CN117059278B - 用于评估婴幼儿生长发育的方法、装置、设备和存储介质 - Google Patents
用于评估婴幼儿生长发育的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117059278B CN117059278B CN202311320008.1A CN202311320008A CN117059278B CN 117059278 B CN117059278 B CN 117059278B CN 202311320008 A CN202311320008 A CN 202311320008A CN 117059278 B CN117059278 B CN 117059278B
- Authority
- CN
- China
- Prior art keywords
- growth
- evaluated
- person
- data
- current
- 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.)
- Active
Links
- 230000012010 growth Effects 0.000 title claims abstract description 319
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 147
- 230000036541 health Effects 0.000 claims abstract description 111
- 238000011161 development Methods 0.000 claims abstract description 100
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000010801 machine learning Methods 0.000 claims abstract description 35
- 201000010099 disease Diseases 0.000 claims description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 24
- 230000037396 body weight Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013058 risk prediction model Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000011077 uniformity evaluation Methods 0.000 claims description 6
- 210000001685 thyroid gland Anatomy 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 208000030090 Acute Disease Diseases 0.000 claims description 3
- 229930003316 Vitamin D Natural products 0.000 claims description 3
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 claims description 3
- 210000000481 breast Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 235000019166 vitamin D Nutrition 0.000 claims description 3
- 239000011710 vitamin D Substances 0.000 claims description 3
- 150000003710 vitamin D derivatives Chemical class 0.000 claims description 3
- 229940046008 vitamin d Drugs 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 abstract description 87
- 238000012216 screening Methods 0.000 abstract description 2
- 230000008131 children development Effects 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 17
- 238000012544 monitoring process Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000004064 dysfunction Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 206010053759 Growth retardation Diseases 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 2
- 206010047626 Vitamin D Deficiency Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 235000013350 formula milk Nutrition 0.000 description 2
- 231100000001 growth retardation Toxicity 0.000 description 2
- 208000015978 inherited metabolic disease Diseases 0.000 description 2
- 230000001071 malnutrition Effects 0.000 description 2
- 235000000824 malnutrition Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000015380 nutritional deficiency disease Diseases 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- 208000035010 Term birth Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000019180 nutritional disease Diseases 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 230000036417 physical growth Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model 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
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了用于评估婴幼儿生长发育的方法、装置、设备和存储介质。本发明的评估方法包括:获得待评估者的当前发育数据并与生长参照标准比较,进行生长水平评价;如果待评估者被评估为生长水平非异常,则进行生长趋势评估,任选地进行生长速度和匀称度评估。本发明的评估方法可以实现对正常喂养婴幼儿的快速筛选,大大减少了人工评估劳动;同时通过对生长趋势的评估,考虑了婴幼儿发育的动态趋势,减少了评估错误和偏差。通过本发明的方法评估的生长发育评估结果还可以结合临床特征数据通过机器学习以预测待评估者的健康风险概率。
Description
技术领域
本发明涉及医学保健信息学领域,具体地涉及用于评估婴幼儿生长发育的方法、装置、设备和存储介质。
背景技术
儿童体格发育是一个极为复杂的过程,具有独特的动态性、持续性、阶段性、规律性特征。儿童体格发育虽有共性发展规律,但又存在着明显的个体差异。此外,各国儿童青少年体格发育长期变化趋势还随社会经济发展呈现相似的发展模式,不同的经济发展时期也会极大影响儿童和青少年的发育规律。
儿科体格发育的监测、评估、健康风险预测面临医学问题与社会问题双重挑战。一方面,家长期望值的提高,使得家长往往通过非专业渠道获得碎片化片面信息引发焦虑,寻求过度治疗;另一方面,由于发展不均衡的情况,系统化、同质化和标准化的诊疗培训难以在各级公立和私立医疗机构同步推行。
生长发育监测是评价个体和群体儿童体格生长和营养状况的最经济、简便、无创的方法,对早期筛查营养性疾病、内分泌疾病以及其他急慢性疾病具有重要意义。然而,对于生长发育监测存在着两方面的现实限制因素。一方面,在对婴幼儿进行生长发育监测时,医务人员需要将多次的体重、身长数据记录在纸质版或录入其他软件后进行对比,这样工作量很大,耗费时间。另一方面,如前所述,基层儿科医疗资源极度匮乏,更不要谈系统化、同质化和标准化的诊疗体系。而高级医疗机构门诊压力巨大,单位工作量增加不仅延长工作时间,还可能造成医务人员疲劳产生误诊或漏诊。
人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。机器学习(machine learning,ML)方法作为人工智能方法的分支,利用计算机系统以算法和统计模型实现预测或决策任务,能为医学科学的进步提供极大的可能性。在医疗领域,机器学习所遇到的最大挑战是在处理各种医疗问题时要面对医疗数据变量的复杂性,例如,医疗资料类型复杂、数据缺失、个性化差异、数据测量设备和标准的差异等。此外,深度学习模型在处理医学问题时存在逻辑解释方面的不足(结果有时难以解释),还存在数据标准化、需要大量数据和训练成本高等方面的缺点。
因此,本领域需要一种适合于快速评估婴幼儿生长发育状况和预测健康风险的方法,该方法即能满足系统化和标准化的要求,同时还能提高评估的速度和效率。
发明内容
鉴于现有技术中存在的上述问题,本发明旨在提供一种用于评估婴幼儿生长发育的方法、装置、设备、系统和存储介质。
因此,在第一个方面,本发明提供了一种用于评估婴幼儿生长发育的方法(在下文中,简称为“本发明的评估方法”),包括以下步骤:1)获得待评估者的当前发育数据并存储在存储器中,其中所述待评估者为不超过2岁的婴幼儿,所述发育数据至少包括当前月龄M、体重W、身长H和体重/身长W/H的数据;2)从存储器中获取生长参照标准,将所述待评估者的当前发育数据中的体重W数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对体重百分位数Pw;3) 进行生长水平评估,如果待评估者的Pw值大于等于P97或小于等于P3,所述待评估者被评估为生长水平异常;如果所述待评估者的Pw值小于P97大于P3,则所述待评估者被评估为生长水平非异常。
在一个优选实施方案中,本发明的评估方法可以进一步包括:如果所述待评估者被评估为生长水平异常,则从存储器中调取所述待评估者的前一次生长水平评估结果,如果前一次生长水平评估结果也为异常,则输出结论1,优选地,结论1为“进行医学评估”;如果前一次生长水平评估结果为非异常,则输出结论2,优选地,结论2为“增加评估次数”。
在一个实施方案中,本发明的评估方法进一步包括:如果所述待评估者被评估为生长水平非异常,则进一步进行生长趋势评估:4) 根据预设的体重评价等级标准对所述待评估者的当前相对体重百分位数Pw进行分级,获得所述待评估者的当前体重评价等级并存储在存储器中,其中所述预设的体重评价等级标准包括至少三个等级;5) 从存储器调取所述待评估者的历史体重评价等级,并将所述待评估者的当前体重评价等级与前一次历史体重评价等级比较,如果处于同一等级,则评估为生长趋势正常;如果不处于同一等级,优选地,相差至少一个等级,则评估为生长趋势偏离。
在一个优选实施方案中,如果所述待评估者被判断为生长趋势偏离,则将所述待评估者的前一次历史体重评价等级与再前一次历史体重评价等级比较,如果处于同一等级,则输出结论3,优选地,所述结论3为“增加评估次数,不改变喂养方案”;如果不相同(例如,相差一个等级),则输出结论4,优选地,所述结论4为“增加评估次数,改变喂养方案”。
在一个更优选的实施方案中,如果所述待评估者的当前体重评价等级与前一次历史体重评价等级相比相差至少两个等级,则可以评估为生长趋势异常偏离并输出结论5(即,结论1和结论4的结合,优选地,结论5定义为进行医学评估和增加评估次数,改变喂养方案)。
在一个实施方案中,如果所述待评估者被评估为生长水平非异常,则在生长趋势评估后,还进行生长速度和匀称度评估,其中所述生长速度评估包括如下步骤:
将所述待评估者的当前发育数据的身长H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对身长百分位数Ph,如果待评估者的Ph值大于等于P97或小于等于P3,评估所述待评估者为生长速度异常;如果所述待评估者的Ph值小于P97大于P3,则评估所述待评估者为生长速度非异常;
并且其中所述匀称度评估包括如下步骤:
将所述待评估者的当前发育数据的W/H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对W/H百分位数Pwh,如果待评估者的Pwh值大于等于P97或小于等于P5,评估所述待评估者为匀称度异常;如果所述待评估者的Pwh值小于P97大于P5,则评估所述待评估者为匀称度非异常。
在进一步优选的实施方案中,本发明的评估方法进一步包括以下步骤:
获取待评估者的临床特征数据,其中所述临床特征数据包括:基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征;
将所述临床特征数据和所述待评估者的生长发育评估结果一起输入到已构建的机器学习健康风险预测模型中,以获得所述待评估者发生健康风险的预测概率,其中所述健康风险包括与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险。
在一个具体的实施方案中,所述生长发育评估结果包括生长水平、生长趋势、生长速度、匀称度的评估结果,所述生长发育评估结果是通过本发明的评估方法获得的。
在一个具体的实施方案中,所述基础临床特征包括是否母乳喂养、是否添加DHA、是否添加辅食、是否添加维生素D。
在另一个具体的实施方案中,所述与生长水平相关的附加特征包括:出生胎龄、母亲吸烟与否、有无既往疾病。
在另一个具体的实施方案中,所述与生长速度相关的附加特征包括:有无急性疾病。
在另一个具体的实施方案中,所述与匀称度相关的附加特征包括:母亲身高、父亲身高、甲状腺功能异常与否。
在一个具体的实施方案中,所述与生长水平相关的健康风险包括营养不良、生长迟缓。
在另一个具体的实施方案中,所述与生长速度相关的健康风险包括喂养不当、维生素D缺乏症。
在另一个具体的实施方案中,所述与匀称度相关的健康风险包括甲状腺功能减低、遗传代谢病。
在第二个方面,本发明提供了一种用于评估婴幼儿生长发育的装置(下文简称为“本发明的评估装置”),所述装置包括:
数据接收模块,所述数据接收模块被配置成接收待评估者的当前发育数据并存储在存储器中,其中所述待评估者为不超过2岁的婴幼儿,所述发育数据至少包括当前月龄数M、体重W、身长H和体重/身长W/H的数据;
计算模块,所述计算模块被配置成从存储器中获取生长参照标准,将所述待评估者的当前发育数据中的体重W数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对体重百分位数Pw;
生长水平评估模块,所述生长水平评估模块被配置成如果待评估者的Pw值大于等于P97或小于等于P3,所述待评估者被评估为生长水平异常;如果所述待评估者的Pw值小于P97大于P3,则所述待评估者被评估为生长水平非异常。
在一个优选的实施方案中,本发明的评估装置还包括生长趋势评估模块,所述生长趋势评估模块被配置成:如果所述待评估者被评估为生长水平非异常,则根据预设的体重评价等级标准对所述待评估者的当前相对体重百分位数Pw进行分级,获得所述待评估者的当前体重评价等级并存储在存储器中,其中所述预设的体重评价等级标准包括至少三个等级;从存储器调取所述待评估者的历史体重评价等级,并将所述待评估者的当前体重评价等级与前一次历史体重评价等级比较,如果处于同一等级,则评估为生长趋势正常;如果不处于同一等级,优选地,相差至少一个等级,则评估为生长趋势偏离。
在另一个优选的实施方案中,本发明的评估装置进一步包括生长速度评估模块和匀称度评估模块,其中所述生长速度评估模块被配置成将所述待评估者的当前发育数据的身长H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对身长百分位数Ph,如果待评估者的Ph值大于等于P97或小于等于P3,评估所述待评估者为生长速度异常;如果所述待评估者的Ph值小于P97大于P3,则评估所述待评估者为生长速度非异常;并且其中所述匀称度评估模块被配置成:将所述待评估者的当前发育数据的W/H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对W/H百分位数Pwh,如果待评估者的Pwh值大于等于P97或小于等于P5,评估所述待评估者为匀称度异常;如果所述待评估者的Pwh值小于P97大于P5,则评估所述待评估者为匀称度非异常。
在进一步优选的实施方案中,本发明的评估装置进一步包括:
临床特征获取模块,所述临床特征获取模块被配置成获取待评估者的临床特征数据,其中所述临床特征数据包括:基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征;
预测模块,所述预测模块被配置成将所述临床特征数据和所述待评估者的生长发育评估结果输入到已构建好的机器学习健康风险预测模型中,以获得所述待评估者发生健康风险的预测概率,其中所述健康风险包括与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险。
在第三个方面,本发明提供了一种婴幼儿生长发育评估设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明的评估方法中所述的步骤。
在第四个方面,本发明提供了一种婴幼儿生长发育评估系统,该系统包括本发明的婴幼儿生长发育评估设备和测量生长发育指标的设备。在本发明中,生长发育指标可以包括体重、身长、头围、胸围、皮褶厚度和上臂围等指标,因此所述测量生长发育指标的设备可以包括能够测量这些生长发育指标的设备,包括但不限于体重计、身高体重计、皮尺等,优选可以输出数值型数据的数字式设备或便于门诊和社区医院使用的便携式设备。在本发明的系统中,由测量生长发育指标的设备生成的数值数据传输至本发明的生长发育评估设备的处理器,所述处理器执行计算机程序对数据进行处理和分析,最终输出生长发育评估和/或健康风险预测结果。
在第五个方面,本发明提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时可以实现本发明的评估方法的各个步骤。
有益效果
本发明通过加入对生长趋势的评估,使得对婴幼儿生长发育的评估更注重动态性和连续性,克服了单次评估的缺点并且减少了人工评估的劳动。此外,目前儿科对于婴幼儿健康风险的评估和预测大多是从生长发育异常的群体着手,这样仍然是对疾病的诊断过程,而不是预测性评估,因此难以尽早发现生长趋势变化以便及早采取相应措施干预以阻断疾病的发生和发展。本发明通过对生长趋势的评估,结合传统的生长发育指标,实现快速评估从而指导家长及时地调整喂养方案,及早采取相应措施干预以阻断疾病的发生和发展。
在生长趋势的评估标准方面,本发明采用了相差一个等级来判断正常和偏离,相差两个等级判断为异常偏离。这样的评估标准就生长发育趋势正常的儿童来说相对严格,主要目的是为了快速评估出生长趋势正常的群体,换言之,被评估为正常的群体尽可能不包括生长趋势偏离的儿童群体,并不需要筛选出全部正常群体,这样经过评估过的个体就无需医生再介入。即便部分生长发育趋势正常的儿童被划入偏离的群体,依靠多个历史数据的比较,观察动态变化情况,由于动态变化不剧烈,不需要改变喂养方案,因此并不会影响对生长趋势的判断,也不会改变结论。另外,通过增加监测次数来弥补监测间隔时间长导致的评估和预测误差。
本发明将与生长水平、生长速度和匀称度的评价指标(体重、身长、体重/身长W/H)的数值型数据转换成[0,1]数据,成为二分类数据,不仅便于数据的标准化,减少了测量误差或数值波动对评估和预测结果的影响,也非常适合机器学习分类模型的应用。
在机器学习模型的构建中,本发明将生长趋势纳入到目标人群的学习特征中,使得获得的预测模型能够基于生长趋势预测待测者的健康风险。同时,本发明将疾病归一化为有无健康风险分类,预测结果为有无健康风险,这样的数据处理不仅适合快速预测,而且还大大增加了预测模型结果的可解释性和可应用性,此外,本发明从目标人群提取的临床特征也以二分类数据(是或否)为主,使得机器学习的结果更容易模拟临床医生的诊疗思维,避免了深度学习模型(例如,人工神经网络)在处理医学问题时在逻辑解释方面的不足,以及数据标准化、需要大量数据和训练成本高等方面的缺点。
综上所述,本发明的方法、装置和设备特别适合于对2岁之前的婴幼儿的生长发育状况评估和健康风险预测。
附图说明
本申请的附加方面和优点结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明的用于评估婴幼儿生长发育的方法的一个实施方案的流程示意图。
图2是根据本发明的用于评估婴幼儿生长发育的方法的另一个实施方案的流程示意图,在该实施方案中,对于被评估为生长水平异常者,根据前一次生长水平评估结果判断,得出结论1或结论2。
图3是根据本发明的用于评估婴幼儿生长发育的方法的另一个实施方案的流程示意图,在该实施方案中,进行生长趋势评估。
图4是根据本发明的用于评估婴幼儿生长发育的方法的另一个实施方案的流程示意图,在该实施方案中,根据前一次和再前一次历史体重评价等级判断,得出结论3或结论4。
图5是根据本发明的用于评估婴幼儿生长发育的方法的另一个实施方案的流程示意图,在该实施方案中,进行生长趋势评估以及生长速度和匀称度评估。
图6是以WHO男童体重百分位曲线为例举例说明本发明的评估方法的示意图,图中A-H点代表不同监测点时的体重百分位数。
图7是根据本发明的用于评估婴幼儿生长发育的方法的另一个实施方案的流程示意图,在该实施方案中对待评估者进一步进行健康风险预测。
图8示例性展示了根据本发明的用于评估婴幼儿生长发育的装置的一个实施方案的结构示意图。
图9展示了根据本发明的婴幼儿生长发育评估设备的一个实施方案的实体结构示意图。
在附图中,流程图中的T代表“是”,F代表“否”。
具体实施方式
下面结合具体实施方式对本发明进行进一步的详细描述,给出的实施例仅为了阐明本发明,而不是为了限制本发明的范围。以下提供的实施例可作为本技术领域普通技术人员进行进一步改进的指南,并不以任何方式构成对本发明的限制。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。
需要说明的是,虽然在流程图中示出了逻辑顺序,但本领域技术人员可以理解的是,可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书中以及附图中所采用的“第一”、“第二”等描述方式仅仅用于区别不同的对象,并不意在描述特定的顺序或先后次序。
另外,需要说明的是,在本申请的各个实施方案以及具体实施例中,当涉及到需要采集目标对象(例如,用户、受试者或患者)的属性信息或集合,并对目标对象的相关特性数据进行处理分析时,根据适用法律法规的要求,对于数据的采集、使用和处理以及与这些操作相关的风险(例如,有创或无创性检测,有或无放射线辐射、进行相关操作的目的和要求、进行相关操作可能出现的并发症,等等)均告知所述目标对象,并得到了该目标对象的许可或同意(例如,签署知情同意书)。如果不需要上述书面许可或同意,在必要时,可以在实施本发明的过程中通过弹窗或跳转到确认页面等方式来获得目标对象的单独许可或同意,在获得许可或同意后,再进行后续步骤以获得数据和进一步处理分析。
目前,常规的生长发育评估方式是使用WHO或卫生部门发布的体格发育评价标准,由医务人员或专业人员进行人工评估。这种人工评估方式需要耗费大量的人力及时间,效率低;且人工评估的方式受限于评估人员的专业能力,评估结果的稳定性无法保障。而自动化评估方法往往采用人工智能方法进行大数据学习,构建自动处理的模型来实现。但人工智能大数据学习,存在其自身的局限性,例如:结果可解释性不高,黑箱方法难以标准化、需要的大数据量,训练成本高、数据混杂污染等。
因此,为减少医务人员人工评估的工作量,实现对婴幼儿生长发育状况的快速评估和健康风险预测,本发明提供了用于评估婴幼儿生长发育状况的方法、装置、设备、系统和存储介质。
下面通过具体实施例来更好地理解本发明:
用于评估婴幼儿生长发育的方法
参照图1所示的实施方案,本发明的用于评估婴幼儿生长发育的方法可以包括以下步骤:
S100 获得待评估者的当前发育数据并存储在存储器中,其中所述待评估者为不超过2岁的婴幼儿,所述发育数据至少包括当前月龄M、体重W、身长H和体重/身长W/H的数据;
S110 从存储器中获取生长参照标准,将所述待评估者的当前发育数据中的体重W数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对体重百分位数Pw;
S120 进行生长水平评价,如果待评估者的Pw值大于等于P97或小于等于P3,所述待评估者被评估为生长水平异常;如果所述待评估者的Pw值小于P97大于P3,则所述待评估者被评估为生长水平非异常。
在本发明中,当前发育数据可以通过实时测量获得,例如,通过体重计,优选可以产生电子数据的电子体重计,或可以测量体重、身长、脉搏、心率等的电子健康测量设备。所述当前发育数据可以由操作者(例如,家长或医务人员)手工输入,也可以通过有线连接或无线通信方式从电子体重计或电子健康测量设备获得。优选地,在所述存储器中已经存储了所述待评估者的至少一组历史发育数据(即,除当前发育数据以外的测量数据)。在一个优选的实施方案中,所述当前发育数据也可以是当月最近一次测量的发育数据。
在本发明中,发育数据可以包括体重(W)、身长(H)、体重/身长(W/H)、身体质量指数(BMI)、头围、胸围、皮褶厚度和上臂围等指标。如果没有专门指明,则各指标的计量单位在本发明的各方面中统一采用在婴幼儿生长发育监测常用的计量单位(例如,体重按Kg计,身长和身高按cm计,等)。相应地,生长参照标准也包括上述指标的相应数据。在本发明中,生长参照标准可以来源于2006年世界卫生组织儿童生长标准(可参见WHO官网https://www.who.int/)、根据2005年中国9市儿童的体格发育数据制定的生长参照标准(可参见“首都儿科研究所九市儿童体格发育调查协作组,中国七岁以下儿童体重、身长/身高和头围的生长标准值及标准化生长曲线,中华儿科杂志,2009年3月,47(3):173-178”中的图2)或自有数据库的生长参照标准。
在本发明中,如果待评估者为早产儿,要对其月龄进行校正,校正的公式为:实际月龄-(40-出生时孕周)早产周数/4。
如图2所示,如果在图1的评估步骤中所述待评估者被评估为生长水平异常,则执行以下过程:
S200 待评估者被评估为生长水平异常;
S210 从存储器中调取所述待评估者的前一次生长水平评估结果;
S220 判断前一次生长水平评估结果是否为异常,如果异常则输出结论1;如果前一次生长水平评估结果为非异常,则输出结论2。
由于婴幼儿在前6个月的生长速度并非线性,一次测量的数值难以准确反映婴幼儿的动态规律,且一般在前24个月内只有6个测量点,因此两次测量之间有2-3个月的间隔时间,基于一次测量值判断生长水平异常并不严谨。特别是在快速评估的情况下,基于一次测量值评估容易增加假阳性率,并不能减轻医疗机构的压力。因此,在本发明中,如果待评估者两次生长水平评估异常则建议其进行进一步的医学评估(即,前往医疗机构进行诊疗以排查生长发育障碍相关的疾病)。如果两次结果不同,则增加评估次数(例如,一月一次,一月两次,或每周一次等),从而密切监测生长发育的趋势。这种评估方式不需要医务人员介入,提高了发现异常生长水平的真阳性率,且仅通过软件和相关仪器和设备就可以完成。
在本发明中,结论1-2可以根据医务人员的经验设定,例如,优选地,结论1可以设定为“进行医学评估”;结论2可以设定为“增加评估次数”。
如图3所示,如果在图1的评估步骤中所述待评估者被评估为生长水平非异常,则执行以下过程:
S300 待评估者被评估为生长水平非异常,则进一步进行生长趋势评估;
S310 根据预设的体重评价等级标准对所述待评估者的当前相对体重百分位数Pw进行分级,获得所述待评估者的当前体重评价等级并存储在存储器中;
S320从存储器调取所述待评估者的历史体重评价等级,并将所述待评估者的当前体重评价等级与前一次历史体重评价等级比较,如果处于同一等级,则评估为生长趋势正常;如果不处于同一等级,优选地,相差至少一个等级,则评估为生长趋势偏离。
在本发明中,所述体重评价等级标准可以根据所选择的生长参照标准的数据来源来确定,对此本发明并不过多限制,只要包括三个以上等级即可。例如,如果采用2006年世界卫生组织儿童生长标准,所述体重等级标准可以包括以下4等级:A. 大于P3,小于等于P15;B. 大于P15,小于等于P50;C. 大于P50,小于等于P85;D. 大于P85,小于P97。如果采用根据2005年中国9市儿童的体格发育数据制定的生长参照标准,所述体重等级标准包括以下6个等级:A. 大于P3,小于等于P10;B. 大于P10,小于等于P25;C. 大于P25,小于等于P50;D. 大于P50,小于等于P75;E. 大于P75,小于等于P90; F. 大于P90,小于P97。本领域技术人员从上面的描述可以理解,根据评估医生的个人经验,可以采取其他的等级判断标准。
在实际测量中,也可能存在当前相对体重百分位数Pw被评估为生长水平非异常,而前一次发育数据被评估为生长水平异常的情况,根据本发明的原理,这种情况输出结论2(例如,“增加评估次数”),从而进一步判断生长趋势是否由偏离转向正常。
如图4所示,如果在图3的评估步骤中所述待评估者被评估为生长趋势偏离,则执行以下过程:
S400 如果所述待评估者被判断为生长趋势偏离;
S410比较所述待评估者的前一次历史体重评价等级与再前一次历史体重评价等级是否处于同一等级,如果处于同一等级,则输出结论3;如果不处于同一等级,则输出结论4。
在一个优选实施方案中,如果不处于同一等级,可以进一步评估,如果所述待评估者的当前体重评价等级与前一次历史体重评价等级相比相差至少两个等级,则评估为生长趋势异常偏离并输出结论5(这种情况被评估为异常偏离,应积极干预)。
目前在对体重的评估中,如果两次邻近测量点的评估均在正常范围内(P3-P97),一般认为发育正常。但是目前WHO和中国的生长参照标准的生长曲线上至少有4条生长曲线,因此,待评估者两次测量的体重百分位数有可能跨越了多条曲线,尽管体重仍然被判断在正常范围内,但实际上生长趋势可能已经发生了变化,这样的评估标准容易漏掉重要的健康信息。
在本发明中,结论3和结论4可以根据医务人员的经验设定,例如,优选地,结论3可以设定为“增加评估次数,不改变喂养方案”,结论4可以设定为“增加评估次数,改变喂养方案”。如果存在结论5,则可以设定为“进行医学评估,增加评估次数,改变喂养方案”。
如图5所示,在进行生长趋势评估后,还进一步执行以下过程:
S330进行生长速度和匀称度评估。
在步骤S330中,生长速度评估可以包括如下步骤:将所述待评估者的当前发育数据的身长数据H按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对身长百分位数Ph,如果待评估者的Ph值大于等于P97或小于等于P3,评估所述待评估者为生长速度异常;如果所述待评估者的Ph值小于P97大于P3,则评估所述待评估者为生长速度非异常。匀称度评估可以包括如下步骤:将所述待评估者的当前发育数据的W/H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对W/H百分位数Pwh,如果待评估者的Pwh值大于等于P97或小于等于P5,评估所述待评估者为匀称度异常;如果所述待评估者的Pwh值小于P97大于P5,则评估所述待评估者为匀称度非异常。
下面,参照图6举例说明本发明的评估方法的医学思维:
在图6中,C-G点为某个待评估者在第3个月时测量的发育数据(即,体重),B和H为第2月时的发育数据,A为第1月的发育数据。
假设该待评估者的当前发育数据经测量在C点处,由于C点大P97,因此,该待评估者被评估为生长水平异常。假设该待评估者的当前发育数据经测量在D点处,由于D点大于P3并小于P97,因此,该待评估者被评估为生长水平非异常。假设该待评估者的当前发育数据经测量在E点处,由于E点大于P3并小于P97,因此,该待评估者被评估为生长水平非异常。假设该待评估者的当前发育数据经测量在F点处,由于E点大于P3并小于P97,因此,该待评估者被评估为生长水平非异常。假设该待评估者的当前发育数据经测量在G点处,由于G点小于P3,因此,该待评估者被评估为生长水平异常。图6为2006年世界卫生组织的男童生长标准,其中体重等级标准如下设定为4个等级:A. 大于P3,小于等于P15;B. 大于P15,小于等于P50;C. 大于P50,小于等于P85;D. 大于P85,小于P97(下文有时简写为1. P3-P15;2.P15-P50;3. P50-P85;4. P85-P97)。根据此标准,D被判断为第4等级,E被判断为第2等级,F被判断为第1等级。
假设该待评估者的前一次历史发育数据在B点处,B点根据上述标准被判断为生长水平非异常,处于第3等级;A点为再前一次历史发育数据,被判断为生长水平非异常,处于第3等级。
如果该待评估者的当前发育数据在C点,如果前一次历史发育数据在B点,被评估为非异常,此时输出结论2(例如,增加评估次数),因为这是首次出现异常,如前所述,由于两次测量间隔1个月,无法反映中间的发育过程或可能由测量设备的系统误差等其他原因导致的非喂养或非医学因素,因此增加评估次数进一步判断,例如,半个月测量一次发育数据(注:上面的评述仅是示例性说明,并不代表实际的测量周期)。
如果该待评估者的当前发育数据在B点,前一次历史发育数据为A点,由于两次均被评估为生长水平非异常,且处于同一等级,因此该待评估者被判断为生长趋势正常。
如果该待评估者的当前发育数据在D点,B为前一次历史发育数据,D点与B点处于不同等级,则被判断为生长趋势偏离。A为再前一次历史发育数据,B点和A点处于同一等级,由于前两次生长趋势正常,仅当前的D点偏离,因此输出结论3(“增加评估次数,不改变喂养方案”),即还不足以下改变喂养方案的结论,应更积极地监控其发育数据。假设B点和A点不处于同一等级(例如,A为第3等级以外的其他等级),说明待评估者的生长趋势不稳定,应该改变喂养方案,此时输出结论4,即增加评估次数密切监控,同时还要改变喂养方案以纠正生长趋势的偏离。
如果该待评估者的当前发育数据在F点,前一次历史发育数据在H点,尽管相对于再前一次被评估为生长趋势正常,但H点处于第4等级,而F处于第1等级,两者相差了3个等级,跨越了至少两个等级,此时输出结论5(即,进行医学评估和增加评估次数,改变喂养方案)。
基于上面的说明,本发明的评估方法所遵循的临床诊疗思维概括如下:
出现一次生长水平评估异常,增加监测次数,暂时不改变喂养方案。
出现两次生长水平评估异常,则需要医学评估(即,疾病的诊断和鉴别诊断)以明确存在何种疾病。
出现一次生长趋势偏离,增加监测次数,暂时不改变喂养方案。
出现相邻的两次生长趋势偏离,增加监测次数,改变喂养方案,干预喂养过程;此外,在出现两次生长趋势偏离的情况下,如果一次偏离跨越了两个等级,就需要立即干预,不仅需要进行医学评估,还要增加监测次数,改变喂养方案。即,评估单次偏离是否过大,存在异常偏离,监控偏离趋势是否持续。
如果相邻两次生长趋势评估结果处于同一等级,则为正常喂养的婴幼儿,不需要医务人员介入,这样极大地减少了医务人员的工作量。
发明人通过对人民医院2022年1月-2023年6月门诊接诊的8000例监测数据齐全的婴幼儿的数据分析,符合上述规律的婴幼儿为正常喂养者的准确度为100%,因此基于上述诊疗思维开发了本发明的方法。下面给出了几个具体评估实例(按WHO标准):
1、以足月出生男孩1为例,生后2个月,体重为5.5kg(P15-P50),评估为生长水平非异常,第2等级,3个月时体重6.3kg(P15-P50),评估为生长水平非异常,第2等级,评估为生长趋势正常。
2、以足月出生男孩2为例,生后2个月,体重为5.5kg(P15-P50),评估为生长水平非异常,第2等级,3个月时体重6.6kg(P50-P85),评估为生长水平非异常,第3等级,评估为生长趋势偏离,增加监测和评估次数,暂时不改变喂养方案。
3、以足月出生男孩3为例,生后2个月,体重为5.5kg(P15-P50),评估为生长水平非异常,第2等级,3个月时体重7.4kg(P85-P97),评估为生长水平非异常,第4等级,评估为生长趋势异常偏离,医生进行医学评估以排除疾病,增加监测和评估次数,改变喂养方案(由于一直是混合喂养,考虑减少配方奶的喂养量)。
上述三个实例均同时由医生结合多个生长发育指标进行人工评估,人工评估结果与通过本发明的评估方法获得的结论完全相同。
在此要说明的是,生长速度和匀称度也可以采用上面体重的评估原理进行评估,但出于快速评估的目的,且由于婴幼儿在2岁前以体重变化较为显著,因此为了简化评估过程和复杂性,在本发明中仅分别评估生长速度P5和P97以及匀称度的P3和P97两个等级,但这并不意味着本发明的范围仅限于此。
图7中示出了对待评估者进一步进行健康风险预测的流程图。如图7所示,在进行了生长速度和匀称度评估后,进一步执行以下过程:
S340 获取待评估者的临床特征数据,其中所述临床特征数据包括:基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征;
S350 将所述临床特征数据和待评估者的生长发育评估结果一起输入到已构建的机器学习健康风险预测模型中,以获得所述待评估者发生健康风险的预测概率,其中所述健康风险包括与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险。
在本发明,生长发育评估结果可以包括生长水平、生长趋势、生长速度、匀称度的评估结果,所述生长发育评估结果是通过本发明的评估方法获得的。
在本发明中,基础临床特征可以包括是否母乳喂养、是否添加DHA、是否添加辅食、是否添加维生素D。与生长水平相关的附加特征可以包括:出生胎龄、母亲吸烟与否、有无既往疾病。与生长速度相关的附加特征包括:有无急性疾病。与匀称度相关的附加特征可以包括:母亲身高、父亲身高、甲状腺功能异常与否。
在本发明中,与生长水平相关的健康风险可以包括营养不良、生长迟缓;与生长速度相关的健康风险可以包括喂养不当、维生素D缺乏症;与匀称度相关的健康风险可以包括甲状腺功能减低、遗传代谢病。
在本发明中,上述健康风险所涉及的疾病为门诊上常见的影响婴幼儿生长发育的疾病或功能障碍,它们的发生和变化过程与生长发育的动态趋势密切相关,换言之,不合理的喂养方案会促进这些疾病或功能障碍的发生和发展进而影响生长发育,对喂养方案的及时干预可以阻断或逆转上述疾病或功能障碍的发生和发展。要理解的是,尽管列举了上述疾病或功能障碍,但本发明并不限于这些。在了解了本发明后,本领域技术人员可以根据本发明的原理,选择更多的影响婴幼儿生长发育的疾病或功能障碍作为机器学习的目标人群。
综上所述,将通过本发明的评估方法所获得的生长发育评估结果结合选定的目标人群进行机器学习训练获得健康风险预测模型,就可以通过生长发育评估结果结合一些附加临床特征来预测婴幼儿的健康风险发生概率,从而使家长根据健康风险发生概率来调整喂养方案以降低健康风险,而儿科医生或社区医务工作人员也可以根据健康风险预测概率来对辖区或门诊接诊者进行分群管理,极大地提高了工作效率并提升优育水平。
在本发明的方法中使用的机器学习健康预测模型可以通过下面的方法构建:
1) 获取目标人群的历史健康数据,从所述历史健康数据中提取目标人群的临床特征数据,所述目标人群具有健康风险分类标签,其中所述临床特征包括:生长发育评估结果、基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征,其中如果所述目标人群中的个体存在下述健康风险中的任一种,则健康风险分类标签被标注为1,如果都不存在则标注为0:与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险;
2) 数据清洗:如果一个个体缺失至少一个生长发育评估结果和/或至少一个基础临床特征数据,则所述个体的数据被剔除;
3) 将经数据清洗的目标人群分为训练集、验证集和测试集,选择机器学习模型训练,构建相应的机器学习模型,其中训练集和测试集分别包括目标人群中的若干个体的临床特征数据和对应的健康风险分类标签:
根据训练集,分别通过不同机器学习算法构建若干个候选的预测模型以预测测试者发生健康风险的概率,其中所述机器学习算法优选是机器学习分类算法,包括以下的至少一种:逻辑回归算法、支持向量机、随机森林算法、KNN算法 (k-nearest neighborsalgorithm)、决策树算法;
4)根据测试集,得到各个候选预测模型对健康风险的预测结果;
5)根据健康风险的预测结果,得到每个候选预测模型的评分,并选择评分最优的候选预测模型作为最优预测模型。
本发明中提取的临床特征不仅考虑了婴幼儿生长发育的动态变化和与健康风险的相关关系,而且将提取的大部分特征转变成二分类问题,将复杂的问题变简单,使得机器学习结果更符合实际规律。由于本发明对要进行机器学习的变量数据在前期评估过程中就进行了转换,数据格式更利于机器学习模型的搭建。逻辑回归、支持向量机、随机森林、KNN、决策树都是常用的机器学习分类算法,可以根据样本量、提取的特征数量和数据类型以及健康风险涉及的疾病数量等因素来选择合适的机器学习模型,也可以构建多个模型,选择最优者。
此外,本发明没有针对疾病本身分类进行机器学习,而是将疾病归一化为有无健康风险分类,预测结果为有无健康风险,一旦被预测有健康风险,则由医生进一步人工评估,而不由预测模型来预测疾病。这样的数据处理方式特别适合快速预测,还大大增加了预测模型结果的可解释性和可应用性,克服了深度学习模型在解释性方面较弱的缺点,因此,本发明的评估方法获得的生长发育结果也适合于进行深度学习(例如,人工神经网络)。
用于评估婴幼儿生长发育的装置
在图8所示的实施方案中,提供了一种用于评估婴幼儿生长发育的装置600,包括:
数据接收模块610,所述数据接收模块被配置成接收待评估者的当前发育数据并存储在存储器中,其中所述待评估者为不超过2岁的婴幼儿,所述发育数据至少包括当前月龄M、体重W、身长H和体重/身长W/H的数据;
计算模块620,所述计算模块被配置成从存储器中获取生长参照标准,将所述待评估者的当前发育数据中的体重W数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对体重百分位数Pw;
生长水平评估模块630,所述生长水平评估模块被配置成如果待评估者的Pw值大于等于P97或小于等于P3,所述待评估者被评估为生长水平异常;如果所述待评估者的Pw值小于P97大于P3,则所述待评估者被评估为生长水平非异常。
生长趋势评估模块640,所述生长趋势评估模块被配置成:如果所述待评估者被评估为生长水平非异常,则根据预设的体重评价等级标准对所述待评估者的当前相对体重百分位数Pw进行分级,获得所述待评估者的当前体重评价等级并存储在存储器中,其中所述预设的体重评价等级标准包括至少三个等级;从存储器调取所述待评估者的历史体重评价等级,并将所述待评估者的当前体重评价等级与前一次历史体重评价等级比较,如果处于同一等级,则评估为生长趋势正常;如果不处于同一等级,优选地,相差至少一个等级,则评估为生长趋势偏离。
生长速度评估模块和匀称度评估模块650,其中所述生长速度评估模块被配置成将所述待评估者的当前发育数据的身长H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对身长百分位数Ph,如果待评估者的Ph值大于等于P97或小于等于P3,评估所述待评估者为生长速度异常;如果所述待评估者的Ph值小于P97大于P3,则评估所述待评估者为生长速度非异常;并且其中所述匀称度评估模块被配置成:将所述待评估者的当前发育数据的W/H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对W/H百分位数Pwh,如果待评估者的Pwh值大于等于P97或小于等于P5,评估所述待评估者为匀称度异常;如果所述待评估者的Pwh值小于P97大于P5,则评估所述待评估者为匀称度非异常。
临床特征获取模块660,所述临床特征获取模块被配置成获取待评估者的临床特征数据,其中所述临床特征数据包括:基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征;
预测模块670,所述预测模块被配置成将所述临床特征数据和待评估者的生长发育评估结果输入到已构建好的健康风险预测机器学习模型中,以获得所述待评估者发生健康风险的预测概率,其中所述健康风险包括与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险。
本领域技术人员可以理解的是,本发明的评估装置的各个程序模块可以实现本发明的评估方法中相对应的各种步骤以及各步骤中涵盖的各种功能,本发明的评估方法中各实施方案的任意组合均适用于本发明的评估装置,只要能够实现相应的功能即可,在此不受限制。
婴幼儿生长发育评估设备
图9示出了本发明的婴幼儿生长发育评估设备的一个实施方案的实体结构示意图。如图9所示,婴幼儿生长发育评估设备800包括处理器810、通信接口820、存储器830和通信总线840,其中处理器810、通信接口820、存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序以执行本发明的评估方法中的步骤。
所述婴幼儿生长发育评估设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述设备可包括,但不限于,处理器和存储器等。本领域技术人员可以理解,上面的示例性说明并不构成对本发明的设备的限定,可以包括更多或更少的部件,或者与其他部件相组合,例如,本发明的设备还可以包括输入输出设备、网络接入设备、总线等。
本发明中所提到的处理器可以是中央处理器,还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或该处理器也可以是任何常规的处理器等。所述处理器可以是本发明的装置的控制中心,利用各种接口和线路连接整个装置的各个部分。
本发明中所提到的存储器可用于存储所述计算机程序和/或模块,不限于装置或设备内置的存储器,也可以是服务器上的存储器。所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现本发明的装置的各种功能。所述存储器可以主要包括存储程序区和存储数据区,其中存储程序区可以存储操作系统、至少一个功能所需的应用程序(例如,用于执行机器学习模型的软件包,各种插件和脚本等);存储数据区可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)、闪存卡(FC),至少一个磁盘存储器件、闪存器件,或其他易失性固态存储器件等。
本发明的非暂态计算机可读存储介质
本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行本发明的评估方法中的步骤。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案或者对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (6)
1.一种用于评估婴幼儿生长发育的方法,包括以下步骤:
1)获得待评估者的当前发育数据并存储在存储器中,其中所述待评估者为不超过2岁的婴幼儿,所述发育数据至少包括当前月龄M、体重W、身长H和体重/身长W/H的数据;
2)从存储器中获取生长参照标准,将所述待评估者的当前发育数据中的体重W数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对体重百分位数Pw;
3) 进行生长水平评估,如果待评估者的Pw值大于等于P97或小于等于P3,所述待评估者被评估为生长水平异常;如果所述待评估者的Pw值小于P97大于P3,则所述待评估者被评估为生长水平非异常;
如果所述待评估者被评估为生长水平非异常,则进一步进行生长趋势评估:
4) 根据预设的体重评价等级标准对所述待评估者的当前相对体重百分位数Pw进行分级,获得所述待评估者的当前体重评价等级并存储在存储器中,其中所述预设的体重评价等级标准包括至少三个等级;
5) 从存储器调取所述待评估者的历史体重评价等级,并将所述待评估者的当前体重评价等级与前一次历史体重评价等级比较,如果处于同一等级,则评估为生长趋势正常;如果不处于同一等级,则评估为生长趋势偏离,并且其中
如果所述待评估者被判断为生长趋势偏离,则将所述待评估者的前一次历史体重评价等级与再前一次历史体重评价等级比较,如果处于同一等级,则输出结论3,所述结论3为“增加评估次数,不改变喂养方案”;如果不相同,则输出结论4,所述结论4为“增加评估次数,改变喂养方案”;如果所述待评估者的当前体重评价等级与前一次历史体重评价等级相比相差至少两个等级,则评估为生长趋势异常偏离并输出结论5,所述结论5为“进行医学评估,增加评估次数,改变喂养方案”;
如果所述待评估者被评估为生长水平非异常,则在生长趋势评估后,还进行生长速度和匀称度评估,其中所述生长速度评估包括如下步骤:
将所述待评估者的当前发育数据的身长H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对身长百分位数Ph,如果待评估者的Ph值大于等于P97或小于等于P3,评估所述待评估者为生长速度异常;如果所述待评估者的Ph值小于P97大于P3,则评估所述待评估者为生长速度非异常;
并且其中所述匀称度评估包括如下步骤:将所述待评估者的当前发育数据的W/H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对W/H百分位数Pwh,如果待评估者的Pwh值大于等于P97或小于等于P5,评估所述待评估者为匀称度异常;如果所述待评估者的Pwh值小于P97大于P5,则评估所述待评估者为匀称度非异常;
获取所述待评估者的临床特征数据,其中所述临床特征数据包括:基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征;
将所述临床特征数据和所述待评估者的生长发育评估结果一起输入到已构建的机器学习健康风险预测模型中,以获得所述待评估者发生健康风险的预测概率,其中所述健康风险包括与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险;所述生长发育评估结果包括生长水平、生长趋势、生长速度和匀称度的评估结果;
并且其中所述机器学习健康风险预测模型通过下面的方法构建:
1) 获取目标人群的历史健康数据,从所述历史健康数据中提取目标人群的临床特征数据,所述目标人群具有健康风险分类标签,其中所述临床特征包括:生长发育评估结果、基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征,其中如果所述目标人群中的个体存在下述健康风险中的任一种,则健康风险分类标签被标注为1,如果都不存在则标注为0:与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险;
2) 数据清洗:如果一个个体缺失至少一个生长发育评估结果和/或至少一个基础临床特征数据,则所述个体的数据被剔除;
3) 将经数据清洗的目标人群分为训练集、验证集和测试集,选择机器学习模型训练,构建相应的机器学习模型,其中训练集和测试集分别包括目标人群中的若干个体的临床特征数据和对应的健康风险分类标签:
4) 根据训练集,分别通过不同机器学习算法构建若干个候选的预测模型以预测测试者发生健康风险的概率,其中所述机器学习算法包括以下的至少一种:逻辑回归算法、支持向量机、随机森林算法、KNN算法、决策树算法;根据测试集,得到各个候选预测模型对健康风险的预测结果;
5)根据健康风险的预测结果,得到每个候选预测模型的评分,并选择评分最优的候选预测模型作为最优预测模型。
2.根据权利要求1所述的方法,其特征在于如果所述待评估者被评估为生长水平异常,则从存储器中调取所述待评估者的前一次生长水平评估结果,如果前一次生长水平评估结果也为异常,则输出结论1,所述结论1为“进行医学评估”;如果前一次生长水平评估结果为非异常,则输出结论2,所述结论2为“增加评估次数”。
3.根据权利要求1所述的方法,其特征在于所述基础临床特征包括是否母乳喂养、是否添加DHA、是否添加辅食、是否添加维生素D,其中所述与生长水平相关的附加特征包括:出生胎龄、母亲吸烟与否、有无既往疾病;所述与生长速度相关的附加特征包括:有无急性疾病;所述与匀称度相关的附加特征包括:母亲身高、父亲身高、甲状腺功能异常与否。
4.一种用于评估婴幼儿生长发育的装置,所述装置包括:
数据接收模块,所述数据接收模块被配置成接收待评估者的当前发育数据并存储在存储器中,其中所述待评估者为不超过2岁的婴幼儿,所述发育数据至少包括当前月龄数M、体重W、身长H和体重/身长W/H的数据;
计算模块,所述计算模块被配置成从存储器中获取生长参照标准,将所述待评估者的当前发育数据中的体重W数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对体重百分位数Pw;
生长水平评估模块,所述生长水平评估模块被配置成如果待评估者的Pw值大于等于P97或小于等于P3,所述待评估者被评估为生长水平异常;如果所述待评估者的Pw值小于P97大于P3,则所述待评估者被评估为生长水平非异常;
生长趋势评估模块,所述生长趋势评估模块被配置成:如果所述待评估者被评估为生长水平非异常,则根据预设的体重评价等级标准对所述待评估者的当前相对体重百分位数Pw进行分级,获得所述待评估者的当前体重评价等级并存储在存储器中,其中所述预设的体重评价等级标准包括至少三个等级;从存储器调取所述待评估者的历史体重评价等级,并将所述待评估者的当前体重评价等级与前一次历史体重评价等级比较,如果处于同一等级,则评估为生长趋势正常;如果不处于同一等级,则评估为生长趋势偏离;
生长速度评估模块和匀称度评估模块,其中所述生长速度评估模块被配置成将所述待评估者的当前发育数据的身长H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对身长百分位数Ph,如果待评估者的Ph值大于等于P97或小于等于P3,评估所述待评估者为生长速度异常;如果所述待评估者的Ph值小于P97大于P3,则评估所述待评估者为生长速度非异常;并且其中所述匀称度评估模块被配置成:将所述待评估者的当前发育数据的W/H数据按照当前月龄M与所述生长参照标准的相同月龄进行比较,获得所述待评估者的当前相对W/H百分位数Pwh,如果待评估者的Pwh值大于等于P97或小于等于P5,评估所述待评估者为匀称度异常;如果所述待评估者的Pwh值小于P97大于P5,则评估所述待评估者为匀称度非异常;
临床特征获取模块,所述临床特征获取模块被配置成获取待评估者的临床特征数据,其中所述临床特征数据包括:基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征;
预测模块,所述预测模块被配置成将所述临床特征数据和所述待评估者的生长发育评估结果输入到已构建好的机器学习健康风险预测模型中,以获得所述待评估者发生健康风险的预测概率,其中所述健康风险包括与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险;
并且其中所述机器学习健康风险预测模型通过下面的方法构建:
1) 获取目标人群的历史健康数据,从所述历史健康数据中提取目标人群的临床特征数据,所述目标人群具有健康风险分类标签,其中所述临床特征包括:生长发育评估结果、基础临床特征、与生长水平相关的附加特征、与生长速度相关的附加特征、与匀称度相关的附加特征,其中如果所述目标人群中的个体存在下述健康风险中的任一种,则健康风险分类标签被标注为1,如果都不存在则标注为0:与生长水平相关的健康风险、与生长速度相关的健康风险,与匀称度相关的健康风险;
2) 数据清洗:如果一个个体缺失至少一个生长发育评估结果和/或至少一个基础临床特征数据,则所述个体的数据被剔除;
3) 将经数据清洗的目标人群分为训练集、验证集和测试集,选择机器学习模型训练,构建相应的机器学习模型,其中训练集和测试集分别包括目标人群中的若干个体的临床特征数据和对应的健康风险分类标签:
4) 根据训练集,分别通过不同机器学习算法构建若干个候选的预测模型以预测测试者发生健康风险的概率,其中所述机器学习算法包括以下的至少一种:逻辑回归算法、支持向量机、随机森林算法、KNN算法、决策树算法;根据测试集,得到各个候选预测模型对健康风险的预测结果;
5)根据健康风险的预测结果,得到每个候选预测模型的评分,并选择评分最优的候选预测模型作为最优预测模型。
5.一种婴幼儿生长发育评估设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-3中任一项所述的方法。
6.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时能够实现权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320008.1A CN117059278B (zh) | 2023-10-12 | 2023-10-12 | 用于评估婴幼儿生长发育的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320008.1A CN117059278B (zh) | 2023-10-12 | 2023-10-12 | 用于评估婴幼儿生长发育的方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117059278A CN117059278A (zh) | 2023-11-14 |
CN117059278B true CN117059278B (zh) | 2024-01-30 |
Family
ID=88664889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311320008.1A Active CN117059278B (zh) | 2023-10-12 | 2023-10-12 | 用于评估婴幼儿生长发育的方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117059278B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665961A (zh) * | 2018-05-29 | 2018-10-16 | 王洪建 | 一种儿童保健体格评价和营养早教指导系统 |
CN109215753A (zh) * | 2018-08-24 | 2019-01-15 | 重庆跃医通科技有限公司 | 一种儿童保健管理信息平台 |
CN109637665A (zh) * | 2018-12-12 | 2019-04-16 | 刘凤江 | 一种网络智能健康自测评估系统 |
CN109712711A (zh) * | 2018-12-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 基于机器学习的健康评估方法、装置、电子设备及介质 |
CN109859812A (zh) * | 2019-01-22 | 2019-06-07 | 重庆众兄共创科技有限公司 | 智能育儿云服务系统 |
CN115831371A (zh) * | 2023-02-16 | 2023-03-21 | 成都体育学院 | 一种儿童体质健康评估系统和设备 |
CN116153508A (zh) * | 2022-12-30 | 2023-05-23 | 上海交通大学医学院 | 基于主动健康指数的健康干预系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12002583B2 (en) * | 2020-12-18 | 2024-06-04 | Siemens Healthineers Ag | Universal health machine for the automatic assessment of patients |
-
2023
- 2023-10-12 CN CN202311320008.1A patent/CN117059278B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665961A (zh) * | 2018-05-29 | 2018-10-16 | 王洪建 | 一种儿童保健体格评价和营养早教指导系统 |
CN109215753A (zh) * | 2018-08-24 | 2019-01-15 | 重庆跃医通科技有限公司 | 一种儿童保健管理信息平台 |
CN109637665A (zh) * | 2018-12-12 | 2019-04-16 | 刘凤江 | 一种网络智能健康自测评估系统 |
CN109712711A (zh) * | 2018-12-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 基于机器学习的健康评估方法、装置、电子设备及介质 |
CN109859812A (zh) * | 2019-01-22 | 2019-06-07 | 重庆众兄共创科技有限公司 | 智能育儿云服务系统 |
CN116153508A (zh) * | 2022-12-30 | 2023-05-23 | 上海交通大学医学院 | 基于主动健康指数的健康干预系统 |
CN115831371A (zh) * | 2023-02-16 | 2023-03-21 | 成都体育学院 | 一种儿童体质健康评估系统和设备 |
Non-Patent Citations (1)
Title |
---|
婴儿生长发育监测210例分析;王彩虹;;内蒙古中医药(24);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117059278A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schriger et al. | Structured clinical decision aids are seldom compared with subjective physician judgment, and are seldom superior | |
Hamilton et al. | Nurse staffing in relation to risk-adjusted mortality in neonatal care | |
Martis et al. | Different intensities of glycaemic control for women with gestational diabetes mellitus | |
US20140136225A1 (en) | Discharge readiness index | |
Trtovac et al. | The use of technology in identifying hospital malnutrition: scoping review | |
Dziadzko et al. | Clinical calculators in hospital medicine: availability, classification, and needs | |
Cummings et al. | Predicting intensive care transfers and other unforeseen events: analytic model validation study and comparison to existing methods | |
Tawfiq et al. | Effects of training health workers in integrated management of childhood illness on quality of care for under-5 children in primary healthcare facilities in Afghanistan | |
RU106013U1 (ru) | Система постановки дифференцированного диагноза по данным диагностики, справочная система результатов клинических исследований для интеграции в автоматизированные медицинские информационные системы, система дифференциации записи результатов клинических исследований для интеграции в автоматизированные медицинские информационные системы и дифференциально-диагностическая матрица для интеграции в автоматизированные медицинские информационные системы | |
Hanif et al. | Federated learning for multicenter collaboration in ophthalmology: implications for clinical diagnosis and disease epidemiology | |
Larimer et al. | Personalized analytics and a wearable biosensor platform for early detection of COVID-19 decompensation (DeCODe): protocol for the development of the COVID-19 decompensation index | |
CN107506606A (zh) | 常见疾病风险预测方法及系统 | |
CN114613487A (zh) | 妊娠决策支持系统和方法 | |
Chen et al. | PREDICTIVE MODELING OF POSTOPERATIVE OUTCOMES | |
Wang et al. | Early prediction of delirium upon intensive care unit admission: Model development, validation, and deployment | |
Profit et al. | Moderately premature infants at Kaiser Permanente Medical Care Program in California are discharged home earlier than their peers in Massachusetts and the United Kingdom | |
CN117059278B (zh) | 用于评估婴幼儿生长发育的方法、装置、设备和存储介质 | |
Nakamura et al. | Potential impact of initial clinical data on adjustment of pediatric readmission rates | |
CN113257416B (zh) | 基于深度学习的copd患者个性化管理调优装置及设备 | |
CN112002422A (zh) | 医疗信息处理系统、装置、计算机设备和存储介质 | |
WO2012070982A1 (ru) | Система дифференциации и анализа зарегистрированных клинических данных | |
Zhao et al. | Development and application of an intensive care medical data set for deep learning | |
US20230031757A1 (en) | Health application | |
Ohland et al. | Continuous monitoring of physiological data using the patient vital status fusion score in septic critical care patients | |
Nathan et al. | Setting and techniques for monitoring blood pressure during pregnancy |
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 |