公开/公告号CN112201357A
专利类型发明专利
公开/公告日2021-01-08
原文格式PDF
申请/专利权人 吾征智能技术(北京)有限公司;
申请/专利号CN202011300939.1
申请日2020-11-19
分类号G16H50/50(20180101);G16H50/70(20180101);
代理机构42247 武汉红观专利代理事务所(普通合伙);
代理人李季
地址 100000 北京市海淀区西三旗沁春家园1号楼、2号楼、3号楼3层301-3045室
入库时间 2023-06-19 09:30:39
技术领域
本发明涉及计算机领域,尤其涉及一种基于女性激素检查信息的疾病认知系统。
背景技术
女性性激素六项通常是指促卵泡素、黄体生成素、雌、孕激素和雄激素及垂体泌乳素。女性激素六项的检查常用于临床了解女性内分泌功能和诊断与内分泌失调相关的疾病。一般是在月经第三天进行检查。主要的目的就是通过检测女性血清中的六项指标,来清楚的了解女性朋友的内分泌情况,通过查看检查指标是否正常,来判断出女性卵巢、下丘脑、脑垂体等内分泌器官是否正常。对女性内分泌疾病、不孕不育的诊断、治疗以及疗效的观察和评估,都有非常重要的意义。
由于女性的激素六项在不同的时期、不同健康状况女性是不同的,所以女性的激素六项检查数据出来后,要靠医生的经验进行分析和判定,容易出现误差,所以亟需对现有的判定方法进行改进。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
有鉴于此,本发明提出了一种基于女性激素检查信息的疾病认知系统,旨在解决现有技术无法实现通过负相关数训练分类模型来提高疾病认知判断的精确度的技术问题。
本发明的技术方案是这样实现的:
一方面,本发明提供了一种基于女性激素检查信息的疾病认知系统,所述基于女性激素检查信息的疾病认知系统包括:
获取模块,用于获取历史用户的个人信息以及激素检查数据,根据历史用户的个人信息以及激素检查数据生成个人数据表;
训练模块,用于获取诊断标准,根据该诊断标准建立数据参考范围值,通过复相关系数算法结合个人数据表以及数据参考范围值生成认知模型;
表生成模块,用于获取待认知用户的个人信息以及激素检查数据,根据该待认知用户的个人信息以及激素检查数据生成待认知个人数据表;
认知模块,用于通过认知模型对待认知个人数据表进行认知,并生成对应的认知报告。
在以上技术方案的基础上,优选的,获取模块包括数据处理模块,用于获取历史用户的个人信息以及激素检查数据,所述个人信息包括:姓名以及年龄,所述激素检查数据包括:不同孕育阶段的激素数据、不同健康状况下的激素数据以及不同激素数据对应的疾病信息,根据历史用户的个人信息以及激素检查数据之间的关联关系建立个人数据表。
在以上技术方案的基础上,优选的,训练模块包括标准建立模块,用于获取诊断标准,根据该诊断标准建立激素数据参考范围值,所述激素数据参考范围值包括:正常激素参考范围值以及异常激素参考范围值。
在以上技术方案的基础上,优选的,训练模块包括模型建立模块,用于建立复相关系数算法,根据该复相关系数算法,计算激素数据参考范围值与个人数据表中激素数据之间的相关系数,并根据该相关系数以及个人数据表以及数据参考范围值生成认知模型。
在以上技术方案的基础上,优选的,表生成模块包括待认知表生成模块,用于获取待认知用户的个人信息以及激素检查数据,设定关键词,根据该关键词从待认知用户的个人信息中提取待认知关键词,根据待认知关键词以及激素检查数据之间的连接关系生成待认知个人数据表。
在以上技术方案的基础上,优选的,认知模块包括认知匹配模块,用于利用复相关系数,根据认知模型对待认知个人数据表进行匹配,获取匹配信息数据。
在以上技术方案的基础上,优选的,认知模块包括报告生成模块,用于根据匹配信息数据,从认知模型中获取对应的激素参考范围以及疾病信息,结合待认知个人数据表生成认知报告。
更进一步优选的,所述基于女性激素检查信息的疾病认知设备包括:
获取单元,用于获取历史用户的个人信息以及激素检查数据,根据历史用户的个人信息以及激素检查数据生成个人数据表;
训练单元,用于获取诊断标准,根据该诊断标准建立数据参考范围值,通过复相关系数算法结合个人数据表以及数据参考范围值生成认知模型;
表生成单元,用于获取待认知用户的个人信息以及激素检查数据,根据该待认知用户的个人信息以及激素检查数据生成待认知个人数据表;
认知单元,用于通过认知模型对待认知个人数据表进行认知,并生成对应的认知报告。
本发明的一种基于女性激素检查信息的疾病认知系统相对于现有技术具有以下有益效果:
(1)通过复相关系数算法训练出认知模型,能够更好帮助系统完成对女性激素检查信息于疾病信息之间的认知,提高了整个认知过程的精确度;
(2)通过详细划分激素参考范围,能够保证激素检查信息认知的广度,提高认知范围以及精确度,提升用户体验。
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获得其他的附图。
图1是本发明基于女性激素检查信息的疾病认知系统第一实施例的结构框图;
图2为本发明基于女性激素检查信息的疾病认知系统的第二实施例结构框图;
图3为本发明基于女性激素检查信息的疾病认知系统的第三实施例结构框图;
图4为本发明基于女性激素检查信息的疾病认知系统的第四实施例结构框图;
图5为本发明基于女性激素检查信息的疾病认知系统的第五实施例结构框图;
图6为本发明基于女性激素检查信息的疾病认知设备结构框图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,图1为本发明基于女性激素检查信息的疾病认知系统第一实施例的结构框图。其中,所述基于女性激素检查信息的疾病认知系统包括:获取模块10、训练模块20、表生成模块30和认知模块40。
获取模块10,用于获取历史用户的个人信息以及激素检查数据,根据历史用户的个人信息以及激素检查数据生成个人数据表;
训练模块20,用于获取诊断标准,根据该诊断标准建立数据参考范围值,通过复相关系数算法结合个人数据表以及数据参考范围值生成认知模型;
表生成模块30,用于获取待认知用户的个人信息以及激素检查数据,根据该待认知用户的个人信息以及激素检查数据生成待认知个人数据表;
认知模块40,用于通过认知模型对待认知个人数据表进行认知,并生成对应的认知报告。
进一步地,如图2所示,基于上述各实施例提出本发明基于女性激素检查信息的疾病认知系统的第二实施例结构框图,在本实施例中,获取模块10还包括:
数据处理模块101,用于获取历史用户的个人信息以及激素检查数据,所述个人信息包括:姓名以及年龄,所述激素检查数据包括:不同孕育阶段的激素数据、不同健康状况下的激素数据以及不同激素数据对应的疾病信息,根据历史用户的个人信息以及激素检查数据之间的关联关系建立个人数据表。
应当理解的是,本实施例中会获取历史用户的个人信息以及激素检查数据,所述个人信息包括:姓名以及年龄,所述激素检查数据包括:不同孕育阶段的激素数据、不同健康状况下的激素数据以及不同激素数据对应的疾病信息,根据历史用户的个人信息以及激素检查数据之间的关联关系建立个人数据表。
应当理解的是,其中,获取女性激素六项检查包括黄体生成素(LH)、促卵泡激素(FSH)、催乳素(PRL)、雌二醇(E2)、孕酮(P)、睾酮(T)等六种激素水平的正常值数据。一般来说,女性激素6项检查的正常值为:1.睾酮正常浓度为0.7至3.1毫摩尔每升;2.雌二醇在排卵前期为48至521皮摩尔每升,排卵期为70至1835皮摩尔每升,排卵后期为272至793皮摩尔每升;3.孕酮,在排卵前为0至4.8毫摩尔每升,排卵后期为7.6至97.6毫摩尔每升;4.促黄体生成素,在排卵前为2至15最低限度单位每毫升,排卵期为30至100最低限度单位每毫升,排卵后期为4到10最低限度单位每毫升,一般在非排卵期的正常值是5至25最低限度单位每毫升;5.催乳素,正常值为0.08至0.92毫摩尔每升;6.促卵泡生成激素,在排卵前期为1.5至10最低限度单位每毫升,排卵期为8至20最低限度单位每毫升,排卵后期为2至10最低限度单位每毫升,一般以5至40最低限度单位每毫升作为正常值。
进一步地,如图3所示,基于上述各实施例提出本发明基于女性激素检查信息的疾病认知系统的第三实施例结构框图,在本实施例中,训练模块20还包括:
标准建立模块201,用于获取诊断标准,根据该诊断标准建立激素数据参考范围值,所述激素数据参考范围值包括:正常激素参考范围值以及异常激素参考范围值。
模型建立模块202,用于建立复相关系数算法,根据该复相关系数算法,计算激素数据参考范围值与个人数据表中激素数据之间的相关系数,并根据该相关系数以及个人数据表以及数据参考范围值生成认知模型。
应当理解的是,之后系统会获取诊断标准,根据该诊断标准建立激素数据参考范围值,所述激素数据参考范围值包括:正常激素参考范围值以及异常激素参考范围值即确立上述六种激素水平在女性不同的时期、不同的时间点、不同健康状况条件下的正常参考范围值数据。比如,女性促卵泡生成激素在不同的时间段是不一样的。一般来说,排卵前期为1.5-10mIU/ml,排卵期为8-20mIU/ml,排卵后期为2-10mIU/ml。
应当理解的是,在建立上述女性六种激素水平在不同的时期的异常范围值数据(包括异常偏高和异常偏低两个类别)的集合之后,系统会将这个集合与对应的疾病与解决方案进行联系。比如,1.睾酮正常值为0.7-3.1nmol/L,如果睾酮偏高可引起不孕、多囊卵巢综合征等;2.雌二醇排卵前期为48-521nmol/L,排卵期为70-1835nmol/L,排卵后期为272-793nmol/L,如果值低,表明卵巢功能低下、卵巢早衰、席汉氏综合征等;3.孕酮排卵前期为0-48nmol/ml,排卵后期为7.6-97.6nmol/ml。如果后期值低,常见于黄体功能不全、排卵型功能失调性子宫出血;4.促黄体生成素排卵前期为2-15mlU/ml,排卵期为30-100mlU/ml,排卵后期为4-10mlU/ml。如果低于5mlU/ml,提示促性腺激素功能不足、卵巢功能衰竭等;5.催乳素正常值为0.08-0.92mlU/ml,如果值高,可抑制促卵泡生成激素分泌,抑制卵巢功能、抑制排卵;6.促卵泡生成激素排卵前期为1.5-10mIU/ml,排卵期为8-20mIU/ml,排卵后期为2-10mIU/ml。如果值低,常见于席汉氏综合征;值高常见于卵巢早衰。
应当理解的是,然后系统会建立复相关系数算法,根据该复相关系数算法,计算激素数据参考范围值与个人数据表中激素数据之间的相关系数,并根据该相关系数以及个人数据表以及数据参考范围值生成认知模型。
应当理解的是,主要步骤即利用复相关系数算法,计算激素数据参考范围值与个人数据表中激素数据之间的相关系数。复相关系数是反映一个因变量与一组自变量(两个或两个以上)之间相关程度的指标。它是包含所有变量在内的相关系数。复相关系数是度量负相关程度的指标,它可利用单相关系数和偏相关系数求得。复相关系数越大,表明要素或变量之间的线性相关程度越密切。
进一步地,如图4所示,基于上述各实施例提出本发明基于女性激素检查信息的疾病认知系统的第四实施例结构框图,在本实施例中,表生成模块30包括:
待认知表生成模块301,用于获取待认知用户的个人信息以及激素检查数据,设定关键词,根据该关键词从待认知用户的个人信息中提取待认知关键词,根据待认知关键词以及激素检查数据之间的连接关系生成待认知个人数据表。
应当理解的是,之后系统会获取待认知用户的个人信息以及激素检查数据,设定关键词,根据该关键词从待认知用户的个人信息中提取待认知关键词,根据待认知关键词以及激素检查数据之间的连接关系生成待认知个人数据表,其中关键词是管理员预先进行设定,也可以是系统根据历史信息提取得到的关键词。
进一步地,如图5所示,基于上述各实施例提出本发明基于女性激素检查信息的疾病认知系统的第五实施例结构框图,在本实施例中,认知模块40包括:
认知匹配模块401,用于利用复相关系数,根据认知模型对待认知个人数据表进行匹配,获取匹配信息数据。
报告生成模块402,用于根据匹配信息数据,从认知模型中获取对应的激素参考范围以及疾病信息,结合待认知个人数据表生成认知报告。
应当理解的是,最后系统会通过利用复相关系数,根据认知模型对待认知个人数据表进行匹配,获取匹配信息数据。
应当理解的是,然后根据匹配信息数据,从认知模型中获取对应的激素参考范围以及疾病信息,结合待认知个人数据表生成认知报告,即根据女性激素六项检查的数据中待比较数据对应的属性和类别,确定待比较女性激素六项检查数据对应的疾病信息,根据疾病信息生成疾病认知报告。比如,1.促卵泡生成激素(FSH):其主要功能是促进卵巢的卵泡发育和成熟。FSH值低见于雌孕激素治疗期间、席汉氏综合征等。FSH高见于卵巢早衰、卵巢不敏感综合征、原发性闭经等。长时间卵泡雌激素低,会引起月经量少、影响卵泡成熟;2.雌二醇(E2):主要功能是促使子宫内膜转变为增殖期和促进女性第二性征的发育。E2低值见于卵巢功能低下、卵巢早衰、席汉氏综合征。若雌激素低可能会导致女性腰酸痛、情绪起伏大、月经不调等;3.孕酮(P):主要功能是促使子宫内膜从增殖期转变为分泌期。见于黄体功能不全、排卵型功能失调性子宫出血等。怀孕时孕酮低容易流产;4.睾酮(T):女性体内睾酮主要功能是促进阴蒂、阴唇和阴阜的发育。高睾酮血症,可引起不孕。患多囊卵巢综合征时,血T值也增高。女性雄激素分泌过多会导致不来月经、体毛多、内分泌失调等;5.催乳素(PRL):主要功能是促进乳腺的增生、乳汁的生成和排乳。过多的催乳素可抑制FSH及LH的分泌,抑制卵巢功能,抑制排卵。如果女性运动剧烈或受到刺激可能会引起女性催乳素过高,从而引起垂体瘤;6.促黄体生成素(LH):主要是促使排卵,在FSH的协同作用下,形成黄体并分泌孕激素。LH低值提示促性腺激素功能不足,见于席汉氏综合征,高FSH如再加高LH,则卵巢功能衰竭已十分肯定,不必再作其他检查。LH/FSH≥3则是诊断多囊卵巢综合征的依据之一。
需要说明的是,以上仅为举例说明,并不对本申请的技术方案构成任何限定。
通过上述描述不难发现,本实施例提出了一种基于女性激素检查信息的疾病认知系统,包括:获取模块,用于获取历史用户的个人信息以及激素检查数据,根据历史用户的个人信息以及激素检查数据生成个人数据表;训练模块,用于获取诊断标准,根据该诊断标准建立数据参考范围值,通过复相关系数算法结合个人数据表以及数据参考范围值生成认知模型;表生成模块,用于获取待认知用户的个人信息以及激素检查数据,根据该待认知用户的个人信息以及激素检查数据生成待认知个人数据表;认知模块,用于通过认知模型对待认知个人数据表进行认知,并生成对应的认知报告。本实施例通过复相关系数算法能够生成认知模型,将数据之间的匹配通过算法模型来实现,能够提高女性激素检查信息与疾病认知之间的精确度,提升用户体验。
此外,本发明实施例还提出一种基于女性激素检查信息的疾病认知设备。如图6所示,该基于女性激素检查信息的疾病认知设备包括:获取单元10、训练单元20、表生成单元30以及认知单元40。
获取单元10,用于获取历史用户的个人信息以及激素检查数据,根据历史用户的个人信息以及激素检查数据生成个人数据表;
训练单元20,用于获取诊断标准,根据该诊断标准建立数据参考范围值,通过复相关系数算法结合个人数据表以及数据参考范围值生成认知模型;
表生成单元30,用于获取待认知用户的个人信息以及激素检查数据,根据该待认知用户的个人信息以及激素检查数据生成待认知个人数据表;
认知单元40,用于通过认知模型对待认知个人数据表进行认知,并生成对应的认知报告。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员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实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于女性激素检查信息的疾病认知系统,此处不再赘述。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 基于EBM的生活方式相关疾病检查程序,基于EBM的计算机可读存储中度寿命相关疾病检查程序以及基于EBM的生活方式相关疾病检查系统
机译: 患者实时(PRT)是一种患者信息移动软件应用程序,当结果以电子移动形式提交时,医务人员将有可能使用它们实时访问患者信息和检查结果(成像或病理学)。该软件应用程序将在所有形式的智能手机和平板电脑上可用-已针对Apple的IOS手机和平板电脑,基于Google Android的手机和平板电脑以及基于Windows 7/8的手机和平板电脑进行了修改。该软件将不仅限于移动应用程序,而是可用于所有个人计算机。
机译: 基于生物学的技术与认知系统分析,用于处理信息安全和隐私