本發(fā)明涉及糖尿病治療技術(shù)領(lǐng)域，尤其涉及一種智能糖尿病評估預(yù)測系統(tǒng)與算法。

背景技術(shù)：

糖尿病的高血糖是起因于胰島功能下降或胰島素抵抗。糖尿病困擾著世界上數(shù)億的病患，目前不管是醫(yī)生研究、診斷病患的病情或一般民眾要了解自己的狀況，大部分都只有單純的血糖指數(shù)來做判斷，進(jìn)一步的胰島素指數(shù)的量測與C-肽指數(shù)量測等也無法清楚了解、評估真實(shí)糖尿病的狀態(tài)，而有個比較精準(zhǔn)的定位。對于糖尿病目前缺乏足夠量化有效的評估未來趨勢的方法，對于不同的診療干預(yù)手段也大部分用經(jīng)驗(yàn)評估而對醫(yī)患采取白鼠似的實(shí)驗(yàn)，無法從根本上著實(shí)的判斷和診療病情。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的一種智能糖尿病評估預(yù)測系統(tǒng)與算法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

一種智能糖尿病評估預(yù)測系統(tǒng)，包括醫(yī)患資料輸入模塊、數(shù)據(jù)來源分類模塊、定位數(shù)據(jù)分析模塊、趨勢預(yù)估模塊和預(yù)測圖表模塊，所述醫(yī)患資料輸入模塊的輸出端與數(shù)據(jù)來源分類模塊的輸入端連接，所述數(shù)據(jù)來源分類模塊包括醫(yī)患資料存儲單元和病患取樣截取單元，其中醫(yī)患資料存儲單元與病患取樣截取單元的輸出端連接，所述數(shù)據(jù)來源分類模塊的輸出端與定位數(shù)據(jù)分析模塊的輸入端連接，所述定位數(shù)據(jù)分析模塊包括計算參數(shù)采集單元、過濾算法協(xié)調(diào)單元、最近干預(yù)點(diǎn)病患選擇單元和最高相似度病患選擇單元，其中計算參數(shù)采集單元的輸出端與過濾算法協(xié)調(diào)單元的輸入端連接，過濾算法協(xié)調(diào)單元的輸出端分別與最近干預(yù)點(diǎn)病患選擇單元和最高相似度病患選擇單元連接，最近干預(yù)點(diǎn)病患選擇單元的輸出端與最高相似度病患選擇單元的輸入端連接，所述定位數(shù)據(jù)分析模塊的輸出端與趨勢預(yù)估模塊的輸入端連接，所述趨勢預(yù)估模塊的輸出端與預(yù)測圖表模塊的輸入端連接。

優(yōu)選的，所述定位數(shù)據(jù)分析模塊還包括歐幾里得距離算法和分離式自動交互邏輯算法，其中歐幾里得距離算法與最近干預(yù)點(diǎn)病患選擇單元連接，分離式自動交互邏輯算法與最高相似度病患選擇單元連接。

優(yōu)選的，所述趨勢預(yù)估模塊的輸入端還連接有待評估變數(shù)模塊的輸出端。

優(yōu)選的，所述趨勢預(yù)估模塊包括神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)單元和變數(shù)整理單元。

一種智能糖尿病評估預(yù)測算法，包括以下步驟：

S1：先收集醫(yī)患資料，從醫(yī)患資料存儲單元的S個醫(yī)患病例里根據(jù)不同區(qū)域、人種、性別、文化程度、職位差異、工作種類影響糖尿病的容易分類、有意義的參考因素，搜索、分類、讀取糖尿病患的資料，輸出與需要預(yù)估醫(yī)患相似或相同的歸類群體M個病例；

S2：利用葡萄糖處置能力/胰島素處置指數(shù)DI、胰島素釋放指數(shù)INSR、與C-肽曲線下面積Sc的胰島功能評估相關(guān)參數(shù)用歐幾里得距離算法選擇在干預(yù)點(diǎn)距離最近或在某個誤差范圍內(nèi)的Np個病患，其中胰島功能評估相關(guān)參數(shù)與計算法表示為：，DI = INSR× \* MERGEFORMAT ，，歐幾里得距離算法的公式表示為：；

S3：選取在某特定時間T內(nèi)以分離式自動交互邏輯算法計算出在Np個病患中相似度最高的N個病患，其中分離式自動交互邏輯算法的公式表示為：；

S4：在獲得N個相似病患的病例資料后訓(xùn)練人工智能神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，整理出不同的變數(shù)、未來葡萄糖處置能力或胰島素釋放指數(shù)的走勢，模型如下：、。

優(yōu)選的，所述S2中，At為餐后時間t×10分鐘的血糖值，Bt為餐后時間t×10分鐘的胰島素值，AO為空腹時的血糖值，BO為空腹時的胰島素值，At(j)為第j次取樣在t時間點(diǎn)的血糖值；Bt(j)為第j次取樣在t時間點(diǎn)的胰島素值； \* MERGEFORMAT 表示At(j)，j=0...n-1的平均值； \* MERGEFORMAT 表示Bt(j) ，j=0...n-1的平均值；Ct為餐后t x10分鐘的血糖值；C0為空腹時的血糖值；Ct(j)為第j次取樣在t時間點(diǎn)的血糖值；n為采血量測次數(shù)。

優(yōu)選的，所述S4中，K為激活函，W為加權(quán)系數(shù)，其中激活函數(shù)還可以表示為雙曲正切函數(shù)或S型函數(shù)，雙曲正切函數(shù)的公式表示為，S型函數(shù)的公式表示為。

本發(fā)明的有益效果是：根據(jù)醫(yī)院糖尿病往期案例結(jié)合不同病患與不同病患的不同背景和條件，通過糖尿病患經(jīng)由專業(yè)醫(yī)生干預(yù)診療后給予不同的治療方案，實(shí)現(xiàn)不同的治療方案經(jīng)由本發(fā)明的系統(tǒng)與算法將可以預(yù)估不同的病程走向，以便醫(yī)生針對不同的病患提供個性化的診療，有利于病患的病情發(fā)展和后期恢復(fù)，同時該系統(tǒng)除了在臨床上可以幫助醫(yī)生有個清晰可視化的病患病程針對不同治療方案的可能趨勢，也方便幫助醫(yī)生、藥業(yè)、研究機(jī)構(gòu)針對不同新藥物或新的治療方案的評估與判斷。本發(fā)明設(shè)計合理，方便醫(yī)生針對不同的病患提供個性化的診療，有利于病患的病情發(fā)展和后期恢復(fù)。

附圖說明

圖1為本發(fā)明提出的一種智能糖尿病評估預(yù)測系統(tǒng)與算法的原理框圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。

實(shí)施例

參照圖1，一種智能糖尿病評估預(yù)測系統(tǒng)，包括醫(yī)患資料輸入模塊、數(shù)據(jù)來源分類模塊、定位數(shù)據(jù)分析模塊、趨勢預(yù)估模塊和預(yù)測圖表模塊，醫(yī)患資料輸入模塊的輸出端與數(shù)據(jù)來源分類模塊的輸入端連接，數(shù)據(jù)來源分類模塊包括醫(yī)患資料存儲單元和病患取樣截取單元，其中醫(yī)患資料存儲單元與病患取樣截取單元的輸出端連接，數(shù)據(jù)來源分類模塊的輸出端與定位數(shù)據(jù)分析模塊的輸入端連接，定位數(shù)據(jù)分析模塊包括計算參數(shù)采集單元、過濾算法協(xié)調(diào)單元、最近干預(yù)點(diǎn)病患選擇單元和最高相似度病患選擇單元，其中計算參數(shù)采集單元的輸出端與過濾算法協(xié)調(diào)單元的輸入端連接，過濾算法協(xié)調(diào)單元的輸出端分別與最近干預(yù)點(diǎn)病患選擇單元和最高相似度病患選擇單元連接，最近干預(yù)點(diǎn)病患選擇單元的輸出端與最高相似度病患選擇單元的輸入端連接，定位數(shù)據(jù)分析模塊的輸出端與趨勢預(yù)估模塊的輸入端連接，趨勢預(yù)估模塊的輸出端與預(yù)測圖表模塊的輸入端連接。

定位數(shù)據(jù)分析模塊還包括歐幾里得距離算法和分離式自動交互邏輯算法，其中歐幾里得距離算法與最近干預(yù)點(diǎn)病患選擇單元連接，分離式自動交互邏輯算法與最高相似度病患選擇單元連接，趨勢預(yù)估模塊的輸入端還連接有待評估變數(shù)模塊的輸出端，趨勢預(yù)估模塊包括神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)單元和變數(shù)整理單元。

一種智能糖尿病評估預(yù)測算法，包括以下步驟：

S1：先收集醫(yī)患資料，從醫(yī)患資料存儲單元的S個醫(yī)患病例里根據(jù)不同區(qū)域、人種、性別、文化程度、職位差異、工作種類影響糖尿病的容易分類、有意義的參考因素，搜索、分類、讀取糖尿病患的資料，輸出與需要預(yù)估醫(yī)患相似或相同的歸類群體M個病例；

S2：利用葡萄糖處置能力/胰島素處置指數(shù)DI、胰島素釋放指數(shù)INSR、與C-肽曲線下面積Sc的胰島功能評估相關(guān)參數(shù)用歐幾里得距離算法選擇在干預(yù)點(diǎn)距離最近或在某個誤差范圍內(nèi)的Np個病患，其中胰島功能評估相關(guān)參數(shù)與計算法表示為：，DI = INSR× \* MERGEFORMAT ，，歐幾里得距離算法的公式表示為：；

S3：選取在某特定時間T內(nèi)以分離式自動交互邏輯算法計算出在Np個病患中相似度最高的N個病患，其中分離式自動交互邏輯算法的公式表示為：；

S4：在獲得N個相似病患的病例資料后訓(xùn)練人工智能神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，整理出不同的變數(shù)、未來葡萄糖處置能力或胰島素釋放指數(shù)的走勢，模型如下：、。

S2中，At為餐后時間t×10分鐘的血糖值，Bt為餐后時間t×10分鐘的胰島素值，AO為空腹時的血糖值，BO為空腹時的胰島素值，At(j)為第j次取樣在t時間點(diǎn)的血糖值；Bt(j)為第j次取樣在t時間點(diǎn)的胰島素值； \* MERGEFORMAT 表示At(j)，j=0...n-1的平均值； \* MERGEFORMAT 表示Bt(j) ，j=0...n-1的平均值；Ct為餐后t x10分鐘的血糖值；C0為空腹時的血糖值；Ct(j)為第j次取樣在t時間點(diǎn)的血糖值；n為采血量測次數(shù)，S4中，K為激活函，W為加權(quán)系數(shù)，其中激活函數(shù)還可以表示為雙曲正切函數(shù)或S型函數(shù)，雙曲正切函數(shù)的公式表示為，S型函數(shù)的公式表示為。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。