CN109065168A - 一种基于时空聚类统计进行疾病风险评估的方法 - Google Patents
一种基于时空聚类统计进行疾病风险评估的方法 Download PDFInfo
- Publication number
- CN109065168A CN109065168A CN201810995255.4A CN201810995255A CN109065168A CN 109065168 A CN109065168 A CN 109065168A CN 201810995255 A CN201810995255 A CN 201810995255A CN 109065168 A CN109065168 A CN 109065168A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- cluster
- data
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000015271 coagulation Effects 0.000 claims abstract description 10
- 238000005345 coagulation Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008080 stochastic effect Effects 0.000 claims description 3
- 230000001550 time effect Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 2
- 240000000037 Prosopis spicigera Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 229940086226 cold spot Drugs 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于时空聚类统计进行疾病风险评估的方法，属于时空事件聚类分析方法领域。本发明首先收集疾病数据生成疾病数据库；然后根据数据库中数据，给数据库中每个区域和时间周期内的数据添加辅助数据；再通过时空凝聚式聚类算法和混合泊松对数线性模型进行处理；最后通过决策规则判断风险。本发明与现有技术相比，本发明使用时空凝聚式聚类算法和混合泊松对数线性模型对数据进行处理，并通过决策规则对处理结果进行判断，减少了疾病风险图的过度平滑对估计结果的影响，提高了估计结果的准确性。
Description
技术领域
本发明涉及一种基于时空聚类统计进行疾病风险评估的方法，属于时空事件聚类分析方法领域。
背景技术
在当今社会，各类疾病的检查及其预防中，时空聚类统计方法通常被用作各类疾病爆发的早期风险评估中，许多研究人员通过该方法在海量的数据中挖掘隐藏在数据背后的关联性，通过对于这些数据之间关联性的解读，得到区域单位数据的疾病风险图，该风险图通常是通过具有局部空间平滑的泊松混合模型来估计的，然而，该模型存在的缺陷是，局部不连续点通常不被模拟，热或冷点区域聚类被屏蔽，导致疾病风险图的过度平滑，造成预警准确性的下降。
发明内容
为了克服现有技术的不足，本发明的目的在于一种基于时空聚类统计进行疾病风险评估的方法。本发明是在提升疾病预警时空统计聚类的结果准确率上，主要为提高时空统计聚类结果的准确性，使用时空凝聚式聚类算法以及混合的泊松对数线性模型对疾病数据进行处理从而提升疾病风险评估的准确性。
本发明采用的技术方案是：一种基于时空聚类统计进行疾病风险评估的方法，包括如下步骤：
Step1:收集疾病数据生成疾病数据库；
Step2:获取数据库中数据，并给数据库中每个区域和时间周期内的数据添加辅助数据；
Step3:对Step2中经过处理的数据，使用时空凝聚式聚类算法进行处理；
Step4:对Step3中处理过的数据，利用混合泊松对数线性模型进行分析；
Step5:对Step4中的分析结果利用决策规则判断风险；
Step6:根据Step5中的判别结果对疾病风险进行估计。
进一步地，所述步骤Step2中，添加的辅助数据是来自具有类似时空风险模式的疾病。
进一步地，所述步骤Step3中，时空凝聚式聚类算法的具体实施步骤是：
S1:构造一个初始聚类配置,Ch＝{Ch(1),…,Ch(nT)},其中h＝nT，每个区域时间段Ait是一种单独的时空聚类。
S2:计算h×h矩阵中聚类之间的距离,聚类中至少包含元素Ait和Ajs中的一副元素，Ait和Ajs是空间邻近地区在同一时间(i～jandt＝s),或同一地区相邻时间点(i～jand|t-s|＝1)的元素；
S3:将两个具有最小距离聚类的时空单位合并，形成一个新的聚类结构Ch-1；
S4:重复进行S2与S3步骤；
S5:当所有的时空单元被合并在一个新的时空聚类中时，算法结束；
进一步地，所述步骤Step4中，混合泊松对数线性模型既有固定聚类效应，也有随机聚类效应，根据给定的时空聚类配置Ck＝{Ck(1),…,Ck(k)}，基于模型选择标准选择最好的聚类结构。
进一步地，所述固定聚类效应为：
Oit|rit～Poisson(Eitrit)fori＝1,…,n；t＝1,…,T,
其中ξi和γt是空间和时间结构随机效应、β1,…,βk是与每个时空聚类相关的固定效应，LCAR先验将假设为空间效应ξ，RW1先验将假设为时间效应γ，N(0,10)先验是固定效应βjs。
进一步地，所述随机聚类效应为：
log(rit)＝α+ξi+γt+δj(it)
其中，子索引j(it)表示聚类Ck(j)区域—时间单位Ait所属的区域。
进一步地，所述步骤Step5中，决策规则为：如果后验概率大于0.95(P(δj(it)＞0|O)＞0.95),时空聚类被认为是一个高风险聚类；如果后验概率小于0.05(P(δj(it)＞0|O)＜0.05)，那么该时空聚类就被认为是一个低风险聚类。
本发明的有益效果是：本发明提出一种基于时空聚类统计进行疾病风险评估的方法。使用时空凝聚式聚类算法以及混合的泊松对数线性模型对疾病数据进行处理从而提升疾病风险评估的准确性。
附图说明
图1是本发明流程示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步的说明
实施例1：如图1所示，一种基于时空聚类统计进行疾病风险评估的方法，包括如下步骤：
Step1:收集疾病数据生成疾病数据库；
Step2:获取数据库中数据，并给数据库中每个区域和时间周期内的数据添加辅助数据；
Step3:对Step2中经过处理的数据，使用时空凝聚式聚类算法进行处理；
Step4:对Step3中处理过的数据，利用混合泊松对数线性模型进行分析；
Step5:对Step4中的分析结果利用决策规则判断风险；
Step6:根据Step5中的判别结果对疾病风险进行估计。
进一步地，所述步骤Step2中，添加的辅助数据是来自具有类似时空风险模式的疾病。
进一步地，所述步骤Step3中，时空凝聚式聚类算法的具体实施步骤是：
S1:构造一个初始聚类配置,Ch＝{Ch(1),…,Ch(nT)},其中h＝nT，每个区域时间段Ait是一种单独的时空聚类；
S2:计算h×h矩阵中聚类之间的距离,聚类中至少包含元素Ait和Ajs中的一副元素，Ait和Ajs是空间邻近地区在同一时间(i～jandt＝s),或同一地区相邻时间点(i～jand|t-s|＝1)的元素；
S3:将两个具有最小距离聚类的时空单位合并，形成一个新的聚类结构Ch-1；
S4:重复进行S2与S3步骤；
S5:当所有的时空单元被合并在一个新的时空聚类中时，算法结束。
进一步地，所述步骤Step4中，混合泊松对数线性模型既有固定聚类效应，也有随机聚类效应，根据给定的时空聚类配置Ck＝{Ck(1),…,Ck(k)}，基于模型选择标准选择最好的聚类结构。
进一步地，所述固定聚类效应为：
Oit|rit～Poisson(Eitrit)fori＝1,…,n；t＝1,…,T,
其中ξi和γt是空间和时间结构随机效应、β1,…,βk是与每个时空聚类相关的固定效应，LCAR先验将假设为空间效应ξ，RW1先验将假设为时间效应γ，N(0,10)先验是固定效应βjs。
进一步地，所述随机聚类效应为：
log(rit)＝α+ξi+γt+δj(it)
其中，子索引j(it)表示聚类Ck(j)区域—时间单位Ait所属的区域。
进一步地，所述步骤Step5中，决策规则为：如果后验概率大于0.95(P(δj(it)＞0|O)＞0.95),时空聚类被认为是一个高风险聚类；如果后验概率小于0.05(P(δj(it)＞0|O)＜0.05)，那么该时空聚类就被认为是一个低风险聚类
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (7)
1.一种基于时空聚类统计进行疾病风险评估的方法，其特征在于：包括如下步骤：
Step1：收集疾病数据生成疾病数据库；
Step2：获取数据库中数据，并给数据库中每个区域和时间周期内的数据添加辅助数据；
Step3：对Step2中经过处理的数据，使用时空凝聚式聚类算法进行处理；
Step4：对Step3中处理过的数据，利用混合泊松对数线性模型进行分析；
Step5：对Step4中的分析结果利用决策规则判断风险；
Step6：根据Step5中的判别结果对疾病风险进行估计。
2.根据权利要求1中所述的一种基于时空聚类统计进行疾病风险评估的方法，其特征在于：所述步骤Step2中，添加的辅助数据是来自具有类似时空风险模式的疾病。
3.根据权利要求1中所述的一种基于时空聚类统计进行疾病风险评估的方法，其特征在于：所述步骤Step3中，时空凝聚式聚类算法的具体实施步骤是：
S1：构造一个初始聚类配置，Ch＝{Ch(1)，...，Ch(nT)}，其中h＝nT，每个区域时间段Ait是一种单独的时空聚类；
S2：计算h×h矩阵中聚类之间的距离，聚类中至少包含元素Ait和Ajs中的一副元素，Ait和Ajs是空间邻近地区在同一时间(i～j and t＝s)，或同一地区相邻时间点(i～j and|t-s|＝1)的元素；
S3：将两个具有最小距离聚类的时空单位合并，形成一个新的聚类结构Ch-1；
S4：重复进行S2与S3步骤；
S5：当所有的时空单元被合并在一个新的时空聚类中时，算法结束。
4.根据权利要求1中所述的一种基于时空聚类统计进行疾病风险评估的方法，其特征在于：所述步骤Step4中，混合泊松对数线性模型既有固定聚类效应，也有随机聚类效应，根据给定的时空聚类配置Ck＝{Ck(1)，...，Ck(k)}，基于模型选择标准选择最好的聚类结构。
5.根据权利要求4中所述的一种基于时空聚类统计进行疾病风险评估的方法，其特征在于：所述固定聚类效应为：
Oit|rit～Poisson(Eitrit)for i＝1，...，n；t＝1，...，T，
其中ξi和γt是空间和时间结构随机效应、β1，...，βk是与每个时空聚类相关的固定效应，LCAR先验将假设为空间效应ξ，RW1先验将假设为时间效应γ，N(0，10)先验是固定效应βjs。
6.根据权利要求4中所述的一种基于时空聚类统计进行疾病风险评估的方法，其特征在于：所述随机聚类效应为：
log(rit)＝α+ξi+γt+δj(it)
其中，子索引j(it)表示聚类Ck(j)区域-时间单位Ait所属的区域。
7.根据权利要求1中所述的根据权利要求4中所述的一种基于时空聚类统计进行疾病风险评估的方法，其特征在于：所述步骤Step5中，决策规则为：如果后验概率大于0.95(P(δj(it)＞0|O)＞0.95)，时空聚类被认为是一个高风险聚类；如果后验概率小于0.05(P(6j(it)＞0|O)＜0.05)，那么该时空聚类就被认为是一个低风险聚类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810995255.4A CN109065168B (zh) | 2018-08-29 | 2018-08-29 | 一种基于时空聚类统计进行疾病风险评估的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810995255.4A CN109065168B (zh) | 2018-08-29 | 2018-08-29 | 一种基于时空聚类统计进行疾病风险评估的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109065168A true CN109065168A (zh) | 2018-12-21 |
| CN109065168B CN109065168B (zh) | 2021-09-14 |
Family
ID=64757642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810995255.4A Active CN109065168B (zh) | 2018-08-29 | 2018-08-29 | 一种基于时空聚类统计进行疾病风险评估的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109065168B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112331342A (zh) * | 2020-10-27 | 2021-02-05 | 昆明理工大学 | 一种基于网格化协变量因素的患病风险等级评估方法 |
| CN113626670A (zh) * | 2021-07-13 | 2021-11-09 | 北京格灵深瞳信息技术股份有限公司 | 基于时空关系的对象聚类方法、装置和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930163A (zh) * | 2012-11-01 | 2013-02-13 | 北京理工大学 | 一种2型糖尿病风险状态判定方法 |
| US20170319278A1 (en) * | 2014-11-14 | 2017-11-09 | The Johns Hopkins University | Systems and methods for atrial fibrillation treatment and risk assessment |
| CN107767960A (zh) * | 2017-09-13 | 2018-03-06 | 温州悦康信息技术有限公司 | 临床检测项目的数据处理方法、装置及电子设备 |
| CN108064263A (zh) * | 2014-09-30 | 2018-05-22 | 深圳华大基因研究院 | 用于类风湿性关节炎的生物标记物及其用途 |
| CN108095685A (zh) * | 2016-11-23 | 2018-06-01 | 中国科学院昆明动物研究所 | 人体微生物互作网络中正负作用比值在评估人体健康和疾病诊断中的应用 |
-
2018
- 2018-08-29 CN CN201810995255.4A patent/CN109065168B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930163A (zh) * | 2012-11-01 | 2013-02-13 | 北京理工大学 | 一种2型糖尿病风险状态判定方法 |
| CN108064263A (zh) * | 2014-09-30 | 2018-05-22 | 深圳华大基因研究院 | 用于类风湿性关节炎的生物标记物及其用途 |
| US20170319278A1 (en) * | 2014-11-14 | 2017-11-09 | The Johns Hopkins University | Systems and methods for atrial fibrillation treatment and risk assessment |
| CN108095685A (zh) * | 2016-11-23 | 2018-06-01 | 中国科学院昆明动物研究所 | 人体微生物互作网络中正负作用比值在评估人体健康和疾病诊断中的应用 |
| CN107767960A (zh) * | 2017-09-13 | 2018-03-06 | 温州悦康信息技术有限公司 | 临床检测项目的数据处理方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| RACHEL M.FEWSTER ET AL.: "analysis or population trends for farmland birds using generalized additive models", 《ECOLOGICAL SOCIETY OF AMERICA》 * |
| 刁玉涛 等: "APC泊松对数线性模型及其在肿瘤流行病研究中的应用", 《现代预防医学》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112331342A (zh) * | 2020-10-27 | 2021-02-05 | 昆明理工大学 | 一种基于网格化协变量因素的患病风险等级评估方法 |
| CN113626670A (zh) * | 2021-07-13 | 2021-11-09 | 北京格灵深瞳信息技术股份有限公司 | 基于时空关系的对象聚类方法、装置和电子设备 |
| CN113626670B (zh) * | 2021-07-13 | 2023-01-24 | 北京格灵深瞳信息技术股份有限公司 | 基于时空关系的对象聚类方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109065168B (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Case-based reasoning with optimized weight derived by particle swarm optimization for software effort estimation | |
| CN103488993B (zh) | 一种基于fast的人群异常行为识别方法 | |
| CN112164471B (zh) | 基于分类回归模型的新冠疫情综合评估方法 | |
| CN110322356B (zh) | 基于hin挖掘动态多模式的医保异常检测方法及*** | |
| CN110135716B (zh) | 一种电网基建项目动态预警识别方法和*** | |
| CN110321811A (zh) | 深度逆强化学习的无人机航拍视频中的目标检测方法 | |
| Mangalova et al. | K-nearest neighbors for GEFCom2014 probabilistic wind power forecasting | |
| CN109065168A (zh) | 一种基于时空聚类统计进行疾病风险评估的方法 | |
| Su et al. | A fast genetic algorithm for solving architectural design optimization problems | |
| CN112256739B (zh) | 一种基于多臂***的动态流大数据中数据项筛选方法 | |
| CN111681209A (zh) | 卵裂球***状态智能检测方法及*** | |
| CN111564221A (zh) | 一种由统计数据驱动的传染病疫情预测方法 | |
| CN114186789A (zh) | 综合能源市场成熟度评价及发展阶段划分方法、***及存储介质 | |
| JP4299508B2 (ja) | 製造プロセスにおける操業と品質の関連分析装置、関連分析方法及びコンピュータ読み取り可能な記憶媒体 | |
| CN104931056B (zh) | 一种应用遗传算法和编码进行三维航迹规划的优化方法 | |
| Fouche et al. | Towards an integrated approach for evaluating both the life cycle environmental and financial performance of a building: A review | |
| CN109272514A (zh) | 冠脉分割模型的样本评价方法及模型训练方法 | |
| CN114120018B (zh) | 一种基于人群聚类轨迹熵的空间活力量化方法 | |
| CN109685133A (zh) | 基于构建的预测模型低成本、高区分度的数据分类方法 | |
| CN106251004B (zh) | 基于改进空间距离划分的目标分群方法 | |
| Melecký | Evaluation of cohesion in visegrad countries in comparison with Germany and Austria by multivariate methods for disparities measurement | |
| CN109146751A (zh) | 一种基于时空聚类统计进行城市犯罪风险评估的方法 | |
| KR20180114409A (ko) | 건축물의 에너지 성능 분석을 위한 시뮬레이션 장치 | |
| Park et al. | Explainable influenza forecasting scheme using DCC-based feature selection | |
| Neyens et al. | The bivariate combined model for spatial data analysis |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231226 Address after: 22nd Floor, Building A, Yuntong Compaar Building, Kegao Road, High-tech Zone, Kunming City, Yunnan Province, 650000 Patentee after: Yunnan Yunchuang Digital Ecological Technology Co.,Ltd. Patentee after: Yunnan Yunchuang Data Technology Co.,Ltd. Address before: 650093 No. 253, Xuefu Road, Wuhua District, Yunnan, Kunming Patentee before: Kunming University of Science and Technology |