[發(fā)明專利]一種基于因果網(wǎng)絡(luò)不確定性推理的疾病預(yù)測(cè)預(yù)警系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202211619721.1
• 申請(qǐng)日: 2022-12-15
• 公開(kāi)（公告）號(hào): CN115862869B
• 公開(kāi)（公告）日: 2023-06-09
• 發(fā)明（設(shè)計(jì)）人: 薛付忠;胡錫峰;侯蕾;孫曉茹;井明;李洪凱;仉率杰;張琪;張健;屈靜;邵敬毅;宋喜喜;田子桐;王履昊;蔡疊;馮俊智
• 申請(qǐng)（專利權(quán)）人: 山東大學(xué);濟(jì)南興騰信息科技有限公司
• 主分類號(hào): G16H50/30
• 分類號(hào): G16H50/30;G16H50/70;G06F16/36;G06N5/04
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 張慶騫

1.一種基于因果網(wǎng)絡(luò)不確定性推理的疾病預(yù)測(cè)預(yù)警系統(tǒng)，其特征在于，包括：

知識(shí)圖譜構(gòu)建模塊，被配置為構(gòu)建多慢病一體化的循證醫(yī)學(xué)概念知識(shí)圖譜；

數(shù)據(jù)獲取模塊，被配置為獲取多慢病一體化的相關(guān)危險(xiǎn)因素；

因果網(wǎng)絡(luò)構(gòu)建模塊，被配置為：

基于循證醫(yī)學(xué)概念知識(shí)圖譜，對(duì)獲取的相關(guān)危險(xiǎn)因素兩兩進(jìn)行雙向孟德?tīng)栯S機(jī)化，得到邊際因果圖；采用深度優(yōu)先搜索算法尋找邊際因果圖的因果拓?fù)湫?，基于因果拓?fù)湫驅(qū)呺H因果圖中的每條邊進(jìn)行多元孟德?tīng)栯S機(jī)化，去掉虛假直接邊，得到條件因果圖；

以條件因果圖作為下一次迭代的邊際因果圖，重復(fù)上述步驟，直至迭代停止，得到循證因果網(wǎng)絡(luò)圖；

一體化模型構(gòu)建模塊，被配置為基于循證因果網(wǎng)絡(luò)圖，進(jìn)行單因素回歸和多因素回歸的變量篩選，得到觸發(fā)危險(xiǎn)因素，并構(gòu)建多慢病一體化的因果網(wǎng)絡(luò)醫(yī)學(xué)圖腦模型；

預(yù)測(cè)模塊，被配置為獲取受試者的生物特征，采用多慢病一體化的因果網(wǎng)絡(luò)醫(yī)學(xué)圖腦模型，得到多慢病患病風(fēng)險(xiǎn)的排序結(jié)果，且在患病推斷過(guò)程中，對(duì)涉及到的患病影響因素進(jìn)行分類，并根據(jù)分類結(jié)果進(jìn)行三維分層顯示。

2.如權(quán)利要求1所述的一種基于因果網(wǎng)絡(luò)不確定性推理的疾病預(yù)測(cè)預(yù)警系統(tǒng)，其特征在于，對(duì)邊際因果圖中的任意一條邊X_p→X_q，定義充分調(diào)整集合為使用兩樣本孟德?tīng)栯S機(jī)化，將X_q的直接因果效應(yīng)對(duì)X_p的直接因果效應(yīng)做加權(quán)回歸，調(diào)整的直接因果效應(yīng)。

3.如權(quán)利要求2所述的一種基于因果網(wǎng)絡(luò)不確定性推理的疾病預(yù)測(cè)預(yù)警系統(tǒng)，其特征在于，對(duì)于邊際因果圖中的任意一條邊X_p→X_q，充分調(diào)整集合的調(diào)整策略包括：

(1)X_p到X_q之間所有通路上的點(diǎn)集合；

(2)X_p到X_q之間的最小充分調(diào)整集合與所有中介集合的并集；

(3)V\{X_p,X_q,S^d}，為邊際因果圖中除邊所對(duì)應(yīng)的兩變量(X_p,X_q)以及碰撞點(diǎn)S^d之外的所有變量，S^d表示同時(shí)直接指向X_p和X_q的碰撞點(diǎn)。

4.如權(quán)利要求2所述的一種基于因果網(wǎng)絡(luò)不確定性推理的疾病預(yù)測(cè)預(yù)警系統(tǒng)，其特征在于，去掉虛假直接邊的過(guò)程包括：對(duì)于邊際因果圖中的任意一條邊X_p→X_q，如果存在一個(gè)充分調(diào)整集合使得條件獨(dú)立性成立，則將邊X_p→X_q移除。

5.如權(quán)利要求1所述的一種基于因果網(wǎng)絡(luò)不確定性推理的疾病預(yù)測(cè)預(yù)警系統(tǒng)，其特征在于，對(duì)多慢病一體化的因果網(wǎng)絡(luò)醫(yī)學(xué)圖腦模型的隨機(jī)變量進(jìn)行分類層級(jí)的劃分，具體為L(zhǎng)＝{l₁,l₂,l₃,l₄,l₅}，權(quán)重分配為：w(l₁)w(l₂)w(l₃)w(l₄)w(l₅)；其中l(wèi)₁為遺傳因子、l₂為初始因子、l₃為中間因子、l₄為觸發(fā)因子、l₅為疾病標(biāo)簽。

6.如權(quán)利要求5所述的一種基于因果網(wǎng)絡(luò)不確定性推理的疾病預(yù)測(cè)預(yù)警系統(tǒng)，其特征在于，在疾病推斷過(guò)程中，對(duì)涉及到的患病影響因素按遺傳因子、初始因子、中間因子、觸發(fā)因子、疾病標(biāo)簽的層次順序，在三維空間的Y軸坐標(biāo)自上而下分層布局，且依次高亮顯示。