本发明涉及糖尿病治疗方案分析领域，尤其涉及一种基于大数据的糖尿病推荐用药方法、存储介质及系统。
背景技术：
糖尿病是一组以高血糖为特征的代谢性疾病，糖尿病患者需经常摄入胰岛素以平衡体内的血糖浓度。但是，胰岛素的摄入量需要随着体内血糖浓度的变化而变化，以免摄入量过多或过少。目前患者通常都是去医院进行血糖浓度的测量，得到测量结果后再由医生根据测量结果给出胰岛素的摄入量诊断。载这样获取结果的方式下，患者需经常前往医院，频繁采集血液以获取血糖浓度，且医生在病患较多的情况下，可能出现分心而导致的诊断失误，如看错测量结果等。既增加患者的就诊负担，也增加了医生的问诊负担。
技术实现要素：
为克服医生问诊及患者就诊负担较大的问题,本发明提供一种基于大数据的糖尿病推荐用药方法、存储介质及系统。
本发明解决技术问题的技术方案是提供一种基于大数据的糖尿病推荐用药方法，所述基于大数据的糖尿病推荐用药方法包括步骤：采集预定时间内每日的血糖浓度及体重，并根据预定时间内所述血糖浓度及所述体重的变化，建立所述血糖浓度及所述体重的变化模型；利用所述变化模型计算后续的所述血糖浓度及所述体重，根据后续的所述血糖浓度及所述体重获取每日用药方案，并根据用药方案建立诊断模型；及利用所述诊断模型输出每日用药方案，并将输出的所述用药方案按照日期排序。
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行基于大数据的糖尿病推荐用药方法。
本发明还提供一种基于大数据的糖尿病推荐用药系统，所述基于大数据的糖尿病推荐用药系统包括处理器和存储器,所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现基于大数据的糖尿病推荐用药方法。
与现有技术相比，本发明所提供的基于大数据的糖尿病推荐用药方法、存储介质及系统具有以下优点：
通过先采集预定时间内患者的血糖浓度及体重，并根据其变化规律建立变化模型，以获取患者在预定时间之后后续的血糖浓度及体重。且，利用后续的血糖浓度及体重计算出患者后续每天需要注射的胰岛素剂量，并根据后续每天需注射的胰岛素剂量建立诊断模型，从而使得后续患者需注射的胰岛素剂量只需要将当日的日期输入诊断模型即可输出，避免了患者需频繁前往医院抽取血液，降低患者负担。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
附图说明
图1为本发明第一实施例提供的一种基于大数据的糖尿病推荐用药方法的流程示意图；
图2为图1中变化模型的一种函数关系示意图；
图3为图1中步骤s1的子流程示意图；
图4为图1中步骤s2的子流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1-2，本发明提供一种基于大数据的糖尿病推荐用药方法，其包括步骤：
s1，采集预定时间内每日的血糖浓度及体重，并根据预定时间内每日的血糖浓度及体重的变化，建立血糖浓度及体重的变化模型；
具体的来说，由于患者的身体参数并不是固定不变的，如患者每天的饮食量及运动量都会对患者的体重及血糖浓度造成影响，所以需要了解患者身体的情况，需要采集患者一个预定时间内的血糖浓度及体重。
需说明的是，预定时间可以是一周、一个月等，如，患者一周内每天的血糖浓度及体重或患者一个月内每天的血糖浓度及体重，在采集到预定时间内患者的血糖浓度及体重后，将其存入数据库内进行存储。
将患者的身体参数存储至数据库后，结合采集到的血糖浓度及体重，总结出患者在预定时间内每天血糖浓度及体重的变化规律，形成血糖浓度及体重的变化模型，以通过变化模型得到患者后续血糖浓度及体重的变化数据。
以一个例子作为说明，当预定时间为1个月时，假设患者在前10天内每天的血糖浓度在皆为12mmol/l，中间10天内每天的血糖浓度皆为14mmol/l，最后10天内每天的血糖浓皆为13mmol/l，该患者血糖浓度在一个月内的变化呈抛物线的变化规律。假设患者在前10天每天的体重为70kg，在中间十天每天的体重为75kg，在最后10天的体重为73kg，则患者的体重在一个月内的变化也呈抛物线的变化规律。即，总结出的变化模型为血糖浓度对应抛物线公式及体重对应的抛物线公式，通过两个抛物线公式，可计算出在预定时间之后，也即在一个月的时间之后，患者每天的血糖浓度及体重。利用两个抛物线公式，只要输入日期，即可获得患者当天的血糖浓度及体重。
s2，利用变化模型计算后续的血糖浓度及体重，根据后续的血糖浓度及体重获取后续每日的用药方案，并根据用药方案建立诊断模型；
具体的，在获取到变化模型后，可根据变化模型得到患者每一天的血糖浓度及体重，根据血糖浓度及体重，可得知患者在当天应当使用的用药方案。将所有的用药方案整合，以形成诊断模型。
需说明的是，用药方案具体为患者每天注射胰岛素的用药量，血糖浓度的正常范围值为3.9-6.1mmol/l。
需说明的是，诊断模型为利用变化模型的公式及每日注射胰岛素剂量的公式结合，计算患者每天注射胰岛素的用药量，并总结每天注射胰岛素的用药量形成的函数公式。也即，在预定时间之后，将日期输入至诊断模型，即可获取患者当天的胰岛素注射剂量。
以一个例子作为说明，每日注射胰岛素的公式为：每日注射胰岛素的剂量＝[血糖浓度(mmol/l)-100]x10x体重(kg)x0.6÷1000÷2，利用变化模型计算出患者当日的血糖浓度及体重，然后将血糖浓度及体重代入到注射胰岛素的公式内，即可获取每日注射胰岛素的剂量。将后续的多个注射胰岛素的剂量进行真核，总结出的规律公式，即为诊断模型。总结出诊断模型后，只需将日期输入到诊断模型中，即可得到当日患者需要注射的胰岛素剂量。
s3，利用诊断模型输出每日用药方案，并将输出的用药方案按照日期排序；
具体的，在建立诊断模型后，患者后续每一日的用药方案皆可通过诊断模型输出，将输出的用药方案以日期为顺序，按照列表的形式进行排序，使患者可直观的看到每日的用药量。
请参阅图3，步骤s1包括子步骤：
s11，采集预定时间内多个时间节点对应的血糖浓度浓度及体重；
具体的，在预定时间内，每个时间节点为每一天，每个时间节点对应的血糖浓度及体重为患者每天的血糖浓度及体重。
s12，分别将时间节点对应的血糖浓度及体重放入到两个预测模型中进行训练，以得到变化模型；
具体的，预测模型是在采用定量预测法进行预测时，最重要的工作是建立预测数学模型。预测模型是指用于预测的，用数学语言或公式所描述的事物间的数量关系。它在一定程度上揭示了事物间的内在规律性，预测时把它作为计算预测值的直接依。预测模型包括据包括自回归模型(ar)、移动平均模型(ma)、自回归滑动平均模型(arma)及自回归差分移动平均模型(arima)中的一个或多种组合。在本实施例中，利用多个时间节点对应的血糖浓度及体重，通过预测模型的训练，以得到变化模型。
进一步地，时间节点具有连续性，将时间节点对应的血糖浓度及体重放入两个预测模型中进行训练的过程为：将时间节点进行划分，将划分后的血糖浓度及体重分为训练集和验证集。如，将一个月内的前15天内每一天对应的血糖浓度及体重划分为训练集，将一个月内后15天内每一天对应的血糖浓度及体重划分为验证集。将血糖浓度的训练集及体重的训练集分别放入到两个预测模型中进行学习，也即总结出规律公式，然后再将血糖浓度的验证集及体重的验证集分别放入规律公式中进行验证，以确保变化模型的准确性。
请参阅图4，步骤s2包括子步骤：
s21，利用变化模型计算出后续每日的血糖浓度及体重；
具体的，在得到变化模型后，可输入日期，计算得到患者当日的血糖浓度及体重。
s22，利用后续每日的血糖浓度及体重计算出后续每日注射胰岛素的剂量；
具体的，得到患者的血糖浓度及体重后，将其代入每日注射胰岛素的公式内，即可获取患者每日需要注射胰岛素的剂量。
s23，将后续每日注射胰岛素的剂量放入预测模型中学习，得到诊断模型；
具体的，将每日需要注射胰岛素的剂量放入预测模型中学习，即可得到诊断模型。
可以理解，后续每日为在预定时间之后的每日，如预定时间为一个月时，后续每日即一个月之后的每一日。
本发明提供的一种基于大数据的糖尿病推荐用药方法，先通过预定时间内采集到的血糖浓度及体重输入到预测模型进行训练，以变化模型。然后根据变化模型获取患者在预定时间之后，每日的血糖浓度及体重，将预定时间之后每日的血糖浓度及体重代入到每日胰岛素注射剂量公式内，得到预定时间之后患者每日需要注射胰岛素的剂量。在将这些需要注射的胰岛素剂量放入到预测模型中进行训练，最终得到诊断模型。得到诊断模型后，当患者再需要了解每日注射胰岛素的剂量时，无需在采集患者的血糖浓度及体重，直接将当日的日期输入至诊断模型内，即可得到患者当日所需注射的胰岛素剂量。
本发明还提供一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、dvd、硬盘、闪存、u盘、cf卡、sd卡、mmc卡、sm卡、记忆棒(memorystick)、xd卡等。
计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。
本发明还提供一种基于大数据的糖尿病推荐用药系统，该基于大数据的糖尿病推荐用药系统包括处理器和存储器,存储器上存储有计算机程序，计算机程序被处理器执行时，实现基于大数据的糖尿病推荐用药方法。
与现有技术相比，本发明所提供的基于大数据的糖尿病推荐用药方法、存储介质及系统具有以下优点：
通过先采集预定时间内患者的血糖浓度及体重，并根据其变化规律建立变化模型，以获取患者在预定时间之后后续的血糖浓度及体重。且，利用后续的血糖浓度及体重计算出患者后续每天需要注射的胰岛素剂量，并根据后续每天需注射的胰岛素剂量建立诊断模型，从而使得后续患者需注射的胰岛素剂量只需要将当日的日期输入诊断模型即可输出，避免了患者需频繁前往医院抽取血液，降低患者负担。
通过以时间节点划分验证集及训练集，可保证变化模型的准确性，以确保后续诊断模型的准确性。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
1.一种基于大数据的糖尿病推荐用药方法，其特征在于，所述基于大数据的糖尿病推荐用药方法包括步骤：
采集预定时间内每日的血糖浓度及体重，并根据预定时间内每日的所述血糖浓度及所述体重的变化，建立所述血糖浓度及所述体重的变化模型；
利用所述变化模型计算后续的所述血糖浓度及所述体重，根据后续的所述血糖浓度及所述体重获取后续每日的用药方案，并根据所述用药方案建立诊断模型；及
利用所述诊断模型输出每日用药方案，并将输出的所述用药方案按照日期排序。
2.如权利要求1所述的一种基于大数据的糖尿病推荐用药方法，其特征在于：所述采集预定时间内每日的血糖浓度及体重，并根据预定时间内所述血糖浓度及所述体重的变化，建立所述血糖浓度及所述体重的变化模型包括：
采集所述预定时间内多个时间节点对应的所述血糖浓度及体重；及
分别将时间节点对应的血糖浓度及体重放入两个预测模型中进行训练，以得到变化模型。
3.如权利要求2任一项所述的一种基于大数据的糖尿病推荐用药方法，其特征在于：
所述预测模型包括自回归模型、移动平均模型、自回归滑动平均模型及自回归差分移动平均模型中的一个或多个的组合。
4.如权利要求2任一项所述的一种基于大数据的糖尿病推荐用药方法，其特征在于：
根据所述时间节点将所述血糖浓度及所述体重划分为训练集及验证集，所述训练集放入所述预测模型中进行训练，以得到变化模型；所述验证集验证所述变化模型，以确保所述变化模型的准确性。
5.如群里要求2所述的一种基于大数据的糖尿病推荐用药方法，其特征在于：所述利用所述变化模型计算后续的所述血糖浓度及所述体重，根据后续的所述血糖浓度及所述体重获取每日用药方案，并根据用药方案建立诊断模型包括：
利用所述变化模型计算出后续每日的所述血糖浓度及所述体重；
利用后续每日的所述血糖浓度及所述体重计算出后续每日注射胰岛素剂量；
将后续每日所述注射胰岛素剂量放入到所述预测模型中训练，得到诊断模型。
6.一种存储介质，其特征在于：
所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-5中任一项中所述的基于大数据的糖尿病推荐用药方法。
7.一种基于大数据的糖尿病推荐用药系统，其特征在于：
所述基于大数据的糖尿病推荐用药系统包括处理器及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行，实现如权利要求1-5所述的基于大数据的糖尿病推荐用药方法。
技术总结