一种阿尔茨海默病智能早筛模型及其构建方法

1.本发明涉及生命医学与健康领域，更具体地说，它涉及一种阿尔茨海默病智能早筛模型及其构建方法。


背景技术：

2.阿尔茨海默病是一种起病隐匿的进行性发展的神经系统退行性疾病。目前普遍的筛查阿尔茨海默病方法：首先进行定期检查，建议到了60岁或者是65岁以上，每年做一次体检，检测记忆力和智力，这是非常重要的，可以每年了解患者的记忆力下降程度，可以起到早发现，早诊断，早治疗的作用。另外，就是使用现代科技技术，如脑脊液检查进行确诊是否有阿尔茨海默病，做到早发现，早治疗。
3.又如公告号为cn113744872a的专利公开了一种智能交互的阿尔兹海默症辅助筛查系统，其包括基于语音识别的可交互单元测试模块和基于事实的智能分析模块，其集成了moca测试项目，简化了测试流程。
4.然而以上提出的多种诊断方法只适用于对已发病老人的诊断，不能及时发现病情，无法进行疾病全周期追踪，不适用于临床前期高危老人的筛查以及阿尔茨海默病确诊老年人疾病发展过程中的治疗。如何及早发现阿尔茨海默病高危老人并对其进行有效干预是现有研究的关键性问题。
5.因此，如何尽早筛查阿尔茨海默病正是本技术所要解决的技术问题。


技术实现要素：

6.针对现有技术存在的不足，提供一种阿尔茨海默病智能早筛模型及其构建方法，通过分析探索效果最佳的阿尔兹海默病高危筛查模型，对阿尔兹海默病高危人群的尽早发现和实施有效干预措施提供帮助，为提升人们的健康水平和生活质量做出努力。
7.为实现上述目的，提供了如下技术方案：
8.一种阿尔茨海默病智能早筛模型构建方法，其包括以下过程：
9.st10、通过数据库对关键词进行检索，从而得到阿尔兹海默病的影响因素。
10.st20、从样本地区健康大数据中提取阿尔兹海默病患者的共同特征数据。
11.st30、将阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据结合，并放入机器学习模型中进行学习。
12.st40、验证和评估机器学习模型的性能。
13.另一方面，提供一种阿尔茨海默病智能早筛模型，通过阿尔茨海默病智能早筛模型构建方法构建获得。
14.综上所述，上述技术方案具有以下有益效果：本发明通过机器学习模型自动学习阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据，从而让机器学习模型具备筛查阿尔兹海默病高危人群的能力，通过验证和评估的步骤可以筛选出最优的模型，让构建的机器学习模型具有较为准确的筛查准确率，通过本发明得到的阿尔茨海默病智能早筛
模型可以在普通老年人群中提前锁定阿尔茨海默病高危老年人群，实现预防关口前移，做到“消未起之患，治未病之疾”。
附图说明
15.图1为一种阿尔茨海默病智能早筛模型构建方法的流程图示意图；
16.图2为阿尔茨海默病分期确定步骤流程图。
具体实施方式
17.下面结合附图和实施例，对本发明进一步详细说明。
18.如图1所示，一种阿尔茨海默病智能早筛模型构建方法，其包括以下过程：
19.st10、通过数据库对关键词进行检索，从而得到阿尔兹海默病的影响因素。
20.其中，关键词包括轻度认知障碍、轻度认知损害、mci、mild cognitive impairment、cognitive dysfunction、senile dementia、影响因素和risk factors。本发明以“轻度认知障碍”、“轻度认知损害”、“mci”、“mild cognitive impairment”、“cognitive dysfunction”、“senile dementia”和“影响因素”、“risk factors”，通过自由组合的方式在中国知网、万方、pubmed、web of science、embase、cochrane等中英文数据库中检索相关文献，通过文献综述，确定老年人轻度认知障碍患病的高危影响因素，然后，将影响老年人轻度认知障碍患病的高危因素归类为人口因素、社会因素、行为因素、疾病/身体异常因素和特定生物标记物因素。
21.阿尔兹海默病的影响因素包括人口因素、社会因素、行为因素、疾病/身体异常因素、特定生物标记物因素。将检索的结果归类为上述几种结果，具体的阿尔兹海默病的影响因素如下表1所示。
22.表1轻度认知障碍高危影响因素
[0023][0024][0025]
st20、从样本地区健康大数据中提取阿尔兹海默病患者的共同特征数据。样本地
区健康大数据依托脱敏后的全民健康信息数据平台获得。
[0026]
st21、控制样本地区健康大数据生成虚拟复制集，从样本地区健康大数据和虚拟复制集中提取阿尔兹海默病患者的共同特征数据。采用软件spss 26.0和r3.6.1开展统计分析，缺失指标使用missforest算法填补。由于样本地区健康大数据中阿尔茨海默病患病人数与未患病人数分布失衡，导致后续统计分析结果性能欠佳。为克服这一问题，本发明应用过采样技术，通过从现有少数类人群中生成虚拟复制集，以增加样本地区健康大数据中的阿尔兹海默病患者数量。继而，将样本地区健康大数据和虚拟复制集作为计量资料，采用ks方法检验计量资料的正态性，计量资料以mean
±
sd或m(p
25
,p
75
)表示，组间比较采用t检验或秩和检验；计数资料以例(％)表示，组间比较采用x2检验。将两组间有差异的指标纳入lasso回归模型分析阿尔兹海默病的危险因素，并将筛选出的危险因素放入机器学习模型中做进一步分析。
[0027]
st30、将阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据结合，并放入机器学习模型中进行学习。
[0028]
机器学习模型基于联邦学习框架。由于阿尔茨海默病的患病因素众多，且有一定的地区与人群差异性。因此，本发明选择基于联邦学习框架下的机器学习，从样本地区健康大数据中提取阿尔茨海默病患者的共同特征数据，并将其与文献中已经确认的轻度认知障碍高危影响因素结合，用以确定阿尔茨海默病高危人群。
[0029]
st31、将共同特征数据按比例分为训练集和测试集，训练集用于构建不同的机器学习模型。
[0030]
st32、采用贝叶斯优化对各个机器学习模型进行优化。
[0031]
机器学习模型构建分类模型构建采用python 3.8.5、anaconda3集成开发环境。本发明根据机器学习模型的需要，将数据按7:3分为训练集和测试集，训练集用于机器学习模型的构建，测试集用于机器学习模型的的测试。采用scikit-learn包分别构建logistic回归、lasso回归、决策树(decision tree,dt)、随机森林(random forest,rf)、支持向量(support vector machine,svm)、极限梯度上升(extreme gradient boosting,xgb)和人工神经网络(artificial neural network,ann)。采用bayes_opt包中贝叶斯优化(bayesian optimization,bo)，对上述机器学习模型进行参数优化。
[0032]
st40、验证和评估机器学习模型的性能。
[0033]
st41、采用交叉验证法和测试集评估各个机器学习模型的性能。
[0034]
评估指标为roc曲线下面积、敏感性、特异性、准确度、阳性预测值和阴性预测值。具体的，采用5折交叉验证法和验证集评估模型性能，评价指标为roc曲线下面积(auc)、敏感性、特异性、准确度、阳性预测值和阴性预测值。以auc的最大值为主要依据，选择七类模型中的最优模型。据此，明确影响人群患阿尔茨海默病的重要影响因素及排序，帮助筛查阿尔茨海默病高危人群。
[0035]
本发明通过机器学习模型自动学习阿尔兹海默病的影响因素和阿尔兹海默病患者的共同特征数据，从而让机器学习模型具备筛查阿尔兹海默病高危人群的能力，通过验证和评估的步骤可以筛选出最优的模型，让构建的机器学习模型具有较为准确的筛查准确率，通过本发明得到的阿尔茨海默病智能早筛模型可以在普通老年人群中提前锁定阿尔茨海默病高危老年人群，实现预防关口前移，做到“消未起之患，治未病之疾”。样本地区健康
大数据依托脱敏后的全民健康信息数据平台获得。
[0036]
根据本发明的第二方面，提供一种阿尔茨海默病智能早筛模型，其通过阿尔茨海默病智能早筛模型构建方法构建获得。
[0037]
本发明通过联邦学习构建阿尔茨海默病智能早筛模型，依托脱敏后的全民健康信息数据平台，进一步挖掘健康档案、健康体检、老年人专项、高血压专项、糖尿病专项、精神病专项、医疗业务等数据库信息，确定阿尔茨海默病高危影响因素。继而，根据高危影响因素，提前锁定潜在的阿尔茨海默病高危人群。
[0038]
针对数据库中已经建档的人群，本发明将直接利用数据库中的相关数据开展阿尔茨海默病高危筛查，并且将筛查结果以主键形式嵌入个人健康档案，为后续干预措施制定提供参考。针对未在数据库中建档的人群，若其自愿进行阿尔茨海默病高危因素筛查，可通过浙里办个人授权和后台高危因素匹配，实现阿尔茨海默病高危人群一键筛查。上述阿尔茨海默病高危影响因素和高危人群标记，也将嵌入医生端。当个人就诊时，医生端直接提示阿尔茨海默病风险信息，实现阿尔茨海默病由“被动防治”转为“主动干预”。
[0039]
在高危人群筛查的基础上，本发明利用国际公认量表(mmse、moca和cdr)对高危人群进行疾病分期确定，高危人群疾病分期确定步骤如图2所示，包括状态1正常、状态2轻度认知障碍、状态3轻度ad、状态4中度ad、状态5重度ad。
[0040]
本发明综合简易精神状态量表(minimum mental state examination,mmse)、蒙特利尔认知评估量表和(montreal cognitive assessment,moca)和临床痴呆评定量表(clinical dementia rating,cdr)等多个量表，从非临床角度协助初步确定高危人群是否患病及具体疾病分期。每一位被锁定为阿尔茨海默病高危人群的老年人都将由家庭医生对接，定期随访完成问卷。同时，问卷结果也将记入健康档案，并实时传输至市卫生健康信息中心留档和分析。依托前期参与的老年健康数据库的建设工作，在量表筛查过程中，充分利用村(社)网格员的力量，实现大规模问卷发放和数据收集，以协助确定阿尔茨海默病疾病分期。
[0041]
本发明通过前期文献回顾确定，mmse和moca评分与受教育程度显著相关。同时，结合理论造诣丰厚及实践经验丰富的临床医生的建议，以3年受教育年限为划分标准，选择不同的量表，确定轻度认知障碍人群。
[0042]
首先，根据目标人群个人信息，获取其受教育年限，根据不同受教育年限，选择不同的用以确定轻度认知障碍的量表。若受教育年限小于等于3年，则选择mmse量表对高危人群进行评定。mmse量表满分为30分，大于等于24分为正常人群，小于24分为认知功能障碍人群。其中，18-23分为轻度认知功能障碍，10-17分为中度认知功能障碍，0-9分为重度认知功能障碍。若受教育年限大于3年，则运用moca量表对高危人群进行测评。moca量表总分为30分，根据得分进行人群初步划分，得分大于等于26分为正常，得分大于等于20分但小于26分为轻度认知障碍，得分小于20则认为可能患阿尔茨海默病。
[0043]
基于此，本发明通过cdr量表对mmse评分小于23分和moca评分小于20分的人群开展进一步监测，根据量表得分结果进行初步的阿尔茨海默病临床分级。0分为未患阿尔茨海默病的认知障碍人群，0.5分为可能患阿尔茨海默病，1分为轻度阿尔茨海默病，2分为中度阿尔茨海默病，3分为重度阿尔茨海默病。鉴于量表检测精度有限，对于量表筛查出的阿尔茨海默病患者，建议其完成进一步临床诊断，丰富生物学标志物等相关数据，以提高阿尔茨
海默病临床诊断精度。
[0044]
阿尔茨海默病高危人群和确诊人群可在个人端通过自填或他人代填问卷等形式，初步确定阿尔茨海默病疾病分期。同时，针对问卷结果为患病的老人，可由家庭医生为其预约生物标志物检查，并结合核磁共振(mri)检查和脑脊液检查，进一步提高阿尔茨海默病临床诊断准确率。在医生端，医生将在诊疗前根据个人信息，采取不同的措施。若提示为阿尔茨海默病初筛患者(该类人群已在就诊前完成量表筛查)，则直接建议其开展临床生物标志物检查，进一步确定阿尔茨海默病疾病分期；若提示为阿尔茨海默病高危人群(该类人群在就诊前未完成量表筛查)，则由医生/护士在诊疗前为其进行量表筛查，初步确定阿尔茨海默病疾病分期，并建议量表结果为患病的老年人，开展相关临床生物标志物检查，进一步确定阿尔茨海默病疾病分期。
[0045]
本发明具有以下有点：1、根据阿尔茨海默病智能早筛模型，在普通老年人群中提前锁定阿尔茨海默病高危老年人群，实现预防关口前移，做到“消未起之患，治未病之疾”。
[0046]
2、通过阿尔茨海默病智能早筛模型，预计阿尔茨海默病高危人群筛查准确率将达到72％左右，降低其40％发病率并延缓发病5年。
[0047]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。