無(wú)創(chuàng)型健康評(píng)估模型的建立方法及研發(fā)

本文格式為Word版，下載可任意編輯——無(wú)創(chuàng)型健康評(píng)估模型的建立方法及研發(fā)無(wú)創(chuàng)型健康評(píng)估模型的通用建立方法

惠恒集團(tuán)深圳市天信生物科技有限公司趙紅謝國(guó)梁

健康管理過(guò)程中，根據(jù)健康信息提供個(gè)體化亞健康干預(yù)手段是健康評(píng)估不可缺少的重要環(huán)節(jié)。本文介紹了基于系統(tǒng)生物信息學(xué)，宏觀(guān)檢測(cè)人體整體系統(tǒng)變量，以流行病學(xué)前瞻性模型為示教標(biāo)準(zhǔn)，研發(fā)周期短，經(jīng)濟(jì)適用的無(wú)創(chuàng)型健康評(píng)估模型的方法。并以缺血性心血管病發(fā)病危險(xiǎn)因素為例，研發(fā)出無(wú)創(chuàng)型人體經(jīng)絡(luò)檢測(cè)值評(píng)估模型，其外推預(yù)報(bào)結(jié)果初步顯示了此方法的應(yīng)用可行性。

危險(xiǎn)性評(píng)估；模型；機(jī)器學(xué)習(xí)；經(jīng)絡(luò)信息檢測(cè)及處理1引言

1.1亞健康檢測(cè)和評(píng)估現(xiàn)狀

亞健康的檢測(cè)和評(píng)估是健康管理最終提供個(gè)體化的干預(yù)手段，是必不可少的先決條件。由于絕大多數(shù)被市場(chǎng)“炒〞作起來(lái)的亞健康檢測(cè)與評(píng)估“產(chǎn)品〞均沒(méi)有經(jīng)過(guò)科學(xué)系統(tǒng)的應(yīng)用研究和實(shí)施數(shù)據(jù)支持，因而只呈曇花一現(xiàn)便無(wú)影無(wú)蹤。

1.2現(xiàn)存的一些商業(yè)化亞健康檢測(cè)評(píng)估手段分類(lèi)

1.2.1以既存疾病驗(yàn)后診斷案例為基礎(chǔ)的無(wú)創(chuàng)型評(píng)估模型

盡管此類(lèi)亞健康檢測(cè)評(píng)估手段的機(jī)理各異，但就其所獲取的信息、所建立的評(píng)估模型而言，并非疾病預(yù)警意義上的嚴(yán)格的前瞻性健康風(fēng)險(xiǎn)評(píng)估。由于其模型建立機(jī)制實(shí)質(zhì)上是通過(guò)檢測(cè)數(shù)據(jù)，歸納現(xiàn)存已產(chǎn)生疾病屬性的回想性提醒（盡管此類(lèi)檢測(cè)評(píng)估系統(tǒng)的商業(yè)宣傳稱(chēng)其對(duì)疾病具有早期提醒作用）。檢測(cè)信息從既存疾病的非亞健康人群中獲取，然后采用數(shù)據(jù)處理進(jìn)行歸納，得出的結(jié)論實(shí)為既存疾病屬性的標(biāo)示。因此，此類(lèi)評(píng)估模型的方法論規(guī)律的建立比較含混，不同于亞健康狀態(tài)下，具有疾病預(yù)警意義的前瞻性健康風(fēng)險(xiǎn)評(píng)估。

為解決以上弊端，有必要采用基于亞健康疾病時(shí)間序列趨勢(shì)統(tǒng)計(jì)分析，具有較嚴(yán)格的前瞻預(yù)報(bào)意義的有創(chuàng)型流行病學(xué)評(píng)估模型。

1.2.2以亞健康疾病時(shí)間序列趨勢(shì)統(tǒng)計(jì)分析為基礎(chǔ)的有創(chuàng)型流行病學(xué)評(píng)估模型任何一種慢性疾病都有其特有的生理病理變化，盡管這些變化是繁雜的，但是很小的變

[1]

化都會(huì)在生物標(biāo)記上有所表達(dá)。這里的生物標(biāo)記群不只是考慮單一指標(biāo)的測(cè)量值，而是包括全面觀(guān)測(cè)到的眾多有意義的生物醫(yī)學(xué)指標(biāo)及其它指標(biāo)，是對(duì)人身體健康狀況的整體評(píng)估。因此，假使在疾病發(fā)生前測(cè)得其生物標(biāo)記模式，并連續(xù)觀(guān)測(cè)疾病發(fā)展過(guò)程中時(shí)間序列趨勢(shì)下生物標(biāo)記的變化狀況，采用流行病學(xué)統(tǒng)計(jì)分析方法，如Cox比例風(fēng)險(xiǎn)模型等，建立評(píng)估模型，就可發(fā)現(xiàn)導(dǎo)致疾病發(fā)生及發(fā)展的關(guān)鍵因素，也就是在亞健康人群檢測(cè)評(píng)估中真正有意義的前瞻性健康風(fēng)險(xiǎn)評(píng)估的檢測(cè)信息判據(jù)。將某個(gè)體的生物標(biāo)記群錄入計(jì)算機(jī)，基于評(píng)估模型的預(yù)計(jì)軟件系統(tǒng)就會(huì)自動(dòng)將錄入信息與軟件的預(yù)計(jì)模式進(jìn)行比較分析，確定該個(gè)體發(fā)生疾病的趨勢(shì)及可能性，此過(guò)程為采取有效的預(yù)防措施創(chuàng)造了條件。

這種檢測(cè)評(píng)估手段的惋惜之處是必需包括有創(chuàng)性血生化指標(biāo)，因而增加了諸多不便。2交織綜合評(píng)估方法

通過(guò)綜合評(píng)估的手段使以上兩類(lèi)機(jī)制不同的檢測(cè)評(píng)估模型“雜交〞，揚(yáng)棄各自的優(yōu)缺點(diǎn)是必要的。由于所構(gòu)造的新模型來(lái)源于兩類(lèi)產(chǎn)活力制全然不同的源模型的“雜交〞，因此新模型不可能通過(guò)兩類(lèi)模型算法的合成來(lái)獲取，也不可能借助原來(lái)產(chǎn)生兩類(lèi)模型的臨床案例的會(huì)集重新構(gòu)建，只能通過(guò)原創(chuàng)的交織試驗(yàn)設(shè)計(jì)積累足夠的臨床案例來(lái)獲取。這里筆者提供一個(gè)采用系統(tǒng)生物信息學(xué)的計(jì)算機(jī)學(xué)習(xí)獲取無(wú)創(chuàng)型評(píng)估模型的交織綜合對(duì)照試驗(yàn)的方案（如圖1），通過(guò)有創(chuàng)型基于時(shí)間序列的流行病學(xué)疾病預(yù)報(bào)模型作標(biāo)準(zhǔn)，開(kāi)發(fā)出無(wú)創(chuàng)型健康評(píng)估（疾病預(yù)警）模型。此模型可不斷地伴隨臨床案例的積累而優(yōu)化。下面以缺血性心血管評(píng)估模型為對(duì)照，簡(jiǎn)述基于人體經(jīng)絡(luò)檢測(cè)值無(wú)創(chuàng)型評(píng)估模型的開(kāi)發(fā)過(guò)程，并對(duì)初步應(yīng)用結(jié)果進(jìn)行分析。

[4]

[3]

[2]

圖1

獲取無(wú)創(chuàng)性評(píng)估模型的交織綜合對(duì)照方案

健康評(píng)估個(gè)體

有創(chuàng)檢測(cè)屬性無(wú)創(chuàng)檢測(cè)屬性

有創(chuàng)流行病學(xué)評(píng)估模型

再學(xué)習(xí)

評(píng)估結(jié)果

機(jī)器學(xué)習(xí)訓(xùn)練案例

機(jī)器學(xué)習(xí)

無(wú)創(chuàng)評(píng)估模型

3以人體經(jīng)絡(luò)檢測(cè)為基礎(chǔ)，建立缺血性心血管病發(fā)病危險(xiǎn)無(wú)創(chuàng)型評(píng)估模型3.1經(jīng)絡(luò)檢測(cè)原理

采用經(jīng)絡(luò)測(cè)量信息作為亞健康狀態(tài)主要連續(xù)量生物標(biāo)記之一。根據(jù)國(guó)內(nèi)外電生理學(xué)試驗(yàn)發(fā)現(xiàn)，如經(jīng)穴處存在Ca，F(xiàn)e元素和Ca離子的富聚，以及經(jīng)絡(luò)循經(jīng)傳導(dǎo)線(xiàn)上與經(jīng)穴點(diǎn)有關(guān)線(xiàn)粒三磷（ATP）較多的細(xì)胞集聚等實(shí)證結(jié)果

[5-12]

，Ca離子作為細(xì)胞間質(zhì)中第一、其次信使，

參與細(xì)胞生長(zhǎng)發(fā)育重要過(guò)程，在人體生命過(guò)程中扮演著重要的角色，因此經(jīng)絡(luò)測(cè)量可能成為采集生命科學(xué)信息的重要手段。在血生化數(shù)值等診斷指標(biāo)變化前，經(jīng)絡(luò)信息

[13]

與其他“生物

-心理-社會(huì)〞的綜合標(biāo)記群的合參綜合可能會(huì)更確鑿地透露一些生命現(xiàn)象的量化本質(zhì)，如亞健康狀態(tài)。本研究正是通過(guò)宏觀(guān)電子檢測(cè)多處經(jīng)絡(luò)穴位點(diǎn)的皮膚表面電阻值，經(jīng)系統(tǒng)生物信

息學(xué)的計(jì)算機(jī)學(xué)習(xí)（supervisorbasedlearning），獲取模式發(fā)現(xiàn)(patterndiscovery)，綜合挖掘提取機(jī)體功能狀況特征信息，深刻透露經(jīng)絡(luò)信息表達(dá)的微觀(guān)生命科學(xué)本質(zhì)。與其他商業(yè)化的無(wú)創(chuàng)型檢測(cè)手段相比，經(jīng)絡(luò)皮膚表面電阻檢測(cè)具有較為經(jīng)濟(jì)簡(jiǎn)便的優(yōu)越性。

3.2示教標(biāo)準(zhǔn)源模型——缺血性心血管病發(fā)病危險(xiǎn)的評(píng)估模型

中國(guó)醫(yī)學(xué)科學(xué)院阜外心血管病醫(yī)院流行病學(xué)研究室武陽(yáng)豐教授研究認(rèn)為，缺血性心血管病發(fā)病危險(xiǎn)的評(píng)估模型能較好地反映發(fā)生心血管病的綜合危險(xiǎn)，預(yù)計(jì)個(gè)體未來(lái)十年內(nèi)罹患缺血性心血管病(ischemiccardiovasculardiseases,ICVD)的危險(xiǎn)等級(jí)。此評(píng)估模型由年齡、血壓、體重指數(shù)、是否吸煙、血糖與血脂含量六大因素共同決定。其中年齡、是否吸煙通過(guò)填寫(xiě)問(wèn)卷獲得，血壓通過(guò)血壓計(jì)測(cè)量獲得，體重指數(shù)通過(guò)測(cè)量身高和體重獲得，只有血糖和血脂含量必需通過(guò)有創(chuàng)抽血化驗(yàn)才能獲得。

3.3利用神經(jīng)元網(wǎng)絡(luò)算法，建立有示教的計(jì)算機(jī)機(jī)器學(xué)習(xí)，獲取無(wú)創(chuàng)型評(píng)估模型由圖1所示，計(jì)算機(jī)機(jī)器學(xué)習(xí)獲取無(wú)創(chuàng)型評(píng)估模型的交織綜合對(duì)照試驗(yàn)方案，通過(guò)以上有創(chuàng)型ICVD流行病學(xué)疾病預(yù)報(bào)模型作為示教標(biāo)準(zhǔn)，選取神經(jīng)元網(wǎng)絡(luò)算法實(shí)現(xiàn)計(jì)算機(jī)機(jī)器學(xué)習(xí)，開(kāi)發(fā)出無(wú)創(chuàng)性健康評(píng)估（疾病預(yù)警）模型，由于神經(jīng)元網(wǎng)絡(luò)算法十分適合處理含繁雜噪聲的傳感器數(shù)據(jù)，如經(jīng)絡(luò)皮膚表面電阻檢測(cè)值。

在此實(shí)現(xiàn)過(guò)程中，我們以297個(gè)例行體檢中獲取的經(jīng)絡(luò)受檢者的數(shù)據(jù)作為神經(jīng)元網(wǎng)絡(luò)機(jī)器學(xué)習(xí)的訓(xùn)練集，而以另外227個(gè)數(shù)據(jù)作為測(cè)試集用于測(cè)試所建模型的預(yù)報(bào)精度。由于訓(xùn)練集和測(cè)試集來(lái)自于取樣時(shí)間和地點(diǎn)完全不同的群體，因此在統(tǒng)計(jì)上是完全獨(dú)立的。

這些檢測(cè)者的數(shù)據(jù)包括年齡、性別、血壓、身高、體重、血糖血脂含量、吸煙與否以及人體皮膚表面24個(gè)主要穴位的經(jīng)絡(luò)電阻等詳細(xì)信息。根據(jù)心血管疾病評(píng)估模型中的計(jì)算方法（參見(jiàn)圖2和圖3），我們可以計(jì)算出每個(gè)檢測(cè)者未來(lái)十年ICVD發(fā)病危險(xiǎn)（%）。通過(guò)與同性別、同年齡段人群未來(lái)十年ICVD發(fā)病平均危險(xiǎn)（%）進(jìn)行對(duì)比，我們把未來(lái)十年ICVD發(fā)病危險(xiǎn)（%）超過(guò)同性別、同年齡段的人群定義為心血管疾病高危傾向者。為此，我們?cè)谀Ｐ椭幸M(jìn)了一個(gè)目標(biāo)變量“是否高危〞，對(duì)未來(lái)十年ICVD發(fā)病危險(xiǎn)（%）超過(guò)同性別、同年齡段的人群，目標(biāo)變量取值1（高危），否則為0（非高危）。如在缺血性心血管病發(fā)病危險(xiǎn)的有創(chuàng)評(píng)估模型（示教標(biāo)準(zhǔn)源模型）中代入297個(gè)數(shù)據(jù)訓(xùn)練集例行體檢獲取的相應(yīng)信息，可得出197個(gè)數(shù)據(jù)取值0，100個(gè)數(shù)據(jù)取值1為示教標(biāo)準(zhǔn),運(yùn)用神經(jīng)網(wǎng)絡(luò)算法

[14]

[4]

[4]

訓(xùn)練得到模型，

再把模型結(jié)果運(yùn)用到測(cè)試集上進(jìn)行預(yù)報(bào),以檢驗(yàn)?zāi)Ｐ偷念A(yù)計(jì)精度。

神經(jīng)網(wǎng)絡(luò)模型可以大致表述為如下函數(shù)：

某個(gè)體心血管疾病預(yù)報(bào)風(fēng)險(xiǎn)“是否高危〞=f(年齡、性別、收縮壓、體重指數(shù)、吸煙與否、及人體皮膚表面24個(gè)主要穴位的經(jīng)絡(luò)電阻值)

由此可知，此模型為不包含血糖及血脂的無(wú)創(chuàng)型模型。227數(shù)據(jù)測(cè)試集的預(yù)計(jì)結(jié)果如下：

1.用原來(lái)297個(gè)數(shù)據(jù)做訓(xùn)練集得到模型，再用該模型對(duì)227個(gè)數(shù)據(jù)進(jìn)行預(yù)計(jì)；實(shí)際預(yù)計(jì)|0|1|總計(jì)+++0|153|14|167+++1|12|48|60+++總計(jì)16562227

從以上混淆矩陣看出，227個(gè)數(shù)據(jù)中，實(shí)際取值為“0〞的167個(gè)數(shù)據(jù)通過(guò)模型預(yù)報(bào)后153個(gè)仍為“0〞，14個(gè)誤報(bào)為“1〞，實(shí)際取值為“1〞的60個(gè)數(shù)據(jù)通過(guò)模型預(yù)報(bào)后48個(gè)仍為“1〞，12個(gè)誤報(bào)為“0〞。其中有201個(gè)數(shù)據(jù)模型預(yù)報(bào)值與實(shí)際值吻合，26個(gè)數(shù)據(jù)不吻合，模型的預(yù)計(jì)確鑿率為88.55%。

2.因訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的統(tǒng)計(jì)分布差異會(huì)導(dǎo)致模型外推預(yù)報(bào)精度降低，為了戰(zhàn)勝這一點(diǎn)，基于集群表決理論

[15]

，對(duì)原來(lái)的297個(gè)數(shù)據(jù)的訓(xùn)練