本发明涉及糖尿病治疗技术领域，尤其涉及一种智能糖尿病评估预测系统与算法。
背景技术：
糖尿病的高血糖是起因于胰岛功能下降或胰岛素抵抗。糖尿病困扰着世界上数亿的病患，目前不管是医生研究、诊断病患的病情或一般民众要了解自己的状况，大部分都只有单纯的血糖指数来做判断，进一步的胰岛素指数的量测与C-肽指数量测等也无法清楚了解、评估真实糖尿病的状态，而有个比较精准的定位。对于糖尿病目前缺乏足够量化有效的评估未来趋势的方法，对于不同的诊疗干预手段也大部分用经验评估而对医患采取白鼠似的实验，无法从根本上着实的判断和诊疗病情。
技术实现要素：
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种智能糖尿病评估预测系统与算法。
为了实现上述目的，本发明采用了如下技术方案：
一种智能糖尿病评估预测系统，包括医患资料输入模块、数据来源分类模块、定位数据分析模块、趋势预估模块和预测图表模块，所述医患资料输入模块的输出端与数据来源分类模块的输入端连接，所述数据来源分类模块包括医患资料存储单元和病患取样截取单元，其中医患资料存储单元与病患取样截取单元的输出端连接，所述数据来源分类模块的输出端与定位数据分析模块的输入端连接，所述定位数据分析模块包括计算参数采集单元、过滤算法协调单元、最近干预点病患选择单元和最高相似度病患选择单元，其中计算参数采集单元的输出端与过滤算法协调单元的输入端连接，过滤算法协调单元的输出端分别与最近干预点病患选择单元和最高相似度病患选择单元连接，最近干预点病患选择单元的输出端与最高相似度病患选择单元的输入端连接，所述定位数据分析模块的输出端与趋势预估模块的输入端连接，所述趋势预估模块的输出端与预测图表模块的输入端连接。
优选的，所述定位数据分析模块还包括欧几里得距离算法和分离式自动交互逻辑算法，其中欧几里得距离算法与最近干预点病患选择单元连接，分离式自动交互逻辑算法与最高相似度病患选择单元连接。
优选的，所述趋势预估模块的输入端还连接有待评估变数模块的输出端。
优选的，所述趋势预估模块包括神经网络学习单元和变数整理单元。
一种智能糖尿病评估预测算法，包括以下步骤：
S1：先收集医患资料，从医患资料存储单元的S个医患病例里根据不同区域、人种、性别、文化程度、职位差异、工作种类影响糖尿病的容易分类、有意义的参考因素，搜索、分类、读取糖尿病患的资料，输出与需要预估医患相似或相同的归类群体M个病例；
S2：利用葡萄糖处置能力/胰岛素处置指数DI、胰岛素释放指数INSR、与C-肽曲线下面积Sc的胰岛功能评估相关参数用欧几里得距离算法选择在干预点距离最近或在某个误差范围内的Np个病患，其中胰岛功能评估相关参数与计算法表示为：，DI = INSR× \* MERGEFORMAT ，，欧几里得距离算法的公式表示为：；
S3：选取在某特定时间T内以分离式自动交互逻辑算法计算出在Np个病患中相似度最高的N个病患，其中分离式自动交互逻辑算法的公式表示为：；
S4：在获得N个相似病患的病例资料后训练人工智能神经网络学习，整理出不同的变数、未来葡萄糖处置能力或胰岛素释放指数的走势，模型如下：、。
优选的，所述S2中，At为餐后时间t×10分钟的血糖值，Bt为餐后时间t×10分钟的胰岛素值，AO为空腹时的血糖值，BO为空腹时的胰岛素值，At(j)为第j次取样在t时间点的血糖值；Bt(j)为第j次取样在t时间点的胰岛素值； \* 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为餐后t x10分钟的血糖值；C0为空腹时的血糖值；Ct(j)为第j次取样在t时间点的血糖值；n为采血量测次数。
优选的，所述S4中，K为激活函，W为加权系数，其中激活函数还可以表示为双曲正切函数或S型函数，双曲正切函数的公式表示为，S型函数的公式表示为。
本发明的有益效果是：根据医院糖尿病往期案例结合不同病患与不同病患的不同背景和条件，通过糖尿病患经由专业医生干预诊疗后给予不同的治疗方案，实现不同的治疗方案经由本发明的系统与算法将可以预估不同的病程走向，以便医生针对不同的病患提供个性化的诊疗，有利于病患的病情发展和后期恢复，同时该系统除了在临床上可以帮助医生有个清晰可视化的病患病程针对不同治疗方案的可能趋势，也方便帮助医生、药业、研究机构针对不同新药物或新的治疗方案的评估与判断。本发明设计合理，方便医生针对不同的病患提供个性化的诊疗，有利于病患的病情发展和后期恢复。
附图说明
图1为本发明提出的一种智能糖尿病评估预测系统与算法的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例
参照图1，一种智能糖尿病评估预测系统，包括医患资料输入模块、数据来源分类模块、定位数据分析模块、趋势预估模块和预测图表模块，医患资料输入模块的输出端与数据来源分类模块的输入端连接，数据来源分类模块包括医患资料存储单元和病患取样截取单元，其中医患资料存储单元与病患取样截取单元的输出端连接，数据来源分类模块的输出端与定位数据分析模块的输入端连接，定位数据分析模块包括计算参数采集单元、过滤算法协调单元、最近干预点病患选择单元和最高相似度病患选择单元，其中计算参数采集单元的输出端与过滤算法协调单元的输入端连接，过滤算法协调单元的输出端分别与最近干预点病患选择单元和最高相似度病患选择单元连接，最近干预点病患选择单元的输出端与最高相似度病患选择单元的输入端连接，定位数据分析模块的输出端与趋势预估模块的输入端连接，趋势预估模块的输出端与预测图表模块的输入端连接。
定位数据分析模块还包括欧几里得距离算法和分离式自动交互逻辑算法，其中欧几里得距离算法与最近干预点病患选择单元连接，分离式自动交互逻辑算法与最高相似度病患选择单元连接，趋势预估模块的输入端还连接有待评估变数模块的输出端，趋势预估模块包括神经网络学习单元和变数整理单元。
一种智能糖尿病评估预测算法，包括以下步骤：
S1：先收集医患资料，从医患资料存储单元的S个医患病例里根据不同区域、人种、性别、文化程度、职位差异、工作种类影响糖尿病的容易分类、有意义的参考因素，搜索、分类、读取糖尿病患的资料，输出与需要预估医患相似或相同的归类群体M个病例；
S2：利用葡萄糖处置能力/胰岛素处置指数DI、胰岛素释放指数INSR、与C-肽曲线下面积Sc的胰岛功能评估相关参数用欧几里得距离算法选择在干预点距离最近或在某个误差范围内的Np个病患，其中胰岛功能评估相关参数与计算法表示为：，DI = INSR× \* MERGEFORMAT ，，欧几里得距离算法的公式表示为：；
S3：选取在某特定时间T内以分离式自动交互逻辑算法计算出在Np个病患中相似度最高的N个病患，其中分离式自动交互逻辑算法的公式表示为：；
S4：在获得N个相似病患的病例资料后训练人工智能神经网络学习，整理出不同的变数、未来葡萄糖处置能力或胰岛素释放指数的走势，模型如下：、。
S2中，At为餐后时间t×10分钟的血糖值，Bt为餐后时间t×10分钟的胰岛素值，AO为空腹时的血糖值，BO为空腹时的胰岛素值，At(j)为第j次取样在t时间点的血糖值；Bt(j)为第j次取样在t时间点的胰岛素值； \* 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为餐后t x10分钟的血糖值；C0为空腹时的血糖值；Ct(j)为第j次取样在t时间点的血糖值；n为采血量测次数，S4中，K为激活函，W为加权系数，其中激活函数还可以表示为双曲正切函数或S型函数，双曲正切函数的公式表示为，S型函数的公式表示为。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。