[發明專利]骨密度與骨密度影響因素之間因果關系的確定方法及系統

在審

• 申請號: 202110200468.5
• 申請日: 2021-02-23
• 公開（公告）號: CN112998653A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 王煒;鐘巖;錢立庭;葉山東;陳超;陳歡歡
• 申請（專利權）人: 中國科學技術大學
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 劉樂

本發明公開了一種骨密度與骨密度影響因素之間因果關系的確定方法及系統，獲取臨床醫學數據，該臨床醫學數據中包含骨密度臨床醫學數據，對臨床醫學數據進行預處理，得到標準化臨床醫學數據，在局部階段，查找標準化臨床醫學數據中各個目標特征變量的馬爾科夫毯，得到一個馬爾科夫毯集，在全局階段，根據馬爾科夫毯集和醫學先驗知識得到全局有向無環圖結構，全局有向無環圖結構用于表征骨密度與骨密度影響因素之間的因果關系。本發明通過醫學先驗知識結合局部階段確定的各個目標特征變量的馬爾科夫毯，從臨床醫學數據中確定骨密度與骨密度影響因素之間的因果關系，由于醫學先驗知識是充分的，因此，本發明無需進行長期的醫學數據統計實驗。

技術領域

本發明涉及醫學技術領域，更具體的說，涉及一種骨密度與骨密度影響因素之間因果關系的確定方法及系統。

背景技術

骨質疏松癥是一種由多種原因導致骨密度(Bone Mineral Density，BMD)和骨質量下降，骨微結構破壞，造成骨脆性增加，從而容易發生骨折的全身性骨病。因此，檢測骨密度影響因素并確定骨密度與各個骨密度影響因素之間的因果關系有重要的醫學研究價值。

現有技術中的一種方案為：采用大型縱向前瞻性研究查找骨密度影響因素，雖然傳統的大型縱向前瞻性研究可以查找骨密度影響因素，但是該研究方法不僅需要進行復雜的數據分析和數據處理，且無法確定骨密度與各個骨密度影響因素之間的因果關系，而且需要花費較高的研究成本。另一種方案為：采用機器學習以及貝葉斯網絡結構學習算法，自動識別骨密度影響因素并確定骨密度與骨密度影響因素之間因果關系。雖然第二種方案可以有效降低研究成本，解決第一種方案中存在的問題，但是，第二種方案仍存在一些不足，主要問題包括：在醫學領域，臨床樣本十分昂貴且數量有限，而骨密度影響因素又相對復雜，因此僅根據臨床樣本進行訓練，通過貝葉斯網絡結構化學習算法所確定骨密度與各個骨密度影響因素之間的因果關系的可靠性不高。

發明內容

有鑒于此，本發明公開一種骨密度與骨密度影響因素之間因果關系的確定方法及系統，以通過醫學先驗知識結合局部階段確定的各個目標特征變量的馬爾科夫毯，從臨床醫學數據中確定骨密度與骨密度影響因素之間的因果關系，由于醫學先驗知識是充分的，因此，本發明無需長期的醫學數據統計實驗即可獲取更可靠的骨密度與各個骨密度影響因素之間的因果關系。

一種骨密度與骨密度影響因素之間因果關系的確定方法，包括：

獲取臨床醫學數據，所述臨床醫學數據中包含骨密度臨床醫學數據；

對所述臨床醫學數據進行預處理，得到標準化臨床醫學數據，所述預處理包括：缺失值補全、異常值修正以及數據離散化；

在局部階段，查找所述標準化臨床醫學數據中各個目標特征變量的馬爾科夫毯，得到一個馬爾科夫毯集，所述目標特征變量包括：所述骨密度臨床醫學數據中的骨密度數據和骨密度影響因素；

在全局階段，根據所述馬爾科夫毯集和醫學先驗知識得到全局有向無環圖結構，所述全局有向無環圖結構用于表征骨密度與骨密度影響因素之間的因果關系。

可選的，對所述臨床醫學數據進行數據離散化的過程包括：

對所述臨床醫學數據進行進行歸一化處理，得到目標臨床醫學數據；

將所述目標醫學數據中各個特征變量中的骨密度特征變量確定為響應變量，非骨密度特征變量確定為非響應變量；

計算每個所述非響應變量和每個所述響應變量之間的關聯關系值；

將所述關聯關系值小于關聯關系閾值的響應變量和非響應變量，采用第一離散方法進行數據化離散，所述第一離散方法為：將標準差小于-1的響應變量和非響應變量的數值設置為0；將標準差在-1和1之間的響應變量和非響應變量的數值設置為0；將標準差大于1的響應變量和非響應變量的數值設置為2；