CN117116481A - 血脂异常评估模型构建方法、膳食食疗及健康管理*** - Google Patents

血脂异常评估模型构建方法、膳食食疗及健康管理*** Download PDF

Info

Publication number
CN117116481A
CN117116481A CN202310982985.1A CN202310982985A CN117116481A CN 117116481 A CN117116481 A CN 117116481A CN 202310982985 A CN202310982985 A CN 202310982985A CN 117116481 A CN117116481 A CN 117116481A
Authority
CN
China
Prior art keywords
dyslipidemia
model
feature
health
data
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
Application number
CN202310982985.1A
Other languages
English (en)
Inventor
汪菲
马攀
董剩勇
章欣
孙菁
韩冰清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Jinfangmei Biotechnology Co ltd
Second Medical Center of PLA General Hospital
Original Assignee
Zhejiang Jinfangmei Biotechnology Co ltd
Second Medical Center of PLA General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Jinfangmei Biotechnology Co ltd, Second Medical Center of PLA General Hospital filed Critical Zhejiang Jinfangmei Biotechnology Co ltd
Priority to CN202310982985.1A priority Critical patent/CN117116481A/zh
Publication of CN117116481A publication Critical patent/CN117116481A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及血脂异常评估技术领域，具体涉及血脂异常评估模型构建方法、膳食食疗及健康管理***，所述构建方法包括S1：准备数据集；S2：划分特征集；S3：特征筛选：采用过滤式特征选择方法对训练集进行过滤，利用单因素逻辑回归方法计算每一个特征与目标变量之间的相关性，选择符合预设条件的特征作为血脂异常评估模型的输入特征；S4：模型构建：利用多因素逻辑回归模型拟合训练集且构建血脂异常评估模型；S5：模型优化；S6：模型评估和验证；S7：模型应用。本发明基于血脂异常患者的数据，通过多因素逻辑回归模型拟合训练集且构建血脂异常评估模型，使经过优化训练的血脂异常评估模型可用于预测血脂异常患者未来再次发生心血管事件的风险。

Description

血脂异常评估模型构建方法、膳食食疗及健康管理***
技术领域
本发明涉及血脂异常评估技术领域，具体涉及血脂异常评估模型构建方法、膳食食疗及健康管理***。
背景技术
依据《中国血脂管理指南(2023年)》和《中国成人血脂异常防治指南(2016年修订版)》，血脂异常人群定义为包含以下一项或多项的人群：
总胆固醇≥5.2mmol/L，低密度脂蛋白胆固醇≥3.4mmol/L，甘油三酯≥1.7mmol/L，高密度脂蛋白胆固醇<1.0mmol/L，非高密度脂蛋白胆固醇≥4.1mmol/L，和/或正在服用降脂药物。
需要开展更深入的研究和制定更为有效提高知晓率、治疗率和控制率的策略。同时，由于这些危险因素升高大部分隐匿发生，常常在检出时已经导致血管病变，甚至已经造成心肌梗死、脑卒中等严重事件。虽然亚临床动脉粥样硬化病变普遍存在，但血管损伤和治疗并没有作为预防的重点。越来越多的证据表明，维持血管健康是预防CVD和退行性疾病的重要基础。因此，一方面加强预防高血压、血脂异常、糖尿病、肥胖和吸烟等零级预防为主策略是重中之重，另一方面，也应加强心血管健康状态的评估和早期病理变化消除的防治研究。目前已有的血脂异常相关解决方案仅仅聚焦于评估模型构建，或仅仅以健康管理为重点，或仅仅偏于食疗运动调理，从而导致治疗方案不精准，缺少将血脂异常评估模型、膳食食疗及健康管理有机整合的体系。本发明旨在构建一种血脂异常评估模型、健康管理***和膳食食疗有机整合的体系，以解决现有的血脂异常评估存在的技术问题。
发明内容
本发明的目的是提出一种血脂异常评估模型构建方法、膳食食疗及健康管理***，旨在解决现有技术缺少将血脂异常评估模型、将康管理、膳食食疗整合为整体方案的技术问题。
为实现上述目的，本发明提出一种血脂异常评估模型构建方法，包括如下步骤：
S1：准备数据集：收集血脂异常患者的数据，从血脂异常患者的数据中剔除重复数据、有异常值数据、缺失与血脂异常有关的样本，形成数据集，利用血脂异常专业知识和文献分析对所述数据集中血脂异常相关变量进行筛选，形成特征集；
S2：划分特征集：将所述特征集划分为训练集和测试集；
S3：特征筛选：采用过滤式特征选择方法对训练集进行过滤，以是否发生心血管事件为目标变量，利用单因素逻辑回归方法计算每一个特征与目标变量之间的相关性，选择符合预设条件的特征作为血脂异常评估模型的输入特征；
S4：模型构建：利用多因素逻辑回归模型拟合所述训练集且构建血脂异常评估模型；
其中，所述血脂异常评估模型的自变量为过滤式特征选择方法筛选的特征集，所述特征集包括：年龄、性别、体质指数、非高密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、收缩压、胰岛素抵抗指数、高脂血症病史、高血压病史、糖尿病史、心脑血管疾病史、慢性肾功能不全史、用药史、早发心血管病家族史、饮食评分、运动评分、是否吸烟、是否饮酒、是否存在颈动脉斑块或狭窄、PWV以及中医评估评分；
S5：模型优化：迭代若干次，每次从所述训练集中随机抽取五分之一的数据，利用多因素逻辑回归模型进行拟合；迭代结束后，取若干次回归模型参数的平均数，设定为血脂异常评估模型的最优参数；
S6：模型评估和验证：使用所述测试集来评估模型的性能，评价指标为心血管事件的区分度和校准度，区分度利用ROC曲线分析，校准度利用Calibration校正曲线分析；
S7：模型应用：将训练完成的血脂异常评估模型应用于新的血脂异常患者的数据中，可用于预测血脂异常患者未来再次发生心血管事件的风险。
作为本发明的进一步改进：在步骤S3中，所述心血管事件为与血脂异常关系密切的不良事件，主要包括心源性死亡、急性心肌梗死、冠状动脉再通或重建术(PTCA、PCI、CABG)以及缺血性脑卒中。
作为本发明的进一步改进：在步骤S3中，单因素逻辑回归方法计算公式如下：
其中，p是目标变量的概率，此处为心血管事件的发生概率；x是单个特征值，模型的参数包括截距项β0和特征系数β1。
作为本发明的进一步改进：在步骤S4之前，将特征集的连续特征进行预处理，连续特征包括年龄、体质指数、腰围、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、非高密度脂蛋白胆固醇、收缩压、舒张压、空腹血糖、胰岛素抵抗指数、估计肾小球滤过率、PWV和ABI，连续特征采用最小-最大标准化方法进行标准化处理，最小-最大标准化处理公式为：
其中，xnew是标准化后的观察值，x是观察值，min(x)是最小值，max(x)是最大值。
作为本发明的进一步改进：多因素逻辑回归模型的公式为：
其中，p是自变量数量；X1,X2……Xp是p个自变量；β0,β1……βp是模型的参数；Y是因变量；P(Y＝1|X)是Sigmoid函数，表示在给定X的情况下，Y取值为1的概率，当P(Y＝1|X)大于0.5时，将模型结果预测为1，否则预测为0。
作为本发明的进一步改进：按所述多因素逻辑回归模型构建步骤对血脂异常评估模型的参数进行更新。
作为本发明的进一步改进：在步骤S3中，选择显著性水平(P值)≤0.1的特征作为血脂异常评估模型的输入特征。
作为本发明的进一步改进：所述特征集中非高密度脂蛋白胆固醇、是否存在颈动脉斑块或狭窄以及PWV为血脂异常评估模型中最重要的输入特征。
本发明还提出一种血脂异常膳食食疗及健康管理***，所述***包括：
健康档案模块，所述健康档案模块用于采集患者的个人身体基本情况信息；
健康评估模块，所述健康评估模块内置有血脂异常评估模型，所述血脂异常评估模型采用上述的方法构建而成；
健康干预模块，所述健康干预模块根据患者情况结合血脂异常评估模型结果，从特殊膳食和健康管理方案库中智能匹配出个性化的健康管理方案；
数据分析模块，所述数据分析模块用于出具健康服务报告。
作为本发明的进一步改进：所述健康干预模块中的健康管理方案包括：特殊膳食食疗干预方案、药膳食疗干预方案、日常饮食干预方案、运动干预方案、营养素干预方案、穴位按摩干预方案、心理干预方案、针灸干预方案和医疗器械干预方案中的一种或多种组合方案。
与现有技术相比，本发明所产生的有益效果是：
本发明基于血脂异常患者的数据，通过多因素逻辑回归模型拟合训练集且构建血脂异常评估模型，使经过优化训练的血脂异常评估模型可应用于新的血脂异常患者的数据中，从而可预测血脂异常患者未来再次发生心血管事件的风险；并且，在模型评估前，通过单因素逻辑回归方法计算每一个特征与目标变量之间的相关性，选择符合预设条件的特征作为血脂异常评估模型的输入特征，从而使血脂异常评估模型的输入特征更准确，继而提高评估模型评估的准确性；此外，本发明的心血管病膳食食疗及健康管理***集成健康评估模块、健康干预模块，健康评估模块根据心血管病患者的数据预测未来再次发生心血管事件的风险，健康干预模块根据健康评估模块的预测结果从特殊膳食和健康管理方案库中智能匹配出个性化的健康管理方案，从而使血脂异常治疗方案更精准、更全面。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例的血脂异常评估模型构建方法流程图。
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
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，若全文中出现的“和/或”或者“及/或”，其含义包括三个并列的方案，以“A和/或B”为例，包括A方案、或B方案、或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参阅图1，本技术方案提供一种血脂异常评估模型构建方法，在某一实施例中，血脂异常评估模型构建方法包括如下步骤：
步骤S1：准备数据集
基于真实世界数据样本数量、客户健康档案数据，删除重复数据，删除有异常值的样本，删除缺失变量数占某样本变量集总数的比例超过10％的样本，删除缺失血脂、血压、血糖、疾病史、吸烟、饮酒、运动、饮食、睡眠以及中医评估信息的样本。对于缺失值占比在10％以内的样本缺失值，连续变量采用均值插值，分类变量采用最常见的类别填充缺失值。
数据集中包含了大量特征，其中很多特征对模型训练并不重要。利用专业知识和文献分析对血脂异常压相关变量进行预判，初步选择的特征包括：年龄、性别、地区、体质指数、腰围、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、非高密度脂蛋白胆固醇、收缩压、舒张压、空腹血糖、胰岛素抵抗指数、估计肾小球滤过率、高脂血症病史、高血压病史、糖尿病史、心脑血管疾病史、慢性肾功能不全史、用药史、家族高血压史、早发心血管病家族史、饮食评分、运动评分、睡眠评分、肌力评分、是否吸烟、是否饮酒、是否存在颈动脉斑块或狭窄、PWV、ABI以及中医评估评分。这些特征构成特征集。
为了保证评估模型具有可比性，在构建模型前将上述特征进行预处理，连续特征包括年龄、体质指数、腰围、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、非高密度脂蛋白胆固醇、收缩压、舒张压、空腹血糖、胰岛素抵抗指数、估计肾小球滤过率、PWV和ABI，连续特征采用最小-最大标准化方法进行标准化处理，最小-最大标准化处理公式为：
其中，xnew是标准化后的观察值，x是观察值，min(x)是最小值，max(x)是最大值。
分类特征包括性别、地区、高脂血症病史、高血压病史、糖尿病史、心脑血管疾病史、慢性肾功能不全史、用药史、家族高血压史、早发心血管病家族史、饮食评分、运动评分、睡眠评分、肌力评分、是否吸烟、是否饮酒、是否存在颈动脉斑块或狭窄以及中医评估评分。其中，地区、饮食评分、运动评分、睡眠评分、肌力评分和中医评估评分设定为等级变量，其它分类特征设定为0或1变量。
步骤S2：划分特征集
采用随机抽样的方法将数据集划分为训练集和验证集。训练集占总数据集的80％，验证集占20％。
步骤S3：特征筛选
在模型构建的过程中，如果选取了过多的特征变量，可能会导致过拟合，使模型的泛化能力下降。因此，在构建模型前，需要对特征集中的特征变量进行筛选，选择最为重要和相关的特征变量。
利用训练集，采用过滤式特征选择方法，以是否发生心血管事件为目标变量，利用单因素逻辑回归方法计算每一个特征与目标变量之间的相关性，选择显著性水平(P值)≤0.1的特征作为模型的输入特征。心血管事件指与血脂异常关系密切的不良事件，主要包括心源性死亡、急性心肌梗死、冠状动脉再通或重建术(PTCA、PCI、CABG)以及缺血性脑卒中。
单因素逻辑回归公式如下：
其中，p是目标变量的概率，此处为心血管事件的发生概率；x是单个特征值。模型的参数包括截距项β0和特征系数β1。
经过单因素逻辑回归筛选，模型的输入特征集包括：年龄、性别、体质指数、非高密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、收缩压、胰岛素抵抗指数、高脂血症病史、高血压病史、糖尿病史、心脑血管疾病史、慢性肾功能不全史、用药史、早发心血管病家族史、饮食评分、运动评分、是否吸烟、是否饮酒、是否存在颈动脉斑块或狭窄、PWV以及中医评估评分。其中，非高密度脂蛋白胆固醇、是否存在颈动脉斑块或狭窄以及PWV是血脂异常风险评估模型最重要的输入特征。
步骤S4：模型构建
利用多因素逻辑回归模型拟合所述训练集，模型的因变量为是否发生心血管事件，自变量为上述经过筛选的输入特征集。多因素逻辑回归模型的公式为：
其中，p是自变量数量；X1,X2……Xp是p个自变量；β0,β1……βp是模型的参数；Y是因变量；P(Y＝1|X)是Sigmoid函数，表示在给定X的情况下，Y取值为1的概率。当P(Y＝1|X)大于0.5时，将模型结果预测为1，否则预测为0。
步骤S5：模型优化
迭代次数为10次，每次从训练集中随机抽取五分之一的数据，利用上述多因素逻辑回归模型进行拟合。迭代结束后，取10次回归模型参数的平均数，设定为血脂异常风险评估模型的最优参数。
步骤S6：模型评估和验证
使用测试集来评估模型的性能，评价指标为心血管事件的区分度和校准度。区分度利用ROC曲线分析，校准度利用Calibration校正曲线分析。
步骤S7：模型应用
将训练好的模型应用于新的数据中，可预测血脂异常患者未来十年的心血管事件风险。血脂异常风险评估模型输出内容为血脂异常人群未来十年的心血管事件发生概率。心血管事件指与血脂异常关系密切的不良事件，主要包括心源性死亡、急性心肌梗死、冠状动脉再通或重建术(PTCA、PCI、CABG)以及缺血性脑卒中。
步骤S8：模型更新
为了保证其预测能力的稳定性和准确性，***定期按上述逻辑回归模型构建步骤自动对血脂异常风险评估模型参数进行更新，每年更新一次。
本技术方案还提供一种心血管病膳食食疗及健康管理***，心血管病膳食食疗及健康管理***包括：健康档案模块、健康评估模块、健康干预模块、数据分析模块、数据分析模块。
健康档案模块：所述健康档案覆盖了血脂异常人群中西医健康管理服务过程中所需要的全部健康档案数据，包括血脂异常人群年龄、性别、地区等人口特征学信息，详细的饮食、运动、睡眠、吸烟、饮酒等生活方式和行为习惯信息，个人疾病史、个人用药史、家族疾病史等医疗史信息，总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、血压、血糖、体重、腰围、尿微量白蛋白、血肌酐等心血管危险因素指标信息，颈动脉超声、脉搏波传导速度、踝臂指数等动脉粥样硬化指标检测信息，以及个体中医体质信息。
血脂异常健康管理档案数据来源涉及采用以下多种方式获取的大量诊断数据和处方数据：来自医疗设备；来自个人保健设备；来自患者记录日志；来自实验室检验；以及来自保健专业人士推荐。医疗设备包括动脉硬化检查设备、血管超声检查设备。这些***中的每一个生成和/或管理大量诊断和处方数据。个人保健设备包括称重计、血压袖带、锻炼机器、温度计和重量管理软件。患者记录日志包括与膳食、锻炼和生活方式相关的信息。实验室检验结果包括总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、空腹血糖、糖化血红蛋白、尿微量白蛋白和血肌酐。保健专业人士推荐包括处方、饮食、健康计划以及与患者的治疗相关的其他医疗信息。
在客户健康干预过程中采集的生活方式信息、医疗信息以及体重、血压等健康监测信息，将同时纳入到客户的健康档案中，实现客户健康档案的实时动态更新。
健康档案的血脂、血压、体重、腰围、血糖等重要代谢指标信息数值数据通过趋势图方式展示，文字数据可关联历次结果，客户和授权用户均可一目了然地了解客户自身主要健康问题和健康指标的动态变化趋势。
健康评估模块：以中医体质分类与判定自测表、《中国血脂管理指南(2023年)》、《中国成人血脂异常防治指南(2016年修订版)》、《血脂异常基层诊疗指南(2019年)》、《血脂异常中西医结合诊疗专家共识》、《老年人血脂异常管理中国专家共识》、《中国高血压患者血压血脂综合管理的专家共识》、《中国2型糖尿病合并血脂异常防治专家共识(2017年修订版)》、《超高危动脉粥样硬化性心血管疾病患者血脂管理中国专家共识》以及汉密尔顿焦虑量表等成熟分级分类标准为基础，利用国人真实世界健康大数据，采用逻辑回归技术构建了中西医指标结合的血脂异常风险评估模型。该评估模型可依据客户采集的数据，评估血脂异常客户心血管事件风险。
健康干预模块：根据血脂异常风险评估模型结果，将心血管事件风险按<5％、5％-10％和≥10％分层为心血管风险低危组、中危组和高危组。
以血脂异常客户心血管风险分层为主要依据，结合客户性别、年龄、体重水平(体重正常、超重和肥胖)、血糖水平(血糖正常、糖尿病前期和糖尿病)、血压水平(正常、异常)、血尿酸水平(正常、高尿酸血症)、家族性高胆固醇血症(是、否)以及中医血脂异常复合证型(痰浊内阻证、脾虚湿盛证、气滞血瘀证和肝肾阴虚证)，***从特殊膳食和健康管理方案库中智能匹配个性化的血脂异常特殊膳食处方和健康管理方案。
在***自动匹配健康管理方案后，健康管理师与健康管理对象沟通后，依据健康管理对象当前的生活方式特点和工作实际情况，对个体化健康管理方案进行微调，实现精准化健康管理。
在客户干预一个疗程结束后，***会根据客户干预过程中监测到的血脂、血压、血糖、体重、血尿酸、肝功能、肾功能、睡眠以及中医评分等健康信息，自动更新客户心血管事件风险概率，进一步结合客户在干预过程中的执行和项目完成情况，自动调整客户下一阶段的特殊膳食处方和健康管理方案。
同时，当公司研发出新的、经过临床试验验证的、获得审批的血脂异常特殊膳食产品或形成新的血脂异常健康管理方案后，立即更新到***特殊膳食和健康管理方案健康管理方案库中，进而在实际服务中实现客户健康干预方案和手段的不断进化和动态更新。
数据分析模块：数据分析模块按健康管理服务周期，自动出具“健康服务报告”，通过血脂、血压、血糖、体重、血尿酸等健康数据前后对比趋势图、心血管风险变化趋势图、提供服务情况和客户依从性情况，阶段性展示客户服务健康改善效果。对于健康企业、健康社区，阶段性出具“健康***”，通过血脂、血压、血糖、体重等健康数据前后对比，提供服务情况和依从性情况，展示健康管理服务效果。通过定期检测数据的连续性对比分析，客户和用户均可清晰了解健康服务效果，满足于客户需求，进而有助于进一步提高客户依从性，改善健康管理手段。
此外，数据分析模块能够分析数据库中所有客户的人口特征学分布特点、生活方式特点以及疾病分布特点，分析不同健康管理手段的干预效果，有助于深度挖掘健康信息，满足于临床科研需求，并进一步指导健康管理服务。
数据分析模块还能够展示并导出客户来源、客户类型以及客户不同健康服务内容情况，满足于健康管理机构需求，进而有助于指导服务内容、人员配备、设备采购、员工培训、客户需求等运营决策的调整。
本技术方案还提供一种管理流程，管理流程包括个人或团体通过互联网或微信小程序上传常规健康数据，通过就医记录、用药记录、常规问卷、心理测评等得到的血压、体脂、运动、血糖、睡眠得到的数据上传***。***建立健康档案，后台对健康档案进行智能化分析与精准化评估，出具评估报告以及个体化心血管病特殊膳食处方和健康管理方案，并对客户跟踪干预。在此过程中，开展专题讲座、体检服务、线下活动等，并定期进行体检，调整管理方案。
通过***设定客户的重要信息提取，信息的变化可通过时间轴形式展示呈现，将复杂的健康档案简单化，做到3秒初步了解客户，让健康管理师从最显眼的标签、本次服务内容、健康数据、以往服务记录、备注信息了解客户的基本情况。
健康干预模块***创新设计首页任务处理模式，健康管理师登录首页显示的是今日需要处理的任务数量，提升任务处理效率，依据职业、生活方式特点等信息给每个客户设置不同颜色文字的标签，健康管理师自主判断服务优先级。
本技术方案还提供一种血脂异常健康管理方案，血脂异常健康管理方案包括特殊膳食食疗干预方案、药膳食疗干预方案以及日常饮食干预方案、运动干预方案、营养素干预方案、穴位按摩(拍打)干预方案、心理干预方案、针灸干预方案和医疗器械干预方案。***会依据血脂异常风险评估模型所得到的风险得分，进行心血管风险分层，结合客户性别、年龄、体重、血糖、血压、血尿酸、家族性高胆固醇血症史以及中医血脂异常证型，出具个体化的血脂异常健康管理方案。
血脂异常日常饮食干预方案
1.限制脂肪摄入：脂肪是影响血脂水平的主要因素之一，因此需要控制脂肪的摄入量，特别是饱和脂肪酸的摄入量。脂肪摄入量以占总能量20％-25％为宜，高甘油三酯血症者更应尽可能减少每日脂肪摄入总量。建议减少食用动物内脏、肥肉、奶油、黄油、猪油等含饱和脂肪酸较高的食物，选择富含不饱和脂肪酸的食物，如鱼类、坚果、橄榄油等。饱和脂肪摄入量应少于总能量的10％。高胆固醇血症者应降低饱和脂肪摄入量，使其低于总能量的7％。
2.增加膳食纤维的摄入：膳食纤维可以促进肠道蠕动，减少脂肪的吸收，从而降低血脂水平。建议多食用水果、蔬菜、全谷类等富含膳食纤维的食物。选择食物多样的平衡膳食模式，食物每天应不少于12种，每周不少于25种。推荐每日膳食中包含25g-40g膳食纤维(其中7g-13g水溶性膳食纤维)。多食新鲜蔬菜，推荐每日摄入500g，深色蔬菜应当占一半以上。新鲜水果每日推荐摄入200g-350g。
3.控制糖分的摄入：高糖饮食会导致胰岛素分泌过多，进而影响血脂水平。建议减少糖分的摄入，限制糖果、蛋糕、甜饮料等高糖食品的摄入。添加糖摄入不应超过总能量的10％，肥胖和高甘油三酯血症者添加糖摄入应更低。
4.适量摄入蛋白质：蛋白质是人体必需的营养素之一，适量的摄入可以提高代谢率，减少脂肪的积累。建议选择低脂肪、高蛋白的食品，如鸡蛋、豆腐、鱼肉等。每天摄入含25g大豆蛋白的食品，可降低发生心血管疾病的风险。
5.控制饮食总热量：热量是影响体重的关键因素，过多的能量摄入会导致体重增加，进而影响血脂水平。建议控制饮食总热量，减少高热量食品的摄入，如油炸食品、糕点等。
血脂异常运动干预方案
运动是预防和治疗血脂异常的重要手段之一。一些研究表明，适量的有氧运动可以显著降低总胆固醇、低密度脂蛋白胆固醇和甘油三酯的水平，同时提高高密度脂蛋白胆固醇水平。
以下是血脂异常运动方案的建议：
1.运动种类：适合血脂异常患者的运动种类包括步行、慢跑、骑车、游泳等有氧运动，以及瑜伽、普拉提等轻度强度的无氧运动。
2.运动强度：运动强度应该逐渐适应个人身体状况，可以通过心率、感觉度等来判断运动强度。初始时，每周应该进行至少3次、每次30分钟的有氧运动，逐渐增加到每周5次、每次45分钟左右。无氧运动应该在有氧运动的基础上进行，每周进行1-2次。
3.运动频率：每周进行3-5次运动，每次30-60分钟。
4.运动方式：运动可以分为连续运动和间歇运动两种。血脂异常患者建议选择连续运动，例如慢跑、骑车等，因为这种方式有利于提高代谢率，加速脂肪燃烧。
5.运动时长：建议每次运动30-60分钟，逐渐增加时间，达到每周150分钟的有氧运动量。
6.运动时机：运动时机最好是在饭后2小时左右，因为这个时候体内的胰岛素水平相对较低，运动能够有效促进脂肪代谢，降低血脂水平。
7.运动前准备：运动前应该进行适当的热身，包括慢走、慢跑、伸展等，以防止运动中受伤。
8.运动后恢复：运动后应该进行适当的拉伸、放松等恢复训练，以缓解肌肉疲劳，减少运动损伤。
上述的特殊膳食干预方案包括一种或多种心血管病特殊膳食处方。膳食处方包括一种或多种血脂异常特殊膳食食品和血脂异常相关特殊膳食食品，后者包括超重或肥胖特殊膳食食品、糖尿病特殊膳食食品以及高血压特殊膳食食品。***会依据血脂异常风险评估模型所得到的风险得分，进行心血管风险分层，结合客户性别、年龄、体重、血糖、血压、血尿酸、家族性高胆固醇血症史以及中医血脂异常证型，出具个体化的血脂异常特殊膳食处方。这种特殊膳食处方可能只包含一种膳食食品，也可能包含多种膳食食品。
高膳食纤维特殊食品：开创性将甘蔗渣或抗性糊精、益生元、短肽有机结合起来,以麦或米粉、亚麻籽、脂肪粉、酵母菌、海藴辅料，添加复合维生素、复合矿物质，不仅能够降低血脂吸收，还能够补充血脂异常人群、肥胖人群、高血糖人群所必需营养素，改善机体营养状况，益生元、酵母菌能起到调节肠道菌群，毒副作用小、安全有效，是血脂异常患者容易接受的高膳食纤维特殊食品。
动脉粥样硬化医学配方食品：结合动脉粥样硬化患者的体质特征，根据传统中医精髓理论合理配伍多种“药食同源”之中药，采用半仿生提取法提取药食两用的中药提取物精华、多种微胶囊化的益生菌以及生物酶解提取的短肽、益生元、氨基酸、碳水化合物、有保健功能的油脂、多种维生素及矿物质一起混合等工艺加工制成的医学配方食品，不仅可作为单一营养来源满足动脉粥样硬化患者的营养需求，还起到了降低胆固醇、避免血管硬化、降血脂、溶血栓及增强免疫力的功效。
降血脂医学配方食品：在继承中医精髓理论治病方法上，开创性将多种改善高血脂患者的肠道微生态的益生菌与“药食同源之中药”复方的提取物有机结合起来，添加以短肽、氨基酸、碳水化合物、有保健功能的油脂、多种维生素、多种矿物质为辅料，不仅能够补充免疫力低下的高血脂患者所必需营养素，改善机体营养状况，还能并利用药食两用中草药中的功能因子调节机体功能，益生菌能起到调节肠道菌群，毒副作用小、安全有效，且人们容易接受的适合高血脂患者食用的特定和非特定医学配方食品。
降血脂非全营养配方食品：依据“消中寓补”、“均衡调养”的传统中医的精髓理论(肝、脾、肾三脏同调为主原则)，将灵芝、刺五加、刺蒺藜、柴胡、黄连、红曲米、纳豆、白背三七、雨生红球藻、蛋白核小球藻、茶藨子叶状层菌发酵菌丝体等，浸泡后加入β-环状糊精，用预水解SBE技术提取后，经喷雾干燥而制备的粉状物质，再添加生物酶解提取的冬虫夏草(冬虫夏草菌丝体)、灵芝孢子粉(破壁)、蛹虫草、短肽、益生元、氨基酸、鱼油提取物、碳水化合物、多种维生素及矿物质，并加入啤酒酵母粉、抗性糊精一起粉碎混合后进行120摄氏度高温灭菌1小时，然后混合均匀制成粉状的固体饮料、颗粒剂。降血脂非全营养配方食品不仅可作为单一营养来源满高血脂患者的部分营养需求，还有抗菌抗炎、降低总胆固醇、降低血清甘油三酯、降低动脉粥样硬化指数、降低血压、降低血糖、降脂减肥及增强免疫力的功效。
动脉粥样硬化非全营养配方食品：开创性将多种抗动脉粥样硬化的新资源食品与“药食同源之中药”复方的提取物有机结合起来，添加以短肽、氨基酸、碳水化合物、有保健功能的油脂、多种维生素、多种矿物质为辅料的动脉粥样硬化非全营养配方食品，不仅能够补充动脉粥样硬化患者所必需的部分营养素，改善机体营养状况，还能并利用药食两用中草药中的功能因子调节机体功能，降低血脂水平，逆转动脉粥样硬化斑块，并且毒副作用小、安全有效，容易为高脂血症患者所接受。
动脉粥样硬化方便食品：根据动脉粥样硬化患者的体质特征，用传统中医精髓理论，有针对性的合理配伍：山楂、荷叶、人参、枸杞、葛根、决明子、沙棘、红曲米、纳豆、桑叶、茯苓、黑木耳、玫瑰茄等药食两用中草药提取物经生物酶解或预水解SBE技术提取，再添加益生元、短肽、维生素和矿物质混合制成。按照本发明配方制备的食品，易溶解，可快速吸收和利用，改善动脉粥样硬化患者的营养状况，通过药食两用中草药提取物中的生物活性成分的作用，可以辅助提高机体免疫力，适合动脉粥样硬化患者食用，因此具有集食疗、预防、调理三重功效于一体的独特优势。
动脉粥样硬化全营养配方食品：新资源食品与“药食同源之中药”复方的提取物有机结合起来，药食两用中药提取物及新资源食品是指铁皮石斛、冬虫夏草(冬虫夏草菌丝体)、灵芝孢子粉(破壁)、灵芝、山楂、荷叶、人参、枸杞、葛根、决明子、沙棘、纳豆、桑叶、茯苓、黑木耳、玫瑰茄、玉米须、红曲米、地龙蛋白、大豆低聚糖、玉米低聚肽、小麦低聚肽、共轭亚油酸、纳豆，提取后的混合物，与多种益生菌、短肽、多种维生素及矿物质结合而成的全营养配方饮食，可作为单一营养来源满足动脉粥样硬化患者的营养需求，还有起到平肝潜阳，化痰通络、疏散风邪、活血散瘀、软化血管、健脾益气及增强免疫力的功效。
动脉粥样硬化微生态特殊膳食：微胶囊化后的双歧杆菌(青春双歧杆菌、乳双歧杆菌、两歧双歧杆菌、短双歧杆菌、婴儿双歧杆菌、长双歧杆菌)、乳杆菌(嗜酸乳杆菌粉、干酪乳杆菌、保加利亚乳杆菌、德氏乳杆菌、乳亚种格氏乳杆菌、发酵乳杆菌、瑞士乳杆菌、唾液乳杆菌、鼠李糖乳杆菌、罗伊氏乳杆菌、植物乳杆菌、副干酪乳杆菌、约氏乳杆菌)、嗜热链球菌，混合提取的中药或新资源食品原料成分，加以适量辅料制成，具有一定的抗高温和强酸特性，有利于益生菌通过口服顺利通过胃液到达肠道内停留定植，具有显著降低血液中甘油三酯、胆固醇的水平。
特殊膳食食品不适宜人群：根据所添加新资源食品原料的要求，必须在外包装中标注不适宜人群，如：不适用于孕妇、哺乳期妇女、食用真菌过敏者、非目标人群使用等。
以上所述仅为本发明的实施例而已，并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种血脂异常评估模型构建方法，其特征在于，包括如下步骤：
S1：准备数据集：收集血脂异常患者的数据，从血脂异常患者的数据中剔除重复数据、有异常值数据、缺失与血脂异常有关的样本，形成数据集，利用血脂异常专业知识和文献分析对所述数据集中血脂异常相关变量进行筛选，形成特征集；
S2：划分特征集：将所述特征集划分为训练集和测试集；
S3：特征筛选：采用过滤式特征选择方法对训练集进行过滤，以是否发生心血管事件为目标变量，利用单因素逻辑回归方法计算每一个特征与目标变量之间的相关性，选择符合预设条件的特征作为血脂异常评估模型的输入特征；
S4：模型构建：利用多因素逻辑回归模型拟合所述训练集且构建血脂异常评估模型，所述血脂异常评估模型的自变量为过滤式特征选择方法筛选的特征集；
S5：模型优化：迭代若干次，每次从所述训练集中随机抽取五分之一的数据，利用多因素逻辑回归模型进行拟合；迭代结束后，取若干次回归模型参数的平均数，设定为血脂异常评估模型的最优参数；
S6：模型评估和验证：使用所述测试集来评估模型的性能，评价指标为心血管事件的区分度和校准度，区分度利用ROC曲线分析，校准度利用Calibration校正曲线分析；
S7：模型应用：将训练完成的血脂异常评估模型应用于新的血脂异常患者的数据中，可用于预测血脂异常患者未来再次发生心血管事件的风险。
2.根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，在步骤S3中，所述心血管事件为与血脂异常关系密切的不良事件，包括心源性死亡、急性心肌梗死、冠状动脉再通或重建术(PTCA、PCI、CABG)以及缺血性脑卒中。
3.根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，在步骤S3中，单因素逻辑回归方法计算公式如下：
其中，p是目标变量的概率，此处为心血管事件的发生概率；x是单个特征值，模型的参数包括截距项β0和特征系数β1。
4.根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，在步骤S4之前，将特征集的连续特征进行预处理，连续特征包括年龄、体质指数、腰围、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、非高密度脂蛋白胆固醇、收缩压、舒张压、空腹血糖、胰岛素抵抗指数、估计肾小球滤过率、PWV和ABI，连续特征采用最小-最大标准化方法进行标准化处理，最小-最大标准化处理公式为：
其中，xnew是标准化后的观察值，x是观察值，min(x)是最小值，max(x)是最大值。
5.根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，多因素逻辑回归模型的公式为：
其中，p是自变量数量；X1,X2……Xp是p个自变量；β0,β1……βp是模型的参数；Y是因变量；P(Y＝1|X)是Sigmoid函数，表示在给定X的情况下，Y取值为1的概率，当P(Y＝1|X)大于0.5时，将模型结果预测为1，否则预测为0。
6.根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，还包括如下步骤：
按所述多因素逻辑回归模型构建步骤对血脂异常评估模型的参数进行更新。
7.根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，在步骤S3中，选择显著性水平(P值)≤0.1的特征作为血脂异常评估模型的输入特征。
8.根据权利要求4所述的血脂异常评估模型构建方法，其特征在于，所述特征集中非高密度脂蛋白胆固醇、是否存在颈动脉斑块或狭窄以及PWV为血脂异常评估模型中最重要的输入特征。
9.一种血脂异常膳食食疗及健康管理***，其特征在于，所述***包括：
健康档案模块，所述健康档案模块用于采集患者的个人身体基本情况信息；
健康评估模块，所述健康评估模块内置有血脂异常评估模型，所述血脂异常评估模型采用如权利要求1-8任一项所述的方法构建而成；
健康干预模块，所述健康干预模块根据患者情况结合血脂异常评估模型结果，从特殊膳食和健康管理方案库中智能匹配出个性化的健康管理方案；
数据分析模块，所述数据分析模块用于出具健康服务报告。
10.根据权利要求9所述的血脂异常膳食食疗及健康管理***，其特征在于，所述健康干预模块中的健康管理方案包括：特殊膳食食疗干预方案、药膳食疗干预方案、日常饮食干预方案、运动干预方案、营养素干预方案、穴位按摩干预方案、心理干预方案、针灸干预方案和医疗器械干预方案中的一种或多种组合方案。
CN202310982985.1A 2023-08-04 2023-08-04 血脂异常评估模型构建方法、膳食食疗及健康管理*** Pending CN117116481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310982985.1A CN117116481A (zh) 2023-08-04 2023-08-04 血脂异常评估模型构建方法、膳食食疗及健康管理***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310982985.1A CN117116481A (zh) 2023-08-04 2023-08-04 血脂异常评估模型构建方法、膳食食疗及健康管理***

Publications (1)

Publication Number Publication Date
CN117116481A true CN117116481A (zh) 2023-11-24

Family

ID=88811948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310982985.1A Pending CN117116481A (zh) 2023-08-04 2023-08-04 血脂异常评估模型构建方法、膳食食疗及健康管理***

Country Status (1)

Country Link
CN (1) CN117116481A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117936102A (zh) * 2024-03-22 2024-04-26 南京科进实业有限公司 一种动脉硬化评估***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117936102A (zh) * 2024-03-22 2024-04-26 南京科进实业有限公司 一种动脉硬化评估***及方法
CN117936102B (zh) * 2024-03-22 2024-05-24 南京科进实业有限公司 一种动脉硬化评估***及方法

Similar Documents

Publication Publication Date Title
Toobert et al. Physiologic and related behavioral outcomes from the Women's Lifestyle Heart Trial
SCOP Group et al. Behavioral change during weight loss program and one-year follow-up: Saku Control Obesity Program (SCOP) in Japan
WO2022047041A1 (en) System and method for personalized telehealth management with dynamic monitoring
CN117116490A (zh) 心血管病评估模型构建方法、膳食食疗及健康管理***
CN110491526A (zh) 一种多维度干预的慢病生活方式医学管理***
Andersson et al. Weight development, drop-out pattern and changes in obesity-related risk factors after two years treatment of obese men
CN117012392A (zh) 高血压风险评估模型构建方法、膳食食疗及健康管理***
CN117116481A (zh) 血脂异常评估模型构建方法、膳食食疗及健康管理***
CN116153508A (zh) 基于主动健康指数的健康干预***
CN115188473A (zh) 一种健康管理***及其工作方法
CN111584039A (zh) 中西医结合膳食方案生成方法、***及终端
CN111430026B (zh) 一种糖代谢异常人群分类及健康管理***
Cherian et al. Western diet associated with increased post-stroke depressive symptoms
CN101356975A (zh) 提高人体免疫及促智健脑的保健食品及其制备方法
Usman et al. Dietary intake, Nutritional status, and quality of life in patients with thalassemia major
CN212809784U (zh) 一种基于图像识别和大数据的个人健康管理***
KR102268088B1 (ko) 맞춤형 건강 기능 식품 레시피의 제공방법
CN115206523A (zh) 一种健康管理评估***及其方法
CN104189038B (zh) 用于调理女性生理健康和免疫功能的中药制剂
CN111599468A (zh) 一种基于图像识别和大数据的个人健康管理***
Hui-jun et al. Dietary patterns and their association with diabetes mellitus in middle-aged and older rural population in Xinxiang County, Henan Province
Dan et al. Clinical effect of individualized comprehensive diet nursing intervention on patients with type 2 diabetes mellitus
Mangguang et al. Modifiable Risk Factor of Coronary Heart Disease Incident on Patients with Diabetes Mellitus Type 2
CN117292824A (zh) 一种高尿酸患者健康管理的方法及***
Adreena et al. Effect of lifestyle intervention on glucose regulation among individuals without glucose intolerance or diabetes mellitus. A Clinicopathological Study in National Capital Region (NCR) Among 1039 Patients

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