CN117716442A - 用于受试者的甲状腺功能不良预测方法和系统 - Google Patents
用于受试者的甲状腺功能不良预测方法和系统 Download PDFInfo
- Publication number
- CN117716442A CN117716442A CN202280053030.1A CN202280053030A CN117716442A CN 117716442 A CN117716442 A CN 117716442A CN 202280053030 A CN202280053030 A CN 202280053030A CN 117716442 A CN117716442 A CN 117716442A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- date
- concentration
- test
- average
- 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
- 238000000034 method Methods 0.000 title claims abstract description 140
- 230000006016 thyroid dysfunction Effects 0.000 title claims abstract description 121
- 229940088597 hormone Drugs 0.000 claims abstract description 236
- 239000005556 hormone Substances 0.000 claims abstract description 236
- 238000009826 distribution Methods 0.000 claims abstract description 86
- 238000007781 pre-processing Methods 0.000 claims abstract description 80
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 24
- 238000002203 pretreatment Methods 0.000 claims abstract 4
- 206010020850 Hyperthyroidism Diseases 0.000 claims description 269
- 230000008859 change Effects 0.000 claims description 146
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical compound IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 claims description 85
- 102000011923 Thyrotropin Human genes 0.000 claims description 79
- 108010061174 Thyrotropin Proteins 0.000 claims description 79
- 230000000284 resting effect Effects 0.000 claims description 65
- 208000003532 hypothyroidism Diseases 0.000 claims description 34
- 230000002989 hypothyroidism Effects 0.000 claims description 34
- XNSAINXGIQZQOO-UHFFFAOYSA-N L-pyroglutamyl-L-histidyl-L-proline amide Natural products NC(=O)C1CCCN1C(=O)C(NC(=O)C1NC(=O)CC1)CC1=CN=CN1 XNSAINXGIQZQOO-UHFFFAOYSA-N 0.000 claims description 27
- 102100032251 Pro-thyrotropin-releasing hormone Human genes 0.000 claims description 27
- 239000000627 Thyrotropin-Releasing Hormone Substances 0.000 claims description 27
- 101800004623 Thyrotropin-releasing hormone Proteins 0.000 claims description 27
- XNSAINXGIQZQOO-SRVKXCTJSA-N protirelin Chemical compound NC(=O)[C@@H]1CCCN1C(=O)[C@@H](NC(=O)[C@H]1NC(=O)CC1)CC1=CN=CN1 XNSAINXGIQZQOO-SRVKXCTJSA-N 0.000 claims description 27
- 229940034199 thyrotropin-releasing hormone Drugs 0.000 claims description 27
- 210000002966 serum Anatomy 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 10
- XUIIKFGFIJCVMT-UHFFFAOYSA-N thyroxine-binding globulin Natural products IC1=CC(CC([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-UHFFFAOYSA-N 0.000 claims description 9
- XUIIKFGFIJCVMT-LBPRGKRZSA-N L-thyroxine Chemical compound IC1=CC(C[C@H]([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-LBPRGKRZSA-N 0.000 claims description 8
- 229950008325 levothyroxine Drugs 0.000 claims description 8
- 229960000874 thyrotropin Drugs 0.000 claims description 5
- 230000001748 thyrotropin Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 817
- 238000012549 training Methods 0.000 description 223
- 239000005495 thyroid hormone Substances 0.000 description 82
- 229940036555 thyroid hormone Drugs 0.000 description 82
- 238000003745 diagnosis Methods 0.000 description 50
- 238000009532 heart rate measurement Methods 0.000 description 31
- 230000035945 sensitivity Effects 0.000 description 23
- 238000004891 communication Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 230000009467 reduction Effects 0.000 description 13
- 238000002360 preparation method Methods 0.000 description 12
- 230000028327 secretion Effects 0.000 description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 230000007958 sleep Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- XUIIKFGFIJCVMT-GFCCVEGCSA-N D-thyroxine Chemical compound IC1=CC(C[C@@H](N)C(O)=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-GFCCVEGCSA-N 0.000 description 2
- 206010062767 Hypophysitis Diseases 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 210000003635 pituitary gland Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001646 thyrotropic effect Effects 0.000 description 2
- HLOFWGGVFLUZMZ-UHFFFAOYSA-N 4-hydroxy-4-(6-methoxynaphthalen-2-yl)butan-2-one Chemical compound C1=C(C(O)CC(C)=O)C=CC2=CC(OC)=CC=C21 HLOFWGGVFLUZMZ-UHFFFAOYSA-N 0.000 description 1
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 206010016326 Feeling cold Diseases 0.000 description 1
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012261 overproduction Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 208000011726 slow pulse Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229940034208 thyroxine Drugs 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
- A61B5/414—Evaluating particular organs or parts of the immune or lymphatic systems
- A61B5/415—Evaluating particular organs or parts of the immune or lymphatic systems the glands, e.g. tonsils, adenoids or thymus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4227—Evaluating particular parts, e.g. particular organs endocrine glands, i.e. thyroid, adrenals, hypothalamic, pituitary
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Endocrinology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Urology & Nephrology (AREA)
- Gastroenterology & Hepatology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Immunology (AREA)
- Vascular Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
根据本申请，公开了一种用于受试者的甲状腺功能不良预测方法。所述预测方法包括：确定基于触发信号确定的目标日期；获取对应于所确定的目标日期的期间心率；获取受试者的对于所获取的对应于所述目标日期的期间心率的第一预处理结果，所述第一预处理结果包括至少一个与对应于所述目标日期的期间心率的平均值和分布相关的指标中的至少一个指标；获取所述受试者的至少一个与对应于参考日期的甲状腺相关的激素的浓度；获取所述受试者的对于对应于所述参考日期的期间心率的第二预处理结果，所述第二预处理结果包括至少一个与对应于所述参考日期的期间心率的平均值和分布相关的指标中的至少一个指标；获取所述第一预处理结果与所述第二预处理结果之间的差异；和获取对于甲状腺功能不良的预测结果，所述预测结果是基于包括所述差异和与所述至少一个与对应于所述参考日期的激素的浓度在内的值而获取的。
Description
技术领域
本申请涉及一种用于分析患者的心率并基于分析的结果来预测甲状腺功能不良的方法，并且涉及一种用于执行该方法的装置和系统。
背景技术
甲状腺是位于颈部前方的内分泌器官，并且通过接收由脑下垂体分泌的促甲状腺激素的信号来产生甲状腺激素。
由甲状腺产生的甲状腺激素调节人身体的代谢率。当甲状腺激素分泌超过正常水平时，身体代谢进展异常迅速，并出现诸如感觉比平时更热或感到心跳加速的症状。相反，当甲状腺激素分泌低于正常水平时，就会出现诸如感觉很冷、感到疲倦和抑郁、或脉搏缓慢的症状。
当甲状腺功能正常时，甲状腺激素的分泌在没有任何问题的情况下发生。然而，当甲状腺功能异常时，甲状腺激素的分泌就会减少或增加。因甲状腺激素分泌减少所引起的一系列疾病被称为甲减(hypothyroidism，也称为甲状腺机能减退)，而因甲状腺激素分泌增加所引起的一系列疾病被称为甲亢(hyperthyroidism，也称为甲状腺机能亢进)。此外，这两种疾病被称为甲状腺功能不良。
目前，用于检查甲状腺功能不良的唯一诊断方法是检查患者血液中的甲状腺激素的浓度，并确定甲状腺激素的浓度是否在临床病理学上在正常范围内、处于高水平或低水平。
同时，存在用于治疗甲亢和甲减的多种方法，但最广泛使用的治疗方法是药物治疗方法。大多数患甲亢的患者和大多数患甲减的患者通过服用药物持续预定的期间而恢复正常水平的甲状腺激素产生和分泌功能。然而，甲亢和甲减都是治愈率低且复发率极高的疾病，所以有必要持续监测甲亢或甲减是否复发。
然而，如上所述，由于用于检查甲状腺功能的唯一诊断方法是通过采血来检查激素的浓度，因此存在的问题是，患者应该定期去医院就诊以监测甲状腺是否功能失调。
因此，对于开发一种通过除了经由采血检查激素水平之外的方法来更准确地检查甲状腺是否功能失调的技术存在需要。
也就是说，期望开发在无需亲自去医院就诊的情况下使个体患者能够更简便且更快速地监测甲状腺功能不良并且在必要时引导患者去医院就诊的方法。
发明内容
技术问题
本申请所公开的内容要解决的问题是提供一种能够基于普通人可以使用的个人电子设备而不是专业医疗诊断设备所获得的心率信息来预测甲状腺功能不良的预测模型。
本申请所公开的内容要解决的另一个问题是提供一种能够基于心率信息来预测甲状腺功能不良的上述预测模型的训练方法。
本申请所公开的内容要解决的另一个问题是提供一种方法和系统，其通过使用能够在无需医生的帮助和亲自去医院就诊的情况下基于心率信息来预测甲状腺功能不良的上述预测模型而使普通人能够连续监测甲状腺功能不良。
本申请要解决的技术问题不限于前述技术问题，并且根据本说明书和附图，本领域技术人员将清楚地理解未提及的其它技术问题。
技术方案
根据本申请的一个实施方案，公开了一种用于预测受试者的甲状腺功能不良的方法。所述用于预测受试者的甲状腺功能不良的方法，包括：获得触发信号；基于所获得的触发信号来确定目标日期；获得对应于所确定的目标日期的区间心率；获得受试者的对于所获得的对应于所确定的目标日期的区间心率的第一预处理结果，其中该第一预处理结果包括至少一个与对应于目标日期的区间心率的平均值和分布相关的参数；获得受试者的至少一个与对应于参考日期的甲状腺相关的激素的浓度；获得受试者的对于对应于参考日期的区间心率的第二预处理结果，其中该第二预处理结果包括至少一个与对应于参考日期的区间心率的平均值和分布相关的参数；获得第一预处理结果相对于第二预处理结果的差异；和获得对于甲状腺功能不良的预测结果，该预测结果是基于包括至少一个与对应于参考日期的甲状腺相关的激素的浓度和差异在内的值而获得的，其中对于甲状腺功能不良的预测结果可以是通过甲状腺功能不良预测模型对输入值进行处理的结果，其中输入值包括差异和至少一个与对应于参考日期的甲状腺相关的激素的浓度。
在本申请所公开的一些实施方案中，至少一个与对应于目标日期的区间心率的分布相关的参数可以包括对应于目标日期的区间心率的标准偏差、偏度和峰度，并且至少一个与对应于参考日期的区间心率的分布相关的参数可以包括对应于参考日期的区间心率的标准偏差、偏度及峰度。
在本申请所公开的一些实施方案中，第一预处理结果相对于第二预处理结果的差异可以是选自由以下各项组成的组中的一个：1)目标日期相对于参考日期的区间心率的平均值的变化量，2)目标日期相对于参考日期的区间心率的平均值的变化率，3)目标日期相对于参考日期的标准偏差的变化量，4)目标日期相对于参考日期的相对标准偏差的变化量，5)目标日期相对于参考日期的偏度的变化量，6)目标日期相对于参考日期的峰度的变化量，7)在对应于参考日期的区间心率与对应于目标日期的区间心率之间的JS散度，或它们的组合。
在本申请所公开的一些实施方案中，至少一个对应于参考日期的激素的浓度可以选自由以下各项组成的组中的一个：1)促甲状腺激素(TSH)的浓度，2)四碘甲状腺原氨酸(T4)的浓度，3)血清中的游离T4(游离T4)的浓度，4)三碘甲状腺原氨酸(T3)的浓度，5)血清中的游离T3(游离T3)的浓度，6)促甲状腺素释放激素(TRH)的浓度，或它们的组合。
在本申请所公开的一些实施方案中，所述方法可以还包括从由以下各项组成的组中获得第一值和第二值：1)目标日期相对于参考日期的区间心率的平均值的变化量，2)目标日期相对于参考日期的区间心率的平均值的变化率，3)目标日期相对于参考日期的标准偏差的变化量，4)目标日期相对于参考日期的相对标准偏差的变化量，5)目标日期相对于参考日期的偏度的变化量，6)目标日期相对于参考日期的峰度的变化量，7)在对应于参考日期的区间心率与对应于目标日期的区间心率之间的JS散度，8)对应于参考日期的受试者的促甲状腺激素(TSH)的浓度，9)对应于参考日期的受试者的四碘甲状腺原氨酸(T4)的浓度，10)对应于参考日期的受试者血清中的游离T4(游离T4)的浓度，11)对应于参考日期的受试者的三碘甲状腺原氨酸(T3)的浓度，12)对应于参考日期的受试者血清中的游离T3(游离T3)的浓度，13)对应于参考日期的受试者的促甲状腺素释放激素(TRH)的浓度；并且获得i)通过第一值乘以第二值所获得的值、ii)通过将第一值除以第二值所获得的值和iii)通过将第二值除以第一值所获得的值之中的任意一个值。
在本文中，基于包括至少一个对应于参考日期的激素的浓度和差异在内的值来获得对于甲状腺功能不良的预测结果可以是基于包括至少一个对应于参考日期的激素的浓度、差异和所获得的任意一个值在内的值来获得对于甲状腺功能不良的预测结果，并且对于甲状腺功能不良的预测结果可以是通过甲状腺功能不良预测模型对输入值进行处理的结果，其中输入值包括差异、所获得的任意一个值和至少一个对应于参考日期的激素的浓度。
在本申请所公开的一些实施方案中，所述方法可以还包括获得目标日期与参考日期之间的天数间隔。
在本文中，基于包括至少一个对应于参考日期的激素的浓度和差异在内的值来获得对于甲状腺功能不良的预测结果可以是基于包括至少一个对应于参考日期的激素的浓度、差异和目标日期与参考日期之间的天数间隔在内的值来获得对于甲状腺功能不良的预测结果，并且对于甲状腺功能不良的预测结果可以是通过甲状腺功能不良预测模型对输入值进行处理的结果，其中输入值包括差异、目标日期与参考日期之间的天数间隔和至少一个对应于参考日期的激素的浓度。
在本申请所公开的一些实施方案中，对应于目标日期的区间心率可以是对应于基于目标日期的预定期间的全部静息心率，并且对应于参考日期的区间心率可以是对应于基于参考日期的预定期间的全部静息心率。
在本文中，预定期间可以是选自8、9、10、11、12、13、14、15、16和17天中的任意一个。
在本申请所公开的一些实施方案中，甲状腺功能不良预测模型可以包括甲亢预测模型和甲减预测模型。
在本文中，对于甲状腺功能不良的预测结果可以通过考虑第一预测结果和第二预测结果来确定，在第一预测结果中通过甲亢预测模型来处理包括至少一个激素浓度和差异在内的输入值，在第二预测结果中通过甲减预测模型来处理包括至少一个激素浓度和差异在内的输入值。
有利效果
根据本申请中的公开内容，可以提供一种预测模型，其能够基于使用普通人可以使用的个人电子设备而不是专业医疗诊断设备所获得的心率信息来预测甲状腺功能不良。
根据本申请中的公开内容，可以提供一种上述能够基于心率信息来预测甲状腺功能不良的预测模型的训练方法。
根据本申请中的公开内容，提供了一种方法和系统，其用于使普通人能够在无需医生帮助和亲自去医院就诊的情况下通过使用上述能够基于心率信息来预测甲状腺功能不良的预测模型来连续监测甲状腺功能不良。
附图说明
图1是示出了根据本申请中所描述的一个实施方案的一种用于预测甲状腺功能不良的系统的示意图。
图2是示出了本申请中所描述的一种心率测量设备的框图。
图3是示出了本申请中所描述的一种用户终端的框图。
图4是示出了本申请中所描述的一种服务器的框图。
图5是示出了本申请中所描述的一种用于预测甲状腺功能不良的方法的流程图。
图6是示出了本申请中所描述的一种用于预测甲状腺功能不良的方法的流程图。
具体实施方式
根据以下参考附图的详细描述，本申请的上述目的、特征和优点将变得更加明显。另外，可以对本申请进行各种修改，并且可以实施本申请的各种实施方案。因此，下面将参考附图对具体实施方案进行详细描述。
在整个说明书中，相同的标号原则上表示相同的元件。另外，在实施方案的附图中示出的相同范围内具有相同功能的元件使用相同的标号来描述，并且将省略多余的描述。
当被确定为混淆本申请的本质和主旨时，省略了与本申请相关的众所周知的功能或配置的详细描述。另外，在整个本说明书中，术语第一、第二等仅用于区分一个元件与另一个元件。
此外，在下面的描述中用于命名元件的术语“模块”和“部件”仅考虑到撰写本说明书的容易性而使用。这些术语并不旨在具有不同的特殊含义或功能，并且因此可以单独或互换地使用。
在以下实施方案中，除非在上下文中具有明显不同的含义，否则以单数形式使用的表述涵盖复数形式的表述。
在以下实施方案中，应当理解的是，诸如“包括(包含)”、“具有”等的术语旨在指明存在说明书中所公开的特征或元件，而不旨在排除可以添加一个或多个其它特征或元件的可能性。
为了便于描述，附图中的元件的尺寸可能被放大或缩小。例如，为了便于描述，示出了附图中所示的每个元件的任何尺寸和厚度，并且本公开内容不限于此。
在其中以其它方式实现特定实施方案的情况下，可以不按照所描述的顺序来执行特定过程。例如，连续描述的两个过程可以基本上同时执行，或者可以以与所描述的顺序相反的顺序进行。
在以下实施方案中，当元件被称为彼此连接时，元件彼此直接连接或者元件利用其间的介入元件彼此间接连接。例如，在本说明书中，当元件被称为彼此电连接时，元件彼此直接电连接或者元件利用其间的介入元件间接电连接。
根据本申请的一个实施方案，公开了一种用于预测受试者的甲状腺功能不良的方法。该用于预测受试者的甲状腺功能不良的方法包括：获得触发信号；基于所获得的触发信号来确定目标日期；获得对应于所确定的目标日期的区间心率；获得受试者的对于所获得的对应于所确定的目标日期的区间心率的第一预处理结果，其中该第一预处理结果包括至少一个与对应于目标日期的区间心率的平均值和分布相关的参数；获得受试者的至少一个与对应于参考日期的甲状腺相关的激素的浓度；获得受试者的对于对应于参考日期的区间心率的第二预处理结果，其中该第二预处理结果包括至少一个与对应于参考日期的区间心率的平均值和分布相关的参数；获得第一预处理结果相对于第二预处理结果的差异；和获得对于甲状腺功能不良的预测结果，该预测结果是基于包括至少一个与对应于参考日期的甲状腺相关的激素的浓度和差异在内的值而获得的，其中对于甲状腺功能不良的预测结果可以是通过甲状腺功能不良预测模型对输入值进行处理的结果，其中输入值包括差异和至少一个与对应于参考日期的甲状腺相关的激素的浓度。
在本申请所公开的一些实施方案中，至少一个与对应于目标日期的区间心率的分布相关的参数可以包括对应于目标日期的区间心率的标准偏差、偏度和峰度，并且至少一个与对应于参考日期的区间心率的分布相关的参数可以包括对应于参考日期的区间心率的标准偏差、偏度及峰度。
在本申请所公开的一些实施方案中，第一预处理结果相对于第二预处理结果的差异可以是选自由以下各项组成的组中的一个：1)目标日期的区间心率的平均值相对于参考日期的变化量，2)目标日期的区间心率的平均值相对于参考日期的变化率，3)目标日期的标准偏差相对于参考日期的变化量，4)目标日期的相对标准偏差相对于参考日期的变化量，5)目标日期的偏度相对于参考日期的变化量，6)目标日期的峰度相对于参考日期的变化量，7)对应于参考日期的区间心率与对应于目标日期的区间心率之间的JS散度，或它们的组合。
在本申请所公开的一些实施方案中，至少一个对应于参考日期的激素的浓度可以选自由以下各项组成的组中的一个：1)促甲状腺激素(TSH)的浓度，2)四碘甲状腺原氨酸(T4)的浓度，3)血清中的游离T4(游离T4)的浓度，4)三碘甲状腺原氨酸(T3)的浓度，5)血清中的游离T3(游离T3)的浓度，6)促甲状腺素释放激素(TRH)的浓度，或它们的组合。
在本申请所公开的一些实施方案中，所述方法可以还包括从由以下各项组成的组中获得第一值和第二值：1)目标日期的区间心率的平均值相对于参考日期的变化量，2)目标日期的区间心率的平均值相对于参考日期的变化率，3)目标日期的标准偏差相对于参考日期的变化量，4)目标日期的相对标准偏差相对于参考日期的变化量，5)目标日期的偏度相对于参考日期的变化量，6)目标日期的峰度相对于参考日期的变化量，7)对应于参考日期的区间心率与对应于目标日期的区间心率之间的JS散度，8)对应于参考日期的受试者的促甲状腺激素(TSH)的浓度，9)对应于参考日期的受试者的四碘甲状腺原氨酸(T4)的浓度，10)对应于参考日期的受试者血清中的游离T4(游离T4)的浓度，11)对应于参考日期的受试者的三碘甲状腺原氨酸(T3)的浓度，12)对应于参考日期的受试者血清中的游离T3(游离T3)的浓度，13)对应于参考日期的受试者的促甲状腺素释放激素(TRH)的浓度；并且获得i)通过第一值乘以第二值所获得的值、ii)通过将第一值除以第二值所获得的值和iii)通过将第二值除以第一值所获得的值之中的任意一个值。
在本文中，基于包括至少一个对应于参考日期的激素的浓度和差异在内的值来获得对于甲状腺功能不良的预测结果可以是基于包括至少一个对应于参考日期的激素的浓度、差异和所获得的任意一个值在内的值来获得对于甲状腺功能不良的预测结果，并且对于甲状腺功能不良的预测结果可以是通过甲状腺功能不良预测模型对输入值进行处理的结果，其中输入值包括差异、所获得的任意一个值和至少一个对应于参考日期的激素的浓度。
在本申请所公开的一些实施方案中，所述方法可以还包括获得目标日期与参考日期之间的天数间隔。
在本文中，基于包括至少一个对应于参考日期的激素的浓度和差异在内的值来获得对于甲状腺功能不良的预测结果可以是基于包括至少一个对应于参考日期的激素的浓度、差异和目标日期与参考日期之间的天数间隔在内的值来获得对于甲状腺功能不良的预测结果，并且对于甲状腺功能不良的预测结果可以是通过甲状腺功能不良预测模型对输入值进行处理的结果，其中输入值包括差异、目标日期与参考日期之间的天数间隔和至少一个对应于参考日期的激素的浓度。
在本申请所公开的一些实施方案中，对应于目标日期的区间心率可以是对应于基于目标日期的预定期间的全部静息心率，并且对应于参考日期的区间心率可以是对应于基于参考日期的预定期间的全部静息心率。
在本文中，预定期间可以是选自8、9、10、11、12、13、14、15、16和17天中的任意一个。
在本申请所公开的一些实施方案中，甲状腺功能不良预测模型可以包括甲亢预测模型和甲减预测模型。
在本文中，对于甲状腺功能不良的预测结果可以通过考虑第一预测结果和第二预测结果来确定，在第一预测结果中通过甲亢预测模型来处理包括至少一个激素浓度和差异在内的输入值，在第二预测结果中通过甲减预测模型来处理包括至少一个激素浓度和差异在内的输入值。
1.术语的定义
心率
在本说明书中，术语“心率”是指每单位时间的心跳次数。例如，心率可以被测量为每分钟心跳次数(bpm)。同时，在本说明书中，除非另有说明或者该术语用于一般科学解释的目的，否则“心率”被解释为对应于测量心率的时间点(估计时间点)或与其有关联。
静息期间
在本说明书中，术语“静息期间”是指人的身体运动处于或低于特定水平的期间。一般而言，“静息期间”是指受试者清醒且不动的期间，但是本说明书中的术语“静息期间”也指受试者睡着的期间。
静息心率
在本说明书中，术语“静息心率”是指测量心率的时间点在人的静息期间内的心率。
特别地，本说明书中的表述“对应于第X天的静息心率”可以指对应于在从第X天的凌晨12:00:00至第X天的晚上11:59:59的期间内所包括的静息期间的所有心率。
然而，考虑到i)静息期间一般包括人的睡眠时间以及ii)考虑到人们的睡眠习惯，许多人在凌晨12:00:00之前开始睡觉，本说明书中的“对应于第X天的静息心率”可以包括对应于从人在紧接第X天的前一天(下文中称为第X-1天)开始睡眠的时间到第X-1天的晚上11:59:59的期间的静息心率。类似地，“对应于第X天的静息心率”可以不包括对应于从人在第X天开始睡觉的时间到第X天的晚上11:59:59的期间的静息心率。即，对应于人从第X天开始睡觉的时间到第X天的晚上11:59:59的期间的静息心率可以在包括如上所述的“对应于在第X天之后的后一天(以下称为第X+1天)的静息心率”中。
区间心率(期间心率)
在本说明书中，术语“区间心率(期间心率)”是指对应于两天或更多天的期间的所有静息心率。在本说明书中，术语“区间静息心率(期间静息心率)”和术语“区间心率”可以作为具有相同的含义使用。
区间平均心率(期间平均心率)
在本说明书中，术语“区间平均心率(期间平均心率)”是指在两天或更多天的期间内所测量的静息心率(即，区间心率)的平均值。例如，五天的期间平均心率是指对应于第一天的静息心率、对应于第二天的静息心率、对应于第三天的静息心率、对应于第四天的静息心率、对应于第五天的静息心率的平均值。在本说明书中，术语“区间心率的平均值(期间心率的平均值)”和术语“期间平均心率”可以作为具有相同的含义使用。
甲状腺激素
在本说明书中，术语“甲状腺激素”的含义包括：甲状腺素(T4)或四碘甲状腺原氨酸，它们是由甲状腺分泌的激素；血清游离T4，其是血清中的游离T4；三碘甲状腺原氨酸(T3)，其是通过转化以从T4中除去碘而产生的；血清游离T3，其是血清中的游离T3；由脑下垂体分泌的促甲状腺激素(TSH)；和促甲状腺素释放激素(TRH)。
同时，在本说明书中，术语“激素”和术语“甲状腺激素”可以作为具有相同的含义使用。
甲亢
在本说明书中，术语“甲亢”是指其中由于由甲状腺所分泌的激素过度产生或分泌或者由于其它因素导致血液中的甲状腺激素浓度过度升高的病症，并且是指由其产生的所有临床病理学症状。
甲减
在本说明书中，术语“甲减”是指其中由于由甲状腺所分泌的激素太少产生或分泌或者由于其它因素导致血液中的甲状腺激素浓度过度降低的病症，并且是指由其产生的所有临床病理学症状。
甲状腺功能不良
在本说明书中，术语“甲状腺功能不良”具有包括上述的“甲减”和“甲亢”两者在内的含义。
2.训练方法
概述
在2017年，为了解决上述相关领域中的问题并开发满足市场需求的技术，本申请的申请人完成了方法和系统的技术开发，并申请了与其相关的专利。所述方法和系统通过使用对应于确定患者的甲状腺功能是“正常”的时间点的心率和当前心率作为主要输入变量，基于心率与甲亢之间的相关性，来确定患者的当前状态是甲状腺功能正常的状态还是当前状态是甲状腺功能异常(即，甲亢或甲减)的状态。
然而，本申请的申请人开发的技术存在几个问题。
首先，在正常甲状腺功能下的心率(预定期间内的期间平均心率)因人而异，因此通过简单地使用正常状态下的心率和当前状态下的心率作为因素，在推导输出甲状腺是否功能不良的函数方面存在困难。
其次，由于使用“正常”状态下的心率作为因素，所以当在激素水平测试的当天确定“甲亢”或“甲减”而不是“正常”时，不能应用上述技术。
由于上述的这些问题，传统开发的技术准确性低并且使用不方便，并且因此不足以满足要求必需用于连续监测的市场需求。
为了解决这些问题，本申请人提出了本说明书中描述的基于机器学习的甲状腺功能不良预测模型。
此外，在训练用于预测甲状腺功能不良的预测模型时，在创建个性化预测模型方面存在几个问题，因此本申请人分析了用于训练预测模型的数据的属性，并以各种方式训练该模型，目的是提高预测的准确性，并且因此找到了一些有意义的用于提高预测模型的准确性的训练方法，并在本说明书中公开了用于提高准确性的训练方法。
临床数据的收集
首先描述的是一种收集用于训练本申请中描述的预测模型的基本临床数据的方法。
(1)选择患有甲亢或甲减的患者。
(2)获得所选患者的个人信息。例如，获得包括所选患者的姓名、性别、年龄、体重、身高等在内的患者的个人信息。
(3)为每个所选的患者提供可佩戴在他或她的手腕上并且具有测量患者心率的功能的可穿戴设备。
(4)对于每个所选的患者，当所选的患者去医院就诊并进行甲状腺激素测试时，在通过提供给患者的可穿戴设备所测量的心率之中获得对应于测试日期的区间心率(期间心率)。
(5)对于每个所选的患者，获得测试日期的甲状腺激素的浓度值。
(6)对于每个所选的患者，获得基于甲状腺激素测试结果的医生对该患者的诊断结果。即，获得甲状腺激素测试结果和关于患者处于甲亢、甲减和正常之中的状态的信息。
因此，如果一名患者测试了一次甲状腺激素测试，则可以获得一个数据集，这包括：i)患者的个人信息，ii)测试日期，iii)对应于测试日期的区间心率，iv)根据在测试日期进行的测试得出的甲状腺激素的浓度，和v)根据在测试日期进行的测试的结果得出的医生对甲状腺功能不良的诊断结果。
也就是说，如果从100名患者获得根据每个患者四个激素测试结果的平均值的数据集，则获得总共400个数据集，并且如果从300名患者获得根据每个患者三个激素测试结果的平均值的数据集，则获得总共900个数据集。
建议患有甲状腺功能不良的患者每三个月去医院就诊一次，并进行采血测试以用于激素水平测试。因此，从根本上说，为了以上述方式充分地获得数据集，必需增加目标是收集数据集的患者的数量或者将获得每个患者的数据集的期间延长至几年或更长。也就是说，目前的情况是，获得大量与甲状腺功能不良相关的临床数据需要投入巨大的费用或投入大量的时间。
训练方法实施方案#1。与参考日期的心率的差异值、和参考日期的激素值
根据本申请中描述的第一示例性实施方案，为了训练学习模型，可以使用通过从对应于第一测试日期的期间平均心率减去对应于第二测试日期的期间平均心率而获得的值和第二测试日期的激素浓度作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
在本文中，作为学习模型，可以使用包括轻量级梯度提升机(light gradientboosting machine)、支持向量机(support vector machine)、随机森林(random forest)、极端随机树(extra tree)、自适应增强(ada boost)、极限梯度提升(extreme gradientboosting)、CatBoost等在内的分类模型。
学习模型包括用于预测甲亢的甲亢预测模型和用于预测甲减的甲减预测模型。
根据第一示例性实施方案，当训练甲亢预测模型时，不能使用所有获得的临床数据，而仅可以使用作为诊断结果至少一次被诊断为甲亢的患者的临床数据作为训练数据。
在下文中，为了描述方便，作为诊断结果已经至少一次被诊断为甲亢的患者可以被称为“甲亢患者”。
同时，在计算期间平均心率时，可以使用基于特定日期预先确定的预定期间的静息心率，其中预定期间可以是以下中的一个：1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29和30天。
根据第一示例性实施方案，为了训练甲亢预测模型，可以使用甲亢患者的临床数据来生成诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集。
例如，假设从第一个甲亢患者获得了总共三个数据集：第一个测试的诊断结果是“甲亢”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)并且第三个测试的诊断结果是“正常”(其中激素浓度为第三浓度)，则可以如下生成可从第一个甲亢患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，非甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，非甲亢]，和
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，非甲亢]。
作为另一个示例，假设从第二个甲亢患者获得了总共四个数据集：第一个测试的诊断结果是“甲亢”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)、第三个测试的诊断结果是“甲亢”(其中激素浓度为第三浓度)并且第四个测试的诊断结果是“正常”(其中激素浓度为第四浓度)，则可以如下生成可从第二个甲亢患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四浓度，甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四浓度，非甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四浓度，甲亢]，
[(对应于第四测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，非甲亢]，
[(对应于第四测试日期的期间平均心率-对应于第二测试日期的期间平均心率)、第二浓度、非甲亢]，
[(对应于第四测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，非甲亢]。
根据第一示例性实施方案，当训练甲减模型时，不能使用所有获得的临床数据，而仅可以使用作为诊断结果至少一次被诊断为甲减的患者的临床数据作为训练数据。
在下文中，为了描述方便，作为诊断结果已经至少一次被诊断为甲减的患者可以被称为“甲减患者”。
根据第一示例性实施方案，为了训练甲减预测模型，可以使用甲减患者的临床数据来生成诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲减或非甲减)]的格式的训练数据集。
例如，假设从第一个甲减患者获得了总共三个数据集：第一个测试的诊断结果是“甲减”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)并且第三个测试的诊断结果是“正常”(其中激素浓度为第三浓度)，则可以如下生成可从第一个甲减患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，甲减]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，非甲减]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，非甲减]，和
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，非甲减]。
作为另一个示例，假设从第二个甲减患者获得了总共四个数据集：第一个测试的诊断结果是“甲减”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)、第三个测试的诊断结果是“甲减”(其中激素浓度为第三浓度)并且第四个测试的诊断结果是“正常”(其中激素浓度为第四浓度)，则可以如下生成可从第二个甲减患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四浓度，甲减]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四浓度，非甲减]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，甲减]，
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，甲减]，
[(对应于第三测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四浓度，甲减]，
[(对应于第四测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一浓度，非甲减]，
[(对应于第四测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二浓度，非甲减]，和
[(对应于第四测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三浓度，非甲减]。
在第一示例性实施方案中，激素浓度可以是选自由以下各项组成的组中的一个：T4的浓度、游离T4的浓度、T3的浓度、游离T3的浓度、TSH的浓度和促甲状腺素释放激素(TRH)的浓度，或它们的组合。
训练方法实施方案#2。与参考日期的心率的差异值、目标日期的期间平均心率、和
参考日期的激素值
根据本申请中描述的第二示例性实施方案，为了训练学习模型，可以使用通过从对应于第一测试日期的期间平均心率减去对应于第二测试日期的期间平均心率而获得的值、第一测试日期的激素浓度和对应于第二测试日期的期间平均心率作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
在本文中，作为学习模型，可以使用包括轻量级梯度提升机、支持向量机、随机森林、极端随机树、自适应增强、极限梯度提升、CatBoost等在内的分类模型。
学习模型包括用于预测甲亢的甲亢预测模型和用于预测甲减的甲减预测模型。
根据第二示例性实施方案，当训练甲亢预测模型时，不能使用所有获得的临床数据，而仅可以使用作为诊断结果至少一次被诊断为甲亢的患者的临床数据作为训练数据。
在下文中，为了描述方便，作为诊断结果已经至少一次被诊断为甲亢的患者可以被称为“甲亢患者”。
同时，在计算期间平均心率时，可以使用基于特定日期预先确定的预定期间的静息心率，其中预定期间可以是以下中的一个：1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29和30天。
根据第二示例性实施方案，为了训练甲亢预测模型，可以使用甲亢患者的临床数据来生成诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集。
例如，假设从第一个甲亢患者获得了总共三个数据集：第一个测试的诊断结果是“甲亢”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)并且第三个测试的诊断结果是“正常”(其中激素浓度为第三浓度)，则可以如下生成可从第一个甲亢患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第二浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第三浓度，甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第一浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第三浓度，非甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第一浓度，非甲亢]，和
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第二浓度，非甲亢]。
作为另一个示例，假设从第二个甲亢患者获得了总共四个数据集：第一个测试的诊断结果是“甲亢”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)、第三个测试的诊断结果是“甲亢”(其中激素浓度为第三浓度)并且第四个测试的诊断结果是“正常”(其中激素浓度为第四浓度)，则可以如下生成可从第二个甲亢患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第二浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第三浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第四浓度，甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第一浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第三浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第四浓度，非甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第一浓度，甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第二浓度，甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第四浓度，甲亢]，
[(对应于第四测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第四测试日期的期间平均心率，第一浓度，非甲亢]，
[(对应于第四测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第四测试日期的期间平均心率，第二浓度，非甲亢]，和
[(对应于第四测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第四测试日期的期间平均心率，第三浓度，非甲亢]。
根据第二示例性实施方案，当训练甲减模型时，不能使用所有获得的临床数据，而仅可以使用作为诊断结果至少一次被诊断为甲减的患者的临床数据作为训练数据。
在下文中，为了描述方便，作为诊断结果已经至少一次被诊断为甲减的患者可以被称为“甲减患者”。
根据第二示例性实施方案，为了训练甲减预测模型，可以使用甲减患者的临床数据来生成诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲减或非甲减)]的格式的训练数据集。
例如，假设从第一个甲减患者获得了总共三个数据集：第一个测试的诊断结果是“甲减”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)并且第三个测试的诊断结果是“正常”(其中激素浓度为第三浓度)，则可以如下生成可从第一个甲减患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第二浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第三浓度，甲减]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第一浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第三浓度，非甲减]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第一浓度，非甲减]，和
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第二浓度，非甲减]。
作为另一个示例，假设从第二个甲减患者获得了总共四个数据集：第一个测试的诊断结果是“甲减”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)、第三个测试的诊断结果是“甲减”(其中激素浓度为第三浓度)并且第四个测试的诊断结果是“正常”(其中激素浓度为第四浓度)，则可以如下生成可从第二个甲减患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第二浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第三浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，对应于第一测试日期的期间平均心率，第四浓度，甲减]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第一浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第三浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，对应于第二测试日期的期间平均心率，第四浓度，非甲减]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第一浓度，甲减]，
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第二浓度，甲减]，
[(对应于第三测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，对应于第三测试日期的期间平均心率，第四浓度，甲减]，
[(对应于第四测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，对应于第四测试日期的期间平均心率，第一浓度，非甲减]，
[(对应于第四测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第四测试日期的期间平均心率，第二浓度，非甲减]，和
[(对应于第四测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，对应于第四测试日期的期间平均心率，第三浓度，非甲减]。
在第二示例性实施方案中，激素浓度可以是选自由以下各项组成的组中的一个：T4的浓度、游离T4的浓度、T3的浓度、游离T3的浓度、TSH的浓度和促甲状腺素释放激素(TRH)的浓度，或它们的组合。
训练方法实施方案#3。与参考日期的心率的差异值、参考日期的激素值、和分布的
变化
根据本申请中描述的第三示例性实施方案，为了训练学习模型，可以使用通过从对应于第一测试日期的期间平均心率减去对应于第二测试日期的期间平均心率而获得的值、通过从对应于第一测试日期的期间心率的标准偏差减去对应于第二测试日期的期间心率的标准偏差而获得的值和第二测试日期的激素浓度作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
在本文中，作为学习模型，可以使用包括轻量级梯度提升机、支持向量机、随机森林、极端随机树、自适应增强、极限梯度提升、CatBoost等在内的分类模型。
学习模型包括用于预测甲亢的甲亢预测模型和用于预测甲减的甲减预测模型。
根据第三示例性实施方案，当训练甲亢预测模型时，不能使用所有获得的临床数据，而仅可以使用作为诊断结果至少一次被诊断为甲亢的患者的临床数据作为训练数据。
在下文中，为了描述方便，作为诊断结果已经至少一次被诊断为甲亢的患者可以被称为“甲亢患者”。
同时，在计算期间平均心率时，可以使用基于特定日期预先确定的预定期间的静息心率，其中预定期间可以是以下中的一个：1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29和30天。
根据第三示例性实施方案，为了训练甲亢预测模型，可以使用甲亢患者的临床数据来生成诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第一测试日期的期间心率的标准偏差-对应于第二测试日期的期间心率的标准偏差)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集。
例如，假设从第一个甲亢患者获得了总共三个数据集：第一个测试的诊断结果是“甲亢”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)并且第三个测试的诊断结果是“正常”(其中激素浓度为第三浓度)，则可以如下生成可从第一个甲亢患者的临床数据获得的训练数据。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第一测试日期的期间心率的标准偏差-对应于第二测试日期的期间心率的标准偏差)，第二浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第三测试日期的期间心率的标准偏差)，第三浓度，甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第三测试日期的区间心率的标准偏差)，第三浓度，非甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，非甲亢]，和
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第二测试日期的区间心率的标准偏差)，第二浓度，非甲亢]。
作为另一个示例，假设从第二个甲亢患者获得了总共四个数据集：第一个测试的诊断结果是“甲亢”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)、第三个测试的诊断结果是“甲亢”(其中激素浓度为第三浓度)并且第四个测试的诊断结果是“正常”(其中激素浓度为第四浓度)，则可以如下生成可从第二个甲亢患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第一测试日期的期间心率的标准偏差-对应于第二测试日期的期间心率的标准偏差)，第二浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第三测试日期的期间心率的标准偏差)，第三浓度，甲亢]，
[(对应于第一测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第四测试日期的期间心率的标准偏差)，第四浓度，甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第三测试日期的区间心率的标准偏差)，第三浓度，非甲亢]，
[(对应于第二测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第四测试日期的区间心率的标准偏差)，第四浓度，非甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第二测试日期的区间心率的标准偏差)，第二浓度，甲亢]，
[(对应于第三测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第四测试日期的区间心率的标准偏差)，第四浓度，甲亢]，
[(对应于第四测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第四测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，非甲亢]，
[(对应于第四测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第四测试日期的区间心率的标准偏差-对应于第二测试日期的区间心率的标准偏差)，第二浓度，非甲亢]，和
[(对应于第四测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第四测试日期的区间心率的标准偏差-对应于第三测试日期的区间心率的标准偏差)，第三浓度，非甲亢]。
根据第三示例性实施方案，当训练甲减模型时，不能使用所有获得的临床数据，而仅可以使用作为诊断结果至少一次被诊断为甲减的患者的临床数据作为训练数据。
在下文中，为了描述方便，作为诊断结果已经至少一次被诊断为甲减的患者可以被称为“甲减患者”。
根据第三示例性实施方案，为了训练甲减预测模型，可以使用甲减患者的临床数据来生成诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第一测试日期的期间心率的标准偏差-对应于第二测试日期的期间心率的标准偏差)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲减或非甲减)]的格式的训练数据集。
例如，假设从第一个甲减患者获得了总共三个数据集：第一个测试的诊断结果是“甲减”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)并且第三个测试的诊断结果是“正常”(其中激素浓度为第三浓度)，则可以如下生成可从第一个甲减患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第一测试日期的期间心率的标准偏差-对应于第二测试日期的期间心率的标准偏差)，第二浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第三测试日期的期间心率的标准偏差)，第三浓度，甲减]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第三测试日期的区间心率的标准偏差)，第三浓度，非甲减]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，非甲减]，和
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第二测试日期的区间心率的标准偏差)，第二浓度，非甲减]。
作为另一个示例，假设从第二个甲减患者获得了总共四个数据集：第一个测试的诊断结果是“甲减”(其中激素浓度为第一浓度)、第二个测试的诊断结果是“正常”(其中激素浓度为第二浓度)、第三个测试的诊断结果是“甲减”(其中激素浓度为第三浓度)并且第四个测试的诊断结果是“正常”(其中激素浓度为第四浓度)，则可以如下生成可从第二个甲减患者的临床数据获得的训练数据集。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第一测试日期的期间心率的标准偏差-对应于第二测试日期的期间心率的标准偏差)，第二浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第三测试日期的期间心率的标准偏差)，第三浓度，甲减]，
[(对应于第一测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第四测试日期的期间心率的标准偏差)，第四浓度，甲减]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第三测试日期的区间心率的标准偏差)，第三浓度，非甲减]，
[(对应于第二测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，(对应于第二测试日期的区间心率的标准偏差-对应于第四测试日期的区间心率的标准偏差)，第四浓度，非甲减]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，甲减]，
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第二测试日期的区间心率的标准偏差)，第二浓度，甲减]，
[(对应于第三测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，(对应于第三测试日期的区间心率的标准偏差-对应于第四测试日期的区间心率的标准偏差)，第四浓度，甲减]，
[(对应于第四测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，(对应于第四测试日期的区间心率的标准偏差-对应于第一测试日期的区间心率的标准偏差)，第一浓度，非甲减]，
[(对应于第四测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第四测试日期的区间心率的标准偏差-对应于第二测试日期的区间心率的标准偏差)，第二浓度，非甲减]，和
[(对应于第四测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，(对应于第四测试日期的区间心率的标准偏差-对应于第三测试日期的区间心率的标准偏差)，第三浓度，非甲减]。
在第三示例性实施方案的以上描述中，使用标准偏差的差异值作为输入值。然而，可以使用选自由以下各项组成的组中任意一个值或它们的组合作为输入值：期间心率的标准偏差的差异值；期间心率的相对标准偏差的差异值；期间心率的偏度的差异值；期间心率的峰度的差异值；和表示在对应于第X测试日期的期间心率的分布与对应于第Y测试日期的期间心率的分布之间的差异的JS散度。所述组中的这些是关于在对应于第X测试日期的期间心率与对应于第Y测试日期的期间心率之间的关系来计算的。
训练方法实施方案#4。与参考日期的心率的差异值、目标日期的期间平均心率、参
考日期的激素值、和分布的变化
根据本申请中描述的第四示例性实施方案，为了训练学习模型，可以使用通过从对应于第一测试日期的期间平均心率减去对应于第二测试日期的期间平均心率而获得的值、通过从对应于第一测试日期的期间心率的标准偏差减去对应于第二测试日期的期间心率的标准偏差而获得的值、对应于第一测试日期的期间平均心率和第二测试日期的激素浓度作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
与第三示例性实施方案相比，除了进一步使用“第一测试日期的期间平均心率”作为输入值之外，第四示例性实施方案与第三示例性实施方案在其它方面几乎相同，因此将省略第四示例性实施方案的详细描述。
在第四示例性实施方案的以上描述中，标准偏差的差异值被用作输入值。然而，可以使用选自由以下各项组成的组中的任意一个值或它们的组合作为输入值：期间心率的标准偏差的差异值；期间心率的相对标准偏差的差异值；期间心率的偏度的差异值；期间心率的峰度的差异值；和表示在对应于第X测试日期的期间心率的分布与对应于第Y测试日期的期间心率的分布之间的差异的JS散度。所述组中的这些是关于在对应于第X测试日期的期间心率与对应于第Y测试日期的期间心率之间的关系来计算的。
训练方法实施方案#5。参考日期的心率的变化率、和参考日期的激素值
根据本申请中描述的第五示例性实施方案，为了训练学习模型，可以使用第一测试日期相对于第二测试日期的期间平均心率的变化率(即，(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/(对应于第二测试日期的期间平均心率))和第二测试日期的激素浓度作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
与第一示例性实施方案相比，除了使用“期间平均心率的变化率”来代替“期间平均心率的变化量”之外，第五示例性实施方案与第一示例性实施方案在其它方面几乎相同，因此将省略第五示例性实施方案的详细描述。
训练方法实施方案#6。参考日期的心率的变化率、目标日期的期间平均心率、和参
考日期的激素值
根据本申请中描述的第六示例性实施方案，为了训练学习模型，可以使用第一测试日期相对于第二测试日期的期间平均心率的变化率(即，(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/(对应于第二测试日期的期间平均心率))，对应于第一测试日期的期间平均心率和第二测试日期的激素浓度作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
与第五示例性实施方案相比，除了进一步使用“第一测试日期的期间平均心率”作为输入值之外，第六示例性实施方案与第五示例性实施方案在其它方面几乎相同，因此将省略第六示例性实施方案的详细描述。
训练方法实施方案#7。参考日期的心率的变化率、参考日期的激素值、和分布的变
化
根据本申请中描述的第七示例性实施方案，为了训练学习模型，可以使用第一测试日期相对于第二测试日期的期间平均心率的变化率(即，(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/(对应于第二测试日期的期间平均心率))、第一测试日期相对于第二测试日期的期间心率的相对标准偏差的变化量(即，(对应于第一测试日期的期间心率的标准偏差/对应于第一测试日期的期间平均心率)-(对应于第二测试日期的期间心率的标准偏差/对应于第二测试日期的期间平均心率))和第二测试日期的激素浓度作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
与第五示例性实施方案相比，除了进一步使用“区间心率的相对标准偏差的变化量”作为输入值之外，第七示例性实施方案与第五示例性实施方案在其它方面几乎相同。因此，将省略第七示例性实施方案的详细描述。
在第七示例性实施方案的以上描述中，相对标准偏差的差异值被用作输入值。然而，可以使用选自由以下各项组成的组中的任意一个值或它们的组合作为输入值：期间心率的标准偏差的差异值；期间心率的相对标准偏差的差异值；期间心率的偏度的差异值；期间心率的峰度的差异值；和表示在对应于第X测试日期的期间心率的分布与对应于第Y测试日期的期间心率的分布之间的差异的JS散度。所述组中的这些是关于在对应于第X测试日期的期间心率与对应于第Y测试日期的期间心率之间的关系来计算的。
训练方法实施方案#8。参考日期的心率的变化率、目标日期的期间平均心率、参考
日期的激素值、和分布的变化
根据本申请中描述的第八示例性实施方案，为了训练学习模型，可以使用第一测试日期相对于第二测试日期的期间平均心率的变化率(即，(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/(对应于第二测试日期的期间平均心率))，第一测试日期相对于第二测试日期的区间心率的相对标准偏差的变化量(即，(对应于第一测试日期的期间心率的标准偏差/对应于第一测试日期的期间平均心率)-(对应于第二测试日期的期间心率的标准偏差/对应于第二测试日期的期间平均心率))、对应于第一测试日期的期间平均心率、和第二测试日期的激素浓度作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
与第七示例性实施方案相比，除了进一步使用“第一参考日期的期间平均心率”作为输入值之外，第八示例性实施方案与第七示例性实施方案在其它方面几乎相同，因此将省略第八示例性实施方案的详细描述。
在第八示例性实施方案的以上描述中，相对标准偏差的差异值被用作输入值。然而，可以使用选自由以下各项组成的组中的任意一个值或它们的组合作为输入值：期间心率的标准偏差的差异值；期间心率的相对标准偏差的差异值；期间心率的偏度的差异值；期间心率的峰度的差异值；和表示在对应于第X测试日期的期间心率的分布与对应于第Y测试日期的期间心率的分布之间的差异的JS散度。该组中的这些是关于在对应于第X测试日期的期间心率与对应于第Y测试日期的期间心率之间的关系来计算的。
训练方法实施方案#9。参考日期的心率的变化率(或变化量)、参考日期的激素值、
分布的变化、和测试日期之间的天数间隔
根据本申请中描述的第九示例性实施方案，为了训练学习模型，可以使用第一测试日期相对于第二测试日期的期间平均心率的变化率(即，(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/(对应于第二测试日期的期间平均心率))，第一测试日期相对于第二测试日期的期间心率的相对标准偏差的变化量(即，(对应于第一测试日期的期间心率的标准偏差/对应于第一测试日期的期间平均心率)-(对应于第二测试日期的期间心率的标准偏差/对应于第二测试日期的期间平均心率))、第二测试日期的激素浓度、和第一测试日期与第二测试日期之间的天数间隔(天)作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
与第七示例性实施方案相比，除了进一步使用第一测试日期与第二测试日期之间的天数间隔作为输入值之外，第九示例性实施方案与第七示例性实施方案几乎相同，因此将省略对第九示例性实施方案的详细描述。
在第九示例性实施方案的以上描述中，相对标准偏差的差异值被用作输入值。然而，可以使用选自由以下各项组成的组中的任意一个值或它们的组合作为输入值：期间心率的标准偏差的差异值；期间心率的相对标准偏差的差异值；期间心率的偏度的差异值；期间心率的峰度的差异值；和表示在对应于第X测试日期的期间心率的分布与对应于第Y测试日期的期间心率的分布之间的差异的JS散度。该组中的这些是关于在对应于第X测试日期的期间心率与对应于第Y测试日期的期间心率之间的关系来计算的。
同时，代替使用参考日期的心率的变化率和相对标准偏差的变化量，可以使用参考日期的心率的变化量和标准偏差的变化量。在这种情况下，除了相对标准偏差的变化量之外，还可以使用选自由以下各项组成的组中的任意一个值或它们的组合作为输入值：期间心率的标准偏差的差异值；期间心率的相对标准偏差的差异值；期间心率的偏度的差异值；期间心率的峰度的差异值；和表示在对应于第X测试日期的期间心率的分布与对应于第Y测试日期的期间心率的分布之间的差异的JS散度。该组中的这些是关于在对应于第X测试日期的期间心率与对应于第Y测试日期的期间心率之间的关系来计算的。
训练方法实施方案#10。变量的组合
根据本申请中描述的第十示例性实施方案，为了训练学习模型，可以进一步使用以下[表1]中所示的变量的组合值作为输入值。
[表1]
| 编号 | 变量 |
| 1 | 期间平均心率的变化量 |
| 2 | 期间平均心率的变化率 |
| 3 | 标准偏差的变化量 |
| 4 | 相对标准偏差的变化量 |
| 5 | 期间心率的偏度的变化量 |
| 6 | 期间心率的峰度的变化量 |
| 7 | JS散度 |
| 8 | 第二参考日期的TSH浓度 |
| 9 | 第二参考日期的游离T4浓度 |
| 10 | 第二参考日期的T4浓度 |
| 11 | 第二参考日期的游离T3浓度 |
| 12 | 第二参考日期的T3浓度 |
| 13 | 第二参考日期的TRH浓度 |
当关于第一参考日期的第一期间平均心率、第一标准偏差、第一偏度、第一峰度、第一TSH激素浓度、第一游离T4浓度、第一T4浓度、第一游离T3浓度、第一T3浓度、第一TRH浓度、和对于甲状腺功能不良的诊断结果对应于第一参考日期，并且关于第二参考日期的第二期间平均心率、第二标准偏差、第二偏度、第二峰度、第二TSH激素浓度、第二游离T4浓度、第二T4浓度、第二游离T3浓度、第二T3浓度、第二TRH浓度、和对于甲状腺功能不良的诊断结果对应于第二参考日期时，变量计算如下。
(1)期间平均心率的变化量＝第二参考日期的期间平均心率-第一参考日期的期间平均心率
(2)期间平均心率的变化率＝(第二参考日期的期间平均心率-第一参考日期的期间平均心率)/第二参考日期的期间平均心率
(3)标准偏差的变化量＝第二参考日期的期间心率的标准偏差-第一参考日期的期间心率的标准偏差
(4)相对标准偏差的变化量＝(第二参考日期的期间心率的标准偏差/第二参考日期的期间平均心率)-(第一参考日期的期间心率的标准偏差/第一参考日期的期间平均心率)
(5)期间心率的偏度的变化量＝第二参考日期的期间心率的偏度-第一参考日期的期间心率的偏度
(6)期间心率的峰度的变化量＝第二参考日期的期间心率的峰度-第一参考日期的期间心率的偏度
(7)JS散度：在第二参考日期的期间心率与第一参考日期的期间心率之间计算的JS散度
在本文中，变量的组合值是指以下中的一个：通过将从变量中选择的一个值(下文中，称为第一值)乘以从变量中选择的另一个值(下文中，称为第二值)而获得的值；通过将第一值除以第二值而获得的值；和通过将第二值除以第一值而获得的值。例如，组合值可以是通过将第二参考日期的游离T4浓度值除以JS散度而获得的值。
理论上，组合值的数量可以为12*11＝132。
同时，可以使用变量的两个或更多个组合值。
当根据第十示例性实施方案训练学习模型时，输入值可以为如下。
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，期间平均心率的标准偏差的变化量，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，第一参考日期的期间平均心率，上述组合值中的至少一个]
[期间平均心率的变化量、第二测试日期的激素浓度中的至少一个，期间平均心率的标准偏差的变化量，第一参考日期的期间平均心率，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，期间平均心率的标准偏差的变化量，第一参考日期的期间平均心率，在第一参考日期与第二参考日期之间的天数间隔，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，上述组合值中的至少一种]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的相对标准偏差的变化量，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，第一参考日期的期间平均心率，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的相对标准偏差的变化量，第一参考日期的期间平均心率，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的相对标准偏差的变化量，第一参考日期的期间平均心率，在第一参考日期与第二参考日期之间的天数间隔，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，期间平均心率的偏度或峰度的变化量或者JS散度，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，期间平均心率的偏度或峰度的变化量或者JS散度，第一参考日期的期间平均心率，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，期间平均心率的偏度或峰度的变化量或者JS散度，第一参考日期的期间平均心率，在第一参考日期和第二参考日期之间的天数间隔，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的偏度或峰度的变化量或者JS散度，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的偏度或峰度的变化量或者JS散度，第一参考日期的期间平均心率，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的偏度或峰度的变化量或者JS散度，第一参考日期的期间平均心率，在第一参考日期和第二参考日期之间的天数间隔，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，期间平均心率的标准偏差的变化量，期间平均心率的偏度或峰度的变化量或者JS散度，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，期间平均心率的标准偏差的变化量，期间平均心率的偏度或峰度的变化量或者JS散度，第一参考日期的期间平均心率，上述组合值中的至少一个]
[期间平均心率的变化量，第二测试日期的激素浓度中的至少一个，期间平均心率的标准偏差的变化量，期间平均心率的偏度或峰度的变化量或者JS散度，第一参考日期的期间平均心率，在第一参考日期与第二参考日期之间的天数间隔，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的相对标准偏差的变化量，期间平均心率的偏度或峰度的变化量或者JS散度，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的相对标准偏差的变化量，期间平均心率的偏度或峰度的变化量或者JS散度，第一参考日期的期间平均心率，上述组合值中的至少一个]
[期间平均心率的变化率，第二测试日期的激素浓度中的至少一个，期间平均心率的相对标准偏差的变化量，期间平均心率的偏度或峰度的变化量或者JS散度，第一参考日期的期间平均心率，在第一参考日期与第二参考日期之间的天数间隔，上述组合值中的至少一个]
同时，当根据第十示例性实施方案训练学习模型时，标记值可以是第一测试日期的诊断结果。例如，在训练甲亢预测模型的情况下，当第一测试日期的诊断结果是“甲亢”时，可以将标记值标记为“甲亢”，或者当第一测试日期的诊断结果是“正常”时，可以将标记值标记为“非甲亢”。在训练甲减预测模型的情况下，当第一测试日期的诊断结果是“甲减”时，可以将标记值标记为“甲减”，或者当第一测试日期的诊断结果是“正常”时，可以将标记值标记为“非甲减”。
训练方法实施方案#11。个人信息如性别、年龄等的使用
根据本申请中描述的第十一示例性实施方案，为了训练学习模型，除了以上在第一示例性实施方案至第十示例性实施方案中描述的输入值之外，还可以使用受试者的个人信息作为输入值。例如，受试者的性别和/或年龄可以用作输入值。
例如，当除了第一示例性实施方案中描述的输入值之外还使用受试者的性别和年龄作为输入值时，可以使用第一测试日期相对于第二测试日期的期间平均心率的变化率(即，(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/(对应于第二测试日期的期间平均心率))、对应于第一测试日期的期间平均心率、第二测试日期的激素浓度、性别和年龄作为输入值，并且可以使用对应于第一测试日期的诊断结果作为标记值。
将省略对受试者的个人信息以及在第一示例性实施方案至第十示例性实施方案中描述的输入值的进一步使用的详细描述。
同时，虽然已经描述了使用性别和年龄二者作为受试者的个人信息，但是其中仅使用性别或年龄而不是一起使用性别和年龄的实施方案可以是可能的，并且还可以使用除性别和年龄之外的其它类型的个人信息。
在下文中，将描述通过使用本申请中描述的预测模型来预测受试者的甲状腺功能不良的方法和系统。
3.整个系统
(1)系统的硬件构建
图1是示出了根据本申请中描述的实施方案的一种用于预测甲状腺功能不良的系统的示意图。
参考图1，系统1包括多个心率测量装置10、多个用户终端20、和服务器30。
在下文中，将详细描述多个心率测量装置10、多个用户终端20、和服务器30。
(2)心率测量装置的功能
多个心率测量装置10可以测量受试者(用户)的心率。例如，心率测量装置10可以测量受试者每单位时间的心率(每分钟心跳数)。即，心率测量装置10可以测量受试者的每分钟心率。
多个心率测量装置10可以存储所测量的受试者的心率。在本文中，当存储多个心率时，心率测量装置10将测量这些心率(每单位时间的心率)的时间点与其匹配，并且将时间点一起存储。
多个心率测量装置10可以将所存储的心率发送至多个用户终端20和/或服务器30。
多个心率测量装置10可以从服务器30或用户终端20接收对于甲状腺功能不良的预测结果。
(3)心率测量装置的类型
心率测量装置可以是可穿戴手表、可穿戴带状物或贴片型装置。
(3)用户终端的功能
多个用户终端20通过各种网络向服务器30发送信息，并从服务器30接收信息。
多个用户终端20可以从心率测量装置10接收所测量的心率，并且可以存储接收到的心率。
多个用户终端20可以预处理所存储的心率。作为一个示例，用户终端20可以从所有存储的心率中选择在静息期期间测量的心率。作为另一个示例，用户终端20可以基于所有存储的心率中的特定日期来选择上述期间心率。作为又一个示例，用户终端20可以计算基于特定日期选择的期间心率的平均值。作为又一个示例，用户终端20可以计算基于特定日期选择的期间心率的标准偏差、相对标准偏差、偏度、峰度等。
多个用户终端20可以获得对于用户的激素浓度的测试日期，并且可以获得对应于测试日期的测试结果(例如，激素浓度和/或医生的诊断结果)。多个用户终端20可以通过用户的输入或者通过利用网络从外部接收测试日期及与其对应的测试结果来获得测试日期及与其对应的测试结果。
多个用户终端20可以将所存储的心率和/或预处理后的结果发送至服务器30。
多个用户终端20可以将测试日期和测试结果发送至服务器30。
多个用户终端20可以从服务器30接收通过该服务器30处理的对于甲状腺功能不良的预测结果。
(4)用户终端的类型
多个用户终端20可以是智能手机、平板PC、膝上型电脑和台式机中的至少一种。
(5)服务器的功能
服务器30通过各种网络将信息发送至多个用户终端20，并从多个用户终端20接收信息。
服务器30可以从多个用户终端20接收所测量的心率中的全部或一部分。在本文中，服务器30可以预处理所接收的心率。
可选地，服务器30可以从多个用户终端20接收由该用户终端20预处理后的结果。
另外，服务器30可为每个用户获取激素浓度的测试日期和与其相对应的测试结果。测试日期和测试结果可以从用户终端20或其它外部装置接收。
服务器30可以基于预处理后的结果获得对于受试者的甲状腺功能不良的预测结果。
服务器30可以将对于甲状腺功能不良的预测结果发送至心率测量装置10和/或多个用户终端20。
(6)系统的软件构建
为了使系统1运行，需要若干软件构建。
为了在用户终端20和服务器30之间进行通信，需要在多个用户终端20上安装终端软件，并且需要在服务器30上安装服务器软件。
可以使用多个预测模型来基于预处理后的结果预测甲状腺功能不良。
多个预测模型可以通过安装在服务器30上的软件运行。可选地，多个预测模型可以通过安装在用户终端20上的终端软件运行。可选地，多个学习模型中的一些可以由用户终端20执行，而另一些可以由服务器30执行。
(7)心率测量装置的元件
图2是示出了本申请中所描述的心率测量装置的框图。
参考图2，本申请中描述的心率测量装置10包括输出部110、通信部120、存储器130、心率测量部140和控制器150。
输出部110根据控制器150的控制命令输出各种类型的信息。根据一个实施方案，输出部110可以包括用于向用户以视觉方式输出信息的显示器112。可选地，尽管在附图中未示出，但是可以包括用于向用户以听觉方式输出信息的扬声器和用于向用户以触觉方式输出信息的振动电机。
通信部120可以包括无线通信模块和/或有线通信模块。在本文中，无线通信模块的实例可以包括Wi-Fi通信模块、蜂窝通信模块等。
存储器130在其中存储由控制器150可读的可执行代码、处理后的结果值、必要的数据等。存储器130的实例可以包括硬盘驱动器(HDD)、固态盘(SSD)、硅盘驱动器(SDD)、ROM、RAM等。存储器130可以在其中存储上述终端软件，并且可以在其中存储用于实现上述各种预处理算法和/或学习模型的可执行代码。此外，存储器130可以在其中存储通过心率测量部140获取的受试者的心率和测量心率的时间点。
心率测量部140可以测量受试者(用户)的每分钟心率。一种测量受试者的每分钟心率的方法是众所周知的，因此将省略其详细描述。
控制器150可以包括至少一个处理器。在本文中，处理器中的每一个可以通过执行存储在存储器130中的至少一个指令来进行预定操作。具体地，控制器150可以根据在心率测量装置10上运行的终端软件、预处理算法和/或学习模型来处理信息。同时，控制器150控制心率测量装置10的总体操作。
虽然在附图中未示出，但是心率测量装置10可以包括用户输入部。心率测量装置10可以通过用户输入部从用户接收对于心率测量装置10的操作所需的各种类型的信息。
(8)用户终端的元件
图3是示出了本申请中所描述的用户终端的框图。
参考图3，本申请中描述的用户终端20包括输出部210、通信部220、存储器230和控制器250。
输出部210根据控制器250的控制命令输出各种类型的信息。根据一个实施方案，输出部210可以包括用于向用户以视觉方式输出信息的显示器212。可选地，尽管在附图中未示出，但是可以包括用于向用户以听觉方式输出信息的扬声器和用于向用户以触觉方式输出信息的振动电机。
通信部220可以包括无线通信模块和/或有线通信模块。在本文中，无线通信模块的实例可以包括Wi-Fi通信模块、蜂窝通信模块等。
存储器230在其中存储由控制器250可读的可执行代码、处理后的结果值、必要的数据等。存储器230的实例可以包括硬盘驱动器(HDD)、固态盘(SSD)、硅盘驱动器(SDD)、ROM、RAM等。存储器230可以在其中存储上述终端软件，并且可以在其中存储用于实现上述各种预处理算法和/或学习模型的可执行代码。
控制器240可以包括至少一个处理器。在本文中，处理器中的每一个可以通过执行存储在存储器230中的至少一个指令来进行预定操作。具体地，控制器240可以根据在用户终端20上运行的终端软件、预处理算法和/或学习模型来处理信息。同时，控制器240控制用户终端20的总体操作。
尽管在附图中未示出，但是用户终端20可以包括用户输入部。用户终端20可以通过用户输入部从用户接收对于用户终端20的操作所需的各种类型的信息。
(9)服务器的元件
图4是示出了本申请中描述的服务器的框图。
参考图4，本申请中描述的服务器30包括通信部310、存储器320和控制器330。
通信部310可以包括无线通信模块和/或有线通信模块。在本文中，无线通信模块的实例可以包括Wi-Fi通信模块、蜂窝通信模块等。
存储器320在其中存储由控制器330可读的可执行代码、处理的结果值、必要的数据等。存储器320的实例可以包括硬盘驱动器(HDD)、固态盘(SSD)、硅盘驱动器(SDD)、ROM、RAM等。存储器320可以在其中存储上述服务器软件，并且可以在其中存储用于实现上述各种预处理算法和/或学习模型的可执行代码。此外，存储器320可以在其中存储每个用户的心率和/或来自用户终端20的与其对应的预处理结果。
控制器330可以包括至少一个处理器。在本文中，处理器中的每一个可以通过执行存储在存储器320中的至少一个指令来进行预定操作。具体地，控制器330可以根据在服务器30上运行的服务器软件、预处理算法和/或学习模型来处理信息。同时，控制器330控制服务器30的总体操作。
4.用于预测甲状腺功能不良的方法
在本申请中描述的用于预测甲状腺功能不良的方法可以由上述系统1执行。
图5是示出了本申请中所描述的一种用于预测甲状腺功能不良的方法的流程图。
参考图5，在本申请中所描述的用于预测受试者的甲状腺功能不良的方法包括：在步骤S100中，获得触发信号；在步骤S110中，获得对应于由触发信号确定的目标日期的区间心率；在步骤S120中，对对应于目标日期的区间心率进行预处理；在步骤S130中，获得对应于参考日期的激素浓度；在步骤S140中，获得对于对应于参考日期的区间心率的预处理结果；在步骤S150中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；和在步骤S160中，通过利用甲状腺功能不良预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺功能不良的结果。
步骤S100中获得触发信号的
在步骤S100中可以获得触发信号。
在本文中，触发信号是指用于请求获取对于受试者的甲状腺功能不良的预测结果的信号。
触发信号可以由用户的输入生成。例如，用户可以通过用户终端20的用户输入部请求获取对于甲状腺功能不良的预测结果，并且响应于用户的请求，用户终端20可以生成触发信号。作为另一个示例，用户可以通过与用户终端20通信的心率测量装置10的用户输入部请求获取对于甲状腺功能不良的预测结果，并且响应于用户的请求，心率测量装置10或用户终端20可以生成触发信号。
可选地，触发信号可以由系统1自动地生成，而不管用户的请求如何。例如，安装在心率测量装置10、用户终端20或服务器30上的软件可以根据预定规则生成触发信号。当触发信号通过心率测量装置10或服务器30生成时，可以将所生成的触发信号发送至用户终端20。
在步骤S110中基于触发信号来确定目标日期
目标日期可以由触发信号确定。例如，可以将生成触发信号的日期确定为目标日期。作为另一个示例，当生成触发信号时，可以通过用户的输入或系统1来指定特定日子。在这种情况下，所指定的特定日子可以被确定为目标日期。
在步骤S110中获得对应于目标日期的区间心率
在步骤S110中，可以根据预定期间获得与对应于目标日期的区间心率。
预定期间可以是以下中的一个：1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29和30天。
当预定期间为10天并且目标日期是7月21日时，获得的区间心率包括对应于7月21日的静息心率、对应于7月20日的静息心率、对应于7月19日的静息心率、对应于7月18日的静息心率、对应于7月17日的静息心率、对应于7月16日的静息心率、对应于7月15日的静息心率、对应于7月14日的静息心率、对应于7月13日的静息心率和对应于7月12日的静息心率。
区间心率从对应于由所确定的目标日期和预定期间确定的日期所存储的全部心率中选择。基于对应于心率的测量时间点，选择测量时间点处于受试者(即用户)的静息期间内的心率作为静息心率。
可以通过各种方法来确定静息期间。
例如，可以通过内置在心率测量装置10或用户终端20中的运动传感器来确定静息期间是其中用户的运动等于或小于参考值的期间。
作为另一个示例，可以通过内置在心率测量装置10或用户终端20中的各种传感器来确定静息期间是其中用户被认为正在休息或睡眠的期间。
作为又一个示例，静息期间可以由用户通过心率测量装置10或用户终端20亲自输入的睡眠期间(睡眠开始时间点和睡眠结束时间点)来确定。
在步骤S120中对对应于目标日期的区间心率的预处理
可以在步骤S120中对对应于目标日期的区间心率进行预处理。
可以计算对应于目标日期的区间心率的平均值。
可以计算与对应于目标日期的区间心率的分布有关的各种参数。作为一个示例，可以计算对应于目标日期的区间心率的标准偏差。作为另一个示例，可以计算对应于目标日期的区间心率的偏度。作为又一个示例，可以计算对应于目标日期的区间心率的峰度。
在对应于目标日期的区间心率的各种预处理结果之中，可以仅获得与用于训练稍后描述的预测模型的输入值相关的预处理结果。例如，当在训练预测模型中使用关于目标日期和参考日期的区间心率的平均值的变化率和相对标准偏差的变化量时，从对应于目标日期的区间心率，可以仅获得对应于目标日期的区间心率的平均值和标准偏差。然而，无论在训练预测模型中使用的输入值如何，都可以获得上述预处理结果中的全部或一些。
在步骤S130中的参考日期的确定
可以在步骤S130中确定受试者的参考日期。
参考日期可以从受试者进行了激素测试的一个或多测试日期中选择。也就是说，参考日期可以从受试者过去的激素测试日期中选择。
参考日期可以从对应于受试者的激素浓度所存储的一个或多个日期中选择。也就是说，参考日期可以从存储受试者过去的激素浓度的日期中选择。
可以仅选择一个参考日期，但对此不施加限制。也就是说，可以选择多个参考日期。
当从多测试日期或存储激素浓度的多个日期中仅选择一个参考日期时，可以确定的是，参考日期是最接近目标日期的日期。
在步骤S130中获得对应于参考日期的激素浓度
可以获得对应于所确定的参考日期的激素浓度。
激素浓度可以是选自由以下各项组成的组中的一个：T4浓度、游离T4浓度、T3浓度、游离T3浓度、TSH浓度和TRH浓度，或者可以是它们的组合。
在对应于所确定的参考日期的激素浓度之中，可以通过选择而仅选择在训练稍后描述的预测模型中使用的激素浓度值。例如，在其中对应于所确定的参考日期的激素浓度包括T4浓度、游离T4浓度、T3浓度、游离T3浓度、TSH浓度和TRH浓度的情况下，当在训练预测模型中仅使用游离T4和TSH浓度时，可以仅获得游离T3和TSH浓度。
当确定多个参考日期时，可以获得与多个参考日期中的每一个对应的激素浓度。
在步骤S140中获得对于对应于参考日期的区间心率的预处理结果
当已经进行了对对应于参考日期的区间心率的预处理并且存储了预处理结果时，可以获得所存储的预处理结果。
当尚未进行对对应于参考日期的区间心率的预处理时，可以执行对对应于参考日期的区间心率的预处理。
对应于参考日期的区间心率的获得和预处理与上述对应于目标日期的区间心率的获得和预处理类似，因此将省略详细描述。
因此，关于参考日期的区间心率的预处理结果可以包括以下中的至少一个：对应于参考日期的区间心率的平均值，和与对应于参考日期的区间心率的分布相关的参数。在本文中，与对应于参考日期的区间心率的分布相关的参数可以包括以下中的至少一个：对应于目标日期的区间心率的标准偏差、对应于目标日期的区间心率的偏度和对应于目标日期的区间心率的峰度。
当确定多个参考日期时，可以获得对于对应于多个参考日期中的每一个的区间心率的预处理结果。
同时，在对应于参考日期的区间心率的各种预处理结果之中，可以仅获得与在训练稍后描述的预测模型中使用的输入值相关的预处理结果。例如，当在训练预测模型中使用关于目标日期和参考日期的区间心率的平均值的变化率和相对标准偏差的变化量时，从对应于参考日期的区间心率，可以仅获得对应于参考日期的区间心率的平均值和标准偏差。然而，无论在训练预测模型中使用的输入值如何，都可以获得上述预处理结果中的全部或一些。
在步骤S150中获得在对于目标日期的区间心率的预处理结果与对于参考日期的
区间心率的预处理结果之间的差异
在对于目标日期的区间心率的预处理结果与参考日期的区间心率的预处理结果之间的差异可以是以下中的一个或它们的组合。
1)对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量(目标日期的期间平均心率-参考日期的期间平均心率)
2)对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率((目标日期的期间平均心率-参考日期的期间平均心率)/参考日期的期间平均心率)
3)对应于目标日期的区间心率的标准偏差相对于对应于参考日期的区间心率的标准偏差的变化量(对应于目标日期的区间心率的标准偏差-对应于参考日期的区间心率的标准偏差)
4)对应于目标日期的区间心率的相对标准偏差相对于对应于参考日期的区间心率的相对标准偏差的变化量((对应于目标日期的区间心率的标准偏差/目标日期的期间平均心率)-(对应于参考日期的区间心率的标准偏差/参考日期的期间平均心率))
5)对应于目标日期的区间心率的偏度相对于对应于参考日期的区间心率的偏度的变化量(对应于目标日期的区间心率的偏度-对应于参考日期的区间心率的偏度)
6)对应于目标日期的区间心率的峰度相对于对应于参考日期的区间心率的峰度的变化量(对应于目标日期的区间心率的峰度-对应于参考日期的区间心率的峰度)
7)在对应于目标日期的区间心率的分布与对应于参考日期的区间心率的分布之间的JS散度
当确定多个参考日期时，可以获得在多个参考日期中的每一个的预处理结果之间的差异。例如，获得的可以是在第一参考日期和目标日期之间所确定的第一预处理结果之间的差异，和在第二参考日期和目标日期之间所确定的第二预处理结果之间的差异。
同时，在预处理结果之间的差异之中，可以仅获得在与训练稍后描述的预测模型中使用的输入值相关的预处理结果之间的差异。例如，当在训练预测模型中使用关于目标日期和参考日期的区间心率的平均值的变化率和相对标准偏差的变化量时，获得的仅是对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率，和对应于目标日期的区间心率的标准偏差相对于对应于参考日期的区间心率的标准偏差的变化量。然而，无论在训练预测模型中使用的输入值如何，都可以获得在预处理结果之间的上述差异中的全部或一些。
组合值的计算
根据本申请中描述的若干实施方案，可以计算变量的组合值。
当第一期间平均心率、第一标准偏差、第一偏度、第一峰度、第一TSH激素浓度、第一游离T4浓度、第一T4浓度、第一游离T3浓度、第一T3浓度、第一TRH浓度和关于第一参考日期的对于甲状腺功能不良的诊断结果对应于第一参考日期，并且第二期间平均心率、第二标准偏差、第二偏度、第二峰度、第二TSH激素浓度、第二游离T4浓度、第二T4浓度、第二游离T3浓度、第二T3浓度、第二TRH浓度和关于第二参考日期的对于甲状腺功能不良的诊断结果对应于第二参考日期时，变量计算如下。
(1)期间平均心率的变化量＝第二参考日期的期间平均心率-第一参考日期的期间平均心率，
(2)期间平均心率的变化率＝(第二参考日期的期间平均心率-第一参考日期的期间平均心率)/第二参考日期的期间平均心率，
(3)标准偏差的变化量＝第二参考日期的区间心率的标准偏差-第一参考日期的区间心率的标准偏差，
(4)相对标准偏差的变化量＝(第二参考日期的区间心率的标准偏差/第二参考日期的期间平均心率)-(第一参考日期的区间心率的标准偏差/第一参考日期的期间平均心率)，
(5)区间心率的偏度的变化量＝第二参考日期的区间心率的偏度-第一参考日期的区间心率的偏度，
(6)区间心率的峰度的变化量＝第二参考日期的区间心率的峰度-第一参考日期的区间心率的偏度，
(7)JS散度：在第二参考日期的区间心率与第一参考日期的区间心率之间计算的JS散度，
(8)第一TSH激素浓度，
(9)第一游离T4浓度，
(10)第一T4浓度，
(11)第一游离T3浓度，
(12)第一T3浓度，
(13)第一TRH浓度，
(14)第二TSH激素浓度，
(15)第二游离T4浓度，
(16)第二T4浓度，
(17)第二游离T3浓度，
(18)第二T3浓度，和
(19)第二TRH浓度。
在本文中，变量的组合值是指以下中的一个：通过将从变量中选择的一个值(下文中，称为第一值)乘以从变量中选择的另一个值(下文中，称为第二值)而获得的值；通过将第一值除以第二值而获得的值；和通过将第二值除以第一值而获得的值。例如，组合值可以是通过将第二参考日期的游离T4浓度值除以JS散度而获得的值。
目标日期与参考日期之间的天数间隔的计算
根据本申请中描述的若干实施方案，可以获得目标日期与参考日期之间的天数间隔。
用户的个人信息的获取
根据本申请中描述的若干实施方案，可以获得受试者的个人信息，即用户的个人信息。在步骤S160中通过甲状腺功能不良预测模型来获得对于甲状腺功能不良的预测结果 通过甲亢预测模型获取对于甲亢的预测结果
对于如在训练方法实施方案#1中所述训练的甲亢预测模型，可以输入以下内容：所获得的参考日期的激素浓度、和所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。
对于如在训练方法实施方案#2中所述训练的甲亢预测模型，可以输入以下内容：所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量、和对应于目标日期的期间平均心率。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。
对于如在训练方法实施方案#3中所述训练的甲亢预测模型，可以输入以下内容：所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量、和在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。在本文中，在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异可以是选自由以下组成的组中的一个或它们的组合。
1)对应于目标日期的区间心率的标准偏差相对于对应于参考日期的区间心率的标准偏差的变化量(对应于目标日期的区间心率的标准偏差-对应于参考日期的区间心率的标准偏差)
2)对应于目标日期的区间心率的偏度相对于对应于参考日期的区间心率的偏度的变化量(对应于目标日期的区间心率的偏度-对应于参考日期的区间心率的偏度)
3)对应于目标日期的区间心率的峰度相对于对应于参考日期的区间心率的峰度的变化量(对应于目标日期的区间心率的峰度-对应于参考日期的区间心率的峰度)
4)在对应于目标日期的区间心率的分布与对应于参考日期的区间心率的分布之间的JS散度
对于如在训练方法实施方案#4所述训练的甲亢预测模型中，可以输入以下内容：所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量、对应于目标日期的区间心率的平均值、和在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。
对于如在训练方法实施方案#5中所述训练的甲亢预测模型，可以输入以下内容：所获得的参考日期的激素浓度、和所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。
按照训练方法实施方案六所述训练的甲亢预测模型中，可以输入以下内容：所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率、和对应于目标日期的区间心率的平均值。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。
对于如在训练方法实施方案#7中所述训练的甲亢预测模型，可以输入以下内容：所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率、和在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。在本文中，在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异可以是选自由以下组成的组中的一个或它们的组合。
1)对应于目标日期的区间心率的相对标准偏差相对于对应于参考日期的区间心率的相对标准偏差的变化量((对应于目标日期的区间心率的标准偏差/目标日期的期间平均心率)-(对应于参考日期的区间心率的标准偏差/参考日期的期间平均心率))
2)对应于目标日期的区间心率的偏度相对于对应于参考日期的区间心率的偏度的变化量(对应于目标日期的区间心率的偏度-对应于参考日期的区间心率的偏度)
3)对应于目标日期的区间心率的峰度相对于对应于参考日期的区间心率的峰度的变化量(对应于目标日期的区间心率的峰度-对应于参考日期的区间心率的峰度)
4)在对应于目标日期的区间心率的分布与对应于参考日期的区间心率的分布之间的JS散度
对于如在训练方法实施方案#8中所述训练的甲亢预测模型，可以输入以下内容：所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率、对应于目标日期的区间心率的平均值、和在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。在本文中，在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异可以是选自由以下组成的组中的一个或它们的组合。
1)对应于目标日期的区间心率的相对标准偏差相对于对应于参考日期的区间心率的相对标准偏差的变化量((对应于目标日期的区间心率的标准偏差/目标日期的期间平均心率)-(对应于参考日期的区间心率的标准偏差/参考日期的期间平均心率))
2)对应于目标日期的区间心率的偏度相对于对应于参考日期的区间心率的偏度的变化量(对应于目标日期的区间心率的偏度-对应于参考日期的区间心率的偏度)
3)对应于目标日期的区间心率的峰度相对于对应于参考日期的区间心率的峰度的变化量(对应于目标日期的区间心率的峰度-对应于参考日期的区间心率的峰度)
4)在对应于目标日期的区间心率的分布与对应于参考日期的区间心率的分布之间的JS散度
对于如在训练方法实施方案#9中所述训练的甲亢预测模型，可以输入以下内容：所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率(或变化量)、在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异、和目标日期与参考日期之间的天数间隔。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。在本文中，在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异可以是选自由以下组成的组中的一个或它们的组合。
1)对应于目标日期的区间心率的标准偏差相对于对应于参考日期的区间心率的标准偏差的变化量(对应于目标日期的区间心率的标准偏差-对应于参考日期的区间心率的标准偏差)
2)对应于目标日期的区间心率的相对标准偏差相对于对应于参考日期的区间心率的相对标准偏差的变化量((对应于目标日期的区间心率的标准偏差/目标日期的期间平均心率)-(对应于参考日期的区间心率的标准偏差/参考日期的期间平均心率)
3)对应于目标日期的区间心率的偏度相对于对应于参考日期的区间心率的偏度的变化量(对应于目标日期的区间心率的偏度-对应于参考日期的区间心率的偏度)
4)对应于目标日期的区间心率的峰度相对于对应于参考日期的区间心率的峰度的变化量(对应于目标日期的区间心率的峰度-对应于参考日期的区间心率的峰度)
5)在对应于目标日期的区间心率的分布与对应于参考日期的区间心率的分布之间的JS散度
对于如在训练方法实施方案#10中所述训练的甲亢预测模型，可以输入以下内容：所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率(或变化量)、在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异、和变量的组合值。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。
在本文中，在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异可以是选自由以下各项组成的组中的一个或它们的组合。
1)对应于目标日期的区间心率的标准偏差相对于对应于参考日期的区间心率的标准偏差的变化量(对应于目标日期的区间心率的标准偏差-对应于参考日期的区间心率的标准偏差)
2)对应于目标日期的区间心率的相对标准偏差相对于对应于参考日期的区间心率的相对标准偏差的变化量((对应于目标日期的区间心率的标准偏差/目标日期的期间平均心率)-(对应于参考日期的区间心率的标准偏差/参考日期的期间平均心率))
3)对应于目标日期的区间心率的偏度相对于对应于参考日期的区间心率的偏度的变化量(对应于目标日期的区间心率的偏度-对应于参考日期的区间心率的偏度)
4)对应于目标日期的区间心率的峰度相对于对应于参考日期的区间心率的峰度的变化量(对应于目标日期的区间心率的峰度-对应于参考日期的区间心率的峰度)
5)在对应于目标日期的区间心率的分布与对应于参考日期的区间心率的分布之间的JS散度
同时，变量的组合值已在训练方法实施方案#10中详细描述，因此将省略详细描述。
对于如在训练方法实施方案#11中所述训练的甲亢预测模型，可以输入以下内容。因此，可以获得关于受试者是否患有甲亢的结果。即，可以获得对于甲亢的预测结果。
(1)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量、和受试者的年龄和/或性别
(2)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量、对应于目标日期的期间平均心率、和受试者的年龄和/或性别
(3)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量、在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数的差异、和受试者的年龄和/或性别
(4)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化量、对应于目标日期的区间心率的平均值、在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异、和受试者的年龄和/或性别
(5)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率、和受试者的年龄和/或性别
(6)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率平均值(参考日期的期间平均心率)的变化率、对应于目标日期的区间心率的平均值、和受试者的年龄和/或性别
(7)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率、在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异、和受试者的年龄和/或性别
(8)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率、对应于目标日期的区间心率的平均值、在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异、和受试者的年龄和/或性别
(9)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率(或变化量)、在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异、目标日期与参考日期之间的天数间隔、和受试者的年龄和/或性别
(9)所获得的参考日期的激素浓度、所获得的对应于目标日期的区间心率的平均值(目标日期的期间平均心率)相对于对应于参考日期的区间心率的平均值(参考日期的期间平均心率)的变化率(或变化量)、在与对应于目标日期的区间心率的分布相关的参数和与对应于参考日期的区间心率的分布相关的参数之间的差异、变量的组合值、和受试者的年龄和/或性别
通过甲减预测模型来获取对于甲减的预测结果
与通过甲亢预测模型来获得对于甲亢的预测结果的描述类似，可以通过甲减预测模型来获得对于甲减的预测结果。因此，将省略详细描述。
对于甲状腺功能不良的预测结果的获取
综合了对于甲亢的预测结果和对于甲减的预测结果，由此获得了对于受试者的甲状腺功能不良的预测结果。
可以获得考虑了对于甲亢的预测结果A和对于甲减的预测结果B的对于甲状腺功能不良的预测结果，如下[表2]中所示。
[表2]
| A | B | 甲状腺功能不良预测结果 |
| 甲亢 | 甲减 | 甲亢或甲减 |
| 非甲亢 | 非甲减 | 正常 |
| 甲亢 | 非甲减 | 甲亢 |
| 非甲亢 | 甲减 | 甲减 |
同时，当对于甲亢的预测结果是甲亢并且对于甲减的预测结果是甲减时，将甲亢预测模型的输出值(概率值)与甲减预测模型的输出值(概率值)进行比较，并且可以采用具有较高概率值的输出的结果作为对于甲状腺功能不良的最终结果。
心率测量装置10可以执行所有上述的步骤，这包括：在步骤S100中，获得触发信号；在步骤S110中，获得与由触发信号所确定的目标日期对应的区间心率；在步骤S120中，对对应于目标日期的区间心率进行预处理；在步骤S130中，获得对应于参考日期的激素浓度；在步骤S140中，获得对应于参考日期的区间心率的预处理结果；在步骤S150中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；和在步骤S160中，通过利用甲状腺功能不良预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺功能不良的结果。
用户终端20可以执行所有上述的步骤，这包括：在步骤S100中，获得触发信号；在步骤S110中，获得与由触发信号所确定的目标日期对应的区间心率；在步骤S120中，对对应于目标日期的区间心率进行预处理；在步骤S130中，获得对应于参考日期的激素浓度；在步骤S140中，获得对于对应于参考日期的区间心率的预处理结果；在步骤S150中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；和在步骤S160中，通过利用甲状腺功能不良预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺功能不良的结果。
服务器30可以执行所有上述的步骤，这包括：在步骤S100中，获得触发信号；在步骤S110中，获得与由触发信号所确定的目标日期对应的区间心率；在步骤S120中，对对应于目标日期的区间心率进行预处理；在步骤S130中，获得对应于参考日期的激素浓度；在步骤S140中，获得对于对应于参考日期的区间心率的预处理结果；在步骤S150中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；和在步骤S160中，通过利用甲状腺功能不良预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺功能不良的结果。
心率测量装置10、用户终端20和服务器30可以以适当分散方式执行上述的步骤，这包括：在步骤S100中，获得触发信号；在步骤S110中，获得与由触发信号所确定的目标日期对应的区间心率；在步骤S120中，对对应于目标日期的区间心率进行预处理；在步骤S130中，获得对应于参考日期的激素浓度；在步骤S140中，获得对于对应于参考日期的区间心率的预处理结果；在步骤S150中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；和在步骤S160中，通过利用甲状腺功能不良预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺功能不良的结果。
例如，用户终端20可以执行以下步骤：在步骤S100中，获得触发信号；在步骤S110中，获得与由触发信号所确定的目标日期对应的区间心率；在步骤S120中，对对应于目标日期的区间心率进行预处理。服务器30可以执行以下步骤：在步骤S130中，获得对应于参考日期的激素浓度；在步骤S140中，获得对于对应于参考日期的区间心率的预处理结果；在步骤S150中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；和在步骤S160中，通过利用甲状腺功能不良预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺功能不良的结果。
作为另一个示例，用户终端20可以执行在步骤S100中获得触发信号。服务器30可以执行以下步骤：在步骤S110中，获得与由触发信号所确定的目标日期对应的区间心率；在步骤S120中，对对应于目标日期的区间心率进行预处理；在步骤S130中，获得对应于参考日期的激素浓度；在步骤S140中，获得对于对应于参考日期的区间心率的预处理结果；在步骤S150中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；和在步骤S160中，通过利用甲状腺功能不良预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺功能不良的结果。
然而，不局限于上述分散执行的形式，并且可以以各种形式实现分散执行。
5.实验例
在下文中，将描述其中训练本申请中所描述的甲状腺功能不良预测模型的实验例以及分析准确性的结果。
下面描述的实验例和比较例中使用的临床数据是通过上述方法收集的，并且使用了从总共297名患者收集的总共1,027个临床数据集。在这些之中，总共168个临床数据集被归类为具有对于激素浓度的诊断结果“甲亢”，总共801个临床数据集被归类为具有诊断结果“正常”，并且总共58个临床数据集被归类为具有诊断结果“甲减”。
(1)比较例#1-相对于参考日期为正常的心率差异-标记
训练数据集的准备
为了训练根据比较例的预测模型以与本申请中所描述的各个实施方案的实验结果进行比较，按照以下方式准备训练数据集。
对于每个患者，使用了通过从与诊断结果“异常”的测试日期对应的期间平均心率减去与诊断结果“正常”的测试日期对应的期间平均心率所获得的值作为输入值(例如，期间平均心率的变化量)，并且使用了与诊断结果“异常”的测试日期对应的诊断结果(甲亢或甲减)作为标记值。另外，当存在两个或更多个诊断结果“正常”的测试日期时，使用了通过从对应于一个测试日期(诊断结果“正常”的一个测试日期)的期间平均心率减去对应于另一个测试日期(诊断结果“正常”的另一个测试日期)的期间平均心率所获得的值作为输入值，并且使用了非甲亢或非甲减作为标记值。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
在本文中，训练数据集不是利用在不同患者之间的临床数据的“差异”生成的，而是利用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从157名患者所获得的495条数据，并且由其生成了总共1,199个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从总共121名患者所获得的437条临床数据生成的，并且生成了总共1,138个测试数据集。
根据比较例#1的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表3]中。
[表3]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 比较例#1 | 71.62 | 60.66 | 73.43 | 27.01 | 92.00 |
(2)实验例#1-心率差异+激素水平(相对于比较例#1)
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#1中描述的训练甲亢预测模型的方法，对模型进行了训练。即，生成了诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集，并且在训练模型中使用了这些训练数据集。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
此外，关于所使用的激素水平，一起利用了仅使用游离T4浓度的方法与使用游离T4和TSH浓度两者的方法。
在本文中，训练数据集不是利用在不同患者之间的临床数据的“差异”生成的，而是利用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#1，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#1的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表4]中。
[表4]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 游离T4 | 82.33 | 78.38 | 83.08 | 46.77 | 95.29 |
| 游离T4+TSH | 82.54 | 86.49 | 81.79 | 47.41 | 96.96 |
本申请的发明人发现了，在没有将激素水平是“正常”的日期确定为参考日期并且没有使用在参考日期与分析目标日期之间的期间平均心率的差异(如比较例1)的情况下，通过确定无论是否存在“正常”或“甲亢”的参考日期并且通过使用在参考日期与分析目标日期之间的期间平均心率的差异和对应于该参考日期的激素浓度，来预测是否存在“甲亢”是充分可能的，并且发现了诸如准确性和灵敏度之类的结果是相当显著更大的。
因此，从相同水平的临床数据中获得了更多的训练数据集，并且获得了能够更准确地预测甲状腺功能不良的预测模型。
(3)实验例#2-心率差异+当前心率+激素水平
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#2中描述的训练甲亢预测模型的方法，对模型进行了训练。即，生成了诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)、对应于第一测试日期的期间平均心率、对应于第二测试日期的甲状腺激素浓度、对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集，并且将这些训练数据集用于训练模型。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
此外，关于所使用的激素水平，一起利用仅使用游离T4浓度的方法与使用游离T4和TSH浓度两者的方法。
在本文中，训练数据集不是使用在不同患者之间的临床数据的“差异”来生成的，而是使用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#2，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#2的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表5]中。
[表5]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 游离T4 | 83.62 | 71.62 | 85.90 | 49.07 | 94.10 |
| 游离T4+TSH | 85.34 | 74.32 | 87.44 | 52.88 | 94.72 |
本申请的发明人发现了，在预测甲亢中，当使用目标日期的期间平均心率的变化量和期间平均心率(当前的期间平均心率)作为输入值时，准确性略有提高。
(4)实验例#3-心率差异+激素水平+标准偏差
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#3中描述的训练甲亢预测模型的方法，对模型进行了训练。即，生成了诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第二测试日期的区间心率的标准偏差)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集，并且将这些训练数据集用于训练模型。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
此外，关于所使用的激素水平，将游离T4和TSH浓度二者用作输入值。
在本文中，训练数据集不是使用在不同患者之间的临床数据的“差异”来生成的，而是使用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#3，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#3的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表6]中。
[表6]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 游离T4+TSH | 81.03 | 79.73 | 81.28 | 44.70 | 95.48 |
本申请的发明人发现了，在预测甲亢中，当使用目标日期的期间平均心率的变化量和期间平均心率(当前的期间平均心率)作为输入值时，准确性稍有提高。
(5)实验例#4-心率差异+激素水平+标准偏差变化+偏度
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#4中描述的训练甲亢预测模型的方法，对模型进行了训练。然而，使用了标准偏差和偏度作为与分布相关的参数。即，生成了诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，(对应于第一测试日期的区间心率的标准偏差-对应于第二测试日期的区间心率的标准偏差)，(对应于第一测试日期的区间心率的偏度-对应于第二测试日期的区间心率的偏度)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集，并且将这些训练数据集用于训练模型。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
此外，关于所使用的激素水平，使用了游离T4和TSH浓度二者作为输入值。
在本文中，训练数据集不是利用在不同患者之间的临床数据的“差异”生成的，而是利用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#4，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#4的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表7]中。
[表7]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 游离T4+TSH | 83.62 | 81.08 | 84.10 | 49.18 | 95.91 |
(6)实验例#5-心率差异+激素水平+标准偏差变化+峰度
训练数据集的准备
与实验例#4相比，在实验例#5中，以相同的方式生成了训练数据集和测试数据集，只是使用了标准偏差和峰度来代替使用标准偏差和偏度作为与分布相关的参数。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
根据实验例#5，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#5的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV))和阴性预测值(NPV)示于下[表8]中。
[表8]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 游离T4+TSH | 83.19 | 83.78 | 83.08 | 48.44 | 96.43 |
(7)实验例#6-心率差+激素水平+标准偏差变化+JS散度
训练数据集的准备
与实验例#4相比，在实验例#6中，以相同的方式生成了训练数据集和测试数据集，只是使用了JS散度来代替使用标准偏差的差异和偏度的差异作为与分布相关的参数的差异。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
根据实验例#6，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#6的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表9]中。
[表9]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 游离T4+TSH | 83.19 | 78.38 | 84.10 | 48.33 | 95.35 |
如通过实验例#4、5和6可知的，本申请的发明人发现了，在预测甲亢中，当使用标准偏差的变化量以及用于观察区间心率的分布的变化的附加变量作为输入值时，准确性稍有提高。
(8)实验例#7-心率的变化率+激素水平+相对标准偏差变化
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#5中描述的训练甲亢预测模型的方法，对模型进行了训练。即，生成了诸如[((对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/对应于第二测试日期的期间平均心率)，(对应于第一测试日期的区间心率的相对标准偏差-对应于第二测试日期的区间心率的相对标准偏差)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集，并且将这些训练数据集用于训练模型。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
此外，关于所使用的激素水平，利用了使用游离T4和TSH浓度二者的方法。
在本文中，训练数据集不是使用在不同患者之间的临床数据的“差异”来生成的，而是使用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#5，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#4的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表10]中。
[表10]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 游离T4+TSH | 83.41 | 85.14 | 83.08 | 48.84 | 96.72 |
与实验例#1相比，实验例#5是在相同条件下进行的实验，只是使用了期间平均心率的变化率和相对标准偏差的变化量来代替使用期间平均心率的变化量和标准偏差的变化量。
本申请的发明人发现了，允许使用期间平均心率的变化率和相对标准偏差的变化量作为输入值。
(9)实验例#8-心率的变化率+激素水平+相对标准偏差变化+天数间隔
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#9中描述的训练甲亢预测模型的方法，对模型进行训练。即，生成诸如[((对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/对应于第二测试日期的期间平均心率)，(对应于第一测试日期的区间心率的相对标准偏差-对应于第二测试日期的区间心率的相对标准偏差)，第二测试日期与第一测试日期之间的天数间隔，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集，并且将这些训练数据集用于训练模型。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
此外，关于所使用的激素水平，利用了使用游离T4和TSH浓度二者的方法。
在本文中，训练数据集不是利用在不同患者之间的临床数据的“差异”生成的，而是利用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#8，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#8的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表11]中。
[表11]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| 游离T4+TSH | 83.84 | 82.43 | 84.10 | 49.59 | 96.19 |
(10)实验例#9-心率的变化率+激素水平+相对标准偏差变化+组合值
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#10中描述的训练甲亢预测模型的方法，对模型进行了训练。即，生成了诸如[((对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/对应于第二测试日期的期间平均心率)，(对应于第一测试日期的区间心率的相对标准偏差-对应于第二测试日期的区间心率的相对标准偏差)，第二测试日期与第一测试日期之间的天数间隔，对应于第二测试日期的甲状腺激素浓度，变量的组合值，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集，并且将这些训练数据集用于训练模型。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
此外，关于所使用的激素水平，利用了使用游离T4和TSH浓度二者的方法。
在本文中，训练数据集不是利用在不同患者之间的临床数据的“差异”生成的，而是利用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#9，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#9的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表12]和[表13]中。
[表12]
[表13]
(11)实验例#10-受试者的个人信息的使用
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#11中描述的训练甲亢预测模型的方法，对模型进行了训练。
特别地，使用诸如(1)[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第二测试日期的游离T4浓度，受试者年龄，受试者性别，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的训练数据集进行了训练。另外，使用诸如(2)[((对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/对应于第二测试日期的期间平均心率，对应于第二测试日期的游离T4浓度，受试者年龄，受试者性别，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的训练数据集进行了训练。此外，使用诸如(3)[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第二测试日期的游离T4浓度，对应于第二测试日期的TSH浓度，受试者年龄，受试者性别，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的训练数据集进行了训练。另外，使用诸如(4)[((对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/对应于第二测试日期的期间平均心率，对应于第二测试日期的游离T4浓度，对应于第二测试日期的TSH浓度，受试者年龄，受试者性别，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的训练数据集进行了训练。最后，使用诸如(5)[((对应于第一测试日期的期间平均心率–对应于第二测试日期的期间平均心率)/对应于第二测试日期的期间平均心率)，(对应于第一测试日期的区间心率的相对标准偏差-对应于第二测试日期的区间心率的相对标准偏差)，(对应于第二测试日期的区间心率的偏度-对应于第一测试日期的区间心率的偏度)，(对应于第二测试日期的区间心率的峰度-对应于第一测试日期的区间心率的峰度)，(在对应于第二测试日期的区间心率与对应于第一测试日期的区间心率之间的JS散度)，对应于第二测试日期的游离T4浓度，对应于第二测试日期的TSH浓度，受试者的年龄，受试者的性别，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的训练数据集来进行训练。
在本文中，关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
在本文中，训练数据集不是利用在不同患者之间的临床数据的“差异”生成的，而是利用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#10，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#10的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表14]中。
[表14]
| 准确性 | 灵敏度 | 特异性 | PPV | NPV | |
| (1) | 84.27 | 53.33 | 85.30 | 10.81 | 98.21 |
| (2) | 83.41 | 53.33 | 84.41 | 10.26 | 98.19 |
| (3) | 83.41 | 53.33 | 84.41 | 10.26 | 98.19 |
| (4) | 84.48 | 53.33 | 85.52 | 10.96 | 98.21 |
| (5) | 85.99 | 60.00 | 86.86 | 13.24 | 98.48 |
(12)实验例#11-关于预定期间的长度的实验
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#10中描述的训练甲亢预测模型的方法，对模型进行了训练。
特别地，使用了相对标准偏差的变化量、偏度的变化量、峰度的变化量、和JS散度作为用于确定分布的变化的参数。此外，使用了(第二参考日期的游离T4浓度/JS散度)作为变量的组合值。即，生成了诸如[((对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)/对应于第二测试日期的期间平均心率)，(对应于第一测试日期的区间心率的相对标准偏差-对应于第二测试日期的区间心率的相对标准偏差)，(对应于第二测试日期的区间心率的偏度-对应于第一测试日期的区间心率的偏度)，(对应于第二测试日期的区间心率的峰度-对应于第一测试日期的区间心率的峰度)，(在对应于第二测试日期与第一测试日期的区间心率之间的JS散度)，第二测试日期与第一测试日期之间的天数间隔，对应于第二测试日期的甲状腺激素浓度，(第二测试日期的游离T4浓度/在对应于第二测试日期与第一测试日期的区间心率之间的JS散度)，对应于第一测试日期的诊断结果(甲亢或非甲亢)]的格式的训练数据集，并且将这些训练数据集用于训练模型。
在实验例#11中，在将用于计算对应于测试日期的期间平均心率的预定期间改变为1、5、10、15、25和30天的同时，确定对准确性的影响。
此外，关于所使用的激素水平，利用了使用游离T4和TSH浓度二者的方法。
在本文中，训练数据集不是利用在不同患者之间的临床数据的“差异”生成的，而是利用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用轻量级梯度提升机，利用上述的训练数据集训练了甲亢预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#11，使用上述的测试集测试了训练后的甲亢预测模型的准确性。
根据实验例#11的甲亢预测模型的准确性、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)示于下[表15]中。
[表15]
本申请的发明人发现了，在预测甲亢中，当使用15天作为用于计算区间心率的预定期间时，实现了最高的准确性。
已经描述了训练甲状腺功能不良预测模型的方法、通过使用该模型来预测甲状腺功能不良的方法及用于其的系统。
在下文中，将简要地描述训练预测甲状腺激素水平的模型的方法、通过使用该模型来预测甲状腺功能不良的方法及用于其的系统。
6.训练甲状腺激素预测模型的方法
训练方法实施方案#12。参考日期的心率的差异值、和参考日期的激素值
根据本申请中描述的第十二示例性实施方案，为了训练学习模型，可以使用通过从对应于第一测试日期的期间平均心率减去对应于第二测试日期的期间平均心率而获得的值、和第一测试日期的激素作为输入值，并且可以使用对应于第一测试日期的激素浓度作为标记值。
在本文中，作为学习模型，可以使用能够回归的机器学习模型。例如，作为学习模型，可以使用轻量级梯度提升机、支持向量机、随机森林、极端随机树、自适应增强、极限梯度提升、CatBoost等。
甲状腺激素浓度预测模型包括选自由关于目标日期的TRH浓度预测模型、TSH浓度预测模型、T4浓度预测模型、游离T4浓度预测模型、T3浓度预测模型和游离T3浓度预测模型组成的组中的至少一种。
在计算期间平均心率中，可以使用基于特定日期的预定期间内的静息心率，其中预定期间可以是以下中的一个：1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29和30天。
根据甲状腺激素浓度预测模型的类型，可以使用在对应于第一测试日期的多个激素浓度之中的对应于该类型的浓度值用作标记值。例如，当意图训练游离T4浓度预测模型时，使用对应于第一测试日期的游离T4浓度值作为标记值。作为另一个示例，当意图训练TSH浓度预测模型时，使用对应于第一测试日期的TSH浓度值作为标记值。
下文中，为了描述方便，将基于训练游离T4浓度预测模型的情况进行描述。
根据第十二示例性实施方案，为了训练游离T4浓度预测模型，可以使用所获得的临床数据来生成诸如[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，对应于第二测试日期的甲状腺激素浓度，对应于第一测试日期的游离T4浓度]的格式的训练数据集。在本文中，对应于第二测试日期的甲状腺激素浓度可以是选自由以下各项组成的组中的一个：TRH浓度、TSH浓度、T4浓度、游离T4浓度、T3浓度和游离T3浓度，或者可以是它们的组合。
例如，假设从第一患者获得了总共三个数据集：对于第一测试所确定的游离T4激素浓度是第一游离T4浓度并且所确定的TSH浓度是第一TSH浓度、对于第二测试所确定的游离T4激素浓度是第二游离T4浓度并且所确定的TSH浓度是第二TSH浓度、和对于第三测试所确定的游离T4激素浓度是第三游离T4浓度并且所确定的TSH浓度是第三TSH浓度，则可从患者的临床数据获得的训练数据集可以为如下。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二游离T4浓度，第二TSH浓度，第一游离T4浓度]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三游离T4浓度，第三TSH浓度，第一游离T4浓度]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一游离T4浓度，第一TSH浓度，第二游离T4浓度]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三游离T4浓度，第三TSH浓度，第三游离T4浓度]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一游离T4浓度，第一TSH浓度，第三游离T4浓度]，和
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二游离T4浓度，第二TSH浓度，第三游离T4浓度]。
作为另一个示例，假设从第二名患者获得了总共四个数据集：对于第一测试所确定的游离T4激素浓度是第一游离T4浓度并且所确定的TSH浓度是第一TSH浓度、对于第二测试所确定的游离T4激素浓度是第二游离T4浓度并且所确定的TSH浓度是第二TSH浓度、对于第三测试所确定的游离T4激素浓度是第三游离T4浓度并且所确定的TSH浓度是第三TSH浓度、和对于第四测试所确定的游离T4激素浓度是第四游离T4浓度并且所确定的TSH浓度是第四TSH浓度，则可从患者的临床数据获得的训练数据集可以为如下。
[(对应于第一测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二游离T4浓度，第二TSH浓度，第一游离T4浓度]，
[(对应于第一测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三游离T4浓度，第三TSH浓度，第一游离T4浓度]，
[(对应于第一测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四游离T4浓度，第四TSH浓度，第一游离T4浓度]，
[(对应于第二测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一游离T4浓度，第一TSH浓度，第二游离T4浓度]，
[(对应于第二测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三游离T4浓度，第三TSH浓度，第二游离T4浓度]，
[(对应于第二测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四游离T4浓度，第四TSH浓度，第二游离T4浓度]，
[(对应于第三测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一游离T4浓度，第一TSH浓度，第三游离T4浓度]，
[(对应于第三测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二游离T4浓度，第二TSH浓度，第三游离T4浓度]，
[(对应于第三测试日期的期间平均心率-对应于第四测试日期的期间平均心率)，第四游离T4浓度，第四TSH浓度，第三游离T4浓度]，
[(对应于第四测试日期的期间平均心率-对应于第一测试日期的期间平均心率)，第一游离T4浓度，第一TSH浓度，第四游离T4浓度]，
[(对应于第四测试日期的期间平均心率-对应于第二测试日期的期间平均心率)，第二游离T4浓度，第二TSH浓度，第四游离T4浓度]，和
[(对应于第四测试日期的期间平均心率-对应于第三测试日期的期间平均心率)，第三游离T4浓度，第三TSH浓度，第四游离T4浓度]。
当意图训练用于预测TSH浓度的模型而不是用于预测游离T4浓度的模型时，保持在上述训练数据集中的输入值并且使用TSH浓度代替游离T4浓度作为标记值。
训练方法实施方案#13。参考日期的心率的变化率、和参考日期的激素值
根据本申请中描述的第十三示例性实施方案，与上述的第十二示例性实施方案相比，代替通过从对应于第一测试日期的期间平均心率减去对应于第二测试日期的期间平均心率而获得的值，使用第二测试日期相对于第一测试日期的期间平均心率的变化率作为输入值，并且其余部分与第十二示例性实施方案中的相同。
训练方法实施方案#14。参考日期的心率的变化率、相对标准偏差的变化量、和参
考日期的激素值
根据本申请中描述的第十四示例性实施方案，与上述的第十三示例性实施方案相比，进一步使用通过从对应于第一测试日期的区间心率的相对标准偏差减去对应于第二测试日期的区间心率的相对标准偏差而获得的值作为输入值，并且其余部分与第十三实施方案中的相同。
训练方法实施方案#15。参考日期的心率的变化率、相对标准偏差的变化量、偏度
的变化量、峰度的变化量、JS散度、和参考日期的激素值
根据本申请中描述的第十五示例性实施方案，与上述的第十四示例性实施方案相比，进一步使用与在与对应于第一测试日期的区间心率的分布相关的参数和与对应于第二测试日期的区间心率的分布相关的参数之间的差异相关的值作为输入值，并且其余部分与第十四示例性实施方案中的相同。
训练方法实施方案#16。参考日期的心率的变化率、相对标准偏差的变化量、偏度
的变化量、峰度的变化量、JS散度、参考日期的激素值+天数间隔
根据本申请中描述的第十六示例性实施方案，与上述的第十五示例性实施方案相比，进一步使用与在第一测试日期和第二测试日期之间的天数间隔相关的值作为输入值，并且其余部分与第十五示例性实施方案中的相同。
7.基于甲状腺激素预测模型的用于预测甲状腺功能不良的方法
在本申请中描述的用于预测甲状腺功能不良的方法可以由上述系统1执行。
图6是示出了本申请中所描述的用于预测甲状腺功能不良的方法的流程图。
参考图6，在本申请中所描述的用于预测受试者的甲状腺功能不良的方法包括：在步骤S200中，获得触发信号；在步骤S210中，获得对应于由触发信号所确定的目标日期的区间心率；在步骤S220中，对对应于目标日期的区间心率进行预处理；在步骤S230中，获得对应于参考日期的激素浓度；在步骤S240中，获得对于对应于参考日期的区间心率的预处理结果；在步骤S250中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；在步骤S260中，通过利用甲状腺激素浓度预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺激素浓度的预测结果；和在步骤S270中，基于对于激素浓度的预测结果来获得对于受试者的甲状腺功能不良的结果。
在本文中，包括在步骤S200中获得触发信号、在步骤S210中获得对应于由触发信号所确定的目标日期的区间心率、在步骤S220中对对应于目标日期的区间心率进行预处理、在步骤S230中获得对应于参考日期的激素浓度、在步骤S240中获得对于对应于参考日期的区间心率的预处理结果和在步骤S250中获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异的步骤，分别与参考图5所描述的步骤(包括在步骤S100中获得触发信号、在步骤S110中获得对应于由触发信号所确定的目标日期的区间心率、在步骤S120中对对应于目标日期的区间心率进行预处理、在步骤S130中获得对应于参考日期的激素浓度、在步骤S140中获得对于对应于参考日期的区间心率的预处理结果、和在步骤S150中获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异)相同或非常相似。因此，将省略详细描述。
在步骤S260中通过甲状腺激素浓度预测模型来获得对于甲状腺激素浓度的预测
结果通过第一甲状腺激素浓度预测模型来获取对于第一甲状腺激素浓度的预测结果
可以通过第一甲状腺激素浓度预测模型来获得受试者的第一甲状腺激素浓度。例如，第一甲状腺激素可以是TRH。
通过第二甲状腺激素浓度预测模型来获取对于第二甲状腺激素浓度的预测结果
可以通过第二甲状腺激素浓度预测模型来获得受试者的第二甲状腺激素浓度。例如，第二甲状腺激素可以是TSH。
通过第三甲状腺激素浓度预测模型来获取对于第三甲状腺激素浓度的预测结果
可以通过第三甲状腺激素浓度预测模型来获得受试者的第三甲状腺激素浓度。例如，第三甲状腺激素可以是T4。
通过第四甲状腺激素浓度预测模型来获取对于第四甲状腺激素浓度的预测结果
可以通过第四甲状腺激素浓度预测模型来获得受试者的第四甲状腺激素浓度。例如，第四甲状腺激素可以是游离T4。
通过第五甲状腺激素浓度预测模型来获取对于第五甲状腺激素浓度的预测结果
可以通过第五甲状腺激素浓度预测模型来获得受试者的第五甲状腺激素浓度。例如，第五甲状腺激素可以是T3。
通过第六甲状腺激素浓度预测模型来获取对于第六甲状腺激素浓度的预测结果
可以通过第六甲状腺激素浓度预测模型来获得受试者的第六甲状腺激素浓度。例如，第六甲状腺激素可以是游离T3。
如上所述的，可以获得选自第一甲状腺激素浓度至第六甲状腺激素浓度的组中的一种或它们的组合。
在步骤S270中基于对于激素浓度的预测结果来获得受试者的甲状腺功能不良的
结果
基于所获得的对于激素浓度的预测值，可以确定受试者是否处于甲亢状态、甲减状态或正常状态。
对应于‘正常’、‘甲亢’和‘甲减’的各范围对于每个甲状腺激素浓度是预先确定的，因此可以使用各预定范围。
心率测量装置10、用户终端20和服务器30可以以适当分散方式执行上述步骤，这包括：在步骤S200中，获得触发信号；在步骤S210中，获得对应于由触发信号所确定的目标日期的区间心率；在步骤S220中，对对应于目标日期的区间心率进行预处理；在步骤S230中，获得对应于参考日期的激素浓度；在步骤S240中，获得对于对应于参考日期的区间心率的预处理结果；在步骤S250中，获得在对于对应于目标日期的区间心率的预处理结果与对于对应于参考日期的区间心率的预处理结果之间的差异；在步骤S260中，通过利用甲状腺激素浓度预测模型对所获得的差异和对应于参考日期的激素浓度进行处理，并且获得对于受试者的甲状腺激素浓度的预测结果；和在步骤S270中，基于对于激素浓度的预测结果来获得对于受试者的甲状腺功能不良的结果。
8.实验例
实验例#12。
训练数据集的准备
使用了从总共171名患者收集的总共563个临床数据集。
根据以上在训练方法实施方案#13中描述的训练甲状腺激素浓度预测模型的方法，对模型进行了训练。特别地，训练了用于预测游离T4浓度的预测模型。
同时，使用游离T4浓度和TSH浓度作为对应于各个测试日期的激素浓度，并且关于对应于测试日期的期间平均心率，基于测试日期获得了10天内的静息心率，并且计算了所获得的静息心率的平均值。
在本文中，训练数据集不是利用在不同患者之间的临床数据的“差异”来生成的，而是利用从一名患者所获得的临床数据集来生成训练数据集的。
在本文中，作为用于训练的临床数据，使用了从171名患者获得的563条数据，并且由其生成了总共1,542个训练数据集。
甲亢预测模型的训练
使用极端随机树，利用上述的训练数据集训练了游离T4浓度预测模型。
甲亢预测模型的测试
用于确定训练后的预测模型的准确性的测试数据集是从来自总共126名患者所获得的464条临床数据生成的，并且生成了总共1,416个测试数据集。
根据实验例#13，使用上述的测试集测试了训练后的游离T4浓度预测模型的准确性。
根据实验例#13的游离T4浓度预测模型的平均平方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)示于下[表16]中。
[表16]
| MSE | MAE | MAPE | |
| 游离T4 | 0.2272 | 0.1281 | 0.1624 |
实验例#13。
实验例#13中使用的训练数据集、测试数据集及它们的生成方法与实验例#12中所描述的那些相同。
然而，与实验例#12不同，在实验例#13中，根据训练方法实施方案#14训练了预测模型，而不是根据训练方法实施方案#13训练预测模型。
甲亢预测模型的测试
根据实验例#13，使用上述的测试集测试了训练后的游离T4浓度预测模型的准确性。
根据实验例#13的游离T4浓度预测模型的平均平方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)示于下[表17]中。
[表17]
| MSE | MAE | MAPE | |
| 游离T4 | 0.2219 | 0.1203 | 0.1626 |
实验例#14。
实验例#14中使用的训练数据集、测试数据集及它们的生成方法与实验例#12中描述的那些相同。
然而，与实验例#12不同，在实验例#14中，根据训练方法实施方案#15训练了预测模型，而不是根据训练方法实施方案#13训练预测模型。
甲亢预测模型的测试
根据实验例#14，使用上述的测试集测试了训练后的游离T4浓度预测模型的准确性。
根据实验例#14的游离T4浓度预测模型的平均平方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)示于下[表18]中。
[表18]
| MSE | MAE | MAPE | |
| 游离T4 | 0.2177 | 0.1104 | 0.1596 |
实验例#15。
实验例#15中使用的训练数据集、测试数据集及它们的生成方法与实验例#12中描述的那些相同。
然而，与实验例#12不同，在实验例#15中，根据训练方法实施方案#16训练了预测模型，而不是根据训练方法实施方案#13训练预测模型。
甲亢预测模型的测试
根据实验例#15，使用上述的测试集测试了训练后的游离T4浓度预测模型的准确性。
根据实验例#15的游离T4浓度预测模型的平均平方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)示于下[表19]中。
[表19]
| MSE | MAE | MAPE | |
| 游离T4 | 0.2159 | 0.1079 | 0.1584 |
1：系统
10：心率测量装置
20：用户终端
30：服务器。
Claims (12)
1.一种用于预测受试者的甲状腺功能不良的方法，包括：
获得触发信号；
基于所获得的触发信号确定目标日期；
获得对应于所确定的目标日期的区间心率；
获得所述受试者的对于所获得的对应于所确定的目标日期的区间心率的第一预处理结果，其中所述第一预处理结果包括至少一个与对应于所述目标日期的区间心率的平均值和分布相关的参数；
获得所述受试者的至少一个与对应于参考日期的甲状腺相关的激素的浓度；
获得所述受试者的对于对应于所述参考日期的区间心率的第二预处理结果，其中所述第二预处理结果包括至少一个与对应于所述参考日期的区间心率的平均值和分布相关的参数；
获得所述第一预处理结果相对于所述第二预处理结果的差异；和
获得对于甲状腺功能不良的预测结果，所述预测结果是基于包括所述至少一个与对应于参考日期的甲状腺相关的激素的浓度和所述差异在内的值而获得的，
其中对于甲状腺功能不良的所述预测结果是通过甲状腺功能不良预测模型对输入值进行处理的结果，其中所述输入值包括所述差异和所述至少一个与对应于所述参考日期的甲状腺相关的激素的浓度。
2.根据权利要求1所述的方法，其中所述至少一个与对应于所述目标日期的区间心率的分布相关的参数包括对应于所述目标日期的所述区间心率的标准偏差、偏度和峰度，
其中所述至少一个与对应于所述参考日期的区间心率的分布相关的参数包括对应于所述参考日期的所述区间心率的标准偏差、偏度和峰度。
3.根据权利要求1所述的方法，其中所述第一预处理结果相对于所述第二预处理结果的所述差异是选自由以下各项组成的组中的一个：1)所述目标日期相对于所述参考日期的区间心率的平均值的变化量，2)所述目标日期相对于所述参考日期的区间心率的平均值的变化率，3)所述目标日期相对于所述参考日期的标准偏差的变化量，4)所述目标日期相对于所述参考日期的相对标准偏差的变化量，5)所述目标日期相对于所述参考日期的偏度的变化量，6)所述目标日期相对于所述参考日期的峰度的变化量，7)在对应于所述参考日期的区间心率与对应于所述目标日期的区间心率之间的JS散度，或它们的组合。
4.根据权利要求1所述的方法，其中所述至少一个对应于所述参考日期的激素的浓度是选自由以下各项组成的组中的一个：1)促甲状腺激素(TSH)的浓度，2)四碘甲状腺原氨酸(T4)的浓度，3)血清中的游离T4(游离T4)的浓度，4)三碘甲状腺原氨酸(T3)的浓度，5)血清中的游离T3(游离T3)的浓度，6)促甲状腺素释放激素(TRH)的浓度或它们的组合。
5.根据权利要求1所述的方法，其中所述方法还包括：
从由以下各项组成的组中获得第一值和第二值：1)所述目标日期相对于所述参考日期的区间心率的平均值的变化量，2)所述目标日期相对于所述参考日期的区间心率的平均值的变化率，3)所述目标日期相对于所述参考日期的标准偏差的变化量，4)所述目标日期相对于所述参考日期的相对标准偏差的变化量，5)所述目标日期相对于所述参考日期的偏度的变化量，6)所述目标日期相对于所述参考日期的峰度的变化量，7)在对应于所述参考日期的区间心率与对应于所述目标日期的区间心率之间的JS散度，8)对应于所述参考日期的所述受试者的促甲状腺激素(TSH)的浓度，9)对应于所述参考日期的所述受试者的四碘甲状腺原氨酸(T4)的浓度，10)对应于所述参考日期的在所述受试者的血清中的游离T4(游离T4)的浓度，11)对应于所述参考日期的所述受试者的三碘甲状腺原氨酸(T3)的浓度，12)对应于所述参考日期的在所述受试者的血清中的游离T3(游离T3)的浓度，13)对应于所述参考日期的所述受试者的促甲状腺素释放激素(TRH)的浓度，
获得在i)通过将所述第一值乘以所述第二值而获得的值、ii)通过将所述第一值除以所述第二值而获得的值和iii)通过将所述第二值除以所述第一值而获得的值之中的任意一个值。
6.根据权利要求5所述的方法，其中基于包括所述至少一个对应于所述参考日期的激素的浓度和所述差异在内的值来获得对于甲状腺功能不良的预测结果是基于包括至少一个对应于所述参考日期的激素的浓度、所述差异和所获得的任意一个值在内的值来获得对于甲状腺功能不良的所述预测结果，
其中对于甲状腺功能不良的所述预测结果是通过所述甲状腺功能不良预测模型对输入值进行处理的结果，其中所述输入值包括所述差异、所获得的任意一个值和至少一个对应于所述参考日期的激素的浓度。
7.根据权利要求1所述的方法，其中所述方法还包括：
获得所述目标日期与所述参考日期之间的天数间隔。
8.根据权利要求7所述的方法，其中基于包括所述至少一个对应于所述参考日期的激素的浓度和所述差异在内的值来获得对于甲状腺功能不良的预测结果是基于包括至少一个对应于所述参考日期的激素的浓度、所述差异和所述目标日期与所述参考日期之间的天数间隔在内的值来获得对于甲状腺功能不良的所述预测结果，
其中对于甲状腺功能不良的所述预测结果是通过所述甲状腺功能不良预测模型对输入值进行处理的结果，其中所述输入值包括所述差异、所述目标日期与所述参考日期之间的天数间隔和至少一个对应于所述参考日期的激素的浓度。
9.根据权利要求1所述的方法，其中对应于所述目标日期的区间心率是对应于基于所述目标日期的预定期间的所有静息心率，
其中对应于所述参考日期的区间心率是对应于基于所述参考日期的所述预定期间的所有静息心率。
10.根据权利要求9的方法，
其中所述预定期间是选自8、9、10、11、12、13、14、15、16和17天中的任意一个。
11.根据权利要求1的方法，
其中所述甲状腺功能不良预测模型包括甲亢预测模型和甲减预测模型。
12.根据权利要求11所述的方法，其中对于甲状腺功能不良的所述预测结果是通过考虑第一预测结果和第二预测结果来确定的，在所述第一预测结果中通过所述甲亢预测模型来处理包括至少一个激素浓度和所述差异在内的输入值，在所述第二预测结果中通过所述甲减预测模型来处理包括至少一个激素浓度和所述差异在内的输入值。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2021-0099606 | 2021-07-29 | ||
| KR20210099606 | 2021-07-29 | ||
| PCT/KR2022/011163 WO2023008938A1 (ko) | 2021-07-29 | 2022-07-29 | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117716442A true CN117716442A (zh) | 2024-03-15 |
Family
ID=85087981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280053030.1A Pending CN117716442A (zh) | 2021-07-29 | 2022-07-29 | 用于受试者的甲状腺功能不良预测方法和系统 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20230108900A1 (zh) |
| EP (1) | EP4379738A1 (zh) |
| JP (1) | JP7556660B2 (zh) |
| KR (2) | KR102511453B1 (zh) |
| CN (1) | CN117716442A (zh) |
| WO (1) | WO2023008938A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117716442A (zh) * | 2021-07-29 | 2024-03-15 | 赛路思可富公司 | 用于受试者的甲状腺功能不良预测方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106419848A (zh) * | 2016-10-21 | 2017-02-22 | 北京通和堂生物科技有限公司 | 一种监测甲状腺机能的装置及方法 |
| CN108348745A (zh) * | 2015-08-18 | 2018-07-31 | 奥利克斯医疗保健有限公司 | 预测医疗保健事件的系统和方法 |
| US20180279885A1 (en) * | 2015-10-08 | 2018-10-04 | Koninklijke Philips N.V | Device, system and method for obtaining vital sign information of a subject |
| CN111372506A (zh) * | 2017-09-18 | 2020-07-03 | 首尔国立大学医院 | 使用可穿戴设备预测甲状腺毒症的系统和计算机程序 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150220698A1 (en) | 2014-02-04 | 2015-08-06 | Abbvie Inc. | Systems and methods for determining secondary hyperparathyroidism risk factors |
| EP3496696A4 (en) * | 2016-08-11 | 2020-04-22 | Sulfilatec, Inc. | COMPOUNDS AND METHODS FOR TREATING THE DISEASE. |
| US20180365385A1 (en) | 2017-06-16 | 2018-12-20 | University Hospitals Of Cleveland | Monitoring and evaluating patient reactions to medications |
| CN117716442A (zh) * | 2021-07-29 | 2024-03-15 | 赛路思可富公司 | 用于受试者的甲状腺功能不良预测方法和系统 |
-
2022
- 2022-07-29 CN CN202280053030.1A patent/CN117716442A/zh active Pending
- 2022-07-29 KR KR1020227038028A patent/KR102511453B1/ko active IP Right Grant
- 2022-07-29 KR KR1020237008885A patent/KR20240029727A/ko active Application Filing
- 2022-07-29 WO PCT/KR2022/011163 patent/WO2023008938A1/ko active Application Filing
- 2022-07-29 JP JP2024502550A patent/JP7556660B2/ja active Active
- 2022-07-29 EP EP22801687.9A patent/EP4379738A1/en active Pending
- 2022-12-05 US US18/074,753 patent/US20230108900A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108348745A (zh) * | 2015-08-18 | 2018-07-31 | 奥利克斯医疗保健有限公司 | 预测医疗保健事件的系统和方法 |
| US20180279885A1 (en) * | 2015-10-08 | 2018-10-04 | Koninklijke Philips N.V | Device, system and method for obtaining vital sign information of a subject |
| CN106419848A (zh) * | 2016-10-21 | 2017-02-22 | 北京通和堂生物科技有限公司 | 一种监测甲状腺机能的装置及方法 |
| CN111372506A (zh) * | 2017-09-18 | 2020-07-03 | 首尔国立大学医院 | 使用可穿戴设备预测甲状腺毒症的系统和计算机程序 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4379738A1 (en) | 2024-06-05 |
| WO2023008938A1 (ko) | 2023-02-02 |
| KR102511453B1 (ko) | 2023-03-17 |
| KR20240029727A (ko) | 2024-03-06 |
| KR20230019074A (ko) | 2023-02-07 |
| JP2024527790A (ja) | 2024-07-26 |
| US20230108900A1 (en) | 2023-04-06 |
| JP7556660B2 (ja) | 2024-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6659049B2 (ja) | 血糖値予測装置、血糖値予測方法及びプログラム | |
| US10376207B2 (en) | Calculating a current circadian rhythm of a person | |
| WO2015120481A1 (en) | Assessing cognition using item-recall trials with accounting for item position | |
| JP7502192B2 (ja) | うつ状態を推定する装置、方法及びそのためのプログラム | |
| CN111513726B (zh) | 一种基于iht动态性能评估ams风险的系统 | |
| KR20190032668A (ko) | 웨어러블 장치를 이용한 갑상선기능항진증의 예측 시스템 및 예측 컴퓨터프로그램 | |
| CN117716442A (zh) | 用于受试者的甲状腺功能不良预测方法和系统 | |
| Li et al. | Automatic sleep staging by a hybrid model based on deep 1D-ResNet-SE and LSTM with single-channel raw EEG signals | |
| CN113288133A (zh) | 用于预测血糖值的方法、装置、存储介质及处理器 | |
| CN111148999B (zh) | 用于预测新生儿胆红素水平的方法和计算机程序 | |
| CN112472052A (zh) | 基于个人运动机能指数pai的体重预测方法、装置和设备 | |
| CN116913550A (zh) | 一种ppi相关糖尿病风险预测模型的建模方法和应用 | |
| US20240266052A1 (en) | Stressor estimation device, stressor estimation method, and storage medium | |
| KR102674339B1 (ko) | 대상에 대한 갑상선기능이상증의 예측방법 및 시스템 | |
| JP6960849B2 (ja) | 生体情報処理装置、生体情報処理システム、生体情報処理方法及びプログラム | |
| US20240206823A1 (en) | Method, apparatus and program for calculating disease risk based on heart rate measurement | |
| JP2021142286A (ja) | 睡眠状態評価装置、睡眠状態評価方法および睡眠状態評価プログラム | |
| Kaufman | Proportional-integral control in the evaluation of glucose homeostasis and Type 2 Diabetes | |
| EP4141884A1 (en) | Prediction support system, prediction support method, prediction support program, recording medium, training dataset, and trained model generating method | |
| WO2022208873A1 (ja) | ストレス推定装置、ストレス推定方法及び記憶媒体 | |
| KR20230173438A (ko) | 비당뇨인의 공복혈당장애 확률 예측 장치, 공복혈당장애 확률 예측 방법 및 기록 매체에 저장된 프로그램 | |
| Akhtar et al. | Implementing wearable sensor technology for the determination of a biomarker profile for cancer-related fatigue | |
| Graves | Timing of dysregulation in rest-activity rhythm and depression symptom severity in dementia caregivers | |
| Melin et al. | Intelligent System for Risk Estimation of Arterial Hypertension | |
| CN116313063A (zh) | 一种骨质疏松性骨折再发风险计算方法及系统 |
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 |