一种阿尔茨海默病智能早筛模型及其构建方法技术

本发明专利技术请求保护一种阿尔茨海默病智能早筛模型及其构建方法，其包括以下过程：通过数据库对关键词进行检索，从而得到阿尔兹海默病的影响因素；从样本地区健康大数据中提取阿尔兹海默病患者的共同特征数据；将阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据结合，并放入机器学习模型中进行学习；验证和评估机器学习模型的性能。另一方面，提供一种阿尔茨海默病智能早筛模型，通过阿尔茨海默病智能早筛模型构建方法构建获得。综上所述，上述技术方案具有以下有益效果：通过本发明专利技术得到的阿尔茨海默病智能早筛模型可以在普通老年人群中提前锁定阿尔茨海默病高危老年人群，实现预防关口前移，做到“消未起之患，治未病之疾”。。。

【技术实现步骤摘要】
一种阿尔茨海默病智能早筛模型及其构建方法


[0001]本专利技术涉及生命医学与健康领域，更具体地说，它涉及一种阿尔茨海默病智能早筛模型及其构建方法。

技术介绍

[0002]阿尔茨海默病是一种起病隐匿的进行性发展的神经系统退行性疾病。目前普遍的筛查阿尔茨海默病方法：首先进行定期检查，建议到了60岁或者是65岁以上，每年做一次体检，检测记忆力和智力，这是非常重要的，可以每年了解患者的记忆力下降程度，可以起到早发现，早诊断，早治疗的作用。另外，就是使用现代科技技术，如脑脊液检查进行确诊是否有阿尔茨海默病，做到早发现，早治疗。
[0003]又如公告号为CN113744872A的专利公开了一种智能交互的阿尔兹海默症辅助筛查系统，其包括基于语音识别的可交互单元测试模块和基于事实的智能分析模块，其集成了MoCA测试项目，简化了测试流程。
[0004]然而以上提出的多种诊断方法只适用于对已发病老人的诊断，不能及时发现病情，无法进行疾病全周期追踪，不适用于临床前期高危老人的筛查以及阿尔茨海默病确诊老年人疾病发展过程中的治疗。如何及早发现阿尔茨海默病高危老人并对其进行有效干预是现有研究的关键性问题。
[0005]因此，如何尽早筛查阿尔茨海默病正是本申请所要解决的技术问题。

技术实现思路

[0006]针对现有技术存在的不足，提供一种阿尔茨海默病智能早筛模型及其构建方法，通过分析探索效果最佳的阿尔兹海默病高危筛查模型，对阿尔兹海默病高危人群的尽早发现和实施有效干预措施提供帮助，为提升人们的健康水平和生活质量做出努力。
[0007]为实现上述目的，提供了如下技术方案：
[0008]一种阿尔茨海默病智能早筛模型构建方法，其包括以下过程：
[0009]St10、通过数据库对关键词进行检索，从而得到阿尔兹海默病的影响因素。
[0010]St20、从样本地区健康大数据中提取阿尔兹海默病患者的共同特征数据。
[0011]St30、将阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据结合，并放入机器学习模型中进行学习。
[0012]St40、验证和评估机器学习模型的性能。
[0013]另一方面，提供一种阿尔茨海默病智能早筛模型，通过阿尔茨海默病智能早筛模型构建方法构建获得。
[0014]综上所述，上述技术方案具有以下有益效果：本专利技术通过机器学习模型自动学习阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据，从而让机器学习模型具备筛查阿尔兹海默病高危人群的能力，通过验证和评估的步骤可以筛选出最优的模型，让构建的机器学习模型具有较为准确的筛查准确率，通过本专利技术得到的阿尔茨海默病智能早筛
模型可以在普通老年人群中提前锁定阿尔茨海默病高危老年人群，实现预防关口前移，做到“消未起之患，治未病之疾”。
附图说明
[0015]图1为一种阿尔茨海默病智能早筛模型构建方法的流程图示意图；
[0016]图2为阿尔茨海默病分期确定步骤流程图。
具体实施方式
[0017]下面结合附图和实施例，对本专利技术进一步详细说明。
[0018]如图1所示，一种阿尔茨海默病智能早筛模型构建方法，其包括以下过程：
[0019]St10、通过数据库对关键词进行检索，从而得到阿尔兹海默病的影响因素。
[0020]其中，关键词包括轻度认知障碍、轻度认知损害、MCI、mild cognitive impairment、cognitive dysfunction、senile dementia、影响因素和risk factors。本专利技术以“轻度认知障碍”、“轻度认知损害”、“MCI”、“mild cognitive impairment”、“cognitive dysfunction”、“senile dementia”和“影响因素”、“risk factors”，通过自由组合的方式在中国知网、万方、PubMed、Web of Science、Embase、Cochrane等中英文数据库中检索相关文献，通过文献综述，确定老年人轻度认知障碍患病的高危影响因素，然后，将影响老年人轻度认知障碍患病的高危因素归类为人口因素、社会因素、行为因素、疾病/身体异常因素和特定生物标记物因素。
[0021]阿尔兹海默病的影响因素包括人口因素、社会因素、行为因素、疾病/身体异常因素、特定生物标记物因素。将检索的结果归类为上述几种结果，具体的阿尔兹海默病的影响因素如下表1所示。
[0022]表1轻度认知障碍高危影响因素
[0023][0024][0025]St20、从样本地区健康大数据中提取阿尔兹海默病患者的共同特征数据。样本地
区健康大数据依托脱敏后的全民健康信息数据平台获得。
[0026]St21、控制样本地区健康大数据生成虚拟复制集，从样本地区健康大数据和虚拟复制集中提取阿尔兹海默病患者的共同特征数据。采用软件SPSS 26.0和R3.6.1开展统计分析，缺失指标使用missForest算法填补。由于样本地区健康大数据中阿尔茨海默病患病人数与未患病人数分布失衡，导致后续统计分析结果性能欠佳。为克服这一问题，本专利技术应用过采样技术，通过从现有少数类人群中生成虚拟复制集，以增加样本地区健康大数据中的阿尔兹海默病患者数量。继而，将样本地区健康大数据和虚拟复制集作为计量资料，采用KS方法检验计量资料的正态性，计量资料以Mean
±
SD或M(P
25
,P
75
)表示，组间比较采用t检验或秩和检验；计数资料以例(％)表示，组间比较采用x2检验。将两组间有差异的指标纳入lasso回归模型分析阿尔兹海默病的危险因素，并将筛选出的危险因素放入机器学习模型中做进一步分析。
[0027]St30、将阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据结合，并放入机器学习模型中进行学习。
[0028]机器学习模型基于联邦学习框架。由于阿尔茨海默病的患病因素众多，且有一定的地区与人群差异性。因此，本专利技术选择基于联邦学习框架下的机器学习，从样本地区健康大数据中提取阿尔茨海默病患者的共同特征数据，并将其与文献中已经确认的轻度认知障碍高危影响因素结合，用以确定阿尔茨海默病高危人群。
[0029]St31、将共同特征数据按比例分为训练集和测试集，训练集用于构建不同的机器学习模型。
[0030]St32、采用贝叶斯优化对各个机器学习模型进行优化。
[0031]机器学习模型构建分类模型构建采用python 3.8.5、anaconda3集成开发环境。本专利技术根据机器学习模型的需要，将数据按7:3分为训练集和测试集，训练集用于机器学习模型的构建，测试集用于机器学习模型的的测试。采用Scikit
‑
learn包分别构建Logistic回归、Lasso回归、决策树(Decision Tree,DT)、随机森林(Random Forest,RF)、支持向量(Support 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种阿尔茨海默病智能早筛模型构建方法，其特征在于，包括以下过程：通过数据库对关键词进行检索，从而得到阿尔兹海默病的影响因素；从样本地区健康大数据中提取阿尔兹海默病患者的共同特征数据；将阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据结合，并放入机器学习模型中进行学习；验证和评估机器学习模型的性能。2.如权利要求1所述的阿尔茨海默病智能早筛模型构建方法，其特征在于，所述关键词包括轻度认知障碍、轻度认知损害、MCI、mild cognitive impairment、cognitive dysfunction、senile dementia、影响因素和risk factors。3.如权利要求1所述的阿尔茨海默病智能早筛模型构建方法，其特征在于，阿尔兹海默病的影响因素包括人口因素、社会因素、行为因素、疾病/身体异常因素、特定生物标记物因素。4.如权利要求1所述的阿尔茨海默病智能早筛模型构建方法，其特征在于，包括以下过程：控制样本地区健康大数据生成虚拟复制集，从样本地区...

【专利技术属性】
技术研发人员：陈春，杨清仁，
申请(专利权)人：温州医科大学，
类型：发明
国别省市：