[发明专利]一种基于量子Petri网的人体健康状态分析方案

说明书

本发明提出一种基于量子Petri网的人体健康状态分析方案，该方案融合机器学习、量子信息学和中医理论，实现对人体健康状态的智能分析与预测。利用中医理论建立人体脏腑与健康数据之间的关联，再以量子比特作为数据处理载体建立健康状态扰动方程，最后利用Petri网计算得到健康状态分析结果，从而对人体在未来一段时间内可能的患病情况进行预测。

技术领域

本发明涉一种基于量子Petri网的人体健康状态分析方案，属于人体健康状态智能分析与预测领域。

背景技术

在医学研究领域中，疾病预测模型经常被用于预测某种疾病未来的发展情况。具体而言就是通过对某种疾病的医学机理进行研究，并选择合适的数学工具进行建模分析，进而预测某类特定人群或个体在未来一段时间内可能患有某种疾病的风险。

传统的疾病预测主要通过临床预测工具/模型(Clinical Prediction Rules,CPRs)来实现。例如，Benjamin等人在文献[Impact of atrial fibrillation on the riskof death:the Framingham Heart Study]中提出一种以人群统计为基础的Framingham方法，研究房颤对死亡率的影响。但该方法需要跟踪大量实验对象，随访时间长达几十年，成本高、效率低，且实验对象存在不确定性，难以广泛应用。

针对上述问题，Biehl等人在文献[Prediction of critical illness inelderly out patients using elder risk assessment:a population-based study]中提出利用高龄人员风险评估(ERA)来确定重症病人监护等级的方法。该方法从受试者的电子病历中记录的日常管理数据来建立ERA评分标准，有效提升预测效率。但该方法主要是针对高危严重疾病进行评估预测，忽视了对常见疾病的分析。

另一方面，基于CPRs模型的预测准确性较难验证，且同行认可度较低。Grady等人在文献[Why is a good clinical prediction rule so hard to find？]中指出CPRs模型的缺陷：CPRs模型在建模中表现良好，但换到实际应用场景后，由于病人的身体状况和患病严重程度大多与建模样本不同，其预测效果将大打折扣。

与此同时，Siontis等人的研究显示，在118个CPRs中仅有10个工具在不同的人群中被重复研究4次及以上，而在这10个工具中仅有一个在不同数据库中得到一致的预测结果。

由于传统的疾病预测方案都依赖于疾病的医学机理，因而专业性较强、应用范围有限。为解决上述问题，近年来，基于机器学习、深度学习等人工智能技术的疾病预测方案相继被提出，使得疾病预测更加智能化、准确化和高效化。例如，Qingyu Zhao等人提出一种基于变分自编码框架的通用回归模型，主要应用于结构化的核磁图像的脑老化预测问题。但该模型无法根据病患诊断记录预测其他存在类似情况病患的未来发病风险。

Miranda等人在文献[Individualized prediction of illness course at thefirst psychotic episode:a support vector machine MRI study]中提出一种使用支持向量机(SVM)全脑分类方法，根据患者第一次精神病发作时获得的MRI数据，实现对个体水平上的未来病程预测。但该方法必须根据患者已有患病情况进行疾病预测，无法做到病前分析和预防。

针对上述缺陷，Nguyen等人在文献[Deep:A convolutional net for medicalrecords]中提出一种全新的端到端的深度学习系统，该系统可以从医疗记录中提取特征，并自动预测未来风险，实现对多种疾病的分析。但该方案仅通过对用户历史医疗记录的特征提取来实现疾病预测，无法做到疾病的多成因分析。