一种利用智能分析技术对糖尿病患病风险的预测方法

技术领域

本发明涉及智能分析技术领域，尤其涉及一种利用智能分析技术对糖尿病患病风险的预测方法。

背景技术

糖尿病(Diabetes Mellitus,DM)是一种以慢性高血糖为特征由多病因引起的终身性代谢性疾病，被世界卫生组织列为十大疑难病之一，占据死亡原因的前五位。糖尿病患者会出现典型的“三多一少”症状，后期则会发生于全身各个系统，例如视网膜病变、心脑血管病变、尿毒症、糖尿病足的严重并发症，给患者带来极大的痛苦。糖尿病发病率特别高，并且有逐年上升的趋势。2015年国际糖尿病联盟发布数据，中国糖尿病患者数约为1.10亿，居全球首位，根据目前的发展趋势，预计到2040年患者数将会达到1.51亿。糖尿病可分为两种类型：1型糖尿病，又称青少年型糖尿病，常发生于青少年或儿童，有明显的家族遗传倾向；2型糖尿病，是我们常见的糖尿病，多发生于成人。肥胖和能量摄入超量是2型糖尿病的主要致病因素，1型糖尿病的主要病因是基因突变和家族遗传。妊娠期糖尿病(GDM)被定义为在怀孕期间首次被发现有胰岛素耐受的表现。妊娠期糖尿病在西方女性发病率为1-3％，在亚洲女性的发病率为5-10％。

糖尿病的形成并非一蹴而就，除去遗传因素，往往还与不良的生活习惯相关，这意味着人们可以通过改变生活习惯来降低患病风险。但是每个人的身体状况存在差异，不同身体状态的人在相同或相近的生活习惯下的患病几率是不同的，也就是说并没有绝对统一的生活习惯标准能够阻挡糖尿病的形成。如果能够根据个体特性准确预测每个人的患病风险，就能让人们根据自身的患病风险等级的高低对应控制生活习惯，从而降低发病几率，换句话说，就是风险等级较高的人要更为严格地管控自己的生活习惯，风险等级较低的人可以适当放宽管控尺度。而现有的预测手段往往采用静态数据对比的方式，也就是只根据糖尿病患者患病时的特征数据作为参照，而忽略了患者在患病前的长期的动态特征数据，这种静态的数据对比方式不能反映病变的动态过程，从而导致预测结果的准确率较低。

发明内容

本发明的主要目的在于提供一种利用智能分析技术对糖尿病患病风险的预测方法，旨在解决现有的糖尿病患病风险预测方法仅采用静态数据比对以致准确率较低的问题。

为实现上述目的，本发明提供的利用智能分析技术对糖尿病患病风险的预测方法，包括如下步骤：

选取样本，并按预设频率采集所述样本的特征信息；

根据是否确诊罹患糖尿病将所述样本划分成患病组样本和正常组样本；

根据所述患病组样本确诊前预设次数的所述特征信息计算获得所述特征信息中各项动态指标的病变趋势；

根据所述正常组样本最近所述预设次数的所述特征信息计算获得所述特征信息中各项动态指标的发展趋势；

对比并计算获得所述发展趋势与所述病变趋势的相似度，根据所述相似度得到对应的所述正常组样本的患病风险程度。

优选地，所述根据是否确诊罹患糖尿病将所述样本划分成患病组样本和正常组样本的步骤之前，还包括：

获取所述样本的随机血糖浓度信息、糖尿病症状信息、空腹血糖浓度信息和75克葡萄糖耐量检查结果信息；

判断所述样本是否符合预设诊断标准中的至少一项，所述预设诊断标准包括：所述随机血糖浓度大于或等于11.1mmol/L并符合糖尿病症状，所述空腹血糖浓度大于或等于7mmol/L，所述75克葡萄糖耐量检查结果为两小时血糖浓度大于或等于11.1mmol/L；

若符合，则于随后的另一天再次判断患者是否符合所述预设诊断标准中的至少一项；

若符合，则确诊罹患糖尿病。

优选地，所述特征信息分为静态指标信息和动态指标信息；

所述静态指标信息包括：性别、年龄、种族、高血压家族史、糖尿病家族史中至少一项；

所述动态指标信息包括：空腹血糖值、腰臀比、身体质量指数、体重、收缩压中至少一项。

优选地，所述根据是否确诊罹患糖尿病将所述样本划分成患病组样本和正常组样本的步骤之后，包括：

根据所述静态指标将所述样本划分成预设组。

优选地，所述根据所述患病组样本确诊前预设次数的所述特征信息计算获得所述特征信息中各项动态指标的病变趋势的步骤，包括：

分别计算同组的各所述患病组样本的每一项所述动态指标数据的平均值；

分别将所述同组的所述患病组样本的每一项所述动态指标数据的平均值拟合成关于时间的病变趋势函数。

优选地，所述根据所述正常组样本最近预设次数的所述特征信息计算获得所述特征信息中各项动态指标的发展趋势的步骤，包括：

分别计算同组的各所述正常组样本的每一项所述动态指标数据的平均值；

分别将所述同组的所述正常组样本的每一项所述动态指标数据的平均值拟合成关于时间的发展趋势函数。

优选地，所述对比并计算获得所述发展趋势与所述病变趋势的相似度的步骤，包括：

依次分析每一项所述动态指标的所述发展趋势函数与同组对应的所述病变趋势函数的相似度，并以百分数进行表示；

求取表示所述相似度的所述百分数的平均值。

优选地，所述根据所述相似度得到对应的所述正常组样本的患病风险程度的步骤，包括：

确定所述相似度与所述风险程度的对应关系；其中所述相似度为[0％,50％)对应为低风险，所述相似度为[51％,75％)对应为中风险，所述相似度为[75％,100％]对应为高风险；

根据所述相似度的数值计算所述风险程度。

优选地，所述预设频率为1个月/次、2个月/次或3个月/次。

优选地，当所述预设频率为1个月/次时，所述预设次数为12次；当所述预设频率为2个月/次时，所述预设次数为6次；当所述预设频率为3个月/次时，所述预设次数为4次。

在本发明的技术方案中，通过多次获取所述样本的所述特征信息，根据所述特征信息的获取时间以及变化能够得知各所述样本的所述特征信息关于时间的变化趋势。又根据是否确诊罹患糖尿病将所述样本分成所述患病组样本和所述正常组样本，通过分析所述患病组样本的所述特征信息的变化趋势能够得知患病人群的所述特征信息的变化共性，这种共性将作为判断患病概率的标准参照。通过将所述正常组样本中的每个个体的所述特征信息分别与所述患病组样本的所述特征信息的变化趋势进行比对，获得二者的相似度信息，当相似度越大时，说明该样本罹患糖尿病的趋势越明显，据此可以提醒此人修正生活作息，以避免患病。当相似度越小时，说明该样本罹患糖尿病的趋势越不明显，据此可以提醒此人保持当下的生活作息状态，可以避免患病。本发明利用智能分析技术对糖尿病患病风险的预测方法采用的是动态数据比对，无论所述患病组样本还是所述正常组样本的数据都是经过多次间隔获取的所述特征信息以形成关于时间的变化趋势，并对二者的变化趋势进行对比。众所周知，糖尿病是一种慢性疾病，患病过程非常漫长，且期间所受到的影响因素也非常庞杂，采用本发明的这种动态对比的方式能够更为准确地反映出病情的演变过程，根据变化趋势预测未来的发展势头，从而判断患病几率。相对于现有技术中的静态数据的对比方式，本发明利用智能分析技术对糖尿病患病风险的预测方法的数据来源时间跨度大，稳定性强，预测性远高于现有技术，因此能够更为有效地提升准确率。

附图说明

图1为本发明利用智能分析技术对糖尿病患病风险的预测方法第一实施例的流程示意图。

本发明目的实现、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。

请参阅图1，在本发明利用智能分析技术对糖尿病患病风险的预测方法的第一实施例中，包括如下步骤：

步骤S10，选取样本，并按预设频率采集所述样本的特征信息；

步骤S20，根据是否确诊罹患糖尿病将所述样本划分成患病组样本和正常组样本；

步骤S30，根据所述患病组样本确诊前预设次数的所述特征信息计算获得所述特征信息中各项动态指标的病变趋势；

步骤S40，根据所述正常组样本最近所述预设次数的所述特征信息计算获得所述特征信息中各项动态指标的发展趋势；

步骤S50，对比并计算获得所述发展趋势与所述病变趋势的相似度，根据所述相似度得到对应的所述正常组样本的患病风险程度。

在本发明的技术方案中，通过多次获取所述样本的所述特征信息，根据所述特征信息的获取时间以及变化能够得知各所述样本的所述特征信息关于时间的变化趋势。又根据是否确诊罹患糖尿病将所述样本分成所述患病组样本和所述正常组样本，通过分析所述患病组样本的所述特征信息的变化趋势能够得知患病人群的所述特征信息的变化共性，这种共性将作为判断患病概率的标准参照。通过将所述正常组样本中的每个个体的所述特征信息分别与所述患病组样本的所述特征信息的变化趋势进行比对，获得二者的相似度信息，当相似度越大时，说明该样本罹患糖尿病的趋势越明显，据此可以提醒此人修正生活作息，以避免患病。当相似度越小时，说明该样本罹患糖尿病的趋势越不明显，据此可以提醒此人保持当下的生活作息状态，可以避免患病。本发明利用智能分析技术对糖尿病患病风险的预测方法采用的是动态数据比对，无论所述患病组样本还是所述正常组样本的数据都是经过多次间隔获取的所述特征信息以形成关于时间的变化趋势，并对二者的变化趋势进行对比。众所周知，糖尿病是一种慢性疾病，患病过程非常漫长，且期间所受到的影响因素也非常庞杂，采用本发明的这种动态对比的方式能够更为准确地反映出病情的演变过程，根据变化趋势预测未来的发展势头，从而判断患病几率。相对于现有技术中的静态数据的对比方式，本发明利用智能分析技术对糖尿病患病风险的预测方法的数据来源时间跨度大，稳定性强，预测性远高于现有技术，因此能够更为有效地提升准确率。

进一步地，本发明采用gcForest模型、LightGBM模型或CatBoost模型中任一种进行预测；

更进一步地，所述gcForest模型、LightGBM模型或CatBoost模型基于樽海鞘算法、飞蛾扑火算法、麻雀搜索算法、海鸥优化算法或鲸鱼优化算法中任一种进行优化。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第一实施例，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第二实施例中，所述步骤S20之前，还包括：

步骤S60，获取所述样本的随机血糖浓度信息、糖尿病症状信息、空腹血糖浓度信息和75克葡萄糖耐量检查结果信息；

步骤S70，判断所述样本是否符合预设诊断标准中的至少一项，所述预设诊断标准包括：所述随机血糖浓度大于或等于11.1mmol/L并符合糖尿病症状，所述空腹血糖浓度大于或等于7mmol/L，所述75克葡萄糖耐量检查结果为两小时血糖浓度大于或等于11.1mmol/L；

步骤S80，若符合，则于随后的另一天再次判断患者是否符合所述预设诊断标准中的至少一项；

步骤S90，若符合，则确诊罹患糖尿病。

血中的葡萄糖称为血糖(Glu)。葡萄糖是人体的重要组成成分，也是能量的重要来源，正常人体每天需要很多的糖来提供能量，为各种组织、脏器的正常运作提供动力，所以血糖必须保持一定的水平才能维持体内各器官和组织的需要。正常人血糖的产生和利用处于动态平衡的状态，维持在一个相对稳定的水平，这是由于血糖的来源和去路大致相同的结果。血糖的来源包括：①食物消化、吸收；②肝内储存的糖元分解；③脂肪和蛋白质的转化。血糖的去路包括：①氧化转变为能量；②转化为糖原储存于肝脏、肾脏和肌肉中；③转变为脂肪和蛋白质等其他营养成分加以储存。胰岛是体内调节血糖的血糖浓度的主要器官，肝脏储存肝糖元。此外，血糖浓度还受神经、内分泌激素的调节。血糖将在一定范围内进行波动，当摄取葡萄糖后，血糖相对升高，当葡萄糖消耗过多时，血糖浓度相对降低。由于血糖的存在波动的情况，为了更为准确地判断是否罹患糖尿病，必须采取两次检测的方式，当两次检测结果均超出正常血糖浓度范围时，才能确诊。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第一实施例，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第三实施例中，所述特征信息分为静态指标信息和动态指标信息；

所述静态指标信息包括：性别、年龄、种族、高血压家族史、糖尿病家族史中至少一项；

所述动态指标信息包括：空腹血糖值、腰臀比、身体质量指数、体重、收缩压中至少一项。

所述静态指标信息是指不随时间变化但对糖尿病患病概率产生影响的指标，它能够用于对样本进行分类；所述动态指标信息是指会跟随时间变化且对糖尿病患病概率产生影响的指标，它反映的是一种变化趋势，能够用于预测一段时间后的样本的数据可能性。同时，所述动态指标信息中的诸如腰臀比、身体质量指数、体重等信息是能够通过改变生活作息习惯进行调整、改变的，可以人为进行干预，从而改变后续的发展趋势。

优选地，所述动态指标信息还包括运动时长和睡眠时长。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第三实施例，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第四实施例中，所述步骤S20之后，还包括：

步骤S100，根据所述静态指标将所述样本划分成预设组。

优选地，所述步骤S100包括：

步骤S110，根据性别将所述样本划分成男性和女性；

步骤S120，根据年龄将所述样本划分成幼年、青年、中年和老年；

步骤S130，根据种族将所述样本划分成东亚人、高加索人、尼格罗人和澳洲人；

步骤S140，根据高血压家族史将所述样本划分成有高血压家族史和无高血压家族史；

步骤S150，根据糖尿病家族史将所述样本划分成有糖尿病家族史和无糖尿病家族史；

步骤S160，分别从男性和女性中择一、从幼年、青年、中年和老年中择一、从东亚人、高加索人、尼格罗人和澳洲人中择一、从有高血压家族史和无高血压家族史中择一、从有糖尿病家族史和无糖尿病家族史中择一组合形成若干个分组。

每个相同分组中的所述样本具有相同或类似的所述静态指标，他们之间进行对比将能得到更为准确的预测结果。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第四实施例，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第五实施例中，所述步骤S30包括：

步骤S31，分别计算同组的各所述患病组样本的每一项所述动态指标数据的平均值；

步骤S32，分别将所述同组的所述患病组样本的每一项所述动态指标数据的平均值拟合成关于时间的病变趋势函数。

所述病变趋势函数能够通过改变时间参数反映出不同时间下的各项动态指标数据的相关值，通过对比待预测样本的指标值与该相关值之间的差异程度，能够分析得出二者的关联度，关联度越高的说明越接近患病人群的特征，也就是越有可能罹患糖尿病。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第五实施例，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第六实施例中，所述步骤S40包括：

步骤S41，分别计算同组的各所述正常组样本的每一项所述动态指标数据的平均值；

步骤S42，分别将所述同组的所述正常组样本的每一项所述动态指标数据的平均值拟合成关于时间的发展趋势函数。

所述发展趋势函数通过改变时间参数能够对一定范围内的未来发展趋势进行预测，由于糖尿病是一种慢性病，其病变过程非常漫长，又因为这种预测是以前期数据为基础，在一定时间范围内，其预测的趋势是能够真实反映发展过程。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第六实施例，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第七实施例中，所述步骤S50中的所述对比并计算获得所述发展趋势与所述病变趋势的相似度的步骤，包括：

步骤S51，依次分析每一项所述动态指标的所述发展趋势函数与同组对应的所述病变趋势函数的相似度，并以百分数进行表示；

步骤S52，求取表示所述相似度的所述百分数的平均值。

每一项所述动态指标的所述发展趋势函数与同组对应的所述病变趋势函数的相似度反映的是该项指标的接近程度，当接近程度越近时，表现出患病几率越大。但是影响患病的指标非常多，单独一项并不能准确反映出真实情况，所以必须统计各项指标的接近程度，为了方便以数值的形式进行表达，将每项相似度转化成百分数，并进行汇总、求平均值，得到的最终数值就是综合性的判断依据。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第七实施例，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第八实施例中，所述步骤S50中的所述根据所述相似度得到对应的所述正常组样本的患病风险程度的步骤，包括：

步骤S53，确定所述相似度与所述风险程度的对应关系；其中所述相似度为[0％,50％)对应为低风险，所述相似度为[51％,75％)对应为中风险，所述相似度为[75％,100％]对应为高风险；

步骤S54，根据所述相似度的数值计算所述风险程度。

将所述相似度转化成所述风险程度能够更为直观、方便地向人们进行展示，人们能够根据自己的所述风险程度对自身的生活作息做出相应调整，以尽量避免患病。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第一实施例至第八实施例中任一项，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第九实施例中，所述预设频率为1个月/次、2个月/次或3个月/次。

所述预设频率是指获取所述样本的特征信息的频率。由于糖尿病为慢性病，其发展过程缓慢，需要进行长期观察才能获得有效数据，因此设定1个月/次、2个月/次或3个月/次的采样频率，以获得较长周期的数据值。

基于本发明的利用智能分析技术对糖尿病患病风险的预测方法的第九实施例，本发明的利用智能分析技术对糖尿病患病风险的预测方法的第十实施例中，当所述预设频率为1个月/次时，所述预设次数为12次；当所述预设频率为2个月/次时，所述预设次数为6次；当所述预设频率为3个月/次时，所述预设次数为4次。

所述预设次数是根据所述预设频率进行确定的，为了获得长期的分析数据以提高预测的准确度，必须保证数据的获取周期不低于一年，当所述预设频率为1个月/次时，所述预设次数为12次；当所述预设频率为2个月/次时，所述预设次数为6次；当所述预设频率为3个月/次时，所述预设次数为4次，无论何种方式，都能确保数据的获取周期符合要求。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。