CN111696662A - 疾病预测方法、装置及存储介质 - Google Patents
疾病预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111696662A CN111696662A CN202010458696.8A CN202010458696A CN111696662A CN 111696662 A CN111696662 A CN 111696662A CN 202010458696 A CN202010458696 A CN 202010458696A CN 111696662 A CN111696662 A CN 111696662A
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- prediction
- model
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 86
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000001575 pathological effect Effects 0.000 claims abstract description 58
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 26
- 206010019280 Heart failures Diseases 0.000 claims description 50
- 208000029078 coronary artery disease Diseases 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 20
- 230000007170 pathology Effects 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 39
- 208000026106 cerebrovascular disease Diseases 0.000 description 38
- 230000002526 effect on cardiovascular system Effects 0.000 description 38
- 230000036541 health Effects 0.000 description 14
- 238000012886 linear function Methods 0.000 description 12
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000003181 biological factor Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003907 kidney function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G16H50/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能中的大数据技术,揭露了一种疾病预测方法,包括:获取用户的病理数据集、模型数据集和预测非线性关系,将病理数据集与模型数据集建立映射关系;基于映射关系将病理数据集与模型数据集进行遍历匹配,得到过滤数据集;利用填充算法对过滤数据集进行填充,得到标准数据集;利用预测非线性关系对标准数据集进行训练泛化,得到预测数据集;提取预测数据集包含的预测数据,根据预测数据确定用户的疾病预测结果。本发明还提出一种疾病预测装置、电子设备以及一种计算机可读存储介质。本发明可以解决疾病预测结果可靠性低的问题。
Description
技术领域
本发明涉及人工智能中的大数据技术领域,应用于智慧医疗场景中,涉及一种疾病预测的方法、装置、电子设备及可读存储介质。
背景技术
随着人们生活水平的提高,越来越多的人开始关注身体健康状况,对于健康状况作出评估是生活中成为越来越常见的场景需求,例如体检报告分析、健康教育以及疾病预防等等。
目前市面上有关乎各类疾病的评估测试和报告,但这些评估健康的方式普遍较笼统,无法得出疾病的具体致因源头和可靠的预测结果,并且这些评估健康的方式没有关乎健康的具体评估模型,因此也无法对个人是否存在疾病风险进行可靠预测。
发明内容
本发明提供一种疾病预测方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高对疾病预测的可靠性。
为实现上述目的,本发明提供的一种疾病预测方法,包括:
获取用户的病理数据集;
获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;
将所述病理数据集与所述模型数据集建立映射关系;
基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;
利用填充算法对所述过滤数据集进行填充,得到标准数据集;
利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;
提取所述预测数据集包含的预测数据;
根据所述预测数据确定所述用户的疾病预测结果。
可选地,所述获取模型数据集和预测非线性关系之前,所述方法还包括:
获取所述样本数据集;
将所述样本数据集通过损失函数进行损失计算,得到样本函数集;
对所述样本函数集通过目标函数进行迭代计算,得到样本迭代集;
对所述样本迭代集进行正则化计算,得到模型数据集。
可选地,所述得到所述模型数据集之后,所述方法还包括:
通过网格搜索方法对所述模型数据集进行超参数调整,得到所述预测非线性关系。
可选地,所述将所述病理数据集与所述模型数据集建立映射关系,包括:
创建与所述用户的病理数据集对应的用户诊断数据表,所述用户诊断数据表包含心衰数据项、冠心病数据项和脑卒中数据项;
创建与所述模型数据集对应的模型数据表,所述模型数据表中包含所述心衰数据项、所述冠心病数据项和所述脑卒中数据项;
通过所述心衰数据项、所述冠心病数据项和所述脑卒中数据项,将所述病理数据集与所述模型数据集建立关联,得到映射关系。
可选地,所述利用填充算法对所述过滤数据集进行填充,得到标准数据集包括:
对所述过滤数据集进行缺失归类,得到归类数据集;
对所述归类数据集通过填充算法中的填充函数进行数据插补,得到标准数据集,其中,所述标准数据集可存储于区块链中。
可选地,所述利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集包括:
将所述标准数据集均等划分,得到至少两组划分数据集;
利用所述预测非线性关系对所述至少两组划分数据集进行关联,得到关联数据集;
对所述关联数据集进行均值计算,得到预测数据集,其中,所述预测数据集可存储于区块链中。
可选地,所述提取所述预测数据集包含的预测数据,包括:
利用正则表达式提取所述预测数据集包含的预测数据。
为了解决上述问题,本发明还提供一种疾病预测装置,所述装置包括:
第一数据获取模块,用于获取用户的病理数据集;
第二数据获取模块,用于获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;
映射关系建立模块,用于将所述病理数据集与所述模型数据集建立映射关系;
数据匹配模块,用于基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;
数据填充模块,用于利用填充算法对所述过滤数据集进行填充,得到标准数据集;
数据计算模块,用于利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;
数据提取模块,用于提取所述预测数据集包含的预测数据;
确定模块,用于根据所述预测数据确定所述用户的疾病预测结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述中任意一项所述的疾病预测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有至少一种计算机程序指令;所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的疾病预测方法。
本发明主要应用于人工智能的智慧医疗场景,基于大数据实现疾病预测,通过获取用户的病理数据集;获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;将所述病理数据集与所述模型数据集建立映射关系,基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;利用填充算法对所述过滤数据集进行填充,得到标准数据集;利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;提取所述预测数据集包含的预测数据;根据所述预测数据确定所述用户的疾病预测结果。通过填充算法、预测非线性关系以及对预测数据集进行的数据提取,能够进一步提高预测结果的精准度和可靠性。因此,本发明实施例可以达到提高对疾病预测的可靠性的目的。进一步的,本发明中的相关数据可存储于区块链中,以提高数据的安全性。
附图说明
图1为本发明一实施例提供的疾病预测方法的流程示意图;
图2为本发明一实施例提供的疾病预测装置的模块示意图;
图3为本发明一实施例提供的实现疾病预测方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种疾病预测方法。参照图1所示,为本发明一实施例提供的疾病预测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本发明实施例中,疾病预测方法包括:
S1、获取用户的病理数据集。
一种可选实施例中,用户的病理数据集包括心衰数据、冠心病数据和脑卒中数据之中的至少两项,则通过本实施例所述的疾病预测方法可以对心脑血管疾病进行预测。
进一步地,在本发明其他可选实施例中,用户的病理数据集还可以包括其他与用户的身体状况相关的数据,通过本实施例所述的疾病预测方法可以对其他疾病进行预测。
例如,现有技术中,若需识别张先生是否患有心脑血管疾病,则需通过做心电图、头部CT、肝肾功能、血常规、尿常规和血脂血糖等方面的检查,并根据以上数据指标来确认是否患有心脑血管疾病、患病程度,以及评价心脑血管疾病的发病原因,然而根据医生经验的不同可能得出不同的结果。
当通过本发明实施例所述方法进行预测时,获取张先生的病理数据集,所述病理数据集包括心衰数据、冠心病数据和脑卒中数据之中的至少两项,进行心脑血管疾病的预测。
S2、获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的。
详细地,所述样本数据集包括样本用户的心衰数据、冠心病数据和脑卒中数据,所述疾病预测模型可以为心脑血管疾病预测模型。
较佳地,可以通过以下方式得到模型数据集。
所述获取模型数据集和预测非线性关系之前,所述方法还包括:
获取样本数据集;
将所述样本数据集通过损失函数进行损失计算,得到样本函数集;
对所述样本函数集通过目标函数进行迭代计算,得到样本迭代集;
对所述样本迭代集进行正则化计算,得到模型数据集。
进一步地,所述得到所述模型数据集之后,所述方法还包括:通过网格搜索方法对所述模型数据集进行超参数调整,得到预测非线性关系。
本发明实施例中,所述网格搜索方法是指定参数值的一种穷举搜索方法,是将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法。
本发明实施例中,通过网格搜索方法对所述模型数据集进行超参数调整,包括:将所述模型数据集中各个参数值进行排列组合;列出所有可能的组合结果;使用交叉验证对所有可能的组合结果进行评估,得到最优组合结果;通过拟合函数生成最优组合结果的预测非线性关系。
S3、将所述病理数据集与所述模型数据集建立映射关系。
较佳地,所述将所述病理数据集与所述模型数据集建立映射关系,包括:
创建与所述用户的病理数据集对应的用户诊断数据表,所述用户诊断数据表包含心衰数据项、冠心病数据项和脑卒中数据项;
创建与所述模型数据集对应的模型数据表,所述模型数据表中包含所述心衰数据、冠心病数据和脑卒中数据;
通过所述心衰数据项、冠心病数据项和脑卒中数据项,将所述病理数据集与所述模型数据集建立关联,得到映射关系。
例如,创建张先生的病理数据集对应的诊断数据表,该诊断数据表包含张先生的心衰数据项、冠心病数据项和脑卒中数据项中的至少两项数据,创建与所述模型数据集对应的模型数据表,该模型数据表中包含所述心衰数据项、冠心病数据项和脑卒中数据项,基于诊断数据表,在所述模型数据表中搜索所述心衰数据项、冠心病数据项和脑卒中数据项,完成张先生的病理数据集与所述模型数据集之间建立关联,得到映射关系。
S4、基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集。
通过遍历匹配,可以获取模型数据集中与病理数据集相关的数据。
例如,将张先生的病理数据集传输至所述模型数据集中,根据所述映射关系,将张先生的心衰数据项、冠心病数据项和脑卒中数据项在所述模型数据集中的心衰数据项、冠心病数据项和脑卒中数据项进行遍历搜索。通过所述心衰数据项、所述冠心病数据项和所述脑卒中数据项的数据值匹配,得到所述模型数据集中与张先生的心衰数据项、冠心病数据项和脑卒中数据项相同的样本病理数据集,该样本病理数据集即为张先生的病理数据集通过与所述模型数据集进行遍历匹配得到的过滤数据集。
S5、利用填充算法对所述过滤数据集进行填充,得到标准数据集。
在本发明实施例中,通过对过滤数据集进行填充,可以提高数据完整性,避免数据缺失影响预测结果的准确性。
较佳地,所述利用填充算法对所述过滤数据集进行填充,得到标准数据集包括:
对所述过滤数据集进行缺失归类,得到归类数据集;
对所述归类数据集通过填充算法中的填充函数进行数据插补,得到标准数据集。
例如,若张先生的病理数据集中缺失心衰数据项数据,将该心衰数据项进行标记,并用未知数(如X)补充心衰数据项中缺失的数据,得到归类数据集,进而通过填充算法中的填充函数,对缺失心衰数据项中的未知数进行数据插补,得到标准数据集。
在一实施例中,所述标准数据集可存储于区块链中。本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
S6、利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集。
在本发明实施例中,通过训练泛化得到的预测数据集中包含用户的身体状况的预测数据,例如,心衰预测数据、冠心病预测数据。
较佳地,所述利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集包括:
将所述标准数据集均等划分,得到至少两组划分数据集;
利用所述预测非线性关系对至少两组所述划分数据集进行关联,得到关联数据集;
对所述关联数据集进行均值计算,得到预测数据集。
在一实施例中,所述预测数据集可存储于区块链中。
在本发明实施例中,将标准数据集均等划分为N组,N大于等于2。
本发明实施例中,利用所述预测非线性关系对至少两组所述划分数据集进行关联,具体是将至少两组划分数据集中的符合预测非线性关系的数据进行关联。
S7、提取所述预测数据集包含的预测数据。
较佳地,所述提取所述预测数据集包含的数据包括:利用正则表达式提取所述预测数据集包含的数据。
例如,所述预测数据集包括:“心衰数据420冠心病数据132脑卒中数据150”,利用Python正则表达式对预测数据集进行数据提取,得到数值数据“420 132 150”和文本数据“心衰数据冠心病数据脑卒中数据”。
具体的,Python代码为:re.findall(r'd+','心衰数据420冠心病数据132脑卒中数据150')。
S8、根据所述预测数据确定所述用户的疾病预测结果。
本发明实施例中,用户的疾病预测结果为用户是否患有心脑血管疾病,以及心脑血管疾病状况的识别结果。
例如,预测结果分为患病、高危、中危、低危四个等级中的某一项。
进一步地,根据所述预测数据确定所述用户的疾病预测结果包括:对所述预测数据进行划分计算,确定所述用户的疾病预测结果。
具体的,可以通过以下公式进行划分计算,得到预测结果:
h=ax+by+cz
其中,a表示预设心衰预测系数,b表示预设冠心病预测系数,c表示预设脑卒中预测系数,x表示心衰预测数据,y表示冠心病预测数据,z表示脑卒中预测数据。
本发明实施例中,当h大于等于第一预设值时,确定用户为已患心脑血管疾病;当h大于第一预设值且小于等于第二预设值时,确定用户患心脑血管疾病的严重等级为低危风险;当h大于第二预设值且小于等于第三预设值时,确定用户患心脑血管疾病的严重等级为中危风险;当h大于第三预设值时,确定用户患心脑血管疾病的严重等级为高危风险。
例如,当h≥40表示用户已患心脑血管疾病,当40<h≤60表示用户患心脑血管疾病的严重等级为低危风险,当60<h≤80表示用户患心脑血管疾病的严重等级为中危风险,当h>80表示用户患心脑血管疾病的严重等级为高危风险,当张先生的预测结果为78,则表示张先生患心脑血管疾病的严重等级为中危风险。
进一步地,在本发明另一实施例中,将所述预测结果结合F1线性函数、F2线性函数和F3线性函数进行计算,输出健康指数,所述健康指数用于标识患者所处患心脑血管的严重等级患病等级中的具体水平位置,例如:张先生的预测结果显示张先生的患心脑血管疾病的严重等级为中危风险,通过所述健康指数可以确定该张先生处于高危风险之中的具体水平位置。
详细地,所述F1线性函数表示为:
F1=W/H2
其中,W表示体重,H表示身高。
进一步地,F2线性函数表示为:
F2=f(E)+ACHS+B+LS+h
其中,f表示二次线性关系函数,E表示环境系数,环境系数是通过环境周围的设施、卫生、绿化情况预设的自定义系数,ACHS表示保健设施的易获性系数,保健设施的易获性是通过保健设施和居住点的距离远近预设的自定义系数,B表示生物学因素系数,生物学因素系数通过家族遗传病及疾病情况预设的自定义系数,LS表示生活习惯系数,生活习惯系数是根据个人卫生情况、穿着打扮情况、家居清理习惯预设的自定义系数值,h表示预测结果。
进一步地,F3线性函数表示为:
其中,L表示温度值,E(L)表示线性内插标准误差,线性内插标准误差是由气象观察站的气温场及湿度场的结构函数确定的,bf表示空气中污染物浓度平均值,σ2/2表示监测空气指数的随机误差。
进一步地,所述健康指数的计算方法为:
Score=X0*(F1+F2+F3)
其中,x0为预设的起始分数值。
本发明实施例获取用户的病理数据集;获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;将所述病理数据集与所述模型数据集建立映射关系,基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;利用填充算法对所述过滤数据集进行填充,得到标准数据集;利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;提取所述预测数据集包含的预测数据;根据所述预测数据确定所述用户的疾病预测结果。通过填充算法、预测非线性关系以及对预测数据集进行的数据提取,能够进一步提高预测结果的精准度和可靠性。因此,本发明实施例可以达到提高对疾病预测的可靠性的目的。
如图2所示,是本发明疾病预测装置的功能模块图。
本发明所述疾病预测装置100可以安装于电子设备中。根据实现的功能,所述疾病预测装置可以包括第一数据获取模块101、第二数据获取模块102、映射关系建立模块103、数据匹配模块104、数据填充模块105、数据计算模块106、数据提取模块107和确定模块108。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本发明实施例中,关于各模块/单元的功能如下:
第一数据获取模块101,用于获取用户的病理数据集;
第二数据获取模块102,用于获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;
映射关系建立模块103,用于将所述病理数据集与所述模型数据集建立映射关系;
数据匹配模块104,用于基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;
数据填充模块105,用于利用填充算法对所述过滤数据集进行填充,得到标准数据集;
数据计算模块106,用于利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;
数据提取模块107,用于提取所述预测数据集包含的预测数据;
确定模块108,用于根据所述预测数据确定所述用户的疾病预测结果。
详细地,所述疾病预测装置各模块的具体实施步骤如下:
所述第一数据获取模块101获取用户的病理数据集。
一种可选实施例中,用户的病理数据集包括心衰数据、冠心病数据和脑卒中数据之中的至少两项,则通过本实施例所述的疾病预测方法可以对心脑血管疾病进行预测。
进一步地,在本发明其他可选实施例中,用户的病理数据集还可以包括其他与用户的身体状况相关的数据,通过本实施例所述的疾病预测方法可以对其他疾病进行预测。
例如,现有技术中,若需识别张先生是否患有心脑血管疾病,则需通过做心电图、头部CT、肝肾功能、血常规、尿常规和血脂血糖等方面的检查,并根据以上数据指标来确认是否患有心脑血管疾病、患病程度,以及评价心脑血管疾病的发病原因,然而根据医生经验的不同可能得出不同的结果。
当通过本发明实施例所述方法进行预测时,获取张先生的病理数据集,所述病理数据集包括心衰数据、冠心病数据和脑卒中数据之中的至少两项,进行心脑血管疾病的预测。
所述第二数据获取模块102获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的。
详细地,所述样本数据集包括样本用户的心衰数据、冠心病数据和脑卒中数据,所述疾病预测模型可以为心脑血管疾病预测模型。
较佳地,可以通过以下方式得到模型数据集。
所述获取模型数据集和预测非线性关系之前,所述方法还包括:
获取样本数据集;
将所述样本数据集通过损失函数进行损失计算,得到样本函数集;
对所述样本函数集通过目标函数进行迭代计算,得到样本迭代集;
对所述样本迭代集进行正则化计算,得到模型数据集。
进一步地,所述得到所述模型数据集之后,所述方法还包括:通过网格搜索方法对所述模型数据集进行超参数调整,得到预测非线性关系。
本发明实施例中,所述网格搜索方法是指定参数值的一种穷举搜索方法,是将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法。
本发明实施例中,通过网格搜索方法对所述模型数据集进行超参数调整,包括:将所述模型数据集中各个参数值进行排列组合;列出所有可能的组合结果;使用交叉验证对所有可能的组合结果进行评估,得到最优组合结果;通过拟合函数生成最优组合结果的预测非线性关系。
映射关系建立模块103将所述病理数据集与所述模型数据集建立映射关系。
较佳地,所述将所述病理数据集与所述模型数据集建立映射关系,包括:
创建与所述用户的病理数据集对应的用户诊断数据表,所述用户诊断数据表包含心衰数据项、冠心病数据项和脑卒中数据项;
创建与所述模型数据集对应的模型数据表,所述模型数据表中包含所述心衰数据、冠心病数据和脑卒中数据;
通过所述心衰数据项、冠心病数据项和脑卒中数据项,将所述病理数据集与所述模型数据集建立关联,得到映射关系。
例如,创建张先生的病理数据集对应的诊断数据表,该诊断数据表包含张先生的心衰数据项、冠心病数据项和脑卒中数据项中的至少两项数据,创建与所述模型数据集对应的模型数据表,该模型数据表中包含所述心衰数据项、冠心病数据项和脑卒中数据项,基于诊断数据表,在所述模型数据表中搜索所述心衰数据项、冠心病数据项和脑卒中数据项,完成张先生的病理数据集与所述模型数据集之间建立关联,得到映射关系。
数据匹配模块104基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集。
通过遍历匹配,可以获取模型数据集中与病理数据集相关的数据。
例如,将张先生的病理数据集传输至所述模型数据集中,根据所述映射关系,将张先生的心衰数据项、冠心病数据项和脑卒中数据项在所述模型数据集中的心衰数据项、冠心病数据项和脑卒中数据项进行遍历搜索。通过所述心衰数据项、所述冠心病数据项和所述脑卒中数据项的数据值匹配,得到所述模型数据集中与张先生的心衰数据项、冠心病数据项和脑卒中数据项相同的样本病理数据集,该样本病理数据集即为张先生的病理数据集通过与所述模型数据集进行遍历匹配得到的过滤数据集。
数据填充模块105利用填充算法对所述过滤数据集进行填充,得到标准数据集。
在本发明实施例中,通过对过滤数据集进行填充,可以提高数据完整性,避免数据缺失影响预测结果的准确性。
较佳地,所述利用填充算法对所述过滤数据集进行填充,得到标准数据集包括:
对所述过滤数据集进行缺失归类,得到归类数据集;
对所述归类数据集通过填充算法中的填充函数进行数据插补,得到标准数据集。
例如,若张先生的病理数据集中缺失心衰数据项数据,将该心衰数据项进行标记,并用未知数(如X)补充心衰数据项中缺失的数据,得到归类数据集,进而通过填充算法中的填充函数,对缺失心衰数据项中的未知数进行数据插补,得到标准数据集。
数据计算模块106利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集。
在本发明实施例中,通过训练泛化得到的预测数据集中包含用户的身体状况的预测数据,例如,心衰预测数据、冠心病预测数据。
较佳地,所述利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集包括:
将所述标准数据集均等划分,得到至少两组划分数据集;
利用所述预测非线性关系对至少两组所述划分数据集进行关联,得到关联数据集;
对所述关联数据集进行均值计算,得到预测数据集。
在本发明实施例中,将标准数据集均等划分为N组,N大于等于2。
本发明实施例中,利用所述预测非线性关系对至少两组所述划分数据集进行关联,具体是将至少两组划分数据集中的符合预测非线性关系的数据进行关联。
数据提取模块107提取所述预测数据集包含的预测数据。
较佳地,所述提取所述预测数据集包含的数据包括:利用正则表达式提取所述预测数据集包含的数据。
例如,所述预测数据集包括:“心衰数据420冠心病数据132脑卒中数据150”,利用Python正则表达式对预测数据集进行数据提取,得到数值数据“420 132 150”和文本数据“心衰数据冠心病数据脑卒中数据”。
具体的,Python代码为:re.findall(r'd+','心衰数据420冠心病数据132脑卒中数据150')。
确定模块108根据所述预测数据确定所述用户的疾病预测结果。
本发明实施例中,用户的疾病预测结果为用户是否患有心脑血管疾病,以及心脑血管疾病状况的识别结果。
例如,预测结果分为患病、高危、中危、低危四个等级中的某一项。
进一步地,根据所述预测数据确定所述用户的疾病预测结果包括:对所述预测数据进行划分计算,确定所述用户的疾病预测结果。
具体的,可以通过以下公式进行划分计算,得到预测结果:
h=ax+by+cz
其中,a表示预设心衰预测系数,b表示预设冠心病预测系数,c表示预设脑卒中预测系数,x表示心衰预测数据,y表示冠心病预测数据,z表示脑卒中预测数据。
本发明实施例中,当h大于等于第一预设值时,确定用户为已患心脑血管疾病;当h大于第一预设值且小于等于第二预设值时,确定用户患心脑血管疾病的严重等级为低危风险;当h大于第二预设值且小于等于第三预设值时,确定用户患心脑血管疾病的严重等级为中危风险;当h大于第三预设值时,确定用户患心脑血管疾病的严重等级为高危风险。
例如,当h≥40表示用户已患心脑血管疾病,当40<h≤60表示用户患心脑血管疾病的严重等级为低危风险,当60<h≤80表示用户患心脑血管疾病的严重等级为中危风险,当h>80表示用户患心脑血管疾病的严重等级为高危风险,当张先生的预测结果为78,则表示张先生患心脑血管疾病的严重等级为中危风险。
进一步地,在本发明另一实施例中,将所述预测结果结合F1线性函数、F2线性函数和F3线性函数进行计算,输出健康指数,所述健康指数用于标识患者所处患心脑血管的严重等级患病等级中的具体水平位置,例如:张先生的预测结果显示张先生的患心脑血管疾病的严重等级为中危风险,通过所述健康指数可以确定该张先生处于高危风险之中的具体水平位置。
详细地,所述F1线性函数表示为:
F1=W/H2
其中,W表示体重,H表示身高。
进一步地,F2线性函数表示为:
F2=f(E)+ACHS+B+LS+h
其中,f表示二次线性关系函数,E表示环境系数,环境系数是通过环境周围的设施、卫生、绿化情况预设的自定义系数,ACHS表示保健设施的易获性系数,保健设施的易获性是通过保健设施和居住点的距离远近预设的自定义系数,B表示生物学因素系数,生物学因素系数通过家族遗传病及疾病情况预设的自定义系数,LS表示生活习惯系数,生活习惯系数是根据个人卫生情况、穿着打扮情况、家居清理习惯预设的自定义系数值,h表示预测结果。
进一步地,F3线性函数表示为:
其中,L表示温度值,E(L)表示线性内插标准误差,线性内插标准误差是由气象观察站的气温场及湿度场的结构函数确定的,bf表示空气中污染物浓度平均值,σ2/2表示监测空气指数的随机误差。
进一步地,所述健康指数的计算方法为:
Score=X0*(F1+F2+F3)
其中,x0为预设的起始分数值。
本发明实施例中,第一数据获取模块获取用户的病理数据集;第二数据获取模块获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;映射关系建立模块将所述病理数据集与所述模型数据集建立映射关系;数据匹配模块基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;数据填充模块利用填充算法对所述过滤数据集进行填充,得到标准数据集;数据计算模块利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;数据提取模块提取所述预测数据集包含的预测数据;确定模块根据所述预测数据确定所述用户的疾病预测结果。通过填充算法、预测非线性关系以及对预测数据集进行的数据提取,能够进一步提高预测结果的精准度和可靠性。因此,本发明实施例可以达到提高对疾病预测的可靠性的目的。
如图3所示,是本发明实现疾病预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于病理数据的心脑血管疾病预测程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如疾病预测的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行疾病预测等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的疾病预测12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取用户的病理数据集;
获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;
将所述病理数据集与所述模型数据集建立映射关系;
基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;
利用填充算法对所述过滤数据集进行填充,得到标准数据集;
利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;
提取所述预测数据集包含的预测数据;
根据所述预测数据确定所述用户的疾病预测结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种疾病预测方法,其特征在于,所述方法包括:
获取用户的病理数据集;
获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;
将所述病理数据集与所述模型数据集建立映射关系;
基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;
利用填充算法对所述过滤数据集进行填充,得到标准数据集;
利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;
提取所述预测数据集包含的预测数据;
根据所述预测数据确定所述用户的疾病预测结果。
2.如权利要求1所述的疾病预测方法,其特征在于,所述获取模型数据集和预测非线性关系之前,所述方法还包括:
获取所述样本数据集;
将所述样本数据集通过损失函数进行损失计算,得到样本函数集;
对所述样本函数集通过目标函数进行迭代计算,得到样本迭代集;
对所述样本迭代集进行正则化计算,得到模型数据集。
3.如权利要求2所述的疾病预测方法,其特征在于,所述得到所述模型数据集之后,所述方法还包括:通过网格搜索方法对所述模型数据集进行超参数调整,得到所述预测非线性关系。
4.如权利要求1至3任一项所述的疾病预测方法,其特征在于,所述将所述病理数据集与所述模型数据集建立映射关系,包括:
创建与所述用户的病理数据集对应的用户诊断数据表,所述用户诊断数据表包含心衰数据项、冠心病数据项和脑卒中数据项;
创建与所述模型数据集对应的模型数据表,所述模型数据表中包含所述心衰数据项、所述冠心病数据项和所述脑卒中数据项;
通过所述心衰数据项、所述冠心病数据项和所述脑卒中数据项,将所述病理数据集与所述模型数据集建立关联,得到映射关系。
5.如权利要求1至3任一项所述的疾病预测方法,其特征在于,所述利用填充算法对所述过滤数据集进行填充,得到标准数据集包括:
对所述过滤数据集进行缺失归类,得到归类数据集;
对所述归类数据集通过填充算法中的填充函数进行数据插补,得到标准数据集,其中,所述标准数据集可存储于区块链中。
6.如权利要求1至3任一项所述的疾病预测方法,其特征在于,所述利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集包括:
将所述标准数据集均等划分,得到至少两组划分数据集;
利用所述预测非线性关系对所述至少两组划分数据集进行关联,得到关联数据集;
对所述关联数据集进行均值计算,得到预测数据集,其中,所述预测数据集可存储于区块链中。
7.如权利要求1至3任一项所述的疾病预测方法,其特征在于,所述提取所述预测数据集包含的预测数据,包括:
利用正则表达式提取所述预测数据集包含的预测数据。
8.一种疾病预测装置,其特征在于,所述装置包括:
第一数据获取模块,用于获取用户的病理数据集;
第二数据获取模块,用于获取模型数据集和预测非线性关系,所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的,所述预测非线性关系是对所述模型数据集进行超参数调整得到的;
映射关系建立模块,用于将所述病理数据集与所述模型数据集建立映射关系;
数据匹配模块,用于基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配,得到过滤数据集;
数据填充模块,用于利用填充算法对所述过滤数据集进行填充,得到标准数据集;
数据计算模块,用于利用所述预测非线性关系对所述标准数据集进行训练泛化,得到预测数据集;
数据提取模块,用于提取所述预测数据集包含的预测数据;
确定模块,用于根据所述预测数据确定所述用户的疾病预测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一所述的疾病预测方法。
10.一种计算机可读存储介质,其特征在于,包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有计算机程序;所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的疾病预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458696.8A CN111696662A (zh) | 2020-05-26 | 2020-05-26 | 疾病预测方法、装置及存储介质 |
PCT/CN2020/098967 WO2021151273A1 (zh) | 2020-05-26 | 2020-06-29 | 疾病预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458696.8A CN111696662A (zh) | 2020-05-26 | 2020-05-26 | 疾病预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111696662A true CN111696662A (zh) | 2020-09-22 |
Family
ID=72478450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010458696.8A Pending CN111696662A (zh) | 2020-05-26 | 2020-05-26 | 疾病预测方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111696662A (zh) |
WO (1) | WO2021151273A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233737A (zh) * | 2020-11-19 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于尿常规信息的疾病认知*** |
CN112435755A (zh) * | 2020-11-23 | 2021-03-02 | 平安科技(深圳)有限公司 | 疾病分析方法、装置、电子设备及存储介质 |
CN113724878A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | 基于机器学习的医疗风险信息推送方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717867A (zh) * | 2018-05-02 | 2018-10-30 | 中国科学技术大学苏州研究院 | 基于梯度迭代树的疾病预测模型建立方法及装置 |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及*** |
CN110838366A (zh) * | 2019-10-15 | 2020-02-25 | 平安科技(深圳)有限公司 | 一种患病风险的预测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6280997B1 (ja) * | 2016-10-31 | 2018-02-14 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
CN109003679B (zh) * | 2018-06-28 | 2021-06-08 | 众安信息技术服务有限公司 | 一种脑血管出血与缺血预测方法及装置 |
CN109616205A (zh) * | 2018-12-04 | 2019-04-12 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
CN110197720A (zh) * | 2019-03-12 | 2019-09-03 | 平安科技(深圳)有限公司 | 糖尿病的预测方法及装置、存储介质、计算机设备 |
-
2020
- 2020-05-26 CN CN202010458696.8A patent/CN111696662A/zh active Pending
- 2020-06-29 WO PCT/CN2020/098967 patent/WO2021151273A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717867A (zh) * | 2018-05-02 | 2018-10-30 | 中国科学技术大学苏州研究院 | 基于梯度迭代树的疾病预测模型建立方法及装置 |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及*** |
CN110838366A (zh) * | 2019-10-15 | 2020-02-25 | 平安科技(深圳)有限公司 | 一种患病风险的预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
何龙: "《深入理解XGBoost 高效机器学习算法与进阶》", vol. 1, 31 January 2020, 机械工业出版社, pages: 319 * |
菅小艳: "《贝叶斯网基础及应用》", vol. 1, 31 May 2019, 第122页, pages: 122 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233737A (zh) * | 2020-11-19 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于尿常规信息的疾病认知*** |
CN112435755A (zh) * | 2020-11-23 | 2021-03-02 | 平安科技(深圳)有限公司 | 疾病分析方法、装置、电子设备及存储介质 |
CN113724878A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | 基于机器学习的医疗风险信息推送方法及装置 |
CN113724878B (zh) * | 2021-08-31 | 2024-05-10 | 平安科技(深圳)有限公司 | 基于机器学习的医疗风险信息推送方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021151273A1 (zh) | 2021-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696662A (zh) | 疾病预测方法、装置及存储介质 | |
CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
JPWO2019187341A1 (ja) | 指標算出装置、予測システム、経過予測評価方法およびプログラム | |
CN113674858B (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
CN117151655B (zh) | 一种用于多项目检测结果综合分析管理***及方法 | |
CN114783618A (zh) | 基于知识结构及四诊性状的中医模型训练方法、装置 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113724847A (zh) | 基于人工智能的医疗资源分配方法、装置、终端设备及介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN107506606A (zh) | 常见疾病风险预测方法及*** | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN117373580A (zh) | 基于时序网络实现钛合金产品的性能分析方法及*** | |
CN116403693A (zh) | 问诊单派单方法、装置、设备及存储介质 | |
CN116779184A (zh) | 疫苗安全性准实时监测的方法、***及设备和存储介质 | |
CN113689924B (zh) | 相似病历检索方法、装置、电子设备及可读存储介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
Van Houtte et al. | Acute admission risk stratification of New Zealand primary care patients using demographic, multimorbidity, service usage and modifiable variables | |
CN116936103B (zh) | 一种基于同向网络的用户健康预测管理方法及*** | |
CN114391806A (zh) | 疾病预警方法、装置、设备及存储介质 | |
CN115938524A (zh) | 健康测评方法、装置、电子设备及介质 |
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 |