁风险评估系统之前，还包括：对所述至少两个回归模型进行应用价值评估；根据所述应用价值评估的评估结果，在所述至少两个回归模型中选取出优势模型。
具体的，所述对所述至少两个回归模型进行应用价值评估包括：使用ROC曲线对所述至少两个回归模型进行应用价值评估。
示例的，基于月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍和是否吸烟利用logistic回归方法构建得到回归模型I；其中回归模型I＝(-0.323)*月收入+(-1.196)*运动+(-0.826)*血糖监测+2.019*睡眠障碍+0.481*吸烟+0.109。
基于月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟和自我感受评估利用logistic回归方法构建得到回归模型II；其中，回归模型II＝(-0.372)*月收入+(-1.251)*运动+(-0.754)*血糖监测+1.880*睡眠障碍+0.541*吸烟+0.556*SPBS-0.901。
根据ROC的曲线下面积(area under ROC curve,AUC)选择出优势模型。ROC曲线广泛应用于临床诊断。曲线下面积AUC越大，则说明该决策变量的功效越好，分度越大。AUC<0.5，无诊断价值；AUC 0.5～0.7，诊断价值较低；AUC 0.7～0.9，诊断价值中等；AUC>0.9，诊断价值较高。
具体的，回归模型I的AUC为0.812(95％CI:0.748～0.976)，回归模型II的AUC为0.839(95％CI:0.781～0.897)，p<0.05。回归模型II为优势模型。
S104：利用所述回归模型生成糖尿病患者抑郁风险评估系统。
具体的，在回归模型II的基础上构建列线图，得到糖尿病患者抑郁风险评估系统。也就是说，糖尿病患者抑郁风险评估系统采用列线图的形式显示评估结果。
其中，列线图，也称为计算图表，其刻度包含三个或更多数学变量的值，广泛用于医学、工程、工业以及生物和物理科学。列线图模型是一种基于回归模型创建的图形计算工具。它将多个预测指标进行整合，按照比例绘制带有刻度的线段，简单明了的显示出各变量之间的关系。
示例的，在糖尿病患者抑郁风险评估系统的构建方法中，将数据集划分为训练集和验证集，分别用于构建模型和验证所构建的模型。
采用多阶段随机抽样法，从江苏省多个社区随机抽取309个案例样本进行分析，然后随机分为训练集(210人)和验证集(99人)。
其中，糖尿病患者抑郁风险评估系统的构建方法包括以下步骤：
步骤1、指定入组标准并在社区对受试者进行信息采集；
步骤2、采集基本资料和家庭相关量表评估，并进行神经心理测验，记录并存储数据。
步骤3、将研究对象分为抑郁症组和对照组，初步筛选出两组中的显著性差异指标；基于显著性差异指标得到有效风险预测指标。
步骤4、将步骤3中筛选出的有效风险预测指标采用logistic回归方法，分别建立基于基本资料(即月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟)的回顾模型I、基于基本资料和社会家庭影响因素(即月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟、自我感受评估SPBS)的预警模型II，绘制对应回归模型的受试者工作特性曲线(ROC)，分别计算对应预回归模型的预测效果,选择最佳的预警模型；同时绘制出最佳模型的列线图，便于直观评分。
其中，回归模型I＝(-0.323)*月收入+(-1.196)*运动+(-0.826)*血糖监测+2.019*睡眠障碍+0.481*吸烟+0.109。
对于回归模型I，独立风险影响因素：月收入(OR＝0.724,95％CI:0.506～1.037)、日常血糖监测(OR＝0.438,95％CI:0.211～0.907)、吸烟(OR＝1.618,95％CI:0.801～3.266)、运动(OR＝0.302,95％CI:0.150～0.610)、睡眠障碍(OR＝7.529,95％CI:3.680～15.404)。
回归模型II＝(-0.372)*月收入+(-1.251)*运动+(-0.754)*血糖监测+1.880*睡眠障碍+0.541*吸烟+0.556*SPBS-0.901。
对于回归模型II，独立风险影响因素：月收入(OR＝0.689,95％CI:0.477～0.996)、日常血糖监测(OR＝0.470,95％CI:0.222～0.998)、吸烟(OR＝1.718,95％CI:0.834～3.538)、运动(OR＝0.286,95％CI:0.140～0.584)、睡眠障碍(OR＝6.555,95％CI:3.151～13.636)、SPBS(OR＝1.744,95％CI:1.166～2.610)6个变量。
使用ROC曲线对两个模型进行临床应用价值评估。预警模型I的AUC为0.812(95％CI:0.748～0.976)，预警模型II的AUC为0.839(95％CI:0.781～0.897)，p<0.05。预警模型II为优势模型。
步骤5、基于步骤4中logistic回归方法筛出的变量，且根据ROC的曲线下面积选择的最优模型，包括：月收入、日常血糖监测、运动、睡眠、吸烟、自我感受评估SPBS。
在优势模型回归模型II的基础上构建了老年糖尿病抑郁筛查列线图，即图2，为社区卫生工作人员筛查老年糖尿病抑郁提供了一种量化、可视的工具。每个被测试对象，根据每个纳入模型的因素可以得到一个评分，并计算出抑郁可能性的总评分。总分下方对应的即是该患者罹患抑郁症的概率。
进一步的，为了评估通过上述步骤得到的优势模型的性能，在建模后进行了验证，主要评价指标包括区分度和校准度。具体的，通过评估验证集的AUC来表示区分度。校准度关注的是模型预测的事件发生概率和实际事件发生概率的一致程度，常用预测发生率和实际发生率职称散点图，而较为理想的模型，其散点沿45°参考线排列。
本发明中验证集的AUC为0.857(95％CI:0.779～0.935)，区分度较好。
如图3所示，X轴表示优势模型对结局事件的预测概率，Y轴表示结局事件的真实概率，如图3可知，本发明中优势模型具有很好的校正度。
由上述可知，通过上述的糖尿病患者抑郁风险评估系统的构建方法得到糖尿病患者抑郁风险评估系统具有如下有益效果：(1)加入了糖尿病自我管理因素和社会家庭影响因素，更精准全面的反映我国老年糖尿病患者的真实心理状况。(2)以列线图的形式直接展示评分，方便快捷，无需精神专科医师指导，便于社区卫生工作人员使用，同时能够为卫生工作人员和患者双方提供更客观、准确、全面的信息，从而有利于制定针对性的临床决策；(3)纳入多例老年糖尿病患者用以评估和验证糖尿病患者抑郁风险评估系统，尽可能降低了个体及其他基础疾病对预警模型的影响。
实施例2
在本发明实施例1的基础上，本发明实施例2提供了一种糖尿病患者抑郁风险评估方法。图4为本发明实施例2中糖尿病患者抑郁风险评估方法的流程示意图，如图4所示，本发明实施例2的糖尿病患者抑郁风险评估方法包括以下步骤：
S201：获取待评估糖尿病患者对于预设的第二调查问卷反馈的第二调查结果。
具体的，第二调查问卷为在已构建的糖尿病患者抑郁风险评估系统的基础上的仅包含有效风险预测指标的问卷调查。示例的，所述第二调查问卷中的调查指标包括：月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟、自我感受评估。
需要说明的，通过本发明实施例1的方法，得到回归模型II为优势模型，因此将与回归模型II相对应的调查指标作为第二调查问卷中的调查指标。
S202：将所述第二调查结果输入到糖尿病患者抑郁风险评估系统中，得到所述待评估糖尿病患者的抑郁风险，其中所述糖尿病患者抑郁风险评估系统利用本发明实施例1的方法构建得到。
如图3所示，将待评估糖尿病患者对于第二调查问卷中每个调查指标的调查结果，即月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟和自我感受评估调查结果带入糖尿病患者抑郁风险评估系统，在列线图中找到每个调查指标的得分，将每个调查指标的得分相加得到总分，与总分对应的风险即为待评估糖尿病患者罹患抑郁症的概率。
本发明实施例2提供的糖尿病患者抑郁风险评估方法，仅通过获取待评估糖尿病患者对于预设的第二调查问卷反馈的第二调查结果就能得到待评估糖尿病患者的抑郁风险，无需专业的人员进行指导，方便社区卫生人员使用。
实施例3
与本发明实施例1相对应，本发明实施例3还提供了一种糖尿病患者抑郁风险评估系统的构建装置。图5为本发明实施例3中糖尿病患者抑郁风险评估系统构建装置的结构示意图，如图5所示，糖尿病患者抑郁风险评估系统构建装置包括第一获取模块30、筛选模块31、模型构建模块32和评估系统生成模块33。
第一获取模块30，用于获取多位糖尿病患者对于预设的第一调查问卷反馈的第一调查结果，得到调查结果集合，其中，所述第一调查问卷中包括多个调查指标；
筛选模块31，用于根据所述调查结果集合在所述多个调查指标中选取显著性差异指标；
模型构建模块32，用于基于所述显著性差异指标构建回归模型；
评估系统生成模块33，用于利用所述回归模型生成糖尿病患者抑郁风险评估系统。
其中，所述第一获取模块30还用于：获取所述多位糖尿病患者的神经心理测验结果。所述筛选模块31具体用于：基于所述多位糖尿病患者的神经心理测验结果，将所述多位糖尿病患者划分成罹患抑郁症的糖尿病患者和无抑郁症的糖尿病患者；在所述调查结果集合中筛选出与所述罹患抑郁症的糖尿病患者相对应的调查结果，得到第一调查结果子集；在所述调查结果集合中筛选出与所述无抑郁症的糖尿病患者相对应的调查结果，得到第二调查结果子集；将所述第一调查结果子集和所述第二调查结果子集进行比较，得到所述显著性差异指标。
所述模型构建模块32具体用于：显示所述显著性差异指标；利用输入的有效风险预测指标利用logistic回归方法构建所述回归模型。其中，所述有效风险预测指标中包括所述显著性差异指标中的一项或多项。
进一步的，当基于所述显著性差异指标构建的所述回归模型为至少两个时，在利用所述回归模型生成糖尿病患者抑郁风险评估系统之前，所述模型构建模块32还用于：对所述至少两个回归模型进行应用价值评估；根据所述应用价值评估的评估结果，在所述至少两个回归模型中选取出优势模型。所述评估系统生成模块33具体用于：利用所述优势模型生成所述糖尿病患者抑郁风险评估系统。
上述糖尿病患者抑郁风险评估系统构建装置的具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
实施例4
与本发明实施例2相对应，本发明实施例4还提供了一种糖尿病患者抑郁风险评估装置。图6为本发明实施例4中糖尿病患者抑郁风险评估装置的结构示意图，如图6所示，本发明实施例4的糖尿病患者抑郁风险评估装置包括第二获取模块40和评估模块41。
第二获取模块40，用于获取待评估糖尿病患者对于预设的第二调查问卷反馈的第二调查结果；
评估模块41，用于将所述第二调查结果输入到糖尿病患者抑郁风险评估系统中，得到所述待评估糖尿病患者的抑郁风险；
上述糖尿病患者抑郁风险评估装置的具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
实施例5
本发明实施例还提供了一种电子设备，如图7所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的糖尿病患者抑郁风险评估系统的构建方法或糖尿病患者抑郁风险评估方法对应的程序指令/模块(例如，图5所示的第一获取模块30、筛选模块31、模型构建模块32和评估系统生成模块33或图6所示的第二获取模块40和评估模块41)。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的糖尿病患者抑郁风险评估系统的构建方法或糖尿病患者抑郁风险评估方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1至图6所示实施例中的糖尿病患者抑郁风险评估系统的构建方法或糖尿病患者抑郁风险评估方法。
上述电子设备具体细节可以对应参阅图1至图6所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种糖尿病患者抑郁风险评估系统的构建方法，其特征在于，包括：
获取多位糖尿病患者对于预设的第一调查问卷反馈的第一调查结果，得到调查结果集合，其中，所述第一调查问卷中包括多个调查指标；
根据所述调查结果集合在所述多个调查指标中选取显著性差异指标；
基于所述显著性差异指标构建回归模型；
利用所述回归模型生成糖尿病患者抑郁风险评估系统。
2.根据权利要求1所述的方法，其特征在于，所述第一调查问卷中的调查指标至少包括：月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟、自我感受评估。
3.根据权利要求1所述的方法，其特征在于，所述根据所述调查结果集合在所述多个调查指标中选取显著性差异指标包括：
获取所述多位糖尿病患者的神经心理测验结果；
基于所述多位糖尿病患者的神经心理测验结果，将所述多位糖尿病患者划分成罹患抑郁症的糖尿病患者和无抑郁症的糖尿病患者；
在所述调查结果集合中筛选出与所述罹患抑郁症的糖尿病患者相对应的调查结果，得到第一调查结果子集；
在所述调查结果集合中筛选出与所述无抑郁症的糖尿病患者相对应的调查结果，得到第二调查结果子集；
将所述第一调查结果子集和所述第二调查结果子集进行比较，得到所述显著性差异指标。
4.根据权利要求3所述的方法，其特征在于，所述基于所述显著性差异指标构建回归模型包括：
显示所述显著性差异指标；
获取输入的有效风险预测指标，其中所述有效风险预测指标中包括所述显著性差异指标中的一项或多项；
利用所述有效风险预测指标利用logistic回归方法构建所述回归模型。
5.根据权利要求1所述的方法，其特征在于，当基于所述显著性差异指标构建的所述回归模型为至少两个时，在利用所述回归模型生成糖尿病患者抑郁风险评估系统之前，还包括：
对所述至少两个回归模型进行应用价值评估；
根据所述应用价值评估的评估结果，在所述至少两个回归模型中选取出优势模型；
所述利用所述回归模型生成糖尿病患者抑郁风险评估系统包括：利用所述优势模型生成所述糖尿病患者抑郁风险评估系统。
6.根据权利要求5所述的方法，其特征在于，所述对所述至少两个回归模型进行应用价值评估包括：
使用ROC曲线对所述至少两个回归模型进行应用价值评估。
7.根据权利要求1～6任一项所述的方法，其特征在于，所述糖尿病患者抑郁风险评估系统采用列线图的形式显示评估结果。
8.一种糖尿病患者抑郁风险评估方法，其特征在于，包括：
获取待评估糖尿病患者对于预设的第二调查问卷反馈的第二调查结果；
将所述第二调查结果输入到糖尿病患者抑郁风险评估系统中，得到所述待评估糖尿病患者的抑郁风险；
其中，所述糖尿病患者抑郁风险评估系统利用权利要求1～7任一项所述的糖尿病患者抑郁风险评估系统的构建方法构建得到。
9.根据权利要求8所述的方法，其特征在于，所述第二调查问卷中的调查指标包括：月收入、是否进行运动锻炼、是否进行日常血糖监测、是否具有睡眠障碍、是否吸烟、自我感受评估。
10.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1～7中任一项所述的糖尿病患者抑郁风险评估系统的构建方法，和/或，权利要求8～9任一项所述的糖尿病患者抑郁风险评估方法。
CN202211632317.8A 2022-12-19 2022-12-19 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法 Pending CN116052877A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211632317.8A CN116052877A (zh) 2022-12-19 2022-12-19 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211632317.8A CN116052877A (zh) 2022-12-19 2022-12-19 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法

Publications (1)

Publication Number Publication Date
CN116052877A true CN116052877A (zh) 2023-05-02

Family

ID=86120832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211632317.8A Pending CN116052877A (zh) 2022-12-19 2022-12-19 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法

Country Status (1)

Country Link
CN (1) CN116052877A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117373583A (zh) * 2023-10-10 2024-01-09 中国医学科学院肿瘤医院 基于大数据的智慧医疗及大数据医疗云平台

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2013155905A (ru) * 2013-12-17 2015-06-27 Федеральное государственное бюджетное учреждение "Научный центр психического здоровья" Российской академии медицинских наук Способ прогнозирования тяжести депрессивных расстройств у мужчин с ишемической болезнью сердца
CN108206058A (zh) * 2016-12-19 2018-06-26 平安科技（深圳）有限公司 人体综合健康风险预测方法及系统
KR20200001777A (ko) * 2018-06-28 2020-01-07 연세대학교 산학협력단 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스
CN113903450A (zh) * 2021-09-13 2022-01-07 吾征智能技术(北京)有限公司 一种2型糖尿病风险预测模型的构建系统
CN114267451A (zh) * 2021-12-24 2022-04-01 湖南弘源慢病健康管理有限公司 一种心血管病风险评估方法
CN115101204A (zh) * 2022-06-22 2022-09-23 中国科学院心理研究所 一种基于血液生化指标量化评估抑郁症风险的模型、设备及存储介质
CN115171893A (zh) * 2022-06-30 2022-10-11 宁夏回族自治区人民医院(宁夏眼科医院、西北民族大学第一附属医院) 基于大数据分析的糖尿病患者评估及管理系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2013155905A (ru) * 2013-12-17 2015-06-27 Федеральное государственное бюджетное учреждение "Научный центр психического здоровья" Российской академии медицинских наук Способ прогнозирования тяжести депрессивных расстройств у мужчин с ишемической болезнью сердца
CN108206058A (zh) * 2016-12-19 2018-06-26 平安科技（深圳）有限公司 人体综合健康风险预测方法及系统
KR20200001777A (ko) * 2018-06-28 2020-01-07 연세대학교 산학협력단 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스
CN113903450A (zh) * 2021-09-13 2022-01-07 吾征智能技术(北京)有限公司 一种2型糖尿病风险预测模型的构建系统
CN114267451A (zh) * 2021-12-24 2022-04-01 湖南弘源慢病健康管理有限公司 一种心血管病风险评估方法
CN115101204A (zh) * 2022-06-22 2022-09-23 中国科学院心理研究所 一种基于血液生化指标量化评估抑郁症风险的模型、设备及存储介质
CN115171893A (zh) * 2022-06-30 2022-10-11 宁夏回族自治区人民医院(宁夏眼科医院、西北民族大学第一附属医院) 基于大数据分析的糖尿病患者评估及管理系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
屠云等: "糖尿病合并抑郁Logistic多因素分析", 齐齐哈尔医学院学报, vol. 32, no. 20, pages 3282 - 3286 *
张炜: "老年2型糖尿病患者抑郁情况及危险因素分析", 中国护理管理, vol. 10, no. 6, pages 33 - 35 *
朱高培等: "2型糖尿病风险评估模型和风险评分表的建立", 中国卫生统计, vol. 36, no. 06, pages 843 - 846 *
阎爽等: "糖尿病患者伴抑郁状况的多因素分析", 中国临床康复, vol. 9, no. 12, pages 1 - 3 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117373583A (zh) * 2023-10-10 2024-01-09 中国医学科学院肿瘤医院 基于大数据的智慧医疗及大数据医疗云平台
CN117373583B (zh) * 2023-10-10 2024-05-07 中国医学科学院肿瘤医院 基于大数据的智慧医疗及大数据医疗云平台

Similar Documents

Publication Publication Date Title
Suls et al. Multimorbidity: Implications and directions for health psychology and behavioral medicine.
Chapman et al. The misdiagnosis of epilepsy in people with intellectual disabilities: a systematic review
Mewes et al. Psychological predictors for health-related quality of life and disability in persons with chronic obstructive pulmonary disease (COPD)
Pusswald et al. The “Sense of Coherence” and the coping capacity of patients with Parkinson disease
WO2021148966A1 (en) A computer-implemented system and method for outputting a prediction of an exacerbation and/or hospitalization of asthma
Rhee et al. Adolescents' perception of asthma symptoms and health care utilization
Yu et al. Multi-state Markov model in outcome of mild cognitive impairments among community elderly residents in Mainland China
Midden et al. Differential item functioning analysis of items on the Geriatric Depression Scale-15 based on the presence or absence of cognitive impairment
CN116052877A (zh) 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法
CN118366667A (zh) 一种卒中后伴发失眠症状的预测模型的构建方法及系统
van Lier et al. An ideographic study into physiology, alcohol craving and lapses during one hundred days of daily life monitoring
Gilmour et al. Neuropsychiatric phenotypes in functional movement disorder
CN114613487A (zh) 妊娠决策支持系统和方法
Zhang et al. Association of visual health with depressive symptoms and brain imaging phenotypes among middle-aged and older adults
Van Der Donckt et al. From self-reporting to monitoring for improved migraine management
TWI661384B (zh) 生理監控回饋系統及其運作方法
Doré et al. Deficient relational binding processes in adolescents with psychosis: evidence from impaired memory for source and temporal context
Sharifi-Heris et al. Phenotyping the autonomic nervous system in pregnancy using remote sensors: potential for complication prediction
Adamowicz et al. Predicting and improving hospital outcomes for older adults
Alanazi Determinants of successful diabetes self-management behaviors among women of Arab descent with Type 2 Diabetes
Jani Benefiting from online mental status examination system and mental health diagnostic system
Dorronzoro-Zubiete et al. Personalized Management of Fatigue in Individuals With Myalgic Encephalomyelitis/Chronic Fatigue Syndrome and Long COVID Using a Smart Digital mHealth Solution: Protocol for a Participatory Design Approach
Meer Investigating self-perception of emotion in individuals with non-epileptic seizures (NES)
Radhakrishnan et al. Stress Evaluation in Veteran Population Using BRFSS Data with Machine Learning
Koerts et al. Medical decision-making in patients with Parkinson's disease

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
TA01 Transfer of patent application right

Effective date of registration: 20230628

Address after: 283 Jiefang South Road, Yancheng City, Jiangsu Province

Applicant after: JIANGSU VOCATIONAL College OF MEDICINE

Address before: 283 Jiefang South Road, Yancheng City, Jiangsu Province

Applicant before: Li Shanshan

Applicant before: Jiang Wei

Applicant before: Huang Nanbo

TA01 Transfer of patent application right