CN117912708B - 公共卫生中慢性非传染性疾病防控方法、系统及存储介质 - Google Patents
公共卫生中慢性非传染性疾病防控方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117912708B CN117912708B CN202410294102.2A CN202410294102A CN117912708B CN 117912708 B CN117912708 B CN 117912708B CN 202410294102 A CN202410294102 A CN 202410294102A CN 117912708 B CN117912708 B CN 117912708B
- Authority
- CN
- China
- Prior art keywords
- risk perception
- chronic disease
- state
- chronic
- people
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000005180 public health Effects 0.000 title claims abstract description 33
- 208000031662 Noncommunicable disease Diseases 0.000 title claims abstract description 24
- 230000001684 chronic effect Effects 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000008447 perception Effects 0.000 claims abstract description 145
- 208000017667 Chronic Disease Diseases 0.000 claims abstract description 133
- 201000010099 disease Diseases 0.000 claims abstract description 87
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 87
- 230000006806 disease prevention Effects 0.000 claims abstract description 75
- 238000011217 control strategy Methods 0.000 claims abstract description 65
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims description 61
- 230000008859 change Effects 0.000 claims description 55
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 238000011084 recovery Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 27
- 230000007704 transition Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 6
- 238000004393 prognosis Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000009897 systematic effect Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003234 polygenic effect Effects 0.000 description 4
- 208000026350 Inborn Genetic disease Diseases 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000005750 disease progression Effects 0.000 description 3
- 208000016361 genetic disease Diseases 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000003181 biological factor Substances 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 235000005686 eating Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012953 risk communication Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000021147 sweet food Nutrition 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供公共卫生中慢性非传染性疾病防控方法、系统及存储介质,考虑到公众的信息需求、信息渠道和信息内容呈现多元化和复杂化的特点,将风险感知水平作为慢性病防控的重要影响因素之一,基于此匹配公共卫生问题中慢性病防控策略,能够尽早对高风险人群进行防控,关口前移,从中青年时期开始干预,能有效降低慢性病发生率及有效控制病情进展,使慢性病的预后较好,有利于破解当前慢性病防治的困境,为公共卫生管理部门制定公共卫生政策加强慢性病预防和控制工作提供决策依据,具有重要的现实意义。能够降低风险感知偏差,以便将风险感知水平控制在一定范围内,将风险感知偏差植入防控策略下,极大增强慢性病防控策略协同应对的实际效能。
Description
技术领域
本发明涉及医疗信息处理技术领域,特别涉及公共卫生中慢性非传染性疾病防控方法、系统及存储介质。
背景技术
慢性病全称是慢性非传染性疾病,不是特指某种疾病,而是对一类起病隐匿,病程长且病情迁延不愈,缺乏确切的传染性生物病因证据,病因复杂,且有些尚未完全被确认的疾病的概括性总称。例如,高血压、糖尿病等均属于常见的慢性病。
慢性病的发展具有累积性,为了能够降低慢性病发生率,需要尽早对高风险人群进行防控,从中青年时期开始干预,将关口前移。传统的慢性病管理方法主要包括患者进行定期健康体检,了解自身健康状况,知晓疾病所处状况并进行控制及治疗。在传统的慢性病管理过程中,没有考虑到在以网络为主导的全媒体信息时代,公众的信息需求、信息渠道和信息内容呈现多元化和复杂化的特点,导致公众的风险感知和自我效能作用效果甚微,在一定程度上促进了病情进展,使得慢性病的预后较差。
发明内容
为了实现本发明的上述目的和其他优点,本发明的第一目的是提供一种公共卫生中慢性非传染性疾病防控方法,包括以下步骤:
获取目标监测单元的慢性病状态参数,所述慢性病状态参数包括目标监测单元总人数、各疾病状态对应的人数、状态转换率、风险感知水平;
将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络;
通过所述影响网络的特征、所述状态转换率、所述风险感知水平、各疾病状态对应的人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程;
通过所述目标监测单元总人数、所述易患病人数变化微分方程、所述已患病人数变化微分方程、所述恢复人数变化微分方程计算出传递系数;
当所述传递系数达到阈值时,通过所述状态转换率、所述风险感知水平匹配对应的慢性病防控策略并输出。
进一步地,所述风险感知水平的获取包括以下步骤:
获取风险感知量表数据;
将所述风险感知量表中的题项数据按变量进行归类;
计算每个变量与风险感知之间的相关系数;
将所述相关系数作为结构方程模型的输入,得到风险感知水平。
进一步地,所述变量包括第一级变量、第二级变量;其中,所述第一级变量包括信息量、心理反应,所述第二级变量包括信息搜寻方式;
所述将所述风险感知量表中的题项数据按变量进行归类包括以下步骤:
将所述风险感知量表中的题项数据按第一级变量、第二级变量进行归类;
所述计算每个变量与风险感知之间的相关系数包括以下步骤:
计算每个第一级变量与每个第二级变量之间的相关系数;
所述将所述相关系数作为结构方程模型的输入,得到风险感知水平包括以下步骤:
将所述相关系数作为第一结构方程模型的输入,将所述第一结构方程模型的输出作为第二结构方程模型的输入,得到风险感知水平。
进一步地,所述将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络包括以下步骤:
生成初始无标度网络;
将目标监测单元中的人作为所述无标度网络的节点;
将疾病状态作为对应节点的状态;
将目标监测单元中人之间的影响因素作为所述无标度网络的边。
进一步地,所述将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络包括以下步骤:
根据当前节点的疾病状态人数、与当前节点相连接的节点的疾病状态人数计算当前节点的疾病状态概率;
通过当前节点的疾病状态概率更新当前节点的疾病状态。
进一步地,所述疾病状态人数包括易患病人数、已患病人数、恢复人数;所述状态转换率包括患病率、恢复率;
所述通过所述影响网络的特征、所述状态转换率、所述风险感知水平、疾病状态人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程还包括以下步骤:
获取所述影响网络中节点最新的疾病状态;
通过风险感知水平、节点为已患病状态的概率、患病率、易患病人数、已患病人数构建易患病人数变化微分方程;
通过风险感知水平、节点为已患病状态的概率、患病率、易患病人数、已患病人数、恢复率构建已患病人数变化微分方程;
通过已患病人数、恢复率构建恢复人数变化微分方程。
进一步地,所述当所述传递系数达到阈值时,通过所述状态转换率、所述风险感知水平匹配对应的慢性病防控策略包括以下步骤:
当所述传递系数达到阈值时,根据所述风险感知水平通过慢性病防控策略匹配表获得对应的慢性病防控策略;其中,所述慢性病防控策略包括给出增强控制疾病相关的生活习惯、提高自身风险感知意识、提高慢性病控制水平的建议。
进一步地,所述慢性病防控策略匹配表的构建包括以下步骤:
将慢性病防控策略赋予预设的标签,形成慢性病防控策略参数;
统计所述状态转换率、所述风险感知水平在慢性病防控策略参数三维空间的分布;
计算慢性病防控策略参数分别对所述状态转换率、所述风险感知水平的相关关系;
将所述状态转换率、所述风险感知水平与对应的相关关系存储为慢性病防控策略匹配表。
进一步地,所述变量还包括计算出的风险感知水平、个人特征、信息来源;
还包括以下步骤:
将计算出的风险感知水平、所述个人特征、所述信息来源作为回归方程的输入,得到风险感知偏差值;
所述当所述传递系数达到阈值时,通过所述状态转换率、所述风险感知水平匹配对应的慢性病防控策略还包括以下步骤:
通过所述风险感知偏差值对所述风险感知水平进行修正;
根据所述状态转换率、修正后的风险感知水平通过慢性病防控策略匹配表获得对应的慢性病防控策略。
进一步地,所述回归方程的构建包括以下步骤:
通过个人特征、信息来源和风险感知水平建立回归方程;
采用最小二乘法求解所述回归方程的系数,得到回归方程。
本发明的第二目的是提供一种公共卫生中慢性非传染性疾病防控系统,实现上述的方法,包括慢性病状态参数获取模块、影响网络构建模块、变化微分方程构建模块、传递系数计算模块、慢性病防控策略匹配模块;其中,
所述慢性病状态参数获取模块,用于获取目标监测单元的慢性病状态参数,所述慢性病状态参数包括目标监测单元总人数、各疾病状态对应的人数、状态转换率、风险感知水平;
所述影响网络构建模块,用于将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络;
所述变化微分方程构建模块,用于通过所述影响网络的特征、所述状态转换率、所述风险感知水平、各疾病状态对应的人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程;
所述传递系数计算模块,用于通过所述目标监测单元总人数、所述易患病人数变化微分方程、所述已患病人数变化微分方程、所述恢复人数变化微分方程计算出传递系数;
所述慢性病防控策略匹配模块,用于当所述传递系数达到阈值时,通过所述状态转换率、所述风险感知水平匹配对应的慢性病防控策略并输出。
本发明的第三目的是提供一种计算机可读存储介质,其上存储有程序指令,所述程序指令被执行时实现上述的方法。
与现有技术相比,本发明的有益效果是:
本发明提供公共卫生中慢性非传染性疾病防控方法、系统及存储介质,考虑到公众的信息需求、信息渠道和信息内容呈现多元化和复杂化的特点,将风险感知水平作为慢性病防控的重要影响因素之一,并基于此匹配公共卫生问题中慢性病防控策略,实现尽早对高风险人群进行防控,关口前移,从中青年时期开始干预,能够有效降低慢性病发生率,也能够有效控制病情进展,使得慢性病的预后较好,有利于破解当前慢性病防治的困境,为公共卫生管理部门制定公共卫生政策加强慢性病预防和控制工作提供决策依据,具有重要的现实意义。并且能够从目标监测单元内不同主体的切入点和思维模式出发,对风险感知偏差进行测度,降低风险感知偏差,以便将风险感知水平控制在一定范围内,将风险感知偏差植入防控策略之下,极大增强慢性病防控策略协同应对的实际效能。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为实施例1的公共卫生中慢性非传染性疾病防控方法流程图;
图2为实施例1的风险感知水平的获取流程图一;
图3为实施例1的风险感知水平的获取流程图二;
图4为实施例1的影响网络构建流程图;
图5为实施例1的影响网络节点状态更新流程图;
图6为实施例1的微分方程构建流程图;
图7为实施例1的慢性病防控策略匹配表的构建流程图;
图8为实施例1的风险感知水平修正流程图;
图9为实施例1的回归方程构建流程图;
图10为实施例1的结构方程模型理论示意图;
图11为实施例3的存储介质示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在后续的描述中,使用用于表示元件的诸如“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“部件”或“单元”可以混合地使用。
实施例1
一种公共卫生中慢性非传染性疾病防控方法,如图1所示,包括以下步骤:
S1、获取目标监测单元的慢性病状态参数,慢性病状态参数包括目标监测单元总人数、各疾病状态对应的人数、状态转换率、风险感知水平;
由于慢性病与行为生活方式息息相关,夫妻、子女或者大家庭成员共享家庭环境与家庭资源,长期遵循相同的饮食、睡眠、居住环境等,极易导致家庭成员患上同一种慢性疾病。例如,家庭喜食油腻、动物内脏等,非常容易造成家庭成员均患脂肪肝。家庭中有人吸烟,会造成家庭成员长期生活在二手烟环境中,肺部健康受损。同时,一些慢性病的微效致病基因也通过遗传方式可在家族成员中散布,这样就很容易“群体性”发生某种特定的“慢性病”。
由于慢性病的发展具有累积性,尽早对高风险人群进行防控,关口前移,从中青年时期开始干预,是降低慢性病发生率的有效手段。例如:可以建立家族性良好的生活习惯,当家族中有慢性病的发生时,尤其是直系亲属,那么就需要更加远离导致慢性病的危险因素,例如不吸烟、少喝酒、不要吃过于油腻或甜的食物等,加强身体锻炼等,以降低得慢性病的可能性,减少遗传易感性的作用。
在一些实施例中,目标监测单元可以被配置为家庭、家族、以及其他共享环境与资源的聚集性监测单元等。目标监测单元总人数记为N;疾病状态包括易患病状态、已患病状态、恢复状态,易患病人数记为S,已患病人数记为B,恢复人数记为R;状态转换率包括患病率、恢复率,患病率记为β,恢复率记为γ;风险感知水平记为r。
如图2所示,风险感知水平的获取包括以下步骤:
S11、获取风险感知量表数据;其中,风险感知量表采用针对国内人群编制的本土化慢性病风险感知量表,此量表包括多个变量以及对应变量的多个题项/>;其中,i=1、2、...、m,j=1、2、...、n,m为变量总数,n为每个变量各自对应的题项总数。
其中,变量可以包括信息搜寻模式、信息量、心理反应、风险感知等,信息搜寻模式可以包括启发式信息搜寻模式、系统式信息搜寻模式,信息量用于表征个体需要了解的信息数量,心理反应用于表征个体对该慢性疾病的心理状况。每个变量对应的多个题项/>可以采用五点计分,从1分“完全不符合”到5分“完全符合”,本实施例采用变量/>对应的多个题项/>的平均分表征变量/>。
S12、将风险感知量表中的题项数据按变量/>进行归类;即按照上述的信息搜寻模式、信息量、心理反应、风险感知等进行题项数据归类,以方便后续的数据处理。
S13、计算每个变量与风险感知之间的相关系数/>;例如,如图10所示,启发式信息搜寻模式/>与风险感知之间的相关系数为/>,系统式信息搜寻模式/>与风险感知之间的相关系数为/>,信息量/>与风险感知之间的相关系数为/>,心理反应/>与风险感知之间的相关系数/>等。
在统计学中,可以采用皮尔逊相关系数度量两个变量X和Y之间的相关关系。本实施例中,计算统计出的风险感知量表中每个变量的数据与风险感知的数据的皮尔逊相关系数。皮尔逊相关系数的计算方式有很多种,属于现有技术,例如可以使用stats工具包中的cor()函数来计算每个变量/>与风险感知之间的相关系数/>。
S14、将相关系数作为结构方程模型的输入,得到风险感知水平r。其中,结构方程模型(Structural Equation Model)是基于变量的协方差矩阵来分析变量之间关系的一种统计方法,能够将两个或多个结构模型联合起来,以实现对多元关系进行建模的统计框架。常用的分析软件有:LISREL、Amos、EQS、MPlus、SPSS等,这些软件的具体使用属于常规技术手段,这些软件中的结构方程模型仅是用来研究所测量变量间的关系,不涉及软件内部该结构方程模型的具体底层构建。从量表问卷数据资料的角度来讲,该数据资料本质上可以使用结构方程模型进行分析。
本实施例中,以SPSS软件为例通过上述相关系数计算风险感知水平。具体步骤如下:打开SPSS软件,上传数据;选择结构方程模型,创建因子,并拖入变量数据,也就是上述相关系数/>;点击开始分析,系统自动分析出结果,该结果就是所需的风险感知水平r。
当个体感受到自身所掌握的信息量与应对风险所需信息之间有差距时,通常会进行信息搜索,以缩小差距以满足自身信息需求。并且在面对慢性疾病时,大量风险信息容易影响个体的心理反应,尤其是会造成负面影响,产生恐慌、愤怒等负面情感,这种心理反应也会使个体进行信息搜索,以积极主动地找寻所需信息弥补差距。
为了使得风险感知水平的计算结果更加准确,更能贴近真实值。在一些实施例中,变量包括第一级变量、第二级变量/>;其中,第一级变量/>包括信息量/>、心理反应/>,第二级变量/>包括信息搜寻方式,信息搜寻模式可以包括启发式信息搜寻模式、系统式信息搜寻模式/>。
需要说明的是,启发式信息搜寻模式、系统式信息搜寻模式/>都属于社会心理学中的信息处理模式。简单来说,启发式信息搜寻模式/>是指人们付出较少认知努力,根据信息的外部线索进行简单判断。比如,“来源可信度”的暗示可能触发规则“信息意味着正确”,使人们更愿意接受信任度高的人发送的信息。系统式信息搜寻模式/>是指人们利用足够多的认知资源对相关信息内容进行系统评估。比如,用户评价主要考虑信息内容本身(比如论述质量和论述强度),而不仅仅考虑信息源可信度和信息数量等非内容因素。
如图3所示,将风险感知量表中的题项数据按变量进行归类包括以下步骤:
S121、将风险感知量表中的题项数据按第一级变量、第二级变量/>进行归类;即按照上述的信息量、心理反应等进行题项数据归类,以及按照上述的信息搜寻模式进行题项数据归类,以方便后续的数据处理。
计算每个变量与风险感知之间的相关系数包括以下步骤:
S122、计算每个第一级变量与每个第二级变量/>之间的相关系数;例如,信息量/>与启发式信息搜寻模式/>之间的相关系数为/>,信息量/>与系统式信息搜寻模式/>之间的相关系数为/>,心理反应/>与启发式信息搜寻模式/>之间的相关系数为/>,心理反应/>与系统式信息搜寻模式/>之间的相关系数/>等。
在统计学中,可以采用皮尔逊相关系数度量两个变量X和Y之间的相关关系。本实施例中,计算统计出的风险感知量表中每个第一级变量的数据与每个第二级变量/>的数据的皮尔逊相关系数。皮尔逊相关系数的计算方式有很多种,属于现有技术,例如可以使用stats工具包中的cor()函数来计算个第一级变量/>与每个第二级变量/>之间的相关系数。
将相关系数作为结构方程模型的输入,得到风险感知水平包括以下步骤:
S123、将相关系数作为第一结构方程模型的输入,将第一结构方程模型的输出作为第二结构方程模型的输入,得到风险感知水平。例如,第一结构方程模型的第一个输出,即启发式信息搜寻模式与风险感知之间的相关系数为/>,第一结构方程模型的第二个输出,即系统式信息搜寻模式/>与风险感知之间的相关系数为/>等。
本实施例中,以SPSS软件为例通过上述相关系数计算风险感知水平。具体步骤如下:打开SPSS软件,上传数据;选择第一结构方程模型,创建因子,并拖入变量数据,也就是上述相关系数和统计出的风险感知量表中风险感知的数据;点击开始分析,系统自动分析出结果,该结果就是第一结构方程模型的输出;选择第二结构方程模型,创建因子,并拖入变量数据,也就是上述第一结构方程模型的输出;点击开始分析,系统自动分析出结果,该结果就是风险感知水平。
S2、将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络;
有研究称,在多基因遗传病中,若干微效致病基因的累加作用,使带有致病基因的个体具有患病的遗传基础,这种由多基因遗传基础决定的患某种多基因遗传病的风险称为易感性。所以易感性仅指个体的遗传基础。
而易患性与发病阈值在多基因遗传病中,由遗传基础和环境因素的共同作用,决定了一个个体是否易于患病,称为易患性。易患性的变异呈正态分布,也就是群体中大多数个体的易患性都接近平均值,易患性很低和很高的个体数量都很少。当一个个体的易患性高达一定水平即达到一个限度时,这个个体将患病。这个易患性的限度称为阈值。这样,连续分布的易患性变异就被阈值划分为两部分:大部分为正常个体,小部分为患者。阈值代表在一定的环境条件下,发病所必需的、最低的易感基因(即致病基因)的数量。
由于实际的目标监测单元中大部分个体的度值都相对较小,而少部分个体的度值相对很大,这就导致平均值不再具有典型意义。因此,本实施例采用无标度网络。
无标度网络是指具有幂指数形式的度分布:。所谓无标度是指一个概率分布函数/>对于任意给定常数a存在常数b使得/>满足/>。
幂律分布是唯一满足无标度条件的概率分布函数。许多实际大规模无标度网络,其幂指数通常为33,绝大多数节点的度相对很低,也存在少量度值相对很高的节点(称为hub),把这类网络称为非均匀网络(异质网络)。
指数度分布网络:,式中,/>为节点的度,度指数/>>0为一常数。
如图4所示,将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络包括以下步骤:
S21、生成初始无标度网络;例如,通过BA模型生成初始无标度网络,初始化无标度网络中相互连接的节点。
S22、将目标监测单元中的人作为无标度网络的节点;
S23、将疾病状态作为对应节点的状态;即节点的状态为个体对应的疾病状态,可能为易患病状态、已患病状态或恢复状态。
S24、将目标监测单元中人之间的影响因素作为无标度网络的边。以节点为例,新增的节点与节点/>之间增加一条边的概率为:
,
其中,为节点/>的度,/>为已有的节点度之和。
由于目标监测单元中的成员生活于同样的环境,行为生活方式也时常互相影响,慢性病作为常见行为生活方式病,目标监测单元内的个体之间构成一个影响网络,影响网络中各节点之间的影响因素不是随机的,在该影响网络中,每个个体与已患病成员的影响因素不完全相同,其与该个体在影响网络中与已患病成员的位置相关,此位置可以源于个体与已患病成员的生物因素(例如,血缘关系)以及非生物因素(例如,实际生活方式)。为了提前准确的预测慢性病可能发生的情况,需要对影响网络中各节点的状态进行更新。
如图5所示,将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络包括以下步骤:
S25、根据当前节点的疾病状态人数、与当前节点相连接的节点的疾病状态人数计算当前节点的疾病状态概率;例如,先设置更新的时间单元,每到一个时间单元,就对每一个节点的状态进行更新。以疾病状态包括易患病状态、已患病状态、恢复状态,状态转换率包括患病率β、恢复率γ为例。若节点的状态为恢复状态,则经过一时间单元后,该节点的状态仍为恢复状态;若节点/>的状态为已患病状态,则经过一时间单元后,该节点的状态转换为恢复率的概率为γ,该节点的状态仍为已患病状态的概率为/>;若节点/>的状态为易患病状态,则经过一时间单元后,该节点的状态转换为已患病状态的概率为,k为节点/>的处于已患病状态的邻居的数量,该节点的状态仍为易患病状态。
S26、通过当前节点的疾病状态概率更新当前节点的疾病状态。
S3、通过影响网络的特征、状态转换率、风险感知水平、各疾病状态对应的人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程;
风险感知是导致个体风险沟通和慢性病病情进展的重要因素,风险感知会直接影响个体对于慢性病的认知相关性和重要性,不同的风险认知水平会促使个体采取不同的风险应对措施,进而影响慢性病的病情进展。
本实施例结合风险感知水平以及慢性病发展模型对慢性病的病情进展情况进行预测,以及匹配能够加强慢性病防控的应对策略,为政策制定提供技术支撑。
如图6所示,通过影响网络的特征、状态转换率、风险感知水平、各疾病状态对应的人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程还包括以下步骤:
S31、获取影响网络中节点最新的疾病状态;由上述分析可知,节点最新的疾病状态可能是易患病状态、已患病状态、恢复状态,节点最新的疾病状态与该节点之前的状态以及与该节点连接的节点状态相关。根据节点最新的疾病状态能够确定节点为患病状态的概率。
S32、通过风险感知水平、节点为已患病状态的概率、患病率、易患病人数、已患病人数构建易患病人数变化微分方程,公式如下:
(1),
其中,为节点为患病状态的概率,/>为t时刻易患病人群在目标监测单元总人群中所占的比例,/>为t时刻已患病人群在目标监测单元总人群中所占的比例。
S33、通过风险感知水平、节点为已患病状态的概率、患病率、易患病人数、已患病人数、恢复率构建已患病人数变化微分方程,公式如下:
(2),
S34、通过已患病人数、恢复率构建恢复人数变化微分方程,公式如下:
(3),
其中,为t时刻恢复人群在目标监测单元总人群中所占的比例。
本实施例根据个体所处的环境、慢性病的病情发展规律和风险感知水平建立能够反映慢性病发展特性的数学模型。通过在模型中引入不同参数,能够较准确地预测目标监测单元的慢性病发展趋势等。
S4、通过目标监测单元总人数、易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程计算出传递系数;
其中, (4);
联合公式(1)、公式(2)、公式(3)以及公式(4)能够计算出传递系数。
S5、当传递系数达到阈值时,通过状态转换率、风险感知水平匹配对应的慢性病防控策略并输出。
本实施例中,当传递系数达到阈值时,根据风险感知水平通过慢性病防控策略匹配表获得对应的慢性病防控策略;其中,慢性病防控策略包括给出增强控制疾病相关的生活习惯(例如,控制吸烟与饮酒习惯,控制体重/体脂,控制饮食习惯等)、提高自身风险感知意识(例如,引导风险感知水平趋近等)、提高慢性病控制水平(例如,针对性的药物研发等)的建议。
以上述提高自身风险感知意识为例,由于媒介环境对个体的风险感知具有重要调节作用,因此在进行慢性病防控过程中,可以适当引导风险感知水平趋近,有利于增强慢性病防控策略协同应对的实际效能。
由于风险感知水平对公众信息处理时的行为产生影响,过高的风险感知水平不利于慢性病防控政策的实施,此时公共卫生管理部门应与公众进行有效的风险沟通,使公众获得适当的风险感知水平,提高风险感知水平与风险真实情况的一致性,即将风险感知水平有效地控制在适中或较低水平。
如图7所示,慢性病防控策略匹配表的构建包括以下步骤:
S51、将慢性病防控策略赋予预设的标签,形成慢性病防控策略参数;例如,将增强控制疾病相关的生活习惯表示为/>,提高自身风险感知意识表示为/>,提高慢性病控制水平表示为/>等。
S52、统计状态转换率、风险感知水平在慢性病防控策略参数三维空间的分布;
S53、计算慢性病防控策略参数分别对状态转换率、风险感知水平的相关关系;例如,可以根据S52步骤中的样本统计量生成经验回归方程,采用最小二乘法求解该经验回归方程的系数,最终得到相关关系。或者,也可以计算慢性病防控策略参数分别对状态转换率、风险感知水平的偏微分,将状态转换率、风险感知水平各自与对应的偏微分计算结果的对应关系存储为慢性病防控策略匹配表。
S54、将状态转换率、风险感知水平与对应的相关关系存储为慢性病防控策略匹配表。
由于不同个体的基本信息不同,即个人特征不同,例如年龄、学历、职业、家庭收入、性别等不同,在面对慢性病时,具有不同的风险感知水平;此外,不同的个体因信息来源不同,也会有不同的风险感知水平。
在一些实施例中,变量还包括计算出的风险感知水平、个人特征、信息来源。如图8所示,还包括以下步骤:
S500、将计算出的风险感知水平、个人特征、信息来源作为回归方程的输入,得到风险感知偏差值D;其中,如图9所示,回归方程的构建包括以下步骤:
S510、通过个人特征、信息来源和风险感知水平建立回归方程,公式如下:
,
其中,为个人特征,/>为信息来源,/>、/>、/>为回归系数,/>为截距,/>为随机误差。
S511、采用最小二乘法求解回归方程的系数,得到回归方程。
当传递系数达到阈值时,通过状态转换率、风险感知水平匹配对应的慢性病防控策略还包括以下步骤:
S501、通过风险感知偏差值对风险感知水平进行修正,以使得修正后的风险感知水平能够真实反映该目标监测单元的风险感知水平。
S502、根据状态转换率、修正后的风险感知水平通过慢性病防控策略匹配表获得对应的慢性病防控策略。
本发明提供公共卫生中慢性非传染性疾病防控方法,考虑到公众的信息需求、信息渠道和信息内容呈现多元化和复杂化的特点,将风险感知水平作为慢性病防控的重要影响因素之一,并基于此匹配公共卫生问题中慢性病防控策略,实现尽早对高风险人群进行防控,关口前移,从中青年时期开始干预,能够有效降低慢性病发生率,也能够有效控制病情进展,使得慢性病的预后较好,有利于破解当前慢性病防治的困境,为公共卫生管理部门制定公共卫生政策加强慢性病预防和控制工作提供决策依据,具有重要的现实意义。并且能够从目标监测单元内不同主体的切入点和思维模式出发,对风险感知偏差进行测度,降低风险感知偏差,以便将风险感知水平控制在一定范围内,将风险感知偏差植入防控策略之下,极大增强慢性病防控策略协同应对的实际效能。
实施例2
一种公共卫生中慢性非传染性疾病防控系统,实现上述的方法,关于方法的详细描述,可以参照上述方法实施例中的对应描述,在此不再赘述。该系统包括慢性病状态参数获取模块、影响网络构建模块、变化微分方程构建模块、传递系数计算模块、慢性病防控策略匹配模块;其中,
慢性病状态参数获取模块,用于获取目标监测单元的慢性病状态参数,慢性病状态参数包括目标监测单元总人数、各疾病状态对应的人数、状态转换率、风险感知水平;
影响网络构建模块,用于将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络;
变化微分方程构建模块,用于通过影响网络的特征、状态转换率、风险感知水平、各疾病状态对应的人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程;
传递系数计算模块,用于通过目标监测单元总人数、易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程计算出传递系数;
慢性病防控策略匹配模块,用于当传递系数达到阈值时,通过状态转换率、风险感知水平匹配对应的慢性病防控策略并输出。
实施例3
一种计算机可读存储介质,如图11所示,其上存储有程序指令,程序指令被执行时实现一种公共卫生中慢性非传染性疾病防控方法。关于方法的详细描述,可以参照上述方法实施例中的对应描述,在此不再赘述。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
本说明书实施例提供的系统、非易失性计算机存储介质与方法是对应的,因此,系统、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应系统、非易失性计算机存储介质的有益技术效果。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件单元又可以是硬件部件内的结构。
上述实施例阐明的系统、装置或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序单元。一般地,程序单元包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序单元可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的权利要求范围之内。本说明书一个或多个实施例本说明书一个或多个实施例本说明书一个或多个实施例本说明书一个或多个实施例。
Claims (12)
1.一种公共卫生中慢性非传染性疾病防控方法,其特征在于,包括以下步骤:
获取目标监测单元的慢性病状态参数,所述慢性病状态参数包括目标监测单元总人数、各疾病状态对应的人数、状态转换率、风险感知水平;
将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络;
通过所述影响网络的特征、所述状态转换率、所述风险感知水平、各疾病状态对应的人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程;
通过所述目标监测单元总人数、所述易患病人数变化微分方程、所述已患病人数变化微分方程、所述恢复人数变化微分方程计算出传递系数;
当所述传递系数达到阈值时,通过所述状态转换率、所述风险感知水平匹配对应的慢性病防控策略并输出。
2.如权利要求1所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述风险感知水平的获取包括以下步骤:
获取风险感知量表数据;
将所述风险感知量表中的题项数据按变量进行归类;
计算每个变量与风险感知之间的相关系数;
将所述相关系数作为结构方程模型的输入,得到风险感知水平。
3.如权利要求2所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述变量包括第一级变量、第二级变量;其中,所述第一级变量包括信息量、心理反应,所述第二级变量包括信息搜寻方式;
所述将所述风险感知量表中的题项数据按变量进行归类包括以下步骤:
将所述风险感知量表中的题项数据按第一级变量、第二级变量进行归类;
所述计算每个变量与风险感知之间的相关系数包括以下步骤:
计算每个第一级变量与每个第二级变量之间的相关系数;
所述将所述相关系数作为结构方程模型的输入,得到风险感知水平包括以下步骤:
将所述相关系数作为第一结构方程模型的输入,将所述第一结构方程模型的输出作为第二结构方程模型的输入,得到风险感知水平。
4.如权利要求3所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络包括以下步骤:
生成初始无标度网络;
将目标监测单元中的人作为所述无标度网络的节点;
将疾病状态作为对应节点的状态;
将目标监测单元中人之间的影响因素作为所述无标度网络的边。
5.如权利要求4所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络包括以下步骤:
根据当前节点的疾病状态人数、与当前节点相连接的节点的疾病状态人数计算当前节点的疾病状态概率;
通过当前节点的疾病状态概率更新当前节点的疾病状态。
6.如权利要求5所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述疾病状态人数包括易患病人数、已患病人数、恢复人数;所述状态转换率包括患病率、恢复率;
所述通过所述影响网络的特征、所述状态转换率、所述风险感知水平、疾病状态人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程还包括以下步骤:
获取所述影响网络中节点最新的疾病状态;
通过风险感知水平、节点为已患病状态的概率、患病率、易患病人数、已患病人数构建易患病人数变化微分方程;
通过风险感知水平、节点为已患病状态的概率、患病率、易患病人数、已患病人数、恢复率构建已患病人数变化微分方程;
通过已患病人数、恢复率构建恢复人数变化微分方程。
7.如权利要求6所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述当所述传递系数达到阈值时,通过所述状态转换率、所述风险感知水平匹配对应的慢性病防控策略包括以下步骤:
当所述传递系数达到阈值时,根据所述风险感知水平通过慢性病防控策略匹配表获得对应的慢性病防控策略;其中,所述慢性病防控策略包括给出增强控制疾病相关的生活习惯、提高自身风险感知意识、提高慢性病控制水平的建议。
8.如权利要求7所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述慢性病防控策略匹配表的构建包括以下步骤:
将慢性病防控策略赋予预设的标签,形成慢性病防控策略参数;
统计所述状态转换率、所述风险感知水平在慢性病防控策略参数三维空间的分布;
计算慢性病防控策略参数分别对所述状态转换率、所述风险感知水平的相关关系;
将所述状态转换率、所述风险感知水平与对应的相关关系存储为慢性病防控策略匹配表。
9.如权利要求7所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述变量还包括计算出的风险感知水平、个人特征、信息来源;
还包括以下步骤:
将计算出的风险感知水平、所述个人特征、所述信息来源作为回归方程的输入,得到风险感知偏差值;
所述当所述传递系数达到阈值时,通过所述状态转换率、所述风险感知水平匹配对应的慢性病防控策略还包括以下步骤:
通过所述风险感知偏差值对所述风险感知水平进行修正;
根据所述状态转换率、修正后的风险感知水平通过慢性病防控策略匹配表获得对应的慢性病防控策略。
10.如权利要求9所述的一种公共卫生中慢性非传染性疾病防控方法,其特征在于:所述回归方程的构建包括以下步骤:
通过个人特征、信息来源和风险感知水平建立回归方程;
采用最小二乘法求解所述回归方程的系数,得到回归方程。
11.一种公共卫生中慢性非传染性疾病防控系统,实现如权利要求1~10任一项所述的方法,其特征在于:包括慢性病状态参数获取模块、影响网络构建模块、变化微分方程构建模块、传递系数计算模块、慢性病防控策略匹配模块;其中,
所述慢性病状态参数获取模块,用于获取目标监测单元的慢性病状态参数,所述慢性病状态参数包括目标监测单元总人数、各疾病状态对应的人数、状态转换率、风险感知水平;
所述影响网络构建模块,用于将目标监测单元中的人作为节点、目标监测单元中人之间的影响因素作为边、疾病状态作为对应节点的状态构建影响网络;
所述变化微分方程构建模块,用于通过所述影响网络的特征、所述状态转换率、所述风险感知水平、各疾病状态对应的人数构建易患病人数变化微分方程、已患病人数变化微分方程、恢复人数变化微分方程;
所述传递系数计算模块,用于通过所述目标监测单元总人数、所述易患病人数变化微分方程、所述已患病人数变化微分方程、所述恢复人数变化微分方程计算出传递系数;
所述慢性病防控策略匹配模块,用于当所述传递系数达到阈值时,通过所述状态转换率、所述风险感知水平匹配对应的慢性病防控策略并输出。
12.一种计算机可读存储介质,其特征在于,其上存储有程序指令,所述程序指令被执行时实现如权利要求1~10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294102.2A CN117912708B (zh) | 2024-03-14 | 2024-03-14 | 公共卫生中慢性非传染性疾病防控方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294102.2A CN117912708B (zh) | 2024-03-14 | 2024-03-14 | 公共卫生中慢性非传染性疾病防控方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117912708A CN117912708A (zh) | 2024-04-19 |
CN117912708B true CN117912708B (zh) | 2024-05-17 |
Family
ID=90692650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410294102.2A Active CN117912708B (zh) | 2024-03-14 | 2024-03-14 | 公共卫生中慢性非传染性疾病防控方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117912708B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820415A (zh) * | 2021-02-08 | 2021-05-18 | 郑州大学 | 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法 |
CN113314223A (zh) * | 2021-04-22 | 2021-08-27 | 张亚玮 | 一种慢性非传染性疾病的预防服务管理系统 |
WO2023109199A1 (zh) * | 2021-12-14 | 2023-06-22 | 之江实验室 | 一种个体慢病演进风险可视化评估方法及系统 |
CN116777195A (zh) * | 2023-03-21 | 2023-09-19 | 中国人民解放军海军工程大学 | 机场施工中安全氛围对不安全行为影响的研究方法 |
-
2024
- 2024-03-14 CN CN202410294102.2A patent/CN117912708B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820415A (zh) * | 2021-02-08 | 2021-05-18 | 郑州大学 | 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法 |
CN113314223A (zh) * | 2021-04-22 | 2021-08-27 | 张亚玮 | 一种慢性非传染性疾病的预防服务管理系统 |
WO2023109199A1 (zh) * | 2021-12-14 | 2023-06-22 | 之江实验室 | 一种个体慢病演进风险可视化评估方法及系统 |
CN116777195A (zh) * | 2023-03-21 | 2023-09-19 | 中国人民解放军海军工程大学 | 机场施工中安全氛围对不安全行为影响的研究方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117912708A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aldridge et al. | Fuzzy logic analysis of kinase pathway crosstalk in TNF/EGF/insulin-induced signaling | |
Alkema et al. | Global estimation of child mortality using a Bayesian B-spline bias-reduction model | |
US9311449B2 (en) | Hospital unit demand forecasting tool | |
Stegle et al. | Gaussian process robust regression for noisy heart rate data | |
Ahmed | Artificial neural networks for diagnosis and survival prediction in colon cancer | |
Chhatwal et al. | Economic evaluations with agent-based modelling: an introduction | |
Van Greuningen et al. | Ten years of health workforce planning in the Netherlands: a tentative evaluation of GP planning as an example | |
Cypko et al. | Validation workflow for a clinical Bayesian network model in multidisciplinary decision making in head and neck oncology treatment | |
WO2022160370A1 (zh) | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 | |
Zhang et al. | Adaptive consensus model with multiplicative linguistic preferences based on fuzzy information granulation | |
CN110513835B (zh) | 提高空调舒适性的控制方法、装置及空调 | |
Dalakleidi et al. | A hybrid genetic algorithm for the selection of the critical features for risk prediction of cardiovascular complications in Type 2 Diabetes patients | |
Berchialla et al. | Predicting severity of pathological scarring due to burn injuries: a clinical decision making tool using Bayesian networks | |
CN113470836A (zh) | 一种传染病趋势预测方法、系统、装置及存储介质 | |
Todd et al. | Improving decision making in the management of hospital readmissions using modern survival analysis techniques | |
CN117912708B (zh) | 公共卫生中慢性非传染性疾病防控方法、系统及存储介质 | |
Mohammadi Sepahvand et al. | Sequential decisions: a computational comparison of observational and reinforcement accounts | |
US20220406463A1 (en) | System and method for providing wellness recommendation | |
Vermeer et al. | Agent-based model projections for reducing HIV infection among MSM: Prevention and care pathways to end the HIV epidemic in Chicago, Illinois | |
US20220355051A1 (en) | Generating settings for ventilators using machine learning techniques | |
Diaz-Ramirez et al. | A novel method for identifying a parsimonious and accurate predictive model for multiple clinical outcomes | |
Chang et al. | A structural design of clinical decision support system for chronic diseases risk management | |
Sun et al. | An analytics-based decision support system for resource planning under heterogeneous service demand of nursing home residents | |
Baniya | Adaptive interventions treatment modelling and regimen optimization using sequential multiple assignment randomized trials (smart) and q-learning | |
Wang et al. | Dopamine encoding of novelty facilitates efficient uncertainty-driven exploration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |