專利名稱：：一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法及其裝置的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及人體健康管理
技術(shù)領(lǐng)域：
，特別是一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法及其實(shí)現(xiàn)裝置。
背景技術(shù)：
：亞健康的檢測(cè)和評(píng)估是健康管理最終提供個(gè)體化的干預(yù)手段而必不可少的先決條件。但目前由于絕大多數(shù)被市場(chǎng)"炒"作起來(lái)的亞健康檢測(cè)與評(píng)估"產(chǎn)品"均沒有經(jīng)過科學(xué)系統(tǒng)的應(yīng)用研究和實(shí)施數(shù)據(jù)支持，因而只呈曇花一現(xiàn)便無(wú)影無(wú)蹤。[詳見武留信等.亞健康的檢測(cè)與評(píng)估，亞健康學(xué)，北京中國(guó)中醫(yī)出版社，2007.79—126]現(xiàn)存的一些商業(yè)化亞健康檢測(cè)評(píng)估手段分類1.基于既存疾病驗(yàn)后診斷案例歸納的無(wú)創(chuàng)型評(píng)估模型盡管此類亞健康檢測(cè)評(píng)估手段的無(wú)創(chuàng)型檢測(cè)手段的機(jī)理各異，如可以是經(jīng)絡(luò)測(cè)量信息(如經(jīng)穴處的表面皮膚電阻)、量子及熱成象測(cè)量值等，但究其由所獲取的信息所建立的評(píng)估模型而言并非嚴(yán)格的疾病預(yù)警意義上的前瞻性健康風(fēng)險(xiǎn)評(píng)估；因?yàn)閷?shí)質(zhì)上其模型建立機(jī)制是通過檢測(cè)數(shù)據(jù)歸納現(xiàn)存已產(chǎn)生疾病屬性的回顧性提示(盡管此類檢測(cè)評(píng)估系統(tǒng)的似是而非的商業(yè)宣傳稱其對(duì)疾病具有早期提示作用)。建立此類評(píng)估模型的方法論的邏輯含混性在于檢測(cè)信息獲取于已具有既存疾病的非亞健康人群，然后采用數(shù)據(jù)處理進(jìn)行歸納得出的實(shí)為既存疾病屬性的標(biāo)示，而混同于了亞健康狀態(tài)下的疾病預(yù)警意義上的前瞻性健康風(fēng)險(xiǎn)評(píng)估的檢測(cè)信息判據(jù)。為解決以上弊端，有必要采用以下基于亞健康-一疾病時(shí)間序列趨勢(shì)統(tǒng)計(jì)分析的嚴(yán)格前瞻預(yù)報(bào)意義下的有創(chuàng)型流行病學(xué)評(píng)估模型。2.基于亞健康-一疾病時(shí)間序列趨勢(shì)統(tǒng)計(jì)分析模型的有創(chuàng)型流行病學(xué)評(píng)估模型任何一種慢性疾病都有其特有的生理及病理變化。盡管這些變化是復(fù)雜的，但是很小的變化都會(huì)在生物標(biāo)記上有所體現(xiàn)。這里的生物標(biāo)記群不只是考慮每一個(gè)單一指標(biāo)的測(cè)量值，而是包括全面觀察到的眾多有意義的生物醫(yī)學(xué)指標(biāo)及其它指標(biāo)及至問巻調(diào)査和訪談等，基本上是對(duì)一個(gè)人身體健康狀況的整體評(píng)估；因此，如果在疾病發(fā)生前測(cè)得其生物標(biāo)記模式，并連續(xù)觀察疾病發(fā)展過程中時(shí)間序列趨勢(shì)下生物標(biāo)記的變化情況，采用流行病學(xué)統(tǒng)計(jì)分析方法，如Cox比例風(fēng)險(xiǎn)模型[GoxDR.Regressionmodelsandlifetables.J.RStatSocB，1972，34:226-230]等建立評(píng)估模型就可發(fā)現(xiàn)導(dǎo)致疾病發(fā)生及發(fā)展的關(guān)鍵因素，也就是健康管理在亞健康人群檢測(cè)評(píng)估中所真正期望的疾病預(yù)警意義上的前瞻性健康風(fēng)險(xiǎn)評(píng)估的檢測(cè)信息判據(jù)。將某個(gè)體的生物標(biāo)記群錄入計(jì)算機(jī)，基于評(píng)估模型的預(yù)測(cè)軟件系統(tǒng)就會(huì)自動(dòng)將錄入信息與軟件的預(yù)測(cè)模式進(jìn)行比較及分析，進(jìn)而確定該個(gè)體發(fā)生疾病的趨勢(shì)及可能性。這個(gè)過程為采取有效的預(yù)防措施創(chuàng)造了條件。此種檢測(cè)評(píng)估手段的遺憾之處是必須包括有創(chuàng)性血生化指標(biāo)而增加了諸多不便。3.交叉綜合評(píng)估方法綜上所述，有必要通過綜合評(píng)估的手段使以上兩類產(chǎn)生機(jī)制全然不同的檢測(cè)評(píng)估模型"雜交"而揚(yáng)棄各自的優(yōu)缺點(diǎn)。由于所構(gòu)造的新模型來(lái)源于兩類產(chǎn)生機(jī)制全然不同的源模型的"雜交"；因此新模型既不可能通過兩類模型算法的合成來(lái)獲取也不可能籍助原來(lái)產(chǎn)生兩類模型的臨床案例的匯合來(lái)重新構(gòu)建，只能依據(jù)本發(fā)明原創(chuàng)的交叉試驗(yàn)設(shè)計(jì)積累充足的新臨床案例來(lái)獲取。
發(fā)明內(nèi)容健康評(píng)估是健康管理過程中根據(jù)健康信息而提供個(gè)體化亞健康干預(yù)手段所不可缺少的重要環(huán)節(jié)?；谙到y(tǒng)生物信息學(xué),本發(fā)明提出宏觀檢測(cè)人體的整體系統(tǒng)變量，憑籍嚴(yán)格的基于流行病學(xué)的前瞻性模型為示教標(biāo)準(zhǔn)，而開發(fā)出研制周期較短，較為經(jīng)濟(jì)且易于推廣應(yīng)用的無(wú)創(chuàng)型健康評(píng)估模型的交叉綜合通用建立方法及其實(shí)現(xiàn)裝置。并列舉以國(guó)人缺血性心血管病發(fā)病危險(xiǎn)評(píng)估模型作為示教標(biāo)準(zhǔn)對(duì)照，開發(fā)出了相應(yīng)的無(wú)創(chuàng)人體經(jīng)絡(luò)檢測(cè)值的評(píng)估模型，模型的外推預(yù)報(bào)結(jié)果顯示了此方法的應(yīng)用可行性。本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的缺點(diǎn)，而提出一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法及其裝置。一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法，其步驟如圖1流程圖所示相應(yīng)標(biāo)號(hào)步驟如下步驟1:對(duì)同一健康評(píng)估個(gè)體同時(shí)測(cè)取有創(chuàng)屬性及無(wú)創(chuàng)屬性并積累足夠多的案例，這里案例的足夠數(shù)量并不能以定常值所表達(dá)，而由圖l所示的再學(xué)習(xí)的程序遞歸過程確定，即所積累的個(gè)體案例的充足性取決于如下的步驟6所測(cè)試得出的外推精度是否達(dá)到設(shè)定的要求90%，詳見下述說(shuō)明書中具體實(shí)施方式例(1)及(2);步驟2:代入由上述步驟1測(cè)取的有創(chuàng)屬性于己獲臨床應(yīng)用的有創(chuàng)型流行病學(xué)疾病預(yù)報(bào)模型對(duì)案例給出評(píng)估結(jié)果；步驟3:合成上述步驟2獲取的有創(chuàng)型流行病學(xué)評(píng)估結(jié)果和上述步驟1測(cè)取的無(wú)創(chuàng)屬性；步驟4:由上述步驟3合成的無(wú)創(chuàng)屬性和有創(chuàng)型流行病學(xué)評(píng)估結(jié)果共同構(gòu)成機(jī)器學(xué)習(xí)的訓(xùn)練案例數(shù)據(jù)集；歩驟5:執(zhí)行基于機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘以建立待測(cè)試無(wú)創(chuàng)評(píng)估模型；步驟6:代入由如上述步驟1在新健康評(píng)估個(gè)體測(cè)取的無(wú)創(chuàng)屬性，即從未用于建立待測(cè)試無(wú)創(chuàng)評(píng)估模型的無(wú)創(chuàng)檢測(cè)量值于上述步驟5獲取的待測(cè)試無(wú)創(chuàng)型評(píng)估模型而得出此模型的無(wú)創(chuàng)評(píng)估結(jié)果，與同一健康評(píng)估個(gè)體的由上述步驟2獲取的有創(chuàng)型評(píng)估結(jié)果進(jìn)行比對(duì)，用于此外推精度測(cè)試的總新案例數(shù)目與用于建立此待測(cè)試無(wú)創(chuàng)評(píng)估模型的總訓(xùn)練案例數(shù)目的比值不小于2:8，以比對(duì)的符合率作為待測(cè)試無(wú)創(chuàng)型評(píng)估模型的外推精度，模型的外推精度測(cè)試通過標(biāo)準(zhǔn)為不低于90%，如經(jīng)測(cè)試外推精度低于90%則返回上述步驟3且合併原訓(xùn)練案例數(shù)據(jù)集及外推精度測(cè)試數(shù)據(jù)集為新的訓(xùn)練案例數(shù)據(jù)集以重新執(zhí)行步驟4-6，直至合乎外推精度的無(wú)創(chuàng)型評(píng)估模型建立。一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立裝置，其組成部分如下以具備顯示裝置的個(gè)人計(jì)算機(jī)或微型計(jì)算機(jī)作為數(shù)據(jù)處理裝置，在其CPU控制下，無(wú)創(chuàng)型生物信息傳感器測(cè)取健康評(píng)估個(gè)體的無(wú)創(chuàng)型連續(xù)量生物信息，再經(jīng)模擬/數(shù)字量轉(zhuǎn)換器輸入至此數(shù)據(jù)處理裝置；同時(shí)該數(shù)據(jù)處理裝置獲取如健康問巻信息類離散量生物信息經(jīng)上述步驟1-6所述的計(jì)算機(jī)程序運(yùn)行而最終輸出健康評(píng)估結(jié)果在顯示裝置并可打印或通過互聯(lián)網(wǎng)無(wú)紙讀取，而提供給健康評(píng)估個(gè)體，以健康評(píng)估個(gè)體作為這一數(shù)據(jù)處理系統(tǒng)的信息源及歸約點(diǎn)而實(shí)現(xiàn)了此數(shù)據(jù)處理裝置的閉環(huán)運(yùn)作。本發(fā)明的有益效果憑籍嚴(yán)格的基于流行病學(xué)的前瞻性模型為示教標(biāo)準(zhǔn)，而開發(fā)出研制周期較短，較為經(jīng)濟(jì)且易于推廣應(yīng)用的疾病預(yù)警模型而防患于未然，以響應(yīng)目前國(guó)家衛(wèi)生部所倡導(dǎo)的向預(yù)防"前移"及向基層"下沉"的方針。結(jié)合下面附圖，進(jìn)一步說(shuō)明本發(fā)明。圖1是本發(fā)明的無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法的流程圖；圖2是本發(fā)明的無(wú)創(chuàng)型健康評(píng)估模型的通用建立裝置結(jié)構(gòu)組成圖。具體實(shí)施方式以下實(shí)施例用于說(shuō)明本發(fā)明，但不用來(lái)限制本發(fā)明的范圍這里提供-一個(gè)采用系統(tǒng)生物信息學(xué)的計(jì)算機(jī)機(jī)器學(xué)習(xí)獲取無(wú)創(chuàng)型評(píng)估模型的交叉綜合對(duì)照試驗(yàn)的方案如附圖1所示的步驟1一6，從健康評(píng)估個(gè)體開始，通過有創(chuàng)型基于時(shí)間序列的流行病學(xué)疾病預(yù)報(bào)模型作為示教標(biāo)準(zhǔn)開發(fā)出無(wú)創(chuàng)型健康評(píng)估(疾病預(yù)警)模型。此模型并可不斷伴隨臨床案例的積累而優(yōu)化。以下作為此通用方法的可行性例證，簡(jiǎn)述以國(guó)人缺血性心血管評(píng)估模型[詳見武陽(yáng)豐等。國(guó)人缺血性心血管病發(fā)病危險(xiǎn)的評(píng)估方法及簡(jiǎn)易評(píng)估工具的開發(fā)研究，中華心血管病雜志，2003，31，12:893-901]作為對(duì)照，開發(fā)相應(yīng)的無(wú)創(chuàng)型基于人體經(jīng)絡(luò)檢測(cè)值這一宏觀系統(tǒng)生物標(biāo)記群的評(píng)估模型的過程及結(jié)果分析。本發(fā)明中選取作為例證的上述中國(guó)醫(yī)學(xué)科學(xué)院中國(guó)協(xié)和醫(yī)科大學(xué)心血管病研究所阜外心血管病醫(yī)院流行病學(xué)研究室武陽(yáng)豐教授課題組的研究成果——國(guó)人缺血性心血管病發(fā)病危險(xiǎn)的評(píng)估模型能較好地反映國(guó)人發(fā)生心血管病的綜合危險(xiǎn)，而令人滿意地預(yù)測(cè)某個(gè)體未來(lái)十年內(nèi)罹患缺血性心血管病(ischemiccardiovasculardiseases,工CVD)的危險(xiǎn)等級(jí)。此評(píng)估模型由年齡、血壓、體重指數(shù)、是否吸煙、血糖與血脂含量六大因素共同決定。這六大因素當(dāng)中年齡和是否吸煙通過填寫問巻就可以獲得，血壓可通過血壓計(jì)測(cè)量獲得，體重指數(shù)可通過測(cè)量身高和體重再進(jìn)行計(jì)算獲得，只有血糖和血脂含量必須通過有創(chuàng)抽血化驗(yàn)才能獲得。如圖l所示計(jì)算機(jī)機(jī)器學(xué)習(xí)獲取無(wú)創(chuàng)型評(píng)估模型的交叉綜合對(duì)照試驗(yàn)方案，通過以上有創(chuàng)型ICVD流行病學(xué)疾病預(yù)報(bào)模型作為示教標(biāo)準(zhǔn)選取神經(jīng)元網(wǎng)絡(luò)算法實(shí)現(xiàn)基于計(jì)算機(jī)機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘而開發(fā)出無(wú)創(chuàng)性健康評(píng)估(疾病預(yù)警)模型；因?yàn)樯窠?jīng)元網(wǎng)絡(luò)算法非常適合處理類似經(jīng)絡(luò)皮膚表面電阻檢測(cè)值這樣的含復(fù)雜噪聲的傳感器數(shù)據(jù)。在此實(shí)現(xiàn)過程中我們首先以297個(gè)例行體檢中獲取的經(jīng)絡(luò)受檢者的數(shù)據(jù)作為神經(jīng)元網(wǎng)絡(luò)機(jī)器學(xué)習(xí)的訓(xùn)練集，而以另外227個(gè)數(shù)據(jù)作為測(cè)試集以用于測(cè)試所建模型的預(yù)報(bào)精度。由于訓(xùn)練集和測(cè)試集來(lái)自于取樣時(shí)間和地點(diǎn)上完全不同的群體，因此在統(tǒng)計(jì)上是完全獨(dú)立的。這些檢測(cè)者的數(shù)據(jù)都包括年齡、性別、血壓、身高、體重、血.糖血脂含量、吸煙與否以及人體皮膚表面24個(gè)主要穴位的經(jīng)絡(luò)電阻等詳細(xì)的信息。根據(jù)心血管疾病評(píng)估模型中的計(jì)算方法(參見表3和表4)，我們可以計(jì)算出每個(gè)檢測(cè)者的未來(lái)十年ICVD發(fā)病危險(xiǎn)(％)，通過與同性別同年齡段人群的未來(lái)十年ICVD發(fā)病平均危險(xiǎn)(％)進(jìn)行對(duì)比，我們把未來(lái)十年icvd發(fā)病危險(xiǎn)(％)超過同性別同年齡段人群的發(fā)病平均危險(xiǎn)(％)的人定義為心血管疾病高危傾向者。為此，我們?cè)谀Ｐ椭幸M(jìn)了一個(gè)目標(biāo)變量"是否高危"，對(duì)于未來(lái)十年[cvd發(fā)病危險(xiǎn)(％)超過同性別同年齡段人群的未來(lái)十年]:cvd發(fā)病平均危險(xiǎn)(％)的人，則目標(biāo)變量取值i(高危)，否則為o(非高危)。如在示教標(biāo)準(zhǔn)源模型一一國(guó)人缺血性心血管病發(fā)病危險(xiǎn)的有創(chuàng)評(píng)估模型中代入297個(gè)數(shù)據(jù)訓(xùn)練集的例行體檢中獲取的年齡、性別、血壓、身高、體重、血糖血脂含量、吸煙與否的相應(yīng)信息，可得出197個(gè)數(shù)據(jù)取值0，100個(gè)數(shù)據(jù)取值1為示教標(biāo)準(zhǔn)。運(yùn)用神經(jīng)網(wǎng)絡(luò)算法[14]訓(xùn)練得到模型，而后再把模型結(jié)果運(yùn)用到測(cè)試集上進(jìn)行預(yù)報(bào)以檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)精度。神經(jīng)網(wǎng)絡(luò)模型可以大致表述為如下函數(shù)某個(gè)體心血管疾病預(yù)報(bào)風(fēng)險(xiǎn)"是否高危"=f(年齡、性別、收縮壓、體重指數(shù)、吸煙與否、及人體皮膚表面24個(gè)主要穴位的經(jīng)絡(luò)電阻值)由此可知，此模型為不包含血糖及血脂的無(wú)創(chuàng)型模型。227數(shù)據(jù)測(cè)試集的預(yù)測(cè)結(jié)果如下(1)使用原來(lái)的297個(gè)數(shù)據(jù)做訓(xùn)練集訓(xùn)練得到模型，而后用該模型對(duì)227個(gè)數(shù)據(jù)做出預(yù)測(cè)；實(shí)際預(yù)測(cè)I0I1j總計(jì)0I153I14!167---------+--------+--------+1I12I48j60總計(jì)16562227從以上混淆矩陣我們知道，在測(cè)試集總共227個(gè)數(shù)據(jù)當(dāng)中，實(shí)際取值為0的167個(gè)數(shù)據(jù)通過模型預(yù)報(bào)后153個(gè)仍為0，14個(gè)誤報(bào)為1;實(shí)際取值為1的60個(gè)數(shù)據(jù)通過模型預(yù)報(bào)后48個(gè)仍為1，12個(gè)誤報(bào)為0。其中模型預(yù)報(bào)值與實(shí)際值吻合的有201個(gè)數(shù)據(jù)，不吻合的有26個(gè)數(shù)據(jù)，模型的預(yù)測(cè)準(zhǔn)確率為88.55%。(2)經(jīng)測(cè)試外推精度低于90%則返回上述圖1的步驟3且合併原訓(xùn)練案例數(shù)據(jù)集及外推精度測(cè)試數(shù)據(jù)集為新的訓(xùn)練案例數(shù)據(jù)集以重新執(zhí)行步驟4-6，即序貫遞加累積例行體檢的臨床數(shù)據(jù)進(jìn)入新一輪的再學(xué)習(xí)過程，即以原來(lái)的524(297+227)個(gè)訓(xùn)練及測(cè)試數(shù)據(jù)合起來(lái)做訓(xùn)練集得到學(xué)習(xí)模型，而后用該模型對(duì)最新獲取的另外878個(gè)數(shù)據(jù)做出預(yù)測(cè)；<table>tableseeoriginaldocumentpage10</column></row><table>從以上混淆矩陣我們知道，在測(cè)試集總共878個(gè)數(shù)據(jù)當(dāng)中，實(shí)際取值為0的667個(gè)數(shù)據(jù)通過模型預(yù)報(bào)后636個(gè)仍為0，31個(gè)誤報(bào)為1;實(shí)際取值為1的211個(gè)數(shù)據(jù)通過模型預(yù)報(bào)后184個(gè)仍為1，27個(gè)誤報(bào)為O。其中模型預(yù)報(bào)值與實(shí)際值吻合的有820個(gè)數(shù)據(jù)，不吻合的有58個(gè)數(shù)據(jù)，模型的預(yù)測(cè)準(zhǔn)確率為93.39%。對(duì)比上述(1)的預(yù)測(cè)結(jié)果可知，訓(xùn)練數(shù)據(jù)持續(xù)增加的再學(xué)習(xí)過程可以使模型精度得以不斷提高而達(dá)所設(shè)外推精度標(biāo)準(zhǔn)，即大于90%而建立了此無(wú)創(chuàng)型健康評(píng)估模型。表3:缺血性心血管病(ICVD)十年發(fā)病危險(xiǎn)度評(píng)估表(男)<table>tableseeoriginaldocumentpage11</column></row><table>表4:缺血性心血管病(ICVD)十年發(fā)病危險(xiǎn)度評(píng)估表(女)<table>tableseeoriginaldocumentpage11</column></row><table>一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法，其步驟如圖1流程圖所示相應(yīng)標(biāo)號(hào)步驟l:對(duì)同一健康評(píng)估個(gè)體同時(shí)測(cè)取有創(chuàng)屬性及無(wú)創(chuàng)屬性并積累足夠多的案例，這里案例的足夠數(shù)量并不能以定常值所表達(dá)，而由圖l所示的再學(xué)習(xí)的程序遞歸過程確定，即所積累的個(gè)體案例的充足性取決于如下的步驟6所測(cè)試得出的外推精度是否達(dá)到設(shè)定的要求90%，詳見下述說(shuō)明書中具體實(shí)施方式例(1)及(2);步驟2:代入由上述步驟1測(cè)取的有創(chuàng)屬性于已獲臨床應(yīng)用的有創(chuàng)型流行病學(xué)疾病預(yù)報(bào)模型對(duì)案例給出評(píng)估結(jié)果；歩驟3:合成上述步驟2獲取的有創(chuàng)型流行病學(xué)評(píng)估結(jié)果和上述步驟1測(cè)取的無(wú)創(chuàng)屬性；步驟4:由上述步驟3合成的無(wú)創(chuàng)屬性和有創(chuàng)型流行病學(xué)評(píng)估結(jié)果共同構(gòu)成機(jī)器學(xué)習(xí)的訓(xùn)練案例數(shù)據(jù)集；步驟5:執(zhí)行基于機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘以建立待測(cè)試無(wú)創(chuàng)評(píng)估模型；步驟6:代入由上述步驟1在新健康評(píng)估個(gè)體測(cè)取的無(wú)創(chuàng)屬性，即從未用于建立待測(cè)試無(wú)創(chuàng)評(píng)估模型的無(wú)創(chuàng)檢測(cè)量值于上述步驟5獲取的待測(cè)試無(wú)創(chuàng)型評(píng)估模型而得出此模型的無(wú)創(chuàng)評(píng)估結(jié)果，與同一健康評(píng)估個(gè)體的由上述步驟2獲取的有創(chuàng)型評(píng)估結(jié)果進(jìn)行比對(duì)，用于此外推精度測(cè)試的總新案例數(shù)目與用于建立此待測(cè)試無(wú)創(chuàng)評(píng)估模型的總訓(xùn)練案例數(shù)目的比值不小于2:8，以比對(duì)的符合率作為待測(cè)試無(wú)創(chuàng)型評(píng)估模型的外推精度，模型的外推精度測(cè)試通過標(biāo)準(zhǔn)為不低于90%，如經(jīng)測(cè)試外推精度低于90%則返回上述步驟3且合併原訓(xùn)練案例數(shù)據(jù)集及外推精度測(cè)試數(shù)據(jù)集為新的訓(xùn)練案例數(shù)據(jù)集以重新執(zhí)行步驟4-6，直至合乎外推精度的無(wú)創(chuàng)型評(píng)估模型建立。所述的無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法，以任何已獲臨床應(yīng)用的有創(chuàng)型流行病學(xué)疾病預(yù)報(bào)模型的結(jié)果作為數(shù)據(jù)挖掘訓(xùn)練案例的決束值集合。所述的無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法，以任何可以量化的無(wú)創(chuàng)檢測(cè)多元數(shù)組變量作為數(shù)據(jù)挖掘訓(xùn)練案例的屬性值集合。上述特征達(dá)致了本發(fā)明的通用性。如圖2所示一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立裝置，其工作原理及組成部分如下以具備顯示裝置的個(gè)人計(jì)算機(jī)或微型計(jì)算機(jī)作為數(shù)據(jù)處理裝置，在其CPU控制下，無(wú)創(chuàng)型生物信息傳感器測(cè)取健康評(píng)估個(gè)體的無(wú)創(chuàng)型連續(xù)量生物信息，再經(jīng)模擬/數(shù)字量轉(zhuǎn)換器輸入至此數(shù)據(jù)處理裝置；同時(shí)該數(shù)據(jù)處理裝置獲取如健康問巻信息類離散量生物信息經(jīng)上述步驟1-6所述的計(jì)算機(jī)程序運(yùn)行而最終輸出健康評(píng)估結(jié)果在顯示裝置并可打印或通過互聯(lián)網(wǎng)無(wú)紙讀取，而提供給健康評(píng)估個(gè)體，健康評(píng)估個(gè)體作為這一數(shù)據(jù)處理系統(tǒng)的信息源及歸約點(diǎn)而實(shí)現(xiàn)了此數(shù)據(jù)處理裝置的閉環(huán)運(yùn)作。所述的無(wú)創(chuàng)型健康評(píng)估模型的通用建立裝置，上述無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法不因該裝置中各單元即無(wú)創(chuàng)型生物信息傳感器、模擬/數(shù)字量轉(zhuǎn)換器及至類個(gè)人計(jì)算機(jī)或微型計(jì)算機(jī)的實(shí)現(xiàn)形式的變化而改變，此即該裝置的通用性。以上雖然已經(jīng)描述了本發(fā)明的典型實(shí)施例，應(yīng)該明白本發(fā)明不限于這些實(shí)施例，對(duì)本專業(yè)的技術(shù)人員來(lái)說(shuō)，本發(fā)明的各種變化和改進(jìn)都能實(shí)現(xiàn)，但這些都在本發(fā)明權(quán)利要求的精神和范圍之內(nèi)。權(quán)利要求1、一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法，其步驟如下步驟1對(duì)同一健康評(píng)估個(gè)體同時(shí)測(cè)取有創(chuàng)屬性及無(wú)創(chuàng)屬性并積累足夠多的案例，這里案例的足夠數(shù)量并不能以定常值所表達(dá)，而由再學(xué)習(xí)的程序遞歸過程確定，即所積累的個(gè)體案例的充足性取決于如下的步驟6所測(cè)試得出的外推精度是否達(dá)到設(shè)定的要求90％；步驟2代入由上述步驟1測(cè)取的有創(chuàng)屬性于已獲臨床應(yīng)用的有創(chuàng)型流行病學(xué)疾病預(yù)報(bào)模型對(duì)案例給出評(píng)估結(jié)果；步驟3合成上述步驟2獲取的有創(chuàng)型流行病學(xué)評(píng)估結(jié)果和上述步驟1測(cè)取的無(wú)創(chuàng)屬性；步驟4由上述步驟3合成的無(wú)創(chuàng)屬性和有創(chuàng)型流行病學(xué)評(píng)估結(jié)果共同構(gòu)成機(jī)器學(xué)習(xí)的訓(xùn)練案例數(shù)據(jù)集；步驟5執(zhí)行基于機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘以建立待測(cè)試無(wú)創(chuàng)評(píng)估模型；步驟6代入由如上述步驟1在新健康評(píng)估個(gè)體測(cè)取的無(wú)創(chuàng)屬性，即從未用于建立待測(cè)試無(wú)創(chuàng)評(píng)估模型的無(wú)創(chuàng)檢測(cè)量值于上述步驟5獲取的待測(cè)試無(wú)創(chuàng)型評(píng)估模型而得出此模型的無(wú)創(chuàng)評(píng)估結(jié)果，與同一健康評(píng)估個(gè)體的由上述步驟2獲取的有創(chuàng)型評(píng)估結(jié)果進(jìn)行比對(duì)，用于此外推精度測(cè)試的總新案例數(shù)目與用于建立此待測(cè)試無(wú)創(chuàng)評(píng)估模型的總訓(xùn)練案例數(shù)目的比值不小于2∶8，以比對(duì)的符合率作為待測(cè)試無(wú)創(chuàng)型評(píng)估模型的外推精度，模型的外推精度測(cè)試通過標(biāo)準(zhǔn)為不低于90％，如經(jīng)測(cè)試外推精度低于90％則返回上述步驟3且合併原訓(xùn)練案例數(shù)據(jù)集及外推精度測(cè)試數(shù)據(jù)集為新的訓(xùn)練案例數(shù)據(jù)集以重新執(zhí)行步驟4-6，直至合乎外推精度的無(wú)創(chuàng)型評(píng)估模型建立。2、根據(jù)權(quán)利要求1所述的無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法，其特征在于，以任何已獲臨床應(yīng)用的有創(chuàng)型流行病學(xué)疾病預(yù)報(bào)模型的結(jié)果作為數(shù)據(jù)挖掘訓(xùn)練案例的決策值集合。3、根據(jù)權(quán)利要求1所述的無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法，其特征在于，以任何可以量化的無(wú)創(chuàng)檢測(cè)多元數(shù)組變量作為數(shù)據(jù)挖掘訓(xùn)練案例的屬性值集合。4、上述權(quán)利要求2及3達(dá)致了權(quán)利要求1的通用性。5、一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立裝置，其組成部分如下以具備顯示裝置的個(gè)人計(jì)算機(jī)或微型計(jì)算機(jī)作為數(shù)據(jù)處理裝置，在其CPU控制下，無(wú)創(chuàng)型生物信息傳感器測(cè)取健康評(píng)估個(gè)體的無(wú)創(chuàng)型連續(xù)量生物信息，再經(jīng)模擬/數(shù)字量轉(zhuǎn)換器輸入至此數(shù)據(jù)處理裝置；同時(shí)該數(shù)據(jù)處理裝置獲取如健康問巻信息類離散量生物信息經(jīng)上述步驟1-6所述的計(jì)算機(jī)程序運(yùn)行而最終輸出健康評(píng)估結(jié)果在顯示裝置并可打印或通過互聯(lián)網(wǎng)無(wú)紙讀取，而提供給健康評(píng)估個(gè)體，以健康評(píng)估個(gè)體作為這一數(shù)據(jù)處理系統(tǒng)的信息源及歸約點(diǎn)而實(shí)現(xiàn)了此數(shù)據(jù)處理裝置的閉環(huán)運(yùn)作。6、根據(jù)權(quán)利要求5所述的無(wú)創(chuàng)型健康評(píng)估模型的通用建立裝置，其特征在于，上述無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法不因該裝置中各單元即無(wú)創(chuàng)型生物信息傳感器、模擬/數(shù)字量轉(zhuǎn)換器及至類個(gè)人計(jì)算機(jī)或微型計(jì)算機(jī)的實(shí)現(xiàn)形式的變化而改變，此即該裝置的通用性。全文摘要本發(fā)明提供一種無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法及裝置。方法如下對(duì)同一健康評(píng)估個(gè)體同時(shí)測(cè)取有創(chuàng)屬性及無(wú)創(chuàng)屬性并積累足夠多的案例，代入測(cè)取的有創(chuàng)屬性于已獲臨床應(yīng)用的有創(chuàng)型流行病學(xué)疾病預(yù)報(bào)模型對(duì)案例給出評(píng)估結(jié)果；合成的無(wú)創(chuàng)屬性和有創(chuàng)型流行病學(xué)評(píng)估結(jié)果共同構(gòu)成機(jī)器學(xué)習(xí)的訓(xùn)練案例數(shù)據(jù)集；執(zhí)行機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘建立待測(cè)試無(wú)創(chuàng)評(píng)估模型，經(jīng)應(yīng)用外推數(shù)據(jù)于待測(cè)試無(wú)創(chuàng)評(píng)估模型而進(jìn)行測(cè)試待滿足設(shè)定精度而建立無(wú)創(chuàng)型健康評(píng)估模型，否則通過遞歸循環(huán)再學(xué)習(xí)過程最終建立滿足設(shè)定精度的無(wú)創(chuàng)型健康評(píng)估模型。裝置包括個(gè)人計(jì)算機(jī)或微計(jì)算機(jī)作數(shù)據(jù)處理裝置，無(wú)創(chuàng)型生物信息傳感器、模擬/數(shù)字量轉(zhuǎn)換器、無(wú)創(chuàng)型健康評(píng)估模型、健康評(píng)估個(gè)體。文檔編號(hào)G06F19/00GK101149767SQ200710124208公開日2008年3月26日申請(qǐng)日期2007年10月29日優(yōu)先權(quán)日2007年10月29日發(fā)明者謝國(guó)梁,紅趙申請(qǐng)人:深圳市天信生物科技有限公司