技术领域
[0001] 本发明涉及人工智能健康检测技术领域，具体为基于人工智能的女性内分秘检测报告解读系统。
相关背景技术
[0002] 在女性健康领域，卵巢健康度检测一直是一个重要的研究方向。卵巢作为女性生殖系统的核心器官，其健康状态直接影响到女性的生育能力和整体健康水平。然而，传统的卵巢健康度检测方法存在诸多局限性。
[0003] 首先，传统的卵巢健康度检测主要依赖于医生的临床经验和主观判断，这种方式往往受到医生个人知识和经验的限制，导致检测结果的准确性和一致性难以保证。同时，由于检测过程繁琐，需要耗费大量的时间和人力资源，使得检测效率较低。其次，传统的卵巢健康度检测通常只关注单一的生理指标，如AMH(抗缪勒管激素)水平，而忽略了其他与卵巢健康密切相关的因素，如年龄、生育要求、月经情况等。这些因素对于卵巢健康度的影响不容忽视，而传统方法往往无法全面考虑这些因素，导致检测结果不够全面和准确。此外，传统的卵巢健康度检测报告解读也存在一定的问题。一方面，由于报告解读依赖于医生的个人经验和知识，导致解读结果的主观性较强，不同医生之间的解读结果可能存在差异。另一方面，传统的报告解读方式往往缺乏对用户个性化需求的考虑，无法为用户提供个性化的健康建议和健康管理方案。
[0004] 鉴于此，提供基于人工智能的女性内分秘检测报告解读系统以克服上述问题，旨在通过人工智能技术，实现对卵巢健康度检测报告的全面、准确和个性化解读。通过整合用户的基本信息和月经情况，结合检测指标AMH值，系统能够智能推导出用户报告的总览、解读、疾病类型和专家建议。这种方式不仅能够提高检测结果的准确性和效率，还能够为用户提供个性化的健康建议和管理方案，帮助用户更好地了解自己的卵巢健康状况，降低卵巢疾病风险，提高生育能力。因此，本发明的提出具有重要的现实意义和应用价值。
具体实施方式
[0046] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
[0047] 请参阅图1‑图7，本发明提供一种技术方案：
[0048] 参阅图1‑图3所示，基于人工智能的女性内分秘检测报告解读系统，用于通过检查AMH指标，掌握卵巢储备功能状态、提早筛查卵巢疾病风险，检测卵巢年龄，包括：
[0049] 检测指标模块：检测AMH，即抗缪勒管激素；
[0050] 用户输入模块：用户通过小程序输入基本信息和月经情况：
[0051] 出生年月(年龄)；
[0052] 身高、体重用于计算BM I；
[0053] 生育要求；
[0054] 月经不规律次数(无、1‑2次、3次以上、绝经)；
[0055] 月经周期(小于21天、21～25天、26～30天、31～35天、大于35天)；
[0056] 用户报告模块：用户输入基本信息和月经情况，当采血后检测出AMH值，通过报告生成引擎生成用户报告，用户报告主要包含：检测结果、总览、结果解读、专家建议和健康管理；
[0057] 报告总览、解读、专家建议知识库模块：包括三层结构：
[0058] 第一层：年龄18～50，5岁一个年龄段，大于等于50一个年龄段；
[0059] 第二层：检测指标AMH、疾病类别；
[0060] 根据年龄和检测指标，推导出报告总览、报告解读；
[0061] 第三层：用户信息：是否有生育要求、月经是否规律；
[0062] 根据年龄(第一层)、检测指标(第二层)、生育要求、月经规律，推导出专家建议；
[0063] 报告内容推导模块：
[0064] 包括报告总览、解读、专家建议范式；
[0065] 范式：R＝fn(a,amh,f,m)；
[0066] R：总览、解读、专家建议；
[0067] a：参数年龄；
[0068] amh：参数检测指标AMH值；
[0069] f：参数生育要求；
[0070] m：参数月经规律情况；
[0071] 还包括推导过程：
[0072] 用户通过小程序输入基本信息年龄(a)、bmi(b)、生育要求(f)、月经规律情况(m))，然后采集样本回寄检测实验室；
[0073] 检测实验室收到样本，上机检测完成后，推送检测指标amh值(amh)到报告生成引擎；
[0074] 报告生成引擎根据R＝fn(a,amh,f,m)范式，基于参数a、amh、推导出用户报告的总览、解读和疾病类型；
[0075] 根据用户的生育要求、月经规律情况，生成用户的专家建议；
[0076] 根据R＝fn(a,amh,f,m)范式，生产用户报告的医学部分，包含总览、解读、专家建议；
[0077] 实例说明：
[0078] 一个女性用户，她今年32岁，身高165cm，体重55kg(BM I为19.9，在正常范围内)，她目前尚未生育，但计划在未来两年内怀孕；她注意到自己的月经周期最近变得不太规律，偶尔会提前或推后几天，于是她决定使用基于人工智能的卵巢健康度检测报告解读系统来检查自己的卵巢健康状况；
[0079] 步骤一：用户输入；
[0080] 该用户通过小程序输入了自己的基本信息和月经情况：
[0081] 出生年月：1990年1月；
[0082] 身高：165cm；
[0083] 体重：55kg；
[0084] 生育要求：有，计划在未来两年内怀孕；
[0085] 月经不规律次数：1‑2次；
[0086] 月经周期：通常28‑30天，但最近不太规律；
[0087] 步骤二：样本检测；
[0088] 该用户按照系统指引，前往指定的检测点采集了血液样本，并寄送到检测实验室；实验室收到样本后，进行了AMH检测，并将检测结果(例如AMH值为2.5ng/m l)推送到报告生成引擎；
[0089] 步骤三：报告生成；
[0090] 报告生成引擎根据该用户的年龄(32岁)、AMH值(2.5ng/m l)、生育要求和月经规律情况，使用R＝fn(a,amh,f,m)范式生成了她的卵巢健康度报告；报告包含以下几个部分：
[0091] 总览：该用户的卵巢储备功能处于正常范围，但由于月经周期的不规律，建议进一步观察；
[0092] 结果解读：AMH值在正常范围内，表明卵巢储备功能良好，但月经周期的不规律可能与内分泌变化或其他因素有关；
[0093] 专家建议：鉴于李华有生育计划，建议她保持良好的生活习惯，减轻压力，并在必要时进行进一步的内分泌检查；
[0094] 健康管理：系统根据李华的年龄、BM I和疾病风险，为她提供了个性化的健康管理建议，包括饮食、运动、睡眠等方面的指导；
[0095] 基于人工智能的卵巢健康度检测报告解读系统在实际应用中展现了以下创造性有益效果：
[0096] 个性化解读：系统能够根据用户的年龄、AMH值、生育要求和月经规律情况，提供个性化的卵巢健康度报告和专家建议，使用户能够更好地了解自己的卵巢健康状况；
[0097] 早期筛查：通过检测AMH值，系统能够早期筛查出卵巢疾病风险，为用户提供及时的治疗建议，防止病情恶化；
[0098] 智能推导：报告生成引擎采用人工智能算法，能够根据用户输入的信息和检测结果，智能推导出用户报告的总览、解读、疾病类型和专家建议，大大提高了报告的准确性和效率；
[0099] 实现方式为：
[0100] 数据收集：
[0101] 以丰富多样的数据为基础，包括收集用户年龄、AMH值、生育要求、月经规律情况、生活习惯、家族病史、过往疾病史等多维度信息，比如，对于一位35岁、AMH值为1.8ng/m l、有生育需求、月经不规律(3次以上)、平时运动较少、有家族卵巢疾病史的用户，这些详细数据为后续推导提供了全面的输入；
[0102] 数据预处理：
[0103] 对收集的数据进行清洗和标准化，比如处理可能存在的缺失值(如用户忘记填写运动频率)、异常值(AMH值过高或过低)，并通过特征工程创建新特征(如月经不规律次数与AMH值的比值)；
[0104] 模型选择：
[0105] 可选择适合处理多特征数据的随机森林模型；以一位28岁、AMH值为2.0ng/m l、无生育需求、月经周期28‑30天、经常运动的用户为例，随机森林模型可以综合多个决策树的结果进行推导；
[0106] 模型训练：
[0107] 在训练过程中，调整模型参数；比如对于上述示例用户的数据，通过调整决策树的数量、分裂节点的条件等参数，找到最优模型配置；同时使用正则化方法防止过拟合，采用早停法避免过度训练；
[0108] 模型评估：
[0109] 使用多种评估指标，如对于预测该用户的卵巢健康状况，通过准确率、均方误差等评估模型的准确性；
[0110] 模型优化：
[0111] 如果模型对某类用户(如年龄较大且月经极不规律的用户)的预测效果不佳，可能会增加这类用户的数据量，或者尝试迁移学习，利用相关领域的预训练模型进行微调；
[0112] 模型结构：
[0113] 对于神经网络模型，如多层感知机，如果选择此模型，对于上述示例用户，根据数据复杂度和计算资源，可能设置3个隐藏层，每层64个神经元，激活函数选择ReLU等；对于决策树模型，可能限制树的深度为5层，以防止过拟合；
[0114] 实例说明：
[0115] 对于一位32岁、AMH值为2.5ng/m l、有生育计划且月经不太规律(1‑2次)的女性用户；系统首先获取她输入的这些信息，然后报告生成引擎根据设定的范式(如R＝fn(a,amh,f,m))和经过训练的模型，智能推导出她的报告；
[0116] 总览部分可能指出：卵巢储备功能处于正常范围，但月经不规律需进一步观察；
[0117] 解读部分会解释：AMH值正常表明卵巢储备功能良好，月经不规律可能与内分泌变化有关；
[0118] 疾病类型可能暂未明确，但会提示存在潜在的内分泌失调风险；
[0119] 专家建议会根据她的生育计划和月经情况，建议保持良好生活习惯，必要时进行内分泌检查；
[0120] 通过这样的智能推导，为用户提供了个性化、准确且高效的报告内容；
[0121] 综上所述，通过全面的数据收集和预处理、合理的模型选择与训练、准确的评估和有效的优化，以及恰当的模型结构设计，实现报告生成引擎根据用户输入和检测结果智能推导出用户报告的总览、解读、疾病类型和专家建议，大大提高了报告的准确性和效率；
[0122] 健康管理：系统还提供了个性化的健康管理方案，帮助用户改善生活习惯，降低卵巢疾病风险，提高生育能力。
[0123] 进一步的，参阅图4‑图5所示，本系统还可用于卵巢生育储备能力的检测报告解读；
[0124] 通过检查AMH、性激素六项FSH、LH、E2、P、PRL、T指标，全面评估卵巢生育力；
[0125] 检测指标：
[0126] AMH：抗缪勒管激素；
[0127] FSH：促卵泡刺激素；
[0128] LH：促黄体生成素；
[0129] E2：雌二醇；
[0130] P：孕酮；
[0131] PRL：泌乳素；
[0132] T：睾酮；
[0133] 用户输入：
[0134] 用户通过小程序输入基本信息、生育要求和月经情况：
[0135] 出生年月(年龄)；
[0136] 身高、体重用于计算BM I；
[0137] 生育要求；
[0138] 月经不规律次数(无、1‑2次、3次以上、绝经)；
[0139] 月经周期(小于21天、21～25天、26～30天、31～35天、大于35天)；
[0140] 正在月经天数；
[0141] 用户报告：
[0142] 用户输入基本信息和月经情况，当采样后检测出AMH值和性激素六项的值，通过报告生成引擎生成用户报告，用户报告主要包含：检测结果、总览、结果解读、专家建议和健康管理；
[0143] 报告总览、解读、专家建议知识库：
[0144] 知识库主要四层结构：
[0145] 第一层：年龄18～50，5岁一个年龄段，大于等于50一个年龄段，年龄不限制；
[0146] 第二层：检测指标AMH；
[0147] 第三层：性激素六项(FSH、LH、E2、P、PRL、T)、疾病类别；
[0148] 根据年龄和检测指标，推导出报告总览、报告解读；
[0149] 第四层：用户信息：是否有生育要求、月经是否规律；
[0150] 根据年龄(第一层)、检测指标(第二层、第三层)、生育要求、月经规律，推导出专家建议；
[0151] 报告医学内容推导：
[0152] 报告总览、解读、专家建议范式：
[0153] 范式：R＝fn(a,amh,sh,f,m)；
[0154] R：总览、解读、专家建议；
[0155] a：参数年龄；
[0156] amh：参数检测指标AMH值；
[0157] sh：参数性激素六项(FSH、LH、E2、P、PRL、T)的值；
[0158] f：参数生育要求；
[0159] m：参数月经规律情况；
[0160] 推导过程：
[0161] 用户通过小程序输入基本信息年龄(a)、bmi(b)、生育要求(f)、月经规律情况(m))，然后采样完成回寄检测实验室；
[0162] 检测实验室收到样本，上机检测完成后，推送检测指标amh(amh)、性激素六项FSH、LH、E2、P、PRL、T(sh)参数的值到报告生成引擎；
[0163] 报告生成引擎根据R＝fn(a,amh,sh,f,m)范式，基于参数a、amh、sh推导出用户报告的总览、解读和疾病类型；
[0164] 根据用户的生育要求、月经规律情况，推导出用户的专家建议；
[0165] 根据R＝fn(a,amh,sh,f,m)范式，生产用户报告的医学部分，包含总览、解读、专家建议；
[0166] 实际应用实例：
[0167] 一位30岁的女性用户，她正考虑在未来两年内生育孩子；该女士的月经一直比较规律，但最近她感到有些焦虑，担心自己的卵巢生育储备能力是否足够；她通过基于人工智能的卵巢健康度检测报告解读系统进行了检测；
[0168] 用户输入：
[0169] 出生年月：1993年3月；
[0170] 身高：165cm；
[0171] 体重：55kg；
[0172] 生育要求：有，计划在两年内生育；
[0173] 月经不规律次数：无；
[0174] 月经周期：28‑30天；
[0175] 正在月经天数：5天；
[0176] 检测过程：
[0177] 该女士在指定的采样点完成了血液采样，并将样本寄送至检测实验室；实验室通过高精度仪器检测了该女士的AMH值以及性激素六项(FSH、LH、E2、P、PRL、T)的值；
[0178] 报告生成：
[0179] 检测完成后，实验室将检测结果推送至报告生成引擎；报告生成引擎根据该女士的年龄、BM I、生育要求、月经规律情况，以及检测到的AMH值和性激素六项的值，通过R＝fn(a,amh,sh,f,m)范式，智能推导出用户报告；
[0180] 报告内容：
[0181] 检测结果：显示该女士的AMH值、FSH、LH、E2、P、PRL、T的具体数值，并与正常范围进行对比；
[0182] 总览：根据该女士的年龄和检测结果，系统评估出她的卵巢生育储备能力处于中等偏上水平，适合在未来两年内生育；
[0183] 结果解读：详细解释了AMH值和性激素六项的生理意义，以及它们在卵巢生育储备能力评估中的作用；
[0184] 专家建议：基于该女士的生育要求和月经规律情况，系统给出了针对性的健康建议和管理方案，如合理饮食、适量运动、避免压力过大等，以提高卵巢生育储备能力；
[0185] 健康管理：系统为该女士提供了个性化的健康管理计划，包括定期检测、健康饮食、运动计划等，帮助她更好地维护卵巢健康；
[0186] 效果：
[0187] 全面评估卵巢生育储备能力：通过检测AMH值和性激素六项的值，系统能够全面评估卵巢的生育储备能力，为用户提供更准确的评估结果；
[0188] 个性化健康建议：系统根据用户的年龄、BM I、生育要求、月经规律情况等因素，为用户提供个性化的健康建议和管理方案，帮助用户更好地维护卵巢健康；
[0189] 早期筛查与预防：通过定期检测，系统能够早期筛查出卵巢疾病风险，为用户提供及时的治疗建议，防止病情恶化；同时，通过健康管理计划的实施，可以降低卵巢疾病风险，提高生育能力；
[0190] 提高检测效率与准确性：采用人工智能算法进行报告生成和解读，大大提高了检测效率和准确性。同时，通过自动化处理流程，减少了人为干预和误差的可能性；
[0191] 应用扩展性强：该系统不仅适用于卵巢健康度检测报告的解读，还可以扩展到其他与卵巢健康相关的检测项目解读中，包括卵巢生育储备能力检测。
[0192] 进一步的，参阅图6‑图7所示，本系统还可通过检查性激素六项FSH、LH、E2、P、PRL、T指标，进行内分泌异常评估，月经不规律评估，备孕健康指导，内分泌健康管理；
[0193] 检测指标：
[0194] FSH：促卵泡刺激素；
[0195] LH：促黄体生成素；
[0196] E2：雌二醇；
[0197] P：孕酮；
[0198] PRL：泌乳素；
[0199] T：睾酮；
[0200] 用户输入：
[0201] 用户通过小程序输入基本信息、生育要求和月经情况：
[0202] 出生年月(年龄)；
[0203] 身高、体重用于计算BM I；
[0204] 生育要求；
[0205] 月经不规律次数(无、1‑2次、3次以上、绝经)；
[0206] 月经周期(小于21天、21～25天、26～30天、31～35天、大于35天)；
[0207] 正在月经天数；
[0208] 用户报告：
[0209] 用户输入基本信息和月经情况，当采样后检测性激素六项的值，通过报告生成引擎生成用户报告，用户报告主要包含：检测结果、总览、结果解读、专家建议和健康管理；
[0210] 报告总览、解读、专家建议知识库：
[0211] 知识库主要三层结构：
[0212] 第一层：年龄18～40，大于等于40一个年龄段，年龄不限制；
[0213] 第二层：性激素六项(FSH、LH、E2、P、PRL、T)、疾病类别；
[0214] 根据年龄和检测指标，推导出报告总览、报告解读；
[0215] 第三层：用户信息：是否有生育要求、月经是否规律；
[0216] 根据年龄(第一层)、检测指标性激素六项(第二层)、生育要求、月经规律，推导出专家建议；
[0217] 报告医学内容推导：
[0218] 报告总览、解读、专家建议范式：
[0219] 范式：R＝fn(a,sh,f,m)；
[0220] R：总览、解读、专家建议；
[0221] a：参数年龄；
[0222] sh：参数性激素六项(FSH、LH、E2、P、PRL、T)的值；
[0223] f：参数生育要求；
[0224] m：参数月经规律情况；
[0225] 推导过程：
[0226] 用户通过小程序输入基本信息年龄(a)、bmi(b)、生育要求(f)、月经规律情况(m))，然后采集样本回寄检测实验室；
[0227] 检测实验室收到样本，上机检测完成后，推送检测指标性激素六项FSH、LH、E2、P、PRL、T(sh)参数的值到报告生成引擎；
[0228] 报告生成引擎根据R＝fn(a,amh,f,m)范式，基于参数a、sh、推导出用户报告的总览、解读和疾病类型；
[0229] 根据用户的生育要求、月经规律情况，生成用户的专家建议；
[0230] 根据R＝fn(a,sh,f,m)范式，生产用户报告的医学部分，包含总览、解读、专家建议；
[0231] 实际应用实例：
[0232] 一位35岁的女性用户，她正在为备孕做准备，该女士的月经一直不太规律，她担心这会影响她的备孕计划；她决定使用我们的基于人工智能的卵巢健康度检测报告解读系统进行性激素六项的检测；
[0233] 用户输入：
[0234] 出生年月：1988年5月；
[0235] 身高：160cm；
[0236] 体重：60kg；
[0237] 生育要求：有，正在备孕；
[0238] 月经不规律次数：3次以上；
[0239] 月经周期：32‑35天；
[0240] 正在月经天数：4天；
[0241] 检测过程：
[0242] 该女士在指定的采样点完成了血液采样，并将样本寄送至检测实验室；实验室通过高精度仪器检测了该女士的性激素六项(FSH、LH、E2、P、PRL、T)的值；
[0243] 报告生成：
[0244] 检测完成后，实验室将检测结果推送至报告生成引擎；报告生成引擎根据该女士的年龄、生育要求、月经规律情况，以及检测到的性激素六项的值，通过R＝fn(a,sh,f,m)范式，智能推导出用户报告；
[0245] 报告内容：
[0246] 检测结果：显示该女士的性激素六项的具体数值，并与正常范围进行对比；
[0247] 总览：根据该女士的年龄和检测结果，系统评估出她的性激素水平存在轻度异常，可能导致月经不规律，但整体上仍具备生育能力；
[0248] 结果解读：详细解释了性激素六项的生理意义，以及它们在评估月经规律和备孕健康中的作用；特别指出了该女士的某些激素水平异常可能的原因和影响；
[0249] 专家建议：基于该女士的生育要求和月经不规律情况，系统给出了针对性的健康建议和管理方案；例如，建议该女士调整生活习惯，包括合理饮食、适量运动、减少压力等，以促进内分泌平衡和月经规律。同时，也提供了针对性激素异常的专项治疗建议；
[0250] 健康管理：系统为该女士制定了个性化的健康管理计划，包括定期检测性激素水平、监测月经情况、调整生活习惯等，帮助她更好地维护卵巢健康和备孕计划；
[0251] 效果：
[0252] 综合评估内分泌异常和月经不规律：通过检测性激素六项的值，系统能够综合评估用户的内分泌状态和月经情况，为用户提供更全面的健康评估；
[0253] 备孕健康指导：系统根据用户的生育要求和月经情况，提供针对性的备孕健康指导，帮助用户更好地制定备孕计划和提高受孕成功率；
[0254] 内分泌健康管理：系统通过个性化的健康管理计划，帮助用户调整生活习惯和治疗方案，促进内分泌平衡和月经规律，降低卵巢疾病风险；
[0255] 提高检测效率和准确性：采用人工智能算法进行报告生成和解读，大大提高了检测效率和准确性；同时，自动化处理流程减少了人为干预和误差的可能性；
[0256] 应用扩展性强：该系统不仅适用于卵巢健康度检测报告的解读，还可以扩展到其他与内分泌和月经健康相关的检测项目解读中，包括性激素六项评估；通过不断优化算法和增加功能模块，可以满足更多用户的个性化需求；例如，系统可以进一步扩展到多囊卵巢综合征(PCOS)、更年期综合征等疾病的评估和管理中。
[0257] 进一步的，还包括健康管理模块；即，卵巢健康度、生育储备能力、性激素六项评估报告包含的健康管理方案，根据三个产品的医学内容推导范式R＝fn(a,amh,f,m)、R＝fn(a,amh,f,m)和R＝fn(a,amh,sh,f,m)推导出的疾病类型，再结合用户的年龄和BM I的值，生成用户的健康管理内容；健康管理模块包括健康管理知识库。
[0258] 进一步的，健康管理模块还包括健康管理范式；
[0259] 范式：H＝fn(a,c,b)；
[0260] H：健康管理；
[0261] a：参数年龄；
[0262] c：参数疾病类别；
[0263] b：参数bmi。
[0264] 进一步的，健康管理模块还包括推导过程：基于疾病类型(c)，用户的基本信息：年龄(a)、bmi(b)，根据H＝fn(a,c,b)范式推导出用户的健康管理方案；根据医学内容总览、解读、专家建议和健康管理方案，最终生成用户完整的报告。
[0265] 进一步的，参阅图8‑图9所示，在健康管理模块中，引入推送通知、健康提醒功能；健康管理师给用户制定营养素服用、锻炼跟踪等的提醒事项，并且发送给用户：用户在小程序可以看到营养师建立的提醒事项，并且推送服务会定时推送提醒；
[0266] 实现技术架构：
[0267] 后端服务器：负责生成推送内容和处理用户反馈；
[0268] 消息队列：用于异步处理推送任务，确保推送的高效和稳定；
[0269] 推送服务：将推送内容发送给目标用户；
[0270] 实现流程：
[0271] 触发推送：根据预设规则(如用户生日、体检日期、药物服用时间等)或用户行为(如用户查看特定报告后推送相关健康知识)触发推送任务；
[0272] 生成推送内容：后端服务器根据触发条件和用户信息生成推送内容；
[0273] 发送推送：将推送内容发送到消息队列，由推送服务异步处理发送任务。
[0274] 通过用户的基本信息、检测指标、问卷收集到的用户信息，问题格式化以后作为上下文提供给通用大模型，生成个性化的健康管理指导意见，包含：饮食方案、营养素方案、健康体检、生活方式建议；即，通过AI GC生成个性化健康管理；具体为：
[0275] 用户基本信息：年龄，身高，体重；
[0276] 问卷收集信息：
[0277]
[0278]
[0279]
[0280]
[0281]
[0282] 技术实现：
[0283] 通过小程序问卷收集用户信息、检测指标值、生活习惯、症状、病史等信息[0284] 对收集的问题答案进行格式标准化为大模型可以理解的上下文描述
[0285] 比如：
[0286] 健康方面的最主要困扰或需求？选择“体重管理”；
[0287] 备孕计划？选择“是”；
[0288] 是否抽烟？选择“否”；
[0289] 这三个问题答案进行格式标注化，最终变为：
[0290] 用户比较关注体重管理，有备孕计划，不抽烟。
[0291] 实现Promopt工程：
[0292] 角色定义：你是壹生检康研发的健康管理师；
[0293] 指令：需要大模型回答的健康管理方案，包含饮食方案、营养素方案、健康体检、生活方式建议等；
[0294] 输入：第2步骤格式标准化好的上下文描述、健康管理知识库；
[0295] 输出：要求大模型输出的格式。
[0296] 通过通用大模型，输出个性化健康管理方案。
[0297] 实施例子：
[0298] 基本信息：年龄45；
[0299] 检测指标：amh 0.05；
[0300] 问卷信息：
[0301]
[0302]
[0303] 基于上面用户的基本信息、检测指标、问卷信息生成Prompt工程，通过大模型运行生成包含：饮食方案、营养素方案、健康体检、生活方式建议的个性化的健康管理方案：
[0304] 低碳饮食：
[0305] 注意增加优质蛋白的摄入，尤其是：鸡蛋、奶类和奶制品、豆类和豆制品、肉类(鱼虾、家禽、瘦牛肉/猪肉)；
[0306] 每天吃够1斤新鲜蔬菜(正餐各1碗)，并且优先选择深色叶子菜；
[0307] 水果适量，选择低糖水果，比如桃子、蓝莓、柑橘类、无花果、小番茄等；
[0308] 饮食方面注意补钙，每天喝牛奶(300g)，如果有乳糖不耐受可以选择酸奶。
[0309] 其他补钙的食品有：奶酪、豆制品、空心菜、毛豆、红苋菜等深色蔬菜。或在指导下补充钙片。
[0310] 营养素方案：
[0311] 目的是增强抗氧化力，改善睡眠情况，以及在饮食的基础上强化骨骼营养。
[0312] 建议您考虑添加的营养成分：
[0313] 苏糖酸镁；
[0314] 睡眠支持(抑制性神经递质)；
[0315] 黑升麻；
[0316] 钙剂；
[0317] 健康体检：
[0318] 应该定期进行健康体检并反馈异常数据来调整健康方案：
[0319] 关注：25羟基维生素D、骨密度等；
[0320] 说明：25羟基维生素D检测结果可提示vd的营养状况，根据检测结果按需补充vd。并且建议在医嘱指导下定期检查妇科项目。
[0321] 生活方式建议：尽量开展户外运动，在专业指导下增加力量训练锻炼骨骼肌；避免生殖毒性物质的接触，尤其是盛放食物的塑料餐具：少用塑料制品，包括一次性纸杯。
[0322] 进一步的，在系统中建立用户反馈机制，收集用户对系统的意见和建议；
[0323] 设计反馈界面：
[0324] 在用户报告或系统的小程序中设计一个易于访问的反馈界面；这个界面可以是一个简单的表单，让用户填写他们的意见和建议；表单中可以包含一些预设的问题或选项，如“您对系统的哪些方面满意？”、“您认为系统有哪些可以改进的地方？”等，以便收集更具体的反馈；也可以提供一个文本输入框，让用户自由输入他们的意见和建议；
[0325] 实现反馈提交功能：
[0326] 编写后端代码以接收和处理用户提交的反馈数据；这些数据可以存储在数据库中，以便后续分析和处理；为了确保数据的完整性和安全性，应该对提交的数据进行验证和清洗，以防止恶意输入或无效数据；
[0327] 展示反馈结果：
[0328] 可以在系统中设置一个反馈管理界面，让系统管理员或开发人员能够查看和处理用户提交的反馈；这个界面可以展示每条反馈的详细信息，包括提交时间、用户信息、反馈内容等；系统管理员或开发人员可以根据这些反馈对系统进行改进和优化；
[0329] 设定反馈处理流程：
[0330] 制定一个明确的反馈处理流程，确保每个反馈都能得到及时和有效的处理；例如，可以设置不同级别的反馈处理优先级，对于重要或紧急的反馈进行优先处理；同时，也可以设立一个反馈处理时间限制，确保每个反馈都能在合理的时间内得到回应；
[0331] 发送反馈回应：
[0332] 当系统管理员或开发人员处理完用户的反馈后，应该向用户发送一个反馈回应，告知他们反馈已经被接收和处理，并说明处理结果或改进计划。
[0333] 进一步的，参阅图10所示，训练一个用于快速准确判断出指标非正常值的二分类预测模型；具体为：
[0334] 各种指标非正常值的人工智能筛查：
[0335] 方案：二分类预测模型对用户信息和检测指标数据的学习，能够对各种指标非正常值的人工智能筛查，比如amh邻近两个月波动很大，结合收集的用户信息可以通过预测模型判断是否正常。
[0336] 主要收集的信息如下：
[0337] 指标信息：
[0338] 筛查指标包含：
[0339] AMH：抗缪勒管激素；
[0340] 性激素六项：FSH：促卵泡刺激素、LH：促黄体生成素、E2：雌二醇、P：孕酮、PRL：泌乳素、T：睾酮；
[0341] VD：维生素D；
[0342] hpv：23分型；
[0343] 筛查指标值包含：
[0344] 上次指标检测值：(1.2)；
[0345] 本次指标检测值：(4.3)；
[0346] 用户信息：
[0347] 基本信息：年龄，身高，体重；
[0348] 生活方式：是否吸烟、是否熬夜、是否喝酒；
[0349] 服用药物：避孕药、维生素D、二甲双胍、精神类药物、激素类药物；
[0350] 疾病史：多囊卵巢综合征、卵巢(储备)功能减退、高雄激素血症、早发性卵巢功能不全、甲状腺功能减退、甲状腺功能亢进、卵巢囊肿；
[0351] 月经情况：
[0352] 当前月经情况：
[0353] 末次月经时间(2024‑07‑11)；
[0354] 期：(5天)；
[0355] 周期：(28天)；
[0356] 经量：(自觉偏多，自觉偏少，中等)；
[0357] 月经是否规律(基本规律，1‑2次不规律，3次以上不规律)；
[0358] 绝经：(是、否)；
[0359] 最近3个月经情况；
[0360] 技术实现：
[0361] 先通过小程序问卷收集用户信息、检测指标值、生活习惯、症状、病史等信息；
[0362] 对用户信息进行标准化和归一化处理；
[0363] 处理好的数据输入到二分类预测模型进行学习预测；
[0364] 最后得到检测指标值非正常值的概率；
[0365] 通过概率排序获取不合理的指标值反馈给用户。
[0366] 实施细节：
[0367] 数据准备：
[0368] 首先对数据做归一化处理；
[0369] 年龄：采集到的年龄数据是会相对比较离散，在最终诊断的时候更多会把年龄分成以下几个类别，根据我们业务和系统的服务的女性分布上来看，基本上可以分为以下几个年龄段；
[0370] [0,18)、[18‑25)、[25,30)、[30,35)、[35,40)、[40,45)、[45,50)、[0371] [50,+∞)；
[0372] 身高体重：通过BM I来处理身高体重信息，根据世界卫生组织定义BM I分为以下几个等级：
[0373] 体重过轻：(0,185]、正常体重：[18.5,24.9]、超重：[25,29.9]、Ⅰ级肥胖：[30‑34.9]、Ⅱ级肥胖：[35‑39.9]、Ⅲ级肥胖：[40,+∞)；
[0374] 月经周期：医学上定义月经周期正常的是在21‑35天：[21，35]；
[0375] <21天：月经频发；
[0376] >35天：月经稀发；
[0377] [21，35]：正常月经；
[0378] 月经期：医学上定义月经期一般都在3到7天；
[0379] >7天：月经延长；
[0380] <3天：月经过短；
[0381] [3,7]天：月经期正常；
[0382] 其他：针对某些症状只有是否，则直接定义为0和1；
[0383] 特征工程：
[0384] 考虑到在医学上很多症状有非常强的关联性，所以我们重点在处理类别特征和特征交互上做了非常多的调优工作。
[0385] 处理类别特征：Li ghtGBM支持直接处理类别特征，但进行适当的编码和处理仍然可以提升模型性能，特别是在特征之间存在强关系时。
[0386] 特征交互：创造新的特征(如特征组合)可以帮助模型学习复杂的关系，这在某些应用场景中至关重要。
[0387] 通常的特征交叉方法有：
[0388] 特征值的交叉：即通过对特征值进行相加，相乘等方法组成新的特征。
[0389] 特征类别交叉：将两个或多个类别特征组合起来，形成新的组合特征。
[0390] 在医学场景里面可能通过简单的特征交叉不一定合适，他们内部有一定的医学逻辑。我们通过一定的医学逻辑实现了特征值交叉算法。
[0391] 月经相关：
[0392]
[0393] 参数说明：
[0394] Ti：表示第i次月经的周期长度(天数)，数据通过用户记录来获取；
[0395] N：表示观察的月经周期次数，N为3‑6个周期(即近3个月到半年的数据)[0396] μ：分别表示月经周期长度的平均值和标准差，可以通过观察的数据计算得出。
[0397] δ：表示判断月经不调的阈值(可以是天数或标准差倍数)，医学上一般为7天；
[0398] 二分类数据：
[0399] 预测模型通过标注二分类(1表示正常，0表示非正常)的数据的学习，具有预测检测值是否是正常值的能力；
[0400] 二分类的正常值的例子：
[0401] amh非正常值例子：
[0402] 检测指标：amh；
[0403] 年龄：24；
[0404] 体重：50kg；
[0405] 身高：159cm；
[0406] amh上次指标检测值：1.7；AMH本次指标值：1.5；
[0407] 是否吸烟：否；
[0408] 是否熬夜：否；
[0409] 是否喝酒：否；
[0410] 服用药物：否；
[0411] 疾病史：否；
[0412] 月经不调：否；
[0413] 末次月经时间：2024‑07‑11；经期：5天；
[0414] 周期：28天；
[0415] 月经是否规律：基本规律；绝经：否；
[0416] 是否正常值：0；
[0417] amh正常值例子：
[0418] 检测指标：amh；
[0419] 年龄：24；
[0420] 体重：50kg；
[0421] 身高：159cm；
[0422] amh上次指标检测值：1.1；AMH本次指标值：1.2；
[0423] 是否吸烟：否；
[0424] 是否熬夜：否；
[0425] 是否喝酒：否；
[0426] 服用药物：否；
[0427] 疾病史：卵巢(储备)功能减退；
[0428] 月经不调：否；
[0429] 末次月经时间：2024‑07‑11；
[0430] 经期：5天；
[0431] 周期：28天；
[0432] 月经是否规律：1‑2次不规律；
[0433] 绝经：否；
[0434] 是否正常值：1；
[0435] 性激素六项非正常值例子：
[0436] 检测指标：性激素6项；
[0437] 年龄：24；
[0438] 体重：50kg；
[0439] 身高：159cm；
[0440] 性激素六项上次指标检测值：P＝0.6、FSH＝7、LH＝10、E2＝10、PRL＝20、T＝0.5；
[0441] 性激素六项本次指标值：P＝0.6、FSH＝7、LH＝10、E2＝30、PRL＝20、T＝0.5；
[0442] 是否吸烟：否；
[0443] 是否熬夜：否；
[0444] 是否喝酒：否；
[0445] 服用药物：否；
[0446] 疾病史：隐匿性卵巢功能减退；
[0447] 月经不调：否；
[0448] 末次月经时间：2024‑07‑11；
[0449] 经期：5天；
[0450] 周期：28天；
[0451] 月经是否规律：基本规律；
[0452] 绝经：否；
[0453] 是否正常值：0；
[0454] 性激素六项正常值例子：
[0455] 检测指标：amh；
[0456] 年龄：24；
[0457] 体重：50kg；
[0458] 身高：159cm；
[0459] amh上次指标检测值：P＝0.6、FSH＝7、LH＝10、E2＝10、PRL＝20、T＝0.5；AMH本次指标值：P＝0.6、FSH＝7、LH＝10、E2＝12、PRL＝20、T＝0.5；
[0460] 是否吸烟：否；
[0461] 是否熬夜：否；
[0462] 是否喝酒：否；
[0463] 服用药物：否；
[0464] 疾病史：卵巢(储备)功能减退；
[0465] 月经不调：否；
[0466] 末次月经时间：2024‑07‑11；经期：5天；
[0467] 周期：28天；
[0468] 月经是否规律：1‑2次不规律；绝经：否；
[0469] 是否正常值：1；
[0470] 模型训练：
[0471]
[0472]
[0473] 进一步的，通过多分类决策树预测模型对基于历史检测结果和用户信息的可能疾病预测；具体为：
[0474] 通过多分类决策树预测模型对基于历史检测结果和用户信息的可能疾病预测，早期主要预测卵巢相关的疾病包含：
[0475] 隐匿性卵巢储备功能减退(隐DOR)；
[0476] 亚临床卵巢功能减退；
[0477] 卵巢储备功能减退(DOR)；
[0478] 亚临床早发性卵巢功能不全(亚POI)；
[0479] 卵巢储备功能衰退；
[0480] 卵巢储备功能衰竭；
[0481] 警惕PCOS多囊风险；
[0482] PCOS多囊中风险；
[0483] PCOS多囊高风险；
[0484] 高泌乳素血症；
[0485] 低促性腺激素；
[0486] 早发性卵巢功能不全(POI)风险；
[0487] 卵巢早衰(POF)风险；
[0488] 卵巢高储备；
[0489] 隐匿性卵巢功能减退；
[0490] 卵巢功能减退；
[0491] 主要收集的信息如下：
[0492] 历史指标值：
[0493] AMH：抗缪勒管激素；
[0494] 性激素六项：FSH：促卵泡刺激素、LH：促黄体生成素、E2：雌二醇、P：孕酮、PRL：泌乳素、T：睾酮；
[0495] VD：维生素D；
[0496] hpv：23分型；
[0497] 用户信息：
[0498] 基本信息：年龄，身高，体重；
[0499] 生活方式；
[0500] 是否吸烟；
[0501] 是否熬夜；
[0502] 是否喝酒；
[0503] 服用药物：避孕药、维生素D、二甲双胍、精神类药物、激素类药物；
[0504] 症状：
[0505] 出油多痘痘反复；
[0506] 局部多毛(唇部胡须、大腿内侧、下腹部、乳晕等部位出现黑色较短粗的毛发；
[0507] 黑棘皮症(颈部、腋窝、腹股沟皮肤增厚，出现灰褐色色素沉着)；
[0508] 经常性肠胃不适；
[0509] 掉发严重；
[0510] 焦虑、易暴躁、情绪不稳定；
[0511] 潮热、出汗；
[0512] 睡眠障碍；
[0513] 月经情况：
[0514] 当前月经情况：
[0515] 末次月经时间(2024‑07‑11)；
[0516] 经期：(5天)；
[0517] 周期：(28天)；
[0518] 经量：(自觉偏多，自觉偏少，中等)；
[0519] 月经变化：
[0520] 经期天数变化：(延长、缩短、无明显变化)；
[0521] 周期天数变化：(延长、缩短、无明显变化)；
[0522] 月经量变化：(增多，减少，无明显变化)；
[0523] 月经是否规律(基本规律，1‑2次不规律，3次以上不规律)；
[0524] 绝经：(是、否)；
[0525] 最近3个月经情况；
[0526] 技术实现：
[0527] 先通过小程序问卷收集用户信息、多次历史检测指标值、生活习惯、症状、病史等信息；
[0528] 对用户信息进行标准化和归一化处理；
[0529] 处理好的数据输入到多分类决策树预测模型进行预测；
[0530] 最后得到检可能患有的疾病的概率；
[0531] 通过概率排序获取可能患有的疾病反馈给用户；
[0532] 这个过程核心就是需要训练一个多分类决策树预测模型，通过该模型可以快速预测出可能患有的疾病。
[0533] 多分类数据：
[0534] 预测模型通过标注数据的学习，具有预测可能疾病的能力；
[0535] 例子1:
[0536] 检测指标：amh；
[0537] 年龄：24；
[0538] 体重：50kg；
[0539] 身高：159cm；
[0540] amh上次指标检测值：8；
[0541] AMH本次指标值：7；
[0542] 是否吸烟：否；
[0543] 是否熬夜：否；
[0544] 是否喝酒：否；
[0545] 服用药物：否；
[0546] 症状：局部多毛；
[0547] 月经不调：否；
[0548] 末次月经时间：2024‑07‑11；
[0549] 经期：5天；
[0550] 周期：28天；
[0551] 月经是否规律：1‑2次不规律；
[0552] 绝经：否；
[0553] 可能疾病：警惕PCOS多囊风险；
[0554] 例子2:
[0555] 检测指标：性激素6项；
[0556] 性激素六项上次指标检测值：P＝0.6、FSH＝7、LH＝10、E2＝10、PRL＝20、T＝0.5；
[0557] 性激素六项本次指标值：P＝0.6、FSH＝7、LH＝10、E2＝30、PRL＝20、T＝0.5；
[0558] 年龄：24；
[0559] 体重：50kg；
[0560] 身高：159cm；
[0561] 是否吸烟：否；
[0562] 是否熬夜：否；
[0563] 是否喝酒：否；
[0564] 服用药物：否；
[0565] 症状：掉发严重、焦虑、易暴躁、情绪不稳定；
[0566] 月经不调：否；
[0567] 末次月经时间：2024‑07‑11；
[0568] 经期：5天；
[0569] 周期：28天；
[0570] 月经是否规律：1‑2次不规律；
[0571] 绝经：否；
[0572] 可能疾病：卵巢(储备)功能减退；模型训练；
[0573]
[0574]
[0575] 总结：
[0576] 个性化解读：系统能够根据用户的年龄、AMH值、生育要求和月经规律情况，提供个性化的卵巢健康度报告和专家建议，使用户能够更好地了解自己的卵巢健康状况；
[0577] 早期筛查：通过检测AMH值，系统能够早期筛查出卵巢疾病风险，为用户提供及时的治疗建议，防止病情恶化；
[0578] 智能推导：报告生成引擎采用人工智能算法，能够根据用户输入的信息和检测结果，智能推导出用户报告的总览、解读、疾病类型和专家建议，大大提高了报告的准确性和效率；
[0579] 健康管理：系统还提供了个性化的健康管理方案，帮助用户改善生活习惯，降低卵巢疾病风险，提高生育能力。
[0580] 应用扩展性强：本系统不仅适用于卵巢健康度检测报告的解读，还可以扩展到其他与卵巢健康相关的检测项目解读中，包括卵巢生育储备能力检测、性激素六项评估；通过不断优化算法和增加功能模块，可以满足更多用户的个性化需求。
[0581] 二分类预测模型对用户信息和检测指标数据的学习，能够对各种指标非正常值的人工智能筛查，比如amh邻近两个月波动很大，结合收集的用户信息可以通过预测模型判断是否正常。
[0582] 通过用户的基本信息、检测指标、问卷收集到的用户信息，问题格式化以后作为上下文提供给通用大模型，生成个性化的健康管理指导意见，包含：饮食方案、营养素方案、健康体检、生活方式建议。
[0583] 通过多分类决策树预测模型对基于历史检测结果和用户信息的可能疾病预测。
