疾病诱因分析方法、装置、电子设备及计算机介质

技术领域

本申请涉及机器学习技术领域，尤其涉及一种疾病诱因分析方法、装置、电子设备及计算机介质。

背景技术

随着对健康重视度的提高以及医疗信息化进程的推进和深入，疾病预防及风险评估变得越来越重要。现有的疾病预防方法主要是人工经验预防方法，即以医生主观经验为基础进行判断。现有的疾病预防方法的数据获取耗费大量的人力和物力，且误差较大，分析过程耗时很长。同时现有的疾病预防方法的医疗数据中存在大量文本、图像等非结构化数据，标准不统一，复用和沉淀具有一定的难度，导致清洗难度大，从而导致了疾病诱因难以分析。

发明内容

本申请提供一种疾病诱因分析方法、装置、电子设备及计算机介质，旨在实现快速准确地分析出疾病诱因。

第一方面，本申请提供一种疾病诱因分析方法，包括：

确定预设区域的疾病分析数据，并对所述疾病分析数据进行分析，得到影响所述预设区域的疾病评价数据；

根据所述疾病评价数据构建评价指标体系，并通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径。

在一个实施例中，所述根据所述疾病评价数据构建评价指标体系，通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径，包括：

将所述疾病评价数据中的大气环境数据、水体环境数据和土壤环境数据确定为评价指标的样本数据；

通过预设规则对所述样本数据按照目标层、准则层、指标层和分指标层进行分类，生成数据训练集；

根据矢量投影算法对所述数据训练集进行清洗及疾病诱因分析，得到所述预设区域的疾病形成诱因及传播路径。

所述根据矢量投影算法对所述数据训练集进行清洗及疾病诱因分析，得到所述预设区域的疾病形成诱因及传播路径，包括：

确定评价问题的评价对象集和所述评价对象集的指标集，并根据所述评价对象集和所述指标集构建属性矩阵；

通过加权向量和所述属性矩阵构建加权评价矩阵，并确定所述加权评价矩阵中的目标理想对象和各个待决策评价对象；

根据所述目标理想对象和各个所述待决策评价对象确定各个投影值，并根据各个所述投影值确定所述预设区域的疾病形成诱因及传播路径。

所述确定预设区域的疾病分析数据，包括：

通过预设气溶胶采样器和预设离子色谱仪对预设区域进行预设时长的采样，得到第一疾病分析数据；

通过水体监测设备对所述预设区域的水体进行采样，得到第二疾病分析数据；

对所述预设区域的土壤样品和光谱数据进行采样，得到第三疾病分析数据；

将所述第一疾病分析数据、所述第二疾病分析数据和所述第三疾病分析数据，确定为所述预设区域的疾病分析数据。

所述对所述疾病分析数据进行分析，得到影响所述预设区域的疾病评价数据，包括：

对所述第一疾病分析数据进行分析，得到影响所述预设区域的大气环境数据；

对所述第二疾病分析数据进行分析，得到影响所述预设区域的水体环境数据；

对所述第三疾病分析数据进行分析，得到影响所述预设区域的土壤环境数据；

将所述大气环境数据、所述水体环境数据和所述土壤环境数据，确定为影响所述预设区域的疾病评价数据。

所述通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径之后，还包括：

构建多个变量形成的定量处理的总数据样本集，并将所述总数据样本集中的预设数量随机数据确定为训练样本集，其中，所述预设数量随机数据包括标准数据和未知地区数据；

将所述总数据样本集中除了所述预设数量随机数据的其余数据确定为预测样本集；

将各个所述投影值确定为模型期望输出，基于所述训练样本集和所述预测样本集进行模型训练，构建疾病评价的卷积神经网络模型。

所述基于所述训练样本集和所述预测样本集进行模型训练，构建疾病评价的卷积神经网络模型之后，还包括：

根据疾病评价数据确定疾病判断因子，并根据所述疾病判断因子对待评价预设区域的待评估数据和图像数据进行有效性验证；

确定所述待评估数据和所述图像数据的有效性都验证通过，则将所述待评估数据输入至所述疾病评价的卷积神经网络模型中，输出所述待评价预设区域的风险评估值；

根据所述风险评估值和预设阈值进行数值对比，得到对比结果；

根据所述对比结果确定疾病评价结果，并根据所述疾病评价结果对所述待评价预设区域进行疾病防治。

第二方面，本申请还提供一种疾病诱因分析装置，包括：

确定分析模块，用于确定预设区域的疾病分析数据，并对所述疾病分析数据进行分析，得到影响所述预设区域的疾病评价数据；

构建分析模块，用于根据所述疾病评价数据构建评价指标体系，并通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径。

第三方面，本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现第一方面所述疾病诱因分析方法。

第四方面，本申请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包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述疾病诱因分析方法。

第五方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述疾病诱因分析方法。

本申请提供的疾病诱因分析方法、装置、电子设备及计算机介质，在疾病诱因分析的过程中，通过疾病评价数据构建预设区域的评价指标体系，评价指标体系保证了直接关系到量化结论的准确性，从而通过评价指标体系科学地分析出预设区域的疾病形成诱因及传播路径，中间过程不需要依赖人工经验，即不需要依赖医生主观经验为基础进行判断，从而实现了快速准确地分析出预设区域的疾病诱因。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申的疾病诱因分析方法的流程示意图；

图2是本申的疾病诱因分析装置的结构示意图；

图3是本申请提供的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

结合图1至图3描述本申请提供的疾病诱因分析方法、装置、电子设备及计算机介质。图1是本申的疾病诱因分析方法的流程示意图；图2是本申的疾病诱因分析装置的结构示意图；图3是本申请提供的电子设备的结构示意图。

本申请实施例提供了疾病诱因分析方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些数据下，可以以不同于此处的顺序完成所示出或描述的步骤。

本申请实施例以电子设备作为执行主体进行举例，本申请实施例以疾病分析系统为电子设备的表现形式之一，但不进行限制。

具体地，参照图1，图1是本申的疾病诱因分析方法的流程示意图。本申请实施例提供的疾病诱因分析方法包括：

步骤S10，确定预设区域的疾病分析数据，并对所述疾病分析数据进行分析，得到影响所述预设区域的疾病评价数据。

在需要对某个区域(预设区域)进行疾病(地方性流行病)分析时，疾病分析系统首先需要获取某个区域的疾病评价样品。

进一步可以理解为，疾病分析系统获取预设区域的疾病评价样品(疾病分析数据)，并对疾病分析数据进行分析，提取出影响预设区域的地方性流行病的疾病评价数据，具体如步骤S101至步骤S108所述，其中，预设区域即某个流行病生活生产区。

进一步地，步骤S101至步骤S108的描述如下：

步骤S101，通过预设气溶胶采样器和预设离子色谱仪对预设区域进行预设时长的采样，得到第一疾病分析数据；

步骤S102，通过水体监测设备对所述预设区域的水体进行采样，得到第二疾病分析数据；

步骤S103，对所述预设区域的土壤样品和光谱数据进行采样，得到第三疾病分析数据；

步骤S104，将所述第一疾病分析数据、所述第二疾病分析数据和所述第三疾病分析数据，确定为所述预设区域的疾病分析数据；

步骤S105，对所述第一疾病分析数据进行分析，得到影响所述预设区域的大气环境数据；

步骤S106，对所述第二疾病分析数据进行分析，得到影响所述预设区域的水体环境数据；

步骤S107，对所述第三疾病分析数据进行分析，得到影响所述预设区域的土壤环境数据；

步骤S108，将所述大气环境数据、所述水体环境数据和所述土壤环境数据，确定为影响所述预设区域的疾病评价数据。

具体地，疾病分析系统通过FA-3型Anderson气溶胶分粒级采样器(预设气溶胶采样器)和万通离子色谱仪(预设离子色谱仪)，对预设区域进行预设时长的采样，得到第一疾病分析数据，其中，预设时长可以为半年、一年等，本申请实施例中的预设时长以一年为例。

因此可以理解为，疾病分析系统通过FA-3型Anderson气溶胶分粒级采样器和万通离子色谱仪对流行病生活生产区进行持续1年的采样，得到流行病生活生产区的第一疾病分析数据。接着，疾病分析系统对第一疾病分析数据进行分析，得到影响流行病生活生产区的大气环境数据。即疾病分析系统根据第一疾病分析数据统计排放物浓度情况，得到全年粒级分布统计特征和季节变化并分析其主要来源特征的季节差异，对污染物的来源、成分与形成原因进行分析，从定量和定性两个角度揭示细颗粒物中分子存在形式，得到影响流行病生活生产区的大气环境数据。

进一步地，疾病分析系统通过水体监测设备对流行病生活生产区的水体进行采样，得到第二疾病分析数据。接着，疾病分析系统通过离子色谱仪分析第二疾病分析数据，通过比对找出含量异常元素。对生产生活区水体指标进行动态监测，水样是表层(水面下0.5m)和底层(离底0.5m)混合样，测定项目包括pH值、化学耗氧量、溶解氧、五日生化需氧量、氨氮、亚硝酸盐氮、硝酸盐氮、总氮、总磷、溶解性固体、总硬度、总碱度、HCO、CO2、硫酸盐、硫化物、氯化物、钙、钾、钠、镁、铜、锌、挥发性酚、铬、镉、矿物油、铅等，进行化学项目相关测定和磷P元素计算，影响流行病生活生产区的水体环境数据。

进一步地，疾病分析系统通过高光谱高空间分辨率遥感(航空航天高光谱遥感)采样流行病生活生产区的土壤样品和光谱数据，得到第三疾病分析数据，第三疾病分析数据的数据源对土壤在较少覆盖下其特性信息的获取技术从而建立基于遥感高光谱数据的土壤成分含量监测模型。接着，疾病分析系统将土壤光谱数据进行数学变换可以更好地分析光谱数据与土壤参数之间的关系，扩大土壤样品间的光谱信息差异及土壤属性信息的细小差异，得到影响流行病生活生产区的水体环境数据，其中，对光谱数据做微分处理不仅可提高分辨率，而且能提高光谱数据与土壤各参数间的相关性。进一步地，为了突出土壤的光谱特性，还需要对经过预处理后的土壤光谱反射率(REF)进行反射率倒数(1/R)变换、反射率倒数的对数(Log(1/R))变换、反射率一阶微分(FDR)变换、反射率二阶微分(SDR)变换以及连续统去除(CR)变换。

本申请实施例通过气溶胶采样器、离子色谱仪和水体监测设备进行数据采样，使得采样到的疾病分析数据具有高准确性。同时，通过自动分析方法分析疾病分析数据，不需要人工参与，从而能够快速准确地分析出预设区域的疾病评价数据。

步骤S20，根据所述疾病评价数据构建评价指标体系，并通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径。

疾病分析系统将疾病评价数据中的大气环境数据、水体环境数据和土壤环境数据确定为评价指标的样本数据。接着，疾病分析系统通过预设规则对样本数据进行分类，生成数据训练集。再接着，疾病分析系统通过数据训练集构建评价指标体系。最后，疾病分析系统通过评价指标体系对流行病生活生产区进行疾病分析，得到流行病生活生产区的疾病形成诱因及传播路径，具体如步骤S201至步骤S203所述。

本实施例提供了疾病诱因分析方法在疾病诱因分析的过程中，通过疾病评价数据构建预设区域的评价指标体系，评价指标体系保证了直接关系到量化结论的准确性，从而通过评价指标体系科学地分析出预设区域的疾病形成诱因及传播路径，中间过程不需要依赖人工经验，即不需要依赖医生主观经验为基础进行判断，从而实现了快速准确地分析出预设区域的疾病诱因。

进一步地，步骤S201至步骤S203的描述如下：

步骤S201，将所述疾病评价数据中的大气环境数据、水体环境数据和土壤环境数据确定为评价指标的样本数据；

步骤S202，通过预设规则对所述样本数据按照目标层、准则层、指标层和分指标层进行分类，生成数据训练集；

步骤S203，根据矢量投影算法对所述数据训练集进行清洗及疾病诱因分析，得到所述预设区域的疾病形成诱因及传播路径。

具体地，疾病分析系统将疾病评价数据中的大气环境数据、水体环境数据和土壤环境数据确定为评价指标的样本数据。接着，疾病分析系统通过预设规则对样本数据按照目标层、准则层、指标层和分指标层进行分类，生成数据训练集。再接着，疾病分析系统通过数据训练集构建评价指标体系。最后，疾病分析系统通过评价指标体系对流行病生活生产区进行疾病分析，得到流行病生活生产区的疾病形成诱因及传播路径。可以理解为，疾病分析系统根据矢量投影算法对数据训练集进行清洗及疾病诱因分析，得到流行病生活生产区的疾病形成诱因及传播路径，也即将评价对象在理想对象上的投影距离表示大气、水、土壤对地方性流行病的影响以及致病诱因。

本申请实施例通过目标层、准则层、指标层和分指标层的机器学习的算法降低了数据清洗难度，且中间过程不需要依赖人工经验，即不需要依赖医生主观经验为基础进行判断，从而实现了快速准确地分析出预设区域的疾病诱因。

进一步地，步骤S2031至步骤S2033的描述如下：

步骤S2031，确定评价问题的评价对象集和所述评价对象集的指标集，并根据所述评价对象集和所述指标集构建属性矩阵；

步骤S2032，通过加权向量和所述属性矩阵构建加权评价矩阵，并确定所述加权评价矩阵中的目标理想对象和各个待决策评价对象；

步骤S2033，根据所述目标理想对象和各个所述待决策评价对象确定各个投影值，并根据各个所述投影值确定所述预设区域的疾病形成诱因及传播路径。

具体地，疾病分析系统确定评价问题的评价对象集，其中，评价对象集即用以对评价问题进行评估的所有对象的集合，在一实施例中，评价对象集可以为一组不同的矿区，也可以为一个矿区的不同发展阶段，其中，评价对象集可以表示为X＝{X

进一步地，疾病分析系统在属性矩阵中增加加权向量W

疾病分析系统确定加权评价矩阵中的目标理想对象A*，根据增广型的加权评价矩阵C可知，目标理想对象A*＝{w

进一步地，疾病分析系统将每一个待决策评价对象A

本申请实施例通过加权评价矩阵的机器学习降低了数据清洗难度，且中间过程不需要依赖人工经验，即不需要依赖医生主观经验为基础进行判断，从而实现了快速准确地分析出预设区域的疾病诱因。

进一步地，在分析出预设区域的疾病形成诱因及传播路径后，还需要构建疾病评价的卷积神经网络模型，具体如步骤S30至步骤S50。

步骤S30，构建多个变量形成的定量处理的总数据样本集，并将所述总数据样本集中的预设数量随机数据确定为训练样本集，其中，所述预设数量随机数据包括标准数据和未知地区数据；

步骤S40，将所述总数据样本集中除了所述预设数量随机数据的其余数据确定为预测样本集；

步骤S50，将各个所述投影值确定为模型期望输出，基于所述训练样本集和所述预测样本集进行模型训练，构建疾病评价的卷积神经网络模型。

具体地，疾病分析系统构建多个变量形成的定量处理的总数据样本集，在总数据样本集中随机选取一半的随机数据，确定为训练样本集，其中，随机数据包括标准数据和未知地区数据，其中，标准数据即已知具体位置区域的具体的磁性与反射率、环境及其变迁(水、大气、土壤)、元素含量(汞、硫、氟等离子)、温度；未知地区数据即未知位置区域的磁性与反射率、环境及其变迁(水、大气、土壤)、元素含量(汞、硫、氟等离子)、温度。接着，疾病分析系统将总数据样本集中的另一半数据确定为预测样本集。再接着，疾病分析系统将各个投影值确定为模型期望输出，并结合训练样本集和预测样本集进行模型训练，构建疾病评价的卷积神经网络模型，其中，疾病评价的卷积神经网络模型的特征提取为：设置32个滤波器，长度为3，宽度为3的卷积窗口，根据数据大小设定卷积层。进一步地，疾病分析系统从数据中选出两层，包括磁性与反射率、环境及其变迁(水、大气、土壤)、元素含量(汞、硫、氟等离子)、温度4个属性作为疾病评价的卷积神经网络模型的决策属性。

本申请实施例构建了疾病评价的卷积神经网络模型，为后续疾病评价，以及预设区域的疾病防治，提供了准确的疾病评价的卷积神经网络模型。

进一步地，在构建出疾病评价的卷积神经网络模型后，可以通过疾病评价的卷积神经网络模型进行区域的疾病防治，具体如步骤S60至步骤S90所述。

步骤S60，根据疾病评价数据确定疾病判断因子，并根据所述疾病判断因子对待评价预设区域的待评估数据和图像数据进行有效性验证；

步骤S70，确定所述待评估数据和所述图像数据的有效性都验证通过，则将所述待评估数据输入至所述疾病评价的卷积神经网络模型中，输出所述待评价预设区域的风险评估值；

步骤S80，根据所述风险评估值和预设阈值进行数值对比，得到对比结果；

步骤S90，根据所述对比结果确定疾病评价结果，并根据所述疾病评价结果对所述待评价预设区域进行疾病防治。

具体地，疾病分析系统通过采集设备采集待评价预设区域的待评估数据和图像数据，同时需要构建衡量疾病评价数据中大气环境数据、水体环境数据和土壤环境数据的判断因子，其中，判断因子包括但不限制于排放物浓度、季节变化因素、温度、湿度、pH值、化学耗氧量、溶解氧、氨氮、亚硝酸盐氮、硝酸盐氮、总磷、总碱度、总氟、金属含量和总硬度。进一步需要说明的是，判断因子的系数具体设置为：排放物浓度大于预设参考值，判断因子的系数为1；全年分布统计受季节变化因素，判断因子的系数为1；温度、湿度、pH值和化学耗氧量大于预设参考值，判断因子的系数为1；溶解氧、氨氮、亚硝酸盐氮和硝酸盐氮浓度大于预设参考值，判断因子的系数为2；总磷、总碱度、总氟、金属含量和总硬度数值大于预设参考值，判断因子的系数为2。

进一步地，疾病分析系统根据疾病判断因子对待评价预设区域的待评估数据和图像数据进行有效性验证，得到验证结果，其中，验证结果可为待评估数据的有效性验证通过，且图像数据的有效性验证未通过；验证结果可为待评估数据的有效性验证未通过，且图像数据的有效性验证通过；验证结果可为待评估数据的有效性验证通过，且图像数据的有效性验证通过。其中，待评估数据即待评价预设区域的排放物浓度、季节变化因素、温度、湿度、pH值、化学耗氧量、溶解氧、氨氮、亚硝酸盐氮、硝酸盐氮、总磷、总碱度、总氟、金属含量和总硬度，图像数据即采集到的待评价预设区域的区域图像。

进一步地，疾病分析系统确定待评估数据和图像数据的有效性都验证通过，则将待评估数据输入至疾病评价的卷积神经网络模型中，输出待评价预设区域的风险评估值。接着，疾病分析系统将风险评估值与疾病评价的卷积神经网络模型的预设阈值进行数值大小比较，得到比较结果，其中，比较结果可为风险评估值大于或者等于预设阈值，比较结果可为风险评估值小于预设阈值，即通过疾病评价的卷积神经网络模型的预设阈值，判断风险评估值是否偏离疾病评价的卷积神经网络模型的预设阈值。再接着，疾病分析系统将对比结果中数值大于或者等于预设阈值的风险评估值，确定为偏离疾病评价的卷积神经网络模型的异常值，得到疾病评价结果。最后，疾病分析系统根据疾病评价结果确定发病区域与异常元素存在形态，为疾控中心防治地方病提供建议与指导。

本申请实施例通过准确的疾病评价的卷积神经网络模型，实现了准确地为预设区域进行疾病评价，准确地为预设区域进行疾病防治。

进一步地，本申请提供的疾病诱因分析装置的描述如下，疾病诱因分析装置与疾病诱因分析方法可相互对应参照。

如图2所示，图2是本申的疾病诱因分析装置的结构示意图，疾病诱因分析装置包括：

确定分析模块201，用于确定预设区域的疾病分析数据，并对所述疾病分析数据进行分析，得到影响所述预设区域的疾病评价数据；

构建分析模块202，用于根据所述疾病评价数据构建评价指标体系，并通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径。

进一步地，构建分析模块202还用于：

将所述疾病评价数据中的大气环境数据、水体环境数据和土壤环境数据确定为评价指标的样本数据；

通过预设规则对所述样本数据按照目标层、准则层、指标层和分指标层进行分类，生成数据训练集；

根据矢量投影算法对所述数据训练集进行清洗及疾病诱因分析，得到所述预设区域的疾病形成诱因及传播路径。

进一步地，构建分析模块202还用于：

确定评价问题的评价对象集和所述评价对象集的指标集，并根据所述评价对象集和所述指标集构建属性矩阵；

通过加权向量和所述属性矩阵构建加权评价矩阵，并确定所述加权评价矩阵中的目标理想对象和各个待决策评价对象；

根据所述目标理想对象和各个所述待决策评价对象确定各个投影值，并根据各个所述投影值确定所述预设区域的疾病形成诱因及传播路径。

进一步地，确定分析模块201还用于：

通过预设气溶胶采样器和预设离子色谱仪对预设区域进行预设时长的采样，得到第一疾病分析数据；

通过水体监测设备对所述预设区域的水体进行采样，得到第二疾病分析数据；

对所述预设区域的土壤样品和光谱数据进行采样，得到第三疾病分析数据；

将所述第一疾病分析数据、所述第二疾病分析数据和所述第三疾病分析数据，确定为所述预设区域的疾病分析数据。

进一步地，确定分析模块201还用于：

对所述第一疾病分析数据进行分析，得到影响所述预设区域的大气环境数据；

对所述第二疾病分析数据进行分析，得到影响所述预设区域的水体环境数据；

对所述第三疾病分析数据进行分析，得到影响所述预设区域的土壤环境数据；

将所述大气环境数据、所述水体环境数据和所述土壤环境数据，确定为影响所述预设区域的疾病评价数据。

进一步地，疾病诱因分析装置还包括：构建模块，用于：

构建多个变量形成的定量处理的总数据样本集，并将所述总数据样本集中的预设数量随机数据确定为训练样本集，其中，所述预设数量随机数据包括标准数据和未知地区数据；

将所述总数据样本集中除了所述预设数量随机数据的其余数据确定为预测样本集；

将各个所述投影值确定为模型期望输出，基于所述训练样本集和所述预测样本集进行模型训练，构建疾病评价的卷积神经网络模型。

进一步地，构建分析模块202还用于：

根据疾病评价数据确定疾病判断因子，并根据所述疾病判断因子对待评价预设区域的待评估数据和图像数据进行有效性验证；

确定所述待评估数据和所述图像数据的有效性都验证通过，则将所述待评估数据输入至所述疾病评价的卷积神经网络模型中，输出所述待评价预设区域的风险评估值；

根据所述风险评估值和预设阈值进行数值对比，得到对比结果；

根据所述对比结果确定疾病评价结果，并根据所述疾病评价结果对所述待评价预设区域进行疾病防治。

本申请提供的疾病诱因分析装置的实施例与上述疾病诱因分析方法各实施例基本相同，不作赘述。

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行疾病诱因分析方法，该方法包括：

确定预设区域的疾病分析数据，并对所述疾病分析数据进行分析，得到影响所述预设区域的疾病评价数据；

根据所述疾病评价数据构建评价指标体系，并通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、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。

另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法所提供的疾病诱因分析方法，该方法包括：

确定预设区域的疾病分析数据，并对所述疾病分析数据进行分析，得到影响所述预设区域的疾病评价数据；

根据所述疾病评价数据构建评价指标体系，并通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径。

又一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的疾病诱因分析方法，该方法包括：

确定预设区域的疾病分析数据，并对所述疾病分析数据进行分析，得到影响所述预设区域的疾病评价数据；

根据所述疾病评价数据构建评价指标体系，并通过所述评价指标体系进行疾病分析，得到所述预设区域的疾病形成诱因及传播路径。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。