[發明專利]一種基于因果網絡不確定性推理的疾病預測預警系統

有效

• 申請號: 202211619721.1
• 申請日: 2022-12-15
• 公開（公告）號: CN115862869B
• 公開（公告）日: 2023-06-09
• 發明（設計）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（專利權）人: 山東大學;濟南興騰信息科技有限公司
• 主分類號: G16H50/30
• 分類號: G16H50/30;G16H50/70;G06F16/36;G06N5/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 張慶騫

本發明公開一種基于因果網絡不確定性推理的疾病預測預警系統，通過構建穩健的、具備不確定性因果推理功能的多慢病一體化因果網絡醫學圖腦模型，且經多疾病模型融合后，在患病推斷過程中，對涉及到的患病影響因素進行分類，并根據分類結果進行三維分層顯示；實現多慢病一體化聯動在線實時智能預測預警和個性化干預決策，實現區域性、大規模的人群癌癥篩查與慢病風險評估，基于動態三維可視化技術，實現推理過程的可視化。

技術領域

本發明涉及慢性病疾病預測技術領域，特別是涉及一種基于因果網絡不確定性推理的疾病預測預警系統。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

根據常見定義，慢性疾病是指“持續一年或一年以上且需要持續醫療護理、限制日常生活活動或兩者兼而有之的狀況”，如包括肺癌、胃癌、肝癌、結直腸癌、食管癌、高血壓、中風、冠心病、糖尿病等典型慢性病。

在慢性病的預防及診療干預的智慧健康過程中，盡管已有眾多疾病預測預警模型和干預決策支持系統，但由于存在如下局限性，尚難以實現在缺失及稀疏數據的環境下，進行實時在線智能預測預警和個性化干預決策支持。

(1)目前一些基于貝葉斯網絡所構建的預測模型，僅局限于關聯關系，缺乏因果證據的支撐，因此，使得其預測結果不穩健，干預策略難以泛化。

(2)在面對多源異構高噪稀疏的健康醫療大數據時，目前存在的基于回歸模型和深度學習模型而構建的預測預警模型，由于缺乏在高度缺失和稀疏數據背景下的不確定性推理功能，所以無法實現多病聯動在線實時預測預警和個性化干預方案推理支持。

(3)雖然基于深度神經網絡模型等深度學習算法可以實現較高效率的預測預警，但預測模型可解釋性差，因而難以針對預測因子的干預進行個性化干預決策支持。

(4)基于深度神經網絡等所構建的預測模型，其推理過程是一個黑箱，這使得醫生無法通過可視化直觀理解模型的推理過程，那么后續也就無法在模型的指導下精準制定個性化干預措施。

發明內容

為了解決上述問題，本發明提出了一種基于因果網絡不確定性推理的疾病預測預警系統，構建具備不確定性因果推理功能的因果網絡醫學圖腦模型，實現多慢病一體化聯動在線實時智能預測預警和個性化干預決策，實現區域性、大規模的人群癌癥篩查與慢病風險評估，基于動態三維可視化技術，實現推理過程的可視化。

為了實現上述目的，本發明采用如下技術方案：

第一方面，本發明提供一種基于因果網絡不確定性推理的疾病預測預警系統，包括：

知識圖譜構建模塊，被配置為構建多慢病一體化的循證醫學概念知識圖譜；

數據獲取模塊，被配置為獲取多慢病一體化的相關危險因素；

因果網絡構建模塊，被配置為：

基于循證醫學概念知識圖譜，對獲取的相關危險因素兩兩進行雙向孟德爾隨機化，得到邊際因果圖；采用深度優先搜索算法尋找邊際因果圖的因果拓撲序，基于因果拓撲序對邊際因果圖中的每條邊進行多元孟德爾隨機化，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，重復上述步驟，直至迭代停止，得到循證因果網絡圖；

一體化模型構建模塊，被配置為基于循證因果網絡圖，進行單因素回歸和多因素回歸的變量篩選，得到觸發危險因素，并構建多慢病一體化的因果網絡醫學圖腦模型；

預測模塊，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絡醫學圖腦模型，得到多慢病患病風險的排序結果，且在患病推斷過程中，對涉及到的患病影響因素進行分類，并根據分類結果進行三維分層顯示。