患病风险评估方法及装置与流程

本发明属于患病风险评估技术领域，尤其涉及一种患病风险评估方法及装置。

背景技术：

患病风险评估是通过对用户患病的风险指标进行分析，确定用户患病的风险的过程。由于影响患病风险评估的风险指标有多种，而且各风险指标对患病风险的影响程度不相同，使得患病风险评估具有极强的不确定性。贝叶斯网络具有极强的推理和原因诊断功能，是风险评估的常用方法之一。贝叶斯网络应用在患病风险评估时，不能直接判断出患病风险评估值，但是能在复杂系统中识别出各风险指标的相互关系，是一种整体考虑所有风险指标的方法，能在可能风险指标中找到关联最为强烈的风险指标。现有利用贝叶斯网络进行患病风险评估时，通常将风险指标直接作为评价最终患病风险值的因素，没有考虑风险指标之间的相互叠加和抵消，导致获取的患病风险值的准确性低的问题。

故，有必要提出一种新的技术方案，以解决上述技术问题。

技术实现要素：

鉴于此，本发明实施例提供一种患病风险评估方法及装置，以解决现有利用贝叶斯网络进行患病风险评估时，通常将风险指标直接作为评价最终患病风险值的因素，没有考虑风险指标之间的相互叠加和抵消，导致获取的患病风险值的准确性低的问题。

本发明实施例的第一方面，提供一种患病风险评估方法，包括：

获取目标用户患病的目标风险指标分值；

基于所述目标风险指标分值，确定对应的目标风险类别分值；

基于所述目标风险类别分值，调用训练好的目标风险评估模型对所述目标用户进行患病风险评估；所述目标风险评估模型包括：目标患病风险值＝∑目标风险类别分值*风险类别权重，所述目标风险类别分值＝∑目标风险指标分值*风险指标患病率；

获取所述目标用户患病的目标患病风险值。

本发明实施例的第二方面，提供一种患病风险评估装置，包括：

第一获取模块，用于获取目标用户患病的目标风险指标分值；

确定模块，基于所述目标风险指标分值，确定对应的目标风险类别分值；

调用模块，基于所述目标风险类别分值，调用训练好的目标风险评估模型对所述目标用户进行患病风险评估；所述目标风险评估模型包括：目标患病风险值＝∑目标风险类别分值*风险类别权重，所述目标风险类别分值＝∑目标风险指标分值*风险指标患病率；

第二获取模块，用于获取所述目标用户患病的目标患病风险值。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例的方法或装置中，获取目标用户患病的目标风险指标分值并确定对应的目标风险类别分值，再调用训练好的目标风险评估模型对目标用户进行患病风险评估，以获取目标患病风险值。在目标患病风险值的确定过程中，考虑不同目标风险类别分值和相应的风险类别权重，并且，在每一目标风险类别分值的确定过程中，考虑不同目标风险指标分值和相应的风险指标患病率，从而实现不同目标风险指标之间相互叠加和抵消，以提高目标患病风险值的准确性。而且，利用训练好的目标风险评估模型对目标用户进行患病风险评估过程，计算简单方便，处理效率较快。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的患病风险评估方法的实现流程图一；

图2是本发明实施例一提供的患病风险评估方法的实现流程图二；

图3是本发明实施例一提供的患病风险评估方法的实现流程图三；

图4是本发明实施例二提供的患病风险评估装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种患病风险评估方法。为了说明本发明所提供的患病风险评估方法，下面通过具体实施例来进行说明。

实施例一

图1示出了本发明实施例一提供的患病风险评估方法的实现流程图一。该患病风险评估方法的步骤详述如下：

S101：获取目标用户患病的目标风险指标分值。

其中，目标用户是指当前需要评估患某种病的用户，目标风险指标包括但不限于年龄风险指标、性别风险指标、酒精摄入量风险指标、吸烟风险指标、甘油三脂风险指标、胆固醇风险指标、高血糖风险指标、高密度脂蛋白风险指标和家族患病史风险指标。目标风险指标分值是指所述目标风险指标中某一项目标风险指标的占所有目标风险指标的比值。获取目标用户患病的目标风险指标分值相当于获取到各目标风险指标的权重，即各目标风险指标在影响目标用户患病时的重要程度，避免了各项目标风险指标分值默认为相同导致后续评估患病风险时结果不准确的情况。

S102：基于所述目标风险指标分值，确定对应的目标风险类别分值，所述目标风险类别分值＝∑目标风险指标分值*风险指标患病率。

按照预设归类标准，将目标风险指标归纳为几种目标风险类别。根据数据库获取风险指标对应的风险指标患病率，再S101中已经获得的目标风险指标分值，通过公式：目标风险类别分值＝∑目标风险指标分值*风险指标患病率计算获得各目标风险类别分值。

该步骤将目标风险指标进行归类，考虑到了目标风险指标之间的相互叠加和抵消，增加了后续评估患病风险时结果的准确性。

S103：基于所述目标风险类别分值，调用训练好的目标风险评估模型对所述目标用户进行患病风险评估；所述目标风险评估模型包括：目标患病风险值＝∑目标风险类别分值*风险类别权重，所述目标风险类别分值＝∑目标风险指标分值*风险指标患病率。

风险类别权重已知，根据S102中已经计算出来的目标风险类别分值，根据目标患病风险值＝∑目标风险类别分值*风险类别权重对所述目标用户进行患病风险评估。

S104：获取所述目标用户患病的目标患病风险值。

目标患病风险值是一个概率，获取目标用户患病的概率。该概率仅作为一个参考评估值。

本发明实施例中获取目标用户患病的目标风险指标分值并确定对应的目标风险类别分值，再调用训练好的目标风险评估模型对目标用户进行患病风险评估，以获取目标患病风险值。在目标患病风险值的确定过程中，考虑不同目标风险类别分值和相应的风险类别权重，并且，在每一目标风险类别分值的确定过程中，考虑不同目标风险指标分值和相应的风险指标患病率，从而实现不同目标风险指标之间相互叠加和抵消，以提高目标患病风险值的准确性。而且，利用训练好的目标风险评估模型对目标用户进行患病风险评估过程，计算简单方便，处理效率较快。

图2示出了本发明实施例一提供的患病风险评估方法的实现流程图二。

进一步地，患病风险评估方法还包括：获取训练好的目标风险评估模型，所述获取训练好的目标风险评估模型包括：

S201：获取训练用户集中每一训练用户的训练风险指标分值，并确定每一训练风险指标分值对应的风险指标患病率。

其中，对训练用户集中的每一训练用户进行训练，获取训练用户集中每一训练用户的训练风险指标分值，根据数据库确定每一训练风险指标分值对应的风险指标患病率。

S202：基于所述训练风险指标分值和所述风险指标患病率，获取训练风险类别分值；所述训练风险类别分值＝∑训练风险指标分值*风险指标患病率。

按照预设归类标准，将目标风险指标归纳为几种目标风险类别。根据S201中训练风险指标分值和风险指标患病率，将训练风险指标分值和风险指标患病率相乘并累加得到训练风险类别分值。

S203：获取所述训练用户集中所有训练用户的原始患病风险值。

根据数据库获取所述训练用户集中所有训练用户的原始患病风险值，原始患病风险值相当于先验概率。

S204：构建初始风险评估模型，所述初始风险评估模型包括：训练风险评估值＝∑训练风险类别分值*风险类别权重。

其中，训练风险类别分值已知，训练风险评估值可获取，风险类别权重未知，构建该模型后只需对训练用户集中的训练用户进行训练即可获取风险类别权重。

S205：采用所述训练风险类别分值和原始患病风险值，对所述初始风险评估模型进行训练，确定所述风险类别权重，以获取训练好的所述目标风险评估模型。

根据已经得到的训练风险类别分值和原始患病风险值，采用包括EM算法对初始评估模型(训练风险评估值＝∑训练风险类别分值*风险类别权重)进行训练，确定风险类别权重。该训练过程是基于数据缺失的样本(只有部分风险指标)进行一个逐步迭代与估计的过程，直至获得最优或者局部最优的风险类别权重。该步骤有利于对目标用户进行患病风险评估时，直接根据风险类别的名称对应获得其权重。

本实施例中，通过对训练用户集中的每一训练用户进行训练，获得训练风险类别分值，构建初始风险评估模型并确定风险类别权重，训练用户集数量庞大，训练后获得的评估模型用于评估目标用户的患病风险时具有通用性且准确度高。

图3示出了本发明实施例一提供的患病风险评估方法的实现流程图三。

优选地，在获取所述目标用户患病的目标患病风险值之后，还包括：

S301：采用风险对数转换公式，将所述目标患病风险值转换成风险对数等级。

转换公式如下：Pl＝lgP+5。其中，Pl表示对数风险等级，P表示根据所述患病风险评估模型评估出的患病风险。

转换之后的风险对数等级能够直观地反映特定患病风险的可接受度，对于医生进行诊断决策过程更有指导意义。

S302：基于所述风险对数等级进行统计分析。

对大量的目标用户进行患病风险评估后，然后依据更新的目标用户数据进行迭代，根据统计分析更新数据库，同时跟新风险类别权重，以便循环分析使用，如此可以逐渐完善风险类别权重的取值，增加患病风险评估的准确性。

优选地，所述构建初始风险评估模型，包括：基于贝叶斯网络结构构建初始风险评估模型，所述贝叶斯网络结构包括患病风险、风险类别和风险指标三层有向结构。

优选地，所述风险类别包括体质指标类别、行为指标类别、体检指标类别和遗传指标类别；所述体质指标类别包括年龄风险指标和性别风险指标，所述行为指标类别包括酒精摄入量风险指标和吸烟风险指标，所述体检指标类别包括甘油三脂风险指标、胆固醇风险指标、高血糖风险指标和高密度脂蛋白风险指标，所述遗传指标类别包括家族患病史风险指标。

实施例二

对应于上文实施例所述的患病风险评估方法，图4示出了本发明实施例提供的患病风险评估装置的结构框图。

参照图4，该患病风险评估装置包括：

第一获取模块41，用于获取目标用户患病的目标风险指标分值。

确定模块42，基于所述目标风险指标分值，确定对应的目标风险类别分值。

调用模块43，基于所述目标风险类别分值，调用训练好的目标风险评估模型对所述目标用户进行患病风险评估；所述目标风险评估模型包括：目标患病风险值＝∑目标风险类别分值*风险类别权重，所述目标风险类别分值＝∑目标风险指标分值*风险指标患病率。

第二获取模块44，用于获取所述目标用户患病的目标患病风险值。

可选地，所述装置还包括：第三获取模块，用于获取训练好的目标风险评估模型，所述第三获取模块包括：

第一获取单元，用于获取训练用户集中每一训练用户的训练风险指标分值，并确定每一训练风险指标分值对应的风险指标患病率。

第二获取单元，用于基于所述训练风险指标分值和所述风险指标患病率，获取训练风险类别分值；所述训练风险类别分值＝∑训练风险指标分值*风险指标患病率。

第三获取单元，用于获取所述训练用户集中所有训练用户的原始患病风险值。

构建单元，用于构建初始风险评估模型，所述初始风险评估模型包括：训练风险评估值＝∑训练风险类别分值*风险类别权重。

训练单元，采用所述训练风险类别分值和原始患病风险值，对所述初始风险评估模型进行训练，确定所述风险类别权重，以获取训练好的所述目标风险评估模型。

可选地，所述构建初始风险评估模型，包括：基于贝叶斯网络结构构建初始风险评估模型，所述贝叶斯网络结构包括患病风险、风险类别和风险指标三层有向结构。

可选地，所述风险类别包括体质指标类别、行为指标类别、体检指标类别和遗传指标类别；所述体质指标类别包括年龄风险指标和性别风险指标，所述行为指标类别包括酒精摄入量风险指标和吸烟风险指标，所述体检指标类别包括甘油三脂风险指标、胆固醇风险指标、高血糖风险指标和高密度脂蛋白风险指标，所述遗传指标类别包括家族患病史风险指标。

可选地，所述装置还包括：

转换模块，采用风险对数转换公式，将所述目标患病风险值转换成风险对数等级。

统计模块，基于所述风险对数等级进行统计分析。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。