一种糖化血红蛋白值的预测方法技术

本发明专利技术公开了一种糖化血红蛋白值的预测方法

【技术实现步骤摘要】
一种糖化血红蛋白值的预测方法、系统及装置


[0001]本专利技术涉及慢病管理
，尤其涉及一种糖化血红蛋白值的预测方法
、
系统及装置
。

技术介绍

[0002]糖尿病是慢病的一种，具有长期高血糖的特点，且病程长，会引起眼
、
肾
、
心脏
、
血管以及神经慢性损害，导致功能障碍，出现糖尿病并发症
。
患者在进行治疗糖尿病的过程中，院外的疗养往往占据着举足轻重的地位，患者需要时刻关注自己当前或未来的血糖状态，及时调整干预疗养，才能起到积极的治疗效果
。
[0003]通过检测血糖来判断和预测糖尿病患者的身体状况是最常见的方法，通过预测糖尿病患者的血糖升高或者降低，来调整用药或诊疗策略，但在测血糖时往往会出现在不同时间点测得的值相差较大导致诊断及预测结果不准确，尤其是对于Ⅱ型糖尿病患者来说，易出现空腹测血糖不高，餐后血糖升高的情况，也就是常说的“糖耐量减低”。
此外，每个人在测血糖时的状态都不一样，进食
、
运动
、
药物等因素都会对血糖水平产生影响，所以偶测血糖的数值很难完全代表患者平时的血糖水平，这时候就需要一个长期稳定的指标来反应患者的真实血糖情况
。
[0004]这个指标就是糖化血红蛋白，糖化血红蛋白是红细胞里的血红蛋白与血糖结合产生的产物，血糖和血红蛋白结合的过程是不可逆的，而红细胞的寿命有
120
天左右，在这个期间内，糖化血红蛋白都能保持相对稳定
。
同时，糖化血红蛋白的形成取决于血糖浓度和作用时间，生成量与血中葡萄糖浓度成正比
。
也就是说，患者的血糖越高
、
持续时间越长，糖化血红蛋白就越多，所以糖化血红蛋白可以用来反应患者近期的血糖水平
。
此外，中华医学会糖尿病学分会正式将糖化血红蛋白值是否低于
6.5
％纳入糖尿病辅助诊断标准，若低于
6.5
％，则判定该糖尿病患者血糖达标，若高于或等于
6.5
％，则判定该糖尿病患者血糖偏高
。
因此，如何建立准确
、
有效
、
可靠的糖化预测模型是实现糖化血红蛋白精准预测的关键
。
[0005]基于此，亟需一种糖化血红蛋白值的预测方法
、
系统及装置，用以解决如上提到的问题
。

技术实现思路

[0006]本专利技术的目的在于提供一种糖化血红蛋白值的预测方法
、
系统及装置，能够对糖尿病患者的健康达标情况进行详细判断，帮助预测糖尿病患者的患病程度，以便于采取不同的治疗手段，提升疗效，通过三个模型的协同判定提高了糖化血红蛋白值预测的准确性及可靠性
。
[0007]为达此目的，本专利技术采用以下技术方案：
[0008]本专利技术提供了一种糖化血红蛋白值的预测方法，其包括如下步骤：
[0009]S1、
样本数据采集，获取不同糖尿病患者的体征数据和临床诊疗数据；
[0010]S2、
数据处理，对
S1
采集的数据进行预处理，构建有效样本集；
[0011]S3、
特征构建，将
S2
得到的数据，以临床体检时间为节点成组统计，得到多组特征向量；
[0012]标签集构建，构建多组标签集，设定预设值，临床诊疗数据中取得的糖化血红蛋白数据单独划入一组标签集，糖化血红蛋白与预设值进行比较，将比较后的数据按照数据间的共性划分到其余标签集；
[0013]S4、
模型训练，建立模型，将
S3
构建的特征向量和标签集作为训练样本进行模型训练；
[0014]S5、
血糖预测，将目标患者的数据输入
S4
建立的模型，得到血糖预测结果，并得出病症判断结果
。
[0015]作为一种糖化血红蛋白值的预测方法的优选的技术方案，所述步骤
S2
包括：
[0016]S20、
以临床体检时间为节点将体征数据和临床诊疗数据分为多个样本；
[0017]S21、
清洗掉体征数据内取得的血糖缺失的样本；
[0018]S22、
清洗掉体征数据和临床诊疗数据内缺失一个以上数据特征的样本；
[0019]S23、
分别计算出每个临床体检时间点前预设时间段内的早餐前血糖值
、
早餐后血糖值
、
午餐前血糖值
、
午餐后血糖值
、
晚餐前血糖值
、
晚餐后血糖值以及睡前血糖值的均值
、
中位数
、
上四分位数和下四分位数中的至少一个值，记为第一组血糖数据；再分别计算出每个临床体检时间点前预设时间段内的餐前血糖值和餐后血糖值的均值
、
中位数
、
上四分位数和下四分位数中的至少一个值，记为第二组血糖数据
。
[0020]作为一种糖化血红蛋白值的预测方法的优选的技术方案，所述步骤
S3
包括：
[0021]特征构建，将
S2
处理后的体征与临床诊疗数据分为离散特征和连续特征，将离散特征转变为0‑1的特征向量，并与归一化处理后的连续特征拼接成一个特征向量，以临床体检时间为节点成组统计，得到多组特征向量；
[0022]标签集构建，构建标签集一
、
标签集二和标签集三，设定第一预设值和第二预设值两个参数，且第二预设值大于第一预设值；将临床诊疗数据中的糖化血红蛋白数据划分为标签集一；将糖化血红蛋白数据中小于等于第一预设值的样本标记为0类，大于第一预设值的样本标记为1类，划分到标签集二；将糖化血红蛋白数据中小于第二预设值的样本标记为0类，大于等于第二预设值的样本标记为1类，划分到标签集三
。
[0023]作为一种糖化血红蛋白值的预测方法的优选的技术方案，所述模型包括糖化预测模型
、
第一糖化判别模型和第二糖化判别模型
。
[0024]作为一种糖化血红蛋白值的预测方法的优选的技术方案，糖化预测模型包括糖化预测主模型和糖化预测辅助模型，糖化预测主模型采用第一组血糖数据
、
多组特征向量和标签集一进行训练，糖化预测辅助模型采用第二组血糖数据
、
多组特征向量和标签集一进行训练，糖化预测辅助模型在糖化预测主模型失效时启动；
[0025]第一糖化判别模型包括第一糖化判别主模型和第一糖化判别辅助模型，第一糖化判别主模型采用第一组血糖数据
、
多组特征向量和标签集二进行训练，第一糖化判别辅助模型采用第二组血糖数据
、
多组特征向量和标签集二进行训练，第一糖化判别辅助模型在第一糖化判别主模型失效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种糖化血红蛋白值的预测方法，其特征在于，包括如下步骤：
S1、
样本数据采集，获取不同糖尿病患者的体征数据和临床诊疗数据；
S2、
数据处理，对
S1
采集的数据进行预处理，构建有效样本集；
S3、
特征构建，将
S2
得到的数据，以临床体检时间为节点成组统计，得到多组特征向量；标签集构建，构建多组标签集，设定预设值，临床诊疗数据中取得的糖化血红蛋白数据单独划入一组标签集，糖化血红蛋白与预设值进行比较，将比较后的数据按照数据间的共性划分到其余标签集；
S4、
模型训练，建立模型，将
S3
构建的特征向量和标签集作为训练样本进行模型训练；
S5、
血糖预测，将目标患者的数据输入
S4
建立的模型内，得到血糖预测结果，并得出病症判断结果
。2.
根据权利要求1所述的糖化血红蛋白值的预测方法，其特征在于，所述步骤
S2
包括：
S20、
以临床体检时间为节点将体征数据和临床诊疗数据分为多个样本；
S21、
清洗掉体征数据内取得的血糖缺失的样本；
S22、
清洗掉体征数据和临床诊疗数据内缺失一个以上数据特征的样本；
S23、
分别计算出每个临床体检时间点前预设时间段内的早餐前血糖值
、
早餐后血糖值
、
午餐前血糖值
、
午餐后血糖值
、
晚餐前血糖值
、
晚餐后血糖值以及睡前血糖值的均值
、
中位数
、
上四分位数和下四分位数中的至少一个值，记为第一组血糖数据；再分别计算出每个临床体检时间点前预设时间段内的餐前血糖值和餐后血糖值的均值
、
中位数
、
上四分位数和下四分位数中的至少一个值，记为第二组血糖数据
。3.
根据权利要求1或2所述的糖化血红蛋白值的预测方法，其特征在于，所述步骤
S3
包括：特征构建，将
S2
处理后的体征数据和临床诊疗数据分为离散特征和连续特征，将离散特征转变为0‑1的特征向量，并与归一化处理后的连续特征拼接成一个特征向量，以临床体检时间为节点成组统计，得到多组特征向量；标签集构建，构建标签集一
、
标签集二和标签集三，设定第一预设值和第二预设值两个参数，且第二预设值大于第一预设值；将临床诊疗数据中的糖化血红蛋白数据划分为标签集一；将糖化血红蛋白数据中小于等于第一预设值的样本标记为0类，大于第一预设值的样本标记为1类，划分到标签集二；将糖化血红蛋白数据中小于第二预设值的样本标记为0类，大于等于第二预设值的样本标记为1类，划分到标签集三
。4.
根据权利要求3所述的糖化血红蛋白值的预测方法，其特征在于，所述模型包括糖化预测模型
、
第一糖化判别模型和第二糖化判别模型
。5.
根据权利要求4所述的糖化血红蛋白值的预测方法，其特征在于，糖化预测模型包括糖化预测主模型和糖化预测辅助模型，糖化预测主模型采用第一组血糖数据
、
多组特征向量和标签集一进行训练，糖化预测辅助模型采用第二组血糖数据
、
多组特征向量和标签集一进行训练，糖化预测辅助模型在糖化预测主模型失效时启动；第一糖化判别模型包括第一糖化判别主模型和第一糖化判别辅助模型，第一糖化判别主模型采用第一组血糖数据
、
多组特征向量和标签集二进行训练，第一糖化判别辅助模型采用第二组血糖数据
、
多组特征向量和标签集二进行训练，第一糖化判别辅助模型在第一糖化判别主模型失效时启动；
第二糖化判别模型包括第二糖化判别主模型和第二糖化判别辅助模型，第二糖化判别主模型采用第一组血糖数据
、
多组特征向量和标签集三进行训练，第二糖化判别辅助模型采用第二组血糖数据
、
多组特征向量和标签集三进行训练，第二糖化判别辅助模型在第二糖化判别主模型失效时启动
。6.
根据权利要求5所述的糖化血红蛋白值的预测方法，其特征在于，糖化预测主模型和糖化预测辅助模型均运用如下函数进行训练：其中，
hba1c
(i)
为第
i
号样本的糖化血红蛋白值，为第
i
号样本的第
j
个特征向量，
W1
和
b1
为待优化参数，
|features|
为数据特征总数，<...

【专利技术属性】
技术研发人员：赵芃，
申请(专利权)人：天津九安医疗电子股份有限公司，
类型：发明
国别省市：