【技术实现步骤摘要】
本专利技术属于大数据分析与预测，具体涉及一种用于对人群进行急性心肌梗死发病风险的评估和分级的急性心肌梗死风险预测方法及系统。
技术介绍
1、急性心肌梗死是多病因导致的疾病，急性心肌梗死发病风险评估模型是综合评估多种影响因素的良好工具，通过统计学模型建立多种危险因素与健康状态之间的量化关系，预测个人在一定时间内发生急性心肌梗死的概率，对有效识别急性心肌梗死高危人群，开展早期干预具有重要作用。
2、目前国外较有影响力的心血管疾病风险预测模型基于的样本均来源于西方人群，种族及生活方式与我国人群有差异，国内现有的模型中基于的队列建立时间均较久远且适用年龄都在35岁以上。目前还没有对ami单一疾病的风险预测模型。有必要建立适合我国人群的ami风险预测模型，为我国开展ami早诊早治提供适宜工具。我国急性心肌梗死风险预测模型的精准度及适用性有待提高。
3、关于饮酒、腰围、糖尿病前期、高血压亚型、血脂水平这些影响因素，有些因素研究较少，有些因素不同研究之间存在争议，因此有必要针对我国人群开展相关的队列研究，分析上述影响因素与ami的发病关系。
技术实现思路
1、针对现有技术存在的问题，本专利技术的目的在于利用具有全国代表性的队列研究数据建立适合我国成人的、高灵敏度、高特异度的急性心肌梗死风险预测模型，为有效识别急性心肌梗死高危风险人群，科学制定针对性的干预措施与策略提供依据。
2、为实现上述目的，本专利技术一种急性心肌梗死风险预测方法，所述方法包括以下步骤：p>
3、s1.样本采集，采集样本数据并实时更新数据库中的样本；
4、s2.根据当前数据库创建风险预测模型；采用非条件logistic回归方法构建糖尿病发病风险预测模型，模型的基本形式为：
5、logit(p)＝β0+β1x1+β2x2+β3x3+…++βmxm
6、s3.在纳入模型的因素中筛选出与急性心肌梗死发病风险之间关联强度达到预定要求的若干变量；采用lasso回归筛选预测因素，通过调节惩罚系数λ筛选变量，多次拟合模型并对各变量进行共线性检验，最终确定拟建模型的变量及各危险因素与急性心肌梗死发病风险之间的关联强度，筛选出风险预测模型中使用的最终变量；
7、s4.将待评估用户的信息输入风险预测拟合模型，根据输入的待评估用户信息计算得出综合分数；
8、s5.根据综合得分预测待评估用户的风险等级并通过交互界面展示；
9、其中，风险预测拟合模型为：logit(p)＝-11.175073+0.049014×年龄+0.365518×家庭年收入+0.008830×收缩压+0.076421×体重指数+0.007213×腰围+0.322536×身体活动不足。
10、进一步，步骤s1中，数据库包括：基线数据库和随访数据库；将基线数据库和随访数据库进行合并，数据库合并完成后，对数据中的变量进行清洗。
11、进一步，步骤s2中，纳入模型的因素包括：性别、年龄、城乡、地区、文化程度、家庭年收入、高血压、糖尿病、腹型肥胖、bmi、tg异常、tc异常、hdl-c异常、ldl-c异常、身体活动不足、蔬果摄入不足、红肉摄入过多、吸烟及饮酒。
12、进一步，步骤s2具体包括：
13、s2.1抽样权重：样本个体的抽样权重wws如下：
14、ws＝ws1×ws2×ws3×ws4
15、ws1为样本县/区的抽样权重；ws2为样本乡镇/街道的抽样权重；ws3为样本村/居委会的抽样权重；ws4为样本个体的抽样权重；
16、s2.2事后分层权重：分层因素为性别、年龄、城乡和地区，将抽样权重加权的监测样本与全国样本按照分层因素分为156层，计算每层权重值；
17、s2.3调查对象基线特征描述分析；描述基线数据基本情况；
18、s2.4建立急性心肌梗死风险预测模型，采用logistic回归建立模型。
19、进一步，步骤s3具体包括：
20、s3.1应用lasso回归筛选预测因素，使纳入模型的最终变量均与因变量相关同时考虑变量共线性的问题；
21、s3.2通过cox比例风险回归模型进行单因素分析；估计单一危险因素和急性心肌梗死事件的关联强度；
22、s3.3比例风险回归多因素分析；将单因素cox比例风险回归分析中p＜0.10的变量纳入多因素cox比例风险回归模型分析；
23、s3.4急性心肌梗死风险预测模型的变量筛选；通过调节惩罚系数λ筛选变量，获得最终模型变量；
24、s3.5急性心肌梗死风险预测模型的拟合；使用lasso回归筛选出若干个最终模型变量后，利用logistic回归模型拟合预测模型。
25、进一步，根据风险预测拟合模型的计算结果将发病风险分成4级，分别为为：低危风险：＜0.23％，一般风险：0.23％～1.52％，中危风险：1.52％～3.90％，高危风险：≥3.90％。
26、进一步，所述清洗方法包括：
27、变量有效性清理：包括查看是否存在逻辑错误，如果存在予以修正；查看是否存在异常值，对于存在异常值的观测进行修正或剔除；以及
28、变量完整性清理：对变量缺失值的处理，对于缺失小于5％的变量，利用均值进行插补。
29、另一方面，一种急性心肌梗死风险预测系统，所述系统包括样本采集模块、模型构建模块、变量确定模块、预测模块和显示输出模块。
30、进一步，所述模型构建模块用于根据当前基础数据库创建风险预测模型；采用logistic回归建立模型，模型的基本形式为：
31、logit(p)＝β0+β1x1+β2x2+β3x3+…++βmxm
32、纳入模型的因素包括：性别、年龄、城乡、地区、文化程度、家庭年收入、高血压、糖尿病、腹型肥胖、bmi、tg异常、tc异常、hdl-c异常、ldl-c异常、身体活动不足、蔬果摄入不足、红肉摄入过多、吸烟及饮酒。
33、进一步，变量筛选模块用于在纳入模型的因素中筛选出与急性心肌梗死发病风险之间关联强度达到预定要求的若干变量；根据文献查阅，结合队列数据变量，合理进行变量选择和确定变量进入模型的形式，采用lasso回归筛选预测因素，通过调节惩罚系数λ筛选变量，多次拟合模型并对各变量进行共线性检验，最终确定拟建模型的变量及各危险因素与急性心肌梗死发病风险之间的关联强度，筛选出风险预测模型中使用的最终变量。
34、有益效果：
35、全球每年有700多万人健康受到急性心肌梗死的影响，发达国家每年超过1/3的人死于急性心肌梗死，我国近年急性心肌梗死的发病率及死亡率均呈上升趋势，迫切需要有效的干预策略和措施阻止急性心肌梗死发病人数的增加。通过本专利技术的急性心肌梗死风险预测方法及系统，能够提高预测准确率，可有效识别急性心肌梗死高危人群，及早采取干预措施，控制急性心肌梗死的发生，提高居本文档来自技高网...
【技术保护点】
1.一种急性心肌梗死风险预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的急性心肌梗死风险预测方法，其特征在于，步骤S1中，数据库包括：基线数据库和随访数据库；将基线数据库和随访数据库进行合并，数据库合并完成后，对数据中的变量进行清洗。
3.根据权利要求1所述的急性心肌梗死风险预测方法，其特征在于，步骤S2中，纳入模型的因素包括：性别、年龄、城乡、地区、文化程度、家庭年收入、高血压、糖尿病、腹型肥胖、BMI、TG异常、TC异常、HDL-C异常、LDL-C异常、身体活动不足、蔬果摄入不足、红肉摄入过多、吸烟及饮酒。
4.根据权利要求1所述的急性心肌梗死风险预测方法，其特征在于，步骤S2具体包括：
5.根据权利要求1所述的急性心肌梗死风险预测方法，其特征在于，步骤S3具体包括：
6.根据权利要求5所述的急性心肌梗死风险预测方法，其特征在于，根据风险预测拟合模型的计算结果将发病风险分成4级，分别为为：低危风险：＜0.23％，一般风险：0.23％～1.52％，中危风险：1.52％～3.90％，高危风险：≥3.
7.根据权利要求2所述的急性心肌梗死风险预测方法，其特征在于，所述清洗方法包括：
8.一种急性心肌梗死风险预测系统，其特征在于，所述系统用于实现根据权利要求1-7任一项所述的急性心肌梗死风险预测方法，所述系统包括样本采集模块、模型构建模块、变量确定模块、预测模块和显示输出模块。
9.根据权利要求8所述的急性心肌梗死风险预测系统，其特征在于，所述模型构建模块用于根据当前基础数据库创建风险预测模型；采用Logistic回归建立模型，模型的基本形式为：
10.根据权利要求8所述的急性心肌梗死风险预测系统，其特征在于，变量筛选模块用于在纳入模型的因素中筛选出与急性心肌梗死发病风险之间关联强度达到预定要求的若干变量；根据文献查阅，结合队列数据变量，合理进行变量选择和确定变量进入模型的形式，采用Lasso回归筛选预测因素，通过调节惩罚系数λ筛选变量，多次拟合模型并对各变量进行共线性检验，最终确定拟建模型的变量及各危险因素与急性心肌梗死发病风险之间的关联强度，筛选出风险预测模型中使用的最终变量。
...【技术特征摘要】
1.一种急性心肌梗死风险预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的急性心肌梗死风险预测方法，其特征在于，步骤s1中，数据库包括：基线数据库和随访数据库；将基线数据库和随访数据库进行合并，数据库合并完成后，对数据中的变量进行清洗。
3.根据权利要求1所述的急性心肌梗死风险预测方法，其特征在于，步骤s2中，纳入模型的因素包括：性别、年龄、城乡、地区、文化程度、家庭年收入、高血压、糖尿病、腹型肥胖、bmi、tg异常、tc异常、hdl-c异常、ldl-c异常、身体活动不足、蔬果摄入不足、红肉摄入过多、吸烟及饮酒。
4.根据权利要求1所述的急性心肌梗死风险预测方法，其特征在于，步骤s2具体包括：
5.根据权利要求1所述的急性心肌梗死风险预测方法，其特征在于，步骤s3具体包括：
6.根据权利要求5所述的急性心肌梗死风险预测方法，其特征在于，根据风险预测拟合模型的计算结果将发病风险分成4级，分别为为：低危风险：＜0.23％，一般风险：0.23％～1.52％，中危风险：1.52％～3.90...
【专利技术属性】
技术研发人员：李剑虹，刘爱东，毛凡，张润，姜鹏飞，张鑫，
申请(专利权)人：中国疾病预防控制中心慢性非传染性疾病预防控制中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。