当前位置: 首页 > 专利查询>清华大学专利>正文

痛风发病风险预测系统及方法技术方案

技术编号:46043864 阅读:10 留言:0更新日期:2025-08-11 15:34
本申请涉及数据处理技术领域,特别涉及一种痛风发病风险预测系统及方法,系统包括:采集模块用于采集患者的随访数据,特征提取模块用于提取非结构化数据的文本特征,提取结构化数据的归一化数值特征,并提取时序特征;特征拼接模块用于对文本特征、归一化数值特征和时序特征进行拼接,得到综合特征向量;模型训练模块用于将综合特征向量输入至神经网络结构中进行训练,得到痛风风险预测模型;风险预测模块用于基于痛风风险预测模型对待预测的随访数据进行预测,得到痛风风险预测结果。由此,解决了背景技术中痛风风险预测模型缺乏高维度指标、难以整合结构化和非结构化数据、缺乏个性化预测以及对时序数据兼容性差的问题,提高了预测精度。

【技术实现步骤摘要】

本申请涉及数据处理,特别涉及一种痛风发病风险预测系统及方法


技术介绍

1、痛风是一种常见的且发病率呈上升态势的代谢性疾病,主要由体内尿酸水平急剧升高引起尿酸盐结晶沉积在皮下组织,从而引起局部肿胀,伴随难以忍受的剧烈疼痛。尽管控制类药物如非甾体类抗炎药、糖皮质激素和秋水仙碱等能舒缓急性痛风,然而长期服用药物会导致器官损伤,因此,通过痛风管理系统引导生活和饮食习惯调理尿酸水平的手段逐渐普及,而此类系统的核心在于通过分析血尿代谢物和个人社会学信息(如年龄、性别等)预测痛风发病风险。

2、相关技术中,目前现有的痛风风险预测模型大多基于传统的机器学习方法构建,如逻辑回归、支持向量机等,在处理高维、非线性数据时表现不佳,且难以有效整合结构化和非结构化数据。同时,现有模型通常需要大量人工特征工程,耗时耗力,且难以捕捉复杂的特征交互关系。此外,痛风是一种长期慢性疾病,具有很强的时空特性,现行的深度神经网络难以学习捕捉时序数据的时空信息,降低了模型的泛化能力,亟需解决。


技术实现思路

1、本申请提供一种痛风发病风本文档来自技高网...

【技术保护点】

1.一种痛风发病风险预测系统,其特征在于,包括:

2.根据权利要求1所述的系统,其特征在于,所述特征提取模块,包括:

3.根据权利要求1所述的系统,其特征在于,还包括:

4.根据权利要求3所述的系统,其特征在于,还包括:

5.根据权利要求1所述的系统,其特征在于,还包括:

6.根据权利要求1所述的系统,其特征在于,还包括:

7.一种痛风发病风险预测方法,其特征在于,采用如权利要求1-6中任一项所述的痛风发病风险预测系统,其中,所述方法包括以下步骤:

8.根据权利要求7所述的方法,其特征在于,在利用特征提取...

【技术特征摘要】

1.一种痛风发病风险预测系统,其特征在于,包括:

2.根据权利要求1所述的系统,其特征在于,所述特征提取模块,包括:

3.根据权利要求1所述的系统,其特征在于,还包括:

4.根据权利要求3所述的系统,其特征在于,还包括:

5.根据权利要求1所述的系统,其特征在于,还包括:

6.根据权利要求1所述的系统,其特征在于,还包括:

7.一种痛风发病风险预测方法,其特征在于,采用...

【专利技术属性】
技术研发人员:闾海荣李柏松张昕锁郑灵
申请(专利权)人:清华大学
类型:发明
国别省市:

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