预测未来血糖值的方法、装置及计算机设备制造方法及图纸

技术编号:21774713 阅读:42 留言:0更新日期:2019-08-03 22:25
本申请公开了一种预测未来血糖值的方法、装置及计算机设备,涉及计算机技术领域,能有效解决现有技术中只能判断用户当前的血糖值,却无法对用户未来血糖值进行预测的问题。其中方法包括:从原始健康档案和电子病历中提取糖尿病随访记录大于预设时长阈值的样本用户对应的样本用户数据;利用所述样本用户数据创建血糖值时间序列的预测模型;将目标用户的历史用户数据输入到所述预测模型中,预测所述目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后两小时血糖值的第二预测序列,其中,所述历史用户数据对应的历史时长小于所述预设时长阈值,所述目标用户和所述样本用户均为糖尿病患者。本申请适用于对目标用户未来血糖值的预测。

Methods, Devices and Computer Equipment for Predicting Future Blood Glucose Values

【技术实现步骤摘要】
预测未来血糖值的方法、装置及计算机设备
本申请涉及计算机
,尤其涉及到一种预测未来血糖值的方法、装置及计算机设备。
技术介绍
糖尿病是一组以高血糖为特征的代谢性疾病,发病时会导致大血管、微血管受损并危及心、脑、肾、周围神经、眼睛、足等多个部位,还会伴有多种并发症,故加强糖尿病的预测工作是完全必要的。然而随着科技的进步,病种的诊断已经不局限于医生的分析,利用人工智能来预测糖尿病,才是符合如今的发展潮流。目前业内对于糖尿病预测的常见方法是通过收集糖尿病医案,将糖尿病患者数据与健康人群数据进行对比,构建0-1分类模型,通过患者的各类特征维度数据,判断用户是否患糖尿病。然而现有的糖尿病预测的方法只能判断没有糖尿病相关医案的用户是否患糖尿病,但针对已有数据且长期随访的用户,却不能进行未来血糖值的预测,不能更好的实现对糖尿病的诊断和治疗。
技术实现思路
有鉴于此,本申请提供了一种预测未来血糖值的方法、装置及计算机设备,主要目的在于解决当下只能判断出用户是否患糖尿病,却无法预测出未来血糖值,进而不能更好的实现对糖尿病跟踪治疗的问题。根据本申请的一个方面,提供了一种预测未来血糖值的方法,该方法包括:从原始健康档案和电子病历中提取糖尿病随访记录大于预设时长阈值的样本用户对应的样本用户数据;利用所述样本用户数据创建血糖值时间序列的预测模型;将目标用户的历史用户数据输入到所述预测模型中,预测所述目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后两小时血糖值的第二预测序列,其中,所述历史用户数据对应的历史时长小于所述预设时长阈值,所述目标用户和所述样本用户均为糖尿病患者。根据本申请的另一个方面,提供了一种预测未来血糖值的装置,该装置包括:提取模块,用于从原始健康档案和电子病历中提取糖尿病随访记录大于预设时长阈值的样本用户对应的样本用户数据;创建模块,用于利用所述样本用户数据创建血糖值时间序列的预测模型;确定模块,用于将目标用户的历史用户数据输入到所述预测模型中,预测所述目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后两小时血糖值的第二预测序列,其中,所述历史用户数据对应的历史时长小于所述预设时长阈值,所述目标用户和所述样本用户均为糖尿病患者。根据本申请的又一个方面,提供了一种非易失性可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述预测未来血糖值的方法。根据本申请的再一个方面,提供了一种计算机设备,包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述预测未来血糖值的方法。借由上述技术方案,本申请提供的一种预测未来血糖值的方法、装置及计算机设备,与目前利用构建的0-1分类模型预测糖尿病的方法相比,本申请是依据从原始健康档案和电子病历中提取的样本用户数据,来创建血糖值时间序列的预测模型,将目标用户的历史用户数据输入到预测模型中,进而利用预测模型获取目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后预设时长血糖值的第二预测序列,由于样本用户和目标用户均为糖尿病患者,因此可利用预测模型确定与目标用户具有相同或类似用户数据的样本用户,其对应的空腹血糖值时间序列和餐后两小时血糖值时间序列。并且由于样本用户的糖尿病随访记录大于预设时长阈值,而目标用户的历史用户数据对应的历史时长小于该阈值,相当于利用大范围的时间序列判别其包含的小范围时间序列走向,进而可很好的预测出目标用户的未来血糖值变化规律,进而可实时监测糖尿病的发展情况,进行相应的配套治疗,在对糖尿病的治疗控制上具有很大的意义。上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。附图说明此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本地申请的不当限定。在附图中:图1示出了本申请实施例提供的一种预测未来血糖值的方法的流程示意图;图2示出了本申请实施例提供的另一种预测未来血糖值的方法的流程示意图;图3示出了本申请实施例提供的一种预测未来血糖值的装置的结构示意图;图4示出了本申请实施例提供的另一种预测未来血糖值的装置的结构示意图。具体实施方式下文中将参考实施例并结合附图来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合。针对目前只能判断出用户是否患糖尿病,却无法预测出未来血糖值,进而不能更好的实现对糖尿病跟踪治疗的问题,本实施例提供了一种预测未来血糖值的方法,如图1所示,该方法包括:101、从原始健康档案和电子病历中提取糖尿病随访记录大于预设时长阈值的样本用户对应的样本用户数据。其中,样本用户为糖尿病患者。样本用户数据可包括患者就诊数据、体检指标数据、用药数据和健康告知数据等,就诊数据又包括门诊、住院和用药数据,患者的用药、症状、体征和生活方式等糖尿病随访数据主要来源于各大医院和体检中心。预设时长阈值可根据实际业务需求设定,例如,可设定时间阈值为一年,即获取糖尿病随访记录大于一年的样本用户对应的样本用户数据。在具体的应用场景中,从原始健康档案和电子病历中提取的样本用户数据中一般包含许多无用数据以及异常数据等,故在利用这些数据创建预测模型之前,需要对这些样本用户数据进行清洗整合从中提取出需要的相关特征,提取方式主要通过正则表达式,正则表达式即对字符串的一种逻辑公式,通过事先定义好的特定字符组合去匹配文本,获取需要的文本及数字。102、利用样本用户数据创建血糖值时间序列的预测模型。在本实施例中,从样本用户数据中获取样本用户每次糖尿病随访时的空腹血糖值、餐后两小时血糖值、用药、症状、体征和生活方式等数据,然后基于这些数据创建血糖值时间序列的预测模型,具体可通过时间序列的相关算法训练得到。通过创建得到的血糖值时间序列的预测模型可以很好的反应出具有不同糖尿病随访特征的样本用户分别对应的空腹血糖值时间序列和餐后两小时血糖值时间序列。103、将目标用户的历史用户数据输入到预测模型中,预测目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后两小时血糖值的第二预测序列。其中,需要进行未来糖尿病预测的目标用户为糖尿病患者,历史用户数据对应的历史时长小于预设时长阈值。在本实施例中,历史用户数据为目标用户最近一段时间的历史用户数据,例如,最近半年每次糖尿病随访时的空腹血糖值、餐后两小时血糖值、用药、症状、体征和生活方式等数据。预设未来时间段为根据实际需要进行设定的,使血糖值时间序列的预测模型最终显示出未来该时间段内的血糖值,例如,预设未来时间段可为未来30日;第一预测序列为目标用户在预设未来时间段内空腹血糖值的时间序列;第二预测序列为目标用户在预设未来时间段内餐后两小时血糖值的时间序列。通过上述预测未来血糖值的方法,依据从原始健康档案和电子病历中提取的样本用户数据,来创建血糖值时间序列的预测模型,将目标用户的历史用户数据输入到预测模型中,进而利用预测模型获取目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后预设时长血糖值的本文档来自技高网...

【技术保护点】
1.一种预测未来血糖值的方法,其特征在于,包括:从原始健康档案和电子病历中提取糖尿病随访记录大于预设时长阈值的样本用户对应的样本用户数据;利用所述样本用户数据创建血糖值时间序列的预测模型;将目标用户的历史用户数据输入到所述预测模型中,预测所述目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后两小时血糖值的第二预测序列,其中,所述历史用户数据对应的历史时长小于所述预设时长阈值,所述目标用户和所述样本用户均为糖尿病患者。

【技术特征摘要】
1.一种预测未来血糖值的方法,其特征在于,包括:从原始健康档案和电子病历中提取糖尿病随访记录大于预设时长阈值的样本用户对应的样本用户数据;利用所述样本用户数据创建血糖值时间序列的预测模型;将目标用户的历史用户数据输入到所述预测模型中,预测所述目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后两小时血糖值的第二预测序列,其中,所述历史用户数据对应的历史时长小于所述预设时长阈值,所述目标用户和所述样本用户均为糖尿病患者。2.根据权利要求1所述的方法,其特征在于,所述利用所述样本用户数据创建血糖值时间序列的预测模型,具体包括:对样本用户数据进行预处理;将预处理后的所述样本用户数据中空腹血糖值的时序数据作为标签信息Y1,将所述样本用户数据中除空腹血糖值和餐后两小时血糖值以外的目标特征数据作为特征信息X,创建第一模型训练集,其中,所述目标特征数据包括用药数据、症状数据、体征数据、生活方式数据;利用所述第一模型训练集并结合时间序列算法,训练得到第一识别模型,其中,所述时间序列算法由ARIMA和LSTM两种算法融合得到,所述第一识别模型的评估采用平均绝对百分比误差MAPE指标,当所述第一识别模型对应的MAPE指标值小于预置标准比较阈值时,确定所述第一识别模型符合评估标准,通过符合评估标准的所述第一识别模型可确定所述特征信息X和所述标签信息Y1之间的第一映射关系;将预处理后的所述样本用户数据中餐后两小时血糖值的时序数据作为标签信息Y2,并结合所述特征信息X,创建第二模型训练集;利用所述第二模型训练集并结合所述时间序列算法,训练得到第二识别模型,其中,所述第二识别模型的评估采用MAPE指标,当所述第二识别模型对应的MAPE指标值小于预定标准比较阈值时,确定所述第二识别模型符合评估标准,通过符合评估标准的所述第二识别模型可确定所述特征信息X和所述标签信息Y2之间的第二映射关系。3.根据权利要求2所述的方法,其特征在于,所述对样本用户数据进行预处理,具体包括:利用正则表达式从所述样本用户数据中提取空腹血糖值的时序数据和餐后两小时血糖值的时序数据;若所述空腹血糖值的时序数据或所述餐后两小时血糖的时序数据,在预设历史时间段的部分日期存在一天内具有多条血糖测量数据的情况,则使用所述多条血糖测量值中的众数作为该天对应的血糖测量值;及若所述空腹血糖值或所述餐后两小时血糖值在所述预设历史时间段内出现血糖测量数据空缺的日期,则使用内插法补充所述日期对应的空值,得到日颗粒度的血糖序列;对所述日颗粒度的血糖序列,进行差分化移动平滑处理,得到稳定序列;所述将预处理后的所述样本用户数据中空腹血糖值的时序数据作为标签信息Y1,具体包括:将预处理后的所述空腹血糖值的稳定序列作为标签信息Y1;所述将预处理后的所述样本用户数据中餐后两小时血糖值的时序数据作为标签信息Y2,具体包括:将预处理后的所述餐后两小时血糖值的稳定序列作为标签信息Y2。4.根据权利要求3所述的方法,其特征在于,所述将目标用户的历史用户数据输入到所述预测模型中,预测所述目标用户在预设未来时间段内空腹血糖值的第一预测序列,和餐后两小时血糖值的第二预测序列,具体包括:将所述目标用户的历史用户数据经过预处理,得到所述目标用户的历史空腹血糖值的稳定序列、历史餐后两小时血糖值的稳定序列、历史用药数据、历史症状数据、历史体征数据、历史生活方式数据;将所述历史用药数据、所述历史症状数据、所述历史体征数据、所述历史生活方式数据输入到所述第一识别模型中与所述特征信息X进行相似度匹配,并利用所述第一映射关系,确定与相似度大于预设阈值、且相似度最高的所述特征信息X对应的目标标签信息Y1;将所述目标标签信息Y1相应的第一目标时间序列与所述历史空腹血糖值的稳定序列进行近似匹配,判定所述历史空腹血糖值的稳定序列匹配到所述第一目标时间序列中的第一目标位置,以便利用所述第一目标时间序列中在所述第一目标位置后的空腹血糖值时间序列,确定所述目标用户在预设未来时间段内空腹血糖值的第一预测序列;将所述历史用药数据、所述历史症状数据、所述历史体征数据、所述历史生活方式数据输入到所述第二识别模型中与所述特征信息X进行相似度匹配,并利用所述第二映射关系,确定与相似度大于预设阈值、且相似度最高的所述特征信息X对应的目标标签信息Y2;将所述目标标签信息Y2相应的第二目标时间序列与所述历史餐后两小时血糖值的稳定序列进行近似匹配,判定所述餐后两小时血糖值的稳定序列匹配到所述第二目标时间序列中的第二目标位置,以便利用所述第二目标时间序列中在所述第二目标位置后的餐后两小时血糖值时间序列,确定所述目标用户在预设未来时间段内餐后两小时血糖值的第二预测序列。5.根据权利要求2所述的方法,其特征在于,所述利用所述第一模型训练集并结合时间序列算法,训练得到第一识别模型,具体包括:采用随机采样方式从所述第一模...

【专利技术属性】
技术研发人员:金晓辉阮晓雯徐亮
申请(专利权)人:平安科技深圳有限公司
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1