本發(fā)明涉及糖尿病，具體地說，涉及一種基于多模態(tài)大模型的糖尿病風(fēng)險預(yù)測模型。

背景技術(shù)：

1、糖尿病是由遺傳和環(huán)境因素共同作用，引起的—組以慢性高血糖為主要特征的臨床綜合征，是一種常見的代謝性疾病，已經(jīng)成為全球性的健康問題，糖尿病具有很高的危害性，必須采取措施進行預(yù)防和管理，現(xiàn)有技術(shù)中針對糖尿病風(fēng)險預(yù)測的系統(tǒng)，如公開號cn111968748a提供了一種糖尿病并發(fā)癥預(yù)測模型的建模方法，包括如下步驟：s10數(shù)據(jù)采集，采集醫(yī)院糖尿病并發(fā)癥數(shù)據(jù)；s20數(shù)據(jù)處理，將所述并發(fā)癥數(shù)據(jù)進行預(yù)處理獲得建模數(shù)據(jù)；s30將所述建模數(shù)據(jù)利用spss軟件進行數(shù)據(jù)離散化處理獲得特征數(shù)據(jù)；以及s40使用70％的所述特征數(shù)據(jù)對機器學(xué)習(xí)模型進行訓(xùn)練，使用30％的所述特征數(shù)據(jù)對所述機器學(xué)習(xí)模型進行測試，獲得所述糖尿病并發(fā)癥預(yù)測模型。本發(fā)明的一種糖尿病并發(fā)癥預(yù)測模型的建模方法，使用大量現(xiàn)有的國內(nèi)糖尿病患者的電子病歷數(shù)據(jù)建立糖尿病并發(fā)癥預(yù)測模型，可提高國內(nèi)糖尿病患者的并發(fā)癥的預(yù)測效果，將所述糖尿病并發(fā)癥預(yù)測模型應(yīng)用于糖尿病并發(fā)癥預(yù)測可針對高危人群采取恰當(dāng)措施，輔助醫(yī)生診療；

2、目前用戶分為攜帶糖尿病基因(有家族史)和不攜帶糖尿病基因兩種類型，針對不同用戶需要預(yù)測的內(nèi)容也不同，然而現(xiàn)有技術(shù)不方便根據(jù)用戶基因情況分配預(yù)測模型，導(dǎo)致不能針對性的進行風(fēng)險預(yù)測，影響后續(xù)診療，鑒于此，我們提出一種基于多模態(tài)大模型的糖尿病風(fēng)險預(yù)測模型，可針對攜帶糖尿病基因的用戶預(yù)測疾病進展和并發(fā)癥，針對不攜帶糖尿病基因的用戶預(yù)測未來患病風(fēng)險。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于多模態(tài)大模型的糖尿病風(fēng)險預(yù)測模型，通過根據(jù)基因檢測和家族史數(shù)據(jù)，分配不同的模型預(yù)測糖尿病風(fēng)險，且針對有家族史的用戶結(jié)合家族史數(shù)據(jù)，更全面地評估個體風(fēng)險，為家族成員提供針對性的健康管理建議。

2、為實現(xiàn)上述目的，本發(fā)明提供一種基于多模態(tài)大模型的糖尿病風(fēng)險預(yù)測模型，包括多數(shù)據(jù)融合采集單元、模型構(gòu)建選擇單元和用戶分類單元；

3、所述多數(shù)據(jù)融合采集單元用于挖掘糖尿病患者的歷史數(shù)據(jù)，歷史包括有家族史的糖尿病患者歷史數(shù)據(jù)和無家族史的糖尿病患者歷史數(shù)據(jù)；

4、所述模型構(gòu)建選擇單元通過將所述多數(shù)據(jù)融合采集單元中有家族史的糖尿病患者歷史數(shù)據(jù)作為初始訓(xùn)練集，訓(xùn)練攜帶預(yù)測模型，用于分析時間序列數(shù)據(jù)，預(yù)測血糖波動和并發(fā)癥風(fēng)險；通過將無家族史的糖尿病患者歷史數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練正常預(yù)測模型，用于預(yù)測未來患病風(fēng)險；

5、所述用戶分類單元用于收集當(dāng)前用戶數(shù)據(jù)，當(dāng)前用戶數(shù)據(jù)包括基因數(shù)據(jù)、家族史數(shù)據(jù)、臨床數(shù)據(jù)和生活方式數(shù)據(jù)，并從基因數(shù)據(jù)中獲取基因芯片分析當(dāng)前用戶糖尿病攜帶情況；

6、若用戶攜帶糖尿病基因，且家族史數(shù)據(jù)反映無家族史，則將當(dāng)前用戶數(shù)據(jù)輸入攜帶預(yù)測模型，預(yù)測血糖波動和并發(fā)癥風(fēng)險；

7、若用戶攜帶糖尿病基因，且家族史數(shù)據(jù)反映有家族史，則將當(dāng)前用戶數(shù)據(jù)對應(yīng)的家族數(shù)據(jù)作為訓(xùn)練集，重新訓(xùn)練實際攜帶基因訓(xùn)練模型，預(yù)測血糖波動和并發(fā)癥風(fēng)險；

8、若用戶未攜帶糖尿病基因，且家族史數(shù)據(jù)反映有家族史，則將當(dāng)前用戶數(shù)據(jù)輸入實際攜帶預(yù)測模型，預(yù)測血糖波動和并發(fā)癥風(fēng)險；

9、若用戶未攜帶糖尿病基因，且家族史數(shù)據(jù)反映無家族史，則將當(dāng)前用戶數(shù)據(jù)輸入正常預(yù)測模型，預(yù)測未來患病風(fēng)險。

10、作為本技術(shù)方案的進一步改進，所述多數(shù)據(jù)融合采集單元包括爬蟲挖掘模塊和家族史分類模塊；

11、所述爬蟲挖掘模塊用于從醫(yī)療記錄中爬取所有糖尿病患者的患病數(shù)據(jù)，所述患病數(shù)據(jù)包括家族史數(shù)據(jù)、臨床數(shù)據(jù)和生活方式數(shù)據(jù)；

12、所述家族史分類模塊用于調(diào)出患病數(shù)據(jù)，分析對應(yīng)家族史數(shù)據(jù)中是否有患病記錄進行分類存儲，若有患病記錄，則標(biāo)記為有家族史的糖尿病患者存儲在第一數(shù)據(jù)庫，若無患病記錄，則標(biāo)記為無家族史的糖尿病患者存儲在第二數(shù)據(jù)庫。

13、作為本技術(shù)方案的進一步改進，所述模型構(gòu)建選擇單元中訓(xùn)練攜帶預(yù)測模型在所述第一數(shù)據(jù)庫內(nèi)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)來訓(xùn)練有家族史的糖尿病患者歷史數(shù)據(jù)，包括以下步驟：

14、選擇第一數(shù)據(jù)庫中標(biāo)記為有家族史的糖尿病患者對應(yīng)的患病數(shù)據(jù)，并對數(shù)據(jù)進行清洗，處理缺失值，進行歸一化，并轉(zhuǎn)換為適合循環(huán)神經(jīng)網(wǎng)絡(luò)輸入的格式；

15、提取周期性的時間特征作為輸入層，使用rnn單元作為隱藏層處理序列數(shù)據(jù)，捕捉時間依賴性，根據(jù)預(yù)測血糖波動和并發(fā)癥風(fēng)險設(shè)計輸出層，其表達式為：

16、ht＝f(ht-1,xt,wh,bh)

17、yt＝g(ht,wy,by)

18、其中，ht是在時間步t的隱藏狀態(tài)，先前的隱藏狀態(tài)ht-1，xt是在時間步t的輸入，wh和bh是隱藏層的權(quán)重和偏置，f是激活函數(shù)，通常使用tanh或relu，yt是在時間步t的輸出，wy和by分別是輸出層的權(quán)重和偏置，g是輸出層的激活函數(shù)。

19、作為本技術(shù)方案的進一步改進，所述模型構(gòu)建選擇單元中訓(xùn)練正常預(yù)測模型在所述第二數(shù)據(jù)庫內(nèi)，采用深度學(xué)習(xí)算法來訓(xùn)練無家族史的糖尿病患者歷史數(shù)據(jù)，包括以下步驟：

20、選擇第二數(shù)據(jù)庫中標(biāo)記為無家族史的糖尿病患者對應(yīng)的患病數(shù)據(jù)，并對數(shù)據(jù)進行清洗，處理缺失值，進行歸一化，實現(xiàn)所有數(shù)值特征進行標(biāo)準(zhǔn)化成特征向量；

21、構(gòu)建一個多層感知器模型，在輸入層接受患者的特征向量，在隱藏層通過非線性激活函數(shù)對輸入數(shù)據(jù)進行特征提取和轉(zhuǎn)換，最后輸出層使用sigmoid激活函數(shù)，輸出為患病風(fēng)險概率，值介于0到1之間。

22、作為本技術(shù)方案的進一步改進，所述用戶分類單元包括數(shù)據(jù)采集模塊、基因檢測模塊、模型選擇模塊和更新調(diào)整模塊；

23、所述數(shù)據(jù)采集模塊用于通過家族病史記錄收集用戶的家族史數(shù)據(jù)，輸出家族史情況，家族史情況包括有家族史和無家族史，從電子健康記錄系統(tǒng)中獲取臨床數(shù)據(jù)，通過用戶填寫的問卷收集生活方式數(shù)據(jù)；

24、所述基因檢測模塊用于通過基因檢測來獲取用戶的基因信息，使用已知的與糖尿病相關(guān)的基因芯片，進行靶向檢測，若存在糖尿病基因，則輸出基因信號，若不存在糖尿病基因，則輸出無基因信號；

25、所述模型選擇模塊用于同時接收所述數(shù)據(jù)采集模塊和基因檢測模塊的家族史情況和靶向檢測結(jié)果，包括以下姿態(tài)：

26、姿態(tài)一、接收到基因信號和無家族史，輸入所述數(shù)據(jù)采集模塊中的臨床數(shù)據(jù)和生活方式數(shù)據(jù)攜帶基因訓(xùn)練模型，輸出預(yù)測血糖波動和并發(fā)癥風(fēng)險結(jié)果；

27、姿態(tài)二、接收到基因信號和有家族史，傳輸信號至更新調(diào)整模塊，用于采集當(dāng)前用戶家屬的家族數(shù)據(jù)輸入第一數(shù)據(jù)庫內(nèi)，家族數(shù)據(jù)包括家族臨床數(shù)據(jù)和家族生活方式數(shù)據(jù)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)再次訓(xùn)練家族臨床數(shù)據(jù)和生活方式數(shù)據(jù)形成實際攜帶基因訓(xùn)練模型，輸入所述數(shù)據(jù)采集模塊中的臨床數(shù)據(jù)和家族生活方式數(shù)據(jù)，輸出預(yù)測血糖波動和并發(fā)癥風(fēng)險；

28、姿態(tài)三、接收到無基因信號和有家族史，輸入所述數(shù)據(jù)采集模塊中的臨床數(shù)據(jù)和生活方式數(shù)據(jù)至實際攜帶基因訓(xùn)練模型，輸出預(yù)測血糖波動和并發(fā)癥風(fēng)險；

29、姿態(tài)四、接收到無基因信號和無家族史，輸入所述數(shù)據(jù)采集模塊中的臨床數(shù)據(jù)和生活方式數(shù)據(jù)至正常預(yù)測模型，預(yù)測未來患病風(fēng)險。

30、作為本技術(shù)方案的進一步改進，所述更新調(diào)整模塊采集當(dāng)前用戶家屬的家族數(shù)據(jù)，采用預(yù)先設(shè)計好的問卷，使用文本分類算法對文本數(shù)據(jù)進行分類，識別出臨床數(shù)據(jù)和生活方式數(shù)據(jù)。

31、作為本技術(shù)方案的進一步改進，所述問卷分為臨床數(shù)據(jù)和生活方式數(shù)據(jù)兩個類別；

32、臨床數(shù)據(jù)：包括但不限于疾病診斷和醫(yī)療記錄；

33、生活方式數(shù)據(jù)：包括但不限于飲食習(xí)慣、運動習(xí)慣、睡眠習(xí)慣和情緒狀態(tài)。

34、作為本技術(shù)方案的進一步改進，所述用戶分類單元還包括節(jié)點劃分模塊，所述節(jié)點劃分模塊用于定義一個窗口大小，例如過去3個月的數(shù)據(jù)，使用滑動窗口內(nèi)所述數(shù)據(jù)采集模塊收集的用戶數(shù)據(jù)輸入模型選擇模塊預(yù)測，每當(dāng)收到新的血糖監(jiān)測數(shù)據(jù)，就將窗口向前移動一個時間步長，并將最新的數(shù)據(jù)加入窗口，每當(dāng)窗口更新后，根據(jù)用戶的最新數(shù)據(jù)和時間變化情況更新預(yù)測結(jié)果。

35、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

36、該基于多模態(tài)大模型的糖尿病風(fēng)險預(yù)測模型中，采用深度學(xué)習(xí)算法來訓(xùn)練無家族史的糖尿病患者歷史數(shù)據(jù)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)來訓(xùn)練有家族史的糖尿病患者歷史數(shù)據(jù)，形成多個預(yù)測模型，方便根據(jù)用戶是否攜帶糖尿病基因和家族史情況分配對應(yīng)的預(yù)測模型，能夠為個體提供更加精準(zhǔn)的健康評估和預(yù)防建議，預(yù)測結(jié)果可以幫助醫(yī)生更快地做出決策，有利于后續(xù)早期預(yù)防和干預(yù)；

37、并且采用循環(huán)神經(jīng)網(wǎng)絡(luò)再次訓(xùn)練家族臨床數(shù)據(jù)和生活方式數(shù)據(jù)形成實際攜帶基因訓(xùn)練模型，輸入所述數(shù)據(jù)采集模塊中的臨床數(shù)據(jù)和家族生活方式數(shù)據(jù)，輸出預(yù)測血糖波動和并發(fā)癥風(fēng)險，確保預(yù)測結(jié)果更加貼近個體實際情況，結(jié)合家族史數(shù)據(jù)，可以更全面地評估個體風(fēng)險，為家族成員提供針對性的健康管理建議，將家族數(shù)據(jù)整合進模型，有助于發(fā)現(xiàn)家族遺傳模式，提高預(yù)測的準(zhǔn)確性，即使沒有基因信號，也能通過家族史數(shù)據(jù)提高預(yù)測的準(zhǔn)確性，充分利用現(xiàn)有信息。