[发明专利]患病风险值预测方法及电子设备

说明书

本发明公开了一种患病风险值预测方法及电子设备，应用于高血压分析。所述患病风险值预测方法包括：采集用户的静态数据和动态数据；对所述静态数据和动态数据进行预处理；通过逻辑学回归以及动态向量机，构建动态预警模型；根据所述预处理后的数据，应用所述动态预警模型对用户进行分类；根据所述用户的分类，计算对应的风险值；所述风险值表示用户患有高血压的风险。该方法采用双数据体系，通过改良Logistic回归和支持向量机，建立用户慢病风险动态预警混合模型，提供精确的患病风险概率值。

技术领域

本发明涉及数学建模技术领域，尤其涉及一种患病风险值预测方法及电子设备。

背景技术

根据国家卫计委官员公布的一份数据称，截至2015年底，全国因慢性病导致的死亡人数达到所有死亡人数的88.38％。慢病已然成为中国首要的健康威胁。不少研究表明，慢性疾病与生活习惯密切相关，因此它又被称为“生活习惯病”或“生活方式病”。因此，采集动态和静态全方位健康数据构建一个慢病风险动态预警模型，是时代发展所趋。

经过大量的文献研究，申请人发现疾病风险预警模型已经引起国内外研究学者的广泛关注。国内构建模型的方法主要有：①Logistic回归(逻辑学回归)，例如马立伟等(2015年)建立7种单一的癌症(肺癌，肝癌，胃癌，直肠癌，食管癌，乳腺癌和宫颈癌)风险预测模型。②Cox回归模型，如依托山东健康管理队列，苏萍等(2017年)构建2型糖尿病预测模型。③人工神经网络，如曹文君等(2015年)构建高血压、糖尿病、冠心病及患任一慢性病患者预测模型。④竞争风险模型，如刘龙等(2016年)分性别构建老年人群心血管疾病的短期(5年)风险评估工具。⑤决策树，如信中等(2014年)建立简易预警模型和筛查工具，只用年龄、BMI和是否有高血压3个因素即可预测个体患糖尿病 (DM)或糖尿病前期(PDM)的危险性。⑥混合模型，依托山东健康管理队列，李吉庆等(2017年)基于Cox回归模型对影响心血管事件发生的因素进行变量筛选，利用部分分布竞争风险模型建立心血管事件预测模型。

国外构建疾病预测模型的方法主要有：①Cox回归模型，如Park S等(2013 年)利用Cox回归模型建立个人肺癌预测模型，据称这是亚洲第一个性能较好的预测模型。②人工神经网络，如Xie N N等(2014年)组合Fisher和Relief F两个特征算法选择危险因素，通过人工神经网络测算肺癌风险值，提出LCRP (肺癌风险预测)算法。③支持向量机(SVM)，如Barakat NH等(2010年) 针对糖尿病利用支持向量机(SVM)建立风险预测模型，额外使用解释模块，将SVM的“黑箱”模型转化为SVM诊断(分类)决策的可理解表示。④贝叶斯信息准则，如Chiuve SE1等(2014年)针对心血管疾病使用贝叶斯信息准则开发了一种基于生活方式的20年风险预测模型。⑤Gail模型，如Park B等 (2013年)基于Gail模型开发了一种KoBCRAT(韩国乳腺癌风险评估工具)，使用韩国多中心癌症队列(KMCC)和国家癌症中心(NCC)队列验证了KoBCRAT。⑥随机森林算法，如Sun J1等(2014年)利用电子健康记录中的数据来预测患高血压的过渡点，利用信息增益标准转化时间变量，再利用随机森林算法计算转换点预测模型。⑦混合模型，如A Wang等(2015年)将Logistic回归与人工神经网络结合起来选择危险因素和预测慢性病发病风险。