一种基于人工智能的出生缺陷风险临床咨询决策系统及方法

技术领域

本发明涉及出生风险预测方法领域，具体是一种基于人工智能的出生缺陷风险临床咨询决策系统及方法。

背景技术

胎儿出生风险咨询是一种利用医疗数据分析技术，为准妈妈提供个性化、全面、细致的孕前咨询服务，目的是最大限度地减少胎儿的出生缺陷和不良妊娠结局的发生率。在胎儿出生风险咨询中，常用的技术包括数据挖掘、机器学习、人工智能、统计分析等。通过对大量样本数据的收集、整理、分析和建模，可以构建胎儿出生风险评估模型，根据准妈妈的个人特征、病史、家族史等因素，对其妊娠期风险进行科学量化和分析，提供针对性的咨询建议。

而针对于目前的现有技术，在公开号为CN111508603A的中国发明专利中提出一种基于机器学习的出生缺陷预测及风险评估方法、系统及电子设备，其内容为：通过机器学习算法筛查出缺陷致病基因，并根据受检者的缺陷相关基因的突变情况进行出生缺陷结果预测和风险评估，提前预知出生缺陷，降低出生缺陷发生率；同时，为受检者提供结果反馈与自动化遗传咨询服务，辅助临床医生的工作，为其提供遗传咨询建议参考，为社会、家庭节约巨大的医疗和生活支出。

而针对上述技术方案，主要针对于基因史而进行的单独改进，在实际情况中，还存在多种至陷因素，如妊娠期人员疾病史、妊娠期人员服药史、妊娠期人员年龄、妊娠期人员过往生活习惯、妊娠期感染史、妊娠期服药史、妊娠期多胎妊娠、历史遗传病数据等等，上述因素均会导致新生儿出现缺陷，所以目前急需一种出生缺陷风险临床咨询决策方式，对上述缺陷进行改进。

发明内容

本发明提供一种基于人工智能的出生缺陷风险临床咨询决策系统及方法，旨在改进现有出生缺陷风险咨询的预测方法，提高预测精准度，为临床咨询决策提供可靠的科学数据。

一种基于人工智能的出生缺陷风险临床咨询决策系统，所述系统包括循证医学咨询子系统，所述循证医学咨询子系统，用于妇幼医护人员根据采集的患者数据进行咨询；其中，所述循证医学咨询子系统，包括：

人工智能决策单元，用于根据决策数据库中的历史可控影响因素数据和历史不可控影响因素数据进行决策树模型建立，并根据决策树模型输出决策结果；

所述人工智能决策单元通过历史数据集收集历史可控影响因素数据和历史不可控影响因素数据，提取对应特征对特征进行归一化处理，并基于人工智能算法，将可控影响因素数据转换为第一决策树模型，将不可控影响因素数据转换为第二决策树模型，其中，决策树的根节点为初始问题，分支节点为不同的影响因素，叶子节点为不同的健康状态；

所述人工智能决策单元基于根据第一决策树模型和第二决策树模型的输出结果，分别进行加权，并根据加权投票输出最终结果。

进一步的，所述系统根据妇幼医护人员提出的请求数据进行子系统功能选择，当妇幼医护人员提出咨询请求时，则循证医学咨询子系统基于所设定的健康度采样项目对需妇幼医护人员提供的妊娠期人员数据进行采样测试，所述采样测试包括对需测试妊娠期人员进行可控影响因素采样测试和对需测试妊娠期人员进行不可控影响因素采样测试，所述健康度采样项目包括可控影响因素测试项目和不可控影响因素项目，所述可控影响因素项目包括健康指标数据和妊娠期状态数据，所述不可控影响因素项目包括遗传数据。

进一步的，所述系统还包括对输出的最终结果进行可视化处理。

进一步的，所述系统还包括循证医学题库子系统，所述所述循证医学题库子系统用于根据妇幼医护人员的题目类型请求，对题库数据库进行题目数据调用。

进一步的，所述循证医学咨询子系统还包括决策数据库单元，其中，所述决策数据库单元包括：

咨询决策数据库，用于存储决策结果数据；

影响因素数据库，用于收集历史可控影响因素数据历史不可控影响因素数据。

进一步的，提出一种基于人工智能的出生缺陷风险临床咨询决策方法，该方法基于上述任一项所述的一种基于人工智能的出生缺陷风险临床咨询决策系统来实现，该方法具体包括以下步骤：

S1. 收集历史数据集的样本数据，所述样本数据至少包括妊娠期人员的可控影响因素数据和不可控影响因素数据，其中，所述可控影响因素数据包括健康指标数据和妊娠期状态数据，所述不可控影响因素数据包括遗传数据；

S2. 对样本数据提取特征，并对特征进行归一化处理；

S3. 对于预处理后的特征数据，根据人工智能算法，将可控影响因素数据特征转换为第一决策树模型，将不可控影响因素数据特征转换为第二决策树模型，其中，决策树的根节点为初始问题，分支节点为不同的影响因素，叶子节点为不同的健康状态；

S4. 根据妇幼医护人员提出的请求数据进行子系统功能选择，当妇幼医护人员提出咨询请求时，则循证医学咨询子系统基于所设定的健康度采样项目对需妇幼医护人员提供的妊娠期人员数据进行采样测试，所述采样测试包括对需测试妊娠期人员进行可控影响因素测试和对需测试妊娠期人员进行不可控影响因素测试，所述健康度采样项目包括可控影响因素测试项目和不可控影响因素项目，所述可控影响因素项目包括健康指标数据和妊娠期状态数据，所述不可控影响因素项目包括遗传数据；

S5. 根据第一决策树模型和第二决策树模型的输出结果，分别进行加权，并根据加权投票输出最终结果；

其中，所述步骤S5中，进行加权的具体流程为：根据评价指标对第一决策树模型和第二决策树模型的可信度进行计算，并根据可信度进行权重分配。

进一步的，还包括步骤S6：将模型的输出结果和可视化网页进行集成，将模型的输出结果传输至可视化页面，并根据用户的操作和输入动态更新可视化图表。

本发明的有益效果是：

（1）由于可控因素和不可控因素对胎儿的影响因素不同，本发明的循证医学咨询子系统将可控因素和不可控因素对胎儿的影响因素分别放入两个决策树模型中进行评估能够更精确地预测胎儿的风险状况；

（2）不同的因素可能涉及到不同的变量和特征，在一个复杂的决策树模型中同时考虑多个因素可能会导致模型训练和评估的效率变差，而本发明使用两个模型来分别考虑可控和不可控因素能够加快训练和评估的速度；

（3）本发明采用两个不同的模型可以使得方案更加具有灵活性，在未来如果需要添加或者修改某一个因素的评估，修改一个模型不会对另一个模型产生影响，更新和维护也更加方便。

附图说明

图1为本发明提出的一种基于人工智能的出生缺陷风险临床咨询决策方法的方法流程图；

图2为本发明提出的一种基于人工智能的出生缺陷风险临床咨询决策的终端设备的结构示意图；

图3为本发明提出的一种基于人工智能的出生缺陷风险临床咨询决策方法的计算机可读存储介质结构示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

为了使本发明的目的，技术方案及优点更加清楚明白，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用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

一种基于人工智能的出生缺陷风险临床咨询决策系统，所述系统基于健康度测试表对需测试妊娠期人员进行健康度采样组成样本集，所述系统根据样本风险测试模型，对样本集进行风险决策评估，并输出决策结果；

其中，一种基于人工智能的出生缺陷风险临床咨询决策系统，所述系统包括循证医学咨询子系统，所述循证医学咨询子系统，用于妇幼医护人员根据采集的患者数据进行咨询；其中，所述循证医学咨询子系统，包括：

人工智能决策单元，用于根据决策数据库中的历史可控影响因素数据和历史不可控影响因素数据进行决策树模型建立，并根据决策树模型输出决策结果；

所述人工智能决策单元通过历史数据集收集历史可控影响因素数据和历史不可控影响因素数据，提取对应特征对特征进行归一化处理，并基于人工智能算法，将可控影响因素数据转换为第一决策树模型，将不可控影响因素数据转换为第二决策树模型，其中，决策树的根节点为初始问题，分支节点为不同的影响因素，叶子节点为不同的健康状态；

所述人工智能决策单元基于根据第一决策树模型和第二决策树模型的输出结果，分别进行加权，并根据加权投票输出最终结果。

进一步的，所述系统根据妇幼医护人员提出的请求数据进行子系统功能选择，当妇幼医护人员提出咨询请求时，则循证医学咨询子系统基于所设定的健康度采样项目对需妇幼医护人员提供的妊娠期人员数据进行采样测试，所述采样测试包括对需测试妊娠期人员进行可控影响因素采样测试和对需测试妊娠期人员进行不可控影响因素采样测试，所述健康度采样项目包括可控影响因素测试项目和不可控影响因素项目，所述可控影响因素项目包括健康指标数据和妊娠期状态数据，所述不可控影响因素项目包括遗传数据。其中，提出本实施例作为优选的具体实施方式：

确定健康度采样项目：首先需要确定适用于妊娠期的健康度采样项目。该健康度采样项目应该包含评估基本生理指标、妊娠期特殊指标、健康行为等方面的测量项。

选取样本集：从需要测试的妊娠期人员中选取一定数量的样本进行采样。采样的样本应该具有代表性，即能够反映整个妊娠期人群的健康状况。

进行健康度采样：对选定的样本进行健康度测试表的采样，记录测试结果。采样数据应保存完整、准确。

构建风险测试模型：根据样本集的特征，构建妊娠期健康状况风险测试模型。该模型应该包括各项健康指标的权重、阈值、评估方法等，可以使用机器学习等技术实现。

对样本集进行风险评估：使用构建的风险测试模型，在本实施例中采取构建两种决策树模型进行风险评估，对样本集进行风险评估。该评估可以包括风险等级、具体健康问题、建议的健康干预措施等信息。

输出决策结果：根据风险评估结果，对每个样本进行风险决策评估，并输出决策结果。根据需要，可以输出量化评估结果、图表分析等形式的报告，帮助医生和患者更好地了解健康状况和风险情况，以及采取相应的干预措施。

进一步的，系统进行加权的方式为：根据评价指标对第一决策树模型和第二决策树模型的可信度进行计算，并根据可信度进行权重分配。具体的，在模型训练完成后，需要设定各项健康指标的权重和阈值。权重表示该指标在评估中的重要程度，阈值则是用于判断风险等级的界限值。在设定权重和阈值时，需要考虑指标的实际意义和对健康的影响程度，以及样本集的特点和实际情况。

进一步的，所述健康指标数据包括：妊娠期人员疾病史数据、妊娠期人员服药史数据、妊娠期人员年龄数据、妊娠期人员过往生活习惯数据。其中，妊娠期人员疾病史数据即母亲是否患有高血压、糖尿病、先兆子痫等疾病，从而判断是否会增加胎儿的出生风险。妊娠期人员服药史数据即母亲是否使用某些药物或毒品，从而判断是否会对胎儿产生严重影响，如引起畸形、生长迟缓以及重大的神经系统损伤等。妊娠期人员年龄数据即母亲是否为年龄过大或过小，从而判断是否会增加胎儿的出生风险，过大的母亲容易出现妊娠高血压、糖尿病等问题，过小的母亲可能会导致胎儿发育不良、早产等风险。妊娠期人员过往生活习惯数据即母亲的生活方式，从而判断影响胎儿的健康，如吸烟、饮酒、缺乏运动等不良行为会增加胎儿的危险。另外，还可包括妊娠期人员生理数据，如身高、体重、血压、体温等。

进一步的，所述妊娠期状态数据包括：妊娠期感染史数据、妊娠期服药史数据、妊娠期多胎妊娠数据。其中，所述妊娠期感染史数据即母亲在怀孕期间是否感染某些病毒、细菌等，从而判断是否影响胎儿的健康，容易引发先天性传染病、神经系统畸形等问题。妊娠期服药史数据即母亲是否使用某些药物或毒品，从而判断是否对胎儿产生严重影响，如引起畸形、生长迟缓以及重大的神经系统损伤等。妊娠期多胎妊娠数据是否为多胎妊娠，多胎妊娠容易导致早产、胎盘早剥、胎儿宫内发育不良等问题，增加胎儿的出生风险。另外，还可包括妊娠期胎儿生理数据，如胎儿的心跳率、胎动情况、宫颈长度、羊水情况、胎儿的大小和形态等。

进一步的，所述遗传数据为历史遗传病数据。其中，所述历史遗传病数据可包括苯丙酮尿症（Phenylketonuria，PKU）：PKU是一种常见的遗传代谢病，患者因为缺乏一种特殊的酶而无法分解另外一种氨基酸苯丙氨酸，此物质会在身体内积聚，严重的情况下会影响儿童的神经系统和智力发育。如果孕妇患有PKU病，但没有接受任何干预治疗，胎儿有可能患有相同的病；帕金森氏症（Parkinson's disease）：研究发现，有些特定遗传突变与帕金森氏症的发病率增加有关，如果母亲患有帕金森氏症或有帕金森氏症的遗传基因突变，对胎儿神经系统的发育也会产生影响。噬血细胞综合征（HemophagocyticLymphohistiocytosis，HLH）：HLH是一种罕见的遗传性免疫疾病，会引起机体免疫系统的超激活和炎症反应，严重情况下可能导致多器官衰竭。如果母亲患有HLH，胎儿也有可能患上这种疾病。先天性心脏病：心脏病可以是遗传的或决定于环境因素，如果母亲患有先天性心脏病或有患心脏病的家族病史，胎儿也有很高的患病风险。筋萎缩侧索硬化症（Amyotrophic lateral sclerosis，ALS）：研究表明，有些基因突变会增加ALS的发病率，如果母亲有ALS或有相关基因突变，可能会对胎儿的神经系统发育产生影响。

进一步的，所述系统还包括对输出的最终结果进行可视化处理。

进一步的，所述循证医学咨询子系统还包括决策数据库单元，其中，所述决策数据库单元包括：

咨询决策数据库，用于存储决策结果数据；

影响因素数据库，用于收集历史可控影响因素数据历史不可控影响因素数据。

作为优选的，完成模型的训练和参数设定后，需要对模型进行验证，即使用其他数据集进行测试，以确保模型的稳定性和准确性。可以使用交叉验证、样本外验证等方法进行模型验证。验证的过程中需要评估模型的准确性、精确性、召回率等指标，并针对验证结果进行调整和优化。

作为优选的，针对全新的样本数据和实际应用情况，需要对模型进行更新和优化。随着新的健康指标的引入和样本集的扩大，可能需要更新模型的权重、阈值和评估方法等，以保证模型的有效性和可靠性。

作为优选的，为确保系统的安全性，可对系统进行渗透测试，其中，包括以下步骤：

1.收集信息：收集系统的相关信息，包括系统架构、技术框架、系统版本、端口开放情况、可访问的目录和文件、网站地图等信息。

2.漏洞扫描：通过漏洞扫描工具对系统进行扫描，检测系统存在的漏洞。常见的漏洞包括SQL注入、XSS跨站脚本攻击、文件上传漏洞、文件包含漏洞等。

3.密码破解：对系统的登录模块进行密码破解测试，验证密码复杂度和安全性。使用弱口令也是黑客攻击的一种方法。

4.应用程序安全测试：通过测试SQL注入、跨站脚本攻击、请求伪造、缓冲区溢出等漏洞，检测系统是否存在安全漏洞。

5.权限测试：检测系统中的各种用户权限是否被正确配置。测试人员应该尝试使用低权限用户身份访问更高权限的文件和目录，或尝试在不正确的权限下修改数据。

6.社会工程学测试：通过模拟攻击，欺骗用户或管理员进行敏感信息泄露或其他不安全行为。这可能涉及网站钓鱼、欺骗等社会工程学攻击技术。

7.物理安全测试：测试人员应该尝试访问服务器并获取物理设备的详细信息，例如在服务器上插入可操纵的设备，使用工具尝试访问和窃取数据等。

8.报告和建议：对测试结果进行总结并提交详细的测试报告，提供系统漏洞的详细描述、风险评估和修复建议。此外，测试人员还应向系统管理员提供防御措施和修复建议，帮助系统管理员修复漏洞、加固安全性。

具体的，对咨询决策系统进行渗透测试可以发现并修复系统中的潜在安全漏洞，减少被攻击的风险，提高系统的安全性和稳定性。在测试过程中，测试人员需要严格遵守诚实守信的道德和职业道德，遵循道德规范，并尊重公司的安全政策和保密协议。同时测试过程需要注意保密性，确保测试结果不会泄露给不相关的人员或组织。

进一步的，所述系统还包括循证医学题库子系统，所述所述循证医学题库子系统用于根据妇幼医护人员的题目类型请求，对题库数据库进行题目数据调用。所述子系统提供医学领域的问题研究资料和答案。这个系统包含研究结果、实验数据、文献综述等信息，以及对信息的评估和解读。通过该子系统，医生和研究人员可以快速找到相关文献和证据，并对其可信度进行评估。循证医学题库系统可以帮助医生做出更准确、更科学、更有效的临床决策，提高医疗保健的质量和效率。

作为优选的，本实施例中所述的人工智能决策树算法可采用CART算法：是一种多功能的决策树算法，可以用于分类和回归问题。它基于基尼不纯度来选择最佳的分裂属性，能够处理连续属性和缺失值，同时也可以产生二叉树或多叉树。

进一步的，作为本实施例优选的具体实施方式，提出一种基于人工智能的出生缺陷风险临床咨询决策方法，如图1，该方法具体包括以下步骤：

S1. 收集历史数据集的样本数据，所述样本数据至少包括妊娠期人员的可控影响因素数据和不可控影响因素数据，其中，所述可控影响因素数据包括健康指标数据和妊娠期状态数据，所述不可控影响因素数据包括遗传数据；

S2. 对样本数据提取特征，并对特征进行归一化处理；

S3. 对于预处理后的特征数据，根据人工智能算法，将可控影响因素数据特征转换为第一决策树模型，将不可控影响因素数据特征转换为第二决策树模型，其中，决策树的根节点为初始问题，分支节点为不同的影响因素，叶子节点为不同的健康状态；

S4. 根据妇幼医护人员提出的请求数据进行子系统功能选择，当妇幼医护人员提出咨询请求时，则循证医学咨询子系统基于所设定的健康度采样项目对需妇幼医护人员提供的妊娠期人员数据进行采样测试，所述采样测试包括对需测试妊娠期人员进行可控影响因素测试和对需测试妊娠期人员进行不可控影响因素测试，所述健康度采样项目包括可控影响因素测试项目和不可控影响因素项目，所述可控影响因素项目包括健康指标数据和妊娠期状态数据，所述不可控影响因素项目包括遗传数据；

S5. 根据第一决策树模型和第二决策树模型的输出结果，分别进行加权，并根据加权投票输出最终结果；

其中，所述步骤S5中，进行加权的具体流程为：根据评价指标对第一决策树模型和第二决策树模型的可信度进行计算，并根据可信度进行权重分配。

进一步的，还包括步骤S6：将模型的输出结果和可视化网页进行集成，将模型的输出结果传输至可视化页面，并根据用户的操作和输入动态更新可视化图表。

进一步的，作为本实施例优选的具体实施方案，还提出一种出生缺陷风险临床咨询决策app，所述app包括咨询客户端、决策管理端和数据库，所述咨询管理端用于用户提出资讯请求，如需测试妊娠期人员出生缺陷风险查询，所述数据库根据请求下发健康度测试表，所述健康度测试表中包括多种健康度测试项目，用户根据实际情况进行填表，表数据上传至决策管理端，决策管理端通过第一决策树模型和第二决策树模型对表数据进行风险预测，并返回资讯客户端最终决策结果。

作为进一步优选的实施方案，提出一种出生缺陷风险临床咨询决策的终端设备，如图2，终端设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。

存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)211和/或高速缓存存储器212，还可以进一步包括只读存储器(ROM)213。

其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中上述任一项一种出生缺陷风险临床咨询决策方法，其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。存储器210还可以包括具有一组(至少一个)程序模块215的程序/实用工具214，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

相应的，处理器220可以执行上述计算机程序，以及可以执行程序/实用工具214。

总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。

终端设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该终端设备200交互的设备通信，和/或与使得该终端设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，终端设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与终端设备200的其它模块通信。应当明白，尽管图中未示出，可以结合终端设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

作为进一步优选的实施方案，提出一种出生缺陷风险临床咨询决策的计算机可读存储介质，所述计算机可读存储介质上存储有指令，该指令被处理器执行时实现上述任一的一种出生缺陷风险临床咨询决策法。其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。

图3示出了本实施例提供的用于实现上述方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本实施例中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述实施例采用两种决策树模型的方案能够更好地发挥decision tree model的优势，提高风险评估的准确性、效率和灵活性，同时更加容易为医生所接受。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。