CN106709225A - 一种糖尿病视网膜病变的预警方法、装置及系统 - Google Patents
一种糖尿病视网膜病变的预警方法、装置及系统 Download PDFInfo
- Publication number
- CN106709225A CN106709225A CN201510770592.XA CN201510770592A CN106709225A CN 106709225 A CN106709225 A CN 106709225A CN 201510770592 A CN201510770592 A CN 201510770592A CN 106709225 A CN106709225 A CN 106709225A
- Authority
- CN
- China
- Prior art keywords
- data
- retinopathy
- patients
- diabetes
- early warning
- 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
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种糖尿病视网膜病变的预警方法、装置及系统，该方法包括：获取预定数量的样本患者的糖尿病历史数据；对预定数量的样本患者的糖尿病历史数据进行预处理，获取医疗特征数据；建立所述医疗特征数据与视网膜病变发生的关联关系；根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息。该方法通过对样本患者的糖尿病历史数据的预处理，建立与视网膜病变发生的关联关系，从而向糖尿病患者反馈视网膜病变的预警信息，提醒糖尿病患者及时就诊，减低或避免病情恶化的可能性。
Description
技术领域
本发明涉及移动健康领域，特别是涉及一种糖尿病视网膜病变的预警方法、装置及系统。
背景技术
糖尿病视网膜病变是糖尿病导致的视网膜微血管损害所引起的一系列典型病变。在我国，视网膜病变在糖尿病患者人群中的患病率为24.7％-37.5％。
根据《我国糖尿病视网膜病变临床诊疗指南(2014年)》，血糖、血压、血脂是视网膜病变发生的3个重要危险因素，糖尿病病程是最重要的发生因素，糖尿病患者的血糖水平、糖化血红蛋白(HbA1c)浓度的水平与视网膜病变的发生有直接关系。
视网膜病变早期，患者可能无症状，视力不受影响，但随着病情发展，视力下降甚至失明。早期发现、及时正确治疗十分关键。目前，缺乏一种个性化的视网膜病变预警方法，仅限于提醒糖尿病患者按时(如每半年一次)赴医院就医，检查视网膜病变情况。如果患者依从性差，没能按时就诊，那么就可能出现病情发现较晚、耽误治疗等不良后果。
发明内容
本发明的目的在于提供一种糖尿病视网膜病变的预警方法、装置及系统，向糖尿病患者反馈视网膜病变的预警信息，提醒糖尿病患者及时就诊，降低或避免病情恶化的可能性。
为了实现上述目的，本发明实施例提供的一种糖尿病视网膜病变的预警方法，包括：
获取预定数量的样本患者的糖尿病历史数据；
对预定数量的样本患者的糖尿病历史数据进行预处理，获取医疗特征数据；
建立所述医疗特征数据与视网膜病变发生的关联关系；
根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息。
其中，所述糖尿病历史数据包括：糖尿病确诊时间，视网膜检查历史和血压、血糖、糖化血红蛋白HbA1c及血脂的监测数据。
其中，所述医疗特征数据包括：糖尿病病程、血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例；所述异常比例由患者的个性化控制目标确定。
其中，对预定数量的患者的糖尿病历史数据进行预处理，获取医疗特征数据的步骤，包括：
根据所述视网膜检查历史确定所述样本患者的患者类别；
按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据。
其中，根据所述视网膜检查历史确定所述样本患者的患者类别的步骤，包括：
将所述视网膜检查历史中始终未出现过视网膜病变的样本患者确定为第一类患者；中途出现视网膜病变的样本患者确定为第二类患者。
其中，按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据的步骤，包括：
根据所述第一类患者的视网膜检查历史中最后一次检查的时间，确定所述第一类患者的糖尿病病程；
获取所述视网膜检查历史中最后两次检查之间的间隔时间内所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
其中，按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据的步骤，还包括：
根据所述第二类患者的视网膜检查历史中第一次检查出视网膜病变的时间，确定所述第二类患者的糖尿病病程；
获取所述视网膜检查历史中最后一次检查出无病变与第一次检查出病变之间的时间间隔内的所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
其中，建立所述医疗特征数据与视网膜病变发生的关联关系的步骤，包括：
将所述医疗特征数据通过一支持向量机SVM算法得到分类模型参数；
根据所述分类模型参数建立所述医疗特征数据与视网膜病变发生的关联关系的SVM分类模型。
其中，根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息的步骤，包括：
将所述医疗特征数据输入到所述SVM分类模型中，生成所述未曾出现过视网膜病变的患者是否发生视网膜病变的预警预测结果。
本发明实施例还提供一种糖尿病视网膜病变的预警装置，包括：
获取模块，用于获取预定数量的样本患者的糖尿病历史数据；
数据预处理模块，用于对预定数量的样本患者的糖尿病历史数据进行预处理，获取医疗特征数据；
关系建立模块，用于建立所述医疗特征数据与视网膜病变发生的关联关系；
病变预警模块，用于根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息。
其中，所述糖尿病历史数据包括：糖尿病确诊时间，视网膜检查历史和血压、血糖、糖化血红蛋白HbA1c及血脂的监测数据。
其中，所述医疗特征数据包括：糖尿病病程、血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例；所述异常比例由患者的个性化控制目标确定。
其中，所述数据预处理模块包括：
类别确定子模块，用于根据所述视网膜检查历史确定所述样本患者的患者类别；
数据预处理子模块，用于按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据。
其中，所述类别确定子模块包括：
类别确定单元，用于将所述视网膜检查历史中始终未出现过视网膜病变的样本患者确定为第一类患者；中途出现视网膜病变的样本患者确定为第二类患者。
其中，所述数据预处理子模块包括：
第一数据确定单元，用于根据所述第一类患者的视网膜检查历史中最后一次检查的时间，确定所述第一类患者的糖尿病病程；
第一数据获取处理单元，用于获取所述视网膜检查历史中最后两次检查之间的间隔时间内所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
其中，所述数据预处理子模块还包括：
第二数据确定单元，用于根据所述第二类患者的视网膜检查历史中第一次检查出视网膜病变的时间，确定所述第二类患者的糖尿病病程；
第二数据获取处理单元，用于获取所述视网膜检查历史中最后一次检查出无病变与第一次检查出病变之间的时间间隔内的所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
其中，所述关系建立模块包括：
模型参数确定子模块，用于将所述医疗特征数据通过一支持向量机SVM算法得到分类模型参数；
分类模型建立模块，用于根据所述分类模型参数建立所述医疗特征数据与视网膜病变发生的关联关系的SVM分类模型。
其中，所述病变预警模块包括：
预警生成子模块，用于将所述医疗特征数据输入到所述SVM分类模型中，生成所述未曾出现过视网膜病变的患者是否发生视网膜病变的预警预测结果。
本发明实施例还提供一种糖尿病视网膜病变的预警系统，包括糖尿病后台自我管理系统及移动终端；其中，
所述糖尿病后台自我管理系统包括如上述实施例所述的糖尿病视网膜病变的预警装置；
所述移动终端用于采集患者的糖尿病历史数据，接收糖尿病后台自我管理系统返回的视网膜病变的预警信息。
本发明的上述技术方案的有益效果如下：
本发明实施例的方案中，通过对样本患者的糖尿病历史数据的预处理，得到医疗特征数据，建立该医疗特征数据与视网膜病变发生的关联关系，从而向糖尿病患者反馈视网膜病变的预警信息，提醒糖尿病患者及时就诊，降低或避免病情恶化的可能性。
附图说明
图1为本发明实施例的糖尿病视网膜病变的预警方法的基本步骤示意图；
图2为本发明实施例的糖尿病视网膜病变的预警装置的组成结构示意图；
图3为本发明实施例的糖尿病视网膜病变的预警系统的基本组成框图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有技术中糖尿病并发症视网膜病变未能被及时发现，导致患者未能及时就诊，耽误治疗的问题，提供一种糖尿病视网膜病变的预警方法、装置及系统，通过对样本患者的糖尿病历史数据的预处理，建立与视网膜病变发生的关联关系，从而向糖尿病患者反馈视网膜病变的预警信息，提醒糖尿病患者及时就诊，减低或避免病情恶化的可能性。
第一实施例
如图1所示，本发明实施例提供一种糖尿病视网膜病变的预警方法，包括：
步骤11，获取预定数量的样本患者的糖尿病历史数据；
这里，预定数量的样本患者的糖尿病历史数据是糖尿病后台自我管理系统数据库中存储的大量患者的糖尿病历史数据，其患者的数量可由系统灵活设置。
步骤12，对预定数量的样本患者的糖尿病历史数据进行预处理，获取医疗特征数据；
步骤13，建立所述医疗特征数据与视网膜病变发生的关联关系；
步骤14，根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息。
本发明实施例的方案中，通过对样本患者的糖尿病历史数据的预处理，得到医疗特征数据，建立该医疗特征数据与视网膜病变发生的关联关系，从而向糖尿病患者反馈视网膜病变的预警信息，提醒糖尿病患者及时就诊，降低或避免病情恶化的可能性。
具体的，本发明实施例中所述糖尿病历史数据包括：糖尿病确诊时间，视网膜检查历史和血压、血糖、糖化血红蛋白HbA1c及血脂的监测数据。
这里需说明的是，上述六个糖尿病历史数据与视网膜病变的出现有最直接的关系，是预警视网膜病变的有效依据。
具体的，本发明实施例中所述医疗特征数据包括：糖尿病病程、血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例；所述异常比例由患者的个性化控制目标确定。
优选地，本发明实施例中所述步骤12可进一步包括：
步骤121，根据所述视网膜检查历史确定所述样本患者的患者类别；
步骤122，按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据。
具体的，所述步骤121可进一步包括：
步骤1211，将所述视网膜检查历史中始终未出现过视网膜病变的样本患者确定为第一类患者；中途出现视网膜病变的样本患者确定为第二类患者。
具体的，所述步骤122可进一步包括：
步骤1221，根据所述第一类患者的视网膜检查历史中最后一次检查的时间，确定所述第一类患者的糖尿病病程；
这里，第一类患者的糖尿病病程为其视网膜检查历史中最后一次检查的时间距该患者糖尿病确诊时间的时长。
步骤1222，获取所述视网膜检查历史中最后两次检查之间的间隔时间内所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
本步骤中，选择最后两次检查之间的间隔时间内的监测数据是因为时间越晚、病程越长、发生视网膜病变的概率越大，这样越接近第一类患者与第二类患者的区分界限，对于关联关系模型的准确建立也越有利。
具体的，所述步骤122还可进一步包括：
步骤1223，根据所述第二类患者的视网膜检查历史中第一次检查出视网膜病变的时间，确定所述第二类患者的糖尿病病程；
这里，第二类患者的糖尿病病程为其视网膜检查历史中第一次检查出视网膜病变的时间距该患者糖尿病确诊时间的时长。
步骤1224，获取所述视网膜检查历史中最后一次检查出无病变与第一次检查出病变之间的时间间隔内的所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
本步骤中，选择最后一次检查出无病变与第一次检查出病变之间的时间间隔内的监测数据，是因为需要观察从无病变到出现病变之间的患者的对的血压、血糖、HbA1c及血脂的监测数据的控制情况，这些直接影响到病变的发生。
优选地，本发明实施例中所述步骤13可进一步包括：
步骤131，将所述医疗特征数据通过一支持向量机SVM算法得到分类模型参数；
步骤132，根据所述分类模型参数建立所述医疗特征数据与视网膜病变发生的关联关系的SVM分类模型。
这里，SVM算法为一现有技术中的分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，也能获得良好统计规律的目的。
下面举例简单说明利用SVM算法确定SVM分类模型的处理流程。具体的步骤如下：
S01，对医疗特征数据归一化；
这里需说明的是，本步骤对医疗特征数据的归一化具体为对糖尿病病程、血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例的归一化。
这里，血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例，其本身即为比例值，处于0-1的区间内，故无需归一化；
本步骤中主要是对糖尿病病程该参数进行归一化，具体为：
记录样本患者中最大的糖尿病病程Tmax和最小的糖尿病病程Tmin，则糖尿病病程归一化的计算公式为：T’＝(T-Tmin)/(Tmax-Tmin)。
S02，降低归一化的糖尿病病程、血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例组成的五维向量的维度；
这里，尽管归一化后只有五个参数，但血糖、HbA1c等参数之间具有很大的相关性，通过降低维度可以减少数据冗余，提高效率。
本步骤中可以采取主成分分析PCA算法，将该五维向量映射为更小维度的向量，并保存协方差矩阵C和维度N，可在新患者医疗特征数据输入后使用。
S03，分类模型参数的网格寻优；
这里，因为该SVM分类模型中使用的径向基函数RBF核函数涉及c、γ两个参数，通过交叉验证，确定最佳的c和γ，使得SVM分类模型能正确的预测未知数据(即新患者的糖尿病历史数据)，有较高的分类精确率。
S04，SVM分类模型建立。
这里具体为，使用RBF核函数进行二类分类，将最佳的c和γ值代入，同时设置概率估计，最终确定分类模型参数model，完成分类模型的建立。
优选地，本发明实施例中所述步骤14可进一步包括：
步骤141，将所述医疗特征数据输入到所述SVM分类模型中，生成所述未曾出现过病变的患者是否发生视网膜病变的预警预测结果。
这里，所述医疗特征数据是未曾出现过病变的患者通过移动终端将其采集的糖尿病历史数据传送到糖尿病后台自我管理系统中，将数据预处理得到的。
该预警预测结果信息中可包括：患者所属的患者类别及患视网膜病变的概率。
本发明实施例的方案中，通过对样本患者的糖尿病历史数据的预处理，得到医疗特征数据，建立该医疗特征数据与视网膜病变发生的关联关系，从而向糖尿病患者反馈视网膜病变的预警信息，提醒糖尿病患者及时就诊，降低或避免病情恶化的可能性。
第二实施例
如图2所示，本发明实施例提供一种糖尿病视网膜病变的预警装置，包括：
获取模块21，用于获取预定数量的样本患者的糖尿病历史数据；
这里，预定数量的样本患者的糖尿病历史数据是糖尿病后台自我管理系统数据库中存储的大量患者的糖尿病历史数据，其患者的数量可由系统灵活设置。
数据预处理模块22，用于对预定数量的样本患者的糖尿病历史数据进行预处理，获取医疗特征数据；
关系建立模块23，用于建立所述医疗特征数据与视网膜病变发生的关联关系；
病变预警模块24，用于根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息。
具体的，本发明实施例中所述糖尿病历史数据包括：糖尿病确诊时间，视网膜检查历史和血压、血糖、糖化血红蛋白HbA1c及血脂的监测数据。
这里需说明的是，上述六个糖尿病历史数据与视网膜病变的出现有最直接的关系，是预警视网膜病变的有效依据。
具体的，本发明实施例中所述医疗特征数据包括：糖尿病病程、血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例；所述异常比例由患者的个性化控制目标确定。
本发明实施例中所述数据预处理模块22可具体包括：
类别确定子模块，用于根据所述视网膜检查历史确定所述样本患者的患者类别；
数据预处理子模块，用于按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据。
具体的，所述类别确定子模块可包括：
类别确定单元，用于将所述视网膜检查历史中始终未出现过视网膜病变的样本患者确定为第一类患者；中途出现视网膜病变的样本患者确定为第二类患者。
具体的，所述数据预处理子模块可包括：
第一数据确定单元，用于根据所述第一类患者的视网膜检查历史中最后一次检查的时间，确定所述第一类患者的糖尿病病程；
这里，第一类患者的糖尿病病程为其视网膜检查历史中最后一次检查的时间距该患者糖尿病确诊时间的时长。
第一数据获取处理单元，用于获取所述视网膜检查历史中最后两次检查之间的间隔时间内所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
本单元中，选择最后两次检查之间的间隔时间内的监测数据是因为时间越晚、病程越长、发生视网膜病变的概率越大，这样越接近第一类患者与第二类患者的区分界限，对于关联关系模型的准确建立也越有利。
所述数据预处理子模块还可包括：
第二数据确定单元，用于根据所述第二类患者的视网膜检查历史中第一次检查出视网膜病变的时间，确定所述第二类患者的糖尿病病程；
这里，第二类患者的糖尿病病程为其视网膜检查历史中第一次检查出视网膜病变的时间距该患者糖尿病确诊时间的时长。
第二数据获取处理单元，用于获取所述视网膜检查历史中最后一次检查出无病变与第一次检查出病变之间的时间间隔内的所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
本单元中，选择最后一次检查出无病变与第一次检查出病变之间的时间间隔内的监测数据，是因为需要观察从无病变到出现病变之间的患者的对的血压、血糖、HbA1c及血脂的监测数据的控制情况，这些直接影响到病变的发生。
本发明实施例中所述关系建立模块23可具体包括：
模型参数确定子模块，用于将所述医疗特征数据通过一支持向量机SVM算法得到分类模型参数；
分类模型建立模块，用于根据所述分类模型参数建立所述医疗特征数据与视网膜病变发生的关联关系的SVM分类模型。
这里，SVM算法为一现有技术中的分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。
本发明实施例中应用该SVM算法是实现SVM分类模型的建立的过程，第一实施例中利用SVM算法确定SVM分类模型的处理流程的举例中已具体说明，这里不再赘述。
具体的，本发明实施例的所述病变预警模块24可包括：
预警生成子模块，用于将所述医疗特征数据输入到所述SVM分类模型中，生成所述未曾出现过视网膜病变的患者是否发生视网膜病变的预警预测结果。
这里，所述医疗特征数据是未曾出现过病变的患者通过移动终端将其采集的糖尿病历史数据传送到糖尿病后台自我管理系统中，将数据预处理得到的。
该预警预测结果信息中可包括：患者所属的患者类别及患视网膜病变的概率。
本发明实施例还提供一种糖尿病视网膜病变的预警系统，包括：糖尿病后台自我管理系统及移动终端；其中，
所述糖尿病后台自我管理系统包括如上述实施例所述的糖尿病视网膜病变的预警装置；
所述移动终端用于采集患者的糖尿病历史数据，接收糖尿病后台自我管理系统返回的视网膜病变的预警信息。
这里，采集患者的糖尿病历史数据，接收尿病后台自我管理系统返回的视网膜病变的预警信息可通过在移动终端上安装糖尿病自我管理应用软件来实现，当然，其他可实现此功能的方法均可适用。
本发明实施例的方案中，通过对样本患者的糖尿病历史数据的预处理，得到医疗特征数据，建立该医疗特征数据与视网膜病变发生的关联关系，从而向糖尿病患者反馈视网膜病变的预警信息，提醒糖尿病患者及时就诊，降低或避免病情恶化的可能性。
第三实施例
如图3所示，糖尿病视网膜病变的预警系统的基本组成框图。下面就该图并结合一具体实施例详细说明糖尿病视网膜病变的预警方法的实施过程。具体如下：
S’01，糖尿病后台自我管理系统中的患者数据库中包含大量样本患者的糖尿病历史数据；根据糖尿病历史数据对患者数据库中的样本患者进行分类；并对分类后的患者的糖尿病历史数据进行预处理，得到医疗特征数据。
举例说明如下：
患者A的数据包括其确诊糖尿病的时间(2004-10-1)、血糖控制目标、血压控制目标、HbA1c控制目标、血脂控制目标以及时间序列的体征数据及检查数据，如表1所示：
表1
| 日期 | 血糖 | 血压 | HbA1c | 血脂 | 视网膜病变检查结果 |
| 2015-1-1 | 7 | 130/90 | 7 | 5.5 | 无 |
| ... | ... | ... | ... | ... | ... |
| 2015-3-1 | 8 | 130/90 | 8 | 6 | 无 |
| 2015-3-2 | 7 | 140/94 | - | - | - |
| 2015-3-3 | 7.4 | 135/90 | - | - | - |
| ... | ... | ... | ... | ... | ... |
| 2015-6-1 | 7.2 | 135/95 | 7.5 | 6.2 | 无 |
患者A历次视网膜病变检查结果中，均未出现视网膜病变，故被标记为第一类患者。
对患者A的糖尿病历史数据进行预处理，第一个参数为最后一次视网膜检查时的糖尿病病程，为11.6年；第二个参数为2015-3-1至2015-6-1之间，血糖数据中异常数据所占比例，为25％；第三个参数为血压数据中异常数据所占比例，为20％；第四、五个参数类似，分别为15％、20％。由此，将患者A的医疗特征数据表示为：11.6,0.25,0.20,0.15,0.20，其标记为第一类。
患者B的数据包括其确诊糖尿病的时间(2000-4-1)、血糖控制目标、血压控制目标、HbA1c控制目标、血脂控制目标以及时间序列的体征数据及检查数据，如表2所示：
表2
| 日期 | 血糖 | 血压 | HbA1c | 血脂 | 视网膜病变检查结果 |
| 2014-12-1 | 8 | 130/90 | 7 | 5 | 无 |
| ... | ... | ... | ... | ... | ... |
| 2015-1-1 | 8 | 130/90 | 7.5 | 5.5 | 无 |
| 2015-1-2 | 8.7 | 150/100 | - | - | - |
| 2015-1-3 | 8.4 | 155/110 | - | - | - |
| ... | ... | ... | ... | ... | ... |
| 2015-4-1 | 8.7 | 155/105 | 8.5 | 6.5 | 有 |
患者B视网膜病变检查结果中，曾经未出现过视网膜病变，但之后出现了视网膜病变，故被标记为第二类患者。
对患者B的糖尿病历史数据进行预处理，第一个参数为第一次检查出病变时的糖尿病病程，为15年；第二个参数为2015-1-1至2015-4-1之间，血糖数据中异常数据所占比例，为70％；第三个参数为血压数据中异常数据所占比例，为50％；第四、五个参数类似，分别为75％、60％。由此，将患者B的医疗特征数据表示为：15,0.70,0.50,0.75,0.60，其标记为第二类。
患者C的数据包括其确诊糖尿病的时间(2000-5-1)、血糖控制目标、血压控制目标、HbA1c控制目标、血脂控制目标以及时间序列的体征数据及检查数据，如表3所示：
表3
| 日期 | 血糖 | 血压 | HbA1c | 血脂 | 视网膜病变检查结果 |
| 2013-6-1 | 7 | 140/100 | 7.2 | 7.2 | 有 |
| ... | ... | ... | ... | ... | ... |
| 2013-12-1 | 8 | 145/105 | 7.5 | 7 | 有 |
| ... | ... | ... | ... | ... | ... |
患者C历次视网膜病变检查结果中，一直存在视网膜病变，因此将该患者数据排除在外，不标记为第一类或第二类患者。
待数据库中的所有样本患者的糖尿病历史数据预处理完毕之后，得到如表4所示的表格。
表4
| 参数1 | 参数2 | 参数3 | 参数4 | 参数5 | 类别 |
| 11.6 | 0.25 | 0.20 | 0.15 | 0.20 | 1 |
| 15 | 0.70 | 0.50 | 0.75 | 0.60 | 2 |
| 5 | 0.30 | 0.35 | 0.30 | 0.20 | 1 |
| 10 | 0.90 | 0.60 | 0.80 | 0.70 | 2 |
| ... | ... | ... | ... | ... | ... |
这里需要说明的是，参数1表示糖尿病病程，参数2表示血糖数据异常比例，参数3表示血压数据异常比例，参数4表示HbA1c数据异常比例，参数5表示血脂数据异常比例。
S’02，建立医疗特征数据与视网膜病变发生的关联关系的SVM分类模型；
这里，以上述举例继续说明。基于上述表4中的数据，建立SVM分类模型。具体步骤如下：
首先，对参数1进行归一化，最大值为20，最小值为1，利用归一化计算公式：T’＝(T-Tmin)/(Tmax-Tmin)，则第一个患者的参数1更新为：(11.6-1)/(20-1)＝0.56。
其次降低维度，通过PCA算法将原本5维参数降低为3维；
需说明的是，这里使用3维即可表达原本5维参数的80％的信息量。
最后，寻找最佳的c和γ，并代入命令cmd＝[‘-c’,num2str(c),’–g’,num2str(γ),’–b1’]。
最终，确定分类模型参数model。
model＝svmtrain(label,data,cmd)，其中label为类别，data为降维后的三维参数。
S’03，根据SVM分类模型，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息。
举例说明如下：
新的患者D，数据包括其确诊糖尿病的时间(2010-10-1)、血糖控制目标、血压控制目标、HbA1c控制目标、血脂控制目标以及时间序列的体征数据及检查数据，如表5所示：
表5
| 日期 | 血糖 | 血压 | HbA1c | 血脂 | 视网膜病变检查结果 |
| 2015-5-1 | 7 | 136/96 | 7 | 6 | 无 |
| 2015-5-2 | 6 | 130/85 | - | - | - |
| 2015-5-3 | 6.4 | 120/80 | - | - | - |
| ... | ... | ... | ... | ... | ... |
| 2015-7-1 | 6 | 130/95 | 6.5 | 6 | 无 |
对患者D的糖尿病历史数据进行预处理，第一个参数为当前时间的糖尿病病程，为4.75年；第二个参数为2015-5-1至2015-7-1之间，血糖数据中异常数据所占比例，为10％；第三、四、五个参数类似，分别为14％、12％、10％。由此，将患者D的医疗特征数据表示为：4.75,0.10,0.14,0.12,0.10。
利用算法来判断该患者更接近第一类患者(无病变)还是第二类患者(有病变)，从而决定是否为其提供预警。具体为：
将患者D数据进一步作归一化和降维：糖尿病病程＝(4.75-1)/(20-1)＝0.20，此后，五维参数乘以协方差矩阵并取前三维。最后，代入svmpredict函数：[label,acc,esti]＝svmpredict(labelc,datac,model,’-b 1’)，其中labelc为任意指定的类别，datac为降维后的三维参数，esti为视网膜病变概率。label即为患者D的类别标记，为第一类，说明不为该患者提供视网膜病变预警。
新的患者E，数据包括其确诊糖尿病的时间(2000-8-1)、血糖控制目标、血压控制目标、HbA1c控制目标、血脂控制目标以及时间序列的体征数据及检查数据，如表6所示：
表6
| 日期 | 血糖 | 血压 | HbA1c | 血脂 | 视网膜病变检查结果 |
| 2015-3-1 | 8 | 140/100 | 8 | 7 | 无 |
| 2015-3-2 | 7 | 150/90 | - | - | - |
| 2015-3-3 | 7.5 | 140/90 | - | - | - |
| ... | ... | ... | ... | ... | ... |
| 2015-8-1 | 7.8 | 150/95 | 7.5 | 7 | 无 |
对患者E的糖尿病历史数据进行预处理，第一个参数为当前时间的糖尿病病程，为15年；第二个参数为2015-3-1至2015-8-1之间，血糖数据中异常数据所占比例，为60％；第三、四、五个参数类似，分别为65％、70％、75％。由此，将患者E的医疗特征数据表示为：15,0.60,0.65,0.70,0.75。
利用算法来判断该患者更接近第一类患者(无病变)还是第二类患者(有病变)，从而决定是否为其提供预警。具体为：
将患者E数据进一步作归一化和降维：糖尿病病程＝(15-1)/(20-1)＝0.74，此后，五维参数乘以协方差矩阵并取前三维。最后，代入svmpredict函数：[label,acc,esti]＝svmpredict(labelc,datac,model,’-b 1’)，其中labelc为任意指定的类别，datac为降维后的三维参数，esti为视网膜病变概率。label即为患者E的类别标记，为第二类，说明为该患者提供视网膜病变预警,esti为70％，代表其患视网膜病变的概率为70％。
本发明实施例的方案中，通过对样本患者的糖尿病历史数据的预处理，得到医疗特征数据，建立该医疗特征数据与视网膜病变发生的关联关系，从而向糖尿病患者反馈视网膜病变的预警信息，提醒糖尿病患者及时就诊，降低或避免病情恶化的可能性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (19)
1.一种糖尿病视网膜病变的预警方法，其特征在于，包括：
获取预定数量的样本患者的糖尿病历史数据；
对预定数量的样本患者的糖尿病历史数据进行预处理，获取医疗特征数据；
建立所述医疗特征数据与视网膜病变发生的关联关系；
根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息。
2.根据权利要求1所述的糖尿病视网膜病变的预警方法，其特征在于，所述糖尿病历史数据包括：糖尿病确诊时间，视网膜检查历史和血压、血糖、糖化血红蛋白HbA1c及血脂的监测数据。
3.根据权利要求1所述的糖尿病视网膜病变的预警方法，其特征在于，所述医疗特征数据包括：糖尿病病程、血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例；所述异常比例由患者的个性化控制目标确定。
4.根据权利要求2或3所述的糖尿病视网膜病变的预警方法，其特征在于，对预定数量的患者的糖尿病历史数据进行预处理，获取医疗特征数据的步骤，包括：
根据所述视网膜检查历史确定所述样本患者的患者类别；
按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据。
5.根据权利要求4所述的糖尿病视网膜病变的预警方法，其特征在于，根据所述视网膜检查历史确定所述样本患者的患者类别的步骤，包括：
将所述视网膜检查历史中始终未出现过视网膜病变的样本患者确定为第一类患者；中途出现视网膜病变的样本患者确定为第二类患者。
6.根据权利要求5所述的糖尿病视网膜病变的预警方法，其特征在于，按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据的步骤，包括：
根据所述第一类患者的视网膜检查历史中最后一次检查的时间，确定所述第一类患者的糖尿病病程；
获取所述视网膜检查历史中最后两次检查之间的间隔时间内所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
7.根据权利要求5所述的糖尿病视网膜病变的预警方法，其特征在于，按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据的步骤，还包括：
根据所述第二类患者的视网膜检查历史中第一次检查出视网膜病变的时间，确定所述第二类患者的糖尿病病程；
获取所述视网膜检查历史中最后一次检查出无病变与第一次检查出病变之间的时间间隔内的所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
8.根据权利要求6或7所述的糖尿病视网膜病变的预警方法，其特征在于，建立所述医疗特征数据与视网膜病变发生的关联关系的步骤，包括：
将所述医疗特征数据通过一支持向量机SVM算法得到分类模型参数；
根据所述分类模型参数建立所述医疗特征数据与视网膜病变发生的关联关系的SVM分类模型。
9.根据权利要求8所述的糖尿病视网膜病变的预警方法，其特征在于，根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息的步骤，包括：
将所述医疗特征数据输入到所述SVM分类模型中，生成所述未曾出现过视网膜病变的患者是否发生视网膜病变的预警预测结果。
10.一种糖尿病视网膜病变的预警装置，其特征在于，包括：
获取模块，用于获取预定数量的样本患者的糖尿病历史数据；
数据预处理模块，用于对预定数量的样本患者的糖尿病历史数据进行预处理，获取医疗特征数据；
关系建立模块，用于建立所述医疗特征数据与视网膜病变发生的关联关系；
病变预警模块，用于根据所述关联关系，得到未曾出现过视网膜病变的患者是否发生视网膜病变的预警信息。
11.根据权利要求10所述的糖尿病视网膜病变的预警装置，其特征在于，所述糖尿病历史数据包括：糖尿病确诊时间，视网膜检查历史和血压、血糖、糖化血红蛋白HbA1c及血脂的监测数据。
12.根据权利要求10所述的糖尿病视网膜病变的预警装置，其特征在于，
所述医疗特征数据包括：糖尿病病程、血压异常比例、血糖异常比例、HbA1c异常比例及血脂异常比例；所述异常比例由患者的个性化控制目标确定。
13.根据权利要求11或12所述的糖尿病视网膜病变的预警装置，其特征在于，所述数据预处理模块包括：
类别确定子模块，用于根据所述视网膜检查历史确定所述样本患者的患者类别；
数据预处理子模块，用于按照所述患者类别对所述糖尿病历史数据进行预处理，获取医疗特征数据。
14.根据权利要求13所述的糖尿病视网膜病变的预警装置，其特征在于，所述类别确定子模块包括：
类别确定单元，用于将所述视网膜检查历史中始终未出现过视网膜病变的样本患者确定为第一类患者；中途出现视网膜病变的样本患者确定为第二类患者。
15.根据权利要求14所述的糖尿病视网膜病变的预警装置，其特征在于，所述数据预处理子模块包括：
第一数据确定单元，用于根据所述第一类患者的视网膜检查历史中最后一次检查的时间，确定所述第一类患者的糖尿病病程；
第一数据获取处理单元，用于获取所述视网膜检查历史中最后两次检查之间的间隔时间内所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
16.根据权利要求14所述的糖尿病视网膜病变的预警装置，其特征在于，
所述数据预处理子模块还包括：
第二数据确定单元，用于根据所述第二类患者的视网膜检查历史中第一次检查出视网膜病变的时间，确定所述第二类患者的糖尿病病程；
第二数据获取处理单元，用于获取所述视网膜检查历史中最后一次检查出无病变与第一次检查出病变之间的时间间隔内的所有的血压、血糖、HbA1c及血脂的监测数据，确定所述监测数据的异常比例。
17.根据权利要求15或16所述的糖尿病视网膜病变的预警装置，其特征在于，所述关系建立模块包括：
模型参数确定子模块，用于将所述医疗特征数据通过一支持向量机SVM算法得到分类模型参数；
分类模型建立模块，用于根据所述分类模型参数建立所述医疗特征数据与视网膜病变发生的关联关系的SVM分类模型。
18.根据权利要求17所述的糖尿病视网膜病变的预警装置，其特征在于，所述病变预警模块包括：
预警生成子模块，用于将所述医疗特征数据输入到所述SVM分类模型中，生成所述未曾出现过视网膜病变的患者是否发生视网膜病变的预警预测结果。
19.一种糖尿病视网膜病变的预警系统，其特征在于，包括糖尿病后台自我管理系统及移动终端；其中，
所述糖尿病后台自我管理系统包括如权利要求10-18任一项所述的糖尿病视网膜病变的预警装置；
所述移动终端用于采集患者的糖尿病历史数据，接收糖尿病后台自我管理系统返回的视网膜病变的预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510770592.XA CN106709225A (zh) | 2015-11-12 | 2015-11-12 | 一种糖尿病视网膜病变的预警方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510770592.XA CN106709225A (zh) | 2015-11-12 | 2015-11-12 | 一种糖尿病视网膜病变的预警方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106709225A true CN106709225A (zh) | 2017-05-24 |
Family
ID=58929635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510770592.XA Pending CN106709225A (zh) | 2015-11-12 | 2015-11-12 | 一种糖尿病视网膜病变的预警方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106709225A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109350006A (zh) * | 2018-08-10 | 2019-02-19 | 北京大学深圳研究生院 | 糖尿病并发症视网膜病变数据检测方法、仪器及医疗设备 |
| CN109903838A (zh) * | 2019-02-22 | 2019-06-18 | 爱尔眼科医院集团股份有限公司 | 糖尿病及糖尿病视网膜病变网络防治系统 |
| CN110097966A (zh) * | 2018-01-30 | 2019-08-06 | 中国移动通信有限公司研究院 | 一种信息提醒方法、装置及终端设备 |
| CN112786193A (zh) * | 2021-01-20 | 2021-05-11 | 上海市第六人民医院 | 一种用于低血糖患者的监护预警系统及方法 |
| CN113035352A (zh) * | 2021-04-27 | 2021-06-25 | 河南科技大学 | 基于bp神经网络的糖尿病视网膜病变预警方法 |
| CN120221091A (zh) * | 2025-03-26 | 2025-06-27 | 成都高新圣乔其综合门诊有限公司 | 一种急诊内科病情智能评估与预警系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102178511A (zh) * | 2011-04-11 | 2011-09-14 | Tcl集团股份有限公司 | 疾病预防提示系统及其实现方法 |
| CN103458772A (zh) * | 2011-04-07 | 2013-12-18 | 香港中文大学 | 视网膜图像分析方法和装置 |
-
2015
- 2015-11-12 CN CN201510770592.XA patent/CN106709225A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103458772A (zh) * | 2011-04-07 | 2013-12-18 | 香港中文大学 | 视网膜图像分析方法和装置 |
| CN102178511A (zh) * | 2011-04-11 | 2011-09-14 | Tcl集团股份有限公司 | 疾病预防提示系统及其实现方法 |
Non-Patent Citations (7)
| Title |
|---|
| K.R.ANANTHAPADMANABAN ET AL: "Prediction of Chances-Diabetic Retinopathy using Data Mining Classification Techniques", 《INDIAN JOURAL OF SCIENCE AND TECHNOLOGY》 * |
| 中华医学会眼科学会眼底病学组: "我国糖尿病视网膜病变临床诊疗指南（2014年）", 《中华眼科杂志》 * |
| 中华医学会糖尿病学分会: "中国2型糖尿病防治指南（2013年版）", 《中国糖尿病杂志》 * |
| 朱治人等: "电子计算机筛选糖尿病性视网膜病变的防止指标——Bayes逐步判别分析", 《眼科新进展》 * |
| 董萍: "《建设监理人员压力管理研究》", 31 December 2012, 合肥工业大学出版社 * |
| 陈云: "《金融大数据》", 31 January 2015 * |
| 陈向: "糖尿病视网膜病变图像的渗出物自动检测算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097966A (zh) * | 2018-01-30 | 2019-08-06 | 中国移动通信有限公司研究院 | 一种信息提醒方法、装置及终端设备 |
| CN110097966B (zh) * | 2018-01-30 | 2021-09-14 | 中国移动通信有限公司研究院 | 一种信息提醒方法、装置及终端设备 |
| CN109350006A (zh) * | 2018-08-10 | 2019-02-19 | 北京大学深圳研究生院 | 糖尿病并发症视网膜病变数据检测方法、仪器及医疗设备 |
| CN109903838A (zh) * | 2019-02-22 | 2019-06-18 | 爱尔眼科医院集团股份有限公司 | 糖尿病及糖尿病视网膜病变网络防治系统 |
| CN112786193A (zh) * | 2021-01-20 | 2021-05-11 | 上海市第六人民医院 | 一种用于低血糖患者的监护预警系统及方法 |
| CN113035352A (zh) * | 2021-04-27 | 2021-06-25 | 河南科技大学 | 基于bp神经网络的糖尿病视网膜病变预警方法 |
| CN120221091A (zh) * | 2025-03-26 | 2025-06-27 | 成都高新圣乔其综合门诊有限公司 | 一种急诊内科病情智能评估与预警系统 |
| CN120221091B (zh) * | 2025-03-26 | 2025-12-02 | 青岛大学附属医院 | 一种急诊内科病情智能评估与预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2021202168B2 (en) | A Method and System for Computer-Aided Triage | |
| Zhang et al. | Context-guided fully convolutional networks for joint craniomaxillofacial bone segmentation and landmark digitization | |
| CN106709225A (zh) | 一种糖尿病视网膜病变的预警方法、装置及系统 | |
| CN114999629B (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
| WO2021114817A1 (zh) | 基于神经网络的oct图像病灶检测方法、装置及介质 | |
| Reddy et al. | Discovering Optimal Algorithm to Predict Diabetic Retinopathy using Novel Assessment Methods. | |
| US10970838B2 (en) | Hough transform-based vascular network disorder features on baseline fluorescein angiography scans predict response to anti-VEGF therapy in diabetic macular edema | |
| CN117011892A (zh) | 一种基于深度学习的超声图像自动分析与诊断系统 | |
| WO2023081729A1 (en) | Methods and systems for biomarker prediction using optical coherence tomography | |
| CN111096727B (zh) | 妊高症的检测方法、系统、电子设备和存储介质 | |
| Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
| Kumar et al. | Screening retinal images and extraction of the retinal blood vessel for identifying diseases and classification of arteries and veins by using deep learning | |
| KR102709240B1 (ko) | 두부단순촬영 영상을 활용한 수면 무호흡증 진단 보조 시스템 및 이를 이용한 진단 보조 정보의 제공 방법 | |
| Liu et al. | An AI method to predict pregnancy loss by extracting biological indicators from embryo ultrasound recordings in early pregnancy | |
| JP2023545704A (ja) | エクスポソーム臨床応用のためのシステム及び方法 | |
| Zhu et al. | Adaptive multi-scale feature extraction and fusion network with deep supervision for retinal vessel segmentation | |
| TWI836280B (zh) | 醫學影像分析方法與裝置 | |
| Patil et al. | Computational methods for AI-based healthcare Engineering. | |
| Widyananda et al. | YOLOvX method for cataract early detection | |
| Zong et al. | Weakly Supervised Object Detection for Diabetes Retinopathy Combining Spatial and Frequency Domains | |
| Priyadharsini et al. | A Review on the Analysis of Glaucoma and its Automated Detection Methods from Fundus Images using Machine Learning Techniques | |
| Parimala et al. | A Review: Binary Classification and Hybrid Segmentation of Brain Stroke using Transfer Learning-Based Approach | |
| Hayat et al. | Chest X-Ray Image Analysis to Augment the Decision Making in Diagnosing Pneumonia using Convolutional Neural Networks Algorithm | |
| Singh et al. | Development and Validation of Artery-Vein Ratio Measurement Based on Deep Learning Architectures | |
| CN118098555A (zh) | 针对妊娠期糖尿病的辅助诊断模型 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170524 |
|
| RJ01 | Rejection of invention patent application after publication |