高血压风险评估模型构建方法、膳食食疗及健康管理系统与流程

本发明属于高血压风险评估及健康管理，具体涉及一种高血压风险评估模型构建方法、膳食食疗及健康管理系统。

背景技术：

1、高血压是一种心血管疾病,是因各种原因引起的血液在血管内流动时对血管壁造成的压力过高的现象，具体以体循环动脉血压(收缩压和/或舒张压)增高为主要特征，可伴有心、脑、肾等器官的功能或器质性损害的临床综合征。高血压是最常见的慢性病，也是心脑血管病最主要的危险因素。血压值和危险因素评估是诊断和制定高血压治疗方案的主要依据，不同患者的高血压管理目标不同，具体可在参考标准的基础上，根据患者的身体健康状况有针对性地采取治疗措施。

2、专利文献cn115223708a公开了一种基于神经网络的高血压预测方法，涉及高血压预测领域，其方法包括以下步骤：采集样本信息，组建数据采集库；筛选信息训练神经网络模型；将训练好的神经网络模型上传云端；通过智能物联网终端采集患者信息，并将采集的信息上传云端的神经网络模型进行预测；定期优化神经网络模型；通过采集大量的身体数据与是否有高血压建立模型进行训练，能够通过监测患者的相对应身体信息，通过加权的神经网络模型预测判断其患高血压的可能性，达到早发现、早治疗的目的。但是，该专利的方法通过调查问卷和志愿者现场检测的形式采集的样本信息和数据有限，且没有对采集的样本数据进行合理地清洗筛选，影响了最终构建模型的预测精度；且该专利的预测方法采用神经网络模型进行预测，神经网络模型相当于一个黑匣子，尽管通过输入变量能够很好地拟合结局变量(输出变量)，但无法知道模型中每个输入变量的权重参数，无法解释各输入变量对结局变量的影响，不利于临床解释和应用，无法准确指导临床上的干预策略，而且，神经网络模型普遍存在着训练速度慢、过度拟合的问题。

3、因此，亟需一种能够准确评估高血压风险的高血压风险评估模型构建方法，并基于构建的高血压风险评估模型，针对高血压患者和血压正常高值人群进行心血管事件风险评估、健康干预和健康管理。

技术实现思路

1、本发明旨在解决至少一种现有技术或相关技术中存在的技术问题，提供一种高血压风险评估模型构建方法、膳食食疗及健康管理系统，利用真实世界健康大数据，采用正则化技术、比例风险模型以及交叉验证法，构建中西医指标结合的健康评估模型，利用健康评估模型依据采集的用户信息数据，实现对用户心血管事件风险的准确预测，进而智能匹配出个性化的特殊膳食处方和健康管理方案，并实时动态更新管理进程，实现精准化健康管理。

2、为实现以上技术目的，本发明采用以下技术方案：

3、一种高血压风险评估模型构建方法，所述方法包括如下步骤：

4、步骤s1：样本数据清洗，从健康大数据样本数据集中剔除有异常值的样本，提取可用于构建风险评估模型的有效样本，形成有效样本集；

5、步骤s2：特征筛选，具体包括：

6、步骤s201：对高血压相关变量进行预判，初步筛选出可用于高血压风险评估的、中西医结合的候选变量，形成候选变量集；

7、步骤s202：利用正则化技术筛选特征集，基于步骤s1中的有效样本集，将步骤s201中筛选的候选变量集作为输入变量，利用lasso回归模型筛选出对因变量最具有解释力的特征集；所述因变量包括：是否出现心血管事件；

8、在lasso回归模型中，利用aic准则选择aic值最小的模型来避免过度拟合的情况，在回归系数的绝对值之和小于一个常数的约束条件下，剔除掉某些回归系数为0的候选变量，得到模型的特征集；

9、步骤s3：特征集数据预处理；

10、将特征集中的收缩压和舒张压根据数值间隔转化为血压等级变量，其它定量特征采用z得分标准化方法进行标准化处理，其他定量特征至少包括：年龄、体质指数、腰围、空腹血糖、胰岛素抵抗指数、低密度脂蛋白胆固醇、甘油三酯、同型半胱氨酸、估计肾小球滤过率和pwv；

11、将特征集中涉及评分的特征设定为分数等级变量，其它定性特征根据判断结果为“否”时设定为0，判断结果为“是”时设定为1，其他定性特征至少包括：性别、高血压病史、高血压史、心脑血管疾病史、慢性肾功能不全史、用药史、早发心血管病家族史、是否吸烟、是否饮酒以及是否存在颈动脉斑块或狭窄；

12、步骤s4：将步骤s3中已经清洗和预处理的特征集数据随机分割为训练集和验证集，利用逻辑回归模型拟合训练集，将训练集中的特征集作为输入变量，将是否发生心血管事件作为因变量，训练得到初始风险评估模型；

13、所述逻辑回归模型的公式为：

14、

15、上式中，x1，x2……xj是j个输入变量；β0，β1……βj是逻辑回归模型的参数；y是因变量；p(y＝1|x)是sigmoid函数，表示在给定x的情况下，y取值为1的概率，当p(y＝1|x)大于0.5时，将模型结果预测为1，表示发生了心血管事件；否则预测为0，表示未发生心血管事件；

16、步骤s5：模型优化，通过对数损失函数结合梯度下降算法，对逻辑回归模型的参数进行迭代更新，得到优化后的风险评估模型；

17、步骤s6：模型验证评估，使用验证集来验证评估优化后的风险评估模型的性能，验证评估的评价指标为心血管事件的区分度和校准度；所述区分度利用roc曲线分析，所述校准度利用calibration校正曲线分析；

18、若模型的区分度和校准度不满足设定要求，则扩大训练集样本数量，返回步骤s1-s6，对模型进再次训练、优化和验证评估，直至模型的区分度和校准度满足设定要求，转入步骤s7；

19、步骤s7：模型应用，采集用户信息，应用训练优化好的风险评估模型预测高血压患者和血压高值人群的心血管事件风险，并给出高血压分级和心血管风险分层评估结果。

20、进一步地，在步骤s1中，所述有异常值的样本包括：样本缺失变量数占某样本变量集总数的比例超过10％的样本，以及缺失血压、血糖、血脂、高血压病史、生活方式和行为习惯信息、中医评估信息指标信息中一种或多种信息的样本；

21、对于提取的有效样本中的缺失值，采用马尔科夫链蒙特卡罗法填充；所述马尔科夫链蒙特卡罗法填充过程中使用的马尔可夫链满足如下等式：

22、

23、上式中，表示概率分布；表示变量从状态转移到状态的概率；表示变量从状态转移到状态的概率；p表示马尔科夫链的状态转移概率矩阵。

24、进一步地，在步骤s201中，所述候选变量包括：年龄、性别、地区、体质指数、腰围、收缩压、舒张压、空腹血糖、餐后2小时血糖、胰岛素抵抗指数、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、同型半胱氨酸、胱抑素、尿微量白蛋白/肌酐比、估计肾小球滤过率、高血压病史、高血压史、心脑血管疾病史、慢性肾功能不全史、用药史、家族高血压史、早发心血管病家族史、饮食评分、运动评分、睡眠评分、肌力评分、是否吸烟、是否饮酒、是否存在颈动脉斑块或狭窄、pwv、abi以及中医评估评分；

25、在步骤s202中，所述心血管事件包括：急性心肌梗死、pci或cabg术、缺血性脑卒中、出血性脑中风以及心脑血管原因引起的死亡。

26、更进一步地，在步骤s202中，所述lasso回归模型的公式如下：

27、

28、上式中，n表示数据样本点数；p表示数据样本点数；表示第个样本点；表示第个样本点；表示输入变量；表示输出变量；表示回归系数；λ表示惩罚参数。

29、进一步地，所述步骤s5中，所述对数损失函数的公式如下：

30、

31、上式中，j(β)表示对数损失函数值；β表示逻辑回归模型的参数；m表示每次训练样本的数量；x(i)表示第i个训练样本的特征向量；y(i)表示第i个训练样本的因变量；hβ(x(i))表示逻辑回归模型对第i个样本的预测结果；

32、所述梯度下降算法的迭代计算公式为：

33、

34、上式中，α为学习率，为每次迭代更新时，参数调整的步长；β为逻辑回归模型的参数；为对数损失函数的梯度。

35、进一步地，所述方法还包括如下步骤：

36、步骤s8：模型基于实际服务中采集的健康数据定期动态更新，具体包括：

37、定期更新健康大数据样本集，利用步骤s1-s6构建参数调整后的新模型，计算并比较原模型和新模型的区分度与校准度，在有统计学差异的前提下，选择区分度和校准度更好的模型作为更新后的最优模型。

38、同时，本发明还提供一种高血压特殊膳食食疗及健康管理系统，所述系统包括：

39、健康档案模块：用于采集患者的个人身体基本情况信息，覆盖中西医健康管理服务过程中所需要的全部健康档案数据，并在健康干预过程中实时动态更新健康档案数据；

40、健康评估模块：内置有高血压风险评估模型，所述高血压风险评估模型采用如上任一种所述的方法构建而成；用于依据健康档案模块中的采集的患者信息数据，对患者进行心血管事件风险评估，并给出高血压分级和心血管风险分层评估结果；

41、健康干预模块：内置有动态更新的特殊膳食和健康管理方案库，所述健康干预模块根据患者情况结合高血压风险评估模型结果，从特殊膳食和健康管理方案库中智能匹配出个性化的健康管理方案，供给健康管理师进行人工调整；

42、数据分析模块：按服务周期，出具健康服务报告，通过数据前后对比、提供服务情况和患者依从性情况，阶段性展示患者的管理服务效果。

43、进一步地，所述健康档案模块包括：建档数据采集单元、本次服务内容单元、健康数据记录单元、以往服务记录单元、备注信息单元和标签单元；

44、所述标签单元通过健康管理师了解客户健康档案信息后，人工提取与实际健康管理密切相关的重要信息，形成标签；

45、所述健康档案中的变化信息通过时间轴形式呈现，数值数据通过趋势图展示，文字数据关联历次结果，实现定期检测数据的连续性对比分析。

46、进一步地，所述健康干预模块中的健康管理方案包括：特殊膳食干预方案、日常饮食干预方案和运动干预方案，同时，根据患者心理评分、营养素检测结果和功能医学评估结果，健康管理方案还包含营养素干预方案、穴位按摩干预方案以及心理干预方案中的一种或多种组合方案；

47、其中，所述特殊膳食干预方案即为采用高血压特殊膳食处方的饮食干预方案，所述高血压特殊膳食处方包括一种或多种高血压特殊膳食食品和高血压相关危险因素特殊膳食食品，所述高血压相关危险因素特殊膳食食品包括糖尿病特殊膳食食品、超重或肥胖特殊膳食食品以及高血脂特殊膳食食品；

48、所述高血压特殊膳食食品包括：依据药理研究对高血压有改善作用的高血压全营养配方食品、依据药食同源类配方与新资源食品技术研发的高血压非全营养配方食品和依据中心临床研究对高血压有改善作用的高血压医学配方食品。

49、进一步地，所述健康干预模块还包括首页任务处理单元，所述首页任务处理单元包括当日需要处理的任务集，所述任务集按照健康管理师自主判断和设置的服务优先级进行显示；所述服务优先级按照顺序和/或颜色进行标记。

50、与现有技术相比，本发明所产生的有益效果是：

51、(1)本发明提供的高血压风险评估模型构建方法，以中医体质分类与判定自测表、汉密尔顿焦虑量表、高血压防治管理指南等成熟分级分类标准为基础，利用国人真实世界健康大数据样本数据集，采用正则化技术、逻辑回归模型以及对数损失函数，构建了首个中西医指标结合的高血压风险评估模型，该高血压风险评估模型可依据用户的健康档案数据对客户进行高血压分级和心血管风险分层评估，进而由系统智能匹配个性化的特殊膳食处方和健康管理方案，实现精准化健康管理，有助于使患者在发病早期可以获得有效的预测和干预，并科学、可靠地指导后续治疗过程，达到最佳治疗效果，有效避免了现有诊断方式中因没有高敏感性和特异性的评估模型影响高血压的防治效果；

52、(2)本发明提供的高血压风险评估模型采用逻辑回归模型进行构建，可以得到模型中各个输入变量的具体参数值，而模型中各个输入变量的具体参数值有利于评估各个输入变量对结局变量(输出变量)的影响权重，进而有利于简单、直观地解释各输入变量对结局变量的影响，进而有利于指导临床上的干预策略，相比现有的神经网络模型，逻辑回归模型的结果更有利于临床解释和指导应用；

53、(3)本发明提供的高血压特殊膳食食疗及健康管理系统，通过健康档案模块采集患者身体健康数据信息，通过健康评估模块进行高血压分级评估和心血管风险分层，再通过健康干预模块由健康管理师生成特殊膳食干预方案、日常饮食干预方案和运动干预等多种干预措施相结合的综合健康管理方案，并借助数据分析模块对服务周期的数据进行对比分析、对提供服务和患者依从性情况进行持续记录和管理；本发明的系统能对健康管理师进行科学有效地辅助评估，有助于降低误诊率和漏诊率，实现早发现、早预防和早干预；且能够辅助健康管理师科学可靠地指导后续治疗过程，显著提高治疗管理效率和治疗效果；

54、(4)本发明提供的高血压特殊膳食食疗及健康管理系统，在健康干预模块设置有首页任务处理单元，所述首页任务处理单元包括当日需要处理的任务集，所述任务集按照健康管理师自主判断和设置的服务优先级进行显示；所述服务优先级按照顺序和/或颜色进行标记，使得健康管理师登录首页即显示当日需要处理的任务及其数量，并自主判断和设置服务优先级，提升任务处理效率，提高对高血压患者的管理效率；

55、(5)本发明提供的高血压风险评估模型构建方法及系统，在实际服务中不断进化、动态更新高血压风险评估模型，健康档案数据也能够在患者健康干预过程中动态更新，健康干预模块中的特殊膳食和健康管理方案库也不断改进和更新，上述措施能有效提高高血压风险评估模型的评估精度、以及特殊膳食食疗及健康管理方案的精细程度，有助于改善高血压的防治效果。