[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112289435B - 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统 - Google Patents

一种基于机器学习和体检数据的妊娠期糖尿病筛查系统 Download PDF

Info

Publication number
CN112289435B
CN112289435B CN202011100897.7A CN202011100897A CN112289435B CN 112289435 B CN112289435 B CN 112289435B CN 202011100897 A CN202011100897 A CN 202011100897A CN 112289435 B CN112289435 B CN 112289435B
Authority
CN
China
Prior art keywords
module
data
historical
measuring
glycosylated hemoglobin
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011100897.7A
Other languages
English (en)
Other versions
CN112289435A (zh
Inventor
陈丹青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Womens Hospital of Zhejiang University School of Medicine
Original Assignee
Womens Hospital of Zhejiang University School of Medicine
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Womens Hospital of Zhejiang University School of Medicine filed Critical Womens Hospital of Zhejiang University School of Medicine
Priority to CN202011100897.7A priority Critical patent/CN112289435B/zh
Publication of CN112289435A publication Critical patent/CN112289435A/zh
Application granted granted Critical
Publication of CN112289435B publication Critical patent/CN112289435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明属于信息处理技术领域，公开了一种基于机器学习和体检数据的妊娠期糖尿病筛查系统及方法，参数设定模块用于设定孕前体重指数、糖化血红蛋白、血糖的参考值；历史数据输入模块用于输入体检者的身高、体重、社会人口学资料、家族史、病史、过敏史、生活习惯；数据采集模块用于历史数据以及孕前体重指数、糖化血红蛋白、血糖数据；数据处理模块用于对数据进行对比、分析；显示模块用于显示孕前体重指数、糖化血红蛋白、血糖数据。本发明通过生活方式、疾病等对体检者身体状况做初步了解，通过孕前体重指数、糖化血红蛋白、血糖的测定结果进行妊娠期糖尿病的判定；系统的组成简单，操作方便，对妊娠期妇女糖尿病的筛查有重要意义。

Description

一种基于机器学习和体检数据的妊娠期糖尿病筛查系统
技术领域
本发明属于信息处理技术领域，尤其涉及一种基于机器学习和体检数据的妊娠期糖尿病筛查系统。
背景技术
妊娠期糖尿病是妊娠期发病率最高的疾病，是一组以妊娠中期(24周～28周)高血糖为特征的代谢性疾病，其不仅导致胎儿巨大、新生儿低血糖、难产以及产后出血，而且使母子两代人未来患心血管疾病、代谢性紊乱均增加。但目前在妊娠早期尚缺乏对妊娠期糖尿病筛查方法的，也缺乏诊断标准，容易漏诊延误治疗。目前国内外指南是以24周～28周葡萄糖耐量(OGTT)血糖升高诊断为妊娠期糖尿病，其时高血糖对母子两代人的不良影响已经产生。因此，必须寻找一种妊娠期早期妊娠糖尿病筛查系统，建立预警指南，并及时进行医学营养管理，达到妊娠期糖尿病阻断关卡前移的目的，减少妊娠期糖尿病发生。
综上所述，现有技术存在的问题是：目前暂无在妊娠期早期对妊娠期糖尿病筛查方法的，也无法在早孕期进行医学营养干预指证制定。
解决上述技术问题的难度：妊娠期是女性一生特殊的生理期，为了适应胎儿生长发育以及胎盘分泌的激素具有胰岛素抵抗作用。容易导致能量代谢紊乱导致血糖升高。但目前妊娠24周之前尚缺乏妊娠期糖尿病筛查诊断标准，尤其在早孕期血糖尚正常的情况下，无法预测妊娠中期(24周～28周)妊娠期糖尿病发病率
解决上述技术问题的意义：在早孕期就建立妊娠期糖尿病筛查预警系统，达到精准干预妊娠期糖尿病的目的，提高出生人口质量，减少母儿不良围产结局。
发明内容
针对现有技术存在的问题，本发明实施例提供的了一种基于机器学习和体检数据的妊娠期糖尿病筛查系统。
本发明是这样实现的，一种基于机器学习和体检数据的妊娠期糖尿病筛查方法，包括以下步骤：
步骤一，通过历史数据输入模块输入体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯；
步骤二，通过参数设定模块获取妊娠者当前身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考数据；
步骤三，基于步骤一获取到的历史数据以及步骤二获取到的相关标准数据构建标准向量，基于相关历史数据以及构建的向量构建参数设定模型；
所述进行妊娠者身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考值的设定后，对体检者的孕前体重指数、糖化血红蛋白、血糖、腰围、血压进行测定，具体为：
孕前体重指数测定模块对体检者的孕前体重指数进行测定；糖化血红蛋白测定模块通过水银糖化血红蛋白计对体检者的糖化血红蛋白进行测定；血糖测定模块通过血液采集装置、血液检测装置对体检者的血糖进行测定；腰围测定模块测量妊娠者的腰围；血压测定模块通过血压计测量妊娠者的血压；
步骤四，数据采集模块在历史数据输入模块、体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块中集成数据采集工具集；
步骤五，数据采集模块在历史数据输入模块、体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块的生命周期函数中植入所述数据采集工具集的初始化方法；
步骤六，中央控制模块控制数据采集模块通过历史数据输入模块、体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块中的上下文数据采集渠道数据；
步骤七，中央控制模块控制数据采集模块通过重写历史数据输入模块、体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块中框架的生命周期函数采集用户访问数据；
步骤八，中央控制模块控制数据采集模块通过历史数据输入模块、体重测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块中框架的系统接口采集所述智能终端设备的底层环境数据；
步骤九，数据采集模块基于步骤六至步骤八得到体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯以及当前糖化血红蛋白、血糖、腰围、血压数据，并进行相应数据汇总；
步骤十，数据处理模块对数据采集模块采集的信息进行对比、分析；得到妊娠期糖尿病高危人群与否的结论；显示模块通过显示器显示孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖数据；
所述数据处理模块对数据采集模块采集的信息进行对比、分析包括：
获取第一矩阵数据集；
对所述第一矩阵数据集进行第一维度处理，获得第二矩阵数据集；
对所述第二矩阵数据集进行第二维度处理，获得第三矩阵数据集；
根据所述第一矩阵数据集与所述第三矩阵数据集获得第四矩阵数据集；
将所述第四矩阵数据集的特征数据量化到特定区域，获得特征数据集；
将所述特征数据集中的数据与对应的目标特征数据进行对比；
输出对比结果。
进一步，所述基于相关历史数据以及构建的向量构建参数设定模型，具体为：进行妊娠者身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考值的设定。
进一步，所述步骤九之前还需进行：中央控制模块控制数据采集模块将包括渠道数据、用户访问数据和底层环境数据中的至少一部分的已采集数据上报到服务器。
进一步，所述孕前体重指数测定模块对体检者的孕前体重指数进行测定的方法为：
孕前体重指数测定模块使用体重计和身高测量仪器测量妊娠者的体重以及身高数据，并基于下式计算体重指数；
孕前体重指数＝体重/身高的平方，体重单位为：kg；身高单位为：m。
进一步，所述糖化血红蛋白测定模块通过水银糖化血红蛋白计对体检者的糖化血红蛋白进行测定的次数为两次。
进一步，所述血糖测定模块通过血液采集装置进行血糖采集时，需确定血液样本为空腹取得。
进一步，所述腰围测定模块测量妊娠者的腰围的方法包括：
使用卷尺测定腋中线髂骨上缘和第十二肋骨下缘连线中点的周径，即为所述妊娠者的腰围。
本发明的另一目的在于提供一种实施所述基于机器学习和体检数据的妊娠期糖尿病筛查的方法，所述基于机器学习和体检数据的妊娠期糖尿病筛查系统包括：
孕前体重指数测定模块，与中央控制模块连接，用于对体检者的孕前体重指数进行测定；
糖化血红蛋白测定模块，与中央控制模块连接，用于通过水银糖化血红蛋白计对体检者的糖化血红蛋白进行测定；
血糖测定模块，与中央控制模块连接，用于通过血液采集装置、血液检测装置对体检者的血糖进行测定；
参数设定模块，与中央控制模块连接，用于设定孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖的参考值；
历史数据输入模块，与中央控制模块连接，用于输入体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯；
数据采集模块，与中央控制模块连接，用于采集历史数据输入模块获取的历史数据，并对孕前体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块测量的孕前体重指数、糖化血红蛋白、血糖、腰围、血压数据进行汇总；
数据处理模块，与中央控制模块连接，用于对数据采集模块采集的信息进行对比、分析；
显示模块，与中央控制模块连接，用于通过显示器显示孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖数据；
中央控制模块，与孕前体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、参数设定模块、历史数据输入模块、数据采集模块、数据处理模块、显示模块连接，用于通过主控机控制各模块正常工作。
进一步，所述基于机器学习和体检数据的妊娠期糖尿病筛查系统包括：
腰围测定模块，与中央控制模块连接，用于测量妊娠者的腰围；
血压测定模块，与中央控制模块连接，用于通过血压计测量妊娠者的血压。
本发明的另一目的在于提供一种实现所述基于机器学习和体检数据的妊娠期糖尿病筛查的方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于机器学习和体检数据的妊娠期糖尿病筛查的方法。
综上所述，本发明的优点及积极效果为：通过参数设定模块进行孕前体重指数、糖化血红蛋白、血糖参考值的设定；通过历史数据输入模块输入体检者的身高、体重、社会人口学资料、家族史、病史、过敏史、生活习惯；通过孕前体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块分别对体检者的孕前体重指数、糖化血红蛋白、血糖进行测定；通过生活方式、疾病等对体检者身体状况做初步了解，通过孕前体重指数、糖化血红蛋白、血糖的测定结果进行妊娠期糖尿病的判定；筛查系统的组成简单，操作方便，对妊娠期妇女糖尿病的筛查有重要意义。
附图说明
图1是本发明实施例提供的基于机器学习和体检数据的妊娠期糖尿病筛查方法流程图。
图2是本发明实施例提供的基于机器学习和体检数据的妊娠期糖尿病筛查系统的结构示意图；
图中：1、孕前体重指数测定模块；2、糖化血红蛋白测定模块；3、血糖测定模块；4、参数设定模块；5、历史数据输入模块；6、数据采集模块；7、数据处理模块；8、显示模块；9、中央控制模块；10、腰围测定模块；11、血压测定模块。
图3是本发明实施例提供的数据采集方法流程图。
图4是本发明实施例提供的参数设定方法流程图。
图5是本发明实施例提供的数据处理方法流程图。
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，以下结合实施例，对本发明进行进一步详细说明。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。
针对现有技术存在的问题，本发明实施例提供的了一种基于机器学习和体检数据的妊娠期糖尿病筛查系统，下面结合附图对本发明作详细的描述。
S101，通过历史数据输入模块输入体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯；
S102，通过参数设定模块进行妊娠者身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考值的设定；
S103，孕前体重指数测定模块对体检者的孕前体重指数进行测定；糖化血红蛋白测定模块通过水银糖化血红蛋白计对体检者的糖化血红蛋白进行测定；
S104，血糖测定模块通过血液采集装置、血液检测装置对体检者的血糖进行测定；腰围测定模块测量妊娠者的腰围；血压测定模块通过血压计测量妊娠者的血压；
S105，数据采集模块获取体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯以及当前糖化血红蛋白、血糖、腰围、血压数据，并进行相应数据汇总；
S106，数据处理模块对数据采集模块采集的信息进行对比、分析，得到妊娠期糖尿病高危人群与否的结论；显示模块通过显示器显示孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖数据。
如图2所示，本发明实施例提供的基于机器学习和体检数据的妊娠期糖尿病筛查系统包括：
孕前体重指数测定模块1、糖化血红蛋白测定模块2、血糖测定模块3、参数设定模块4、历史数据输入模块5、数据采集模块6、数据处理模块7、显示模块8、中央控制模块9、腰围测定模块10、血压测定模块11。
孕前体重指数测定模块1，与中央控制模块连接，用于对体检者的孕前体重指数进行测定；
糖化血红蛋白测定模块2，与中央控制模块连接，用于通过水银糖化血红蛋白计对体检者的糖化血红蛋白进行测定；
血糖测定模块3，与中央控制模块连接，用于通过血液采集装置、血液检测装置对体检者的血糖进行测定；
参数设定模块4，与中央控制模块连接，用于设定孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖的参考值；
历史数据输入模块5，与中央控制模块连接，用于输入体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯；
数据采集模块6，与中央控制模块连接，用于采集历史数据输入模块获取的历史数据，并对孕前体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块测量的孕前体重指数、糖化血红蛋白、血糖、腰围、血压数据进行汇总；
数据处理模块7，与中央控制模块连接，用于对数据采集模块采集的信息进行对比、分析；
显示模块8，与中央控制模块连接，用于通过显示器显示孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖数据；
中央控制模块9，与孕前体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、参数设定模块、历史数据输入模块、数据采集模块、数据处理模块、显示模块连接，用于通过主控机控制各模块正常工作；
腰围测定模块10，与中央控制模块9连接，用于测量妊娠者的腰围；
血压测定模块11，与中央控制模块9连接，用于通过血压计测量妊娠者的血压。
如图3所示，本发明实施例提供的数据采集模块6进行数据采集的方法为：
S201，在历史数据输入模块5、孕前体重指数测定模块1、糖化血红蛋白测定模块2、血糖测定模块3、腰围测定模块10、血压测定模块11中集成数据采集工具集；
S202，在所述历史数据输入模块5、孕前体重指数测定模块1、糖化血红蛋白测定模块2、血糖测定模块3、腰围测定模块10、血压测定模块11的生命周期函数中植入所述数据采集工具集的初始化方法；
S203，通过所述历史数据输入模块5、孕前体重指数测定模块1、糖化血红蛋白测定模块2、血糖测定模块3、腰围测定模块10、血压测定模块11中的上下文数据采集渠道数据；
S204，通过重写所述历史数据输入模块5、孕前体重指数测定模块1、糖化血红蛋白测定模块2、血糖测定模块3、腰围测定模块10、血压测定模块11中框架的生命周期函数采集用户访问数据；
S205，通过所述历史数据输入模块5、孕前体重指数测定模块1、糖化血红蛋白测定模块2、血糖测定模块3、腰围测定模块10、血压测定模块11中框架的系统接口采集所述智能终端设备的底层环境数据；
S206，将包括所述渠道数据、所述用户访问数据和所述底层环境数据中的至少一部分的已采集数据上报到服务器。
如图4所示，本发明实施例提供的参数设定模块设定方法包括：
S301，获取体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯；
S302，获取妊娠者当前身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考数据；
S303，基于步骤S301获取到的历史数据以及步骤S302获取到的相关标准数据构建标准向量，基于相关历史数据以及构建的向量构建参数设定模型，并进行妊娠者身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考值的设定。
如图5所示，本发明实施例提供的数据处理模块7进行数据处理的方法为：
S401，获取第一矩阵数据集；
S402，对所述第一矩阵数据集进行第一维度处理，获得第二矩阵数据集；
S403，对所述第二矩阵数据集进行第二维度处理，获得第三矩阵数据集；
S404，根据所述第一矩阵数据集与所述第三矩阵数据集获得第四矩阵数据集；
S405，将所述第四矩阵数据集的特征数据量化到特定区域，获得特征数据集；
S406，将所述特征数据集中的数据与对应的目标特征数据进行对比；
S407，输出对比结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习和体检数据的妊娠期糖尿病筛查方法，其特征在于，所述基于机器学习和体检数据的妊娠期糖尿病筛查方法包括以下步骤：
步骤一，通过历史数据输入模块输入体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯；
步骤二，通过参数设定模块获取妊娠者当前身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考数据；
步骤三，基于步骤一获取到的历史数据以及步骤二获取到的相关标准数据构建标准向量，基于相关历史数据以及构建的向量构建参数设定模型；
所述进行妊娠者身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考数据的设定后，对体检者的孕前体重指数、糖化血红蛋白、血糖、腰围、血压进行测定，具体为：
孕前体重指数测定模块对体检者的孕前体重指数进行测定；糖化血红蛋白测定模块通过水银糖化血红蛋白计对体检者的糖化血红蛋白进行测定；血糖测定模块通过血液采集装置、血液检测装置对体检者的血糖进行测定；腰围测定模块测量妊娠者的腰围；血压测定模块通过血压计测量妊娠者的血压；
步骤四，数据采集模块在历史数据输入模块、体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块中集成数据采集工具集；
步骤五，数据采集模块在历史数据输入模块、体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块的生命周期函数中植入所述数据采集工具集的初始化方法；
步骤六，中央控制模块控制数据采集模块通过历史数据输入模块、体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块中的上下文数据采集渠道数据；
步骤七，中央控制模块控制数据采集模块通过重写历史数据输入模块、体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块中框架的生命周期函数采集用户访问数据；
步骤八，中央控制模块控制数据采集模块通过历史数据输入模块、体重测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块中框架的系统接口采集智能终端设备的底层环境数据；
步骤九，数据采集模块基于步骤六至步骤八得到体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯以及当前糖化血红蛋白、血糖、腰围、血压数据，并进行相应数据汇总；
步骤十，数据处理模块对数据采集模块采集的信息进行对比、分析；得到妊娠期糖尿病高危人群与否的结论；显示模块通过显示器显示孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖数据；
所述数据处理模块对数据采集模块采集的信息进行对比、分析包括：
获取第一矩阵数据集；
对所述第一矩阵数据集进行第一维度处理，获得第二矩阵数据集；
对所述第二矩阵数据集进行第二维度处理，获得第三矩阵数据集；
根据所述第一矩阵数据集与所述第三矩阵数据集获得第四矩阵数据集；
将所述第四矩阵数据集的特征数据量化到特定区域，获得特征数据集；
将所述特征数据集中的数据与对应的目标特征数据进行对比；
输出对比结果。
2.如权利要求1所述基于机器学习和体检数据的妊娠期糖尿病筛查方法，其特征在于，所述基于相关历史数据以及构建的向量构建参数设定模型，具体为：进行妊娠者身高、年龄的标准体重指数、腰围、血压、糖化血红蛋白、血糖参考值的设定。
3.如权利要求2所述基于机器学习和体检数据的妊娠期糖尿病筛查方法，其特征在于，所述孕前体重指数测定模块对体检者的孕前体重指数进行测定的方法为：
孕前体重指数测定模块使用体重计和身高测量仪器测量妊娠者的体重以及身高数据，并基于下式计算体重指数；
孕前体重指数＝体重/身高的平方，体重单位为：kg；身高单位为：m。
4.如权利要求2所述基于机器学习和体检数据的妊娠期糖尿病筛查方法，其特征在于，所述糖化血红蛋白测定模块通过水银糖化血红蛋白计对体检者的糖化血红蛋白进行测定的次数为两次。
5.如权利要求2所述基于机器学习和体检数据的妊娠期糖尿病筛查方法，其特征在于，所述血糖测定模块通过血液采集装置进行血糖采集时，需确定血液样本为空腹取得。
6.如权利要求2所述基于机器学习和体检数据的妊娠期糖尿病筛查方法，其特征在于，所述腰围测定模块测量妊娠者的腰围的方法包括：
使用卷尺测定腋中线髂骨上缘和第十二肋骨下缘连线中点的周径，即为所述妊娠者的腰围。
7.如权利要求1所述基于机器学习和体检数据的妊娠期糖尿病筛查方法，其特征在于，所述步骤九之前还需进行：中央控制模块控制数据采集模块将包括渠道数据、用户访问数据和底层环境数据中的至少一部分的已采集数据上报到服务器。
8.一种实施如权利要求1-7所述基于机器学习和体检数据的妊娠期糖尿病筛查的方法，其特征在于，所述基于机器学习和体检数据的妊娠期糖尿病筛查系统包括：
孕前体重指数测定模块，与中央控制模块连接，用于对体检者的孕前体重指数进行测定；
糖化血红蛋白测定模块，与中央控制模块连接，用于通过水银糖化血红蛋白计对体检者的糖化血红蛋白进行测定；
血糖测定模块，与中央控制模块连接，用于通过血液采集装置、血液检测装置对体检者的血糖进行测定；
参数设定模块，与中央控制模块连接，用于设定孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖的参考值；
历史数据输入模块，与中央控制模块连接，用于输入体检者的孕前体重指数、历史身高、历史体重、历史腰围、历史血压、历史糖化血红蛋白、历史血糖参考值、社会人口学资料、家族史、病史、过敏史、生活习惯；
数据采集模块，与中央控制模块连接，用于采集历史数据输入模块获取的历史数据，并对孕前体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、腰围测定模块、血压测定模块测量的孕前体重指数、糖化血红蛋白、血糖、腰围、血压数据进行汇总；
数据处理模块，与中央控制模块连接，用于对数据采集模块采集的信息进行对比、分析；
显示模块，与中央控制模块连接，用于通过显示器显示孕前体重指数、身高、腰围、血压、糖化血红蛋白、血糖数据；
中央控制模块，与孕前体重指数测定模块、糖化血红蛋白测定模块、血糖测定模块、参数设定模块、历史数据输入模块、数据采集模块、数据处理模块、显示模块连接，用于通过主控机控制各模块正常工作；
进一步，所述基于机器学习和体检数据的妊娠期糖尿病筛查系统包括：
腰围测定模块，与中央控制模块连接，用于测量妊娠者的腰围；
血压测定模块，与中央控制模块连接，用于通过血压计测量妊娠者的血压。
9.一种实现权利要求1～7任意一项所述基于机器学习和体检数据的妊娠期糖尿病筛查的方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的基于机器学习和体检数据的妊娠期糖尿病筛查的方法。
CN202011100897.7A 2020-10-15 2020-10-15 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统 Active CN112289435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011100897.7A CN112289435B (zh) 2020-10-15 2020-10-15 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011100897.7A CN112289435B (zh) 2020-10-15 2020-10-15 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统

Publications (2)

Publication Number Publication Date
CN112289435A CN112289435A (zh) 2021-01-29
CN112289435B true CN112289435B (zh) 2022-10-14

Family

ID=74497122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011100897.7A Active CN112289435B (zh) 2020-10-15 2020-10-15 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统

Country Status (1)

Country Link
CN (1) CN112289435B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114496209B (zh) * 2022-02-18 2022-09-27 青岛市中心血站 一种献血智能决策方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102299556A (zh) * 2010-06-25 2011-12-28 苏州太谷电力有限公司 用电设备实时监测系统
CN104063583B (zh) * 2014-06-06 2017-06-20 北京工业大学 基于动态物理学和理化因素的妊娠期糖尿病风险监测系统
CN204705861U (zh) * 2015-06-26 2015-10-14 北京九州恒盛电力科技有限公司 一种配电室智能数据采集管理系统
CN107194138B (zh) * 2016-01-31 2023-05-16 北京万灵盘古科技有限公司 一种基于体检数据建模的空腹血糖预测方法
CN109308545B (zh) * 2018-08-21 2023-07-07 中国平安人寿保险股份有限公司 预测患糖尿病几率的方法、装置、计算机设备及存储介质
CN109524118A (zh) * 2018-11-01 2019-03-26 上海海事大学 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法

Also Published As

Publication number Publication date
CN112289435A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
US12023178B2 (en) Method of detecting sepsis using vital signs, including systolic blood pressure, hematology parameters, and combinations thereof
CN104257353A (zh) 一种睡眠呼吸暂停综合症检测系统
CN115083607A (zh) 一种人体健康指标状况监测分析方法、系统及存储介质
CN105708426A (zh) 健康孕妇中等强度运动心脏储备功能的动态评估方法
CN112289435B (zh) 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统
Huhn et al. Quality predictors of abdominal fetal electrocardiography recording in antenatal ambulatory and bedside settings
CN116597993A (zh) 一种用于妊娠期孕妇的高血压风险动态评估系统
WO2018002678A1 (en) Method and device for predicting and testing physiological conditions of a female mammal
Sun et al. Reference ranges of fetal heart function using a Modified Myocardial Performance Index: a prospective multicentre, cross-sectional study
Zhang et al. The influence of HbA1c and gestational weight gain on pregnancy outcomes in pregnant women with gestational diabetes mellitus
CN100453035C (zh) 通过胎儿心率分析对胎儿反应进行评定
CN114758780A (zh) 产后出血预测方法、装置、终端及存储介质
CN103519791A (zh) 一种人体体温的采集系统及方法
CN111803129A (zh) 妊娠监测系统和方法
Govindan et al. Early maturation of sinus rhythm dynamics in high-risk fetuses
CN115223706A (zh) 适用于移动监护设备的脓毒症早期筛查模型
CN114566281A (zh) 脂肪性肝炎风险诊断设备、系统及其卷积网络的训练方法
CN114965753A (zh) 一种lgals3bp蛋白丰度检测试剂在制备妊娠期糖尿病泪液诊断试剂中的应用
Li et al. Correlation between ductus venosus spectrum and right ventricular diastolic function in isolated single-umbilical-artery foetus and normal foetus in third trimester
CN117442212B (zh) 一种用于产科护理的智能监测方法
CN206892869U (zh) 一种妊娠营养管理系统
CN116138749A (zh) 一种基于ai算法的实时血压预测方法的血压仪
CZ2009127A3 (cs) Zpusob vcasného rozpoznání rizika predcasného porodu spocívající ve sledování deložní aktivity na základe vyhodnocování deložních kontrakcí a zapojení k provádení zpusobu
CN118412119A (zh) 一种一体式智能怀孕检测方法、系统和存储介质
Xi et al. Risk factors and prediction of macrosomia in a cohort study.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant