本發(fā)明涉及移動健康領(lǐng)域，特別是涉及一種糖尿病視網(wǎng)膜病變的預(yù)警方法、裝置及系統(tǒng)。
背景技術(shù)：
：糖尿病視網(wǎng)膜病變是糖尿病導(dǎo)致的視網(wǎng)膜微血管損害所引起的一系列典型病變。在我國，視網(wǎng)膜病變在糖尿病患者人群中的患病率為24.7％-37.5％。根據(jù)《我國糖尿病視網(wǎng)膜病變臨床診療指南(2014年)》，血糖、血壓、血脂是視網(wǎng)膜病變發(fā)生的3個重要危險因素，糖尿病病程是最重要的發(fā)生因素，糖尿病患者的血糖水平、糖化血紅蛋白(HbA1c)濃度的水平與視網(wǎng)膜病變的發(fā)生有直接關(guān)系。視網(wǎng)膜病變早期，患者可能無癥狀，視力不受影響，但隨著病情發(fā)展，視力下降甚至失明。早期發(fā)現(xiàn)、及時正確治療十分關(guān)鍵。目前，缺乏一種個性化的視網(wǎng)膜病變預(yù)警方法，僅限于提醒糖尿病患者按時(如每半年一次)赴醫(yī)院就醫(yī)，檢查視網(wǎng)膜病變情況。如果患者依從性差，沒能按時就診，那么就可能出現(xiàn)病情發(fā)現(xiàn)較晚、耽誤治療等不良后果。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于提供一種糖尿病視網(wǎng)膜病變的預(yù)警方法、裝置及系統(tǒng)，向糖尿病患者反饋視網(wǎng)膜病變的預(yù)警信息，提醒糖尿病患者及時就診，降低或避免病情惡化的可能性。為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供的一種糖尿病視網(wǎng)膜病變的預(yù)警方法，包括：獲取預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)；對預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)；建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系；根據(jù)所述關(guān)聯(lián)關(guān)系，得到未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警信息。其中，所述糖尿病歷史數(shù)據(jù)包括：糖尿病確診時間，視網(wǎng)膜檢查歷史和血壓、血糖、糖化血紅蛋白HbA1c及血脂的監(jiān)測數(shù)據(jù)。其中，所述醫(yī)療特征數(shù)據(jù)包括：糖尿病病程、血壓異常比例、血糖異常比例、HbA1c異常比例及血脂異常比例；所述異常比例由患者的個性化控制目標(biāo)確定。其中，對預(yù)定數(shù)量的患者的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)的步驟，包括：根據(jù)所述視網(wǎng)膜檢查歷史確定所述樣本患者的患者類別；按照所述患者類別對所述糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)。其中，根據(jù)所述視網(wǎng)膜檢查歷史確定所述樣本患者的患者類別的步驟，包括：將所述視網(wǎng)膜檢查歷史中始終未出現(xiàn)過視網(wǎng)膜病變的樣本患者確定為第一類患者；中途出現(xiàn)視網(wǎng)膜病變的樣本患者確定為第二類患者。其中，按照所述患者類別對所述糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)的步驟，包括：根據(jù)所述第一類患者的視網(wǎng)膜檢查歷史中最后一次檢查的時間，確定所述第一類患者的糖尿病病程；獲取所述視網(wǎng)膜檢查歷史中最后兩次檢查之間的間隔時間內(nèi)所有的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)，確定所述監(jiān)測數(shù)據(jù)的異常比例。其中，按照所述患者類別對所述糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)的步驟，還包括：根據(jù)所述第二類患者的視網(wǎng)膜檢查歷史中第一次檢查出視網(wǎng)膜病變的時間，確定所述第二類患者的糖尿病病程；獲取所述視網(wǎng)膜檢查歷史中最后一次檢查出無病變與第一次檢查出病變之間的時間間隔內(nèi)的所有的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)，確定所述監(jiān)測數(shù)據(jù)的異常比例。其中，建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系的步驟，包括：將所述醫(yī)療特征數(shù)據(jù)通過一支持向量機(jī)SVM算法得到分類模型參數(shù)；根據(jù)所述分類模型參數(shù)建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系的SVM分類模型。其中，根據(jù)所述關(guān)聯(lián)關(guān)系，得到未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警信息的步驟，包括：將所述醫(yī)療特征數(shù)據(jù)輸入到所述SVM分類模型中，生成所述未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警預(yù)測結(jié)果。本發(fā)明實(shí)施例還提供一種糖尿病視網(wǎng)膜病變的預(yù)警裝置，包括：獲取模塊，用于獲取預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)；數(shù)據(jù)預(yù)處理模塊，用于對預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)；關(guān)系建立模塊，用于建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系；病變預(yù)警模塊，用于根據(jù)所述關(guān)聯(lián)關(guān)系，得到未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警信息。其中，所述糖尿病歷史數(shù)據(jù)包括：糖尿病確診時間，視網(wǎng)膜檢查歷史和血壓、血糖、糖化血紅蛋白HbA1c及血脂的監(jiān)測數(shù)據(jù)。其中，所述醫(yī)療特征數(shù)據(jù)包括：糖尿病病程、血壓異常比例、血糖異常比例、HbA1c異常比例及血脂異常比例；所述異常比例由患者的個性化控制目標(biāo)確定。其中，所述數(shù)據(jù)預(yù)處理模塊包括：類別確定子模塊，用于根據(jù)所述視網(wǎng)膜檢查歷史確定所述樣本患者的患者類別；數(shù)據(jù)預(yù)處理子模塊，用于按照所述患者類別對所述糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)。其中，所述類別確定子模塊包括：類別確定單元，用于將所述視網(wǎng)膜檢查歷史中始終未出現(xiàn)過視網(wǎng)膜病變的樣本患者確定為第一類患者；中途出現(xiàn)視網(wǎng)膜病變的樣本患者確定為第二類患者。其中，所述數(shù)據(jù)預(yù)處理子模塊包括：第一數(shù)據(jù)確定單元，用于根據(jù)所述第一類患者的視網(wǎng)膜檢查歷史中最后一次檢查的時間，確定所述第一類患者的糖尿病病程；第一數(shù)據(jù)獲取處理單元，用于獲取所述視網(wǎng)膜檢查歷史中最后兩次檢查之間的間隔時間內(nèi)所有的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)，確定所述監(jiān)測數(shù)據(jù)的異常比例。其中，所述數(shù)據(jù)預(yù)處理子模塊還包括：第二數(shù)據(jù)確定單元，用于根據(jù)所述第二類患者的視網(wǎng)膜檢查歷史中第一次檢查出視網(wǎng)膜病變的時間，確定所述第二類患者的糖尿病病程；第二數(shù)據(jù)獲取處理單元，用于獲取所述視網(wǎng)膜檢查歷史中最后一次檢查出無病變與第一次檢查出病變之間的時間間隔內(nèi)的所有的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)，確定所述監(jiān)測數(shù)據(jù)的異常比例。其中，所述關(guān)系建立模塊包括：模型參數(shù)確定子模塊，用于將所述醫(yī)療特征數(shù)據(jù)通過一支持向量機(jī)SVM算法得到分類模型參數(shù)；分類模型建立模塊，用于根據(jù)所述分類模型參數(shù)建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系的SVM分類模型。其中，所述病變預(yù)警模塊包括：預(yù)警生成子模塊，用于將所述醫(yī)療特征數(shù)據(jù)輸入到所述SVM分類模型中，生成所述未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警預(yù)測結(jié)果。本發(fā)明實(shí)施例還提供一種糖尿病視網(wǎng)膜病變的預(yù)警系統(tǒng)，包括糖尿病后臺自我管理系統(tǒng)及移動終端；其中，所述糖尿病后臺自我管理系統(tǒng)包括如上述實(shí)施例所述的糖尿病視網(wǎng)膜病變的預(yù)警裝置；所述移動終端用于采集患者的糖尿病歷史數(shù)據(jù)，接收糖尿病后臺自我管理系統(tǒng)返回的視網(wǎng)膜病變的預(yù)警信息。本發(fā)明的上述技術(shù)方案的有益效果如下：本發(fā)明實(shí)施例的方案中，通過對樣本患者的糖尿病歷史數(shù)據(jù)的預(yù)處理，得到醫(yī)療特征數(shù)據(jù)，建立該醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系，從而向 糖尿病患者反饋視網(wǎng)膜病變的預(yù)警信息，提醒糖尿病患者及時就診，降低或避免病情惡化的可能性。附圖說明圖1為本發(fā)明實(shí)施例的糖尿病視網(wǎng)膜病變的預(yù)警方法的基本步驟示意圖；圖2為本發(fā)明實(shí)施例的糖尿病視網(wǎng)膜病變的預(yù)警裝置的組成結(jié)構(gòu)示意圖；圖3為本發(fā)明實(shí)施例的糖尿病視網(wǎng)膜病變的預(yù)警系統(tǒng)的基本組成框圖。具體實(shí)施方式為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具體實(shí)施例進(jìn)行詳細(xì)描述。本發(fā)明針對現(xiàn)有技術(shù)中糖尿病并發(fā)癥視網(wǎng)膜病變未能被及時發(fā)現(xiàn)，導(dǎo)致患者未能及時就診，耽誤治療的問題，提供一種糖尿病視網(wǎng)膜病變的預(yù)警方法、裝置及系統(tǒng)，通過對樣本患者的糖尿病歷史數(shù)據(jù)的預(yù)處理，建立與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系，從而向糖尿病患者反饋視網(wǎng)膜病變的預(yù)警信息，提醒糖尿病患者及時就診，減低或避免病情惡化的可能性。第一實(shí)施例如圖1所示，本發(fā)明實(shí)施例提供一種糖尿病視網(wǎng)膜病變的預(yù)警方法，包括：步驟11，獲取預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)；這里，預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)是糖尿病后臺自我管理系統(tǒng)數(shù)據(jù)庫中存儲的大量患者的糖尿病歷史數(shù)據(jù)，其患者的數(shù)量可由系統(tǒng)靈活設(shè)置。步驟12，對預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)；步驟13，建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系；步驟14，根據(jù)所述關(guān)聯(lián)關(guān)系，得到未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警信息。本發(fā)明實(shí)施例的方案中，通過對樣本患者的糖尿病歷史數(shù)據(jù)的預(yù)處理，得到醫(yī)療特征數(shù)據(jù)，建立該醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系，從而向糖尿病患者反饋視網(wǎng)膜病變的預(yù)警信息，提醒糖尿病患者及時就診，降低或避免病情惡化的可能性。具體的，本發(fā)明實(shí)施例中所述糖尿病歷史數(shù)據(jù)包括：糖尿病確診時間，視網(wǎng)膜檢查歷史和血壓、血糖、糖化血紅蛋白HbA1c及血脂的監(jiān)測數(shù)據(jù)。這里需說明的是，上述六個糖尿病歷史數(shù)據(jù)與視網(wǎng)膜病變的出現(xiàn)有最直接的關(guān)系，是預(yù)警視網(wǎng)膜病變的有效依據(jù)。具體的，本發(fā)明實(shí)施例中所述醫(yī)療特征數(shù)據(jù)包括：糖尿病病程、血壓異常比例、血糖異常比例、HbA1c異常比例及血脂異常比例；所述異常比例由患者的個性化控制目標(biāo)確定。優(yōu)選地，本發(fā)明實(shí)施例中所述步驟12可進(jìn)一步包括：步驟121，根據(jù)所述視網(wǎng)膜檢查歷史確定所述樣本患者的患者類別；步驟122，按照所述患者類別對所述糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)。具體的，所述步驟121可進(jìn)一步包括：步驟1211，將所述視網(wǎng)膜檢查歷史中始終未出現(xiàn)過視網(wǎng)膜病變的樣本患者確定為第一類患者；中途出現(xiàn)視網(wǎng)膜病變的樣本患者確定為第二類患者。具體的，所述步驟122可進(jìn)一步包括：步驟1221，根據(jù)所述第一類患者的視網(wǎng)膜檢查歷史中最后一次檢查的時間，確定所述第一類患者的糖尿病病程；這里，第一類患者的糖尿病病程為其視網(wǎng)膜檢查歷史中最后一次檢查的時間距該患者糖尿病確診時間的時長。步驟1222，獲取所述視網(wǎng)膜檢查歷史中最后兩次檢查之間的間隔時間內(nèi)所有的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)，確定所述監(jiān)測數(shù)據(jù)的異常比例。本步驟中，選擇最后兩次檢查之間的間隔時間內(nèi)的監(jiān)測數(shù)據(jù)是因?yàn)闀r間越晚、病程越長、發(fā)生視網(wǎng)膜病變的概率越大，這樣越接近第一類患者與第二類患者的區(qū)分界限，對于關(guān)聯(lián)關(guān)系模型的準(zhǔn)確建立也越有利。具體的，所述步驟122還可進(jìn)一步包括：步驟1223，根據(jù)所述第二類患者的視網(wǎng)膜檢查歷史中第一次檢查出視網(wǎng)膜病變的時間，確定所述第二類患者的糖尿病病程；這里，第二類患者的糖尿病病程為其視網(wǎng)膜檢查歷史中第一次檢查出視網(wǎng) 膜病變的時間距該患者糖尿病確診時間的時長。步驟1224，獲取所述視網(wǎng)膜檢查歷史中最后一次檢查出無病變與第一次檢查出病變之間的時間間隔內(nèi)的所有的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)，確定所述監(jiān)測數(shù)據(jù)的異常比例。本步驟中，選擇最后一次檢查出無病變與第一次檢查出病變之間的時間間隔內(nèi)的監(jiān)測數(shù)據(jù)，是因?yàn)樾枰^察從無病變到出現(xiàn)病變之間的患者的對的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)的控制情況，這些直接影響到病變的發(fā)生。優(yōu)選地，本發(fā)明實(shí)施例中所述步驟13可進(jìn)一步包括：步驟131，將所述醫(yī)療特征數(shù)據(jù)通過一支持向量機(jī)SVM算法得到分類模型參數(shù)；步驟132，根據(jù)所述分類模型參數(shù)建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系的SVM分類模型。這里，SVM算法為一現(xiàn)有技術(shù)中的分類算法，通過尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下，也能獲得良好統(tǒng)計(jì)規(guī)律的目的。下面舉例簡單說明利用SVM算法確定SVM分類模型的處理流程。具體的步驟如下：S01，對醫(yī)療特征數(shù)據(jù)歸一化；這里需說明的是，本步驟對醫(yī)療特征數(shù)據(jù)的歸一化具體為對糖尿病病程、血壓異常比例、血糖異常比例、HbA1c異常比例及血脂異常比例的歸一化。這里，血壓異常比例、血糖異常比例、HbA1c異常比例及血脂異常比例，其本身即為比例值，處于0-1的區(qū)間內(nèi)，故無需歸一化；本步驟中主要是對糖尿病病程該參數(shù)進(jìn)行歸一化，具體為：記錄樣本患者中最大的糖尿病病程Tmax和最小的糖尿病病程Tmin，則糖尿病病程歸一化的計(jì)算公式為：T’＝(T-Tmin)/(Tmax-Tmin)。S02，降低歸一化的糖尿病病程、血壓異常比例、血糖異常比例、HbA1c異常比例及血脂異常比例組成的五維向量的維度；這里，盡管歸一化后只有五個參數(shù)，但血糖、HbA1c等參數(shù)之間具有很大的相關(guān)性，通過降低維度可以減少數(shù)據(jù)冗余，提高效率。本步驟中可以采取主成分分析PCA算法，將該五維向量映射為更小維度的向量，并保存協(xié)方差矩陣C和維度N，可在新患者醫(yī)療特征數(shù)據(jù)輸入后使用。S03，分類模型參數(shù)的網(wǎng)格尋優(yōu)；這里，因?yàn)樵揝VM分類模型中使用的徑向基函數(shù)RBF核函數(shù)涉及c、γ兩個參數(shù)，通過交叉驗(yàn)證，確定最佳的c和γ，使得SVM分類模型能正確的預(yù)測未知數(shù)據(jù)(即新患者的糖尿病歷史數(shù)據(jù))，有較高的分類精確率。S04，SVM分類模型建立。這里具體為，使用RBF核函數(shù)進(jìn)行二類分類，將最佳的c和γ值代入，同時設(shè)置概率估計(jì)，最終確定分類模型參數(shù)model，完成分類模型的建立。優(yōu)選地，本發(fā)明實(shí)施例中所述步驟14可進(jìn)一步包括：步驟141，將所述醫(yī)療特征數(shù)據(jù)輸入到所述SVM分類模型中，生成所述未曾出現(xiàn)過病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警預(yù)測結(jié)果。這里，所述醫(yī)療特征數(shù)據(jù)是未曾出現(xiàn)過病變的患者通過移動終端將其采集的糖尿病歷史數(shù)據(jù)傳送到糖尿病后臺自我管理系統(tǒng)中，將數(shù)據(jù)預(yù)處理得到的。該預(yù)警預(yù)測結(jié)果信息中可包括：患者所屬的患者類別及患視網(wǎng)膜病變的概率。本發(fā)明實(shí)施例的方案中，通過對樣本患者的糖尿病歷史數(shù)據(jù)的預(yù)處理，得到醫(yī)療特征數(shù)據(jù)，建立該醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系，從而向糖尿病患者反饋視網(wǎng)膜病變的預(yù)警信息，提醒糖尿病患者及時就診，降低或避免病情惡化的可能性。第二實(shí)施例如圖2所示，本發(fā)明實(shí)施例提供一種糖尿病視網(wǎng)膜病變的預(yù)警裝置，包括：獲取模塊21，用于獲取預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)；這里，預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)是糖尿病后臺自我管理系統(tǒng)數(shù)據(jù)庫中存儲的大量患者的糖尿病歷史數(shù)據(jù)，其患者的數(shù)量可由系統(tǒng)靈活設(shè)置。數(shù)據(jù)預(yù)處理模塊22，用于對預(yù)定數(shù)量的樣本患者的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)；關(guān)系建立模塊23，用于建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián) 關(guān)系；病變預(yù)警模塊24，用于根據(jù)所述關(guān)聯(lián)關(guān)系，得到未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警信息。具體的，本發(fā)明實(shí)施例中所述糖尿病歷史數(shù)據(jù)包括：糖尿病確診時間，視網(wǎng)膜檢查歷史和血壓、血糖、糖化血紅蛋白HbA1c及血脂的監(jiān)測數(shù)據(jù)。這里需說明的是，上述六個糖尿病歷史數(shù)據(jù)與視網(wǎng)膜病變的出現(xiàn)有最直接的關(guān)系，是預(yù)警視網(wǎng)膜病變的有效依據(jù)。具體的，本發(fā)明實(shí)施例中所述醫(yī)療特征數(shù)據(jù)包括：糖尿病病程、血壓異常比例、血糖異常比例、HbA1c異常比例及血脂異常比例；所述異常比例由患者的個性化控制目標(biāo)確定。本發(fā)明實(shí)施例中所述數(shù)據(jù)預(yù)處理模塊22可具體包括：類別確定子模塊，用于根據(jù)所述視網(wǎng)膜檢查歷史確定所述樣本患者的患者類別；數(shù)據(jù)預(yù)處理子模塊，用于按照所述患者類別對所述糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲取醫(yī)療特征數(shù)據(jù)。具體的，所述類別確定子模塊可包括：類別確定單元，用于將所述視網(wǎng)膜檢查歷史中始終未出現(xiàn)過視網(wǎng)膜病變的樣本患者確定為第一類患者；中途出現(xiàn)視網(wǎng)膜病變的樣本患者確定為第二類患者。具體的，所述數(shù)據(jù)預(yù)處理子模塊可包括：第一數(shù)據(jù)確定單元，用于根據(jù)所述第一類患者的視網(wǎng)膜檢查歷史中最后一次檢查的時間，確定所述第一類患者的糖尿病病程；這里，第一類患者的糖尿病病程為其視網(wǎng)膜檢查歷史中最后一次檢查的時間距該患者糖尿病確診時間的時長。第一數(shù)據(jù)獲取處理單元，用于獲取所述視網(wǎng)膜檢查歷史中最后兩次檢查之間的間隔時間內(nèi)所有的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)，確定所述監(jiān)測數(shù)據(jù)的異常比例。本單元中，選擇最后兩次檢查之間的間隔時間內(nèi)的監(jiān)測數(shù)據(jù)是因?yàn)闀r間越晚、病程越長、發(fā)生視網(wǎng)膜病變的概率越大，這樣越接近第一類患者與第二類 患者的區(qū)分界限，對于關(guān)聯(lián)關(guān)系模型的準(zhǔn)確建立也越有利。所述數(shù)據(jù)預(yù)處理子模塊還可包括：第二數(shù)據(jù)確定單元，用于根據(jù)所述第二類患者的視網(wǎng)膜檢查歷史中第一次檢查出視網(wǎng)膜病變的時間，確定所述第二類患者的糖尿病病程；這里，第二類患者的糖尿病病程為其視網(wǎng)膜檢查歷史中第一次檢查出視網(wǎng)膜病變的時間距該患者糖尿病確診時間的時長。第二數(shù)據(jù)獲取處理單元，用于獲取所述視網(wǎng)膜檢查歷史中最后一次檢查出無病變與第一次檢查出病變之間的時間間隔內(nèi)的所有的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)，確定所述監(jiān)測數(shù)據(jù)的異常比例。本單元中，選擇最后一次檢查出無病變與第一次檢查出病變之間的時間間隔內(nèi)的監(jiān)測數(shù)據(jù)，是因?yàn)樾枰^察從無病變到出現(xiàn)病變之間的患者的對的血壓、血糖、HbA1c及血脂的監(jiān)測數(shù)據(jù)的控制情況，這些直接影響到病變的發(fā)生。本發(fā)明實(shí)施例中所述關(guān)系建立模塊23可具體包括：模型參數(shù)確定子模塊，用于將所述醫(yī)療特征數(shù)據(jù)通過一支持向量機(jī)SVM算法得到分類模型參數(shù)；分類模型建立模塊，用于根據(jù)所述分類模型參數(shù)建立所述醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系的SVM分類模型。這里，SVM算法為一現(xiàn)有技術(shù)中的分類算法，通過尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下，亦能獲得良好統(tǒng)計(jì)規(guī)律的目的。本發(fā)明實(shí)施例中應(yīng)用該SVM算法是實(shí)現(xiàn)SVM分類模型的建立的過程，第一實(shí)施例中利用SVM算法確定SVM分類模型的處理流程的舉例中已具體說明，這里不再贅述。具體的，本發(fā)明實(shí)施例的所述病變預(yù)警模塊24可包括：預(yù)警生成子模塊，用于將所述醫(yī)療特征數(shù)據(jù)輸入到所述SVM分類模型中，生成所述未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警預(yù)測結(jié)果。這里，所述醫(yī)療特征數(shù)據(jù)是未曾出現(xiàn)過病變的患者通過移動終端將其采集的糖尿病歷史數(shù)據(jù)傳送到糖尿病后臺自我管理系統(tǒng)中，將數(shù)據(jù)預(yù)處理得到的。該預(yù)警預(yù)測結(jié)果信息中可包括：患者所屬的患者類別及患視網(wǎng)膜病變的概 率。本發(fā)明實(shí)施例還提供一種糖尿病視網(wǎng)膜病變的預(yù)警系統(tǒng)，包括：糖尿病后臺自我管理系統(tǒng)及移動終端；其中，所述糖尿病后臺自我管理系統(tǒng)包括如上述實(shí)施例所述的糖尿病視網(wǎng)膜病變的預(yù)警裝置；所述移動終端用于采集患者的糖尿病歷史數(shù)據(jù)，接收糖尿病后臺自我管理系統(tǒng)返回的視網(wǎng)膜病變的預(yù)警信息。這里，采集患者的糖尿病歷史數(shù)據(jù)，接收尿病后臺自我管理系統(tǒng)返回的視網(wǎng)膜病變的預(yù)警信息可通過在移動終端上安裝糖尿病自我管理應(yīng)用軟件來實(shí)現(xiàn)，當(dāng)然，其他可實(shí)現(xiàn)此功能的方法均可適用。本發(fā)明實(shí)施例的方案中，通過對樣本患者的糖尿病歷史數(shù)據(jù)的預(yù)處理，得到醫(yī)療特征數(shù)據(jù)，建立該醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系，從而向糖尿病患者反饋視網(wǎng)膜病變的預(yù)警信息，提醒糖尿病患者及時就診，降低或避免病情惡化的可能性。第三實(shí)施例如圖3所示，糖尿病視網(wǎng)膜病變的預(yù)警系統(tǒng)的基本組成框圖。下面就該圖并結(jié)合一具體實(shí)施例詳細(xì)說明糖尿病視網(wǎng)膜病變的預(yù)警方法的實(shí)施過程。具體如下：S’01，糖尿病后臺自我管理系統(tǒng)中的患者數(shù)據(jù)庫中包含大量樣本患者的糖尿病歷史數(shù)據(jù)；根據(jù)糖尿病歷史數(shù)據(jù)對患者數(shù)據(jù)庫中的樣本患者進(jìn)行分類；并對分類后的患者的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，得到醫(yī)療特征數(shù)據(jù)。舉例說明如下：患者A的數(shù)據(jù)包括其確診糖尿病的時間(2004-10-1)、血糖控制目標(biāo)、血壓控制目標(biāo)、HbA1c控制目標(biāo)、血脂控制目標(biāo)以及時間序列的體征數(shù)據(jù)及檢查數(shù)據(jù)，如表1所示：表1日期血糖血壓HbA1c血脂視網(wǎng)膜病變檢查結(jié)果2015-1-17130/9075.5無..................2015-3-18130/9086無2015-3-27140/94---2015-3-37.4135/90---..................2015-6-17.2135/957.56.2無患者A歷次視網(wǎng)膜病變檢查結(jié)果中，均未出現(xiàn)視網(wǎng)膜病變，故被標(biāo)記為第一類患者。對患者A的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，第一個參數(shù)為最后一次視網(wǎng)膜檢查時的糖尿病病程，為11.6年；第二個參數(shù)為2015-3-1至2015-6-1之間，血糖數(shù)據(jù)中異常數(shù)據(jù)所占比例，為25％；第三個參數(shù)為血壓數(shù)據(jù)中異常數(shù)據(jù)所占比例，為20％；第四、五個參數(shù)類似，分別為15％、20％。由此，將患者A的醫(yī)療特征數(shù)據(jù)表示為：11.6,0.25,0.20,0.15,0.20，其標(biāo)記為第一類?；颊連的數(shù)據(jù)包括其確診糖尿病的時間(2000-4-1)、血糖控制目標(biāo)、血壓控制目標(biāo)、HbA1c控制目標(biāo)、血脂控制目標(biāo)以及時間序列的體征數(shù)據(jù)及檢查數(shù)據(jù)，如表2所示：表2日期血糖血壓HbA1c血脂視網(wǎng)膜病變檢查結(jié)果2014-12-18130/9075無..................2015-1-18130/907.55.5無2015-1-28.7150/100---2015-1-38.4155/110---..................2015-4-18.7155/1058.56.5有患者B視網(wǎng)膜病變檢查結(jié)果中，曾經(jīng)未出現(xiàn)過視網(wǎng)膜病變，但之后出現(xiàn) 了視網(wǎng)膜病變，故被標(biāo)記為第二類患者。對患者B的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，第一個參數(shù)為第一次檢查出病變時的糖尿病病程，為15年；第二個參數(shù)為2015-1-1至2015-4-1之間，血糖數(shù)據(jù)中異常數(shù)據(jù)所占比例，為70％；第三個參數(shù)為血壓數(shù)據(jù)中異常數(shù)據(jù)所占比例，為50％；第四、五個參數(shù)類似，分別為75％、60％。由此，將患者B的醫(yī)療特征數(shù)據(jù)表示為：15,0.70,0.50,0.75,0.60，其標(biāo)記為第二類?；颊逤的數(shù)據(jù)包括其確診糖尿病的時間(2000-5-1)、血糖控制目標(biāo)、血壓控制目標(biāo)、HbA1c控制目標(biāo)、血脂控制目標(biāo)以及時間序列的體征數(shù)據(jù)及檢查數(shù)據(jù)，如表3所示：表3日期血糖血壓HbA1c血脂視網(wǎng)膜病變檢查結(jié)果2013-6-17140/1007.27.2有..................2013-12-18145/1057.57有..................患者C歷次視網(wǎng)膜病變檢查結(jié)果中，一直存在視網(wǎng)膜病變，因此將該患者數(shù)據(jù)排除在外，不標(biāo)記為第一類或第二類患者。待數(shù)據(jù)庫中的所有樣本患者的糖尿病歷史數(shù)據(jù)預(yù)處理完畢之后，得到如表4所示的表格。表4參數(shù)1參數(shù)2參數(shù)3參數(shù)4參數(shù)5類別11.60.250.200.150.201150.700.500.750.60250.300.350.300.201100.900.600.800.702..................這里需要說明的是，參數(shù)1表示糖尿病病程，參數(shù)2表示血糖數(shù)據(jù)異常比例，參數(shù)3表示血壓數(shù)據(jù)異常比例，參數(shù)4表示HbA1c數(shù)據(jù)異常比例，參數(shù)5表示血脂數(shù)據(jù)異常比例。S’02，建立醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系的SVM分類模型；這里，以上述舉例繼續(xù)說明?；谏鲜霰?中的數(shù)據(jù)，建立SVM分類模型。具體步驟如下：首先，對參數(shù)1進(jìn)行歸一化，最大值為20，最小值為1，利用歸一化計(jì)算公式：T’＝(T-Tmin)/(Tmax-Tmin)，則第一個患者的參數(shù)1更新為：(11.6-1)/(20-1)＝0.56。其次降低維度，通過PCA算法將原本5維參數(shù)降低為3維；需說明的是，這里使用3維即可表達(dá)原本5維參數(shù)的80％的信息量。最后，尋找最佳的c和γ，并代入命令cmd＝[‘-c’,num2str(c),’–g’,num2str(γ),’–b1’]。最終，確定分類模型參數(shù)model。model＝svmtrain(label,data,cmd)，其中l(wèi)abel為類別，data為降維后的三維參數(shù)。S’03，根據(jù)SVM分類模型，得到未曾出現(xiàn)過視網(wǎng)膜病變的患者是否發(fā)生視網(wǎng)膜病變的預(yù)警信息。舉例說明如下：新的患者D，數(shù)據(jù)包括其確診糖尿病的時間(2010-10-1)、血糖控制目標(biāo)、血壓控制目標(biāo)、HbA1c控制目標(biāo)、血脂控制目標(biāo)以及時間序列的體征數(shù)據(jù)及檢查數(shù)據(jù)，如表5所示：表5日期血糖血壓HbA1c血脂視網(wǎng)膜病變檢查結(jié)果2015-5-17136/9676無2015-5-26130/85---2015-5-36.4120/80---..................2015-7-16130/956.56無對患者D的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，第一個參數(shù)為當(dāng)前時間的糖尿病病程，為4.75年；第二個參數(shù)為2015-5-1至2015-7-1之間，血糖數(shù)據(jù)中異常數(shù)據(jù)所占比例，為10％；第三、四、五個參數(shù)類似，分別為14％、12％、10％。 由此，將患者D的醫(yī)療特征數(shù)據(jù)表示為：4.75,0.10,0.14,0.12,0.10。利用算法來判斷該患者更接近第一類患者(無病變)還是第二類患者(有病變)，從而決定是否為其提供預(yù)警。具體為：將患者D數(shù)據(jù)進(jìn)一步作歸一化和降維：糖尿病病程＝(4.75-1)/(20-1)＝0.20，此后，五維參數(shù)乘以協(xié)方差矩陣并取前三維。最后，代入svmpredict函數(shù)：[label,acc,esti]＝svmpredict(labelc,datac,model,’-b1’)，其中l(wèi)abelc為任意指定的類別，datac為降維后的三維參數(shù)，esti為視網(wǎng)膜病變概率。label即為患者D的類別標(biāo)記，為第一類，說明不為該患者提供視網(wǎng)膜病變預(yù)警。新的患者E，數(shù)據(jù)包括其確診糖尿病的時間(2000-8-1)、血糖控制目標(biāo)、血壓控制目標(biāo)、HbA1c控制目標(biāo)、血脂控制目標(biāo)以及時間序列的體征數(shù)據(jù)及檢查數(shù)據(jù)，如表6所示：表6日期血糖血壓HbA1c血脂視網(wǎng)膜病變檢查結(jié)果2015-3-18140/10087無2015-3-27150/90---2015-3-37.5140/90---..................2015-8-17.8150/957.57無對患者E的糖尿病歷史數(shù)據(jù)進(jìn)行預(yù)處理，第一個參數(shù)為當(dāng)前時間的糖尿病病程，為15年；第二個參數(shù)為2015-3-1至2015-8-1之間，血糖數(shù)據(jù)中異常數(shù)據(jù)所占比例，為60％；第三、四、五個參數(shù)類似，分別為65％、70％、75％。由此，將患者E的醫(yī)療特征數(shù)據(jù)表示為：15,0.60,0.65,0.70,0.75。利用算法來判斷該患者更接近第一類患者(無病變)還是第二類患者(有病變)，從而決定是否為其提供預(yù)警。具體為：將患者E數(shù)據(jù)進(jìn)一步作歸一化和降維：糖尿病病程＝(15-1)/(20-1)＝0.74，此后，五維參數(shù)乘以協(xié)方差矩陣并取前三維。最后，代入svmpredict函數(shù)：[label,acc,esti]＝svmpredict(labelc,datac,model,’-b1’)，其中l(wèi)abelc為任意指定的類別，datac為降維后的三維參數(shù)，esti為視網(wǎng)膜病變概率。label即為患者E的類別標(biāo)記，為第二類，說明為該患者提供視網(wǎng)膜病變預(yù)警,esti為70％，代表 其患視網(wǎng)膜病變的概率為70％。本發(fā)明實(shí)施例的方案中，通過對樣本患者的糖尿病歷史數(shù)據(jù)的預(yù)處理，得到醫(yī)療特征數(shù)據(jù)，建立該醫(yī)療特征數(shù)據(jù)與視網(wǎng)膜病變發(fā)生的關(guān)聯(lián)關(guān)系，從而向糖尿病患者反饋視網(wǎng)膜病變的預(yù)警信息，提醒糖尿病患者及時就診，降低或避免病情惡化的可能性。以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3