心血管病评估模型构建方法、膳食食疗及健康管理系统与流程

本发明涉及心血管病评估，具体涉及心血管病评估模型构建方法、膳食食疗及健康管理系统。

背景技术：

1、依据《中国心血管病一级预防指南》、《中国健康生活方式预防心血管代谢疾病指南》以及《中国心血管病风险评估和管理指南》，心血管疾病定义为关于心脏或者血管的疾病，又称循环系统疾病，是一系列涉及循环系统的疾病。心血管疾病主要包括：缺血性心脏病、脑卒中、心肌病、风湿性心脏病、高血压心脏病、心内膜炎、心律失常、主动脉疾病、外周动脉疾病以及其它心血管和循环系统疾病。

2、随着社会经济的发展，国民生活方式的变化，尤其是人口老龄化及城镇化进程的加速，居民不健康生活方式问题日益突出，心血管疾病(cvd)危险因素对居民健康的影响更加显著，cvd患病率和发病率仍在持续增高。我国正面临人口老龄化和代谢危险因素持续流行的双重压力，cvd负担仍将持续增加，这将影响我国疾病防治策略和各种资源的配置等多方面的需求，如通过一级预防以减少发病人数，增加应对快速增加的心血管急重症救治的医疗资源配置，提供康复和二级预防的医疗服务以降低大量cvd存活患者复发、再住院和失能的风险。

3、中国患有高血压、血脂异常和糖尿病的人和需要接受多种药物终生治疗预防cvd的人数越来越巨大，需要开展更深入的研究和制定更为有效提高知晓率、治疗率和控制率的策略。同时，由于这些危险因素升高大部分隐匿发生，常常在检出时已经导致血管病变，甚至已经造成心肌梗死、脑卒中等严重事件。虽然亚临床动脉粥样硬化病变普遍存在，但血管损伤和治疗并没有作为预防的重点。越来越多的证据表明，维持血管健康是预防cvd和退行性疾病的重要基础。因此，一方面加强预防高血压、血脂异常、糖尿病、肥胖和吸烟等零级预防为主策略是重中之重，另一方面，也应加强心血管健康状态的评估和早期病理变化消除的防治研究。目前已有的心血管疾病相关解决方案或聚焦于评估模型构建，或以健康管理为重点，或偏于食疗运动调理，从而导致治疗方案不精准，缺少将评估模型、膳食食疗及健康管理有机整合的体系。本发明旨在构建一种心血管评估模型、健康管理系统和膳食食疗有机整合的体系，以解决现有的心血管病评估存在的技术问题。

技术实现思路

1、本发明的目的是提出一种心血管病评估模型构建方法、膳食食疗及健康管理系统，旨在解决现有技术缺少将评估模型、将康管理、膳食食疗整合为整体方案的技术问题。

2、为实现上述目的，本发明提出一种心血管病评估模型构建方法，包括如下步骤：

3、s1：准备数据集：收集心血管病患者的数据，从心血管病患者的数据中剔除异常值的样本，形成数据集；

4、s2：特征筛选：在所述数据集中筛选基线特征变量、心血管危险因素特征变量、心血管标志物特征变量、病史特征变量、问卷评估特征变量，形成特征集；

5、s3：模型构建：将所述特征集划分为训练集和测试集，使用比例风险回归方法拟合所述训练集构建心血管病评估模型，基于心血管事件发生顺序建立最大似然函数，预测模型参数；

6、其中，所述心血管病评估模型的自变量为所述特征集，所述心血管病评估模型的因变量基于生存时间和心血管事件发生的顺序，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、急性心衰以及心脑血管原因引起的死亡；

7、s4：模型优化：通过对数损失函数结合梯度下降算法对心血管病评估模型的参数进行优化；

8、s5：模型评估和验证：使用所述测试集来评估模型的性能，评价指标为心血管事件的区分度和校准度，区分度利用c统计量分析，校准度利用calibration校正曲线分析；

9、s6：模型应用：将训练完成的心血管病评估模型应用于新的心血管病患者的数据中，可用于预测心血管病患者未来再次发生心血管事件的风险。

10、作为本发明的进一步改进：还包括如下步骤：

11、对所述特征集中的连续特征采用标准化方法处理，所述连续特征包括年龄、体质指数、腰围、收缩压、糖化血红蛋白、估计肾小球滤过率、低密度脂蛋白胆固醇、甘油三酯、高敏c反应蛋白、肌钙蛋白t、nt-probnp、射血分数，标准化方法采用z得分，公式如下：

12、

13、其中，x是原始观测值，μ是样本均值，σ是样本标准差，z是标准化后的值。

14、作为本发明的进一步改进：所述心血管病评估模型为：

15、h(t,x)＝h0(t)*exp(β1*x1+β2*x2+...+βn*xn)

16、上式中，h(t，x)为具有协变量x的个体在t时刻的风险函数；h0(t)为所有协变量x为0时t时刻的风险函数，称为基准风险函数；x为协变量；β1*x1+β2*x2+...+βn*xn为协变量x的线性组合；

17、将协变量x进行零均值化处理，并利用breslow估计法估计基准风险函数h0(t)：

18、

19、上式中，dj是时间tj时刻发生事件的个体数，分母是tj时刻风险集的协变量线性组合指数之和。

20、作为本发明的进一步改进：所述步骤s4包括：

21、s41：根据所述心血管病评估模型的数据量、特征数量以及算法复杂度，设定模型迭代次数为1000次，学习率α为0.01，模型参数θ初始值为0；

22、s42：每次迭代时，从所述训练集中随机抽取十分之一的数据，计算对数损失函数，所述对数损失函数用于衡量模型预测结果和实际标签之间的差异的，若如果模型的预测结果和实际标签相符，对数损失函数的值就会趋近于0；反之，如果预测结果和实际标签相差越大，损失函数的值就会越大，对数损失函数公式如下：

23、

24、其中，m表示每次训练样本的数量；θ表示心血管病评估模型的参数；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；hθ(x(i)0表示心血管病评估模型对第i个样本的预测结果；

25、s43：计算对数损失函数的梯度，梯度是指损失函数对每个参数的偏导数，表示损失函数沿着每个参数的方向上升或下降的速率，梯度公式如下：

26、

27、其中，m表示每次训练样本的数量；θ表示心血管病评估模型的参数；j表示第j个参数；x(i)表示第i个训练样本的特征向量；表示第i个训练样本的第j个特征值；y(i)表示第i个训练样本的因变量；hθ(x(i))表示心血管病评估模型对第i个样本的预测结果；j(θ)表示对数损失函数值；θj表示第j个参数的模型参数值，为对数损失函数的梯度；

28、其中，在使用梯度下降算法进行模型优化时，按照梯度下降的方向来更新模型参数，得到更新后的参数；

29、s44：根据更新后的参数，重复构建心血管病评估模型，计算对数损失函数的梯度并再次优化参数，直到迭代1000次停止，此时得到心血管病评估模型的最优参数。

30、作为本发明的进一步改进：所述按照梯度下降的方向来更新模型参数的步骤包括：

31、将记为梯度下降算法公式为：

32、

33、其中，α为学习率，为每次迭代更新时，参数调整的步长，此处设定为0.01；θ为模型的参数；为对数损失函数的梯度。

34、作为本发明的进一步改进：还包括如下步骤：

35、s7：按所述比例风险回归模型构建步骤对心血管病评估模型的参数进行更新。

36、本发明还提出一种心血管病膳食食疗及健康管理系统，所述系统包括：

37、健康档案模块，所述健康档案模块用于采集患者的个人身体基本情况信息；

38、健康评估模块，所述健康评估模块内置有心血管病评估模型，所述心血管病评估模型采用上述的方法构建而成；

39、健康干预模块，所述健康干预模块根据患者情况结合心血管病评估模型结果，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；

40、数据分析模块，所述数据分析模块用于出具健康服务报告。

41、作为本发明的进一步改进：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、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。

42、与现有技术相比，本发明所产生的有益效果是：

43、本发明基于心血管病患者的数据，通过比例风险回归方法拟合训练集构建心血管病评估模型，再通过对数损失函数结合梯度下降算法对心血管病评估模型的参数进行优化，使经过优化训练的心血管病评估模型可应用于新的心血管病患者的数据中并且实现预测心血管病患者未来再次发生心血管事件的风险；此外，本发明的心血管病膳食食疗及健康管理系统集成健康评估模块、健康干预模块，健康评估模块根据心血管病患者的数据预测未来再次发生心血管事件的风险，健康干预模块根据健康评估模块的预测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，从而使治疗方案更精准、更全面。