本发明涉及衰老度评测，具体地，本发明涉及一种基于体检数据的人体衰老度智能评测方法。
背景技术：
1、衰老是当机体生物年龄大于生理年龄时所体现出来的一种不健康的身体状态，是随着年龄的增长，体内外遗传、环境等多重因素综合作用于机体各组织器官造成的结构和功能的退行性变化，是不可逆的。
2、现如今，衰老已被证明是各种与年龄相关疾病的驱动因素，无论是对社会稳定，还是经济稳定都带来了巨大的负担。衰老所带来的危害并不仅仅只是外表所体现出来的生物年龄与实际年龄的不符，同时还潜移默化的对身体内在器官、系统等进行改变，从而增加各种疾病的发生风险。2019年全球疾病负担研究(gdb 2019)表明，204个国家和地区的其他国家和地区在1990年至2019年期间都出现了不健康生活年数的增加，仅有菲律宾等6个国家出现了下降。全球293种疾病中，与年龄相关的就有92种，占31.4％。donato等通过研究发现，衰老对心脏和动脉血统的影响较为显著，易导致心血管病的发病率增加，进而增加心脑血管事件的发生，而心脑血管事件是全球主要的死亡原因；同时，随着年龄的增长，人体对病毒感染(如流感病毒)的免疫防疫也随之减弱；久而久之，衰老细胞不断累积，会促进炎症状态，加快癌症的进展。因此及时发现患者的衰老并开展精准诊疗尤为重要。
3、近年来，人工智能技术在临床实践中展现出巨大的应用潜力。各类机器学习模型，尤其是深度前馈神经网络作为深度学习网络中函数逼近的有力工具，在各项预测模型中得到了灵活的运用。
技术实现思路
1、本发明包含对收集到的无年龄相关疾病(指那些没有被诊断出有这些长期、持续性疾病如糖尿病，高血压,肿瘤等的人群)人群体检数据进行lasso法挑选相关性指标，进一步分析得到年龄相关指标；利用广义线性模型、支持向量机回归和深度学习广义线性模型算法，对体检数据构建年龄预测模型；对比得到最优人体年龄预测模型；随后利用最优的年龄预测模型预测测试数据，并比较预测年龄与时序年龄的差距。针对需检测的个体计算其δ年龄，基于时序年龄所对应经验分布计算z值，判断人体衰老度，生成最终的分析报告。本发明能够充分利用常规体检信息，自动化预测人体衰老度，可用于评估亚健康状态、各种治疗和保健措施对人体衰老度的影响。
2、本发明采用的技术方案为：
3、一种基于体检数据的人体衰老度智能评测方法，包括如下步骤：
4、步骤1：首先从医院收集无慢病个体(指那些没有被诊断出有这些长期、持续性疾病如糖尿病，高血压等的人群)的常规体检数据(包括血常规、肝功能、肾功能等指标)；
5、步骤2：对收集的原始数据进行清洗，质量控制，得到标准数据；
6、步骤3：通过lasso法挑选出男性和女性数据中与年龄有较强相关性的指标做线性拟合，进行评估筛选，得到年龄相关指标；
7、步骤4：将数据随机分为训练集和测试集，训练集与测试集比为8：2，对数据进行标准化，使数据中各指标数据成正态分布，根据不同性别构建不同的模型：
8、步骤5：利用如下算法中的一种，构建年龄预测模型：
9、使用广义线性模型回归(glm)算法在训练集进行训练，得到最佳参数；最后将模型用于测试集上预测，进行验证；
10、使用支持向量机回归(svm)算法在训练集进行训练，得到最佳参数；最后将模型用于测试集上预测，进行验证；
11、使用基于前馈神经网络的深度学习广义线性(deepglm)模型算法在训练集上进行训练，得到最佳参数；最后将模型用于测试集上预测，进行验证；
12、步骤6：利用以上模型，得到训练集和测试集的预测年龄，并计算预测年龄与时序年龄的差距(δ年龄)；以时序年龄±5岁为分析区间构建每个时序年龄所对应δ年龄的经验分布。定义标准化z值并做矫正；基于标准化z值对人群定义年轻、正常和衰老人群。
13、进一步的，所述步骤2中的清洗，质量控制步骤为：(1).剔除敏感、多余及缺失项过多(≥1/3)的数据，保留[20，80]岁人群数据；(2).运用箱式图删除数据中各项指标中存在极值或离群值的异常数据；(3).对数据中缺失的数据，通过卡方分箱法对年龄进行分箱，既对年龄进行分段，用各项指标各年龄段的中位数对对应年龄段的缺失项进行填补，获得信息完整的数据集。
14、进一步的，所述步骤3中进行变量筛选，通过person相关性系数，大部分指标与年龄有或多或少的相关性，部分指标无相关性，使用lasso法可以在不同程度上剔除无相关性的数据，同时减少指标间共线性问题。
15、进一步的，所述步骤5中进行模型选择，输入广义线性模型(glm)、支持向量机(svm)及基于深度前馈神经网络的深度学习广义线性模型(deepglm)进行模型构建并比较。通过决定系数r2和ε-年龄准确性，综合两个衡量指标，挑选r2大和ε-年龄准确性高的作为合适的年龄预测模型。
16、进一步的，所述步骤6为：
17、在年龄预测值基础上，定义
18、①δ年龄为：预测年龄与时序年龄的差值；
19、δ年龄＝预测年龄-时序年龄。
20、δage＝predictedage–actualage
21、②z值为：时序年龄±5岁标准化的年龄差值；
22、z＝[(δ年龄)-时序年龄±5岁δ年龄的均值]/时序年龄±5岁δ年龄的标准差；
23、
24、③年轻个体为计算所得的z值位于无慢病人群数据所得对应δ年龄z值经验分布的小于2.5％区间个体；
25、④正常个体为计算所得的z值位于无慢病人群数据所得对应δ年龄z值经验分布的[2.5％,97.5％]区间个体；
26、⑤衰老个体为计算所得的z值位于无慢病人群数据所得对应δ年龄z值经验分布的大于97.5％区间个体；
27、记q1,q2,q3为无慢病人群的四分位数(递增)，z1值为具有慢病个体体检数据计算得到的标准化年龄差值，衰老个体为z1值＞q3，正常个体为q1≤z1值≤q3，年轻个体为z1值＜q1。
28、本发明所具有的有益效果：
29、本发明公开一种基于体检数据的人体衰老度智能评测方法。本方法从医院收集无慢病个体的常规体检数据(包括血常规、肝功能、肾功能等指标)；对收集的原始数据进行清洗，质量控制，得到标准数据；通过lasso法挑选出男性和女性数据中与年龄有较强相关性的指标做线性拟合，进行评估筛选，得到年龄相关指标；接着利用多种线性模型(包括广义线性模型、支持向量机、深度学习广义线性模型)，通过决定系数r2和ε-年龄准确性挑选模型，在训练数据集上，构建了多个年龄预测模型，并在测试数据集上得到验证；随后利用预测所得的生物学年龄，比较预测年龄与时序年龄的差异，并通过对δ年龄进行标准化，得到一个校正后的年龄差值z值，作为量化指标，用于评估人体的衰老度。本发明的年龄预测模型可以定量评估人体的衰老度。本发明的年龄预测模型可以对人群划分年轻、正常和衰老人群。针对此划分,可以得到人群特异性的生理状态,进行衰老干预和临床诊疗。也可以用于评估各种抗衰老干预措施(如抗老药物、抗衰老细胞法疗)的抗衰老效果,比较于预前后的生物学年龄的改变。也可以用于评估个体系统炎症状态健康状态、衰老状态等,进而建立个性化、精准化抗衰老方案和临床干预方案。
1.一种基于体检数据的人体衰老度智能评测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于体检数据的人体衰老度智能评测方法，其特征在于：所述步骤2中的清洗，质量控制步骤为：
3.根据权利要求1所述的一种基于体检数据的人体衰老度智能评测方法，其特征在于：所述步骤3中进行变量筛选，通过person相关性系数，大部分指标与年龄有或多或少的相关性，部分指标无相关性，使用lasso法在不同程度上剔除无相关性的数据，同时减少指标间共线性问题。
4.根据权利要求1所述的一种基于体检数据的人体衰老度智能评测方法，其特征在于：所述步骤5中进行模型选择，输入广义线性模型、支持向量机及基于深度前馈神经网络的深度学习广义线性模型进行模型构建并比较；通过决定系数r2和ε-年龄准确性，综合两个衡量指标，挑选r2大和ε-年龄准确性高的作为合适的年龄预测模型。
5.根据权利要求1所述的一种基于体检数据的人体衰老度智能评测方法，其特征在于：所述步骤6为：
