CN117038075A - 糖尿病风险评估模型构建方法、膳食食疗及健康管理系统 - Google Patents

糖尿病风险评估模型构建方法、膳食食疗及健康管理系统 Download PDF

Info

Publication number
CN117038075A
CN117038075A CN202310981903.1A CN202310981903A CN117038075A CN 117038075 A CN117038075 A CN 117038075A CN 202310981903 A CN202310981903 A CN 202310981903A CN 117038075 A CN117038075 A CN 117038075A
Authority
CN
China
Prior art keywords
model
health
diabetes
intervention
risk
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
CN202310981903.1A
Other languages
English (en)
Inventor
曾强
王剑峰
汪菲
高向阳
孙仪
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.)
Zhejiang Jinfangmei Biotechnology Co ltd
Second Medical Center of PLA General Hospital
Original Assignee
Zhejiang Jinfangmei Biotechnology Co ltd
Second Medical Center of PLA General Hospital
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 Zhejiang Jinfangmei Biotechnology Co ltd, Second Medical Center of PLA General Hospital filed Critical Zhejiang Jinfangmei Biotechnology Co ltd
Priority to CN202310981903.1A priority Critical patent/CN117038075A/zh
Publication of CN117038075A publication Critical patent/CN117038075A/zh
Pending legal-status Critical Current

Links

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
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Nutrition Science (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于糖尿病风险评估及健康管理技术领域，公开了糖尿病风险评估模型构建方法、膳食食疗及健康管理系统。所述方法包括：从健康大数据样本数据集中提取可用于建模评估模型的有效样本集；初步筛选形成可用于糖尿病风险评估的、中西医结合的候选变量集；利用正则化技术筛选特征集合；利用比例风险回归模型构建初始风险评估模型；采用十折交叉验证法优化模型参数，得到中西医指标结合的风险评估模型；模型预测精度评估，若不满足设定要求，则扩大原训练样本集返回前面步骤重新训练和优化模型；模型应用。本发明的方法和系统能够智能匹配出个性化的健康管理方案，实现精准化健康管理，使糖尿病患者可以获得有效预测、干预和治疗。

Description

糖尿病风险评估模型构建方法、膳食食疗及健康管理系统
技术领域
本发明属于糖尿病风险评估及健康管理技术领域，具体涉及一种糖尿病风险评估模型构建方法及其特殊膳食食疗及健康管理系统。
背景技术
糖尿病是以慢性高血糖为特征的、因胰岛素分泌不足和(或)胰岛素利用缺陷引起的糖类、蛋白质和脂肪等代谢紊乱性疾病。长期病程可引起多系统损害，导致血管、心脏、神经、肾脏、眼等组织器官的慢性并发症，病情严重时可发生糖尿病酮症酸中毒和糖尿病高血糖高渗状态等急性并发症。糖尿病的发病风险高低主要取决于危险因素的数目和危险度，其中，一些危险因素，如年龄、家族遗传史或遗传倾向、种族等，是不可改变的；另一些危险因素诸如超重、肥胖、饮食热量摄入过高、体力活动减少等，是可以通过各种干预措施进行管控改变的，从而降低糖尿病危险因素的水平，有效预防糖尿病及其并发症的发生和发展，提高防控效果，延缓并减少糖尿病进程及并发症的发生，提高糖尿病患者的生命质量。
糖尿病患者的治疗及延续护理已成为临床护理工作发展的趋势。目前，延续护理模式多采用电话随访、家访、设置家庭医生等方式，但医患物理距离限制了其在临床疾病延续护理模式的应用，且很多糖尿病患者对所需注意的饮食治疗方案不熟悉，容易因饮食结构不合适而增加糖尿病严重程度或诱发新的并发症，同时糖尿病患者的病程时间较长，治疗期间的身体信息和检查信息数据保存困难，不便于后续治疗的进行。
中国专利申请CN110379489A公开了一种糖尿病护理用饮食监控装置，该糖尿病护理用饮食监控装置，通过设置PLC控制器、储存单元、临时储存模块、对比模块、操作屏、食材按钮、显示模块和天数信息录入模块，使得显示模块即可有效地显示早餐食材数据信息使用和剩余量、中餐食材数据信息使用和剩余量及早晚餐食材数据信息使用和剩余量，使得患者可以更加直观地进行观察，即使记忆力较差，也不会导致饮食出现紊乱，提高了治疗效果。但是该专利的技术方案只是单纯地辅助患者记录饮食信息，而不能对患者的糖尿病风险进行科学、全面评估，更不能针对性地为患者提供糖尿病特殊膳食食品精准食疗及管理方案。
发明内容
本发明旨在解决至少一种现有技术或相关技术中存在的技术问题，提供一种糖尿病风险评估模型构建方法及其特殊膳食食疗及健康管理系统，利用真实世界健康大数据，采用正则化技术、比例风险模型以及交叉验证法构建中西医指标结合的风险评估模型，利用风险评估模型依据采集的用户信息数据，实现对用户疾病风险的准确预测和慢性病预后分层(针对糖尿病患者的心血管事件或死亡风险预测，根据预测结果分为糖尿病患者预后低危人群、中危人群和高危人群三个层级)，进而智能匹配个性化的特殊膳食食疗和健康管理方案，并实时动态更新管理进程，实现精准化健康管理。
为实现以上技术目的，本发明采用以下技术方案：
一种糖尿病风险评估模型构建方法，所述方法包括如下步骤：
步骤S1：从健康大数据样本数据集中提取可用于建模评估模型的有效样本，形成有效样本集；
步骤S2：利用文献分析和Delphi专家咨询法，对现有的中西医评估模型中糖尿病相关变量进行预判，从现有的中西医评估模型中初步筛选出可用于糖尿病风险评估的、中西医结合的候选变量，形成候选变量集；
步骤S3：利用正则化技术筛选特征集合，具体包括：
基于步骤S1中提取的有效样本集和步骤S2中筛选的候选变量集，利用LASSO方法筛选出对因变量最具有解释力的特征集合；所述因变量包括：是否发生糖尿病、是否发生糖尿病心血管事件或死亡；
针对候选变量的复共线性问题，在回归系数的绝对值之和小于一个常数的约束条件下，设置残差平方和最小化，利用AIC准则剔除掉某些回归系数为0的候选变量，得到模型的特征集合；
步骤S4：利用比例风险回归模型构建初始风险评估模型，具体包括：
将有效样本集按比例随机分割为训练集和验证集，使用COX回归方法拟合训练集，基于事件发生顺序建立最大似然函数，预测比例风险回归模型的参数，训练得到初始风险评估模型；
构建的初始风险评估模型为：
h(t,X)＝h0(t)*exp(β1*X1+β2*X2+...+βn*Xn)
上式中，h(t，X)为具有协变量X的个体在t时刻的风险函数；h0(t)为所有协变量X为0时t时刻的风险函数，称为基准风险函数；X1，X2…,Xn为协变量X的具体特征值；β1,β2,…,βn是协变量X的参数；
将协变量X进行零均值化处理，并利用Breslow估计法估计基准风险函数h0(t)：
上式中，dj是时间tj时刻发生事件的个体数，分母是tj时刻风险集的协变量线性组合指数之和；
步骤S5：采用十折交叉验证法优化模型参数，得到中西医指标结合的风险评估模型；
步骤S6：模型预测精度评估，具体包括：
利用验证集，采用C统计量评估模型的区分度，并利用Calibration Plot和Hosmer-Lemeshow检验评估模型的校准度，
若模型的区分度和校准度不满足设定要求，则扩大原训练样本集，返回步骤S1-S6，对模型再次训练、优化和评估，直至模型的区分度和校准度满足设定要求，转入步骤S7；
步骤S7：模型应用，采集患者信息，应用训练优化好的风险评估模型，对患者进行糖尿病风险评估，并给出糖尿病风险评估结果和慢性病预后分层。
进一步地，所述步骤S1具体包括：
基于健康大数据集提取有效样本，当样本缺失变量数占某样本变量集总数的比例超过10％或者缺失候选变量时，该样本不纳入建模；
对于提取的有效样本中的缺失值，采用马尔科夫链蒙特卡罗法填充，所述马尔科夫链蒙特卡罗法填充过程中使用的马尔可夫链满足如下等式：
πiP(xn+1＝j|xn＝i)＝πiP(xn+1＝i|xn＝j)
上式中，πi表示概率分布；P(xn+1＝j|xn＝i)表示变量从状态i转移到状态j的概率；P(xn+1＝i|xn＝j)表示变量从状态j转移到状态i的概率；P表示马尔科夫链的状态转移概率矩阵；
所述健康大数据样本数据集包括的数据参数为：血压、血糖、体脂、运动、睡眠以及体检数据信息；
所述健康大数据样本数据集的采集方式包括：文字调查、医疗设备数据、个人保健设备数据、患者记录日志、实验室试验结果、以及保健专业人士推荐的与患者治疗相关的信息。
进一步地，所述步骤S2中，Delphi专家咨询法中的咨询专家来源于中医以及西医各个临床专业，专家人数的确定依据下列公式：
上式中，为抽样平均数标准差，σ为总体标准差，m为专家人数；
所述现有的中西医评估模型包括：Framingham系列评估模型、中医体质分类与判定自测表、芬兰糖尿病风险评分法、汉密尔顿焦虑量表、以及糖尿病防治管理指南中的糖尿病风险评估方法；
所述候选变量包括：血压、空腹血糖、糖化血红蛋白、餐后2小时血糖、甘油三酯、低密度脂蛋白胆固醇、血尿酸、体重指数、体脂肪率、家族糖尿病史、是否患糖尿病、是否服用降糖药物、是否使用胰岛素、饮食得分、运动得分、睡眠得分、心理得分以及中医体质得分。
进一步地，所述步骤S3中采用如下LASSO回归公式进行特征集合的筛选：
上式中，N表示数据样本点数；p表示数据样本点数；i表示第i个样本点；j表示第j个样本点；xij表示输入变量；yi表示输出变量；βj表示回归系数；λ表示惩罚参数；
最终筛选的特征集合包括：血压、空腹血糖、糖化血红蛋白、体质指数、家族糖尿病史、饮食得分、运动得分、睡眠得分以及中医体质得分，以及是否患糖尿病、是否服用降糖药物以及是否使用胰岛素。
进一步地，所述步骤S5具体包括：
采用十折交叉验证法，将训练集数据平均分为十份，依次遍历十个子集，每次把当前子集作为验证集、其余子集作为训练集，进行模型的训练和评估，计算模型在验证集上的各参数，把十次评估结果中各参数的平均值作为最优模型参数，得到中西医指标结合的风险评估模型。
进一步地，在步骤S6中，所述模型的区分度包括：
e.区分患者是糖尿病低危人群、中危人群还是高危人群；
f.区分患者属糖尿病Ⅰ型、糖尿病Ⅱ型还是妊娠期糖尿病；
g.区分患者是肥胖型还是瘦型糖尿病患者；
h.区分患者是心血管事件或死亡的低危人群、中危人群还是高危人群；
在步骤S7中，所述糖尿病风险评估结果用于显示患糖尿病风险的百分数，并区分患者是糖尿病低危人群、中危人群还是高危人群，区分患者属糖尿病Ⅰ型、糖尿病Ⅱ型还是妊娠期糖尿病、以及区分患者是肥胖型还是瘦型糖尿病患者；所述慢性病预后分层用于区分糖尿病患者是心血管事件或死亡的低危人群、中危人群还是高危人群。
进一步地，所述方法还包括如下步骤：
步骤S8：模型基于实际服务中采集的健康数据定期动态更新，具体包括：
当健康服务客户样本量达到设定数量时，定期更新健康大数据样本集，利用步骤S1-S5构建参数调整后的新模型，计算并比较原模型和新模型的区分度与校准度，在有统计学差异的前提下，选择区分度和校准度更好的模型作为更新后的最优模型。
同时，本发明还提供一种糖尿病特殊膳食食疗及健康管理系统，所述系统包括：
健康档案模块：用于采集患者的个人身体基本情况数据，覆盖了中西医健康管理服务过程中所需要的全部健康档案数据，并在健康干预过程中实时动态更新健康档案数据；
健康评估模块：内置有糖尿病风险评估模型，所述糖尿病风险评估模型采用如上任一项所述的方法构建而成；用于依据健康档案模块中采集的患者信息数据，对患者进行糖尿病风险评估，并给出糖尿病风险评估结果和慢性病预后分层；
健康干预模块：内置有动态更新的特殊膳食和健康管理方案库，所述健康干预模块根据患者情况结合结合糖尿病风险评估结果，从特殊膳食和健康管理方案库中智能匹配出个性化的健康管理方案，供给健康管理师进行人工调整；
数据分析模块：按服务周期，出具健康服务报告，通过数据前后对比、提供服务情况和患者依从性情况，阶段性展示患者的管理服务效果。
进一步地，所述健康档案模块包括：建档数据采集单元、本次服务内容单元、健康数据记录单元、以往服务记录单元、备注信息单元和标签单元；
所述标签单元通过健康管理师了解客户健康档案信息后，人工提取与实际健康管理密切相关的重要信息，形成标签；
所述健康档案中的变化信息通过时间轴形式呈现，数值数据通过趋势图展示，文字数据关联历次结果，实现定期检测数据的连续性对比分析；
所述健康干预模块中的健康管理方案包括：特殊膳食干预方案、抗糖化干预方案、日常饮食干预方案和运动干预方案，同时，根据患者心理评分、营养素检测结果和功能医学评估结果，健康管理方案还可能会包含营养素干预方案、穴位按摩干预方案、抗衰老干预方案以及心理干预方案中的一种或多种组合方案；
所述特殊膳食干预方案即为采用高血糖特殊膳食处方的饮食干预方案，所述高血糖特殊膳食处方包括一种或多种高血糖特殊膳食食品；
所述抗糖化干预方案包括如下干预方案中的一种或多种组合方案：抑制糖吸收-抑制部分碳水化合物消化吸收的食疗方案；改善分布-降低糖负荷的食疗方案；加快糖利用-糖的无氧酵解的食疗方案；减少糖与蛋白质接触时间的食疗方案；
所述营养素干预方案包括如下营养素干预方案中的一种或多种组合方案：
第一种营养素干预方案包括：甲基吡啶铬、三价铬、三价铬+奶粉或啤酒酵母铬；
第二种营养素干预方案包括：胆碱+谷氨酰胺+牛磺酸，能与水、果汁或维生素B6+维生素C同服，但不能与牛奶同服；
第三种营养素干预方案包括：复合维生素B+生物素+肌醇；
第四种营养素干预方案包括：维生素B12、锌中的一种或两种；
第五种营养素干预方案包括：辅酶Q10、镁和锰中的一种或多种组合。
进一步地，所述健康干预模块还包括首页任务处理单元，所述首页任务处理单元包括当日需要处理的任务集，所述任务集按照健康管理师自主判断和设置的服务优先级进行显示；所述服务优先级按照顺序和/或颜色进行标记。
与现有技术相比，本发明所产生的有益效果是：
(1)本发明提供的糖尿病风险评估模型构建方法，以中医体质分类与判定自测表、芬兰糖尿病风险评分法、汉密尔顿焦虑量表、糖尿病防治管理指南等成熟评估模型为基础，利用健康大数据样本数据集，采用正则化技术、比例风险模型以及交叉验证法，构建了首个中西医指标结合的糖尿病风险评估模型；该风险评估模型可依据用户的健康档案数据对客户进行疾病风险预测和慢性病预后分层，进而由系统智能匹配个性化的特殊膳食处方和健康管理方案，实现精准化健康管理，有助于使患者在发病早期可以获得有效的预防、干预，并科学可靠地指导后续治疗过程，达到最佳治疗效果，有效地避免了现有诊断方式中因没有高敏感性和特异性的评估模型影响糖尿病的防治效果；
(2)本发明提供的糖尿病风险评估模型采用比例风险回归模型进行构建、十折交叉验证法进行模型参数优化，可以得到模型中各个协变量(输入变量)的最优参数，而模型中各个协变量(输入变量)的参数有利于评估各个协变量对结局变量(输出变量)的影响权重，有利于简单、直观地解释各输入变量对结局变量的影响，进而有利于指导临床上的干预策略，模型结果有利于临床解释和指导应用；
(3)本发明提供的糖尿病特殊膳食食疗及健康管理系统，通过健康档案模块采集患者身体健康数据信息，通过健康评估模块进行糖尿病风险评估和慢性病预后分层，再通过健康干预模块由健康管理师生成基于殊膳食食疗干预、营养素干预，以及日常饮食和运动干预多种干预措施相结合的综合健康管理方案，并借助数据分析模块对服务周期的数据进行对比分析、对提供服务和患者依从性情况进行持续记录和管理；本发明的系统能对健康管理师进行科学有效地辅助评估，有助于降低误诊率和漏诊率，实现早发现、早预防和早干预；且能够辅助健康管理师科学可靠地指导后续治疗过程，显著提高治疗管理效率和治疗效果；
(4)本发明提供的糖尿病特殊膳食食疗及健康管理系统，在健康干预模块设置有首页任务处理单元，所述首页任务处理单元包括当日需要处理的任务集，所述任务集按照健康管理师自主判断和设置的服务优先级进行显示；所述服务优先级按照顺序和/或颜色进行标记，使得健康管理师登录首页即显示当日需要处理的任务及其数量，并自主判断和设置服务优先级，提升任务处理效率，提高对糖尿病患者的管理效率；
(5)本发明提供的糖尿病风险评估模型构建方法及系统，在实际服务中不断进化、动态更新糖尿病风险评估模型，健康档案数据也能够在在患者健康干预过程中动态更新，健康干预模块中的特殊膳食和健康管理方案库也不断改进和更新，上述措施能有效提高糖尿病风险评估模型的评估精度、以及特殊膳食食疗及健康管理方案的精细程度，有助于改善糖尿病的防治效果。
附图说明
图1为本发明实施例的糖尿病风险评估模型构建方法流程图。
具体实施方式
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，所描述的实施例仅仅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做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。
实施例1
结合图1所示，本发明实施例提供了一种糖尿病风险评估模型构建方法，所述方法包括如下步骤：
步骤S1：从健康大数据样本数据集中提取可用于建模评估模型的有效样本，形成有效样本集；具体包括：
基于健康大数据样本数据集提取有效样本，当样本缺失变量数占某样本变量集总数的比例超过10％或者缺失候选变量时，该样本不纳入建模；
对于提取的有效样本中的缺失值，采用马尔科夫链蒙特卡罗法填充，所述马尔科夫链蒙特卡罗法填充过程中使用的马尔可夫链满足如下等式：
πiP(xn+1＝j|xn＝i)＝πiP(xn+1＝i|xn＝j) (1)
上式(1)中，πi表示概率分布；P(xn+1＝j|xn＝i)表示变量从状态i转移到状态j的概率；P(xn+1＝i|xn＝j)表示变量从状态j转移到状态i的概率；P表示马尔科夫链的状态转移概率矩阵。
其中，所述健康大数据样本数据集来源于互联网大数据或者定期参加年度健康体检的队列人群数据，所述健康大数据样本数据集包括的数据参数为：血压、血糖、体脂、运动、睡眠以及体检数据信息。
所述健康大数据样本数据集的采集方式包括：
文字调查：包括就医记录、用药记录、常规问卷、心理测评信息；
医疗设备数据：包括患者自身拥有的bG计、连续葡萄糖监测器、便携式胰岛素输液泵、糖尿病分析软件；
个人保健设备数据：包括称重计、血压袖带、锻炼机器、温度计和重量管理软件；
患者记录日志：包括与膳食、锻炼和生活方式相关的信息；
实验室试验结果：包括HbA1C、胆固醇、甘油三酯和葡萄糖耐量；以及
保健专业人士推荐：包括处方、饮食、健康计划以及与患者治疗相关的信息。
步骤S2：利用文献分析和Delphi专家咨询法，结合专业知识，对现有的中西医评估模型中的糖尿病相关变量进行预判，从现有的中西医评估模型中初步筛选出可用于健康评估的、中西医结合的候选变量，形成候选变量集。
其中，Delphi专家咨询法中的咨询专家来源于中医以及西医各个临床专业，专家人数的确定依据下列公式：
上式(2)中，为抽样平均数标准差，σ为总体标准差，m为专家人数。
所述现有的中西医评估模型包括：Framingham系列评估模型、中医体质分类与判定自测表、芬兰糖尿病风险评分法、汉密尔顿焦虑量表、以及糖尿病防治管理指南中的糖尿病风险评估方法等。
所述候选变量包括：血压、空腹血糖、糖化血红蛋白、餐后2小时血糖、甘油三酯、低密度脂蛋白胆固醇、血尿酸、体质指数、体脂肪率、家族糖尿病史、是否患糖尿病、是否服用降糖药物、是否使用胰岛素、饮食得分、运动得分、睡眠得分、心理得分以及中医体质得分。
步骤S3：利用正则化技术筛选特征集合，具体包括：
基于步骤S1中提取的有效样本集和步骤S2中筛选的候选变量集，利用LASSO方法筛选出对因变量最具有解释力的特征集合；所述因变量包括：是否发生糖尿病、是否发生糖尿病心血管事件或死亡；其中，心血管事件包括急性心梗、行PCI或CABG术者、心源性死亡以及脑卒中；
针对候选变量的复共线性问题，在回归系数的绝对值之和小于一个常数的约束条件下，设置残差平方和最小化，利用AIC准则剔除掉某些回归系数为0的候选变量，得到模型的特征集合。
所述步骤S3中采用如下LASSO回归公式进行特征集合的筛选：
上式(3)中，N表示数据样本点数；p表示数据样本点数；i表示第i个样本点；j表示第j个样本点；xij表示输入变量；yi表示输出变量；βj表示回归系数；λ表示惩罚参数。
最终筛选的特征集合包括：血压、空腹血糖、糖化血红蛋白、体质指数、家族糖尿病史、饮食得分、运动得分、睡眠得分以及中医体质得分，以及是否患糖尿病、是否服用降糖药物以及是否使用胰岛素等。
步骤S4：利用比例风险回归模型构建初始风险评估模型，具体包括：
将有效样本集按9：1(该比例可根据情况进行适当调整)随机分割为训练集和验证集，使用COX回归方法拟合训练集，基于事件发生顺序建立最大似然函数，预测比例风险回归模型的参数，训练得到初始风险评估模型；
构建的初始风险评估模型为：
h(t,X)＝h0(t)*exp(β1*X1+β2*X2+...+βn*Xn) (4)
上式(4)中，h(t，X)为具有协变量X的个体在t时刻的风险函数；h0(t)为所有协变量X为0时t时刻的风险函数，称为基准风险函数；X1，X2…,Xn为协变量X的具体特征值；β1,β2,…,βn是协变量X的参数；
将协变量X进行零均值化处理，并利用Breslow估计法估计基准风险函数h0(t)：
上式(5)中，dj是时间tj时刻发生事件的个体数，分母是tj时刻风险集的协变量线性组合指数之和。
步骤S5：采用十折交叉验证法优化模型参数，得到中西医指标结合的风险评估模型；具体包括：
采用十折交叉验证法，将训练集数据平均分为十份，依次遍历十个子集，每次把当前子集作为验证集、其余子集作为训练集，进行模型的训练和评估，计算模型在验证集上的各参数(即公式(4)中的β1,β2,…,βn)，把十次评估结果中各参数的平均值作为最优模型参数，得到中西医指标结合的风险评估模型。
步骤S6：模型预测精度评估，具体包括：
利用验证集，采用C统计量评估模型的区分度，并利用Calibration Plot和Hosmer-Lemeshow检验评估模型的校准度，
若模型的区分度和校准度不满足设定要求，则扩大原训练样本集，返回步骤S1-S5，对模型再次训练和优化，直至模型的区分度和校准度满足设定要求，转入步骤S7。
其中，模型的区分度包括：
a.区分患者是糖尿病低危人群、中危人群还是高危人群；
b.区分患者属糖尿病Ⅰ型、糖尿病Ⅱ型还是妊娠期糖尿病；
c.区分患者是肥胖型还是瘦型糖尿病患者；
d.区分患者是心血管事件或死亡的低危人群、中危人群还是高危人群。
模型的校准度是指模型预测的准确度，也就是心血管事件或死亡实际发生的概率和模型预测出的概率之间的一致性。
模型预测精度的设定要求为：区分度>0.75，校准度检验P值>0.05。
模型预测精度评估的目的是在于评估模型的性能，有利于明确模型实际应用时的鉴别能力和准确性，当其不满足设定要求时，需对其进一步训练和优化，直至模型预测精度满足设定要求；同时，模型预测精度评估也可以用于与其它临床模型的预测精度进行比较。
步骤S7：模型应用，采集患者信息，应用训练优化好的风险评估模型，对患者进行糖尿病风险评估，并给出糖尿病风险评估结果和慢性病预后分层。
其中，所述糖尿病风险评估结果用于显示患糖尿病风险的百分数，并区分患者是糖尿病低危人群、中危人群还是高危人群，区分患者属糖尿病Ⅰ型、糖尿病Ⅱ型还是妊娠期糖尿病、以及区分患者是肥胖型还是瘦型糖尿病患者；慢性病预后分层用于区分糖尿病患者是心血管事件或死亡的低危人群、中危人群还是高危人群。
步骤S8：模型基于实际服务中采集的健康数据定期动态更新，具体包括：
当健康服务客户样本量达到设定数量(如100例)时，定期更新健康大数据样本集，利用步骤S1-S5构建参数调整后的新模型，计算并比较原模型和新模型的区分度与校准度，在有统计学差异的前提下，选择区分度和校准度更好的模型作为更新后的最优模型。
实施例2
本实施例提供了一种糖尿病特殊膳食食疗及健康管理系统，所述系统包括：健康档案模块、健康评估模块、健康干预模块、数据分析模块和系统更新模块，下面对这四大模块进行逐一分析：
(1)健康档案模块
健康档案用于采集患者的个人身体基本情况信息，覆盖了中西医健康管理服务过程中所需要的全部健康档案数据，并在健康干预过程中实时动态更新健康档案数据。
其中，中西医健康管理服务过程中所需要的全部健康档案数据不仅包括血压、血糖、体脂、运动、睡眠以及体检数据信息，还包括过敏史、详细疾病史、用药史、家族史等全部健康信息。
具体地，所述健康档案模块包括：建档数据采集单元、本次服务内容单元、健康数据记录单元、以往服务记录单元、备注信息单元和标签单元；
所述标签单元通过健康管理师了解客户健康档案信息后，人工提取客户运动方式(久坐办公、经常跑步、重体力劳动)、职业信息、工作特点(上午不方便电话、下午不方便电话)等与实际健康管理密切相关的重要信息，形成标签；
所述健康档案中的变化信息通过时间轴形式呈现，数值数据通过趋势图展示，文字数据关联历次结果，实现定期检测数据的连续性对比分析。
健康档案模块通过重要信息提取，变化信息可通过时间轴形式呈现等方法，将复杂的健康档案简单化，做到让健康管理师3秒初步了解客户，并从最显眼的标签、本次服务内容、健康数据、以往服务记录、备注信息全面了解客户的基本情况。
(2)健康评估模块：内置有糖尿病风险评估模型，所述糖尿病风险评估模型采用实施例1所述的方法构建而成；用于依据健康档案模块中采集的患者信息数据，对患者进行糖尿病风险评估，并给出糖尿病风险评估结果和慢性病预后分层。
其中，所述糖尿病风险评估结果用于显示患糖尿病风险的百分数，并区分患者是糖尿病低危人群、中危人群还是高危人群，区分患者属糖尿病Ⅰ型、糖尿病Ⅱ型还是妊娠期糖尿病、以及区分患者是肥胖型还是瘦型糖尿病患者；慢性病预后分层用于区分糖尿病患者是心血管事件或死亡的低危人群、中危人群还是高危人群。
(3)健康干预模块：内置有动态更新的特殊膳食和健康管理方案库，所述健康干预模块根据患者情况结合结合糖尿病风险评估结果，从特殊膳食和健康管理方案库中智能匹配出个性化的健康管理方案供给健康管理师，健康管理师与健康管理对象沟通后，依据健康管理对象当前的生活方式和工作实际情况，对个体化健康管理方案进行微调，实现精准化健康管理。
其中，所述健康管理方案包括：特殊膳食干预方案、抗糖化干预方案、日常饮食干预方案和运动干预方案，同时，根据患者心理评分、营养素检测结果和功能医学评估结果，健康管理方案还可能会包含营养素干预方案、穴位按摩干预方案、抗衰老干预方案以及心理干预方案中的一种或多种组合方案；
所述特殊膳食干预方案即为采用高血糖特殊膳食处方的饮食干预方案，所述高血糖特殊膳食处方包括一种或多种高血糖特殊膳食食品，如：白背三七诺丽果粉、天然NMN压片糖果、劲糖吧瓶干、稳降堂主食面或稳降堂主食米等；
所述抗糖化干预方案包括如下干预方案中的一种或多种组合组合方案：
A.抑制糖吸收-抑制部分碳水化合物消化吸收的食疗方案：通过抑制碳水化合物的消化酶从而减少碳水化合物消化吸收进入人体的量；
B.改善分布-降低糖负荷的食疗方案：平衡人体内糖的分布，减少因局部糖分布太多导致的局部糖化损伤过多；
C.加快糖利用-糖的无氧酵解的食疗方案：加快葡萄糖的无氧酵解，可以把一部分能量储备变成乳酸，从而减少体内糖总量，减少AGEs生成；
D.减少糖与蛋白质接触时间的食疗方案：糖与蛋白质接触后才会生成AGEs，减少接触的时间，AGEs生成就会减少。
在实际应用中，可根据患者情况结合糖尿病风险评估结果，遵循上述四种抗糖化干预方案的制定原则进行组合使用。
所述营养素干预方案包括如下营养素干预方案中的一种或多种组合方案：
第一种营养素干预方案包括：甲基吡啶铬、三价铬、三价铬+奶粉或啤酒酵母铬；
其中，甲基吡啶铬或三价铬能改善胰岛素的效率，降低血糖水平；甲基吡啶铬与硫酸钒盐及其他维生素和矿物质合用，能起协同作用，来调节血糖水平与纠正铬缺乏；奶粉能提供人体所需的高质量蛋白质及必需脂肪酸，能起到辅助治疗作用；啤酒酵母铬具有调节脂质代谢、改善糖耐量的作用；
第二种营养素干预方案包括：胆碱+谷氨酰胺+牛磺酸，能与水、果汁或维生素B6+维生素C同服，但不能与牛奶同服；
其中，胆碱能动员体内的脂肪来供应能量；谷氨酰胺能减少机体对糖的需求；牛磺酸能帮助胰岛素的释放；这三种营养素与维生素B6+维生素C同服时，可加强营养素吸收；
第三种营养素干预方案包括：复合维生素B+生物素+肌醇；
其中，复合维生素B能改善效果；生物素能改善葡萄糖的代谢；肌醇对加强血液循环和防治动脉粥样硬化均有好处；
第四种营养素干预方案包括：维生素B12、锌中的一种或两种；
其中，维生素B12用来防治糖尿病引起的神经病变，最好是在医生的监督下进行注射，如果不能注射，则用舌下含片；锌缺乏与糖尿病有关，最好用葡萄糖酸锌舌下含片，吸收效果好；
第五种营养素干预方案包括：辅酶Q10、镁和锰中的一种或多种组合；
其中，辅酶Q10能够改善血液循环与稳定血糖；镁对酶系统与血液酸碱度非常重要，能防止在动脉粥样硬化中冠状动脉的痉挛；修复胰腺时需要锰，锰是葡萄糖代谢中所需关键酶的辅助因子，糖尿病病人会经常缺乏锰，服用时要与钙剂分开。
同时，当公司研发出新的、经过临床试验验证的、获得审批的糖尿病特殊膳食产品或形成新的糖尿病健康管理方案后，立即更新到系统的特殊膳食和健康管理方案库中，进而在实际服务中实现健康干预方案和手段的不断进化和动态更新。
此外，所述健康干预模块还包括首页任务处理单元，所述首页任务处理单元包括当日需要处理的任务集，所述任务集按照健康管理师自主判断和设置的服务优先级进行显示；所述服务优先级按照顺序和/或颜色进行标记，使得健康管理师登录首页即显示今日需要处理的任务及其数量，提升任务处理效率，可以同给每个客户设置不同颜色文字的标签或排序，自主判断和设置服务优先级，提高对糖尿病患者的管理效率，原来每个健康管理师最多能管理50个客户，现在通过系统能管理多达500个客户。
(4)数据分析模块：按服务周期，出具健康服务报告，通过数据前后对比、提供服务情况和患者依从性情况，阶段性展示患者的管理服务效果。
(5)系统更新模块，包括：健康档案实时更新模块、糖尿病风险评估模型定期动态更新模块和健康管理方案不定时更新模块。
健康档案实时更新模块：实时采集的客户的血压、血糖、体脂、运动、睡眠、饮食、用药情况等健康信息将实时、自动更新到客户的健康管理档案模块中；
糖尿病风险评估模型定期动态更新模块：基于实际服务中采集的健康数据，当健康服务客户样本量达到一定数量(如100例)时，定期更新健康大数据样本集，采用实施例1中的步骤S1-S5重新构建参数调整后的新模型，计算并比较原模型和新模型的区分度与校准度，在有统计学差异的前提下选择区分度和校准度更好的模型作为更新后的最优模型；
健康管理方案不定时更新模块：根据公司不断研发出的新的糖尿病特殊膳食食品、营养素，结合临床试验结果，不定时调整健康管理方案模板。
应用本实施例2的糖尿病特殊膳食食疗及健康管理系统，对患者进行糖尿病风险评估和健康管理干预。
其中，患者A的健康信息见下表1：
表1患者A的健康信息
对患者A干预前后的健康数据见下表2：
表2患者A干预前后的健康指标数据
患者B的健康信息见下表3：
表3患者B的健康信息
/>
对患者B干预前后的健康数据见下表4：
表4患者B干预前后的健康指标数据
患者C的健康信息见下表5：
表5患者c的健康信息
对患者C干预前后的健康数据见下表6：
表6患者C干预前后的健康指标数据
以上所述仅为本发明的实施例而已，并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种糖尿病风险评估模型构建方法，其特征在于，所述方法包括如下步骤：
步骤S1：从健康大数据样本数据集中提取可用于建模评估模型的有效样本，形成有效样本集；
步骤S2：利用文献分析和Delphi专家咨询法，对现有的中西医评估模型中糖尿病相关变量进行预判，从现有的中西医评估模型中初步筛选出可用于糖尿病风险评估的、中西医结合的候选变量，形成候选变量集；
步骤S3：利用正则化技术筛选特征集合，具体包括：
基于步骤S1中提取的有效样本集和步骤S2中筛选的候选变量集，利用LASSO方法筛选出对因变量最具有解释力的特征集合；所述因变量包括：是否发生糖尿病、是否发生糖尿病心血管事件或死亡；
针对候选变量的复共线性问题，在回归系数的绝对值之和小于一个常数的约束条件下，设置残差平方和最小化，利用AIC准则剔除掉某些回归系数为0的候选变量，得到模型的特征集合；
步骤S4：利用比例风险回归模型构建初始风险评估模型，具体包括：
将有效样本集按比例随机分割为训练集和验证集，使用COX回归方法拟合训练集，基于事件发生顺序建立最大似然函数，预测比例风险回归模型的参数，训练得到初始风险评估模型；
构建的初始风险评估模型为：
h(t，X)＝h0(t)*exp(β1*X1+β2*X2+...+βn*Xn)
上式中，h(t，X)为具有协变量X的个体在t时刻的风险函数；h0(t)为所有协变量X为0时t时刻的风险函数，称为基准风险函数；X1，X2...，Xn为协变量X的具体特征值；β1，β2，...，βn是协变量X的参数；
将协变量X进行零均值化处理，并利用Breslow估计法估计基准风险函数h0(t)：
上式中，是时间/>时刻发生事件的个体数，分母/>是/>时刻风险集的协变量线性组合指数之和；
步骤S5：采用十折交叉验证法优化模型参数，得到中西医指标结合的风险评估模型；
步骤S6：模型预测精度评估，具体包括：
利用验证集，采用C统计量评估模型的区分度，并利用Calibration Plot和Hosmer-Lemeshow检验评估模型的校准度，
若模型的区分度和校准度不满足设定要求，则扩大原训练样本集，返回步骤S1-S6，对模型再次训练、优化和评估，直至模型的区分度和校准度满足设定要求，转入步骤S7；
步骤S7：模型应用，采集患者信息，应用训练优化好的风险评估模型，对患者进行糖尿病风险评估，并给出糖尿病风险评估结果和慢性病预后分层。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括：
基于健康大数据集提取有效样本，当样本缺失变量数占某样本变量集总数的比例超过10％或者缺失候选变量时，该样本不纳入建模；
对于提取的有效样本中的缺失值，采用马尔科夫链蒙特卡罗法填充，所述马尔科夫链蒙特卡罗法填充过程中使用的马尔可夫链满足如下等式：
上式中，表示概率分布；/>表示变量从状态/>转移到状态/>的概率；表示变量从状态/>转移到状态/>的概率；P表示马尔科夫链的状态转移概率矩阵；
所述健康大数据样本数据集包括的数据参数为：血压、血糖、体脂、运动、睡眠以及体检数据信息；
所述健康大数据样本数据集的采集方式包括：文字调查、医疗设备数据、个人保健设备数据、患者记录日志、实验室试验结果、以及保健专业人士推荐的与患者治疗相关的信息。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2中，Delphi专家咨询法中的咨询专家来源于中医以及西医各个临床专业，专家人数的确定依据下列公式：
上式中，为抽样平均数标准差，σ为总体标准差，m为专家人数；
所述现有的中西医评估模型包括：Framingham系列评估模型、中医体质分类与判定自测表、芬兰糖尿病风险评分法、汉密尔顿焦虑量表、以及糖尿病防治管理指南中的糖尿病风险评估方法；
所述候选变量包括：血压、空腹血糖、糖化血红蛋白、餐后2小时血糖、甘油三酯、低密度脂蛋白胆固醇、血尿酸、体重指数、体脂肪率、家族糖尿病史、是否患糖尿病、是否服用降糖药物、是否使用胰岛素、饮食得分、运动得分、睡眠得分、心理得分以及中医体质得分。
4.根据权利要求1所述的方法，其特征在于，所述步骤S3中采用如下LASSO回归公式进行特征集合的筛选：
上式中，N表示数据样本点数；p表示数据样本点数；表示第/>个样本点；/>表示第/>个样本点；/>表示输入变量；/>表示输出变量；/>表示回归系数；λ表示惩罚参数；
最终筛选的特征集合包括：血压、空腹血糖、糖化血红蛋白、体质指数、家族糖尿病史、饮食得分、运动得分、睡眠得分以及中医体质得分，以及是否患糖尿病、是否服用降糖药物以及是否使用胰岛素。
5.根据权利要求1所述的方法，其特征在于，所述步骤S5具体包括：
采用十折交叉验证法，将训练集数据平均分为十份，依次遍历十个子集，每次把当前子集作为验证集、其余子集作为训练集，进行模型的训练和评估，计算模型在验证集上的各参数，把十次评估结果中各参数的平均值作为最优模型参数，得到中西医指标结合的风险评估模型。
6.根据权利要求1所述的方法，其特征在于，在步骤S6中，所述模型的区分度包括：
a.区分患者是糖尿病低危人群、中危人群还是高危人群；
b.区分患者属糖尿病Ⅰ型、糖尿病Ⅱ型还是妊娠期糖尿病；
c.区分患者是肥胖型还是瘦型糖尿病患者；
d.区分患者是心血管事件或死亡的低危人群、中危人群还是高危人群；
在步骤S7中，所述糖尿病风险评估结果用于显示患糖尿病风险的百分数，并区分患者是糖尿病低危人群、中危人群还是高危人群，区分患者属糖尿病Ⅰ型、糖尿病Ⅱ型还是妊娠期糖尿病、以及区分患者是肥胖型还是瘦型糖尿病患者；所述慢性病预后分层用于区分糖尿病患者是心血管事件或死亡的低危人群、中危人群还是高危人群。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括如下步骤：
步骤S8：模型基于实际服务中采集的健康数据定期动态更新，具体包括：
当健康服务客户样本量达到设定数量时，定期更新健康大数据样本集，利用步骤S1-S5构建参数调整后的新模型，计算并比较原模型和新模型的区分度与校准度，在有统计学差异的前提下，选择区分度和校准度更好的模型作为更新后的最优模型。
8.一种糖尿病特殊膳食食疗及健康管理系统，其特征在于，所述系统包括：
健康档案模块：用于采集患者的个人身体基本情况数据，覆盖了中西医健康管理服务过程中所需要的全部健康档案数据，并在健康干预过程中实时动态更新健康档案数据；
健康评估模块：内置有糖尿病风险评估模型，所述糖尿病风险评估模型采用如权利要求1-6任一项所述的方法构建而成；用于依据健康档案模块中采集的患者信息数据，对患者进行糖尿病风险评估，并给出糖尿病风险评估结果和慢性病预后分层；
健康干预模块：内置有动态更新的特殊膳食和健康管理方案库，所述健康干预模块根据患者情况结合结合糖尿病风险评估结果，从特殊膳食和健康管理方案库中智能匹配出个性化的健康管理方案，供给健康管理师进行人工调整；
数据分析模块：按服务周期，出具健康服务报告，通过数据前后对比、提供服务情况和患者依从性情况，阶段性展示患者的管理服务效果。
9.根据权利要求8所述的系统，其特征在于，所述健康档案模块包括：建档数据采集单元、本次服务内容单元、健康数据记录单元、以往服务记录单元、备注信息单元和标签单元；
所述标签单元通过健康管理师了解客户健康档案信息后，人工提取与实际健康管理密切相关的重要信息，形成标签；
所述健康档案中的变化信息通过时间轴形式呈现，数值数据通过趋势图展示，文字数据关联历次结果，实现定期检测数据的连续性对比分析；
所述健康干预模块中的健康管理方案包括：特殊膳食干预方案、抗糖化干预方案、日常饮食干预方案和运动干预方案，同时，根据患者心理评分、营养素检测结果和功能医学评估结果，健康管理方案还可能会包含营养素干预方案、穴位按摩干预方案、抗衰老干预方案以及心理干预方案中的一种或多种组合方案；
所述特殊膳食干预方案即为采用高血糖特殊膳食处方的饮食干预方案，所述高血糖特殊膳食处方包括一种或多种高血糖特殊膳食食品；
所述抗糖化干预方案包括如下干预方案中的一种或多种组合方案：抑制糖吸收-抑制部分碳水化合物消化吸收的食疗方案；改善分布-降低糖负荷的食疗方案；加快糖利用-糖的无氧酵解的食疗方案；减少糖与蛋白质接触时间的食疗方案；
所述营养素干预方案包括如下营养素干预方案中的一种或多种组合方案：
第一种营养素干预方案包括：甲基吡啶铬、三价铬、三价铬+奶粉或啤酒酵母铬；
第二种营养素干预方案包括：胆碱+谷氨酰胺+牛磺酸，能与水、果汁或维生素B6+维生素C同服，但不能与牛奶同服；
第三种营养素干预方案包括：复合维生素B+生物素+肌醇；
第四种营养素干预方案包括：维生素B12、锌中的一种或两种；
第五种营养素干预方案包括：辅酶Q10、镁和锰中的一种或多种组合。
10.根据权利要求8所述的系统，其特征在于，所述健康干预模块还包括首页任务处理单元，所述首页任务处理单元包括当日需要处理的任务集，所述任务集按照健康管理师自主判断和设置的服务优先级进行显示；所述服务优先级按照顺序和/或颜色进行标记。
CN202310981903.1A 2023-08-04 2023-08-04 糖尿病风险评估模型构建方法、膳食食疗及健康管理系统 Pending CN117038075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310981903.1A CN117038075A (zh) 2023-08-04 2023-08-04 糖尿病风险评估模型构建方法、膳食食疗及健康管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310981903.1A CN117038075A (zh) 2023-08-04 2023-08-04 糖尿病风险评估模型构建方法、膳食食疗及健康管理系统

Publications (1)

Publication Number Publication Date
CN117038075A true CN117038075A (zh) 2023-11-10

Family

ID=88629218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310981903.1A Pending CN117038075A (zh) 2023-08-04 2023-08-04 糖尿病风险评估模型构建方法、膳食食疗及健康管理系统

Country Status (1)

Country Link
CN (1) CN117038075A (zh)

Similar Documents

Publication Publication Date Title
Hall et al. Glucotypes reveal new patterns of glucose dysregulation
US11564635B1 (en) System and method for physiological health simulation
Chakradar et al. A non-invasive approach to identify insulin resistance with triglycerides and HDL-c ratio using machine learning
JP4289869B2 (ja) 糖尿病診断支援システム
CN113628750B (zh) 一种基于数字技术的营养不良快速筛查系统
US11295860B2 (en) Using at home measures to predict clinical state and improving the accuracy of at home measurements/predictions data associated with circadian rhythm and meal timing
EP2223248A1 (en) Simulating patient-specific outcomes
Deutsch et al. UTOPIA: a consultation system for visit-by-visit diabetes management
CN117116490A (zh) 心血管病评估模型构建方法、膳食食疗及健康管理系统
CN117012392A (zh) 高血压风险评估模型构建方法、膳食食疗及健康管理系统
Nazari et al. Estimating transition probability of different states of type 2 diabetes and its associated factors using Markov model
US20220061676A1 (en) Virtually monitoring blood pressure levels in a patient using machine learning and digital twin technology
CN117038075A (zh) 糖尿病风险评估模型构建方法、膳食食疗及健康管理系统
CN115547495B (zh) 一种综合评价糖脂代谢水平的系统及其应用
WO2020043706A1 (en) Using at home measurements to predict clinical state and improving the accuracy of at home measurements/predictions using data associated with circadian rhythm and meal timing
WO2023106960A1 (ru) Способ прогнозирования наступления медицинского события в здоровье человека
Dzakiyullah et al. Machine learning methods for diabetes prediction
CN117116462A (zh) 一种糖化血红蛋白值的预测方法、系统及装置
Hsu Relationship between metabolism and risk of cardiovascular disease and stroke, risk of chronic kidney disease, and probability of pancreatic beta cells self-recovery using GH-Method: Math-Physical Medicine.”
Abdulahi et al. Longitudinal modeling of fasting blood sugar variation over time among adult diabetic patients in case of Adama hospital medical college
US20220061710A1 (en) Virtually monitoring glucose levels in a patient using machine learning and digital twin technology
Dyer et al. Nutrient data analysis techniques and strategies
Verreydt et al. Prognostic parameters of all-cause mortality in heart failure patients from ZOL Genk: a retrospective cohort study
CN117153398A (zh) 一种质子泵抑制剂的健康风险预测模型的构建方法及其危险分层应用
Hui et al. Research on diabetes prediction method based on electronic medical record data analysis

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