CN116682574B - 一种针对关联人群的健康管理方法及系统 - Google Patents

Abstract

本发明涉及一种针对关联人群的健康管理方法及系统。通过监测关联人群成员健康信息和多个属性信息，构建关联人群网络，将某一成员设为种子节点。通过第一独立级联模型对关联人群网络进行传播，计算传播结果，传播过程根据线性组合值计算传播健康状态的概率，并进行随机传播。通过迭代传播得到传播结果，根据传播结果计算目标成员对其他成员的影响程度，并根据排序进行健康干预。本发明结合个体属性、关系网络和传播规则，实现关联人群健康管理和精准干预，提高了干预效果，可广泛应用于社区健康管理、医疗机构慢性病管理等领域，为关联人群提供更有效的健康服务，提高健康管理效果、降低疾病传播风险，并为决策者提供科学依据。

Description

一种针对关联人群的健康管理方法及系统

技术领域

本发明属于健康管理技术领域，尤其涉及一种针对关联人群的健康管理方法及系统。

背景技术

在关联人群的健康管理领域，现有方法主要依赖于传统的个体健康管理和群体干预策略。个体健康管理主要关注单个人的健康状态和医疗服务，而群体干预策略则针对整个人群采取统一的健康干预措施。

然而，上述方法通常存在以下问题：一、缺乏个性化，传统的健康管理方法无法针对个体的健康特征和行为习惯进行精细化管理，导致健康干预效果有限；二、忽视关联关系，现有方法往往没有充分考虑人与人之间的关联关系和传播效应，因此无法准确评估个体健康对整个关联人群的影响程度；三、缺乏科学依据，传统方法在制定健康干预策略时缺乏科学依据，往往基于经验或简单的统计数据，从而导致干预效果不稳定。

发明内容

本发明提供一种针对关联人群的健康管理方法及系统，旨在解决上述背景技术提到的问题。

本发明是这样实现的，提供一种针对关联人群的健康管理方法，步骤包括：

对关联人群中每个成员的健康信息进行监测，并收集关联人群中每个成员的多个属性信息，属性信息包括健康状态；

基于关联人群中每个成员的属性信息构建关联人群网络，其中，每个成员表示为网络中的节点，每个成员之间的关系表示为边；

将任一目标成员定为种子节点，并将种子节点的健康状态定为患病状态或易感染状态；

将关联人群网络和种子节点的健康状态输入第一独立级联模型，并通过第一独立级联模型获取关联人群网络中各节点的健康状态的传播结果，具体步骤：

设置一临时集合和节点集合，并将种子节点添加到节点集合中，

对于每一轮传播，对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值，

对当前轮节点集合中的每个节点进行二次遍历，对遍历到的目标节点，根据目标节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值计算目标节点对其邻居节点传播健康状态的概率，记为传播概率P=(z-min(z))/(max(z)-min(z))，其中，z为目标节点对应的线性组合值，min(z)为当前轮的最小线性组合值，max(z)为当前轮的最大线性组合值，

对目标节点的每个邻居节点生成一个随机数r，随机数r的范围在0到1之间，若随机数r小于传播概率P，则将目标节点的邻居节点的健康状态更新为目标节点的健康状态，并判断目标节点的邻居节点是否在节点集合中，若不在，则将目标节点的邻居节点添加到临时集合中，将遍历过的目标节点从节点集合中删除，并将临时集合中的所有节点添加到节点集合中，

在每一轮迭代之后，判断节点集合是否为空，若节点集合为空，则终止迭代及生成传播结果，传播结果包括健康状态发生过改变的节点的总数和传播路径；

根据传播结果计算目标成员的健康状况对其他成员的影响程度，影响程度=（受影响成员数）/（总成员数-1），其中，受影响成员数 为健康状态发生过改变的节点的总数，总成员数是关联人群中成员的总人数；

通过上述步骤计算得到每个成员的健康状况对其他成员的影响程度，并进行影响程度排序，及根据影响程度排序对关联人群进行健康干预。

更进一步的，所述对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值的步骤还包括：

在每轮迭代传播开始前，初始化一个最小线性组合值和一个最大线性组合值，分别记为min(z)和max(z)；

对目标节点对应的线性组合值进行计算，并与当前的最小线性组合值和最大线性组合值进行比较，目标节点的线性组合值z=α₁*x₁+α₂*x₂+...+α_n*x_n，其中，x₁，x₂，...，x_n 分别是目标节点的各个属性值，α₁，α₂，... ，α_n分别是目标节点的各个属性对应的权重系数；

若目标节点的线性组合值z小于最小线性组合值min(z)，则将最小线性组合值min(z)替换为目标节点的线性组合值z；

若目标节点的线性组合值z大于最大线性组合值max(z)，则将最大线性组合值max(z)替换为目标节点的线性组合值z；

直至当前轮传播过程中的所有节点均被遍历完成，获取当前轮的最终的最小线性组合值min(z)和最大线性组合值max(z)。

更进一步的，所述生成传播结果的步骤包括：

设置一受影响节点序列；

若在执行传播过程中，出现一个新的节点的健康状态更新为患病状态或易感染状态，则将其添加到受影响节点序列；

直至迭代完成，没有新的节点的健康状态更新为患病状态或易感染状态为止，对受影响节点序列中的节点进行统计以得到受影响节点的数量。

更进一步的，所述根据影响程度排序对关联人群进行健康干预的步骤包括：

将影响程度排序中排在前k位的成员作为干预节点，并将干预节点的状态定为干预状态，干预状态为接受预设干预措施；

将关联人群网络和干预节点的状态输入第二独立级联模型，并通过第二独立级联模型执行以下干预传播：

除干预节点以外的其他节点设为非干预节点，并将非干预节点的状态定为初始状态，初始状态为未接受预设干预措施，

对于每轮干预传播，遍历关联人群网络中的每个非干预节点，对遍历到的目标非干预节点，计算其受到干预状态传播的概率，

生成一个随机数t，随机数t的范围在0到1之间，

将随机数t与目标非干预节点受到干预状态传播的概率进行比较，

若生成的随机数小于目标非干预节点受到干预状态传播的概率，则判定目标非干预节点受到干预状态的传播，并将目标非干预节点的状态更新为干预状态，

重复执行干预传播，直到新一轮的干预传播过程中没有出现新的非干预节点更新为干预状态为止，并评估干预效果。

更进一步的，所述对遍历到的目标非干预节点，计算目标非干预节点受到干预状态传播的概率的步骤包括：

对于遍历到的目标非干预节点，计算邻居节点对目标非干预节点传播影响的总和；

根据传播影响的总和计算目标非干预节点受到干预状态传播的概率，F(i) = 1 /(1 + e ^S(i))，其中，F(i) 为目标非干预节点i受到干预状态传播的概率，S(i)为目标非干预节点i受到邻居节点传播影响的总和。

更进一步的，所述对于遍历到的目标非干预节点，计算邻居节点对目标非干预节点传播影响的总和的步骤包括：

根据关联人群网络中的边关系，确定目标非干预节点的邻居节点集合；

为每个邻居节点设置传播影响系数，其中，传播影响系数表示邻居节点对目标非干预节点传播影响的程度；

遍历目标非干预节点的邻居节点集合，根据相应的传播影响系数计算每个邻居节点对目标非干预节点的传播影响并进行累加以得到邻居节点对目标非干预节点传播影响的总和。

更进一步的，所述评估干预效果的步骤包括：

设置一受干预节点序列；

若在执行干预状态传播过程中，出现一个新的更新为干预状态的非干预节点，则将其添加到受干预节点序列；

直至迭代完成，没有非干预节点更新为干预状态为止，对受干预节点序列中的节点进行统计以得到受干预影响节点的数量，定为干预传播范围；

对受干预节点序列中的节点的健康状态总和进行求平均值计算以得到受干预影响节点的健康状态变化程度，定为干预的影响程度。

本发明还提供一种针对关联人群的健康管理系统，用于执行针对关联人群的健康管理方法，包括：

信息收集模块：用于对关联人群中每个成员的健康信息进行监测，并收集关联人群中每个成员的多个属性信息，属性信息包括健康状态；

网络构建模块：用于基于关联人群中每个成员的属性信息构建关联人群网络，其中，每个成员表示为网络中的节点，每个成员之间的关系表示为边；

种子节点定义模块：用于将任一目标成员定为种子节点，并将种子节点的健康状态定为患病状态或易感染状态；

传播结果生成模块：用于将关联人群网络和种子节点的健康状态输入第一独立级联模型，并通过第一独立级联模型获取关联人群网络中各节点的健康状态的传播结果，具体步骤：

设置一临时集合和节点集合，并将种子节点添加到节点集合中，

对于每一轮传播，对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值，

对当前轮节点集合中的每个节点进行二次遍历，对遍历到的目标节点，根据目标节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值计算目标节点对其邻居节点传播健康状态的概率，记为传播概率P=(z-min(z))/(max(z)-min(z))，其中，z为目标节点对应的线性组合值，min(z)为当前轮的最小线性组合值，max(z)为当前轮的最大线性组合值，

对目标节点的每个邻居节点生成一个随机数r，随机数r的范围在0到1之间，若随机数r小于传播概率P，则将目标节点的邻居节点的健康状态更新为目标节点的健康状态，并判断目标节点的邻居节点是否在节点集合中，若不在，则将目标节点的邻居节点添加到临时集合中，将遍历过的目标节点从节点集合中删除，并将临时集合中的所有节点添加到节点集合中，

在每一轮迭代之后，判断节点集合是否为空，若节点集合为空，则终止迭代及生成传播结果，传播结果包括健康状态发生过改变的节点的总数和传播路径；

影响程度计算模块：用于根据传播结果计算目标成员的健康状况对其他成员的影响程度，影响程度=（受影响成员数）/（总成员数-1），其中，受影响成员数为健康状态发生过改变的节点的总数，总成员数是关联人群中成员的总人数；

健康干预模块：用于通过上述步骤计算得到每个成员的健康状况对其他成员的影响程度，并进行影响程度排序，及根据影响程度排序对关联人群进行健康干预。

本发明的有益效果在于，与现有技术相比，本发明的健康管理方法及系统具有广泛的应用前景，可应用于社区健康管理、医疗机构的慢性病管理、公司员工健康管理等领域，通过精细化的健康管理和个性化的干预措施，能够提高人群的整体健康水平，降低疾病发生风险，为个体和社会提供更好的健康服务。

利用关联人群网络，基于网络拓扑结构，综合考虑了人与人之间的关联关系和传播效应，从而提高干预效果的准确性和可靠性。通过传播模型模拟健康状态的传播过程，可以全面快速的了解关联人群中成员之间的相互影响关系，从而提高成员之间影响程度分析效率，适用于集体的高效准确分析。通过计算每个成员对其他成员的影响程度，可以了解每个成员对关联人群整体健康的影响程度，从而有助于为关联人群提前进行有针对性的健康干预提供科学依据和决策支持。

先基于属性信息构建关联人群网络，是通过将每个成员表示为节点，将成员之间的关系表示为边，可以从整体网络的视角分析关联人群的健康状态传播过程，而不仅仅局限于个体之间的关系；

再通过第一独立级联模型进行传播模拟，第一独立级联模型能够考虑到节点之间的相互影响，设定种子节点的健康状态为患病，并根据传播概率来确定其他节点的健康状态传播，模拟了健康状态在关联人群中的传播过程，其中，考虑到传播过程的随机性，因此生成随机数r，并将其与传播概率P进行比较，从而模拟了实际传播过程中的不确定性和变化性；

再通过计算每个成员的健康状况对其他成员的影响程度，并进行排序，可以确定对关联人群进行健康干预的优先级，从而可以针对每个成员不同的影响程度有针对性地进行健康干预，提高对集体健康的干预效果。

附图说明

图1是本发明提供的针对关联人群的健康管理方法的流程示意图；

图2是本发明提供的针对关联人群的健康管理系统的系统框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一

参考图1，实施例一提供一种针对关联人群的健康管理方法，包括步骤S101~S106：

S101，对关联人群中每个成员的健康信息进行监测，并收集关联人群中每个成员的多个属性信息，属性信息包括健康状态。

需要说明的是，针对关联人群中的每个成员，进行定期或实时的健康信息监测，以根据健康信息了解其真实的健康状况和跟健康相关数据的变化趋势。属性信息可以包括每个成员的健康状态、年龄、性别、行为习惯、疾病史和医疗记录等，这种全面性的数据收集可以提供更全面、准确的关联人群健康状况的描述和分析。通过对每个成员的健康信息监测和属性信息收集，可以实现个体化的健康管理，根据不同成员的特点和需求，可以制定个性化的健康干预措施，从而提供精准的健康指导。

S102，基于关联人群中每个成员的属性信息构建关联人群网络，其中，每个成员表示为网络中的节点，每个成员之间的关系表示为边。

需要说明的是，将关联人群中的成员以网络的形式进行表示，可以更好地理解成员之间的关联关系和交互，通过构建关联人群网络，进行网络拓扑结构的分析，例如，分析网络的密度、中心性指标、社区结构等，以揭示网络中的关键成员、信息传播的路径和影响力中心等，从而揭示成员之间的相互依赖和影响，有助于分析和解释健康状况的传播和变化，节点之间的关系可以根据属性信息之间的关联关系来确定，例如可以基于日常密接程度、年龄相似度、性别匹配度、疾病历史等来建立边的连接。

本实施例要求收集多个属性信息，并将其综合考虑在网络的构建中，这样可以更全面地描述成员之间的关联关系，以及属性信息对健康状况传播的影响，通过综合属性信息，可以提高对关联人群中健康情况的理解和预测能力。

S103，将任一目标成员定为种子节点，并将种子节点的健康状态定为患病状态或易感染状态。

需要说明的是，将任一目标成员定为种子节点，能够用于单独模拟关联人群中每个成员对其他成员健康状态的影响。将种子节点设定为患病状态可以模拟疾病在关联人群中的初始传播源，适用于研究传染性疾病的传播，例如流感、传染性疾病等，通过模拟患病节点的传播过程，可以研究疾病的传播路径、速度和影响范围等。将种子节点设定为易感染状态可以研究疾病的传播风险和潜在扩散趋势，适用于研究慢性病、非传染性疾病等在关联人群中的传播，通过模拟易感染节点的传播过程，可以评估不同人群中的感染风险、预测疾病的扩散趋势等。

S104，将关联人群网络和种子节点的健康状态输入第一独立级联模型，并通过第一独立级联模型获取关联人群网络中各节点的健康状态的传播结果，具体步骤：

设置一临时集合和节点集合，并将种子节点添加到节点集合中，

对于每一轮传播，对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值，

对当前轮节点集合中的每个节点进行二次遍历，对遍历到的目标节点，根据目标节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值计算目标节点对其邻居节点传播健康状态的概率，记为传播概率P=(z-min(z))/(max(z)-min(z))，其中，z为目标节点对应的线性组合值，min(z)为当前轮的最小线性组合值，max(z)为当前轮的最大线性组合值，

对目标节点的每个邻居节点生成一个随机数r，随机数r的范围在0到1之间，若随机数r小于传播概率P，则将目标节点的邻居节点的健康状态更新为目标节点的健康状态，并判断目标节点的邻居节点是否在节点集合中，若不在，则将目标节点的邻居节点添加到临时集合中，将遍历过的目标节点从节点集合中删除，并将临时集合中的所有节点添加到节点集合中，

在每一轮迭代之后，判断节点集合是否为空，若节点集合为空，则终止迭代及生成传播结果，传播结果包括健康状态发生过改变的节点的总数和传播路径。

需要说明的是，传播过程是通过多轮迭代来模拟的，每一轮迭代包含步骤：对于当前轮的节点集合中的每个节点，进行两次遍历，一次遍历时，对于每个遍历到的目标节点，根据其邻居节点的健康状态和权重，计算目标节点的线性组合值，并同时记录当前轮的最小线性组合值和最大线性组合值。二次遍历时，根据目标节点的线性组合值、当前轮的最小线性组合值和最大线性组合值，计算目标节点对其邻居节点传播健康状态的概率。再对目标节点的每个邻居节点，生成一个随机数 r，并与传播概率 P 进行比较，如果随机数 r 小于传播概率 P，则将邻居节点的健康状态更新为目标节点的健康状态，同时判断该邻居节点是否在节点集合中，如果不在，则将其添加到临时集合中，临时集合。完成对节点集合中所有节点的遍历后，将遍历过的目标节点从节点集合中删除，并将临时集合中的节点添加到节点集合中，准备下一轮迭代。在每一轮迭代之后，判断节点集合是否为空。如果节点集合为空，即没有新的节点受到影响，则传播过程终止并生成传播结果。

本实施例通过第一独立级联模型来模拟健康状态的传播过程，该模型考虑了节点之间的关联关系和线性组合值，以及通过随机数和传播概率来决定节点状态的传播。通过计算目标节点的线性组合值和当前轮的最小、最大线性组合值，可以确定传播概率，传播概率用于决定目标节点对其邻居节点传播健康状态的可能性。通过引入随机数和判断节点集合是否为空的条件，可以增加传播过程的随机性，并在没有新节点受到影响时终止迭代。通过统计健康状态发生改变的节点数和记录传播路径，可以对传播结果进行分析和评估。

在传播过程中，当发现目标节点的邻居节点受到干预状态的传播时，这些邻居节点可能不在节点集合中，此时，将这些节点暂时存储在临时集合中，以便在每轮迭代结束后将其添加到节点集合中。在每轮迭代结束后，需要更新节点集合，即将临时集合中的节点添加到节点集合中，这样可以保证下一轮迭代时，节点集合中包含了新加入的节点，以便继续传播过程。尽管临时集合在某些情况下可能看起来多余，但在复杂的传播模型或具有特定需求的情况下，临时集合的设置可以提供更好的灵活性和可操作性，可以帮助管理传播过程中的节点状态和迭代的控制，以便更好地理解传播结果和进行后续分析。

传播结果包括健康状态发生过改变的节点的总数和传播路径，通过统计健康状态发生改变的节点数，可以评估传播的效果，传播路径可以记录传播过程中节点之间的关系和传播路径的形成。

在记录传播路径时，可以包含信息：起点节点，记录传播开始的节点，即种子节点；传播路径，记录传播过程中经过的节点序列；终点节点，记录传播结束的节点，即最后一个受到影响的节点。通过分析传播路径，可以了解传播的起点、路径中的节点和传播的终点，从而识别关键节点和传播路径中的瓶颈或重要路径，有助于评估传播效果和优化健康干预策略。

传播路径的生成步骤：在每轮迭代中，当一个节点的邻居节点受到干预状态的传播时，记录该传播事件，可以使用一个数据结构（如列表或链表）来保存传播路径。

具体的，所述对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值的步骤还包括：

在每轮迭代传播开始前，初始化一个最小线性组合值和一个最大线性组合值，分别记为min(z)和max(z)；

对目标节点对应的线性组合值进行计算，并与当前的最小线性组合值和最大线性组合值进行比较，目标节点的线性组合值z=α₁*x₁+α₂*x₂+...+α_n*x_n，其中，x₁，x₂，...，x_n 分别是目标节点的各个属性值，α₁，α₂，... ，α_n分别是目标节点的各个属性对应的权重系数；

若目标节点的线性组合值z小于最小线性组合值min(z)，则将最小线性组合值min(z)替换为目标节点的线性组合值z；

若目标节点的线性组合值z大于最大线性组合值max(z)，则将最大线性组合值max(z)替换为目标节点的线性组合值z；

直至当前轮传播过程中的所有节点均被遍历完成，获取当前轮的最终的最小线性组合值min(z)和最大线性组合值max(z)。

需要说明的是，通过计算节点的线性组合值并动态更新最小和最大线性组合值，能够在每轮迭代传播过程中获取节点的线性组合值范围，以辅助后续的传播概率计算和健康状态的传播分析。

根据目标节点的属性和对应的权重系数，计算节点的线性组合值，得到的线性组合值反映了节点的各属性对健康状态传播的综合贡献程度。

通过比较目标节点的线性组合值和当前轮的最小和最大线性组合值，可以不断更新最小和最大线性组合值，这样可以动态地跟踪当前轮传播过程中节点线性组合值的范围。

所述生成传播结果的步骤包括：

设置一受影响节点序列；

若在执行传播过程中，出现一个新的节点的健康状态更新为患病状态或易感染状态，则将其添加到受影响节点序列；

直至迭代完成，没有新的节点的健康状态更新为患病状态或易感染状态为止，对受影响节点序列中的节点进行统计以得到受影响节点的数量。

需要说明的是，通过迭代传播过程来更新节点的健康状态，并根据传播规则和概率判断节点是否更新为患病状态或易感染状态，通过不断迭代传播过程，直到没有新的节点的健康状态更新为患病状态或易感染状态，这时可以确定传播过程的结束。在传播过程结束后，对受影响节点序列进行统计，以得到受影响节点的数量，这个数量可以用来评估传播效果和影响范围。

设置一个受影响节点序列，用于记录在传播过程中状态发生改变的节点，这样可以跟踪传播过程中受到影响的节点，并用于后续的统计和分析。

在传播过程中，如果有节点的健康状态更新为患病状态或易感染状态，则将该节点添加到受影响节点序列中，这样可以保留受到影响的节点信息，以便最后统计受影响节点的数量。

S105，根据传播结果计算目标成员的健康状况对其他成员的影响程度，影响程度=（受影响成员数）/（总成员数-1），其中，受影响成员数 为健康状态发生过改变的节点的总数，总成员数是关联人群中成员的总人数。

需要说明的是，通过统计传播结果中健康状态发生过改变的节点的总数，可以得到受影响成员数，这个数量反映了传播过程中有多少成员的健康状态发生了改变。目标成员的健康状况对其他成员的影响程度的值越大，表示目标成员对其他成员的影响越大。

确定关联人群中的总成员数时，需要减去目标成员自身的数量，这样可以避免计算中出现除零的情况。即如果总成员数为1，关联人群中只有目标成员一人时，分母为0，会导致除零的情况，这种情况下，无法计算目标成员的影响程度，因为没有其他成员可以作为影响的对象。为避免出现除零的情况，计算影响程度前需要确保总成员数至少为2，即关联人群中至少有两个成员，这样可以保证分母不为零，避免出现除零错误。

S106，通过上述步骤计算得到每个成员的健康状况对其他成员的影响程度，并进行影响程度排序，及根据影响程度排序对关联人群进行健康干预。

具体的，所述根据影响程度排序对关联人群进行健康干预的步骤包括：

将影响程度排序中排在前k位的成员作为干预节点，并将干预节点的状态定为干预状态，干预状态为接受预设干预措施；

将关联人群网络和干预节点的状态输入第二独立级联模型，并通过第二独立级联模型执行以下干预传播：

除干预节点以外的其他节点设为非干预节点，并将非干预节点的状态定为初始状态，初始状态为未接受预设干预措施，

对于每轮干预传播，遍历关联人群网络中的每个非干预节点，对遍历到的目标非干预节点，计算其受到干预状态传播的概率，

生成一个随机数t，随机数t的范围在0到1之间，

将随机数t与目标非干预节点受到干预状态传播的概率进行比较，

若生成的随机数小于目标非干预节点受到干预状态传播的概率，则判定目标非干预节点受到干预状态的传播，并将目标非干预节点的状态更新为干预状态，

重复执行干预传播，直到新一轮的干预传播过程中没有出现新的非干预节点更新为干预状态为止，并评估干预效果。

需要说明的是，根据影响程度排序对关联人群进行健康干预是一种有针对性的干预策略，通过选择影响程度较大的成员作为干预节点，并执行干预传播过程，可以有效地影响关联人群的健康状况，而干预效果评估可以帮助评估干预的效果和影响程度，从而指导后续的健康管理措施。

通过根据影响程度排序，选择影响程度较高的成员作为干预节点，这样可以针对影响程度较大的成员进行有针对性的健康干预。通过第二独立级联模型执行干预传播过程，将干预状态传播到非干预节点，从而影响其健康状态。

其中，根据计算得到的传播概率与随机数比较，确定非干预节点是否受到干预状态传播，可以使干预传播更加随机和可控。

进一步的，所述对遍历到的目标非干预节点，计算目标非干预节点受到干预状态传播的概率的步骤包括：

对于遍历到的目标非干预节点，计算邻居节点对目标非干预节点传播影响的总和；

根据传播影响的总和计算目标非干预节点受到干预状态传播的概率，F(i) = 1 /(1 + e ^S(i))，其中，F(i) 为目标非干预节点i受到干预状态传播的概率，S(i)为目标非干预节点i受到邻居节点传播影响的总和。

需要说明的是，根据目标非干预节点受到邻居节点传播影响的总和，通过逻辑回归函数计算目标节点受到干预状态传播的概率，这个概率可以用于决定是否将干预状态传播给目标非干预节点，从而影响其健康状态，这样可以较准确地考虑邻居节点对目标非干预节点的传播影响，并综合地计算目标节点受到干预状态传播的概率。

进一步，所述对于遍历到的目标非干预节点，计算邻居节点对目标非干预节点传播影响的总和的步骤包括：

根据关联人群网络中的边关系，确定目标非干预节点的邻居节点集合；

为每个邻居节点设置传播影响系数，其中，传播影响系数表示邻居节点对目标非干预节点传播影响的程度；

遍历目标非干预节点的邻居节点集合，根据相应的传播影响系数计算每个邻居节点对目标非干预节点的传播影响并进行累加以得到邻居节点对目标非干预节点传播影响的总和。

需要说明的是，传播影响系数可以根据邻居节点的属性信息、关联程度等进行设定，也可以根据实际数据进行学习和训练。

进一步的，所述评估干预效果的步骤包括：

设置一受干预节点序列；

若在执行干预状态传播过程中，出现一个新的更新为干预状态的非干预节点，则将其添加到受干预节点序列；

直至迭代完成，没有非干预节点更新为干预状态为止，对受干预节点序列中的节点进行统计以得到受干预影响节点的数量，定为干预传播范围；

对受干预节点序列中的节点的健康状态总和进行求平均值计算以得到受干预影响节点的健康状态变化程度，定为干预的影响程度。

需要说明的是，设置受干预节点序列，用于方便统计受干预节点的数量和计算节点健康状态的变化程度，而通过统计受干预节点的数量和计算节点健康状态的变化程度，可以客观地评估干预的影响范围和程度，受干预节点的数量可以指示干预的传播范围，健康状态的平均值可以量化干预对节点健康状态的整体影响程度。这样的评估有助于了解干预措施的效果，并为进一步的健康管理和干预提供依据，具体的分析结果可以用于制定个性化的健康管理计划和调整干预策略。

本发明的健康管理方法具有广泛的应用前景，可应用于社区健康管理、医疗机构的慢性病管理、公司员工健康管理等领域，通过精细化的健康管理和个性化的干预措施，能够提高人群的整体健康水平，降低疾病发生风险，为个体和社会提供更好的健康服务。

利用关联人群网络，基于网络拓扑结构，综合考虑了人与人之间的关联关系和传播效应，从而提高干预效果的准确性和可靠性。通过传播模型模拟健康状态的传播过程，可以全面快速的了解关联人群中成员之间的相互影响关系，从而提高成员之间影响程度分析效率，适用于集体的高效准确分析。通过计算每个成员对其他成员的影响程度，可以了解每个成员对关联人群整体健康的影响程度，从而有助于为关联人群提前进行有针对性的健康干预提供科学依据和决策支持。

先基于属性信息构建关联人群网络，是通过将每个成员表示为节点，将成员之间的关系表示为边，可以从整体网络的视角分析关联人群的健康状态传播过程，而不仅仅局限于个体之间的关系；

再通过第一独立级联模型进行传播模拟，第一独立级联模型能够考虑到节点之间的相互影响，设定种子节点的健康状态为患病，并根据传播概率来确定其他节点的健康状态传播，模拟了健康状态在关联人群中的传播过程，其中，考虑到传播过程的随机性，因此生成随机数r，并将其与传播概率P进行比较，从而模拟了实际传播过程中的不确定性和变化性；

再通过计算每个成员的健康状况对其他成员的影响程度，并进行排序，可以确定对关联人群进行健康干预的优先级，从而可以针对每个成员不同的影响程度有针对性地进行健康干预，提高对集体健康的干预效果。

实施例二

参考图2，实施例二提供一种针对关联人群的健康管理系统，包括：

信息收集模块：用于对关联人群中每个成员的健康信息进行监测，并收集关联人群中每个成员的多个属性信息，属性信息包括健康状态；

网络构建模块：用于基于关联人群中每个成员的属性信息构建关联人群网络，其中，每个成员表示为网络中的节点，每个成员之间的关系表示为边；

种子节点定义模块：用于将任一目标成员定为种子节点，并将种子节点的健康状态定为患病状态或易感染状态；

传播结果生成模块：用于将关联人群网络和种子节点的健康状态输入第一独立级联模型，并通过第一独立级联模型获取关联人群网络中各节点的健康状态的传播结果，具体步骤：

设置一临时集合和节点集合，并将种子节点添加到节点集合中，

对于每一轮传播，对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值，

对当前轮节点集合中的每个节点进行二次遍历，对遍历到的目标节点，根据目标节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值计算目标节点对其邻居节点传播健康状态的概率，记为传播概率P=(z-min(z))/(max(z)-min(z))，其中，z为目标节点对应的线性组合值，min(z)为当前轮的最小线性组合值，max(z)为当前轮的最大线性组合值，

对目标节点的每个邻居节点生成一个随机数r，随机数r的范围在0到1之间，若随机数r小于传播概率P，则将目标节点的邻居节点的健康状态更新为目标节点的健康状态，并判断目标节点的邻居节点是否在节点集合中，若不在，则将目标节点的邻居节点添加到临时集合中，将遍历过的目标节点从节点集合中删除，并将临时集合中的所有节点添加到节点集合中，

在每一轮迭代之后，判断节点集合是否为空，若节点集合为空，则终止迭代及生成传播结果，传播结果包括健康状态发生过改变的节点的总数和传播路径；

影响程度计算模块：用于根据传播结果计算目标成员的健康状况对其他成员的影响程度，影响程度=（受影响成员数）/（总成员数-1），其中，受影响成员数为健康状态发生过改变的节点的总数，总成员数是关联人群中成员的总人数；

健康干预模块：用于通过上述步骤计算得到每个成员的健康状况对其他成员的影响程度，并进行影响程度排序，及根据影响程度排序对关联人群进行健康干预。

所述传播结果生成模块还用于：

在每轮迭代传播开始前，初始化一个最小线性组合值和一个最大线性组合值，分别记为min(z)和max(z)；

对目标节点对应的线性组合值进行计算，并与当前的最小线性组合值和最大线性组合值进行比较，目标节点的线性组合值z=α₁*x₁+α₂*x₂+...+α_n*x_n，其中，x₁，x₂，...，x_n 分别是目标节点的各个属性值，α₁，α₂，... ，α_n分别是目标节点的各个属性对应的权重系数；

若目标节点的线性组合值z小于最小线性组合值min(z)，则将最小线性组合值min(z)替换为目标节点的线性组合值z；

若目标节点的线性组合值z大于最大线性组合值max(z)，则将最大线性组合值max(z)替换为目标节点的线性组合值z；

直至当前轮传播过程中的所有节点均被遍历完成，获取当前轮的最终的最小线性组合值min(z)和最大线性组合值max(z)。

所述传播结果生成模块还用于：

设置一受影响节点序列；

若在执行传播过程中，出现一个新的节点的健康状态更新为患病状态或易感染状态，则将其添加到受影响节点序列；

直至迭代完成，没有新的节点的健康状态更新为患病状态或易感染状态为止，对受影响节点序列中的节点进行统计以得到受影响节点的数量。

所述健康干预模块还用于：

将影响程度排序中排在前k位的成员作为干预节点，并将干预节点的状态定为干预状态，干预状态为接受预设干预措施；

将关联人群网络和干预节点的状态输入第二独立级联模型，并通过第二独立级联模型执行以下干预传播：

除干预节点以外的其他节点设为非干预节点，并将非干预节点的状态定为初始状态，初始状态为未接受预设干预措施，

对于每轮干预传播，遍历关联人群网络中的每个非干预节点，对遍历到的目标非干预节点，计算其受到干预状态传播的概率，

生成一个随机数t，随机数t的范围在0到1之间，

将随机数t与目标非干预节点受到干预状态传播的概率进行比较，

若生成的随机数小于目标非干预节点受到干预状态传播的概率，则判定目标非干预节点受到干预状态的传播，并将目标非干预节点的状态更新为干预状态，

重复执行干预传播，直到新一轮的干预传播过程中没有出现新的非干预节点更新为干预状态为止，并评估干预效果。

所述健康干预模块还用于：

对于遍历到的目标非干预节点，计算邻居节点对目标非干预节点传播影响的总和；

根据传播影响的总和计算目标非干预节点受到干预状态传播的概率，F(i) = 1 /(1 + e ^S(i))，其中，F(i) 为目标非干预节点i受到干预状态传播的概率，S(i)为目标非干预节点i受到邻居节点传播影响的总和。

所述健康干预模块还用于：

根据关联人群网络中的边关系，确定目标非干预节点的邻居节点集合；

为每个邻居节点设置传播影响系数，其中，传播影响系数表示邻居节点对目标非干预节点传播影响的程度；

遍历目标非干预节点的邻居节点集合，根据相应的传播影响系数计算每个邻居节点对目标非干预节点的传播影响并进行累加以得到邻居节点对目标非干预节点传播影响的总和。

所述健康干预模块还用于：

设置一受干预节点序列；

若在执行干预状态传播过程中，出现一个新的更新为干预状态的非干预节点，则将其添加到受干预节点序列；

直至迭代完成，没有非干预节点更新为干预状态为止，对受干预节点序列中的节点进行统计以得到受干预影响节点的数量，定为干预传播范围；

对受干预节点序列中的节点的健康状态总和进行求平均值计算以得到受干预影响节点的健康状态变化程度，定为干预的影响程度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种针对关联人群的健康管理方法，其特征在于，步骤包括：

对关联人群中每个成员的健康信息进行监测，并收集关联人群中每个成员的多个属性信息，属性信息包括健康状态；

基于关联人群中每个成员的属性信息构建关联人群网络，其中，每个成员表示为网络中的节点，每个成员之间的关系表示为边；

将任一目标成员定为种子节点，并将种子节点的健康状态定为患病状态或易感染状态；

将关联人群网络和种子节点的健康状态输入第一独立级联模型，并通过第一独立级联模型获取关联人群网络中各节点的健康状态的传播结果，具体步骤：

设置一临时集合和节点集合，并将种子节点添加到节点集合中，

对于每一轮传播，对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值，

对当前轮节点集合中的每个节点进行二次遍历，对遍历到的目标节点，根据目标节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值计算目标节点对其邻居节点传播健康状态的概率，记为传播概率P=(z-min(z))/(max(z)-min(z))，其中，z为目标节点对应的线性组合值，min(z)为当前轮的最小线性组合值，max(z)为当前轮的最大线性组合值，

对目标节点的每个邻居节点生成一个随机数r，随机数r的范围在0到1之间，若随机数r小于传播概率P，则将目标节点的邻居节点的健康状态更新为目标节点的健康状态，并判断目标节点的邻居节点是否在节点集合中，若不在，则将目标节点的邻居节点添加到临时集合中，将遍历过的目标节点从节点集合中删除，并将临时集合中的所有节点添加到节点集合中，

在每一轮迭代之后，判断节点集合是否为空，若节点集合为空，则终止迭代及生成传播结果，传播结果包括健康状态发生过改变的节点的总数和传播路径；

根据传播结果计算目标成员的健康状况对其他成员的影响程度，影响程度=（受影响成员数）/（总成员数-1），其中，受影响成员数 为健康状态发生过改变的节点的总数，总成员数是关联人群中成员的总人数；

通过上述步骤计算得到每个成员的健康状况对其他成员的影响程度，并进行影响程度排序，及根据影响程度排序对关联人群进行健康干预。

2.根据权利要求1所述的针对关联人群的健康管理方法，其特征在于，所述对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值的步骤还包括：

在每轮迭代传播开始前，初始化一个最小线性组合值和一个最大线性组合值，分别记为min(z)和max(z)；

对目标节点对应的线性组合值进行计算，并与当前的最小线性组合值和最大线性组合值进行比较，目标节点的线性组合值z=α₁*x₁+α₂*x₂+...+α_n*x_n，其中，x₁，x₂，...，x_n 分别是目标节点的各个属性值，α₁，α₂，... ，α_n分别是目标节点的各个属性对应的权重系数；

若目标节点的线性组合值z小于最小线性组合值min(z)，则将最小线性组合值min(z)替换为目标节点的线性组合值z；

若目标节点的线性组合值z大于最大线性组合值max(z)，则将最大线性组合值max(z)替换为目标节点的线性组合值z；

直至当前轮传播过程中的所有节点均被遍历完成，获取当前轮的最终的最小线性组合值min(z)和最大线性组合值max(z)。

3.根据权利要求1所述的针对关联人群的健康管理方法，其特征在于，所述生成传播结果的步骤包括：

设置一受影响节点序列；

若在执行传播过程中，出现一个新的节点的健康状态更新为患病状态或易感染状态，则将其添加到受影响节点序列；

直至迭代完成，没有新的节点的健康状态更新为患病状态或易感染状态为止，对受影响节点序列中的节点进行统计以得到受影响节点的数量。

4.根据权利要求1所述的针对关联人群的健康管理方法，其特征在于，所述根据影响程度排序对关联人群进行健康干预的步骤包括：

将影响程度排序中排在前k位的成员作为干预节点，并将干预节点的状态定为干预状态，干预状态为接受预设干预措施；

将关联人群网络和干预节点的状态输入第二独立级联模型，并通过第二独立级联模型执行以下干预传播：

除干预节点以外的其他节点设为非干预节点，并将非干预节点的状态定为初始状态，初始状态为未接受预设干预措施，

对于每轮干预传播，遍历关联人群网络中的每个非干预节点，对遍历到的目标非干预节点，计算其受到干预状态传播的概率，

生成一个随机数t，随机数t的范围在0到1之间，

将随机数t与目标非干预节点受到干预状态传播的概率进行比较，

若生成的随机数小于目标非干预节点受到干预状态传播的概率，则判定目标非干预节点受到干预状态的传播，并将目标非干预节点的状态更新为干预状态，

重复执行干预传播，直到新一轮的干预传播过程中没有出现新的非干预节点更新为干预状态为止，并评估干预效果。

5.根据权利要求4所述的针对关联人群的健康管理方法，其特征在于，所述对遍历到的目标非干预节点，计算目标非干预节点受到干预状态传播的概率的步骤包括：

对于遍历到的目标非干预节点，计算邻居节点对目标非干预节点传播影响的总和；

根据传播影响的总和计算目标非干预节点受到干预状态传播的概率，F(i) = 1 / (1+ e ^S(i))，其中，F(i) 为目标非干预节点i受到干预状态传播的概率，S(i)为目标非干预节点i受到邻居节点传播影响的总和。

6.根据权利要求5所述的针对关联人群的健康管理方法，其特征在于，所述对于遍历到的目标非干预节点，计算邻居节点对目标非干预节点传播影响的总和的步骤包括：

根据关联人群网络中的边关系，确定目标非干预节点的邻居节点集合；

为每个邻居节点设置传播影响系数，其中，传播影响系数表示邻居节点对目标非干预节点传播影响的程度；

遍历目标非干预节点的邻居节点集合，根据相应的传播影响系数计算每个邻居节点对目标非干预节点的传播影响并进行累加以得到邻居节点对目标非干预节点传播影响的总和。

7.根据权利要求4所述的针对关联人群的健康管理方法，其特征在于，所述评估干预效果的步骤包括：

设置一受干预节点序列；

若在执行干预状态传播过程中，出现一个新的更新为干预状态的非干预节点，则将其添加到受干预节点序列；

直至迭代完成，没有非干预节点更新为干预状态为止，对受干预节点序列中的节点进行统计以得到受干预影响节点的数量，定为干预传播范围；

对受干预节点序列中的节点的健康状态总和进行求平均值计算以得到受干预影响节点的健康状态变化程度，定为干预的影响程度。

8.一种针对关联人群的健康管理系统，其特征在于，包括：

信息收集模块：用于对关联人群中每个成员的健康信息进行监测，并收集关联人群中每个成员的多个属性信息，属性信息包括健康状态；

网络构建模块：用于基于关联人群中每个成员的属性信息构建关联人群网络，其中，每个成员表示为网络中的节点，每个成员之间的关系表示为边；

种子节点定义模块：用于将任一目标成员定为种子节点，并将种子节点的健康状态定为患病状态或易感染状态；

传播结果生成模块：用于将关联人群网络和种子节点的健康状态输入第一独立级联模型，并通过第一独立级联模型获取关联人群网络中各节点的健康状态的传播结果，具体步骤：

设置一临时集合和节点集合，并将种子节点添加到节点集合中，

对于每一轮传播，对当前轮节点集合中的每个节点进行一次遍历，以确定节点集合中的每个节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值，

对当前轮节点集合中的每个节点进行二次遍历，对遍历到的目标节点，根据目标节点对应的线性组合值、当前轮的最小线性组合值及当前轮的最大线性组合值计算目标节点对其邻居节点传播健康状态的概率，记为传播概率P=(z-min(z))/(max(z)-min(z))，其中，z为目标节点对应的线性组合值，min(z)为当前轮的最小线性组合值，max(z)为当前轮的最大线性组合值，

对目标节点的每个邻居节点生成一个随机数r，随机数r的范围在0到1之间，若随机数r小于传播概率P，则将目标节点的邻居节点的健康状态更新为目标节点的健康状态，并判断目标节点的邻居节点是否在节点集合中，若不在，则将目标节点的邻居节点添加到临时集合中，将遍历过的目标节点从节点集合中删除，并将临时集合中的所有节点添加到节点集合中，

在每一轮迭代之后，判断节点集合是否为空，若节点集合为空，则终止迭代及生成传播结果，传播结果包括健康状态发生过改变的节点的总数和传播路径；

影响程度计算模块：用于根据传播结果计算目标成员的健康状况对其他成员的影响程度，影响程度=（受影响成员数）/（总成员数-1），其中，受影响成员数为健康状态发生过改变的节点的总数，总成员数是关联人群中成员的总人数；

健康干预模块：用于通过上述步骤计算得到每个成员的健康状况对其他成员的影响程度，并进行影响程度排序，及根据影响程度排序对关联人群进行健康干预。