一种提高人群队列依从性的方法与流程

本发明涉及大数据处理技术领域，特别是指一种提高人群队列依从性的方法。

背景技术：

依从性作为衡量病人依从医生给的治疗计划进行合作程度的标准，它反映了患者和医疗工作者之间的依从关系，对病人的身体健康恢复程度和医生的跟踪治疗效果研究都有很大的影响。我国对依从性的研究已有30余年的历史，主要是针对具体的一类病人进行依从性指导，从而在一定程度上改善他们的依从性。这些研究多为个案研究、小样本的探索性试验或探索性观察等，研究的方案各不相同，并随着研究的进展而不断调整，没有一套规整的研究方案来适用于差异化的大规模人群。因此，在研究后期，主要转向于对队列的方案研究，特别是自20世纪90年代以来，各国基于各种研究目的建立人群队列如同雨后春笋。

所谓队列研究，是一种重要的考察疾病病因学的观察性流行病学研究方法，通常是在较大的人群群体中进行长时间的观察随访，通过一定的分析方法，获取研究结果。

在用于依从性改善研究方面日益受到重视，我国利用人群队列进行研究在揭示依从性的影响因素和相应改善方案方面取得了一系列原创性的研究成果，但仍然落后于研究投资较为大力的发达国家或地区(如美国、挪威、瑞典、德国和英国等)，其主要原因是现实国情下卫生经费短缺问题，因为大规模人群依从性方面的队列研究需要在5-10年甚至更长时间内进行连续的跟踪随访和调查分析，其执行难度和累计人力、物力和财力投资强度都比较大。毫无疑问，提高人群队列的依从性不仅对群体能够收到最大的医疗保健效果，也有利于节约我国卫生资源。

基于这样的问题，在依从性改善的研究方法上，除了传统的以人为研究介质的研究方案，我国已经借助计算机技术、网络技术和生物医学工程进行大力、深度的进行研究。尽管病人的依从性也相比初期有了一定的提升，但是，人群队列依从性依然较差，改善依从性仍然是一个需要长期研究的重点方向。

技术实现要素：

本发明要解决的技术问题是提供一种提高人群队列依从性的方法，以解决现有技术所存在的人群队列依从性较差的问题。

为解决上述技术问题，本发明实施例提供一种提高人群队列依从性的方法，包括：

确定提高人群队列依从性的第一层，在第一层中，确定划分人群队列的属性，根据确定的划分人群队列的属性，将人群队列进行共性聚类划分，得到多类人群，针对每类人群采用不同的策略组合，直至评价人群依从性的平衡函数的值最大；

确定提高人群队列依从性的第二层，在第二层中，基于在第一层中的划分结果，针对划分得到的每类人群中的每个个体的需求信息，采用个性化策略，直至评价个体依从性价值的期望函数的值最大。

进一步地，所述确定的划分人群队列的属性包括：至少1个属性；

所述属性由人群队列的信息、划分人群队列的需要以及影响依从性的相关因素决定。

进一步地，若属性的值为连续值，则对连续值进行分段，将连续值转换为离散值。

进一步地，所述确定划分人群队列的属性，根据确定的划分人群队列的属性，将人群队列进行共性聚类划分，得到多类人群包括：

确定划分人群队列的属性，根据确定的划分人群队列的属性，采用树的结构，树的每层每个分支上采用一个属性划分人群队列，得到多类人群；

其中，在人群队列划分过程中，采用表示随机变量不确定性的度量值来决定划分人群队列属性的先后关系，所述度量值为熵值。

进一步地，所述确定划分人群队列的属性，根据确定的划分人群队列的属性，将人群队列进行共性聚类划分，得到多类人群包括：

计算所述确定的划分人群队列的属性中每个属性的分段概率分布；

根据确定的每个属性的分段概率分布，确定每个属性的熵，

选取熵值最大的属性划分人群队列，得到多类人群。

进一步地，属性Di的分段概率分布表达式表示为：

p(Di∈(dm,dn))＝pmn,min|Di|≤dm<dn≤max|Di|

所述属性Di的熵表示为：

H(Di)＝-∑pmn log pmn

其中，p(Di∈(dm,dn))、pmn表示属性Di位于区间(dm,dn)的概率，min|Di|表示属性Di的最小值，max|Di|表示属性Di的最大值，H(Di)表示属性Di的熵。

进一步地，所述选取熵值最大的属性划分人群队列，得到多类人群包括：

S1，从确定的划分人群队列的属性中，选取熵值最大的属性划分人群队列，得到初步分类结果，所述分类结果包括：至少1个人群；

S2，选取剩余属性中熵值最大的属性划分初步分类结果；

S3，重复执行S2，直至人群中的人数小于预设的阈值。

进一步地，所述针对每类人群采用不同的策略组合，直至评价人群依从性的平衡函数的值最大包括：

通过平衡函数，评价i类人群依从性的高低，其中，所述平衡函数表示为：

Ui(Ti,Qi)＝Ei1Ei2Qi

当平衡函数的值最大时，i类人群的依从性最高，即i类人群对应的最优策略表示为：

αi^*＝arg max Fi(Ui,Mi),1≤i≤n

其中，αi^*表示使平衡函数达到最大值的策略组合，θi表示针对i类人群的策略组合，Fi(Ui，Mi)表示评价i类人群依从性高低的平衡函数，表示i类人群的策略组合的集合，表示i类人群依从所带来的依从价值收益，表示i类人群所选择的策略组合成本,Ei1表示i类人群愿意依从的人数概率，Ei2表示i类人群依从的配合程度，Qi代表i类人群的价值评估,n表示人群类别的数目。

进一步地，所述在第二层中，基于在第一层中的划分结果，针对划分得到的每类人群中的每个个体的需求信息，采用个性化策略，直至评价个体依从性价值的期望函数的值最大包括：

将在第一层划分类别后得到的多类人群传输到第二层，在第二层中，获取每类人群每个个体的需求信息；

根据获取的每个个体的需求信息，采用个性化策略，直至评价个体依从性价值的期望函数的值最大。

进一步地，所述针对每类人群中的每个个体，采用个性化策略，直至每个个人的依从性最高包括：

通过期望函数，评价个人i的依从性价值，其中，所述期望函数表示为：

Ri(xi,yi)＝U(i)*X(i)-W(i)[1-(1-X(i))*(1-Y(i))]-M(i)*Y(i)

根据所述期望函数，对X(i)，Y(i)分别求一阶偏导得：

令X(i)'＝Y(i)'＝0，得到：

将X(i)'＝Y(i)'＝0，得到的X(i)，Y(i)值代入所述期望函数；

当个体i获得的收益时，期望函数Ri(xi,yi)值最大，个人i的依从性最高，即个人i对应的最优策略或者策略组合表示为：

βi^*＝arg max Ri(xi,yi)，1≤i≤n

其中，βi^*表示某人群中个体i的期望函数值最大对应的最优策略或者策略组合；n表示某人群中的人数；Ri(xi,yi)表示评价个人i的依从性价值期望函数；X(i)表示个体i愿意依从的概率；Y(i)表示个体i选择某种策略或者策略组合的概率；U(i)表示个体i依从所产生的价值收益；W(i)表示个体i获得的收益；M(i)表示个体i需求生成的策略或策略组合的成本。

本发明的上述技术方案的有益效果如下：

上述方案中，确定提高人群队列依从性的第一层，在第一层中，确定划分人群队列的属性，根据确定的划分人群队列的属性，将人群队列进行共性聚类划分，得到多类人群，针对每类人群采用不同的策略组合，提高人群的依从性；进而，确定提高人群队列依从性的第二层，在第二层中，基于在第一层中的划分结果，针对划分得到的每类人群中的每个个体的需求信息，采用个性化策略，进一步提高每个个体的依从性，这样，从人群和个体两个方面去改善现有人群队列依从性差的问题。

附图说明

图1为本发明实施例提供的提高人群队列依从性的方法的流程示意图；

图2为本发明实施例提供的普查实例中所选取的原始信息示意图；

图3为本发明实施例提供的普查实例中人群队列划分的示意图；

图4为本发明实施例提供的个体最优策略选择过程示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的人群队列依从性较差的问题，提供一种提高人群队列依从性的方法。

参看图1所示，本发明实施例提供的提高人群队列依从性的方法，包括：

S101，确定提高人群队列依从性的第一层，在第一层中，确定划分人群队列的属性，根据确定的划分人群队列的属性，将人群队列进行共性聚类划分，得到多类人群，针对每类人群采用不同的策略组合，直至评价人群依从性的平衡函数的值最大；

S102，确定提高人群队列依从性的第二层，在第二层中，基于在第一层中的划分结果，针对划分得到的每类人群中的每个个体的需求信息，采用个性化策略，直至评价个体依从性价值的期望函数的值最大。本发明实施例所述的提高人群队列依从性的方法，通过确定提高人群队列依从性的第一层，在第一层中，确定划分人群队列的属性，根据确定的划分人群队列的属性，将人群队列进行共性聚类划分，得到多类人群，针对每类人群采用不同的策略组合，提高人群的依从性；进而，确定提高人群队列依从性的第二层，在第二层中，基于在第一层中的划分结果，针对划分得到的每类人群中的每个个体的需求信息，采用个性化策略，进一步提高每个个体的依从性，这样，从人群和个体两个方面去改善现有人群队列依从性差的问题。

本实施例所述的提高人群队列依从性的方法，采用分层的策略，从人群和个体两个方面去改善现有人群队列依从性差的问题，具体的，先按照一些划分人群队列的属性(例如，年龄、性别)来划分人群队列，可以得到几大类人群，每类人群在依从性方面有一定的相似性，然后在每个大类里面再考虑每个人的个性化需求，这样就可以平衡了个性化与效率之间的矛盾。假若，不采用分层的策略，只针对每个人都单独设计提高依从性的方法，那么对依从性的提升效果是最好的，但是效率很低；如果只针对人群设计一个统计的依从性提高方法，虽然成本会降低，但是效果是没有个性化的提高依从性的方法好(因为没有考虑到每个个人的个性化需求)。本实施例中，所述确定的划分人群队列的属性包括：至少1个属性，例如，所述属性可以包括：年龄、性别、居住地等，在实际应用中，所述属性由实际情况确定，所述属性由人群队列的信息、划分人群队列的需要以及影响依从性的相关因素所决定，即有先验知识所决定。

本实施例中，所述属性的值应为离散值，若属性的值为连续值，则可以对连续值进行分段，将连续值转换为离散值。

本实施例中，将人群队列进行共性聚类划分，得到多类人群之前，需获取需要提高依从性的人群队列的信息。

本实施例中，将人群队列进行共性聚类划分，主要是指把要提高依从性的人群队列按照确定的划分人群队列的属性(所述确定的划分人群队列的属性也可以称为：统一的标准)分为具有共性的几类人群；然后，分别针对每类具有共同属性的人群采用不同的策略组合，使投入一定的条件下最大化每类人群的依从性，这是提高人群队列依从性的第一层。

本实施例中，在第一层的基础上，把划分后的每类人群中的每个个体分别进行人机交互，获取个体的需求信息，针对获取的个体的需求信息，采用个性化的策略，进一步提高每个个体的依从性，也就是说，是在满足个体的需求信息的同时最大化个体依从性的方法，这是提高人群队列依从性的第二层。

针对提高人群队列依从性的两个方面，本实施例还提供了一种针对人群队列的提高依从性模块和针对个人的提高依从性模块；其中，

所述针对人群队列的提高依从性模块，将人群队列按照统一的标准分为具有共性的几类人群，分别针对每类人群采用不同的策略组合，从而提高人群的依从性。

所述针对个人的提高依从性模块，把划分后的每类人群中的每个个体分别进行人机交互，获取个体的需求信息，针对获取的个体的需求信息，采用个性化策略，从而提高个人的依从性。

本发明实施例所述的提高人群队列依从性的方法，使用简便，针对人群队列可用于多方向、多场合的依从性改善，具有使用范围广，通用性强的优点。

在前述提高人群队列依从性的方法的具体实施方式中，进一步地，所述确定划分人群队列的属性，根据确定的划分人群队列的属性，将人群队列进行共性聚类划分，得到多类人群包括：

确定划分人群队列的属性，根据确定的划分人群队列的属性，采用树的结构，树的每层每个分支上采用一个属性划分人群队列，得到多类人群；

其中，在人群队列划分过程中，采用表示随机变量不确定性的度量值来决定划分人群队列属性的先后关系，所述度量值为熵值。

本实施例中，进一步的，所述确定划分人群队列的属性，根据确定的划分人群队列的属性，将人群队列进行共性聚类划分，得到多类人群包括：

计算所述确定的划分人群队列的属性中每个属性的分段概率分布，其中，属性Di的分段概率分布表达式表示为：

p(Di∈(dm,dn))＝pmn,min|Di|≤dm<dn≤max|Di|

根据确定的每个属性的分段概率分布，确定每个属性的熵，其中，属性Di的熵表示为：

H(Di)＝-∑pmn log pmn

选取熵值最大的属性划分人群队列，得到多类人群，其中，熵值越大，表示这个属性拥有的信息越多；

其中，p(Di∈(dm,dn))、pmn表示属性Di位于区间(dm,dn)的概率，min|Di|表示属性Di的最小值，max|Di|表示属性Di的最大值，H(Di)表示属性Di的熵。

在前述提高人群队列依从性的方法的具体实施方式中，进一步地，所述选取熵值最大的属性划分人群队列，得到多类人群包括：

S1，从确定的划分人群队列的属性中，选取熵值最大的属性划分人群队列，得到初步分类结果，所述分类结果包括：至少1个人群；

S2，选取剩余属性中熵值最大的属性划分初步分类结果；

S3，重复执行S2，直至人群中的人数小于预设的阈值。

本实施例中，针对每类人群，采用不同的策略组合，即采用不同的有效适合的策略组合，提高每类人群的依从性。设定人群队列最终划分的类别总共是有n个；设定策略空间为S＝(S1,S2,S3,...,Sm)，策略空间S含有有限个策略，设定策略总数为m；针对每类人群选择最优策略组合，即每类人群根据其需求选择使其利益最大化的策略组合；设定每类人群的策略组合分别为θ1,θ2,θ3,...,θn，令表示n个人群类别的策略组合的集合，很明显是个有限集合，并且规定策略的选择是有上限的最大个数为k，即k≤m。则有：

其中，kij＝0表示不采用这个策略；kij＝1表示采用这个策略。

本实施例所述的提高人群队列依从性的方法的最终的目的，就是在投入一定的基础上提高参与者/人群队列的依从性。设对于i类人群，所选择的策略组合成本为Ei1表示i类人群愿意依从的人数概率，Ei2表示i类人群依从的配合程度，Qi代表i类人群的价值评估,i类人群依从所带来的依从价值收益设为表示确定了人群类别和其选择的策略组合的条件下产生的依从性价值收益。令Fi(Ui,Mi)作为评价i类人群依从性高低的平衡函数，Fi(Ui,Mi)由依从性价值收益和策略组合成本直接制约，则有：

Ui(Ti,Qi)＝Ei1Ei2Qi

如果每类人群能高概率的选择其最优策略组合即根据其需求选择使其利益最大化的策略，根据Fi(Ui,Mi)不难看出选择最优策略组合能够最大化人群利益的情况下保证整体支出的成本最小，最终得到的每类人群依从性能够达到最高，即:

αi^*＝arg max Fi(Ui,Mi),1≤i≤n

本实施例中的第一层，对于每类具有共同属性的人群，基于利益平衡思想,通过采取不同的策略组合，使投入一定的条件下最大化每类人群的依从性。

本实施例中，作为一可选实施例，所述针对每类人群采用不同的策略组合，直至评价人群依从性的平衡函数的值最大包括：

通过平衡函数，评价i类人群依从性的高低，其中，所述平衡函数表示为：

当平衡函数的值最大时，i类人群的依从性最高，即i类人群对应的最优策略表示为：

αi^*＝arg max Fi(Ui,Mi),1≤i≤n

其中，αi^*表示使平衡函数达到最大值的策略组合，θi表示针对i类人群的策略组合，Fi(Ui，Mi)表示评价i类人群依从性高低的平衡函数，表示i类人群的策略组合的集合,表示i类人群依从所带来的依从价值收益，表示i类人群所选择的策略组合成本,Ei1表示i类人群愿意依从的人数概率，Ei2表示i类人群依从的配合程度，Qi代表i类人群的价值评估,n表示人群类别的数目。

本实施例中，在由第一层根据属性划分得到不同的人群类别后，对于具体的某个人群类别，将从个体的角度针对性的提高其依从性。

本实施例中，所述在第二层中，基于在第一层中的划分结果，针对划分得到的每类人群中的每个个体的需求信息，采用个性化策略，直至评价个体依从性价值的期望函数的值最大包括：

将在第一层划分类别后得到的多类人群传输到第二层，在第二层中，获取每类人群每个个体的需求信息；

根据获取的每个个体的需求信息，采用个性化策略，，直至评价个体依从性价值的期望函数的值最大，所述个性化策略与个体的需求信息有直接的相关性。

本实施例中，可以采用移动端，通过APP、微信公众号进行人机交互，获取个体的需求信息，也可以采用调查问卷的方式获取个体的需求信息。

本实施例中的第二层，对于确定类型人群中个体，采用人机交互的方式获取其单独需求，这样，可以在满足个体需求的同时最大化其依从性。

本实施例中，由于人具有社会性，例如，不同的生活方式、饮食习惯、年龄、环境和职业，即使属于同类人群中的个体也存在一定的需求差异。在选择策略组合时，通过采用人机交互的方式针对性的得到个体的具体需求/个体的差异性，从而提高其选择最优策略或者策略组合的概率，进而提高其依从性。对于某一人群类别中个体i，设个体i愿意依从的概率为X(i)；设Y(i)表示个体i选择某种策略或者策略组合的概率；假定根据个体i需求生成的策略或策略组合的成本为M(i)；个体i获得的收益假设为W(i)(包括其策略收益和其他非物质收益)；个体i依从需要付出的成本为L(i)(包括其时间成本，个体的需求信息成本等)；个体i依从所产生的价值收益设为U(i)，用Ri(xi,yi)表示评价个人i的依从性价值期望函数，则有：

Ri(xi,yi)＝U(i)*X(i)-W(i)[1-(1-X(i))*(1-Y(i))]-M(i)*Y(i)

期望函数是用总的得到的依从性价值减去付出的策略价值，减去人们获取的价值，剩下的就是获得的依从性价值。

其中，U(i)*X(i)表示个体i愿意依从条件下所产生的依从性价值收益；W(i)*[1-(1-X(i))*(1-Y(i))]表示除了个体i没有进行策略选择且其不依从的其他情况下，个体i所获得的收益(这里需强调，不存在X(i)＝0，Y(i)＝1的情况，因为一般情况下，个体如果完全不依从，是不会选择相应策略或策略组合的；其它条件下，如个体依从但是没有选择相应的策略或策略组合，也认为该个体产生了相应的收益，即主动满足其需求以更好的促进其依从)；M(i)*Y(i)表示只要个体i选择了一定的策略或者策略组合，无论其是否依从的情况下，都需要付出的策略总成本。由此，可用Ri(xi,yi)判定个体i依从性高低，即其依从所能带来的最大依从收益，具体通过对X(i)，Y(i)分别求一阶偏导得：

令X(i)'＝Y(i)'＝0，则可以得到:

将求偏导得到的X(i)，Y(i)值代入Ri(xi,yi)期望公式中，得到当个体i获得的收益时，评价个体依从性高低的期望函数Ri(xi,yi)值最大。即在个体根据其需求获取的收益平方等于其选择的策略(或者策略组合)成本与其依从产生的依从性价值收益的乘积时，该个体的依从性处于最高状态。由此，如果对于特定类别人群中的个体，能根据其需求高概率的选择最优策略β^*，不难看出，该最优策略对个体本身产生的收益等于策略对应的成本与个体依从带来的价值收益的乘积时，能够达到其最大依从性，即:

βi^*＝arg max Ri(xi,yi)，1≤i≤n

本实施例中，作为又一可选实施例，所述针对每类人群中的每个个体，采用个性化策略，直至每个个人的依从性最高包括：

通过期望函数，评价个人i的依从性价值，其中，所述期望函数表示为：

Ri(xi,yi)＝U(i)*X(i)-W(i)[1-(1-X(i))*(1-Y(i))]-M(i)*Y(i)

根据所述期望函数，对X(i)，Y(i)分别求一阶偏导得：

令X(i)'＝Y(i)'＝0，得到：

将X(i)'＝Y(i)'＝0，得到的X(i)，Y(i)值代入所述期望函数；

当个体i获得的收益时，期望函数Ri(xi,yi)值最大，个人i的依从性最高，即个人i对应的最优策略或者策略组合表示为：

βi^*＝arg max Ri(xi,yi)，1≤i≤n

其中，βi^*表示某人群中个体i的期望函数值最大对应的最优策略或者策略组合；n表示某人群中的人数；Ri(xi,yi)表示评价个人i的依从性价值期望函数；X(i)表示个体i愿意依从的概率；Y(i)表示个体i选择某种策略或者策略组合的概率；U(i)表示个体i依从所产生的价值收益；W(i)表示个体i获得的收益；M(i)表示个体i需求生成的策略或策略组合的成本。

为了更好地理解本实施例提供的所述提高人群队列依从性的方法，以普查所获得的原始信息为例，对如何实现最大化随访率加以说明，图2为所述提高人群队列依从性的方法的具体流程示意图。

由于人群队列的原始信息过多，所以只选取了部分信息，如表1所示。由于隐私保护，部分信息删除不显示。原始信息是针对普查中检测出患乳腺癌患者的信息，随后会对这一部分乳腺癌患者进行进一步的随访调查，所以应保证失访率最低。

表1 人群队列的部分原始信息

把获得的原始信息输入到第一层中的针对人群队列的提高依从性模块，然后，根据确定的划分人群队列的统一标准，所述统一标准可以是人群的某一个具体的属性或者是几个属性的结合选择，设这些属性为D1，D2，D3，...，Dk，k＞＝1，共有K个属性参与划分人群队列。这K个属性由人群队列的信息、划分人群队列的需要以及影响依从性的相关因素所决定，比如，K个属性可采用{居住环境，年龄，职业，教育水平，喜好...}。

划分人群队列的属性不应该过多，会有一个限制，设定可用于划分人群队列的属性数目的最大值为Dmax，则

k∈[1,Dmax]

每一类人群是没有交集的，所有类人群的并集是整体人群队列。

表1中划分随访人群队列采用的属性为居住环境和年龄。假定每个属性的值都为离散值，如果属性值为连续值可以采用把连续值分段，把连续值转换为离散值。

设定人群类别总共是有n个。人群分类的具体实施步骤为：属性D1,D2,D3,...,Dk的值都是离散的，计算出每个属性的分段概率分布为：

p(Di∈(dm,dn))＝pmn,min|Di|≤dm<dn≤max|Di|

则属性Di的熵为：

H(Di)＝-∑pmn log pmn

在D1,D2,D3,...,Dkk个属性中选取熵值最大的属性进行划分人群，熵值越大，表示这个属性拥有的信息越多。

然后在划分得到的初步分类结果上选择另一个熵值最大的属性，在初步分类结果上继续进行划分，得到最终的多类人群，所述多类人群也可以称为子群。

随访人群采用320个数据，其中居住环境这个属性共有三个值，分别为1，2，3，对应的人数分别为74人，41人，205人。年龄取值范围为[28，70]，分为两段，取值分别为[28，49]，[50，70]，对应的人数分别为122人，198人。

则属性：居住环境的熵值为：

-(74/320)log(74/320)-(41/320)log(41/320)-(205/320)log(205/320)＝0.1471+0.1143+0.1239＝0.3853

属性：年龄的熵值为：

-(122/320)log(122/320)-(198/320)log(198/320)＝0.1597+0.1290＝0.2887

因为居住环境这个属性的熵值大于年龄的熵值，所以先采用居住环境这个属性划分人群，然后在此基础上用年龄这个属性划分人群。

最终划分的子群数应该控制在一个范围内，选取一个数值sub，当划分得到的子群中人数小于sum/sub(sum表示总人数)时，则不往下分了。例如，sub值为5，即当划分人群中人数小于320/5＝64时，就不往下划分人群了。如图3，是实例人群划分的示意图。

总共320个随访人，划分人群最终的结果是5类：

第1类是{居住环境＝1，28≤年龄≤49}为31个人；

第2类是{居住环境＝1，50≤年龄≤70}为43个人；

第3类是{居住环境＝2，28≤年龄≤70}为41个人；

第4类是{居住环境＝3，28≤年龄≤49}为75个人；

第5类是{居住环境＝3，50≤年龄≤70}为130个人；

由于影响人群积极参与普查的因素是多样化的，基于最终提高人群队列依从性的目的，针对划分人群所对应的不同属性，综合考虑满足人群需求、提高普查率的可控制因素，提出对应的提高人群自我主动参与意识的策略。每种策略都最大化的达到提高人群队列依从性的效果，由这些策略可集合成一个策略空间。设定策略空间为S＝(S1,S2,S3,...,Sm)，策略空间含有有限个策略，设定策略总数为m。

针对320个随访人划分出的五类人群，以第一类人群：{居住环境＝1(城市)，28≤年龄≤49}(31个人)为例，其可选择的策略组合集合为设定策略组合集合大小为r。选取θ1作为其最优策略组合，则有：

θ1＝k11s1+k12s2+...+k1msm，k1j＝0或1,1≤j≤m

其中，k1j＝0表示不采用这个策略；k1j＝1表示采用这个策略。

设对于第一类人群，所选择的策略组合θ1成本为(包括根据随访条件制定这些策略的金钱、时间等成本)；该类人群依从所带来的依从价值收益设为令F1(U1,M1)作为评价该类人群依从性高低的平衡函数，E11表示第一类人群愿意接受随访的人数概率，E12表示第一类人群接受随访的配合程度，Q1代表第一类人群的价值评估，一般是直接给出的则有：

可以根据这类人群的特性，如居住环境在城市，年龄范围是28到49，设定并给出最符合这类人群需求的策略，则可以看出：当其选择最优策略α1^*时，即根据其需求选择使其利益最大化的策略组合θ1时，能够使得该人群利益最大化的情况下又能够保证从策略组合集合中给出策略组合θ1的成本最小，最终该类人群依从性能够达到最高，即:

α1^*＝arg max F1(U1,M1)

其他四类人群均以此方法选择最优策略组合，在保证制定的策略组合集合的成本最小化的同时，最大化的提高对应人群类型的依从性，从而得到给出的策略组合集合能够使整个人群队列的依从性最高。针对随访，人群队列依从性提高的表现就是降低了失访率。对于第一类人群，假设其失访率为f1，理论上依从性越高，则失访率是越低的。因此，这类人群失访率和依从性的关系可以表示为：

其中，u1表示依从性，k是系数，b表示平衡因子。可以看出失访率和依从性是逆关系。所以，第一类人群的最优策略组合也可表示为：

总的来说，随访一般采用的策略为{约定(让患者主动来医院复诊)，采用互联网通讯工具(微信，QQ，邮箱)，电话，书信联系，上门随访}。

策略组合可以为单个策略，或者是两个或两个以上的策略组合，比如{{采用互联网通讯工具}、{电话}、{上门随访}、{采用互联网通讯工具、电话}、{采用互联网通讯工具、电话、上门随访}……}，针对该类选择不同的策略组合人群依从所带来的依从价值收益和针对不同策略组合所产生的成本可以由医院或者随访机构所统计给出。每一类人群参与随访，采用不同的策略组合，产生的依从性效果也是不同的，产生的价值也是不同的，并会在一个范围内浮动，当然成本也是在不同的范围内，即具有依从性产生的价值可以转换为一个范围内的数字。

举一个具体的例子，针对第1类人群，居住在城市，年龄范围在28-49，所有的策略组合都可以采用。比如，采用策略{约定、采用互联网通讯工具}，成本M1是低的，被随访人员的接受程度E11和配合程度E12都是不高的，那依从性价值收益就不会高，比如成本M1为(2000-5000)，E11为(10％-50％)，E12为(5％-60％)；采用策略{约定、采用互联网通讯工具、电话}，成本M1为(3000-5000)，E11为(50％-90％)，E12为(20％-90％)；等等选择不同策略组合的情况，最后比较平衡函数，得出采用策略组合为{约定、采用互联网通讯工具、电话}的平衡函数值最大，所以可以得出第1类人群的最优策略组合为{约定、采用互联网通讯工具、电话}。

针对划分得到的5个人群，运用每个人群不同的特色,最终目的是提高人群参与者的依从性，针对随访问题，就是降低失访率。针对目的，为每个人群选取最优的策略组合。

第1类人群是居住在城市，年龄范围在28-49，可以采用最优策略组合为{约定、采用互联网通讯工具、电话}；

第2类人群是居住在城市，年龄范围在50-70，可以采用最优策略组合为{电话、书信联系、上门随访}；

第3类人群是居住在城郊，年龄范围在28-70，可以采用最优策略组合为{采用互联网通讯工具、电话}；

第4类人群是居住在农村，年龄范围在28-49，可以采用最优策略组合为{采用互联网通讯工具、电话}；

第5类人群是居住在农村，年龄范围在50-70，可以采用最优策略组合为{电话、上门随访}；

图4是个体最优策略选择过程，即完成第一层中每类人群最优策略的选择后，就可以把人群信息输入到第二层，进行个人的人机交互，通过人机交互方式获取个人需求。根据个人的具体需求，可以生成的提高依从性的策略是很具体，很具有针对性的，对个人来说依从性也可以提高到最大。针对随访中的第一类人群：{居住环境＝1(城市)，28≤年龄≤49}这个例子，可以采用定期交互个人的需求为经常使用的联系方式、最希望得到的随访方式。针对个人回馈的需求信息，权衡最常用的联系方式、希望得到的随访方式和依从概率，产生成本问题等。最终可以采用最有效率，可以使个人依从性得到最大提升的随访方式。

具体以第一类31个人中某一个体:{居住环境：城市，年龄：30}为例，通过人机交互获取该人的需求方向。比如，根据该个体的属性特征，通过交互可能得到其比较倾向于网络随访方式，并且通过随访这种形式，获取一些关于个人感兴趣的反馈(物质或者非物质的)，就可以根据其提交的需求结合个体属性制定一些符合其兴趣范围的策略(或策略组合)，从而增大其愿意随访的概率。该个体接受随访所带来的价值主要为研究价值(数据的真实性，信息的私密性，方案的可行性等)，还附带包括其他相关收益。而接受随访，对于个体来说，除了能够获得相应的策略收益(依据个人需求而定)，还应该获得如个人身体健康状况、相关随访知识等非物质收益。由此，根据评价个体依从性价值期望函数：

Ri(xi,yi)＝U(i)*X(i)-W(i)[1-(1-X(i))*(1-Y(i))]-M(i)*Y(i)

当时，个体的依从性能够达到最高。对于个体:{居住环境：城市，年龄：30}，通过人机交互方式提前得到其需求而后制定相应的策略，能够高效的使该个体以高概率选择接受随访并且高概率的选择最优策略(或策略组合)，进而使其依从性最高。这种情况下，可以将个体接受随访带来的价值U1，根据需求制定策略的成本M1，以及其接受随访所获取的利益W1参照一定的价值标准进行数字统一化，并高概率选择相应最优策略后，使得W1²＝M1*U1。由此，在保证策略成本投入一定的情况下，使该个体随访(依从)的价值期望值达到最大，即：

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。