一种基于大数据的慢性病病情预测方法、系统及存储介质
阅读说明：本技术 一种基于大数据的慢性病病情预测方法、系统及存储介质 (Big data-based chronic disease condition prediction method and system and storage medium ) 是由 于大千 于 2021-08-27 设计创作，主要内容包括：本发明公开了一种基于大数据的慢性病病情预测方法、系统及存储介质,其中一种基于大数据的慢性病病情预测方法包括：采集目标对象的体征数据信息、历史诊断信息及个人生活环境信息,根据所获取的信息提取可能影响慢性病发展的影响因素,生成影响因素集合；建立重要因素遴选模型。将所述影响因素集合导入所述重要因素遴选模型,生成最终重要影响因素并确定其权重信息；根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测,生成注意事项及医学建议；引入概率模型,根据目标对象病情信息对慢性病并发症进行预测；将目标对象病情信息以及注意事项、医学建议按照预设显示方式进行显示。(The invention discloses a chronic disease prediction method, a system and a storage medium based on big data, wherein the chronic disease prediction method based on the big data comprises the following steps: acquiring physical sign data information, historical diagnosis information and personal living environment information of a target object, extracting influence factors possibly influencing the development of chronic diseases according to the acquired information, and generating an influence factor set; and establishing an important factor selection model. Importing the influence factor set into the important factor selection model, generating a final important influence factor and determining weight information of the final important influence factor; analyzing and predicting the disease condition of the target object according to the final important influence factors and the weight information to generate notice items and medical suggestions; introducing a probability model, and predicting chronic disease complications according to the disease information of the target object; and displaying the disease condition information, the notice and the medical advice of the target object according to a preset display mode.)
技术领域
本发明涉及慢性病管理领域，更具体的，涉及一种基于大数据的慢性病病情预测方法、系统及存储介质。
背景技术
新时代背景下,健康成为人民日益增长的美好生活需要的重要方面。然而,健康问题日益凸显,严重威胁着人们的健康,尤其是慢性病患者的“井喷式”增长,给医疗卫生事业带来沉重负担。心脑血管疾病、糖尿病等与人们生活方式密切相关的慢性非传染性疾病已成为健康和生命的主要杀手。慢性病具有病程长、病因复杂、健康损害和社会危害严重等特点,多为终身性疾病,预后差,常伴有多种并发症。我国慢性病患病率呈持续上升趋势,慢性病危险因素流行严峻。同时,我国人口老龄化趋势正在迅速加快,老龄人口增加促使慢性病的防治工作更加急迫和困难。目前,慢性病病情风险预测及管理需求日益强烈。
为了能够对慢性病进行监测管理，需要开发一款系统与之匹配，该系统通过采集目标对象的数据信息，根据获取的信息提取可能影响慢性病发展的影响因素，生成影响因素集合；建立重要因素遴选模型，将影响因素集合导入生成最终重要影响因素并确定其权重信息；根据最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议；引入概率模型，根据目标对象病情信息对慢性病并发症进行预测。在系统的实现过程中，如何建立重要因素遴选模型以及如何通过最终重要影响因素及权重信息进行病情分析都是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于大数据的慢性病病情预测方法、系统及存储介质。
本发明第一方面提供了一种基于大数据的慢性病病情预测方法，包括：
采集目标对象的体征数据信息、历史诊断信息、生活习惯及环境信息，根据所获取的信息提取可能影响慢性病发展的影响因素，生成影响因素集合；
建立重要因素遴选模型，将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息；
根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议；
引入概率模型，根据目标对象病情信息对慢性病并发症进行预测；
将目标对象病情信息以及注意事项、医学建议按照预设显示方式进行显示。
本方案中，所述的采集目标对象的体征数据信息、历史诊断信息、生活习惯及环境信息，其中体征数据信息包括身高、体重、血压、血糖、血脂的一种或两种以上的组合；历史诊断信息包括既往史、吸烟史、饮酒史、遗传史的一种或两种以上的组合；生活习惯及环境信息包括饮食习惯信息、所在地区信息、地区气候信息、工作环境信息的一种或两种以上的组合。
本方案中，所述的建立重要因素遴选模型，将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息，具体为：
建立重要因素遴选模型，将影响因素集合导入所述重要因素遴选模型，对所述影响因素集合中各影响因素进行聚类分析；
比较任意两个影响因素之间的关系，构建影响因素的邻接矩阵，其中，两个影响因素存在关系时取1，两个影响因素不存在关系时取0，
根据所述邻接矩阵计算生成可达矩阵，通过所述可达矩阵提取各影响因素，并确定层次结构；
根据预设信息获取所述层次结构中前k层对应的影响因素，生成最终重要影响因素，其中，k取非零整数，且小于等于层次结构的总层数；
通过模糊层次分析法得到层次结构中前k层次对应的权重向量，根据所述权重向量确定所述最终重要影响因素的权重信息。
本方案中，根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议，具体为：
预设慢性病风险等级，将慢性病病情状况分为低风险、中风险、高风险；
通过所述最终重要影响因素及权重信息根据预设计算方式计算风险指数，预设风险指数第一阈值及第二阈值；
将所述风险指数与预设阈值信息进行比较判断；
若所述风险指数小于所述第一阈值，则证明目标对象的慢性病病情状况为低风险，生成相关注意事项按照预设方式显示；
若所述风险指数大于等于所述第一阈值小于所述第二阈值，则证明目标对象的慢性病病情状况为中风险，生成相关注意事项及医学建议按照预设方式显示；
若所述风险指数大于所述第二阈值，则证明目标对象的慢性病病情状况为高风险，生成相关注意事项及医学建议按照预设方式显示。
本方案中，所述的引入概率模型，根据目标对象病情信息对慢性病并发症进行预测，具体为：
提取最终重要影响因素对应的数据信息，将获取的数据进行预处理生成数据集；
建立概率模型，进行初始化训练，将所述数据集导入所述概率模型生成慢性病并发症的条件概率密度。
通过多数条件概率密度计算各并发症的预测发生值；
设置置信区间对预测发生值进行预估修正，得到修正后的预测发生值，并输出所述预测发生值。
本方案中，还包括，建立个人健康状况数据库，根据个人健康状况数据库中历史体征数据对目标用户慢性病病情状况评定进行验证，具体为：
建立个人健康状况数据库，通过所述个人健康状况数据库提取历史体征数据时序序列；
按照所述历史体征数据时序序列提取目标用户第i年体征数据；
将提取到的体征数据进行预处理进行慢性病病情状况评定，得到第i年的慢性病病情预测状况；
从所述个人健康状况数据库获取第i年的慢性病病情实际状况；
将所述慢性病病情预测状况与所述慢性病病情实际状况进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则生成修正信息，通过所述修正信息对对目标用户慢性病病情状况评定进行修正。
本发明第二方面还提供了一种基于大数据的慢性病病情预测系统，该系统包括：存储器、处理器，所述存储器中包括一种基于大数据的慢性病病情预测方法程序，所述一种基于大数据的慢性病病情预测方法程序被所述处理器执行时实现如下步骤：
采集目标对象的体征数据信息、历史诊断信息、生活习惯及环境信息，根据所获取的信息提取可能影响慢性病发展的影响因素，生成影响因素集合；
建立重要因素遴选模型，将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息；
根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议；
引入概率模型，根据目标对象病情信息对慢性病并发症进行预测；
将目标对象病情信息以及注意事项、医学建议按照预设显示方式进行显示。
本方案中，所述的采集目标对象的体征数据信息、历史诊断信息、生活习惯及环境信息，其中体征数据信息包括身高、体重、血压、血糖、血脂的一种或两种以上的组合；历史诊断信息包括既往史、吸烟史、饮酒史、遗传史的一种或两种以上的组合；生活习惯及环境信息包括饮食习惯信息、所在地区信息、地区气候信息、工作环境信息的一种或两种以上的组合。
本方案中，所述的建立重要因素遴选模型，将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息，具体为：
建立重要因素遴选模型，将影响因素集合导入所述重要因素遴选模型，对所述影响因素集合中各影响因素进行聚类分析；
比较任意两个影响因素之间的关系，构建影响因素的邻接矩阵，其中，两个影响因素存在关系时取1，两个影响因素不存在关系时取0，
根据所述邻接矩阵计算生成可达矩阵，通过所述可达矩阵提取各影响因素，并确定层次结构；
根据预设信息获取所述层次结构中前k层对应的影响因素，生成最终重要影响因素，其中，k取非零整数，且小于等于层次结构的总层数；
通过模糊层次分析法得到层次结构中前k层次对应的权重向量，根据所述权重向量确定所述最终重要影响因素的权重信息。
本方案中，根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议，具体为：
预设慢性病风险等级，将慢性病病情状况分为低风险、中风险、高风险；
通过所述最终重要影响因素及权重信息根据预设计算方式计算风险指数，预设风险指数第一阈值及第二阈值；
将所述风险指数与预设阈值信息进行比较判断；
若所述风险指数小于所述第一阈值，则证明目标对象的慢性病病情状况为低风险，生成相关注意事项按照预设方式显示；
若所述风险指数大于等于所述第一阈值小于所述第二阈值，则证明目标对象的慢性病病情状况为中风险，生成相关注意事项及医学建议按照预设方式显示；
若所述风险指数大于所述第二阈值，则证明目标对象的慢性病病情状况为高风险，生成相关注意事项及医学建议按照预设方式显示。
本方案中，所述的引入概率模型，根据目标对象病情信息对慢性病并发症进行预测，具体为：
提取最终重要影响因素对应的数据信息，将获取的数据进行预处理生成数据集；
建立概率模型，进行初始化训练，将所述数据集导入所述概率模型生成慢性病并发症的条件概率密度。
通过多数条件概率密度计算各并发症的预测发生值；
设置置信区间对预测发生值进行预估修正，得到修正后的预测发生值，并输出所述预测发生值。
本方案中，还包括，建立个人健康状况数据库，根据个人健康状况数据库中历史体征数据对目标用户慢性病病情状况评定进行验证，具体为：
建立个人健康状况数据库，通过所述个人健康状况数据库提取历史体征数据时序序列；
按照所述历史体征数据时序序列提取目标用户第i年体征数据；
将提取到的体征数据进行预处理进行慢性病病情状况评定，得到第i年的慢性病病情预测状况；
从所述个人健康状况数据库获取第i年的慢性病病情实际状况；
将所述慢性病病情预测状况与所述慢性病病情实际状况进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则生成修正信息，通过所述修正信息对对目标用户慢性病病情状况评定进行修正。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于大数据的慢性病病情预测方法程序，所述一种基于大数据的慢性病病情预测方法程序被处理器执行时，实现如上述任一项所述的一种基于大数据的慢性病病情预测方法的步骤。
本发明公开了一种基于大数据的慢性病病情预测方法、系统及存储介质，，其中一种基于大数据的慢性病病情预测方法包括：采集目标对象的体征数据信息、历史诊断信息及个人生活环境信息，根据所获取的信息提取可能影响慢性病发展的影响因素，生成影响因素集合；建立重要因素遴选模型。将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息；根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议；引入概率模型，根据目标对象病情信息对慢性病并发症进行预测；将目标对象病情信息以及注意事项、医学建议按照预设显示方式进行显示。本发明中通过构建重要影响因素遴选模型在可能影响因素中遴选了重要影响因素，并分析了各个重要影响因素的层次关系，并确定慢性病发展过程中各重要影响因素的权重，明确了各重要影响因素对慢性病发展的影响程度，同时为慢性病病情状况评估以及并发症预测提供了依据，另一方面，本发明中引入概率模型得到目标用户的并发症发生概率，实现慢性病并发症的提前预警，做出相关预防措施，进一步进行相关医学检查。
附图说明
图1示出了本发明一种基于大数据的慢性病病情预测方法的流程图；
图2示出了本发明建立重要因素遴选模型的方法流程图；
图3示出了本发明引入概率模型进行并发症预测的方法流程图；
图4示出了本发明一种基于大数据的慢性病病情预测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于大数据的慢性病病情预测方法的流程图。
如图1所示，本发明第一方面提供了一种基于大数据的慢性病病情预测方法，包括：
S102，采集目标对象的体征数据信息、历史诊断信息、生活习惯及环境信息，根据所获取的信息提取可能影响慢性病发展的影响因素，生成影响因素集合；
S104，建立重要因素遴选模型，将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息；
S106，根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议；
S108，引入概率模型，根据目标对象病情信息对慢性病并发症进行预测；
S110，将目标对象病情信息以及注意事项、医学建议按照预设显示方式进行显示。
需要说明的是，所述的采集目标对象的体征数据信息、历史诊断信息、生活习惯及环境信息，其中体征数据信息包括身高、体重、血压、血糖、血脂的一种或两种以上的组合；历史诊断信息包括既往史、吸烟史、饮酒史、遗传史的一种或两种以上的组合；生活习惯及环境信息包括饮食习惯信息、所在地区信息、地区气候信息、工作环境信息的一种或两种以上的组合。
图2示出了本发明建立重要因素遴选模型的方法流程图。
根据本发明实施例，建立重要因素遴选模型，将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息，具体为：
S202，建立重要因素遴选模型，将影响因素集合导入所述重要因素遴选模型，对所述影响因素集合中各影响因素进行聚类分析；
S204，比较任意两个影响因素之间的关系，构建影响因素的邻接矩阵，其中，两个影响因素存在关系时取1，两个影响因素不存在关系时取0，
S206，根据所述邻接矩阵计算生成可达矩阵，通过所述可达矩阵提取各影响因素，并确定层次结构；
S208，根据预设信息获取所述层次结构中前k层对应的影响因素，生成最终重要影响因素，其中，k取非零整数，且小于等于层次结构的总层数；
S210，通过模糊层次分析法得到层次结构中前k层次对应的权重向量，根据所述权重向量确定所述最终重要影响因素的权重信息。
需要说明的是，根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议，具体为：
预设慢性病风险等级，将慢性病病情状况分为低风险、中风险、高风险；
通过所述最终重要影响因素及权重信息根据预设计算方式计算风险指数，预设风险指数第一阈值及第二阈值；
将所述风险指数与预设阈值信息进行比较判断；
若所述风险指数小于所述第一阈值，则证明目标对象的慢性病病情状况为低风险，生成相关注意事项按照预设方式显示；
若所述风险指数大于等于所述第一阈值小于所述第二阈值，则证明目标对象的慢性病病情状况为中风险，生成相关注意事项及医学建议按照预设方式显示；
若所述风险指数大于所述第二阈值，则证明目标对象的慢性病病情状况为高风险，生成相关注意事项及医学建议按照预设方式显示。
图3示出了本发明引入概率模型进行并发症预测的方法流程图。
根据本发明实施例，引入概率模型，根据目标对象病情信息对慢性病并发症进行预测，具体为：
S302，提取最终重要影响因素对应的数据信息，将获取的数据进行预处理生成数据集；
S304，建立概率模型，进行初始化训练，将所述数据集导入所述概率模型生成慢性病并发症的条件概率密度。
S306，通过多数条件概率密度计算各并发症的预测发生值；
S308，设置置信区间对预测发生值进行预估修正，得到修正后的预测发生值，并输出所述预测发生值。
根据本发明实施例，建立个人健康状况数据库，根据个人健康状况数据库中历史体征数据对目标用户慢性病病情状况评定进行验证，具体为：
建立个人健康状况数据库，通过所述个人健康状况数据库提取历史体征数据时序序列；
按照所述历史体征数据时序序列提取目标用户第i年体征数据；
将提取到的体征数据进行预处理进行慢性病病情状况评定，得到第i年的慢性病病情预测状况；
从所述个人健康状况数据库获取第i年的慢性病病情实际状况；
将所述慢性病病情预测状况与所述慢性病病情实际状况进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则生成修正信息，通过所述修正信息对对目标用户慢性病病情状况评定进行修正。
根据本发明实施例，通过身体健康状态监护设备实时采集目标用户体征数据，通过云平台对所述体征数据进行监控分析，具体为：
运用身体健康状态监护设备进行目标用户体征数据的实时采集，将所述身体健康状态监护设备与路由接入设备进行连接；
所述路由接入设备将数据传输到云平台，云平台将采集到的体征数据通过预设计算方式生成身体健康状况参数；
判断所述身体健康状况参数是否小于预设阈值；
若小于，则系统能够通过身体健康状态监护设备进行报警，并通过短信或通话形式立刻提醒目标对象亲属。
根据本发明实施例，本发明还包括，生成报警信息之后，云平台通过个人健康状况数据库及目标用户的身体健康状况参数生成初步判断，具体为：
将目标用户的身体健康状况参数进行特征提取，生成参数特征，将所述参数特征与各项参数对应的正常阈值进行对比分析，生成医学特征；
将所述医学特征匹配个人健康状况数据库中目标用户的历史监测数据及历史诊断数据导入云平台的医学知识库中；
通过所述医学知识库进行初步判断，生成辅助诊断结果；
将所述辅助诊断结果通过大数据处理在电子病例数据库中进行特征匹配，生成匹配结果；
将所述匹配结果进行排序，并根据排序结果确定相似历史病例样本，通过所述相似历史病例样本生成应急处理方法及注意事项；
将所述应急处理方法及注意事项跟随报警信息进行推送，并按照预设方式进行显示。
图4示出了本发明一种基于大数据的慢性病病情预测系统的框图。
本发明第二方面还提供了一种基于大数据的慢性病病情预测系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于大数据的慢性病病情预测方法程序，所述一种基于大数据的慢性病病情预测方法程序被所述处理器执行时实现如下步骤：
采集目标对象的体征数据信息、历史诊断信息、生活习惯及环境信息，根据所获取的信息提取可能影响慢性病发展的影响因素，生成影响因素集合；
建立重要因素遴选模型，将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息；
根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议；
引入概率模型，根据目标对象病情信息对慢性病并发症进行预测；
将目标对象病情信息以及注意事项、医学建议按照预设显示方式进行显示。
需要说明的是，所述的采集目标对象的体征数据信息、历史诊断信息、生活习惯及环境信息，其中体征数据信息包括身高、体重、血压、血糖、血脂的一种或两种以上的组合；历史诊断信息包括既往史、吸烟史、饮酒史、遗传史的一种或两种以上的组合；生活习惯及环境信息包括饮食习惯信息、所在地区信息、地区气候信息、工作环境信息的一种或两种以上的组合。
根据本发明实施例，建立重要因素遴选模型，将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息，具体为：
建立重要因素遴选模型，将影响因素集合导入所述重要因素遴选模型，对所述影响因素集合中各影响因素进行聚类分析；
比较任意两个影响因素之间的关系，构建影响因素的邻接矩阵，其中，两个影响因素存在关系时取1，两个影响因素不存在关系时取0，
根据所述邻接矩阵计算生成可达矩阵，通过所述可达矩阵提取各影响因素，并确定层次结构；
根据预设信息获取所述层次结构中前k层对应的影响因素，生成最终重要影响因素，其中，k取非零整数，且小于等于层次结构的总层数；
通过模糊层次分析法得到层次结构中前k层次对应的权重向量，根据所述权重向量确定所述最终重要影响因素的权重信息。
需要说明的是，根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议，具体为：
预设慢性病风险等级，将慢性病病情状况分为低风险、中风险、高风险；
通过所述最终重要影响因素及权重信息根据预设计算方式计算风险指数，预设风险指数第一阈值及第二阈值；
将所述风险指数与预设阈值信息进行比较判断；
若所述风险指数小于所述第一阈值，则证明目标对象的慢性病病情状况为低风险，生成相关注意事项按照预设方式显示；
若所述风险指数大于等于所述第一阈值小于所述第二阈值，则证明目标对象的慢性病病情状况为中风险，生成相关注意事项及医学建议按照预设方式显示；
若所述风险指数大于所述第二阈值，则证明目标对象的慢性病病情状况为高风险，生成相关注意事项及医学建议按照预设方式显示。
根据本发明实施例，引入概率模型，根据目标对象病情信息对慢性病并发症进行预测，具体为：
提取最终重要影响因素对应的数据信息，将获取的数据进行预处理生成数据集；
建立概率模型，进行初始化训练，将所述数据集导入所述概率模型生成慢性病并发症的条件概率密度。
通过多数条件概率密度计算各并发症的预测发生值；
设置置信区间对预测发生值进行预估修正，得到修正后的预测发生值，并输出所述预测发生值。
根据本发明实施例，建立个人健康状况数据库，根据个人健康状况数据库中历史体征数据对目标用户慢性病病情状况评定进行验证，具体为：
建立个人健康状况数据库，通过所述个人健康状况数据库提取历史体征数据时序序列；
按照所述历史体征数据时序序列提取目标用户第i年体征数据；
将提取到的体征数据进行预处理进行慢性病病情状况评定，得到第i年的慢性病病情预测状况；
从所述个人健康状况数据库获取第i年的慢性病病情实际状况；
将所述慢性病病情预测状况与所述慢性病病情实际状况进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则生成修正信息，通过所述修正信息对对目标用户慢性病病情状况评定进行修正。
根据本发明实施例，通过身体健康状态监护设备实时采集目标用户体征数据，通过云平台对所述体征数据进行监控分析，具体为：
运用身体健康状态监护设备进行目标用户体征数据的实时采集，将所述身体健康状态监护设备与路由接入设备进行连接；
所述路由接入设备将数据传输到云平台，云平台将采集到的体征数据通过预设计算方式生成身体健康状况参数；
判断所述身体健康状况参数是否小于预设阈值；
若小于，则系统能够通过身体健康状态监护设备进行报警，并通过短信或通话形式立刻提醒目标对象亲属。
根据本发明实施例，本发明还包括，生成报警信息之后，云平台通过个人健康状况数据库及目标用户的身体健康状况参数生成初步判断，具体为：
将目标用户的身体健康状况参数进行特征提取，生成参数特征，将所述参数特征与各项参数对应的正常阈值进行对比分析，生成医学特征；
将所述医学特征匹配个人健康状况数据库中目标用户的历史监测数据及历史诊断数据导入云平台的医学知识库中；
通过所述医学知识库进行初步判断，生成辅助诊断结果；
将所述辅助诊断结果通过大数据处理在电子病例数据库中进行特征匹配，生成匹配结果；
将所述匹配结果进行排序，并根据排序结果确定相似历史病例样本，通过所述相似历史病例样本生成应急处理方法及注意事项；
将所述应急处理方法及注意事项跟随报警信息进行推送，并按照预设方式进行显示。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于大数据的慢性病病情预测方法程序，所述一种基于大数据的慢性病病情预测方法程序被处理器执行时，实现如上述任一项所述的一种基于大数据的慢性病病情预测方法的步骤。
本发明公开了一种基于大数据的慢性病病情预测方法、系统及存储介质，其中一种基于大数据的慢性病病情预测方法包括：采集目标对象的体征数据信息、历史诊断信息及个人生活环境信息，根据所获取的信息提取可能影响慢性病发展的影响因素，生成影响因素集合；建立重要因素遴选模型。将所述影响因素集合导入所述重要因素遴选模型，生成最终重要影响因素并确定其权重信息；根据所述最终重要影响因素及权重信息对目标对象病情进行分析预测，生成注意事项及医学建议；引入概率模型，根据目标对象病情信息对慢性病并发症进行预测；将目标对象病情信息以及注意事项、医学建议按照预设显示方式进行显示。本发明中通过构建重要影响因素遴选模型在可能影响因素中遴选了重要影响因素，并分析了各个重要影响因素的层次关系，并确定慢性病发展过程中各重要影响因素的权重，明确了各重要影响因素对慢性病发展的影响程度，同时为慢性病病情状况评估以及并发症预测提供了依据，另一方面，本发明中引入概率模型得到目标用户的并发症发生概率，实现慢性病并发症的提前预警，做出相关预防措施，进一步进行相关医学检查。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。