CN116665843A - 一种肿瘤患者膳食能量摄入优化方法 - Google Patents
一种肿瘤患者膳食能量摄入优化方法 Download PDFInfo
- Publication number
- CN116665843A CN116665843A CN202310940444.2A CN202310940444A CN116665843A CN 116665843 A CN116665843 A CN 116665843A CN 202310940444 A CN202310940444 A CN 202310940444A CN 116665843 A CN116665843 A CN 116665843A
- Authority
- CN
- China
- Prior art keywords
- energy
- classification
- energy prediction
- food
- meal
- 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.)
- Granted
Links
- 235000005911 diet Nutrition 0.000 title claims abstract description 110
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 96
- 235000019577 caloric intake Nutrition 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000378 dietary effect Effects 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title abstract description 13
- 235000013305 food Nutrition 0.000 claims abstract description 165
- 235000012054 meals Nutrition 0.000 claims abstract description 132
- 230000037213 diet Effects 0.000 claims abstract description 82
- 238000002512 chemotherapy Methods 0.000 claims abstract description 70
- 238000001959 radiotherapy Methods 0.000 claims abstract description 65
- 235000016709 nutrition Nutrition 0.000 claims abstract description 36
- 230000035764 nutrition Effects 0.000 claims abstract description 26
- 235000014633 carbohydrates Nutrition 0.000 claims abstract description 18
- 150000001720 carbohydrates Chemical class 0.000 claims abstract description 18
- 239000003925 fat Substances 0.000 claims abstract description 18
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 18
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 18
- 238000011835 investigation Methods 0.000 claims abstract description 15
- 230000001575 pathological effect Effects 0.000 claims abstract description 13
- 238000007621 cluster analysis Methods 0.000 claims abstract description 8
- 238000007417 hierarchical cluster analysis Methods 0.000 claims abstract description 8
- 235000021139 traditional diet Nutrition 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 235000019197 fats Nutrition 0.000 claims description 17
- 235000018102 proteins Nutrition 0.000 claims description 17
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 239000004615 ingredient Substances 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 7
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 claims description 6
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 6
- 230000000259 anti-tumor effect Effects 0.000 claims description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 claims description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 3
- AUNGANRZJHBGPY-UHFFFAOYSA-N D-Lyxoflavin Natural products OCC(O)C(O)C(O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-UHFFFAOYSA-N 0.000 claims description 3
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 claims description 3
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 claims description 3
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 3
- PVNIIMVLHYAWGP-UHFFFAOYSA-N Niacin Chemical compound OC(=O)C1=CC=CN=C1 PVNIIMVLHYAWGP-UHFFFAOYSA-N 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 3
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 claims description 3
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 claims description 3
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 claims description 3
- 229930003451 Vitamin B1 Natural products 0.000 claims description 3
- 229930003471 Vitamin B2 Natural products 0.000 claims description 3
- 229930003268 Vitamin C Natural products 0.000 claims description 3
- 229930003427 Vitamin E Natural products 0.000 claims description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 3
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 claims description 3
- 239000011575 calcium Substances 0.000 claims description 3
- 229910052791 calcium Inorganic materials 0.000 claims description 3
- 235000001465 calcium Nutrition 0.000 claims description 3
- 150000001746 carotenes Chemical class 0.000 claims description 3
- 235000005473 carotenes Nutrition 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 239000010949 copper Substances 0.000 claims description 3
- 235000013325 dietary fiber Nutrition 0.000 claims description 3
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 239000011777 magnesium Substances 0.000 claims description 3
- 229910052749 magnesium Inorganic materials 0.000 claims description 3
- 235000001055 magnesium Nutrition 0.000 claims description 3
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 claims description 3
- 235000001968 nicotinic acid Nutrition 0.000 claims description 3
- 229960003512 nicotinic acid Drugs 0.000 claims description 3
- 239000011664 nicotinic acid Substances 0.000 claims description 3
- 235000021590 normal diet Nutrition 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011591 potassium Substances 0.000 claims description 3
- 229910052700 potassium Inorganic materials 0.000 claims description 3
- 229960002477 riboflavin Drugs 0.000 claims description 3
- 239000011669 selenium Substances 0.000 claims description 3
- 229910052711 selenium Inorganic materials 0.000 claims description 3
- 239000011734 sodium Substances 0.000 claims description 3
- 229910052708 sodium Inorganic materials 0.000 claims description 3
- 229960003495 thiamine Drugs 0.000 claims description 3
- DPJRMOMPQZCRJU-UHFFFAOYSA-M thiamine hydrochloride Chemical compound Cl.[Cl-].CC1=C(CCO)SC=[N+]1CC1=CN=C(C)N=C1N DPJRMOMPQZCRJU-UHFFFAOYSA-M 0.000 claims description 3
- 235000019155 vitamin A Nutrition 0.000 claims description 3
- 239000011719 vitamin A Substances 0.000 claims description 3
- 235000010374 vitamin B1 Nutrition 0.000 claims description 3
- 239000011691 vitamin B1 Substances 0.000 claims description 3
- 235000019164 vitamin B2 Nutrition 0.000 claims description 3
- 239000011716 vitamin B2 Substances 0.000 claims description 3
- 235000019154 vitamin C Nutrition 0.000 claims description 3
- 239000011718 vitamin C Substances 0.000 claims description 3
- 235000019165 vitamin E Nutrition 0.000 claims description 3
- 239000011709 vitamin E Substances 0.000 claims description 3
- 229940046009 vitamin E Drugs 0.000 claims description 3
- 229940045997 vitamin a Drugs 0.000 claims description 3
- 239000011701 zinc Substances 0.000 claims description 3
- 229910052725 zinc Inorganic materials 0.000 claims description 3
- 235000015219 food category Nutrition 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 235000012041 food component Nutrition 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000037396 body weight Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Nutrition Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种肿瘤患者膳食能量摄入优化方法，属于智能营养管理技术领域，所述方法包括如下步骤：步骤如下：基于肿瘤放、化疗患者日常膳食数据库，以传统膳食调查为金标准建立基础菜单表；对基础菜单表做Z‑score标准化，得到标准正态分布膳食数据；对标准正态分布膳食数据中的蛋白质、脂肪和碳水化合物进行聚类分析和划分，得到9级膳食聚类结果；再基于9级膳食聚类结果进行分层聚类分析和划分，并分别构建三分类能量预测模型和十二分类能量预测模型；根据肿瘤放、化疗患者疾病病理分期或治疗阶段选择能量预测模型对其欲进食的食物进行膳食能量预测以及优化管理；本发明解决了预测摄入的膳食能量不够便捷和准确的问题。
Description
技术领域
本发明属于智能营养管理技术领域，尤其涉及一种肿瘤患者膳食能量摄入优化方法。
背景技术
临床现存营养管理问题给膳食营养和能量评估带来了困难。临床精准营养评估工作量大，且营养评估对医护人员专业知识要求高，但传统能量计算方法过程繁杂，降低了护士工作效率同时患者也不能及时知晓自身膳食摄入量是否足够。此外，在化疗间歇期肿瘤患者离院居家休养，在化疗副反应结束之后患者基本拥有正常人的生活方式常常使患者只关注疾病治疗效果而忽视了营养风险，而患者自身也缺乏营养意识，导致营养评估与支持不及时，增加了患者营养风险。医护人员对营养的重视程度不够且自身营养知识储备不足也为临床营养相关工作的开展带来了阻碍。
目前膳食调查与评估的方法主要包括以传统膳食调查，按照食物营养成分进行核算的传统能量计算方法，如膳食记录法、24h膳食回顾调查法、膳食频率问卷法等，以及膳食调查辅助工具，如食物图谱、基于网络线上的膳食调查法、基于移动端手机APP的膳食调查以及即时图像分析等。传统的膳食调查计算过程复杂且对专业知识要求较高，这为临床实践带来了不便。膳食调查辅助工具受限于图像分析技术要求高、仪器设备购买价格昂贵、适用人群面窄等缺点，均未被广泛应用于临床实际中。而传统膳食调查和基于膳食调查辅助工具的能量计算方法都是基于食物营养成分计算的，在计算方法上并没有进一步的优化和改进。综上，目前膳食调查的计算方式都基于食物营养素成分，对于被调查者来说，容易受到文化程度、饮食习惯的影响，而对于研究者来说对食物营养素成分及其能量含量的掌握要求高，计算过程复杂，会消耗大量的人力、物力。
发明内容
针对现有技术中的上述不足，本发明提供的一种肿瘤患者膳食能量摄入优化方法，根据食物主要营养成分进行模糊分类，并在食物模糊分类基础上构建三分类能量预测模型和十二分类能量预测模型，且根据肿瘤放、化疗患者疾病病理分期或肿瘤放、化疗患者治疗阶段选择能量预测模型对肿瘤放、化疗患者欲进食的食物进行膳食能量预测以及优化管理，解决了预测摄入的膳食能量不够便捷和准确的问题。
为了达到上述发明目的，本发明采用的技术方案为：
本发明提供一种肿瘤患者膳食能量摄入优化方法，包括如下步骤：
S1、基于肿瘤放、化疗患者日常膳食数据库，以传统膳食调查为金标准建立基础菜单表；
S2、对基础菜单表进行Z-score标准化处理，得到标准正态分布膳食数据；
S3、基于K-均值聚类算法分别对标准正态分布膳食数据中的蛋白质、脂肪和碳水化合物进行聚类分析和划分，得到9级膳食聚类结果；
S4、基于9级膳食聚类结果对标准正态分布膳食数据进行分层聚类分析和划分，得到三分类食物聚类结果和十二分类食物聚类结果；
S5、分别基于三分类食物聚类结果和十二分类食物聚类结果，得到三分类能量预测模型和十二分类能量预测模型；
S6、针对根据肿瘤放、化疗患者疾病病理分期，选择三分类能量预测模型或十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物的膳食能量进行预测，得到第一膳食能量预测结果；
S7、针对肿瘤放、化疗患者治疗阶段，选择三分类能量预测模型或十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物的膳食能量进行预测，得到第二膳食能量预测结果；
S8、基于第一膳食能量预测结果或第二膳食能量预测结果与肿瘤患者正常膳食能量摄入范围的比较结果，对肿瘤放、化疗患者欲进食的食物进行优化管理。
所述基础菜单表包括肿瘤放、化疗患者日常膳食数据库中每一种食物100g含有的能量和营养成分，其中，食物名称为基础菜单表的主键和表头的一部分，表头的另一部分为能量和营养成分；
所述能量和营养成分包括蛋白质、脂肪、碳水化合物、膳食纤维、维生素A、维生素B1、维生素B2、维生素C、维生素E、胡萝卜素、烟酸、胆固醇、镁、钙、铁、锌、铜、锰、钾、磷、钠和硒。
所述S2包括如下步骤：
S21、读取基础菜单表的表头；
S22、逐行读取基础菜单表中的食物名称以及其对应的能量和营养成分，得到膳食原始数据；
S23、对膳食原始数据中的能量和营养成分进行Z-score标准化处理，得到均值为0且标准差为1的标准正态分布膳食数据。
所述S3包括如下步骤：
S31、将标准正态分布膳食数据中的蛋白质、脂肪和碳水化合物分别作为聚类分析的第一特征属性、第二特征属性和第三特征属性；
S32、分别计算标准正态分布膳食数据中第一特征属性、第二特征属性和第三特征属性的欧氏距离；
所述第一特征属性、第二特征属性和第三特征属性的欧氏距离的计算表达式如下：
其中，表示求欧氏距离函数，X表示待划分特征属性，n表示标准正态分布膳食数据中的食物种类数量，/>表示标准正态分布膳食数据中第i个食物对应的待划分特征属性的位置，/>表示标准正态分布膳食数据中第j个食物对应的待划分特征属性的位置，表示标准正态分布膳食数据中的第一特征属性，/>表示标准正态分布膳食数据中的第二特征属性，/>表示标准正态分布膳食数据中的第三特征属性，/>表示标准正态分布膳食数据中第n个食物对应的待划分特征属性的位置，其中，；
S33、基于K-均值聚类算法及第一特征属性、第二特征属性和第三特征属性的欧氏距离对标准正态分布膳食数据进行划分，得到蛋白质、脂肪和碳水化合物的9级膳食聚类结果。
所述S4包括如下步骤：
S41、基于9级膳食聚类结果，分别求各级膳食能量聚类结果对应的标准正态分布膳食数据中第一特征属性、第二特征属性和第三特征属性间的欧式距离；
所述第一特征属性、第二特征属性和第三特征属性间的欧式距离的计算表达式如下：
其中，P表示第一待求间距特征属性，Q表示第二待求间距特征属性，表示标准正态分布膳食数据中第/>个食物对应的第一待求间距特征属性的位置，/>表示标准正态分布膳食数据中第/>个食物对应的第二待求间距特征属性的位置，/>表示标准正态分布膳食数据中第n个食物对应的第一待求间距特征属性的位置，/>表示标准正态分布膳食数据中第n个食物对应的第二待求间距特征属性的位置，其中，/>；
S42、基于第一特征属性、第二特征属性和第三特征属性间的欧式距离对标准正态分别膳食数据进行分层聚类分析和划分，得到三分类食物聚类结果和十二分类食物聚类结果。
所述S5包括如下步骤：
S51、分别根据三分类食物聚类结果和十二分类食物聚类结果，获取若干肿瘤放、化疗患者三日内进食食物的食物名称、数量以及含有的能量、蛋白质、脂肪和碳水化合物，得到三分类膳食能量预测数据集和十二分类膳食能量预测数据集；
S52、将三分类膳食能量预测数据集按照7:3的比例随机划分为三分类膳食能量预测训练集和三分类膳食能量预测测试集；
S53、将十二分类膳食能量预测数据集按照7:3的比例随机划分为十二分类膳食能量预测训练集和十二分类膳食能量预测测试集；
S54、根据三分类食物聚类结果和十二分类食物聚类结果构建三分类初始能量预测模型和十二分类初始能量预测模型；
所述三分类初始能量预测模型和十二分类初始能量预测模型的计算表达式分别如下：
其中，和/>分别表示三分类能量预测结果和十二分类能量预测结果，/>、/>、分别表示三分类能量预测对应的第一类能量回归系数、第二类能量回归系数、第三类能量回归系数，/>、/>、/>分别表示三分类能量预测对应的第一类食物重量、第二类食物重量、第三类食物重量，/>表示三分类能量预测对应的随机误差，/>、/>、/>分别表示十二分类能量预测对应的第一类能量回归系数、第二类能量回归系数、第十二类能量回归系数，/>、/>、/>分别表示十二分类能量预测对应的第一类食物重量、第二类食物重量、第十二类食物重量，/>表示十二分类能量预测对应的随机误差；
S55、基于三分类膳食能量预测训练集和三分类膳食能量预测测试集对第一系数模型和第一截距模型进行训练和测试，得到三分类能量预测对应的能量回归系数矩阵和随机误差；
所述第一系数模型和第一截距模型的计算表达式分别如下：
其中，表示三分类能量预测对应的能量回归系数矩阵，/>表示三分类能量预测对应的食物重量矩阵的转置，/>表示三分类能量预测对应的食物重量矩阵；
S56、基于十二分类膳食能量预测训练集和十二分类膳食能量预测测试集对系数模型和截距模型进行训练和测试，得到十二分类能量预测对应的能量回归系数矩阵和随机误差；
其中，表示十二分类能量预测对应的能量回归系数矩阵，/>表示十二分类能量预测对应的食物重量矩阵的转置，/>表示十二分类能量预测对应的食物重量矩阵；
S57、将三分类能量预测对应的能量回归系数矩阵和随机误差代入三分类初始能量预测模型，并将十二分类能量预测对应的能量回归系数矩阵和随机误差代入十二分类初始能量预测模型，得到三分类能量预测模型和十二分类能量预测模型；
所述三分类能量预测模型和十二分类能量预测模型的计算表达式分别如下：
。
所述S6包括如下步骤：
S61、获取肿瘤放、化疗患者疾病病理分期、欲进食的食物和肿瘤放、化疗患者的BMI指数；
S62、判断肿瘤放、化疗患者疾病病理分期是否超过Ⅰ期，若是则进入S63，否则进入S65；
S63、判断肿瘤放、化疗患者的BMI指数是否大于或等于18.5，若是则进入S64，否则进入S65；
S64、选择三分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第一膳食能量预测结果，并进入S8；
S65、选择十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第一膳食能量预测结果。
所述S7包括如下步骤：
S71、获取肿瘤放、化疗患者的治疗阶段和欲进食的食物；
S72、判断肿瘤放、化疗患者的治疗阶段是否处于围术期、化疗期或放疗期中任意一个治疗阶段，若是则进入S75，否则进入S73；
S73、判断肿瘤放、化疗患者是否处于抗肿瘤治疗结束1年后，若是则进入74，否则进入S75；
S74、选择三分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第二膳食能量预测结果，并进入S8；
S75、选择十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第二膳食能量预测结果。
与现有技术相比，本发明具有以下优势：
（1）、本发明提供的一种肿瘤患者膳食能量摄入优化方法，确保了膳食能量管理的食物数据来源是基于肿瘤患者的肿瘤放、化疗患者日常膳食数据库建立的，且以传统膳食调查为金标准构建基础菜单表，确保了用于膳食能量预测的膳食原始数据与传统膳食营养和能量评估的基础数据是一致的，为患者食物能量的精准预测和优化管理提供校标基础；
（2）、本发明提供的一种肿瘤患者膳食能量摄入优化方法，通过对基础菜单表进行Z-score标准化处理，得到标准正态分布膳食数据，使得食物数据在同一标准下进行比较，减少了在量纲和数量级上的差异，以及聚类分析时点与点间距离计算的误差；
（3）、本发明提供的一种肿瘤患者膳食能量摄入优化方法，通过K-均值聚类算法分别根据标准正态分布膳食数据中的蛋白质、脂肪和碳水化合物进行聚类分析和划分，得到9级膳食聚类结果，避免了标准正态分布膳食数据中食物的能量和营养成分的数量级差异过大，减少了能量和营养成分对应的特征数值的数量级对菜品的影响，为食物精确分层聚类分析提供基础；
（4）、本发明提供的一种肿瘤患者膳食能量摄入优化方法，通过对9级膳食聚类结果再基于蛋白质、脂肪和碳水化合物间的欧式距离进行分层聚类分析，得到三分类食物聚类结果和十二分类的食物聚类结果，实现了直接对食物进行三分类和十二分类，突破了传统精细化能量计算的方式，无需获取每个食物的具体营养成分，简化了膳食能量计算需要的基础数据，为临床医护人员和患者居家进行快速评估膳食能量摄入的计算，大量减少了需要考虑的数据项；
（5）、本发明提供的一种肿瘤患者膳食能量摄入优化方法，基于三分类食物聚类结果和十二分类结果，对获取到的患者的进食食物数据进行聚类分析和划分，得到用于线性回归的能量预测训练集和测试集，并通过系数和随机误差的确定，实现构建三分类能量预测模型和十二分类能量预测模型，为患者的膳食能量摄入管理提供预测和参考的基础；
（6）、本发明提供的一种肿瘤患者膳食能量摄入优化方法，提供了肿瘤放、化疗患者疾病病理分期和肿瘤放、化疗患者治疗阶段两个角度对三分类能量预测模型或十二分类能量预测模型进行选择，实现了对患者的膳食能量管理预测精度与方便度间的均衡控制，既便于医护人员与患者居家进行膳食能量管理，也能结合患者病理情况与治疗阶段实现严格营养管理。
针对于本发明还具有的其他优势将在后续的实施例中进行更细致的分析。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中一种肿瘤患者膳食能量摄入优化方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
金标准，指当前临床医学界所公认的诊断某病最为可靠的方法，具有唯一性。
BMI指数（Body Mass Index），指身体质量指数，为体重（公斤）除以身高（米）的平方。
如图1所示，在本发明的一个实施例中，本发明提供一种肿瘤患者膳食能量摄入优化方法，包括如下步骤：
S1、基于肿瘤放、化疗患者日常膳食数据库，以传统膳食调查为金标准建立基础菜单表；
所述基础菜单表包括肿瘤放、化疗患者日常膳食数据库中每一种食物100g含有的能量和营养成分，其中，食物名称为基础菜单表的主键和表头的一部分，表头的另一部分为能量和营养成分；
所述能量和营养成分包括蛋白质、脂肪、碳水化合物、膳食纤维、维生素A、维生素B1、维生素B2、维生素C、维生素E、胡萝卜素、烟酸、胆固醇、镁、钙、铁、锌、铜、锰、钾、磷、钠和硒。
S2、对基础菜单表进行Z-score标准化处理，得到标准正态分布膳食数据；
所述S2包括如下步骤：
S21、读取基础菜单表的表头；
S22、逐行读取基础菜单表中的食物名称以及其对应的能量和营养成分，得到膳食原始数据；
S23、对膳食原始数据中的能量和营养成分进行Z-score标准化处理，得到均值为0且标准差为1的标准正态分布膳食数据。
S3、基于K-均值聚类算法分别对标准正态分布膳食数据中的蛋白质、脂肪和碳水化合物进行聚类分析和划分，得到9级膳食聚类结果；
所述S3包括如下步骤：
S31、将标准正态分布膳食数据中的蛋白质、脂肪和碳水化合物分别作为聚类分析的第一特征属性、第二特征属性和第三特征属性；
S32、分别计算标准正态分布膳食数据中第一特征属性、第二特征属性和第三特征属性的欧氏距离；
所述第一特征属性、第二特征属性和第三特征属性的欧氏距离的计算表达式如下：
其中，表示求欧氏距离函数，X表示待划分特征属性，n表示标准正态分布膳食数据中的食物种类数量，/>表示标准正态分布膳食数据中第i个食物对应的待划分特征属性的位置，/>表示标准正态分布膳食数据中第j个食物对应的待划分特征属性的位置，表示标准正态分布膳食数据中的第一特征属性，/>表示标准正态分布膳食数据中的第二特征属性，/>表示标准正态分布膳食数据中的第三特征属性，/>表示标准正态分布膳食数据中第n个食物对应的待划分特征属性的位置，其中，；
S33、基于K-均值聚类算法及第一特征属性、第二特征属性和第三特征属性的欧氏距离对标准正态分布膳食数据进行划分，得到蛋白质、脂肪和碳水化合物的9级膳食聚类结果。
S4、基于9级膳食聚类结果对标准正态分布膳食数据进行分层聚类分析和划分，得到三分类食物聚类结果和十二分类食物聚类结果；
所述S4包括如下步骤：
S41、基于9级膳食聚类结果，分别求各级膳食能量聚类结果对应的标准正态分布膳食数据中第一特征属性、第二特征属性和第三特征属性间的欧式距离；
所述第一特征属性、第二特征属性和第三特征属性间的欧式距离的计算表达式如下：
其中，P表示第一待求间距特征属性，Q表示第二待求间距特征属性，表示标准正态分布膳食数据中第/>个食物对应的第一待求间距特征属性的位置，/>表示标准正态分布膳食数据中第/>个食物对应的第二待求间距特征属性的位置，/>表示标准正态分布膳食数据中第n个食物对应的第一待求间距特征属性的位置，/>表示标准正态分布膳食数据中第n个食物对应的第二待求间距特征属性的位置，其中，/>；
S42、基于第一特征属性、第二特征属性和第三特征属性间的欧式距离对标准正态分别膳食数据进行分层聚类分析和划分，得到三分类食物聚类结果和十二分类食物聚类结果。
S5、分别基于三分类食物聚类结果和十二分类食物聚类结果，得到三分类能量预测模型和十二分类能量预测模型；
所述S5包括如下步骤：
S51、分别根据三分类食物聚类结果和十二分类食物聚类结果，获取若干肿瘤放、化疗患者三日内进食食物的食物名称、数量以及含有的能量、蛋白质、脂肪和碳水化合物，得到三分类膳食能量预测数据集和十二分类膳食能量预测数据集；
S52、将三分类膳食能量预测数据集按照7:3的比例随机划分为三分类膳食能量预测训练集和三分类膳食能量预测测试集；
S53、将十二分类膳食能量预测数据集按照7:3的比例随机划分为十二分类膳食能量预测训练集和十二分类膳食能量预测测试集；
S54、根据三分类食物聚类结果和十二分类食物聚类结果构建三分类初始能量预测模型和十二分类初始能量预测模型；
所述三分类初始能量预测模型和十二分类初始能量预测模型的计算表达式分别如下：
其中，和/>分别表示三分类能量预测结果和十二分类能量预测结果，/>、/>、分别表示三分类能量预测对应的第一类能量回归系数、第二类能量回归系数、第三类能量回归系数，/>、/>、/>分别表示三分类能量预测对应的第一类食物重量、第二类食物重量、第三类食物重量，/>表示三分类能量预测对应的随机误差，/>、/>、/>分别表示十二分类能量预测对应的第一类能量回归系数、第二类能量回归系数、第十二类能量回归系数，/>、/>、/>分别表示十二分类能量预测对应的第一类食物重量、第二类食物重量、第十二类食物重量，/>表示十二分类能量预测对应的随机误差；
S55、基于三分类膳食能量预测训练集和三分类膳食能量预测测试集对第一系数模型和第一截距模型进行训练和测试，得到三分类能量预测对应的能量回归系数矩阵和随机误差；
所述第一系数模型和第一截距模型的计算表达式分别如下：
其中，表示三分类能量预测对应的能量回归系数矩阵，/>表示三分类能量预测对应的食物重量矩阵的转置，/>表示三分类能量预测对应的食物重量矩阵；
S56、基于十二分类膳食能量预测训练集和十二分类膳食能量预测测试集对系数模型和截距模型进行训练和测试，得到十二分类能量预测对应的能量回归系数矩阵和随机误差；
其中，表示十二分类能量预测对应的能量回归系数矩阵，/>表示十二分类能量预测对应的食物重量矩阵的转置，/>表示十二分类能量预测对应的食物重量矩阵；
S57、将三分类能量预测对应的能量回归系数矩阵和随机误差代入三分类初始能量预测模型，并将十二分类能量预测对应的能量回归系数矩阵和随机误差代入十二分类初始能量预测模型，得到三分类能量预测模型和十二分类能量预测模型；
所述三分类能量预测模型和十二分类能量预测模型的计算表达式分别如下：
。
本实施例中采用拟合优度和平均绝对误差对三分类能量预测模型和十二分类能量预测模型进行评价，其中，拟合优度用于衡量预测模型的精度，其值越接近1，则拟合效果越好，平均绝对误差和均方误差用于表示实际值与预测值之间的偏差，取值范围在0-1之间，越小说明模型误差越小，预测结果越准确。对于三分类能量预测模型，其拟合优度为0.39，平均绝对误差为265.83；二对于十二分类能量预测模型，其拟合优度为0.55，平均绝对误差为231.45；
和十二分类能量预测模型
S6、针对根据肿瘤放、化疗患者疾病病理分期，选择三分类能量预测模型或十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物的膳食能量进行预测，得到第一膳食能量预测结果；
所述S6包括如下步骤：
S61、获取肿瘤放、化疗患者疾病病理分期、欲进食的食物和肿瘤放、化疗患者的BMI指数；
S62、判断肿瘤放、化疗患者疾病病理分期是否超过Ⅰ期，若是则进入S63，否则进入S65；
S63、判断肿瘤放、化疗患者的BMI指数是否大于或等于18.5，若是则进入S64，否则进入S65；
S64、选择三分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第一膳食能量预测结果，并进入S8；
S65、选择十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第一膳食能量预测结果。
S7、针对肿瘤放、化疗患者治疗阶段，选择三分类能量预测模型或十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物的膳食能量进行预测，得到第二膳食能量预测结果；
所述S7包括如下步骤：
S71、获取肿瘤放、化疗患者的治疗阶段和欲进食的食物；
S72、判断肿瘤放、化疗患者的治疗阶段是否处于围术期、化疗期或放疗期中任意一个治疗阶段，若是则进入S75，否则进入S73；
S73、判断肿瘤放、化疗患者是否处于抗肿瘤治疗结束1年后，若是则进入74，否则进入S75；患者抗肿瘤治疗接收后的膳食能量管理时间设置为后1年后，是因为在这期间患者的营养是很重要的，需要严格营养管理，提高免疫力，也是患者生存期延长的关键年
S74、选择三分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第二膳食能量预测结果，并进入S8；
S75、选择十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第二膳食能量预测结果。
S8、基于第一膳食能量预测结果或第二膳食能量预测结果与肿瘤患者正常膳食能量摄入范围的比较结果，对肿瘤放、化疗患者欲进食的食物进行优化管理。
若第一膳食能量预测结果低于肿瘤患者正常膳食能量摄入范围时，则基于第一膳食能量预测结果与正常膳食摄入范围的差值，选择合适的三分类食物聚类结果对应的三分类食物聚类表中的食物添加至欲进食的食物中，使欲进食的食物的膳食能量落入正常膳食摄入范围；
若第一膳食能量预测结果高于肿瘤患者正常膳食能量摄入范围时，则基于第一膳食能量预测结果与正常膳食摄入范围的差值，从欲进食的食物中挑选出合适的三分类食物聚类结果对应的三分类食物聚类表中的食物，使欲进食的食物的膳食能量落入正常膳食摄入范围；
若第二膳食能量预测结果低于肿瘤患者正常膳食能量摄入范围时，则基于第二膳食能量预测结果与正常膳食摄入范围的差值，选择合适的十二分类食物聚类结果对应的十二分类食物聚类表中的食物添加至欲进食的食物中，使欲进食的食物的膳食能量落入正常膳食摄入范围；
若第二膳食能量预测结果高于肿瘤患者正常膳食能量摄入范围时，则基于第二膳食能量预测结果与正常膳食摄入范围的差值，从欲进食的食物中挑选出合适的十二分类食物聚类结果对应的十二分类食物聚类表中的食物，使欲进食的食物的膳食能量落入正常膳食摄入范围。
本发明对食物进行分类，打破传统精细化能量计算的方式，简化膳食能量预测计算，以便于临床医护人员以及患者本人快速评估膳食摄入量是否足够，为临床医务人员快速评估和患者居家自我评估提供可行方式。
以上所述，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。
Claims (8)
1.一种肿瘤患者膳食能量摄入优化方法，其特征在于，包括如下步骤：
S1、基于肿瘤放、化疗患者日常膳食数据库，以传统膳食调查为金标准建立基础菜单表；
S2、对基础菜单表进行Z-score标准化处理，得到标准正态分布膳食数据；
S3、基于K-均值聚类算法分别对标准正态分布膳食数据中的蛋白质、脂肪和碳水化合物进行聚类分析和划分，得到9级膳食聚类结果；
S4、基于9级膳食聚类结果对标准正态分布膳食数据进行分层聚类分析和划分，得到三分类食物聚类结果和十二分类食物聚类结果；
S5、分别基于三分类食物聚类结果和十二分类食物聚类结果，得到三分类能量预测模型和十二分类能量预测模型；
S6、针对根据肿瘤放、化疗患者疾病病理分期，选择三分类能量预测模型或十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物的膳食能量进行预测，得到第一膳食能量预测结果；
S7、针对肿瘤放、化疗患者治疗阶段，选择三分类能量预测模型或十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物的膳食能量进行预测，得到第二膳食能量预测结果；
S8、基于第一膳食能量预测结果或第二膳食能量预测结果与肿瘤患者正常膳食能量摄入范围的比较结果，对肿瘤放、化疗患者欲进食的食物进行优化管理。
2.根据权利要求1所述的肿瘤患者膳食能量摄入优化方法，其特征在于，所述基础菜单表包括肿瘤放、化疗患者日常膳食数据库中每一种食物100g含有的能量和营养成分，其中，食物名称为基础菜单表的主键和表头的一部分，表头的另一部分为能量和营养成分；
所述能量和营养成分包括蛋白质、脂肪、碳水化合物、膳食纤维、维生素A、维生素B1、维生素B2、维生素C、维生素E、胡萝卜素、烟酸、胆固醇、镁、钙、铁、锌、铜、锰、钾、磷、钠和硒。
3.根据权利要求2所述的肿瘤患者膳食能量摄入优化方法，其特征在于，所述S2包括如下步骤：
S21、读取基础菜单表的表头；
S22、逐行读取基础菜单表中的食物名称以及其对应的能量和营养成分，得到膳食原始数据；
S23、对膳食原始数据中的能量和营养成分进行Z-score标准化处理，得到均值为0且标准差为1的标准正态分布膳食数据。
4.根据权利要求3所述的肿瘤患者膳食能量摄入优化方法，其特征在于，所述S3包括如下步骤：
S31、将标准正态分布膳食数据中的蛋白质、脂肪和碳水化合物分别作为聚类分析的第一特征属性、第二特征属性和第三特征属性；
S32、分别计算标准正态分布膳食数据中第一特征属性、第二特征属性和第三特征属性的欧氏距离；
所述第一特征属性、第二特征属性和第三特征属性的欧氏距离的计算表达式如下：
其中，表示求欧氏距离函数，X表示待划分特征属性，n表示标准正态分布膳食数据中的食物种类数量，/>表示标准正态分布膳食数据中第i个食物对应的待划分特征属性的位置，/>表示标准正态分布膳食数据中第j个食物对应的待划分特征属性的位置，表示标准正态分布膳食数据中的第一特征属性，/>表示标准正态分布膳食数据中的第二特征属性，/>表示标准正态分布膳食数据中的第三特征属性，/>表示标准正态分布膳食数据中第n个食物对应的待划分特征属性的位置，其中，；
S33、基于K-均值聚类算法及第一特征属性、第二特征属性和第三特征属性的欧氏距离对标准正态分布膳食数据进行划分，得到蛋白质、脂肪和碳水化合物的9级膳食聚类结果。
5.根据权利要求4所述的肿瘤患者膳食能量摄入优化方法，其特征在于，所述S4包括如下步骤：
S41、基于9级膳食聚类结果，分别求各级膳食能量聚类结果对应的标准正态分布膳食数据中第一特征属性、第二特征属性和第三特征属性间的欧式距离；
所述第一特征属性、第二特征属性和第三特征属性间的欧式距离的计算表达式如下：
，其中，P表示第一待求间距特征属性，Q表示第二待求间距特征属性，/>表示标准正态分布膳食数据中第/>个食物对应的第一待求间距特征属性的位置，/>表示标准正态分布膳食数据中第/>个食物对应的第二待求间距特征属性的位置，/>表示标准正态分布膳食数据中第n个食物对应的第一待求间距特征属性的位置，/>表示标准正态分布膳食数据中第n个食物对应的第二待求间距特征属性的位置，其中，/>；
S42、基于第一特征属性、第二特征属性和第三特征属性间的欧式距离对标准正态分别膳食数据进行分层聚类分析和划分，得到三分类食物聚类结果和十二分类食物聚类结果。
6.根据权利要求5所述的肿瘤患者膳食能量摄入优化方法，其特征在于，所述S5包括如下步骤：
S51、分别根据三分类食物聚类结果和十二分类食物聚类结果，获取若干肿瘤放、化疗患者三日内进食食物的食物名称、数量以及含有的能量、蛋白质、脂肪和碳水化合物，得到三分类膳食能量预测数据集和十二分类膳食能量预测数据集；
S52、将三分类膳食能量预测数据集按照7:3的比例随机划分为三分类膳食能量预测训练集和三分类膳食能量预测测试集；
S53、将十二分类膳食能量预测数据集按照7:3的比例随机划分为十二分类膳食能量预测训练集和十二分类膳食能量预测测试集；
S54、根据三分类食物聚类结果和十二分类食物聚类结果构建三分类初始能量预测模型和十二分类初始能量预测模型；
所述三分类初始能量预测模型和十二分类初始能量预测模型的计算表达式分别如下：
其中，和/>分别表示三分类能量预测结果和十二分类能量预测结果，/>、/>、/>分别表示三分类能量预测对应的第一类能量回归系数、第二类能量回归系数、第三类能量回归系数，/>、/>、/>分别表示三分类能量预测对应的第一类食物重量、第二类食物重量、第三类食物重量，/>表示三分类能量预测对应的随机误差，/>、/>、/>分别表示十二分类能量预测对应的第一类能量回归系数、第二类能量回归系数、第十二类能量回归系数，/>、/>、/>分别表示十二分类能量预测对应的第一类食物重量、第二类食物重量、第十二类食物重量，/>表示十二分类能量预测对应的随机误差；
S55、基于三分类膳食能量预测训练集和三分类膳食能量预测测试集对第一系数模型和第一截距模型进行训练和测试，得到三分类能量预测对应的能量回归系数矩阵和随机误差；
所述第一系数模型和第一截距模型的计算表达式分别如下：
其中，表示三分类能量预测对应的能量回归系数矩阵，/>表示三分类能量预测对应的食物重量矩阵的转置，/>表示三分类能量预测对应的食物重量矩阵；
S56、基于十二分类膳食能量预测训练集和十二分类膳食能量预测测试集对系数模型和截距模型进行训练和测试，得到十二分类能量预测对应的能量回归系数矩阵和随机误差；
其中，表示十二分类能量预测对应的能量回归系数矩阵，/>表示十二分类能量预测对应的食物重量矩阵的转置，/>表示十二分类能量预测对应的食物重量矩阵；
S57、将三分类能量预测对应的能量回归系数矩阵和随机误差代入三分类初始能量预测模型，并将十二分类能量预测对应的能量回归系数矩阵和随机误差代入十二分类初始能量预测模型，得到三分类能量预测模型和十二分类能量预测模型；
所述三分类能量预测模型和十二分类能量预测模型的计算表达式分别如下：
。
7.根据权利要求6所述的肿瘤患者膳食能量摄入优化方法，其特征在于，所述S6包括如下步骤：
S61、获取肿瘤放、化疗患者疾病病理分期、欲进食的食物和肿瘤放、化疗患者的BMI指数；
S62、判断肿瘤放、化疗患者疾病病理分期是否超过Ⅰ期，若是则进入S63，否则进入S65；
S63、判断肿瘤放、化疗患者的BMI指数是否大于或等于18.5，若是则进入S64，否则进入S65；
S64、选择三分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第一膳食能量预测结果，并进入S8；
S65、选择十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第一膳食能量预测结果。
8.根据权利要求6所述的肿瘤患者膳食能量摄入优化方法，其特征在于，所述S7包括如下步骤：
S71、获取肿瘤放、化疗患者的治疗阶段和欲进食的食物；
S72、判断肿瘤放、化疗患者的治疗阶段是否处于围术期、化疗期或放疗期中任意一个治疗阶段，若是则进入S75，否则进入S73；
S73、判断肿瘤放、化疗患者是否处于抗肿瘤治疗结束1年后，若是则进入74，否则进入S75；
S74、选择三分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第二膳食能量预测结果，并进入S8；
S75、选择十二分类能量预测模型对肿瘤放、化疗患者欲进食的食物进行预测，得到第二膳食能量预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310940444.2A CN116665843B (zh) | 2023-07-28 | 2023-07-28 | 一种肿瘤患者膳食能量摄入优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310940444.2A CN116665843B (zh) | 2023-07-28 | 2023-07-28 | 一种肿瘤患者膳食能量摄入优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116665843A true CN116665843A (zh) | 2023-08-29 |
| CN116665843B CN116665843B (zh) | 2023-10-13 |
Family
ID=87720967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310940444.2A Active CN116665843B (zh) | 2023-07-28 | 2023-07-28 | 一种肿瘤患者膳食能量摄入优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665843B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117373619A (zh) * | 2023-12-08 | 2024-01-09 | 四川省肿瘤医院 | 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161840A (zh) * | 2019-12-25 | 2020-05-15 | 天津大学 | 一种分析食物基础营养素的方法 |
| CN111183485A (zh) * | 2016-10-24 | 2020-05-19 | 荷兰应用自然科学研究组织Tno | 用于实现基于生命体征、基因型和表型的膳食选择的系统和方法 |
| US20210117823A1 (en) * | 2019-10-22 | 2021-04-22 | Kenneth Neumann | Methods and systems for identifying compatible meal options |
| CN113628750A (zh) * | 2021-09-17 | 2021-11-09 | 成都尚医信息科技有限公司 | 一种基于数字技术的营养不良快速筛查系统 |
| WO2022133190A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Food and nutrient estimation, dietary assessment, evaluation, prediction and management |
| US20220208337A1 (en) * | 2020-12-29 | 2022-06-30 | Kpn Innovations, Llc. | Systems and methods for generating a cancer alleviation nourishment plan |
| CN116453650A (zh) * | 2023-03-15 | 2023-07-18 | 台州市云谷信息技术有限公司 | 一种健康数据采集处理方法及系统 |
-
2023
- 2023-07-28 CN CN202310940444.2A patent/CN116665843B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111183485A (zh) * | 2016-10-24 | 2020-05-19 | 荷兰应用自然科学研究组织Tno | 用于实现基于生命体征、基因型和表型的膳食选择的系统和方法 |
| US20210117823A1 (en) * | 2019-10-22 | 2021-04-22 | Kenneth Neumann | Methods and systems for identifying compatible meal options |
| CN111161840A (zh) * | 2019-12-25 | 2020-05-15 | 天津大学 | 一种分析食物基础营养素的方法 |
| WO2022133190A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Food and nutrient estimation, dietary assessment, evaluation, prediction and management |
| US20220208337A1 (en) * | 2020-12-29 | 2022-06-30 | Kpn Innovations, Llc. | Systems and methods for generating a cancer alleviation nourishment plan |
| CN113628750A (zh) * | 2021-09-17 | 2021-11-09 | 成都尚医信息科技有限公司 | 一种基于数字技术的营养不良快速筛查系统 |
| CN116453650A (zh) * | 2023-03-15 | 2023-07-18 | 台州市云谷信息技术有限公司 | 一种健康数据采集处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 宋忙华;隋虹;汪婷婷;李金梅;张吉;胡乃宝;: "聚类分析在膳食模式研究中的应用", 中国卫生统计, no. 02, pages 88 - 89 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117373619A (zh) * | 2023-12-08 | 2024-01-09 | 四川省肿瘤医院 | 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 |
| CN117373619B (zh) * | 2023-12-08 | 2024-03-05 | 四川省肿瘤医院 | 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116665843B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3488369B1 (en) | Determining an optimal wellness regime | |
| CN108648827B (zh) | 心脑血管疾病风险预测方法及装置 | |
| CN116665843B (zh) | 一种肿瘤患者膳食能量摄入优化方法 | |
| CA2594181A1 (en) | Methods, systems, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality | |
| CN113628750B (zh) | 一种基于数字技术的营养不良快速筛查系统 | |
| CN110890146A (zh) | 一种用于智慧病房的床旁智能交互系统 | |
| CN110379487A (zh) | 营养方案管理系统 | |
| CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
| CN111627523A (zh) | 一种临床营养诊疗模拟系统及模拟方法 | |
| US20230072252A1 (en) | System and method for data-driven individualized nutrition | |
| US20230352174A1 (en) | Systems and methods for generating a parasitic infection program | |
| CN117316382A (zh) | 一种基于食材图像生重估计的智能营养跟踪方法 | |
| Van Dyne et al. | Forage allocation on arid and semiarid public grazing lands: summary and recommendations | |
| CN116864062A (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
| CN115862814A (zh) | 一种基于智能健康数据分析的精准膳食管理方法 | |
| KR20100095207A (ko) | 음식 레시피 데이타베이스를 이용한 전산화된 식품 및 영양소 섭취량 평가 방법 | |
| Wang et al. | Analysis and Prediction of Gestational Diabetes Mellitus by the Ensemble Learning Method | |
| CN116933992A (zh) | 一种基于供给和需求关系的客体特征评估方法及其系统 | |
| US11145401B1 (en) | Systems and methods for generating a sustenance plan for managing genetic disorders | |
| CN115206530A (zh) | 一种提高食管癌术后并发症预测精度的方法及系统 | |
| US20230089697A1 (en) | Method for generating a composite nutritional index, and associated system | |
| Zhou | Design of Residents’ Sports Nutrition Data Monitoring System Based on Genetic Algorithm | |
| CN111161845A (zh) | 一种基于智能移动终端的健康饮食监控系统及使用方法 | |
| US11887720B1 (en) | Apparatus and method for using a feedback loop to optimize meals | |
| US20240087719A1 (en) | Methods and systems for calculating an edible score in a display interface |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Tian Inventor after: Zhang Xianggang Inventor after: Tang Min Inventor after: Li Kewang Inventor after: Meng Xiaowei Inventor after: Liu Minmin Inventor after: Wang Ling Inventor after: Yao Dan Inventor after: Liao Jiaqian Inventor after: Tang Xiaoli Inventor after: Liu Yao Inventor after: Chen Yang Inventor after: Wang Guorong Inventor after: Qiu Jing Inventor after: Ren Yufang Inventor after: Zhou Hongyan Inventor after: Gao Yuliang Inventor before: Zhang Tian Inventor before: Zhang Xianggang Inventor before: Tang Min Inventor before: Li Kewang Inventor before: Meng Xiaowei Inventor before: Liu Minmin Inventor before: Wang Ling Inventor before: Yao Dan Inventor before: Liao Jiaqian Inventor before: Liu Yao Inventor before: Chen Yang Inventor before: Wang Guorong Inventor before: Qiu Jing Inventor before: Ren Yufang Inventor before: Zhou Hongyan Inventor before: Gao Yuliang |