CN117095820A - 一种家族痛风的风险预警方法及设备 - Google Patents
一种家族痛风的风险预警方法及设备 Download PDFInfo
- Publication number
- CN117095820A CN117095820A CN202311345023.1A CN202311345023A CN117095820A CN 117095820 A CN117095820 A CN 117095820A CN 202311345023 A CN202311345023 A CN 202311345023A CN 117095820 A CN117095820 A CN 117095820A
- Authority
- CN
- China
- Prior art keywords
- gout
- patient
- family tree
- risk
- questionnaire
- 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
- 201000005569 Gout Diseases 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003745 diagnosis Methods 0.000 claims abstract description 87
- 230000005477 standard model Effects 0.000 claims abstract description 76
- 238000013058 risk prediction model Methods 0.000 claims abstract description 18
- 241000282461 Canis lupus Species 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012843 least square support vector machine Methods 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 208000024891 symptom Diseases 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 201000001431 Hyperuricemia Diseases 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 5
- 239000013078 crystal Substances 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 229940116269 uric acid Drugs 0.000 description 5
- KDCGOANMDULRCW-UHFFFAOYSA-N 7H-purine Chemical compound N1=CNC2=NC=NC2=C1 KDCGOANMDULRCW-UHFFFAOYSA-N 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000009304 Acute Kidney Injury Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 235000006481 Colocasia esculenta Nutrition 0.000 description 1
- 240000004270 Colocasia esculenta var. antiquorum Species 0.000 description 1
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010061619 Deformity Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010018634 Gouty Arthritis Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000033626 Renal failure acute Diseases 0.000 description 1
- 108010092464 Urate Oxidase Proteins 0.000 description 1
- 206010046337 Urate nephropathy Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000010398 acute inflammatory response Effects 0.000 description 1
- 201000011040 acute kidney failure Diseases 0.000 description 1
- 208000012998 acute renal failure Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002917 arthritic effect Effects 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 235000019441 ethanol Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008076 immune mechanism Effects 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 230000002747 voluntary effect Effects 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
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本说明书实施例公开了一种家族痛风的风险预警方法及设备,涉及智慧医疗技术领域,用于解决现有家族痛风缺乏可靠风险预警方法的问题。方法包括:基于患者信息确定以首诊患者为核心点的家族树标准模型,基于该模型限定问卷的链接触发权限,若首诊患者相应的亲属符合链接触发权限,则获取该问卷;基于链接触发权限的角色确定问卷的上传方式以接收各亲属所对应的客户端回传的问卷答复信息,提取问卷答复信息的有效关键词;根据预置风险预测模型对有效关键词进行分析,确定各亲属的痛风风险值;根据痛风风险值,以及痛风家族树中确诊患者的信息,确定首诊患者的家族痛风风险等级,向痛风家族树中各亲属所对应的客户端推送痛风预警信息。
Description
技术领域
本说明书涉及智慧医疗技术领域,尤其涉及一种家族痛风的风险预警方法及设备。
背景技术
痛风是长期嘌呤代谢紊乱导致血尿酸增高、尿酸盐晶体(MSU)沉积引起组织损伤的一种经典代谢性性疾病,除导致关节畸形、急慢性肾衰,还会诱发和加重心脑血管疾病。由于当前科技的发展和经济水平的提高,居民的饮食结构发生了较大的调整,肉类海鲜酒精等嘌呤含量较多的食物逐渐占据居民饮食结构的重要部分,此类食物进入人体后,代谢产生的尿酸水平升高进而使得痛风的发病率也呈上升趋势由其导致的高尿酸血症患病人数以及痛风患病人数逐年增多,已成为严重危害国民健康的重大疾病。痛风发生和尿酸水平受多种因素的影响,其中种族和遗传背景是影响痛风和高尿酸血症的重要危险因素,很多因素均可影响痛风遗传的表现形式,如年龄、性别、饮食及肾功能等。所以,对于具有遗传性质的家族痛风患者来说,及时进行预测和预警是能够使得家族痛风患者得到及时诊疗的一项重要过程。
然而,当前针对于痛风患者的预测与预警方式主要依赖于患者主动进行体检或出现痛风症状后进行就诊时。然而,出现症状后再就医,患者身体痛苦也难以治愈,且体检覆盖范围较低,很多人都没有经常体检的习惯。而痛风发病具种族和遗传性,所以一种在患者以及患者近亲亲属自愿提供基本信息的情况下,能够针对家族痛风进行风险预警的方法意义重大。
发明内容
为了解决上述技术问题,本说明书一个或多个实施例提供了一种家族痛风的风险预警方法及设备。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种家族痛风的风险预警方法,方法包括:
获取首诊患者的基本信息,基于所述基本信息确定是否进行痛风家族树构建,若是则基于所述基本信息生成有关痛风的家族树标准模型标识;其中,所述基本信息包括:患者信息、就诊信息;所述患者信息包括:患者姓名、患者年龄;
基于所述患者信息确定以所述首诊患者为核心点的家族树标准模型,并基于所述家族树标准模型限定问卷的链接触发权限,若所述首诊患者相应的亲属符合所述链接触发权限,则获取所述问卷;
基于所述链接触发权限的角色确定所述问卷的上传方式,以接收各所述亲属所对应的客户端回传的问卷答复信息,并提取所述问卷答复信息的有效关键词;
根据预置风险预测模型对所述有效关键词进行分析,以确定各所述亲属的痛风风险值;
根据所述问卷信息所对应的家族树标准模型的标识与所述问卷信息所对应的链接触发权限,确定所述亲属标识,并根据所述亲属标识更新所述家族树标准模型获得首诊患者所对应的痛风家族树;
根据所述痛风家族树中各所述亲属的痛风风险值,以及所述痛风家族树中确诊患者的相关信息,确定所述首诊患者的家族痛风风险等级;
若所述家族痛风风险等级大于预设风险等级,则将向所述痛风家族树中各所述亲属所对应的客户端推送痛风预警信息。
可选地,在本说明书一个或多个实施例中,获取首诊患者的基本信息,基于所述基本信息确定是否进行痛风家族树构建,若是则基于所述基本信息生成有关痛风的家族树标准模型标识,具体包括:
根据所述就诊信息确定所述首诊患者的痛风类型,若确定所述痛风类型为继发性痛风不进行痛风家族树构建,若确定所述痛风类型为原发性痛风则进行痛风家族树构建;
若确定构建所述痛风家族树,则根据所述就诊信息获取所述首诊患者的症状期,以将所述症状期所对应的英文简称作为第一标识,并将所述首诊患者的就诊顺序作为第二标识;其中,所述第一标识包括:FG、HUA;
根据预置连接符连接所述第一标识与所述第二标识,获得有关痛风的家族树标准模型标识。
可选地,在本说明书一个或多个实施例中,基于所述患者信息确定以所述首诊患者为核心点的家族树标准模型,并基于所述家族树标准模型限定问卷的链接触发权限,若所述首诊患者相应的亲属符合所述链接触发权限,则获取所述问卷,具体包括:
基于所述患者年龄确定所述首诊患者的年龄阶段,以基于所述年龄信息确定以所述首诊患者为核心点的家族树上下代覆盖层级;
根据所述上下代覆盖层级获取以所述首诊患者为核心点的家族树节点范围,确定所述家族树标准模型;
获取所述家族树标准模型中各家族树节点的角色,从而根据各家族树节点的角色限定所述问卷的链接触发权限;
若确定所述首诊患者相应的亲属所对应的客户端所触发的家族树节点的角色在所述家族树标准模型中,则对所述亲属进行身份合法性确认;
若确定所述亲属的用户身份合法,则获取所述问卷。
可选地,在本说明书一个或多个实施例中,若确定所述首诊患者相应的亲属所对应的客户端所触发的家族树节点的角色在所述家族树标准模型中,则对所述亲属进行身份合法性确认,具体包括:
将所述家族树标准模型中的节点角色以图谱的方式写入所述问卷的Picker选择器组件中,以使得所述Picker选择器组件确定所述链接触发权限的角色范围;
获取所述亲属客户端所选择的家族节点的角色,并判断所述亲属客户端所选择的家族节点的角色是否在所述家族树标准模型中的节点角色中;
若是则基于所述问卷的AtForm组件获取所述亲属的亲属姓名;
基于预置三方接口,并通过所述三方接口将亲属姓名上传到对应的第三方机构进行校验,根据校验结果确定所述亲属的用户身份合法性。
可选地,在本说明书一个或多个实施例中,基于所述链接触发权限的角色确定所述问卷的上传方式,以接收各所述亲属所对应的客户端回传的问卷答复信息,并提取所述问卷答复信息的有效关键词,具体包括:
若基于所述链接触发权限的角色,确定所述亲属在预设老年或者儿童角色范围内,则确定所述问卷的上传方式为图像上传,以基于所述图像上传方式,获取所述患者用户的病例图像并将所述病例图像;
若基于所述链接触发权限的角色,确定所述亲属不在预设老年角色范围内,则确定所述问卷的上传方式为填写上传,以基于所述填写上传方式,获取所述亲属答复所述问卷的信息作为所述亲属所对应的客户端回传的问卷答复信息;
基于预置OCR识别技术获取所述病例图像所对应的文字信息,作为所述亲属所对应的客户端回传的问卷答复信息;
获取所述问卷答复信息中表明疾病类型以及疾病状态的词句进行提取,并过滤所述问卷答复信息中的无效词句,获得所述问卷答复信息的待分析词句;其中,所述无效词句用于表示语气或用于词句分隔;
根据所述痛风疾病的病情判断体系,确定痛风疾病所对应的关键数据类型;
确定各所述待分析语句中所述关键数据类型的词语数量,若确定所述词语数量大于预设阈值,则对所述待分析语句基于预设长度进行拆分获得所述问卷答复信息的有效关键词。
可选地,在本说明书一个或多个实施例中,基于预置OCR识别技术获取所述病例图像所对应的文字信息,具体包括:
获取所述病例图像的灰度图像,对所述灰度图像进行二值化处理获得二值化图像,并对所述灰度图像基于K均值聚类方式获取所述灰度图像中的最小像素簇进行标记;其中,所述最小像素簇中包含所述灰度图像中灰度均值最小的像素点;
获取所述二值化图像中的多个连通区域,并对所述多个连通区域进行标记获得所述二值化图像的连通区域标记图,以基于所述连通区域标记图依次获取连通区域中各像素点的像素值,以基于各像素点的像素值对所述连通区域进行背景像素与文字像素的划分;
确定所述文字像素中所包含的所述最小像素簇中像素点的第一数量,若确定所述第一数量大于预设阈值,则对所述连通区域中各像素点进行划分,分别获得行像素点与列像素点中所包含的最小像素簇中像素点的第二数量与第三数量;
基于所述第二数量与所述行像素点的总数量,对所述行像素点进行行背景像素与行文字像素的划分,并基于所述第三数量与所述列像素点的总数量,对所述列像素点进行列背景像素与列文字像素的划分;
汇总所述行背景像素与所述列背景像素获得修正背景像素,以及所述行文字像素与列文字像素获得修正文字像素,若所述修正背景像素与所述背景像素以及所述修正文字像素与所述文字像素的差值确定是否进行修正背景像素进行更新;
若是则根据所述修正背景像素与所述修正文字像素生成当前二值化图像,融合所述当前二值化图像与所述二值化图像,获得更新后的二值化图像;
基于二值神经网络提取所述更新后的二值化图像的图像特征进行识别,获得所述病例图像所对应的文字信息。
可选地,在本说明书一个或多个实施例中所述根据预置风险预测模型对所述有效关键词进行分析,以确定各所述亲属的痛风风险值,具体包括:
对所述有效关键词进行标准化处理获得有效关键词数据,基于预设高斯径向核函数将所述关键词数据进行数据映射,获得特征关键词数据;
对所述特征关键词数据进行中心化处理获得所述特征关键词数据所对应的核矩阵;
根据最大方差理论生成所述核矩阵的协方差矩阵,以确定与所述协方差矩阵相对应的雅克比矩阵,并根据所述雅克比矩阵进行特征值分解获取所述核矩阵的特征值与对应的特征向量,以基于所述特征值与所述特征向量获得累积贡献率,并根据所述累积贡献率获取预设数量的有效关键词数据;
将所述有效关键词数据输入所述预置风险预测模型,以输出各所述亲属的痛风风险值;
其中,所述将所述有效关键词数据输入所述预置风险预测模型,以输出各所述亲属的痛风风险值之前,所述方法还包括:
获取预设径向基函数,以将所述预设径向基函数作为最小二乘支持向量机的核函数,构建所述最小二乘向量机模型,并确定出所述最小二乘支持向量机的待优化模型参数;其中,所述待优化模型参数包括:正则化参数、核宽度;
采用SPM混沌映射初始化灰狼算法的狼群初始位置,将狼群初始位置设置在所述待优化模型参数的参数范围内;
根据所述狼群初始位置确定初始待优化模型参数所对应的初始最小二乘支持向量机,基于预置训练集与测试集对所述初始最小二乘支持向量机进行求解,获得所述初始二乘向量机的预测结果;
基于所述预测结果获取各所述狼群初始位置的适应度值,基于各所述狼群初始位置的适应度值确定各所述狼群个体的权重值,以基于所述权重值更新所述狼群个体的位置,迭代更新所述狼群的个体位置,以获得所述待优化模型参数的最优参数,基于所述最优参数优化所述初始最小二乘支持向量机获得预置风险预测模型。
可选地,在本说明书一个或多个实施例中,根据所述问卷信息所对应的家族树标准模型的标识与所述问卷信息所对应的链接触发权限,确定所述亲属标识,并根据所述亲属标识更新所述家族树标准模型获得首诊患者所对应的痛风家族树,具体包括:
根据所述问卷信息所对应的家族树标准模型的标识确定所述首诊患者的第一标识;
根据所述问卷信息所对应的链接触发权限,确定所述亲属位于所述家族树标准模型的位置序号;
若基于所述亲属的基本信息中不存在所述亲属的就诊记录,则基于所述预置连接符连接所述位置序号,获得所述亲属的亲属标识;
确定所述家族树标准模型中具有亲属标识的家族树节点,提取所述亲属标识的家族树节点获得首诊患者所对应的痛风家族树。
可选地,在本说明书一个或多个实施例中,根据所述痛风家族树中各所述亲属的痛风风险值,以及所述痛风家族树中确诊患者的相关信息,确定所述首诊患者的家族痛风风险等级,具体包括:
根据所述痛风家族树中各所述亲属的痛风风险值,获取所述痛风家族树的痛风风险总值,以基于所述痛风风险总值确定所述家族痛风的第一风险权重值;
根据所述痛风家族树中确诊患者的数量,与所述痛风家族树中家族树节点的总数量的比值,确定所述家族痛风的第二风险权重值;
根据所述第一风险值与所述第二风险值的乘积确定所述家族痛风风险的风险值,以基于预设风险等级表确定所述首诊患者的家族痛风风险等级。
本说明书一个或多个实施例提供一种家族痛风的风险预警设备,设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一所述的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
当患者亲属自愿填写问卷后会进行家族树的自动构建,且通问卷对患者回答信息进行了规范,极大地提高了患者信息的准确性和可用性。根据家族树标准模型限定患者问卷的链接触发权限,如果首诊患者相应的亲属客户端符合所述链接触发权限才能够获取首诊患者分享的问卷避免首诊患者的信息通过患者问卷进行分享时出现误传所导致的影响。基于链接触发权限的角色确定问卷的上传方式,充分考虑到了不同亲属患者的特点提高了该预警的适应性。通过动态更新痛风家族树实现了对于首诊患者所对应的痛风家族树的不断完善,为方面了后续亲属的就诊提供了参考资料减轻了以往家族痛风构建过程中手动记录产生的巨大工作量,并解决了纸质病历或者电子病历中所属一颗家族树中的患者信息不互通的弊端。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种家族痛风的风险预警方法流程示意图;
图2为本说明书实施例提供的一种家族树标准模型的示意图;
图3为本说明书实施例提供的一种家族痛风的风险预警设备的内部结构示意图。
具体实施方式
本说明书实施例提供一种家族痛风的风险预警方法及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
如图1所示,本说明书实施例提供了一种家族痛风的风险预警方法流程示意图。由图1可知,在本说明书一个或多个实施例中一种家族痛风的风险预警方法,方法包括以下步骤:
S101:获取首诊患者的基本信息,基于所述基本信息确定是否进行痛风家族树构建,若是则基于所述基本信息生成有关痛风的家族树标准模型标识;其中,所述基本信息包括:患者信息、就诊信息;所述患者信息包括:患者姓名、患者年龄。
痛风发生和尿酸水平受多种因素的影响,其中种族和遗传背景是影响痛风和高尿酸血症的重要危险因素,且部分痛风患者其家族史中包含了痛风阳性患者。所以如何对家族痛风患者进行预测和预警,成为了痛风病研究中的重要问题之一。本说明书实施例中为了能够对未到医院或者到体检机构进行体检的同一家族的人员,进行及时的痛风风险预警,从而促使家族中存在痛风患者的人员及时到医院进行检查推动痛风症状时期的延缓。对于首诊患者也就是某一家族中第一次到医院进行检查的患者,在首诊患者自愿或同意的前提下,首先获取了该首诊患者包括患者信息以及就诊信息的基本信息。其中,还需要说明的是:患者信息仅包含患者姓名以及患者年龄,且本说明书中所记载的基本信息都是在患者或亲属同意下进行的获取。由于痛风类型包括原发性痛风与继发性痛风,而继发性痛风一般不具有遗传特性所以根据获取到的基本信息确定是否需要进行后续痛风家族树的构建。如果确定进行后续痛风家族树的构建,那么就根据首诊患者同意后获取的基本信息生成与该首诊患者相对应的有关痛风的家族树标准模型标识。
具体地,在本说明书一个或多个实施例中,获取首诊患者的基本信息,基于所述基本信息确定是否进行痛风家族树构建,若是则基于基本信息生成有关痛风的家族树标准模型标识,具体包括以下步骤:
首先根据基本信息中的就诊信息确定出首诊患者的痛风类型,如果确定痛风类型为继发性痛风则不进行后续的痛风家族树构建,而如果确定痛风类型为原发性痛风则进行后续的痛风家族树构建。如果确定进行痛风家族树的构建,那么就根据就诊信息获取到首诊患者的症状期,从而将该症状期所对应的英文简称作为第一标识;其中,需要说明的是第一标识包括:确诊痛风的FG标识、以及高血酸尿症的HUA标识,还需要说明的是对于确诊痛风的症状期还可以细分为:由于关节内尿酸浓度过饱和形成结晶,作为异物进而触发机体固有免疫机制,导致关节及其周围组织的急性炎症反应的急性痛风关节炎;两次痛风发作之间的间歇期;尿酸炎晶体或痛风石在骨关节内及其周围组织引起持续性炎症损伤的慢性关节炎期;当尿酸盐结晶沉积于肾脏引起病变就导致了痛风性肾病的痛风性肾病期;有慢性期症状的患者,出现关节及周围组织的急性炎症反应的慢性关节炎急性发作。根据实际需求可以根据确诊痛风的症候期进行进一步的标识细分。在获得第一标识符后在根据首诊患者的就诊顺序作为第二标识,例如该患者是该家族树中第一个就诊的则其第二标识为1。然后,根据预置连接符连接将第一标识与第二标识进行连接,从而获得家族树标准模型的标识。例如某第一标识为HUA,第二标识为1则可以基于预置连接符“—”将其进行连接获得家族树标准模型的标识“HUA—1”,通过对于家族树标准模型的标识有助于数据库批量进行数据获取时可以将获取的信息与对应的家族进行匹配,从而降低数据处理的错误率。
S102:基于所述患者信息确定以所述首诊患者为核心点的家族树标准模型,并基于所述家族树标准模型限定问卷的链接触发权限,若所述首诊患者相应的亲属符合所述链接触发权限,则获取所述问卷;其中,所述家族树模型的范围为上下五代。
如果确定进行痛风家族树的构建,那么首先根据患者信息确定以首诊患者为核心点的家族树标准模型。其中,需要说明的是家族树模型的范围为上下五代。由于医疗信息属于保密信息所以为了避免首诊患者的信息通过患者问卷进行分享时出现误传所导致的影响。本说明书实施例中在首诊患者以及首诊患者亲属自愿或同意情况下,根据家族树标准模型限定患者问卷的链接触发权限,如果首诊患者相应的亲属客户端符合所述链接触发权限才能够获取首诊患者分享的问卷。其中,需要说明的是问卷内容是在临床医生指导下设计的患者问卷,如果首诊患者在医院就诊完毕后确定有进行痛风家族树构建的必要性,那么医生在征求患者同意后会将该文件以程序链接的方式分享给首诊患者,以使得首诊患者自愿分享给其家族人员。其中,还需要说明的是:当首诊患者在医院就诊完毕后,医生会根据此患者在家族史中叙述的情况,要求患者将家族痛风智能管理平台也就是问卷以微信小程序链接的方式分享给该患者家族树中患有痛风的患者。问卷采用TaroUI框架进行开发,可以实现从看诊系统到微信小程序等不同终端之间的流程切换。除此之外,为了实现患者信息同步与联动,患者看诊过程中使用的看诊系统和家族痛风智能管理平台微信小程序包含多个共有模块,为适配门诊看诊系统显示,保持模块信息的统一性,家族痛风智能管理平台使用的Taro框架也可适配门诊系统的React框架实现共有模块的开发。
具体地,在本说明书一个或多个实施例中,基于患者信息确定以首诊患者为核心点的家族树标准模型,并基于家族树标准模型限定问卷的链接触发权限,若首诊患者相应的亲属符合所述链接触发权限,则获取问卷,具体包括以下过程:
基于患者信息中的患者年龄确定首诊患者的年龄阶段,从而根据年龄阶段确定出以首诊患者为核心点的家族树上下代覆盖层级,即如图2所示的家族树标准模型中以首诊患者“自己”作为核心点后,基于首诊患者的年龄信息可以估计其长辈的层级与后辈的层级。例如当前患者的年龄为56岁确定其年龄阶段为中年则可以基于历史经验模型估计其长辈层级包括如图2所示的父母一层也有可能包括祖母的一层。而其后辈的层级可能包括儿女一层也可能包括孙女的一层。而若当前患者年龄为16岁时其年龄阶段属于青少年阶段,则不会包括后辈层级例如儿女所在层级、孙子所在层级等。然后根据上下代覆盖层级获取以首诊患者为核心点的家族树节点范围,确定出有关痛风的家族树标准模型。其中,可以理解的是家族树标准模型中包括了首诊患者可能存在的亲属关系。获取家族树标准模型中各家族树节点的角色,从而根据各家族树节点的角色限定问卷的链接触发权限,也就是说存在在该家族树标准模型中的节点角色具有问卷的链接触发权限,而该家族树标准模型之外的节点角色则不存在链接触发权限,如图2所示的家族树标准模型,若某用户为表姑的女儿则不属于该家族树标准模型中的节点角色,不具有问卷的链接触发权限,通过对于权限的限制即保证了患者的信息安全又避免了分析范围过大导致的无效分析成本过高的问题。如果确定首诊患者相应的亲属客户端所选择家族树节点的角色在家族树标准模型中,那么需要进一步对该亲属进行用户身份合法性确认。如果确定亲属的用户身份合法,则该亲属所对应的客户端可以获取到相应的问卷。
进一步地,在本说明书一个或多个实施例中,若确定所述首诊患者相应的亲属所对应的客户端,所触发的家族树节点的角色在所述家族树标准模型中,则对所述亲属进行用户身份合法性确认,具体包括:
将家族树标准模型中的节点角色以图谱的方式写入到问卷的Picker选择器组件中,从而使得Picker选择器组件确定出链接触发权限的角色范围。然后获取该亲属在对应的客户端上所选择的家族节点的角色,并判断亲属客户端所选择的家族节点的角色是否在家族树标准模型中的节点角色中,即只有用户选择了角色范围内的角色时才会触发问卷链接获得相应的问卷信息。如果在角色范围内则那么就根据问卷的AtForm组件获取到亲属的亲属姓名。然后根据预先设置的三方接口,将亲属姓名上传到对应的第三方机构进行校验,根据校验结果确定亲属的用户身份合法性。
在本说明书某应用场景下该问卷具体使用TaroUI样式库中的AtForm组件实现患者表单信息的收集以及校验,其中患者姓名能够采用AtInput组件使得患者手动输入,并通过required属性限制输入框是否必填,通过type属性设置不同属性值对输入的信息进行合法性校验。对于患者的亲属关系则使用Picker选择器组件要求患者从选项列表中选择不允许自行填写,以防止患者填入不属于研究范围的亲属关系并解决不同亲属称呼之间的歧义。既往史录入过程中则根据含义选择不同录入组件,例如吸烟时间输入值为数值类型则使用InputNumber数字输入框限制输入数据的类型。也就是说该问卷包括了三类信息,一是患者身份信息包括患者的姓名,二是填写人与分享人的亲属关系,三是患者的病历信息,包括患者的既往史情况,而可以理解的是该问卷中填写的内容,也是基于患者或亲属同意情况下进行的填写。
S103:基于所述链接触发权限的角色确定所述问卷的上传方式,以接收各所述亲属所对应的客户端回传的问卷答复信息,并提取所述问卷答复信息的有效关键词。
为了减轻了以往家族痛风构建过程中手动记录产生的巨大工作量并提高患者录入信息的可用性,本说明书基于问卷的形式获取各个亲属客户端填写的问卷信息,从而基于问卷信息提取出有效的关键词。此外由于老年人填写问卷困难性高的问题,本说明书实施例中,根据链接触发权限的角色确定出问卷的上传方式,从而接收各个亲属客户端所回传的问卷答复信息,并提取出问答复卷信息中的有效关键词。
具体地,在本说明书一个或多个实施例中,基于链接触发权限的角色确定问卷的上传方式,以接收各亲属所对应的客户端回传的问卷答复信息,并提取问卷答复信息的有效关键词,具体包括以下过程:
若根据链接触发权限的角色,确定出亲属客户端的患者用户在预设老年角色范围内,那么就可以确定出问卷的上传方式为图像上传,并且根据图像上传方式,获取到患者用户的病例图像并将病例图像。其中,需要说明的是预设老年角色范围是可以基于当前标准家族树模型中首诊患者的年龄来进行动态确定的。如果基于链接触发权限的角色,确定出亲属客户端的患者用户不在预设老年角色范围内,那么可以确定问卷的上传方式为填写上传,从而根据填写上传方式,获取到亲属用户答复问卷的信息作为亲属客户端回传的问卷答复信息。如果是基于图像上传方式那么就根据预先设置的OCR识别技术获取病例图像所对应的文字信息,作为亲属所对应的客户端回传的问卷答复信息。获取到问卷答复信息之后为了提高信息的可用性,本说明书实施例获取问卷答复信息中表明疾病类型以及疾病状态的词句进行提取,并过滤所述问卷答复信息中的无效词句,获得问卷答复信息的待分析词句;其中,需要说明的是无效词句用于表示语气或用于词句分隔。然后再根据痛风疾病的病情判断体系,确定出痛风疾病所对应的关键数据类型。确定各待分析语句中关键数据类型的词语数量,如果确定词语数量大于预设阈值,那么就对待分析语句基于预设长度进行拆分获得问卷答复信息的有效关键词。
进一步地,在本说明书一个或多个实施例中,基于预置OCR识别技术获取病例图像所对应的文字信息,具体包括以下过程:
首先,获取病例图像中的灰度图像,然后对灰度图像进行二值化处理后获得二值化图像,并对灰度图像基于K均值聚类方式获取所述灰度图像中的最小像素簇进行标记;其中,需要说明的最小像素簇中包含所述灰度图像中灰度均值最小的像素点作为文字类型的像素点。还需要说明的是本说明书实施例中获取病例图像中的灰度图像然后对灰度图像进行二值化处理后获得二值化图像的过程为:获取病例图像中各像素点中各颜色通道的值,从而根据各颜色通道的值确定所述像素点的颜色通道均值,然后将颜色通道均值作为像素点的灰度值,并将病例图像转换为灰度图像。其中,颜色通道包括:R通道、G通道、B通道。然后对灰度图像进行划分获得多个局部灰度图像,根据局部灰度图像中各像素点的灰度值确定各局部灰度图像的灰度分布直方图,以基于灰度分布直方图获取到局部灰度图像的灰度阈值,并基于获取的灰度阈值对局部灰度图像进行二值化处理获得局部二值化图像。然后再基于各局部二值化图像的位置对各局部二值化图像进行拼接获得所述灰度图像的二值化图像。
而为了进一步精确该二值化图像去除被错误分配的二值化像素点,本说明书实施例在获得二值化图像之后,获取二值化图像中的多个连通区域,并对多个连通区域进行标记获得二值化图像的连通区域标记图,从而根据连通区域标记图依次获取连通区域中各像素点的像素值,并基于各像素点的像素值对连通区域进行背景像素与文字像素的划分。然后确定出文字像素中所包含的最小像素簇中像素点的第一数量,如果确定出第一数量大于预设阈值,那么就对连通区域中各像素点进行划分,分别获得行像素点与列像素点中所包含的最小像素簇中像素点的第二数量与第三数量。然后再基于第二数量和行像素点的总数量,对行像素点进行行背景像素与行文字像素的划分,并基于第三数量与列像素点的总数量,对列像素点进行列背景像素与列文字像素的划分。然后通过汇总行背景像素与列背景像素获得修正背景像素,以及行文字像素与列文字像素获得修正文字像素,然后根据修正背景像素与背景像素以及修正文字像素与文字像素的差值,确定是否进行修正背景像素进行更新,可以理解的是差值大于预设差值阈值时需要进行更新。而如果需要进行更新,那么就根据修正背景像素与修正文字像素生成当前二值化图像,并通过融合当前二值化图像与所述二值化图像,获得更新后的二值化图像。然后基于二值神经网络提取出更新后的二值化图像的图像特征进行识别,获得病例图像所对应的文字信息。
S104:根据预置风险预测模型对所述有效关键词进行分析,以确定各所述亲属的痛风风险值。
根据上述步骤S103获得有效关键词后,本说明书实施例中为了获得首诊患者痛风家族树的风险等级,首先需要获得亲属的痛风风险值,即本说明书实施例中根据预先设置的风险预测模型对有效关键词进行分析,从而确定出各个亲属的痛风风险值。
具体地,在本说明书一个或多个实施例中,根据预置风险预测模型对有效关键词进行分析,以确定各亲属客户端的患者成员痛风风险值,具体包括以下步骤:
首先,由于医疗数据一般为非线性数据数据量大且庞杂,所以为了使得风险预测的准确性提高且降低分析的数据量,对于存在医疗信息的有效关键词首先进行标准化处理获得有效关键词数据,从而根据预先设置的高斯径向核函数将所述关键词数据进行数据映射,获得特征关键词数据。然后对特征关键词数据进行中心化处理获得特征关键词数据所对应的核矩阵。然后再根据最大方差理论生成该核矩阵的协方差矩阵,以确定与出协方差矩阵相对应的雅克比矩阵,并根据雅克比矩阵进行特征值分解获取核矩阵的特征值与对应的特征向量。根据获取到的特征值与特征向量获得累积贡献率,并根据累积贡献率获取预设数量的有效关键词数据。通过将有效关键词数据输入到预置风险预测模型中,输出获得各个亲属的痛风风险值。其中,将有效关键词数据输入预置风险预测模型,以输出各亲属的痛风风险值之前,为了提高风险预测模型的预测可靠性方法还包括以下过程:
首先获取预设径向基函数,从而将预设径向基函数作为最小二乘支持向量机的核函数,构建出最小二乘向量机模型,并确定出最小二乘支持向量机的待优化模型参数。其中,需要说明的是待优化模型参数包括:正则化参数、核宽度。然后为了避免后续进行参数优化时由于位置分配不均陷入局部最优解的问题,通过采用SPM混沌映射初始化灰狼算法的狼群初始位置,将狼群初始位置设置在待优化模型参数的参数范围内,使得狼群初始位置可以进行均匀分配。然后根据狼群初始位置确定初始待优化模型参数所对应的初始最小二乘支持向量机,根据预先设置的训练集与测试集对初始最小二乘支持向量机进行求解,获得初始二乘向量机的预测结果。根据初始最小二乘支持向量机的预测结果获取各狼群初始位置的适应度值,然后根据各个狼群初始位置的适应度值确定出各狼群个体的权重值,以基于确定的各个狼群个体的权重值更新狼群个体的位置,通过在预测迭代次数内对狼群的个体位置进行迭代更新,能够实现不断的参数寻优从而获得待优化模型参数的最优参数,然后根据最优参数优化初始最小二乘支持向量机获得预置风险预测模型。
S105:根据所述问卷信息所对应的家族树标准模型的标识与所述问卷信息所对应的链接触发权限,确定所述亲属标识,并根据所述亲属标识更新所述家族树标准模型获得首诊患者所对应的痛风家族树。
由于痛风家族树会根据首诊患者的分享以及亲属客户端的就诊结果进行不断完善,所以本说明书实施例中根据问卷信息所对应的家族树标准模型的表示与问卷信息所对应的链接触发权限可以确定出亲属标识,从而根据该亲属标识来更新家族树标准模型获得首诊患者所对应的痛风家族树。
具体地,在本说明书一个或多个实施例中,根据问卷信息所对应的家族树标准模型的标识与问卷信息所对应的链接触发权限,确定所述亲属标识,并根据亲属标识更新所述家族树标准模型获得首诊患者所对应的痛风家族树,具体包括:
首先根据问卷信息所对应的家族树标准模型的标识确定出首诊患者的第一标识,从而基于第一标识确定出首诊患者的痛风类型。然后根据问卷信息所对应的链接触发权限,确定出亲属位于所述家族树标准模型的位置序号。如果根据亲属信息确不存在该亲属客户端的就诊记录,那么就根据预置连接符连接该第一标识与该亲属所在的位置序号,获得亲属标识,例如其位置序号为2而首诊患者的第二标识为HUA则其亲属标识为“HUA—2”。然后确定家族树标准模型中具有亲属标识的家族树节点,提取具有亲属标识的家族树节点获得首诊患者所对应的痛风家族树。
本说明书实施例中某应用场景下,设家族树中所有患者集合为S={S0,S1,S2,S3,…,Sn},家族树中首诊患者为S0,首诊患者即为家族树中第一位确诊痛风或者高尿酸血症的患者。当患者S1确诊为痛风时,痛风家族树会对其图谱中包含的患者成员编号进行更新:患者S0编号将改为FG*-1,患者S1编号将自动更改为FG*-2。当患者S1确诊为高尿酸血症时,痛风家族树也会对其图谱中包含的患者成员编号进行更新:患者S0编号将改为HUA*-1,患者S1编号将自动更改为HUA*-2。患者编号更新的过程使用Sequelize为ORM工具实现数据库批量更新。而S0为高尿酸血症患者时:若S0患者为高尿酸血症患者时,当患者S1并未确诊痛风或者高尿酸血症的时候,S1和S0患者的编号均不发生改变。当S1患者确诊为痛风时,S0患者的编号依旧为HUA,只修改S1患者的编号,S1患者改为FG*-2。当S1患者确诊为高尿酸血症时,S0患者的编号依旧为HUA,S1患者的编号修改为HUA。患者集合S中其他患者就诊以及编号修改流程如以上S1患者,设Si患者是S1患者之后由Si-1患者推荐前来看诊的患者,若Si患者与Si-1患者没有关系,则Si患者患者的就诊流程同正常患者即编号为X。若Si患者与Si-1患者具有家族关系,则将Si-1患者纳入以S0患者为首诊患者的家族树中,当Si患者进行到专家诊断页面可以看到S={S0,S1,…Si-1}患者的病历信息。
S106:根据所述痛风家族树中各所述亲属的痛风风险值,以及所述痛风家族树中确诊患者的相关信息,确定所述首诊患者的家族痛风风险等级。
基于上述步骤S105获得各个亲属客户端的痛风风险值后,由于个体的痛风风险值饮食习惯可能占有很大部分的比值,然后对于具有家族遗传特性的痛风来讲,整体考虑痛风家族树的风险等级有利于对痛风家族树中当前个体痛风风险值较小的亲属客户端的用户进行及时的预警。所以本说明书实施例中根据痛风家族树中各个亲属的痛风风险值,以及痛风家族树中确诊的患者的数量加入家族遗传的衡量角度来确定出首诊患者的家族痛风风险等级。
具体地,在本说明书一个或多个实施例中,根据痛风家族树中各亲属客户端的痛风风险值,以及痛风家族树中确诊患者的相关信息,确定首诊患者的家族痛风风险等级,具体包括以下步骤:
首先根据痛风家族树中各亲属的痛风风险值,获取到痛风家族树的痛风风险总值,从而根据该痛风家族树的痛风风险总值确定出家族痛风的第一风险权重值。然后再根据痛风家族树中确诊患者的数量,与痛风家族树中家族树节点的总数量的比值,确定出家族痛风的第二风险权重值。根据第一风险值与第二风险值的乘积确定家族痛风风险的风险值,也就是说结合当前痛风家族树的痛风风险总值以及确诊患者所占的比重确定出当前该家族的风险值,从而根据预设风险等级表确定出首诊患者的家族痛风风险等级。
S107:若所述家族痛风风险等级大于预设风险等级,则将向所述痛风家族树中各所述亲属所对应的客户端推送痛风预警信息。
如果基于上述步骤S106中获取到的家族痛风风险等级大于预设风险等级,那么就向痛风家族树中各个亲属所对应的客户端推送痛风预警信息,以便于该家族中的亲属能够及时进行就诊与体检。本说明书某应用场景下的实施例中,获得获得痛风家族树的具体过程为:首诊患者在痛风门诊看诊完毕之后,将问卷以微信小程序链接的方式分享给该患者家族树中患有痛风的或者未确定患有痛风的亲属Si。然后亲属Si打开小程序链接后填写问卷信息并保存提交。然后预警亲属Si来痛风门诊进行看诊,当亲属Si看诊完毕后根据诊断情况实现家族树的更新。
也就是说如果亲属者S1在问卷中填写自己的姓名以及其与首诊患者S0的亲属关系后,将亲属S1填写的数据上传到服务器。然后根据链接中所填的亲属关系判断S1是否与S0有家族关系:家族树的范围限定在上下五代。如果S1患者所填写的亲属关系不属于家族树的限定范围内,则不认为S1属于以S0为核心的家族树中,则S1就诊时将视为正常患者,若S1属于S0的家族限定范围内则继续下面的步骤:
在亲属进行就诊与体检后当其进行到专家看诊时,将会在家族树模块显示其与首诊患者S0的亲属关系并展示S0历次就诊的记录,临床医生可在此模块通过其家族树关系对S1患者是否具有家族痛风情况进行判断。家族树请求在前后台交互中使用axios请求封装的网络请求useRequest这一hooks,以当前患者S1对应的唯一标识uuid为请求参数查找该uuid关联的分享人,并递归向上查找该分享人的对应的顶级患者S0,该顶级患者也就是没有通过任何分享操作实现看诊的患者。且有上述应用场景可知当患者S1确诊为痛风时,痛风家族树会对其图谱中包含的患者成员编号进行更新:患者S0编号将改为FG*-1,患者S1编号将自动更改为FG*-2。当患者S1确诊为高尿酸血症时,痛风家族树也会对其图谱中包含的患者成员编号进行更新:患者S0编号将改为HUA*-1,患者S1编号将自动更改为HUA*-2。患者编号更新的过程使用Sequelize为ORM工具实现数据库批量更新。
如图3所示,本说明书实施例提供了一种家族痛风的风险预警设备,设备包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种家族痛风的风险预警方法,其特征在于,所述方法包括:
获取首诊患者的基本信息,基于所述基本信息确定是否进行痛风家族树构建,若是则基于所述基本信息生成有关痛风的家族树标准模型标识;其中,所述基本信息包括:患者信息、就诊信息;所述患者信息包括:患者姓名、患者年龄;
基于所述患者信息确定以所述首诊患者为核心点的家族树标准模型,并基于所述家族树标准模型限定问卷的链接触发权限,若所述首诊患者相应的亲属符合所述链接触发权限,则获取所述问卷;
基于所述链接触发权限的角色确定所述问卷的上传方式,以接收各所述亲属所对应的客户端回传的问卷答复信息,并提取所述问卷答复信息的有效关键词;
根据预置风险预测模型对所述有效关键词进行分析,以确定各所述亲属的痛风风险值;
根据所述问卷信息所对应的家族树标准模型的标识与所述问卷信息所对应的链接触发权限,确定所述亲属标识,并根据所述亲属标识更新所述家族树标准模型获得首诊患者所对应的痛风家族树;
根据所述痛风家族树中各所述亲属的痛风风险值,以及所述痛风家族树中确诊患者的相关信息,确定所述首诊患者的家族痛风风险等级;
若所述家族痛风风险等级大于预设风险等级,则将向所述痛风家族树中各所述亲属所对应的客户端推送痛风预警信息。
2.根据权利要求1所述的一种家族痛风的风险预警方法,其特征在于,所述获取首诊患者的基本信息,基于所述基本信息确定是否进行痛风家族树构建,若是则基于所述基本信息生成有关痛风的家族树标准模型标识,具体包括:
根据所述就诊信息确定所述首诊患者的痛风类型,若确定所述痛风类型为继发性痛风不进行痛风家族树构建,若确定所述痛风类型为原发性痛风则进行痛风家族树构建;
若确定构建所述痛风家族树,则根据所述就诊信息获取所述首诊患者的症状期,以将所述症状期所对应的英文简称作为第一标识,并将所述首诊患者的就诊顺序作为第二标识;其中,所述第一标识包括:FG、HUA;
根据预置连接符连接所述第一标识与所述第二标识,获得有关痛风的家族树标准模型标识。
3.根据权利要求1所述的一种家族痛风的风险预警方法,其特征在于,基于所述患者信息确定以所述首诊患者为核心点的家族树标准模型,并基于所述家族树标准模型限定问卷的链接触发权限,若所述首诊患者相应的亲属符合所述链接触发权限,则获取所述问卷,具体包括:
基于所述患者年龄确定所述首诊患者的年龄阶段,以基于所述年龄信息确定以所述首诊患者为核心点的家族树上下代覆盖层级;
根据所述上下代覆盖层级获取以所述首诊患者为核心点的家族树节点范围,确定所述家族树标准模型;
获取所述家族树标准模型中各家族树节点的角色,从而根据各家族树节点的角色限定所述问卷的链接触发权限;
若确定所述首诊患者相应的亲属所对应的客户端所触发的家族树节点的角色在所述家族树标准模型中,则对所述亲属进行用户身份合法性确认;
若确定所述亲属的用户身份合法,则获取所述问卷。
4.根据权利要求3所述的一种家族痛风的风险预警方法,其特征在于,所述若确定所述首诊患者相应的亲属所对应的客户端所触发的家族树节点的角色在所述家族树标准模型中,则对所述亲属进行用户身份合法性确认,具体包括:
将所述家族树标准模型中的节点角色以图谱的方式写入所述问卷的Picker选择器组件中,以使得所述Picker选择器组件确定所述链接触发权限的角色范围;
获取所述亲属所选择的家族节点的角色,并判断所述亲属所选择的家族节点的角色是否在所述家族树标准模型中的节点角色中;
若是则基于所述问卷的AtForm组件获取所述亲属的亲属姓名;
基于预置三方接口将亲属姓名上传到对应的第三方机构进行校验,根据校验结果确定所述亲属的用户身份合法性。
5.根据权利要求1所述的一种家族痛风的风险预警方法,其特征在于,基于所述链接触发权限的角色确定所述问卷的上传方式,以接收各所述亲属所对应的客户端回传的问卷答复信息,并提取所述问卷答复信息的有效关键词,具体包括:
若基于所述链接触发权限的角色,确定所述亲属在预设老年或者儿童角色范围内,则确定所述问卷的上传方式为图像上传,以基于所述图像上传方式,获取所述患者用户的病例图像并将所述病例图像;
若基于所述链接触发权限的角色,确定所述亲属不在预设老年角色范围内,则确定所述问卷的上传方式为填写上传,以基于所述填写上传方式,获取所述亲属答复所述问卷的信息作为所述亲属所对应的客户端回传的问卷答复信息;
基于预置OCR识别技术获取所述病例图像所对应的文字信息,作为所述亲属所对应的客户端回传的问卷答复信息;
获取所述问卷答复信息中表明疾病类型以及疾病状态的词句进行提取,并过滤所述问卷答复信息中的无效词句,获得所述问卷答复信息的待分析词句;其中,所述无效词句用于表示语气或用于词句分隔;
根据所述痛风疾病的病情判断体系,确定痛风疾病所对应的关键数据类型;
确定各所述待分析语句中所述关键数据类型的词语数量,若确定所述词语数量大于预设阈值,则对所述待分析语句基于预设长度进行拆分获得所述问卷答复信息的有效关键词。
6.根据权利要求5所述的一种家族痛风的风险预警方法,其特征在于,所述基于预置OCR识别技术获取所述病例图像所对应的文字信息,具体包括:
获取所述病例图像的灰度图像,对所述灰度图像进行二值化处理获得二值化图像,并对所述灰度图像基于K均值聚类方式获取所述灰度图像中的最小像素簇进行标记;其中,所述最小像素簇中包含所述灰度图像中灰度均值最小的像素点;
获取所述二值化图像中的多个连通区域,并对所述多个连通区域进行标记获得所述二值化图像的连通区域标记图,以基于所述连通区域标记图依次获取连通区域中各像素点的像素值,以基于各像素点的像素值对所述连通区域进行背景像素与文字像素的划分;
确定所述文字像素中所包含的所述最小像素簇中像素点的第一数量,若确定所述第一数量大于预设阈值,则对所述连通区域中各像素点进行划分,分别获得行像素点与列像素点中所包含的最小像素簇中像素点的第二数量与第三数量;
基于所述第二数量与所述行像素点的总数量,对所述行像素点进行行背景像素与行文字像素的划分,并基于所述第三数量与所述列像素点的总数量,对所述列像素点进行列背景像素与列文字像素的划分;
汇总所述行背景像素与所述列背景像素获得修正背景像素,以及所述行文字像素与列文字像素获得修正文字像素,若所述修正背景像素与所述背景像素以及所述修正文字像素与所述文字像素的差值确定是否进行修正背景像素进行更新;
若是则根据所述修正背景像素与所述修正文字像素生成当前二值化图像,融合所述当前二值化图像与所述二值化图像,获得更新后的二值化图像;
基于二值神经网络提取所述更新后的二值化图像的图像特征进行识别,获得所述病例图像所对应的文字信息。
7.根据权利要求1所述的一种家族痛风的风险预警方法,其特征在于,所述根据预置风险预测模型对所述有效关键词进行分析,以确定各所述亲属的痛风风险值,具体包括:
对所述有效关键词进行标准化处理获得有效关键词数据,基于预设高斯径向核函数将所述关键词数据进行数据映射,获得特征关键词数据;
对所述特征关键词数据进行中心化处理获得所述特征关键词数据所对应的核矩阵;
根据最大方差理论生成所述核矩阵的协方差矩阵,以确定与所述协方差矩阵相对应的雅克比矩阵,并根据所述雅克比矩阵进行特征值分解获取所述核矩阵的特征值与对应的特征向量,以基于所述特征值与所述特征向量获得累积贡献率,并根据所述累积贡献率获取预设数量的有效关键词数据;
将所述有效关键词数据输入所述预置风险预测模型,以输出各所述亲属的痛风风险值;
其中,所述将所述有效关键词数据输入所述预置风险预测模型,以输出各所述亲属的痛风风险值之前,所述方法还包括:
获取预设径向基函数,以将所述预设径向基函数作为最小二乘支持向量机的核函数,构建所述最小二乘向量机模型,并确定出所述最小二乘支持向量机的待优化模型参数;其中,所述待优化模型参数包括:正则化参数、核宽度;
采用SPM混沌映射初始化灰狼算法的狼群初始位置,将狼群初始位置设置在所述待优化模型参数的参数范围内;
根据所述狼群初始位置确定初始待优化模型参数所对应的初始最小二乘支持向量机,基于预置训练集与测试集对所述初始最小二乘支持向量机进行求解,获得所述初始二乘向量机的预测结果;
基于所述预测结果获取各所述狼群初始位置的适应度值,基于各所述狼群初始位置的适应度值确定各所述狼群个体的权重值,以基于所述权重值更新所述狼群个体的位置,迭代更新所述狼群的个体位置,以获得所述待优化模型参数的最优参数,基于所述最优参数优化所述初始最小二乘支持向量机获得预置风险预测模型。
8.根据权利要求2所述的一种家族痛风的风险预警方法,其特征在于,根据所述问卷信息所对应的家族树标准模型的标识与所述问卷信息所对应的链接触发权限,确定所述亲属标识,并根据所述亲属标识更新所述家族树标准模型获得首诊患者所对应的痛风家族树,具体包括:
根据所述问卷信息所对应的家族树标准模型的标识确定所述首诊患者的第一标识;
根据所述问卷信息所对应的链接触发权限,确定所述亲属位于所述家族树标准模型的位置序号;
若基于所述亲属的基本信息中不存在所述亲属的就诊记录,则基于所述预置连接符连接所述位置序号,获得所述亲属的亲属标识;
确定所述家族树标准模型中具有亲属标识的家族树节点,提取所述亲属标识的家族树节点获得首诊患者所对应的痛风家族树。
9.根据权利要求1所述的一种家族痛风的风险预警方法,其特征在于,根据所述痛风家族树中各所述亲属的痛风风险值,以及所述痛风家族树中确诊患者的相关信息,确定所述首诊患者的家族痛风风险等级,具体包括:
根据所述痛风家族树中各所述亲属的痛风风险值,获取所述痛风家族树的痛风风险总值,以基于所述痛风风险总值确定所述家族痛风的第一风险权重值;
根据所述痛风家族树中确诊患者的数量,与所述痛风家族树中家族树节点的总数量的比值,确定所述家族痛风的第二风险权重值;
根据所述第一风险值与所述第二风险值的乘积确定所述家族痛风风险的风险值,以基于预设风险等级表确定所述首诊患者的家族痛风风险等级。
10.一种家族痛风的风险预警设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述权利要求1-9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345023.1A CN117095820B (zh) | 2023-10-18 | 2023-10-18 | 一种家族痛风的风险预警方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345023.1A CN117095820B (zh) | 2023-10-18 | 2023-10-18 | 一种家族痛风的风险预警方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095820A true CN117095820A (zh) | 2023-11-21 |
CN117095820B CN117095820B (zh) | 2024-01-23 |
Family
ID=88780650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345023.1A Active CN117095820B (zh) | 2023-10-18 | 2023-10-18 | 一种家族痛风的风险预警方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095820B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060173717A1 (en) * | 2005-02-03 | 2006-08-03 | Scheuner Maren T | Method and apparatus for determining familial risk of disease |
US20090018863A1 (en) * | 2005-02-03 | 2009-01-15 | Yoon Paula W | Personal assessment including familial risk analysis for personalized disease prevention plan |
JP2010244372A (ja) * | 2009-04-08 | 2010-10-28 | Hitachi Computer Peripherals Co Ltd | 帳票認識方法および装置 |
US20160154941A1 (en) * | 2013-03-28 | 2016-06-02 | David Laborde | Protected health information image capture, processing and submission from a client device |
CN107133477A (zh) * | 2017-05-12 | 2017-09-05 | 汕头大学医学院第附属医院 | 家族性一级脑卒预防及二级脑卒防复发系统 |
US20200058408A1 (en) * | 2016-10-17 | 2020-02-20 | Koninklijke Philips N.V. | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management |
CN111091903A (zh) * | 2019-12-12 | 2020-05-01 | 和宇健康科技股份有限公司 | 针对遗传疾病风险概率评估及阻断或改善方法推荐系统 |
US20210110883A1 (en) * | 2018-06-29 | 2021-04-15 | Koninklijke Philips N.V. | A method and apparatus for building a pedigree for a specific disease based on a family tree |
US20210406731A1 (en) * | 2020-06-30 | 2021-12-30 | InheRET, Inc. | Network-implemented integrated modeling system for genetic risk estimation |
WO2022257243A1 (zh) * | 2021-06-07 | 2022-12-15 | 西安邮电大学 | 一种水质预警方法及系统 |
CN115512764A (zh) * | 2022-09-01 | 2022-12-23 | 新疆碳智干细胞库有限公司 | 一种基因检测前遗传咨询信息系统 |
RU2798778C1 (ru) * | 2022-03-29 | 2023-06-27 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт имени В.А. Насоновой" (ФГБНУ "НИИР им. В.А. Насоновой") | Расчет индивидуального риска сахарного диабета 2 типа у пациентов с подагрой |
-
2023
- 2023-10-18 CN CN202311345023.1A patent/CN117095820B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060173717A1 (en) * | 2005-02-03 | 2006-08-03 | Scheuner Maren T | Method and apparatus for determining familial risk of disease |
US20090018863A1 (en) * | 2005-02-03 | 2009-01-15 | Yoon Paula W | Personal assessment including familial risk analysis for personalized disease prevention plan |
JP2010244372A (ja) * | 2009-04-08 | 2010-10-28 | Hitachi Computer Peripherals Co Ltd | 帳票認識方法および装置 |
US20160154941A1 (en) * | 2013-03-28 | 2016-06-02 | David Laborde | Protected health information image capture, processing and submission from a client device |
US20200058408A1 (en) * | 2016-10-17 | 2020-02-20 | Koninklijke Philips N.V. | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management |
CN107133477A (zh) * | 2017-05-12 | 2017-09-05 | 汕头大学医学院第附属医院 | 家族性一级脑卒预防及二级脑卒防复发系统 |
US20210110883A1 (en) * | 2018-06-29 | 2021-04-15 | Koninklijke Philips N.V. | A method and apparatus for building a pedigree for a specific disease based on a family tree |
CN111091903A (zh) * | 2019-12-12 | 2020-05-01 | 和宇健康科技股份有限公司 | 针对遗传疾病风险概率评估及阻断或改善方法推荐系统 |
US20210406731A1 (en) * | 2020-06-30 | 2021-12-30 | InheRET, Inc. | Network-implemented integrated modeling system for genetic risk estimation |
WO2022257243A1 (zh) * | 2021-06-07 | 2022-12-15 | 西安邮电大学 | 一种水质预警方法及系统 |
RU2798778C1 (ru) * | 2022-03-29 | 2023-06-27 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт имени В.А. Насоновой" (ФГБНУ "НИИР им. В.А. Насоновой") | Расчет индивидуального риска сахарного диабета 2 типа у пациентов с подагрой |
CN115512764A (zh) * | 2022-09-01 | 2022-12-23 | 新疆碳智干细胞库有限公司 | 一种基因检测前遗传咨询信息系统 |
Non-Patent Citations (2)
Title |
---|
PETERSON K等: "Esophageal Eosinophilia Is Common Among Relatives of Eosinophilic Esophagitis Patients", CLINICAL GASTROENTEROLOGY AND HEPATOLOGY, vol. 20, no. 5, pages 957, XP087017998, DOI: 10.1016/j.cgh.2020.11.023 * |
叶俊钊;吴艳琴;李睿;李韶丰;钟碧慧;: "广州地区HBV感染的家族聚集性及临床预后分析", 临床肝胆病杂志, vol. 32, no. 07, pages 1305 - 1309 * |
Also Published As
Publication number | Publication date |
---|---|
CN117095820B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551795B2 (en) | AI-based multi-label heat map generating system and methods for use therewith | |
CN110136788B (zh) | 一种基于自动检测的病历质检方法、装置、设备及存储介质 | |
US20220044812A1 (en) | Automated generation of structured patient data record | |
CN112786198B (zh) | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 | |
CN109887596A (zh) | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 | |
CN113270203A (zh) | 药物剂量预测方法、装置、电子设备及存储介质 | |
CN110335681A (zh) | 一种用于老年痴呆预警系统及预警方法 | |
CN112182168A (zh) | 病历文本分析方法、装置、电子设备及存储介质 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN116884559A (zh) | 一种基于语言模型的影像报告生成方法和系统 | |
Berry et al. | Extracting and standardizing medical examiner data to improve health | |
CN110838358A (zh) | 一种个性化的结合眼底图像的糖尿病智能信息管理系统 | |
CN113990502A (zh) | 一种基于异构图神经网络的icu心衰预测系统 | |
CN117095820B (zh) | 一种家族痛风的风险预警方法及设备 | |
CN117894439A (zh) | 一种基于人工智能的导诊方法、系统、电子设备及介质 | |
CN113436725A (zh) | 数据处理方法、系统、计算机设备及计算机可读存储介质 | |
CN117473372A (zh) | 基于神经网络的蛇伤医疗费用预测方法、装置及电子设备 | |
CN116612879A (zh) | 诊断结果预测方法、装置、电子设备及存储介质 | |
CN116110533B (zh) | 基于事件图谱的药物种类和用量推荐系统及方法 | |
KR20180002229A (ko) | 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법 | |
US20220005566A1 (en) | Medical scan labeling system with ontology-based autocomplete and methods for use therewith | |
Choi et al. | Explainable machine learning to bring database to the bedside: development and validation of the TROUT (Trauma fRailty OUTcomes) Index, a point-of-care tool to prognosticate outcomes after traumatic injury based on frailty | |
CN114627993A (zh) | 信息预测方法、装置、存储介质及计算机设备 | |
CN114121213A (zh) | 麻醉用药信息复核方法、装置、电子设备及存储介质 | |
Luther et al. | Machine learning to develop a predictive model of pressure injury in persons with spinal cord injury |
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 |