【技術實現步驟摘要】
本專利技術提出了一種基于多參數的血糖風險預警方法及系統，屬于血糖風險預測。
技術介紹
1、隨著現代社會生活方式的改變，糖尿病等代謝性疾病的發病率逐年上升，血糖管理成為了公眾健康的重要議題。傳統的血糖監測方法主要依賴單一的血糖值來判斷患者的血糖狀況，然而，這種方法往往不能全面反映患者的真實血糖風險。為了更準確、更全面地評估患者的血糖風險，需要一種新型的血糖風險預警方法。
2、在現有的醫療技術中，雖然已經有了一些基于多參數的疾病風險評估方法，但這些方法往往沒有充分考慮到血糖相關的多種因素，或者只是簡單地將這些因素進行線性組合，無法深入挖掘各因素之間的內在聯系和相互影響。因此，現有的方法在提高血糖風險預警的準確性方面仍有待提升。
技術實現思路
1、本專利技術提供了一種基于多參數的血糖風險預警方法及系統，用以解決上述現有技術中的技術問題，所采取的技術方案如下：
2、一種基于多參數的血糖風險預警方法，所述基于多參數的血糖風險預警方法包括：
3、從醫療終端中調取患者的醫療數據信息，并從所述醫療數據信息中獲取第一血糖數據信息和第二血糖數據信息；
4、利用第一風險預測模型和第二風險預測模型分別對第一血糖數據信息和第二血糖數據信息進行數據分析，獲取第一血糖數據信息和第二血糖數據信息對應的第一風險預測值和第二風險預測值；
5、根據所述第一風險預測值對患者進行第一次血糖風險預測，判斷患者是否達到第一次血糖風險標準；
6、當所述患者未
7、進一步地，從所述醫療終端中調取患者的醫療數據信息，并從所述醫療數據信息中獲取第一血糖數據信息和第二血糖數據信息，包括：
8、從所述醫療終端中調取患者的醫療數據信息；
9、從所述醫療數據信息提取多參數血糖數據信息，其中，所述多參數血糖數據信息包括空腹血糖值、糖化血紅蛋白、糖化白蛋白、胰島素數值、血壓值和血脂數值，以及空腹血糖值、糖化血紅蛋白、糖化白蛋白、胰島素數值、血壓值和血脂數值對應的數據采集時序；
10、將所述多參數血糖數據信息中的空腹血糖值及其對應的數據采集時序劃分為第一血糖數據信息；
11、將所述多參數血糖數據信息中的糖化血紅蛋白、糖化白蛋白、胰島素數值、血壓值和血脂數值，以及，糖化血紅蛋白、糖化白蛋白、胰島素數值、血壓值和血脂數值對應的數據采集時序劃分為第二血糖數據信息。
12、進一步地，利用第一風險預測模型和第二風險預測模型分別對第一血糖數據信息和第二血糖數據信息進行數據分析，獲取第一血糖數據信息和第二血糖數據信息對應的第一風險預測值和第二風險預測值，包括：
13、將所述第一血糖數據信息輸入至第一風險預測模型中進行風險預測，獲得第一風險預測值；其中，所述第一風險預測模型采用卷積神經網絡模型，并且，所述第一風險預測模型的模型結構包括數據輸入端、tcn特征提取網絡、xgboost時序預測層和數據輸出端；
14、將所述第二血糖數據信息輸入至第二風險預測模型中進行風險預測，獲得第二風險預測值；所述第二風險預測模型采用二元?logistic?回歸模型。
15、進一步地，將所述第一血糖數據信息輸入至第一風險預測模型中進行風險預測，獲得第一風險預測值，包括：
16、將所述第一血糖數據信息輸入至第一風險預測模型；
17、通過所述第一風險預測模型獲取患者對應的未來天數的血糖曲線圖；其中，未來天數的取值范圍為15-30天；
18、根據所述患者對應的未來天數的血糖曲線圖結合血糖標準范圍數值獲取第一風險預測值；其中，所述第一風險預測值通過如下公式獲取：
19、
20、其中，r表示第一風險預測值；xi表示第i個第一風險預測模型對應的輸出的預測空腹血糖數值；n表示tcn特征提取網絡對應的輸入特征變量的個數；xup和xdown分別表示空腹血糖數值健康標準范圍的上限值和下限值。
21、進一步地，將所述第二血糖數據信息輸入至第二風險預測模型中進行風險預測，獲得第二風險預測值，包括：
22、調取二元?logistic?回歸模型和糖化血紅蛋白、糖化白蛋白、胰島素數值、血壓值和血脂數值對應的多因素?logistic?回歸分析表格；
23、從所述多因素?logistic?回歸分析表格中提取糖化血紅蛋白、糖化白蛋白、胰島素數值、血壓值和血脂數值對應的回歸系數；
24、利用所述二元?logistic?回歸模型結合糖化血紅蛋白、糖化白蛋白、胰島素數值、血壓值和血脂數值對應的回歸系數，獲取第二風險預測值，其中，所述第二風險預測值通過如下公式獲取：
25、
26、其中，pc表示第二風險預測值；β0表示截距項；m表示第二血糖數據信息的個數；βj表示第j個第二血糖數據信息的回歸系數；yj表示第j個第二血糖數據信息的數據值；
27、進一步地，根據所述第一風險預測值對患者進行第一次血糖風險預測，判斷患者是否達到第一次血糖風險標準，包括：
28、將所述第一風險預測值與預設的第一風險閾值進行比較；
29、當所述第一風險預測值超過預設的第一風險閾值時，則判定患者達到第一次血糖風險標準，并進行血糖風險預警；
30、當所述第一風險預測值未超過預設的第一風險閾值時，則判定患者未達到第一次血糖風險標準。
31、進一步地，當所述患者未達到第一次血糖風險標準時，則利用第一風險預測值和第二風險預測值對患者進行第二次血糖風險預測，判斷患者是否達到第二次血糖風險標準，包括：
32、當所述患者未達到第一次血糖風險標準時，則調取第二風險預測值；
33、將所述第二風險預測值與預設的第二風險閾值進行比較；
34、當所述第二風險預測值超過預設的第二風險閾值時，則利用第一綜合風險模型結合第一風險預測值和第二風險預測值判斷患者是否達到第二次血糖風險標準；
35、當所述第二風險預測值未超過預設的第二風險閾值時，則利用第二綜合風險模型結合第一風險預測值和第二風險預測值判斷患者是否達到第二次血糖風險標準。
36、進一步地，當所述第二風險預測值超過預設的第二風險閾值時，則利用第一綜合風險模型結合第一風險預測值和第二風險預測值判斷患者是否達到第二次血糖風險標準，包括：
37、當所述第二風險預測值超過預設的第二風險閾值時，利用第二風險預測值和第二風險閾值獲取權重數值，其中，所述權重數值通過如下公式獲取：
38、
39、其中，w（r）表示權重數值；r表示第一風險預測值；ry表示第一風險閾值；p表示第二風險預測值；py表示第二風險閾值；
40、利用所述權重數值獲取第一綜合風險模型；其中，所述第一綜合風險模型結構本文檔來自技高網...
【技術保護點】
1.一種基于多參數的血糖風險預警方法，其特征在于，所述基于多參數的血糖風險預警方法包括：
2.根據權利要求1所述基于多參數的血糖風險預警方法，其特征在于，從所述醫療終端中調取患者的醫療數據信息，并從所述醫療數據信息中獲取第一血糖數據信息和第二血糖數據信息，包括：
3.根據權利要求1所述基于多參數的血糖風險預警方法，其特征在于，利用第一風險預測模型和第二風險預測模型分別對第一血糖數據信息和第二血糖數據信息進行數據分析，獲取第一血糖數據信息和第二血糖數據信息對應的第一風險預測值和第二風險預測值，包括：
4.根據權利要求3所述基于多參數的血糖風險預警方法，其特征在于，將所述第一血糖數據信息輸入至第一風險預測模型中進行風險預測，獲得第一風險預測值，包括：
5.根據權利要求3所述基于多參數的血糖風險預警方法，其特征在于，將所述第二血糖數據信息輸入至第二風險預測模型中進行風險預測，獲得第二風險預測值，包括：
6.根據權利要求1所述基于多參數的血糖風險預警方法，其特征在于，根據所述第一風險預測值對患者進行第一次血糖風險預測，判斷患者是
7.根據權利要求1所述基于多參數的血糖風險預警方法，其特征在于，當所述患者未達到第一次血糖風險標準時，則利用第一風險預測值和第二風險預測值對患者進行第二次血糖風險預測，判斷患者是否達到第二次血糖風險標準，包括：
8.根據權利要求7所述基于多參數的血糖風險預警方法，其特征在于，當所述第二風險預測值超過預設的第二風險閾值時，則利用第一綜合風險模型結合第一風險預測值和第二風險預測值判斷患者是否達到第二次血糖風險標準，包括：
9.根據權利要求7所述基于多參數的血糖風險預警方法，其特征在于，當所述第二風險預測值未超過預設的第二風險閾值時，則利用第二綜合風險模型結合第一風險預測值和第二風險預測值判斷患者是否達到第二次血糖風險標準，包括：
10.一種基于多參數的血糖風險預警系統，其特征在于，所述基于多參數的血糖風險預警系統包括：
...【技術特征摘要】
1.一種基于多參數的血糖風險預警方法，其特征在于，所述基于多參數的血糖風險預警方法包括：
2.根據權利要求1所述基于多參數的血糖風險預警方法，其特征在于，從所述醫療終端中調取患者的醫療數據信息，并從所述醫療數據信息中獲取第一血糖數據信息和第二血糖數據信息，包括：
3.根據權利要求1所述基于多參數的血糖風險預警方法，其特征在于，利用第一風險預測模型和第二風險預測模型分別對第一血糖數據信息和第二血糖數據信息進行數據分析，獲取第一血糖數據信息和第二血糖數據信息對應的第一風險預測值和第二風險預測值，包括：
4.根據權利要求3所述基于多參數的血糖風險預警方法，其特征在于，將所述第一血糖數據信息輸入至第一風險預測模型中進行風險預測，獲得第一風險預測值，包括：
5.根據權利要求3所述基于多參數的血糖風險預警方法，其特征在于，將所述第二血糖數據信息輸入至第二風險預測模型中進行風險預測，獲得第二風險預測值，包括：
6.根據權利要求1所述基于多參數...
【專利技術屬性】
技術研發人員：李宇欣，李振，毛爽，李斯琦，李景景，
申請(專利權)人：北京健康有益科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。