一种基于相对危险度决策树模型的妊娠结局影响因子评估方法技术

本发明专利技术公开了一种基于相对危险度决策树模型的妊娠结局影响因子评估方法，该方法是对国家免费孕前优生健康检查项目信息系统中的数据进行二进制的数字化处理后，然后构建得到孕前优生健康检查—育龄人群暴露值多维输入矩阵Pg暴露值，并依据Pg暴露值构建适用于时空多维度条件下的相对危险度向量RR；选取出所述RR中最大相对危险度对应的孕前优生体检项目Examy，将Examy作为相对危险度决策树模型TR空的父节点；选取叶节点风险系数riskk作为相对危险度决策树模型TR空的叶节点；本发明专利技术应用在妊娠结局影响因子评估中有效提高了对妊娠结局影响因子及其风险系数的评估准确度，提高了孕前优生健康检查数据对于智慧城市建设的利用价值，对于促进社会和谐、可持续发展具有重要意义。

An evaluation method for influencing factors of pregnancy outcome based on the decision tree model of relative risk degree

The invention discloses a method for evaluating the relative risk decision tree model of the factors affecting pregnancy outcome based on the method of binary digital processing is of national free pre pregnancy health checks data in information system, and then construct the pre pregnancy health check - childbearing population exposure value of multidimensional input matrix Pg exposure. And according to Pg exposure to the value of the relative risk of vector RR applicable to the construction of multi-dimensional space-time conditions; select the RR maximum relative risk corresponding to the pre pregnancy examination items Examy, Examy as the parent node relative risk decision tree model TR empty; select a leaf node as a leaf node risk factor riskk relative risk the degree of the decision tree model of TR empty; application of the invention can effectively improve the impact factor assessment of risk factors and their impact on the outcome of pregnancy on pregnancy outcome The accuracy of the coefficient has improved the utilization value of pre pregnancy eugenic health examination data for smart city construction, and is of great significance for promoting social harmony and sustainable development.

【技术实现步骤摘要】
一种基于相对危险度决策树模型的妊娠结局影响因子评估方法
本专利技术涉及妊娠结局
，更特别地说，是指一种基于相对危险度决策树模型的妊娠结局影响因子评估方法。
技术介绍
2004年8月出版的《算法设计技巧与分析》，译者吴伟昶等，第209-211页，公开了“一个仅由分去组成的算法的通常表达是一个称为决策树的二叉树”。决策树(DecisionTree)学习是由Hunt等在1966年提出的概念学习系统CLS(即HuntEB,MarinJ,StonePJ.Experimentsininduction.[J].AmericanJournalofPsychology,1966,80(4):17-19.)的基础上发展而来的，通过对训练集的学习，决策树可挖掘出有用规则，并用于对新集进行预测，是一种有监督的、非参数的机器学习方法。决策树学习是应用最广泛的归纳推理方法之一，因为它不但具有结构简单、计算量较小、效率高、健壮性好等特点，而且能够学习析取表达式，生成可以理解的规则，具有极强的可解释性，因此已经被成功地应用在商业、工业、天文、风险分析、社会科学和分类学等领域，取得了很好的经济和社会效益。在商业本文档来自技高网...

【技术保护点】
一种基于相对危险度决策树模型的妊娠结局影响因子评估方法，其特征在于包括有下列步骤：步骤A：获取预测用原始数据data；同时初始化相对危险度决策树模型TR空，执行步骤B；步骤B：应用步骤A获取的预测用原始数据构建孕前优生健康检查—育龄人群暴露值多维输入矩阵Pg暴露值，执行步骤C；步骤C：若孕前优生健康检查—育龄人群暴露值矩阵Pg暴露值中妊娠结局值

【技术特征摘要】
1.一种基于相对危险度决策树模型的妊娠结局影响因子评估方法，其特征在于包括有下列步骤：步骤A：获取预测用原始数据data；同时初始化相对危险度决策树模型TR空，执行步骤B；步骤B：应用步骤A获取的预测用原始数据构建孕前优生健康检查—育龄人群暴露值多维输入矩阵Pg暴露值，执行步骤C；步骤C：若孕前优生健康检查—育龄人群暴露值矩阵Pg暴露值中妊娠结局值不全为0或1，且育龄夫妻的总对数B大于100，则根据步骤B得到的孕前优生健康检查—育龄人群暴露值矩阵Pg暴露值构建适用于时空多维度条件下的相对危险度向量RR，执行步骤D；若孕前优生健康检查—育龄人群暴露值矩阵Pg暴露值中妊娠结局值全为0或1，或育龄夫妻的总对数B小于100，则停止迭代，执行步骤G；步骤D：从步骤C得到的相对危险度向量RR中选取出最大相对危险度rrx，从而得到所述rrx对应的孕前优生体检项目Examy，然后将选出的孕前优生体检项目Examy填入相对危险度决策树模型TR空的父节点，执行步骤E；步骤E：依据步骤D的父节点中孕前优生健康检查项目的暴露值将育龄人群分为两类，即：第一类育龄人群Cp左，孕前优生健康检查项目的暴露值为0，即第二类育龄人群Cp右，孕前优生健康检查项目的暴露值为1，即从而得到相对危险度决策树模型TR空中父节点对应于所述两类育龄人群的两个分支，即决策树左枝Branch左和决策树右枝Branch右，执行步骤F；步骤F:通过步骤E的第一类育龄人群Cp左与属于所述Cp左中的人群对应的孕前优生健康检查项目暴露值，得到左—育龄人群暴露值矩阵通过步骤E的第二类育龄人群Cp右与属于所述Cp右中的人群对应的孕前优生健康检查项目暴露值，得到右—育龄人群暴露值矩阵返回步骤C；步骤G：根据步骤C中的孕前优生健康检查—育龄人群暴露值矩阵Pg暴露值计算叶子节点集的妊娠结局风险系数向量Risk；并将所述Risk作为相对危险度决策树模型TR空中的叶子节点，然后向用户输出当前相对危险度决策树模型TR。2.根据权利要求1所述的一种基于相对危险度决策树模型的妊娠结局影响因子评估方法，其特征在于：预测用原始数据data为国家免费孕前优生健康检查项目信息系统提供。3.根据权利要求1或2所述的一种基于相对危险度决策树模型...

【专利技术属性】
技术研发人员：王静远，穆钰，李姝，杨英，马旭，王龙，彭左旗，熊璋，
申请(专利权)人：北京航空航天大学，国家卫生计生委科学技术研究所，
类型：发明
国别省市：北京,11