CN117292841A - 一种基于循证医学的疾病危险因素遴选方法及系统 - Google Patents
一种基于循证医学的疾病危险因素遴选方法及系统 Download PDFInfo
- Publication number
- CN117292841A CN117292841A CN202311174845.8A CN202311174845A CN117292841A CN 117292841 A CN117292841 A CN 117292841A CN 202311174845 A CN202311174845 A CN 202311174845A CN 117292841 A CN117292841 A CN 117292841A
- Authority
- CN
- China
- Prior art keywords
- risk factor
- result
- information
- literature
- evidence
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 60
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 60
- 239000003814 drug Substances 0.000 title claims abstract description 35
- 238000010187 selection method Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 82
- 238000012163 sequencing technique Methods 0.000 claims abstract description 17
- 230000008901 benefit Effects 0.000 claims abstract description 7
- 238000013441 quality evaluation Methods 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006806 disease prevention Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000001303 quality assessment method Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 239000012636 effector Substances 0.000 description 2
- 238000010197 meta-analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method 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
- G16H50/70—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于循证医学的疾病危险因素遴选方法及系统，属于医学大数据技术领域，包括：从医学文献数据库中获取文献信息数据集和危险因素信息集；基于文献信息，结合循证医学指标对文献信息数据集进行文献评估，生成文献评估结果，对文献评估结果进行排序，得到文献排序结果；基于危险因素信息和文献排序结果，结合预设统计学指标对危险因素信息集进行评估，生成危险因素评估结果，对危险因素评估结果进行排序，得到危险因素排序结果；基于危险因素排序结果，获得候选危险因素集。本发明融合循证医学指标与统计学指标，通过对文献信息和危险因素信息评估进行排序，遴选疾病危险因素，具有便捷高效、准确可靠的优点，有效服务于疾病防治领域。
Description
技术领域
本发明涉及医学大数据技术领域，尤其涉及一种基于循证医学的疾病危险因素遴选方法及系统。
背景技术
众所周知，危险因素与疾病的发生具有一定的因果关系，当危险因素存在时相关疾病发生率会增高；而当危险因素消除后，相关疾病发生率随之下降。识别疾病危险因素可以评估疾病的危害程度，进而针对危险因素进行干预(预防和治疗)，以达到降低疾病负担的效果。因此，如何准确、科学、高效地从众多因素中筛选出疾病的危险因素是疾病防治工作的关键。
循证医学强调要参考最佳证据进行科学决策和管理，从而更有针对性地应用证据指导临床实践，提高医疗质量。医学文献是最重要的证据来源之一，通过文献检索可获得相关研究证据，结合证据评价进行证据应用。不同来源、不同类型的研究在设计、实施、结果分析及结论制订等方面质量参差不齐，在应用研究证据进行决策前需要对其进行评价，将真实、可靠、有价值的理论应用于医疗实践决策中。当前的质量评价工具仅能评价文献方法学质量而无法量化分析危险因素。此外，医学领域对于疾病危险因素的分析大多采用传统统计学方法，采用人工处理信息存在效率低和准确性不足的问题。
因此，在循证医学应用中，需要提出一种新的针对疾病危险因素遴选和分析的方法。
发明内容
本发明提供一种基于循证医学的疾病危险因素遴选方法及系统，用以解决现有技术中针对疾病危险因素的分析筛查通过传统人工筛查方式，导致效率低和准确性不高的缺陷。
第一方面，本发明提供一种基于循证医学的疾病危险因素遴选方法，包括：
从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集；
基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果；
基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果；
基于所述危险因素排序结果，获得候选危险因素集；
根据所述候选危险因素集，生成疾病指导遴选结果。
根据本发明提供的一种基于循证医学的疾病危险因素遴选方法，从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集，包括：
所述文献信息包括基本信息、研究合格性信息、方法学信息和其他信息，所述基本信息包括文献ID、作者姓名、发表年份、文献题目和发表期刊，所述研究合格性信息包括研究人群、暴露、对照、研究类型和结局指标，所述方法学信息包括研究设计、研究期限、偏倚风险，所述其他信息包括资助来源、利益冲突和混杂因素校正；
所述危险因素信息包括因素名称、因素类型和效应量，所述因素类型包括危险因素和保护因素，所述效应量包括统计学指标、关联强度指标和精确度指标；
对所述文献信息和所述危险因素信息进行数据一致性检查、过滤无效值以及填充缺失值，得到所述文献信息数据集和所述危险因素信息集。
根据本发明提供的一种基于循证医学的疾病危险因素遴选方法，基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果，包括：
采用预设质量评价工具对所述文献信息数据集进行评估，得到质量评价结果；
采用预设证据等级判读工具对所述文献信息数据进行评估，得到证据等级评价结果；
基于所述质量评价结果和所述证据等级评价结果，将所述文献信息数据集中的文献信息进行降序排列，提取具有预设排名的文献信息，并根据文献发表年份进行排列，得到所述文献排序结果。
根据本发明提供的一种基于循证医学的疾病危险因素遴选方法，所述预设质量评价工具包括一次研究质量评价工具和二次研究质量评价工具。
根据本发明提供的一种基于循证医学的疾病危险因素遴选方法，基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果，包括：
采用因素类型和效应量对所述危险因素信息进行评估，得到因素类型结果和效应量结果，所述因素类型结果包括危险因素类型和保护因素类型，所述效应量结果包括统计学意义结果、关联强度结果和精确度结果；
根据所述因素类型结果将所述危险因素信息从危险因素类型到保护因素类型进行排序得到因素类型排序结果，根据所述统计学意义结果将所述危险因素信息划分为有统计学意义和无统计学意义得到统计学意义排序结果，根据所述关联强度结果将所述危险因素信息按照从大至小进行排序得到关联强度排序结果，根据所述精确度结果将所述危险因素信息按照从小至大进行排序得到精确度排序结果；
综合所述因素类型排序结果、所述统计学意义排序结果、所述关联强度排序结果和所述精确度排序结果，输出所述危险因素排序结果。
根据本发明提供的一种基于循证医学的疾病危险因素遴选方法，所述统计学意义结果通过显著性P值进行排序，将小于预设显著性P值作为所述有统计学意义，大于预设显著性P值作为所述无统计学意义；
所述关联强度结果通过RR、HR或OR进行排序；
所述精确度结果通过95％ CI的范围数值进行排序，95％CI范围区间由95％CI上限值减去95％CI下限值所得到。
根据本发明提供的一种基于循证医学的疾病危险因素遴选方法，基于所述危险因素排序结果，获得候选危险因素集，包括：
确定单一约束条件和组合约束条件；
若确定采用所述单一约束条件，则根据因素类型排序结果、统计学意义排序结果、关联强度排序结果和精确度排序结果中的任一排序结果，获取所述候选危险因素集；
若确定采用所述组合约束条件，则根据因素类型排序结果、统计学意义排序结果、关联强度排序结果和精确度排序结果中的至少两种排序结果进行组合，获取所述候选危险因素集。
第二方面，本发明还提供一种基于循证医学的疾病危险因素遴选系统，包括：
输入模块，用于从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集；
第一评估排序模块，用于基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果；
第二评估排序模块，用于基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果；
输出模块，用于基于所述危险因素排序结果，获得候选危险因素集；
生成模块，用于根据所述候选危险因素集，生成疾病指导遴选结果。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于循证医学的疾病危险因素遴选方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于循证医学的疾病危险因素遴选方法。
本发明提供的基于循证医学的疾病危险因素遴选方法及系统，通过融合循证医学指标与统计学指标，通过对文献信息和危险因素信息的评估来进行排序，从而遴选疾病的危险因素，具有便捷高效、准确可靠的优点，可准确、科学、高效地遴选疾病危险因素以服务疾病防治。
附图说明
为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于循证医学的疾病危险因素遴选方法的流程示意图；
图2是本发明提供的基于循证医学的疾病危险因素遴选系统的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
图1是本发明实施例提供的基于循证医学的疾病危险因素遴选方法的流程示意图，如图1所示，包括：
步骤100：从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集；
步骤200：基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果；
步骤300：基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果；
步骤400：基于所述危险因素排序结果，获得候选危险因素集；
步骤500：根据所述候选危险因素集，生成疾病指导遴选结果。
具体地，从医学文献数据库中提取文献信息(基本信息、研究合格性信息、方法学信息和其他信息)和危险因素信息(因素名称、因素类型和效应量)，通过数据清洗获得文献信息和危险因素信息的数据集。
基于文献信息，结合循证医学指标(质量评价和证据等级)对文献进行评估，评估结果包括质量评价结果(高、中、低)和证据等级结果(高、中、低)。
根据文献评估结果进行排序。排序规则：根据质量评价结果将文献从高至低进行排序，根据证据等级结果将文献从高至低进行排序，选择质量评价高且证据等级高的文献纳入文献排序结果(例如文献1、文献2至文献X)。
基于危险因素信息和文献排序结果，结合统计学指标(因素类型和效应量)对危险因素进行评估，评估结果包括因素类型结果(危险和保护)和效应量结果(统计学意义、关联强度、精确度)。效应量结果又包括统计学意义(有、无)、关联强度(连续型数值，从高至低)和精确度(连续型数值，从高至低)。
根据危险因素评估结果进行排序。排序规则：根据因素类型结果将危险因素从危险至保护进行排序，根据效应量结果中的统计学意义将危险因素分为有统计学意义和无统计学意义，根据关联强度将危险因素从大至小进行排序，根据精确度将危险因素从小至大排序，获得危险因素综合排序结果(例如危险因素1、危险因素2至危险因素X)。
基于危险因素综合排序结果，获得候选危险因素集。针对不同的用户需求，可设置约束条件来查询危险因素的综合排序结果。约束条件包括了单一约束条件和约束条件组合，可针对性的选择约束条件进行查询。
本发明通过融合循证医学指标与统计学指标，通过对文献信息和危险因素信息的评估来进行排序，从而遴选疾病的危险因素，具有便捷高效、准确可靠的优点，可准确、科学、高效地遴选疾病危险因素以服务疾病防治。
基于上述实施例，从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集，包括：
所述文献信息包括基本信息、研究合格性信息、方法学信息和其他信息，所述基本信息包括文献ID、作者姓名、发表年份、文献题目和发表期刊，所述研究合格性信息包括研究人群、暴露、对照、研究类型和结局指标，所述方法学信息包括研究设计、研究期限、偏倚风险，所述其他信息包括资助来源、利益冲突和混杂因素校正；
所述危险因素信息包括因素名称、因素类型和效应量，所述因素类型包括危险因素和保护因素，所述效应量包括统计学指标、关联强度指标和精确度指标；
对所述文献信息和所述危险因素信息进行数据一致性检查、过滤无效值以及填充缺失值，得到所述文献信息数据集和所述危险因素信息集。
具体地，本发明实施例中的文献信息包括基本信息、研究合格性信息、方法学信息和其他信息。基本信息包括文献ID、作者姓名、发表年份、文献题目、发表期刊等信息。研究合格性信息包括研究人群、暴露、对照、研究类型、结局指标等信息。方法学信息包括研究设计、研究期限、偏倚风险等信息。其他信息包括资助来源、利益冲突、混杂因素校正等。危险因素信息包括因素名称、因素类型和效应量。因素类型包括危险因素和保护因素。效应量包括统计学意义(显著性P值)、关联强度(RR、OR和HR)和精确度(95％CI范围)。
其中，相对危险度(Relative Risk，RR)主要用于前瞻性队列研究，通过获取暴露组和非暴露组的数据，来研究某一因素对于事件结果发生情况的影响程度。比值比(OddsRatio，OR)主要用于回顾性病例对照研究，通过获取病例组和对照组的数据，来建立起事件结果与某一因素的联系，从而研究两者的相关性。风险比(Hazard Ratio，HR)主要用于生存分析，相当于是考虑了生存时间的RR值。
基于上述实施例，基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果，包括：
采用预设质量评价工具对所述文献信息数据集进行评估，得到质量评价结果；
采用预设证据等级判读工具对所述文献信息数据进行评估，得到证据等级评价结果；
基于所述质量评价结果和所述证据等级评价结果，将所述文献信息数据集中的文献信息进行降序排列，提取具有预设排名的文献信息，并根据文献发表年份进行排列，得到所述文献排序结果。
其中，所述预设质量评价工具包括一次研究质量评价工具和二次研究质量评价工具。
具体地，本发明实施例中的质量评价工具包括一次研究质量评价工具和二次研究质量评价工具。一次研究质量评价工具包括纽卡斯尔-渥太华量表、美国国立卫生研究院质量评价工具。二次研究质量评价工具为系统评价偏倚风险(Risk Of Bias In Systematicreviews，ROBIS)工具。
证据等级包括：高、中、低。质量评价判读：纽卡斯尔-渥太华量表适用于评价队列研究和病例对照研究，满分为9颗星，其中1-3星判读为低，4-6星判读为中，7-9判读为高；美国国立卫生研究院质量评价工具用于评价横断面研究，其总体质量等级分为差、中等和优，其中差判读为低，中等判读为中，优判读为高；ROBIS工具适用于系统评价/Meta分析的质量评价，其结果包括不确定、低和高，其中不确定判读为低，低判读为中，高判读为高。证据等级判读：病例对照研究判读为低；队列研究或横断面研究判读为中；系统评价/Meta分析判读为高。
进一步地，文献排序结果包括了所有质量评价高且证据等级高的文献，然后根据文献发表年份的远近进行排列。
基于上述实施例，基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果，包括：
采用因素类型和效应量对所述危险因素信息进行评估，得到因素类型结果和效应量结果，所述因素类型结果包括危险因素类型和保护因素类型，所述效应量结果包括统计学意义结果、关联强度结果和精确度结果；
根据所述因素类型结果将所述危险因素信息从危险因素类型到保护因素类型进行排序得到因素类型排序结果，根据所述统计学意义结果将所述危险因素信息划分为有统计学意义和无统计学意义得到统计学意义排序结果，根据所述关联强度结果将所述危险因素信息按照从大至小进行排序得到关联强度排序结果，根据所述精确度结果将所述危险因素信息按照从小至大进行排序得到精确度排序结果；
综合所述因素类型排序结果、所述统计学意义排序结果、所述关联强度排序结果和所述精确度排序结果，输出所述危险因素排序结果。
其中，所述统计学意义结果通过显著性P值进行排序，将小于预设显著性P值作为所述有统计学意义，大于预设显著性P值作为所述无统计学意义；
所述关联强度结果通过RR、HR或OR进行排序；
所述精确度结果通过95％ CI的范围数值进行排序，95％CI范围区间由95％CI上限值减去95％CI下限值所得到。
具体地，本发明实施例中的效应量结果通过显著性P值进行判读，显著性P值小于0.05为有统计学意义，大于等于0.05为无统计学意义；关联强度通过RR、OR或HR的数值大小进行排序；精确度通过计算范围的数值大小进行排序，95％CI范围＝95％CI上限-95％CI下限。
基于上述实施例，基于所述危险因素排序结果，获得候选危险因素集，包括：
确定单一约束条件和组合约束条件；
若确定采用所述单一约束条件，则根据因素类型排序结果、统计学意义排序结果、关联强度排序结果和精确度排序结果中的任一排序结果，获取所述候选危险因素集；
若确定采用所述组合约束条件，则根据因素类型排序结果、统计学意义排序结果、关联强度排序结果和精确度排序结果中的至少两种排序结果进行组合，获取所述候选危险因素集。
具体地，本发明实施例中的危险因素综合排序结果包括了所有的危险因素，然后根据用户所设置的约束条件进行查询。单一约束条件包括统计学意义(有或无)、关联强度(数值大小的升序或降序排列)、精确度(数值大小的升序或降序排列)和危险因素名称(名称的升序或降序排列)。约束条件组合包括了多个单一约束条件之间的任意搭配。
下面对本发明提供的基于循证医学的疾病危险因素遴选系统进行描述，下文描述的基于循证医学的疾病危险因素遴选系统与上文描述的基于循证医学的疾病危险因素遴选方法可相互对应参照。
图2是本发明实施例提供的基于循证医学的疾病危险因素遴选系统的结构示意图，如图2所示，包括：输入模块21、第一评估排序模块22、第二评估排序模块23、输出模块24和生成模块25，其中：
输入模块21用于从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集；第一评估排序模块22用于基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果；第二评估排序模块23用于基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果；输出模块24用于基于所述危险因素排序结果，获得候选危险因素集；生成模块25用于根据所述候选危险因素集，生成疾病指导遴选结果。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于循证医学的疾病危险因素遴选方法，该方法包括：从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集；基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果；基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果；基于所述危险因素排序结果，获得候选危险因素集；根据所述候选危险因素集，生成疾病指导遴选结果。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法提供的基于循证医学的疾病危险因素遴选方法，该方法包括：从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集；基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果；基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果；基于所述危险因素排序结果，获得候选危险因素集；根据所述候选危险因素集，生成疾病指导遴选结果。
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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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。基于这样的理解，上述技术方案本质上或者说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 (10)
1.一种基于循证医学的疾病危险因素遴选方法，其特征在于，包括：
从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集；
基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果；
基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果；
基于所述危险因素排序结果，获得候选危险因素集；
根据所述候选危险因素集，生成疾病指导遴选结果。
2.根据权利要求1所述的基于循证医学的疾病危险因素遴选方法，其特征在于，从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集，包括：
所述文献信息包括基本信息、研究合格性信息、方法学信息和其他信息，所述基本信息包括文献ID、作者姓名、发表年份、文献题目和发表期刊，所述研究合格性信息包括研究人群、暴露、对照、研究类型和结局指标，所述方法学信息包括研究设计、研究期限、偏倚风险，所述其他信息包括资助来源、利益冲突和混杂因素校正；
所述危险因素信息包括因素名称、因素类型和效应量，所述因素类型包括危险因素和保护因素，所述效应量包括统计学指标、关联强度指标和精确度指标；
对所述文献信息和所述危险因素信息进行数据一致性检查、过滤无效值以及填充缺失值，得到所述文献信息数据集和所述危险因素信息集。
3.根据权利要求1所述的基于循证医学的疾病危险因素遴选方法，其特征在于，基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果，包括：
采用预设质量评价工具对所述文献信息数据集进行评估，得到质量评价结果；
采用预设证据等级判读工具对所述文献信息数据进行评估，得到证据等级评价结果；
基于所述质量评价结果和所述证据等级评价结果，将所述文献信息数据集中的文献信息进行降序排列，提取具有预设排名的文献信息，并根据文献发表年份进行排列，得到所述文献排序结果。
4.根据权利要求3所述的基于循证医学的疾病危险因素遴选方法，其特征在于，所述预设质量评价工具包括一次研究质量评价工具和二次研究质量评价工具。
5.根据权利要求1所述的基于循证医学的疾病危险因素遴选方法，其特征在于，基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果，包括：
采用因素类型和效应量对所述危险因素信息进行评估，得到因素类型结果和效应量结果，所述因素类型结果包括危险因素类型和保护因素类型，所述效应量结果包括统计学意义结果、关联强度结果和精确度结果；
根据所述因素类型结果将所述危险因素信息从危险因素类型到保护因素类型进行排序得到因素类型排序结果，根据所述统计学意义结果将所述危险因素信息划分为有统计学意义和无统计学意义得到统计学意义排序结果，根据所述关联强度结果将所述危险因素信息按照从大至小进行排序得到关联强度排序结果，根据所述精确度结果将所述危险因素信息按照从小至大进行排序得到精确度排序结果；
综合所述因素类型排序结果、所述统计学意义排序结果、所述关联强度排序结果和所述精确度排序结果，输出所述危险因素排序结果。
6.根据权利要求5所述的基于循证医学的疾病危险因素遴选方法，其特征在于，所述统计学意义结果通过显著性P值进行排序，将小于预设显著性P值作为所述有统计学意义，大于预设显著性P值作为所述无统计学意义；
所述关联强度结果通过相对危险度RR、风险比HR或比值比OR进行排序；
所述精确度结果通过95％置信区间CI的范围数值进行排序，95％CI范围区间由95％CI上限值减去95％CI下限值所得到。
7.根据权利要求1所述的基于循证医学的疾病危险因素遴选方法，其特征在于，基于所述危险因素排序结果，获得候选危险因素集，包括：
确定单一约束条件和组合约束条件；
若确定采用所述单一约束条件，则根据因素类型排序结果、统计学意义排序结果、关联强度排序结果和精确度排序结果中的任一排序结果，获取所述候选危险因素集；
若确定采用所述组合约束条件，则根据因素类型排序结果、统计学意义排序结果、关联强度排序结果和精确度排序结果中的至少两种排序结果进行组合，获取所述候选危险因素集。
8.一种基于循证医学的疾病危险因素遴选系统，其特征在于，包括：
输入模块，用于从医学文献数据库中获取文献信息和危险因素信息，对所述文献信息和所述危险因素信息进行数据清洗，获得文献信息数据集和危险因素信息集；
第一评估排序模块，用于基于所述文献信息，结合循证医学指标对所述文献信息数据集进行文献评估，生成文献评估结果，对所述文献评估结果进行排序，得到文献排序结果；
第二评估排序模块，用于基于所述危险因素信息和所述文献排序结果，结合预设统计学指标对所述危险因素信息集进行评估，生成危险因素评估结果，对所述危险因素评估结果进行排序，得到危险因素排序结果；
输出模块，用于基于所述危险因素排序结果，获得候选危险因素集；
生成模块，用于根据所述候选危险因素集，生成疾病指导遴选结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于循证医学的疾病危险因素遴选方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于循证医学的疾病危险因素遴选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311174845.8A CN117292841A (zh) | 2023-09-11 | 2023-09-11 | 一种基于循证医学的疾病危险因素遴选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311174845.8A CN117292841A (zh) | 2023-09-11 | 2023-09-11 | 一种基于循证医学的疾病危险因素遴选方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117292841A true CN117292841A (zh) | 2023-12-26 |
Family
ID=89247262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311174845.8A Pending CN117292841A (zh) | 2023-09-11 | 2023-09-11 | 一种基于循证医学的疾病危险因素遴选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117292841A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554405A (zh) * | 2019-09-30 | 2020-08-18 | 华中科技大学同济医学院附属协和医院 | 一种循证医学rct的智能数据提取和质量评价方法 |
| CN114188026A (zh) * | 2021-10-25 | 2022-03-15 | 苏州海狮凯尔信息科技有限公司 | 一种基于循证医学证据的异位妊娠的风险评估模型系统 |
-
2023
- 2023-09-11 CN CN202311174845.8A patent/CN117292841A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554405A (zh) * | 2019-09-30 | 2020-08-18 | 华中科技大学同济医学院附属协和医院 | 一种循证医学rct的智能数据提取和质量评价方法 |
| CN114188026A (zh) * | 2021-10-25 | 2022-03-15 | 苏州海狮凯尔信息科技有限公司 | 一种基于循证医学证据的异位妊娠的风险评估模型系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张燕舞 等: "循证医学视角下临床研究文献影响力评价", 《中华医学图书情报杂志》, vol. 25, no. 2, 29 February 2016 (2016-02-29), pages 10 - 13 * |
| 杨殷 等: "糖尿病足发生截肢的相关危险因素的meta分析", 《山西医科大学学报》, vol. 47, no. 7, 31 July 2016 (2016-07-31), pages 618 - 623 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11922348B2 (en) | Generating final abnormality data for medical scans based on utilizing a set of sub-models | |
| AU2012245343B2 (en) | Predictive modeling | |
| Kamper et al. | Multidisciplinary biopsychosocial rehabilitation for chronic low back pain | |
| Padula et al. | Machine learning methods in health economics and outcomes research—the PALISADE checklist: a good practices report of an ISPOR task force | |
| US20020133441A1 (en) | Methods and systems for identifying attributable errors in financial processes | |
| KR20180072167A (ko) | 유사특허 추출 시스템 및 그 방법 | |
| WO2014099883A1 (en) | Shared medical data platform for insurance underwriting | |
| US20240161035A1 (en) | Multi-model medical scan analysis system and methods for use therewith | |
| Dower et al. | Surgical decompression for malignant cerebral oedema after ischaemic stroke | |
| US20140019090A1 (en) | Systems, methods, and logic for generating statistical research information | |
| CN115101160A (zh) | 药品销售数据挖掘和检索方法及装置 | |
| Singh | Prediction of Thyroid Disease using Deep Learning Techniques | |
| CN114664447A (zh) | 一种骨质疏松健康风险评估方法及设备 | |
| Jarman et al. | An integrated framework for risk profiling of breast cancer patients following surgery | |
| CN117292841A (zh) | 一种基于循证医学的疾病危险因素遴选方法及系统 | |
| Cui et al. | Using Big Data Analytics to Identify Dentists with Frequent Future Malpractice Claims | |
| Ashrafi et al. | Process Mining/Deep Learning Model to Predict Mortality in Coronary Artery Disease Patients | |
| CN110010231A (zh) | 一种数据处理系统及计算机可读存储介质 | |
| CN112562854A (zh) | 一种高龄人员精准医疗关怀服务推荐方法及系统 | |
| US20130311207A1 (en) | Medical Record Processing | |
| CN111986815A (zh) | 基于共现关系的项目组合挖掘方法及相关设备 | |
| JP7364248B2 (ja) | 保健指導システム、保健指導用端末、及び保健指導方法 | |
| AMOR et al. | 4-Analysis of the factors affecting the patient’s length of stay following emergency surgery by | |
| Lebedev et al. | Analytics-assisted triage of workers’ compensation claims | |
| Misiri | Achieving good health and well-being in Africa by 2030 using multi-state models, survival analysis, statistical methods for evidence-based medicine, diagnosis and determination of risk factors |
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 |