CN116246788A - 基于体检报告整合分析的无创风险糖尿病预测系统 - Google Patents
基于体检报告整合分析的无创风险糖尿病预测系统 Download PDFInfo
- Publication number
- CN116246788A CN116246788A CN202310530905.9A CN202310530905A CN116246788A CN 116246788 A CN116246788 A CN 116246788A CN 202310530905 A CN202310530905 A CN 202310530905A CN 116246788 A CN116246788 A CN 116246788A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- physical examination
- examination report
- user
- 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
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 230000010354 integration Effects 0.000 title claims abstract description 15
- 238000011835 investigation Methods 0.000 claims abstract description 20
- 210000002700 urine Anatomy 0.000 claims description 33
- 238000012937 correction Methods 0.000 claims description 23
- 210000004369 blood Anatomy 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 15
- 210000003743 erythrocyte Anatomy 0.000 claims description 9
- 102000004169 proteins and genes Human genes 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 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 claims description 7
- 239000008103 glucose Substances 0.000 claims description 7
- 241000894006 Bacteria Species 0.000 claims description 6
- 210000000265 leukocyte Anatomy 0.000 claims description 6
- 238000012351 Integrated analysis Methods 0.000 claims description 5
- 230000001580 bacterial effect Effects 0.000 claims description 3
- 230000002485 urinary effect Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 4
- 201000001421 hyperglycemia Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000009693 chronic damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数字数据处理技术领域，具体涉及基于体检报告整合分析的无创风险糖尿病预测系统，包括：控制终端，是系统的主控端，用于发出执行命令；上载模块，用于上传用户的电子体检报告单；采集模块，用于读取电子体检报告单，于电子体检报告单中采集糖尿病预测用数据；编辑模块，用于编辑文字问询问题，以文字问询问题组成电子调研单；本发明中系统在运行过程中，能够通过采集电子体检报告单中数据信息的方式来预测用户的患病概率，并在获取预测概率结果后，对预测概率结果进行了进一步修正，以达到输出预测概率结果更加精确的目的，为用户带来更加有效的参考。
Description
技术领域
本发明涉及数字数据处理技术领域，具体涉及基于体检报告整合分析的无创风险糖尿病预测系统。
背景技术
糖尿病是一种以高血糖为特征的代谢性疾病。高血糖则是由于胰岛素分泌缺陷或其生物作用受损，或两者兼有引起。长期存在的高血糖，导致各种组织，特别是眼、肾、心脏、血管、神经的慢性损害、功能障碍。
目前，患者于医院就诊，在检测是否患有糖尿病时，需要经历大量的检测、监测才能确诊，其过程时间较为冗长，效率较低，针对于庞大的患者群体，目前并没有一种能够用于预测患者是否患有糖尿病的系统。
发明内容
针对现有技术所存在的上述缺点，本发明提供了基于体检报告整合分析的无创风险糖尿病预测系统，解决了上述背景技术中提出的技术问题。
为实现以上目的，本发明通过以下技术方案予以实现：
基于体检报告整合分析的无创风险糖尿病预测系统，包括：
控制终端，是系统的主控端，用于发出执行命令；
上载模块，用于上传用户的电子体检报告单；
采集模块，用于读取电子体检报告单，于电子体检报告单中采集糖尿病预测用数据；
编辑模块，用于编辑文字问询问题，以文字问询问题组成电子调研单；
预测模块，用于接收采集模块采集到的糖尿病预测用数据及编辑模块中电子调研单由用户填写后的数据，应用接收数据对用户的糖尿病发病概率进行预测；
标记模块，用于对上载模块中上传电子体检报告单对应用户进行是否患病的标记；
统计模块，用于统计标记模块运行结束后，电子体检报告单对应用户中患病用户数量及未患病数量。
更进一步地，所述上载模块下级设置有子模块，包括：
储存单元，用于接收上载模块中上传的用户电子体检报告单，对电子体检报告单进行储存；
队列单元，用于对储存单元中储存的电子体检报告单进行队列排序；
其中，所述队列单元对电子体检报告单的队列排序操作与储存单元中完成。
更进一步地，所述采集模块于电子体检报告单中采集的糖尿病预测用数据包括：血糖数据、尿糖数据、尿蛋白数据、尿白细胞以及红细胞数据、尿中细菌含量数据与尿潜血数据；
其中，队列单元在对电子体检报告单进行队列排序时，应用血糖数据、尿糖数据、尿蛋白数据、尿白细胞以及红细胞数据、尿中细菌含量数据中任意一种作为排序逻辑，以数据的数值由大到小进行队列排序。
更进一步地，所述编辑模块内部设置有子模块，包括：
反馈单元，用于转发编辑模块中编辑生成的电子调研单至用户；
其中，编辑模块中编辑的文字问询问题通过系统端用户手动编辑进行设定，每一组问询问题的答案均为：是、一般、否，每一组问询问题的每一项答案均设定有指定的分值，反馈单元以上载模块运行作为触发信号，在每次上载模块完成上传用户的电子体检报告单的操作后触发运行，将电子调研单发送至上载模块中，供用户于上载模块中读取并填写。
更进一步地，所述预测模块中对用户的糖尿病发病概率的预测通过下式进行求取，公式为：
式中：
为糖尿病发病率；/>
为参考值的集合，/>
；/>
为血糖数据数值；
为尿糖数据数值；/>
为尿蛋白数据数值；/>
为尿白细胞以及红细胞数据平均数值；/>
为尿中细菌含量数据数值；/>
为尿潜血数据，/>
为阴性时取值为/>
，/>
为阳性时取值为取1；/>
为用户填写的电子调研单分值；/>
、/>
、/>
、/>
、/>
为/>
、/>
、
、/>
、/>
各自对应的权值。
更进一步地，所述标记模块下级设置有子模块，包括：
修正单元，用于获取标记模块运行结果数据，应用标记模块运行结果数据对预测模块中求取的糖尿病发病概率进行修正；
其中，修正单元对糖尿病发病概率进行修正后的输出结果通过下式进行求取，公式为：
式中：
为修正后的用户的糖尿病发病概率；/>
为用户的糖尿病发病概率；
为设定判定阈值状态下，用户糖尿病发病概率与判定阈值比对，被判定为糖尿病的用户数量；/>
为标记模块中标记为糖尿病的用户数量。
更进一步地，所述
在取值时所应用的判定阈值通过系统端用户手动编辑进行设定。
更进一步地，所述统计模块还用于接收预测模块及修正单元的运行结果数据，统计模块在接收预测模块及修正单元的运行结果数据，并统计电子体检报告单对应用户中患病用户数量及未患病数量后，对自身运行获取的数据进行打包向控制终端发送，用户于控制终端上对统计模块发送的打包数据进行读取。
更进一步地，所述修正单元通过系统端用户手动设定是否参与系统运行。
更进一步地，所述控制终端通过介质电性连接有上载模块，所述上载模块下级通过介质电性连接有储存单元及队列单元，所述上载模块通过介质电性连接有采集模块，所述采集模块通过介质电性与队列单元相连接，所述采集模块通过介质电性连接有编辑模块，所述编辑模块内部通过介质电性连接有反馈单元，所述反馈单元通过介质电性与上载模块相连接，所述编辑模块通过介质电性连接有预测模块及标记模块，所述标记模块下级通过介质电性连接有修正单元，所述标记模块通过介质电性连接有统计模块。
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
1、本发明提供一种基于体检报告整合分析的无创风险糖尿病预测系统，该系统在运行过程中，能够通过采集电子体检报告单中数据信息的方式来预测用户的患病概率，并在获取预测概率结果后，对预测概率结果进行了进一步修正，以达到输出预测概率结果更加精确的目的，为用户带来更加有效的参考。
2、本发明中系统在运行的过程中，通过连续输出，系统服务用户患病统计结果、预测概率、修正后预测概率的方式为用户带来了充足的数据参考，此外，在系统上载用户的电子体检报告单后，通过处理对列生成的方式为系统提供了一定的运行逻辑，同时还能够以此映证用户的糖尿病患病概率，即系统输出用户的患病概率结果越晚，则概率越低。
3、本发明中系统在运行的过程中，还通过编辑设定电子调研单的方式，进行了进一步的数据采集，并以采集到的数据作为系统预测概率计算时的参与变量，从而达到提升系统输出预测概率结果的准确性的目的。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为基于体检报告整合分析的无创风险糖尿病预测系统的结构示意图；
图中的标号分别代表：1、控制终端；2、上载模块；21、储存单元；22、队列单元；3、采集模块；4、编辑模块；41、反馈单元；5、预测模块；6、标记模块；61、修正单元；7、统计模块。
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，本领域普通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。
下面结合实施例对本发明作进一步的描述。
实施例一：本实施例的基于体检报告整合分析的无创风险糖尿病预测系统，如图1所示，包括：
控制终端1，是系统的主控端，用于发出执行命令；
上载模块2，用于上传用户的电子体检报告单；
采集模块3，用于读取电子体检报告单，于电子体检报告单中采集糖尿病预测用数据；
编辑模块4，用于编辑文字问询问题，以文字问询问题组成电子调研单；
预测模块5，用于接收采集模块3采集到的糖尿病预测用数据及编辑模块4中电子调研单由用户填写后的数据，应用接收数据对用户的糖尿病发病概率进行预测；
标记模块6，用于对上载模块2中上传电子体检报告单对应用户进行是否患病的标记；
统计模块7，用于统计标记模块6运行结束后，电子体检报告单对应用户中患病用户数量及未患病数量；
控制终端1通过介质电性连接有上载模块2，上载模块2下级通过介质电性连接有储存单元21及队列单元22，上载模块2通过介质电性连接有采集模块3，采集模块3通过介质电性与队列单元22相连接，采集模块3通过介质电性连接有编辑模块4，编辑模块4内部通过介质电性连接有反馈单元41，反馈单元41通过介质电性与上载模块2相连接，编辑模块4通过介质电性连接有预测模块5及标记模块6，标记模块6下级通过介质电性连接有修正单元61，标记模块6通过介质电性连接有统计模块7；
上载模块2下级设置有子模块，包括：
储存单元21，用于接收上载模块2中上传的用户电子体检报告单，对电子体检报告单进行储存；
队列单元22，用于对储存单元21中储存的电子体检报告单进行队列排序；
其中，队列单元22对电子体检报告单的队列排序操作与储存单元21中完成；
采集模块2于电子体检报告单中采集的糖尿病预测用数据包括：血糖数据、尿糖数据、尿蛋白数据、尿白细胞以及红细胞数据、尿中细菌含量数据与尿潜血数据；
其中，队列单元22在对电子体检报告单进行队列排序时，应用血糖数据、尿糖数据、尿蛋白数据、尿白细胞以及红细胞数据、尿中细菌含量数据中任意一种作为排序逻辑，以数据的数值由大到小进行队列排序；
预测模块5中对用户的糖尿病发病概率的预测通过下式进行求取，公式为：
式中：
为糖尿病发病率；/>
为参考值的集合，/>
；/>
为血糖数据数值；
为尿糖数据数值；/>
为尿蛋白数据数值；/>
为尿白细胞以及红细胞数据平均数值；/>
为尿中细菌含量数据数值；/>
为尿潜血数据，/>
为阴性时取值为/>
，/>
为阳性时取值为取1；/>
为用户填写的电子调研单分值；/>
、/>
、/>
、/>
、/>
为/>
、/>
、/>
、/>
、/>
各自对应的权值。
在本实施例中，控制终端1控制上载模块2上传用户的电子体检报告单，采集模块3同步的读取电子体检报告单，于电子体检报告单中采集糖尿病预测用数据，编辑模块4后置运行编辑文字问询问题，以文字问询问题组成电子调研单，预测模块5后置运行接收采集模块3采集到的糖尿病预测用数据及编辑模块4中电子调研单由用户填写后的数据，应用接收数据对用户的糖尿病发病概率进行预测，再由标记模块6对上载模块2中上传电子体检报告单对应用户进行是否患病的标记，最后通过统计模块7统计标记模块6运行结束后，电子体检报告单对应用户中患病用户数量及未患病数量；
此外，通过上载模块2下级设置的子模块能够对用户电子体检报告单进行储存，从而实现系统的多用户服务功能，使得用户电子体检报告单能够得到同步处理，并以配置的对列排序，进一步提供处理逻辑，使得系统能够更加稳定的对各用户进行预测概率结果输出；
此外，由上述记载的公式计算，使得系统能够输出各用户的准确预测概率提供用户参考，且公式中参与运算的变量均来自于用户的电子体检报告单，从而使得预测概率结果更加精准。
实施例二：在具体实施层面，在实施例1的基础上，本实施例参照图1对实施例1中基于体检报告整合分析的无创风险糖尿病预测系统做进一步具体说明：
编辑模块4内部设置有子模块，包括：
反馈单元41，用于转发编辑模块4中编辑生成的电子调研单至用户；
其中，编辑模块4中编辑的文字问询问题通过系统端用户手动编辑进行设定，每一组问询问题的答案均为：是、一般、否，每一组问询问题的每一项答案均设定有指定的分值，反馈单元41以上载模块2运行作为触发信号，在每次上载模块2完成上传用户的电子体检报告单的操作后触发运行，将电子调研单发送至上载模块2中，供用户于上载模块2中读取并填写。
通过反馈单元41的设置，能够为系统在进行用户患病预测时，带来更近一步的数据参考及计算变量，在提升系统进行用户患病预测结果准确性的同时，为用户带来了一定程度的自我参考数据。
如图1所示，标记模块6下级设置有子模块，包括：
修正单元61，用于获取标记模块6运行结果数据，应用标记模块6运行结果数据对预测模块5中求取的糖尿病发病概率进行修正；
其中，修正单元61对糖尿病发病概率进行修正后的输出结果通过下式进行求取，公式为：
式中：
为修正后的用户的糖尿病发病概率；/>
为用户的糖尿病发病概率；
为设定判定阈值状态下，用户糖尿病发病概率与判定阈值比对，被判定为糖尿病的用户数量；/>
为标记模块6中标记为糖尿病的用户数量；
通过上述设置，为系统中预测模块5输出的预测概率进行了进一步修正，使得系统中最终输出的预测概率更加精确可靠。
如图1所示，统计模块7还用于接收预测模块5及修正单元61的运行结果数据，统计模块7在接收预测模块5及修正单元61的运行结果数据，并统计电子体检报告单对应用户中患病用户数量及未患病数量后，对自身运行获取的数据进行打包向控制终端1发送，用户于控制终端1上对统计模块7发送的打包数据进行读取。
如图1所示，修正单元61通过系统端用户手动设定是否参与系统运行。
通过上述设置，为系统在被用户操作时，带来了一定程度的操作权限，使得系统能够根据用户的需求，进行预测概率结果的输出。
综上而言，上述实施例中系统在运行过程中，能够通过采集电子体检报告单中数据信息的方式来预测用户的患病概率，并在获取预测概率结果后，对预测概率结果进行了进一步修正，以达到输出预测概率结果更加精确的目的，为用户带来更加有效的参考；此外，系统通过连续输出，系统服务用户患病统计结果、预测概率、修正后预测概率的方式为用户带来了充足的数据参考，此外，在系统上载用户的电子体检报告单后，通过处理对列生成的方式为系统提供了一定的运行逻辑，同时还能够以此映证用户的糖尿病患病概率，即系统输出用户的患病概率结果越晚，则概率越低；同时，系统还通过编辑设定电子调研单的方式，进行了进一步的数据采集，并以采集到的数据作为系统预测概率计算时的参与变量，从而达到提升系统输出预测概率结果的准确性的目的。
以上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，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，包括：
控制终端（1），是系统的主控端，用于发出执行命令；
上载模块（2），用于上传用户的电子体检报告单；
采集模块（3），用于读取电子体检报告单，于电子体检报告单中采集糖尿病预测用数据；
编辑模块（4），用于编辑文字问询问题，以文字问询问题组成电子调研单；
预测模块（5），用于接收采集模块（3）采集到的糖尿病预测用数据及编辑模块（4）中电子调研单由用户填写后的数据，应用接收数据对用户的糖尿病发病概率进行预测；
标记模块（6），用于对上载模块（2）中上传电子体检报告单对应用户进行是否患病的标记；
统计模块（7），用于统计标记模块（6）运行结束后，电子体检报告单对应用户中患病用户数量及未患病数量。
2.根据权利要求1所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述上载模块（2）下级设置有子模块，包括：
储存单元（21），用于接收上载模块（2）中上传的用户电子体检报告单，对电子体检报告单进行储存；
队列单元（22），用于对储存单元（21）中储存的电子体检报告单进行队列排序；
其中，所述队列单元（22）对电子体检报告单的队列排序操作与储存单元（21）中完成。
3.根据权利要求1或2所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述采集模块（2）于电子体检报告单中采集的糖尿病预测用数据包括：血糖数据、尿糖数据、尿蛋白数据、尿白细胞以及红细胞数据、尿中细菌含量数据与尿潜血数据；
其中，队列单元（22）在对电子体检报告单进行队列排序时，应用血糖数据、尿糖数据、尿蛋白数据、尿白细胞以及红细胞数据、尿中细菌含量数据中任意一种作为排序逻辑，以数据的数值由大到小进行队列排序。
4.根据权利要求1所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述编辑模块（4）内部设置有子模块，包括：
反馈单元（41），用于转发编辑模块（4）中编辑生成的电子调研单至用户；
其中，编辑模块（4）中编辑的文字问询问题通过系统端用户手动编辑进行设定，每一组问询问题的答案均为：是、一般、否，每一组问询问题的每一项答案均设定有指定的分值，反馈单元（41）以上载模块（2）运行作为触发信号，在每次上载模块（2）完成上传用户的电子体检报告单的操作后触发运行，将电子调研单发送至上载模块（2）中，供用户于上载模块（2）中读取并填写。
5.根据权利要求1所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述预测模块（5）中对用户的糖尿病发病概率的预测通过下式进行求取，公式为：
式中：
为糖尿病发病率；/>
为参考值的集合，/>
；/>
为血糖数据数值；/>
为尿糖数据数值；/>
为尿蛋白数据数值；/>
为尿白细胞以及红细胞数据平均数值；
为尿中细菌含量数据数值；/>
为尿潜血数据，/>
为阴性时取值为/>
，/>
为阳性时取值为取1；/>
为用户填写的电子调研单分值；/>
、/>
、/>
、/>
、/>
为/>
、/>
、
、/>
、/>
各自对应的权值。
6.根据权利要求5所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述标记模块（6）下级设置有子模块，包括：
修正单元（61），用于获取标记模块（6）运行结果数据，应用标记模块（6）运行结果数据对预测模块（5）中求取的糖尿病发病概率进行修正；
其中，修正单元（61）对糖尿病发病概率进行修正后的输出结果通过下式进行求取，公式为：
式中：
为修正后的用户的糖尿病发病概率；/>
为用户的糖尿病发病概率；/>
为设定判定阈值状态下，用户糖尿病发病概率与判定阈值比对，被判定为糖尿病的用户数量；
为标记模块（6）中标记为糖尿病的用户数量。
7.根据权利要求6所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述
在取值时所应用的判定阈值通过系统端用户手动编辑进行设定。
8.根据权利要求1或6所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述统计模块（7）还用于接收预测模块（5）及修正单元（61）的运行结果数据，统计模块（7）在接收预测模块（5）及修正单元（61）的运行结果数据，并统计电子体检报告单对应用户中患病用户数量及未患病数量后，对自身运行获取的数据进行打包向控制终端（1）发送，用户于控制终端（1）上对统计模块（7）发送的打包数据进行读取。
9.根据权利要求6所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述修正单元（61）通过系统端用户手动设定是否参与系统运行。
10.根据权利要求1所述的基于体检报告整合分析的无创风险糖尿病预测系统，其特征在于，所述控制终端（1）通过介质电性连接有上载模块（2），所述上载模块（2）下级通过介质电性连接有储存单元（21）及队列单元（22），所述上载模块（2）通过介质电性连接有采集模块（3），所述采集模块（3）通过介质电性与队列单元（22）相连接，所述采集模块（3）通过介质电性连接有编辑模块（4），所述编辑模块（4）内部通过介质电性连接有反馈单元（41），所述反馈单元（41）通过介质电性与上载模块（2）相连接，所述编辑模块（4）通过介质电性连接有预测模块（5）及标记模块（6），所述标记模块（6）下级通过介质电性连接有修正单元（61），所述标记模块（6）通过介质电性连接有统计模块（7）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310530905.9A CN116246788A (zh) | 2023-05-12 | 2023-05-12 | 基于体检报告整合分析的无创风险糖尿病预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310530905.9A CN116246788A (zh) | 2023-05-12 | 2023-05-12 | 基于体检报告整合分析的无创风险糖尿病预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116246788A true CN116246788A (zh) | 2023-06-09 |
Family
ID=86633521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310530905.9A Pending CN116246788A (zh) | 2023-05-12 | 2023-05-12 | 基于体检报告整合分析的无创风险糖尿病预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116246788A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574337A (zh) * | 2015-12-16 | 2016-05-11 | 上海亿保健康管理有限公司 | 一种健康评估装置 |
| CN106384013A (zh) * | 2016-09-28 | 2017-02-08 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的ii型糖尿病预测方法和预测系统 |
| CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法 |
| CN112037910A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 健康信息管理方法、装置、设备及存储介质 |
| CN112365981A (zh) * | 2020-11-26 | 2021-02-12 | 中国联合网络通信集团有限公司 | 智慧医疗信息处理方法和装置 |
| CN112364857A (zh) * | 2020-10-23 | 2021-02-12 | 中国平安人寿保险股份有限公司 | 基于数值抽取的图像识别方法、装置及存储介质 |
| CN113035357A (zh) * | 2021-04-06 | 2021-06-25 | 昆明医科大学第一附属医院 | 一种糖尿病肾脏疾病风险评估系统 |
| CN114864112A (zh) * | 2022-05-10 | 2022-08-05 | 王忆飞 | 一种基于云的社区慢病大数据管理系统 |
| CN115168669A (zh) * | 2022-09-07 | 2022-10-11 | 杭州杏林信息科技有限公司 | 传染病筛查方法、装置、终端设备及介质 |
| CN115222362A (zh) * | 2022-07-18 | 2022-10-21 | 湖南长信畅中科技股份有限公司 | 一套基于物联网提升公卫体检效率的方法与系统 |
-
2023
- 2023-05-12 CN CN202310530905.9A patent/CN116246788A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574337A (zh) * | 2015-12-16 | 2016-05-11 | 上海亿保健康管理有限公司 | 一种健康评估装置 |
| CN106384013A (zh) * | 2016-09-28 | 2017-02-08 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的ii型糖尿病预测方法和预测系统 |
| CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法 |
| CN112037910A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 健康信息管理方法、装置、设备及存储介质 |
| CN112364857A (zh) * | 2020-10-23 | 2021-02-12 | 中国平安人寿保险股份有限公司 | 基于数值抽取的图像识别方法、装置及存储介质 |
| CN112365981A (zh) * | 2020-11-26 | 2021-02-12 | 中国联合网络通信集团有限公司 | 智慧医疗信息处理方法和装置 |
| CN113035357A (zh) * | 2021-04-06 | 2021-06-25 | 昆明医科大学第一附属医院 | 一种糖尿病肾脏疾病风险评估系统 |
| CN114864112A (zh) * | 2022-05-10 | 2022-08-05 | 王忆飞 | 一种基于云的社区慢病大数据管理系统 |
| CN115222362A (zh) * | 2022-07-18 | 2022-10-21 | 湖南长信畅中科技股份有限公司 | 一套基于物联网提升公卫体检效率的方法与系统 |
| CN115168669A (zh) * | 2022-09-07 | 2022-10-11 | 杭州杏林信息科技有限公司 | 传染病筛查方法、装置、终端设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101944859B1 (ko) | 질병 분석 및 예측 시스템 | |
| CN109378072A (zh) | 一种基于集成学习融合模型的异常空腹血糖值预警方法 | |
| CN103440421B (zh) | 医学数据处理方法和系统 | |
| CN112037913B (zh) | 一种基于卷积神经网络的牙周炎智能检测系统 | |
| CN109447987A (zh) | 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法 | |
| CN112101424B (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
| CN110428410A (zh) | 眼底医学图像处理方法、装置、设备及存储介质 | |
| CN104657621A (zh) | 基于多点采集的人体健康状态评估系统及评估方法 | |
| CN113545800B (zh) | 一种颈动脉超声扫查视频的质量筛查方法和系统 | |
| CN108877924A (zh) | 一种哮喘概率的确定方法及装置 | |
| CN116246788A (zh) | 基于体检报告整合分析的无创风险糖尿病预测系统 | |
| CN113440101B (zh) | 一种基于集成学习的眩晕诊断装置及系统 | |
| US11830589B2 (en) | Disease classification method and disease classification device | |
| CN116188946B (zh) | 一种基于神经网络的血糖浓度预测系统 | |
| CN108109696B (zh) | 一种数据处理方法和装置 | |
| CN112381821A (zh) | 一种智能手持式眼底相机以及图像分析方法 | |
| CN110598724B (zh) | 一种基于卷积神经网络的细胞低分辨率图像融合方法 | |
| CN116230172A (zh) | 一种通过拍照心电图获取心电st段信息的系统 | |
| CN115188474B (zh) | 一种基于神经网络的血糖浓度预测及高低血糖预警方法 | |
| CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
| CN112365535A (zh) | 视网膜病变评估模型建立方法及系统 | |
| CN115661101A (zh) | 基于随机采样和深度学习的早产儿视网膜病变检测系统 | |
| CN112002414B (zh) | 一种基于胃液认知胃病的系统、设备、存储介质 | |
| CN112614091A (zh) | 一种针对先心病的超声多切面数据检测方法 | |
| CN115309922B (zh) | 建立试纸数据库的方法及基于该数据库的试纸检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230609 |