患者个人特性的分析方法及其装置

摘要

本发明涉及一种患者个人特性的分析方法及其装置。本发明提供一种计算反映没有落入通常范畴的患者特性的特性值，并且利用所计算的特性值来预测所述患者的疾病，或提供专用于所述患者的个体化医疗服务的方法。本发明的一实施例的患者个人特性分析方法包括以下步骤：接收患有第一疾病的受检者的检查数据；所述患者个人特性分析装置判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模型；以及在判定结果为所述检查数据不符合所述第一疾病统计模型的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数值来计算所述受检者的特性值。

说明书

技术领域

本发明涉及一种患者个人特性的分析方法及其装置。更详细地，涉及一种在特定 受检者由于体质上的特异性等而呈现与反映多数患者数据的统计模型不相同的检查结 果时，提供反映所述受检者的体质上特异性等的特性值的方法及装置。

背景技术

提供一种利用基于计算机的计算的疾病预测技术。所述疾病预测技术大体可分为 基因分析和环境因素分析。基因分析被预测为对人类的疾病预测和治疗带来最大的影 响。由于需要相当高的费用，并且存在隐私保护问题，因此通过基因分析的疾病预测 技术的普及仍然缓慢。

环境因素分析为如下方法：可用统计学观点分析个人的生活、习惯及检查数值并 导出有意义的结果，从而在不久的将来引入疾病的预测和个体化处方。利用最近广泛 应用的大数据分析技术，能够分析更广的数据，而且分析的数据越多，疾病预测的准 确度也会更高。

然而，在执行环境因素分析过程中，为了生成准确的统计模型而确保更多的群体 (population)固然重要，但是识别因具有器质性特异性等理由而没有落入通常范畴的 患者并对该患者提供个体化的医疗服务也同样重要。这是因为对于具有器质性特异性 的特异患者即使确保很多群体也难以形成统计上有意义的群集。

因此，需要提供一种对于没有落入通常范畴的患者通过反映该患者特性来预测疾 病或提供反映该患者特性的个体化的医疗服务等的方法。

发明内容

本发明所要解决的技术问题是计算反映没有落入通常范畴的患者特性的特性值。

本发明所要解决的另一技术问题是利用计算出的特性值来预测所述患者的疾病， 或提供专用于所述患者的个体化医疗服务。

本发明所要解决的又一技术问题是通过将没有落入通常范畴的患者的检查数据或 环境因素数据累积到群体数据库中，从而随后能够对没有落入通常范畴的其他患者进 行基于统计模型的疾病预测。

本发明的技术问题并不限定于上面所提及的技术问题，本领域技术人员应能从下 面的记载中明确理解没有提及的其他技术问题。

为了实现上述技术问题，本发明的一方面的患者个人特性分析方法包括以下步骤： 接收患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病 的发病者的检查数值获取的第一疾病统计模型；以及在判定结果判定为不符合的情况 下，所述患者个人特性分析装置计算所述受检者的特性值α。此时，所述受检者的特 性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值与发病者基准 值为相同的值的方式被计算，关于特定发病原因的所述调整检查数值是将关于所述特 定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后 的值，关于特定发病原因的所述个体化加权值是利用所述受检者的特性值α来确定的 值，关于各发病原因的所述个体化加权值中的至少一个值是与关于其他发病原因的个 体化加权值彼此不同的值。

根据一实施例，所述发病者基准值是将所述发病原因的发病贡献率反映到依据所 述第一疾病统计模型得到的各发病原因DFactor_i的检查数值中心值DF_MID_i后的值的 合计值，所述检查数值中心值DF_MID_i可以是DFactor_i的典型群组的中心点与n维空 间的原点之间的距离。

根据一实施例，所述发病者基准值可以是将所述发病原因的发病贡献率反映到依 据所述第一疾病统计模型得到的各发病原因DFactor_i的检查数值中心值DF_MID_i后的 值的合计值，所述检查数值中心值DF_MID_i可以是属于DFactor_i的典型群组的各点与 n维空间的原点之间的距离的平均值。

根据一实施例，特定疾病的发病原因中可包括次级发病原因。此时，判定步骤可 包括：利用由群体数据库提供装置提供的所述第一疾病的发病者的关于所述第一疾病 的各发病原因的检查数值数据来生成所述第一疾病统计模型，所述检查数值数据可包 括关于属于各发病原因的多个次级发病原因的检查数值。

生成所述第一疾病统计模型的步骤可包括：第一步骤，利用关于属于所述第一疾 病的第一发病原因的多个次级发病原因的检查数值，将表示各发病者的关于所述第一 发病原因的检查数值的点映射(mapping)在n维空间(n是次级发病原因的个数)上； 第二步骤，对各发病者的检查数值数据重复所述第一步骤；第三步骤，通过基于密度 的聚类获取关于所述第一发病原因的典型群组；第四步骤，将所述典型群组设定为关 于所述第一发病原因的第一疾病统计模型；以及第五步骤，对所述第一疾病的第二至 第M发病原因(M为所述第一疾病的发病原因个数)重复所述第一至第四步骤。

根据一实施例，获取典型群组的第三步骤可包括：第3A步骤，选择在所述第一 步骤中被映射在n维空间上的点中的一个点；第3B步骤，通过判定从所述第3A步骤 中选择的点起所指定的半径ε以内是否存在所指定的个数p的点，来判定以所选择的 点为中心点的所述典型群组是否成立；第3C步骤，对在所述第一步骤中被映射在n 维空间上的所有其他点重复所述第3A步骤和所述第3B步骤；以及第3D步骤，在经 过所述第3A步骤和所述第3B步骤后典型群组不成立的情况下，调整所述ε和p中的 至少一个之后，重复所述第3A步骤和所述第3B步骤。

此时，所述第3B步骤可包括判定为多个典型群组成立的步骤。即，对于一个发 病原因，可以只存在一个典型群组，但是还可以存在多个典型群组。

判定受检者的关于各发病原因的检查数值是否符合所述第一疾病统计模型的步骤 可包括：步骤A，利用所述受检者的检查数据中的关于属于所述第一发病原因的多个 次级发病原因的检查数值，将表示所述受检者的关于所述第一发病原因的检查数值的 受检者点映射在所述n维空间上；步骤B，通过判定所述受检者点是否属于关于所述 第一发病原因的典型群组，来判定所述受检者的关于所述第一发病原因的检查数值是 否符合所述第一疾病统计模型；以及步骤C，对所述第二至第M发病原因重复所述步 骤A至步骤B。

在一实施例中，判定受检者的针对各发病原因的检查数值是否符合所述第一疾病 统计模型的步骤进一步可包括：在表示所述受检者的关于所述第一发病原因的检查数 值的受检者点属于关于所述第一发病原因的典型群组的情况下，赋予基于所述第一发 病原因的发病贡献率确定的点数；对所述第二至第M发病原因重复进行赋予所述点数 的步骤；以及在被赋予的点数的合计值超过关于所述第一疾病的基准值的情况下，判 定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值获取的第一疾病 统计模型。

在另一实施例中，判定受检者的针对各发病原因的检查数值是否符合所述第一疾 病统计模型的步骤进一步可包括：计算表示所述受检者的关于第一发病原因的检查数 值的受检者点与针对所述第一发病原因的典型群组的中心点之间的距离，并且将基于 所述第一发病原因的发病贡献率确定的加权值反映到所计算的距离中来调整所述受检 者点与所述中心点之间的距离；对所述第二至第M发病原因重复进行调整所述距离的 步骤；以及在经调整的距离的合计值未达到关于所述第一疾病的基准值的情况下，判 定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值获取的第一疾病 统计模型。

在一实施例中，所述第一疾病统计模型是从由群体数据库提供装置提供的所述第 一疾病的发病者的关于所述第一疾病的各发病原因的检查数值获取的，所述患者个人 特性分析方法进一步可包括以下步骤：通过将所述受检者的检查数值插入到群体数据 库中，来更新所述群体数据库；接收患有所述第一疾病的其他受检者的检查数据；以 及利用已更新的群体数据库来生成已更新的所述第一疾病统计模型。

在一实施例中，所述患者个人特性分析方法进一步可包括以下步骤：在所述受检 者还患有与所述第一疾病不同的第二疾病的情况下，判定所述检查数据是否符合从所 述第二疾病的发病者的检查数值获取的第二疾病统计模型，在判定结果判定为不符合 的情况下，只利用所述受检者的检查数据中符合所述第二疾病统计模型的一部分检查 数值来更新所述受检者的已更新的特性值。

在一实施例中，所述患者个人特性分析方法进一步可包括以下步骤：利用所计算 的特性值来预测与所述第一疾病不同的第二疾病的发病可能性。此时，预测所述第二 疾病的发病可能性的步骤可包括：通过将所述特性值作为加权值来反映到一部分检查 数值，来基于所述特性值调整所述一部分检查数值；通过判定包括经调整的一部分检 查数值的所述受检者的检查数据是否符合从所述第二疾病的发病者的检查数值获取的 第二疾病统计模型，来预测所述第二疾病的发病可能性。

在一实施例中，所述患者个人特性分析方法进一步可包括以下步骤：所述患者个 人特性分析装置将所计算的特性值发送给个体化处方装置；以及所述个体化处方装置 利用所述特性值来调整处方项目。

根据本发明的另一实施例，患者个人特性分析方法包括以下步骤：接收患有第一 疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检 查数值获取的第一疾病统计模型；在判定结果判定为不符合的情况下，计算所述受检 者的特性值α。此时，所述受检者的特性值以将关于所述第一疾病的各发病原因的调 整检查数值相加后的数值与发病者基准值为相同的值的方式被计算，关于特定发病原 因的所述调整检查数值是将关于所述特定发病原因的个体化加权值反映到针对所述特 定发病原因的所述受检者的检查数值的值，关于特定发病原因的所述个体化加权值以 如下方式被设定：在关于所述特定发病原因的所述受检者的检查数值符合关于所述特 定发病原因的所述第一疾病统计模型的情况下，被设定为利用所述受检者的特性值α 指定的第一加权值，在关于所述特定发病原因的所述受检者的检查数值不符合针对所 述特定发病原因的所述第一疾病统计模型的情况下，被设定为利用所述受检者的特性 值α指定的第二加权值。所述第一加权值和所述第二加权值是彼此不同的值。

在一实施例中，所述第一加权值可以是正(+)值，与此相反，所述第二加权值可 以是负(-)值。

在一实施例中，所述第一加权值和所述第二加权值可以均是正(+)值，并且所述 第一加权值大于所述第二加权值的值。

本发明的又一实施例的患者个人特性分析方法包括以下步骤：接收患有第一疾病 的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数 值获取的第一疾病统计模型；在判定结果为所述检查数值不符合所述第一疾病统计模 型的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数值来 计算所述受检者的特性值。

根据一实施例，计算所述特性值的步骤可包括：以调整检查数值的合计成为发病 者基准值的方式计算所述特性值，其中，所述调整检查数值是将所述特性值作为加权 值来反映到所述检查数据中符合所述第一疾病统计模型的检查数值后的值。根据另一 实施例，计算特性值的步骤可包括：以调整检查数值的合计成为发病者基准值的方式 计算所述特性值，其中，所述调整检查数值是将第一加权值和第二加权值均反映到所 述检查数据中符合所述第一疾病统计模型的检查数值后的值，其中所述第一加权值是 所述检查数值的关于检查项目的发病贡献率，所述第二加权值是所述特性值。此时， 所述发病者基准值可以是将所述发病原因的发病贡献率反映到依据所述第一疾病统计 模型得到的各发病原因的检查数值中心值后的值的合计值。

根据本发明的又一实施例，可提供一种存储在存储介质中的计算机程序，所述计 算机程序与计算装置相结合执行以下步骤：接收患有第一疾病的受检者的检查数据； 判定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第一疾病统计 模型；在判定结果为所述检查数据与所述第一疾病统计模型不符合的情况下，只利用 所述检查数据中符合所述第一疾病统计模型的一部分检查数据来计算所述受检者的特 性值。

根据本发明的又一实施例，可提供一种患者个人特性分析装置，所述患者个人特 性分析装置包括一个以上的处理器、网络接口、内存和存储装置，所述存储装置中存 储有被加载到所述内存而通过所述处理器执行的计算机程序。此时，所述计算机程序 包括：通过所述网络接口接收患有第一疾病的受检者的检查数据的一系列指令 (instruction)；判定所述检查数据是否符合从所述第一疾病的发病者的检查数值获取 的第一疾病统计模型的一系列指令；以及在判定结果为所述检查数据不符合所述第一 疾病统计模型的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分 检查数据来计算所述受检者的特性值的一系列指令。

根据本发明的又一实施例，提供一种存储在存储介质中的计算机程序，所述计算 机程序与计算装置相结合执行以下步骤：接收患有第一疾病的受检者的检查数据；判 定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第一疾病统计模 型；在判定结果判定为不符合的情况下，执行计算所述受检者的特性值α的步骤，所 述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值相加后的数值 与发病者基准值为相同的值的方式被计算，关于特定发病原因的所述调整检查数值是 将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因的所述受检者 的检查数值后的值，关于特定发病原因的所述个体化加权值是利用所述受检者的特性 值α来确定的值。

本发明的又一实施例的患者个人特性分析装置包括一个以上的处理器、网络接口、 内存和存储装置，所述存储装置中存储有被加载到所述内存而通过所述处理器执行的 计算机程序的执行文件。此时，所述计算机程序包括：接收患有第一疾病的受检者的 检查数据的一系列指令；判定所述检查数据是否符合从所述第一疾病的发病者的检查 数值获取的第一疾病统计模型的一系列指令；以及在判定结果判定为不符合的情况下， 计算所述受检者的特性值α的一系列指令，所述受检者的特性值以将关于所述第一疾 病的各发病原因的调整检查数值相加后的数值与发病者基准值为相同的值的方式被计 算，关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的个体化加权 值反映到关于所述特定发病原因的所述受检者的检查数值后的值，关于特定发病原因 的所述个体化加权值是利用所述受检者的特性值α来确定的值。

根据如上所述的本发明，能够对将检查数据适用于统计模型来算出的疾病预测结 果与实际状况彼此不同的受检者提供对所述受检者的生物特异性等进行数值化后的特 性值。

此外，具有可利用所述特性值来提供所述受检者的个体化医疗服务的效果。

此外，具有可利用所述特性值来提供针对受检者的疾病预测服务的效果。

此外，通过将所述受检者的检查数据附加到群体数据库，从而可将脱离通常范畴 的患者数据反映到统计模型中，其结果，具有能够以较高的准确度对脱离通常范围的 患者提供基于统计模型的疾病预测服务的效果。

附图说明

图1是本发明的一实施例的患者个人特性分析系统的结构图。

图2是本发明的另一实施例的患者个人特性分析系统的结构图。

图3是本发明的又一实施例的患者个人特性分析方法的顺序图。

图4是关于图3所示的发明的一部分操作的详细顺序图。

图5至图6是用于说明从群体数据库的特定疾病发病者的数据生成关于所述特定 疾病的统计模型的过程的图。

图7是关于图3所示的发明的其他一部分操作的详细顺序图。

图8是用于说明评价患有特定疾病的受检者的检查数据是否符合关于所述特定疾 病的统计模型的方法的图。

图9是包括可在图3所示的操作之后执行的操作的顺序图。

图10至图11是用于说明在将不符合统计模型的疾病发病者的检查数据更新到群 体DB中时，如何更换所述统计模型的图，其中所述统计模型是利用群体DB中存储 的疾病发病者的数据而生成的。

图12是本发明的又一实施例的患者个人特性分析装置的方框结构图。

图13是本发明的又一实施例的患者个人特性分析装置的硬件结构图。

具体实施方式

下面，参照附图，对本发明的优选实施例进行详细说明。参照附图的同时参照详 细地后述的实施例，将会明确本发明的优点及特性，以及实现这些的方法。但是，本 发明并不限定于以下所公开的实施例，而是可以以彼此不同的多种方式实现，本实施 例仅仅用于完整地公开本发明，并且为了向本发明所属技术领域的技术人员完整地告 知本发明的范围而提供的，本发明仅由权利要求的范围定义。在说明书全文中相同的 附图标记指相同的结构要素。

如果没有其他定义，则在本说明书中所使用的所有用语(包括技术用语及科技用 语)能够以本发明所属技术领域的技术人员共同理解的含义使用。另外，在通常使用 的词典中定义的用语只要没有被明确地特别定义，就不理想地或过度地解释。本说明 书中所使用的用语用于说明实施例，并不限制本发明。在本说明书中，单数形式只要 在句子中未特别提及就可以包括复数形式。

下面，参照图1，对本发明的一实施例的患者个人特性分析系统的结构及操作进 行说明。如图1所示，本实施例的患者个人特性分析系统可包括患者个人特性分析装 置10、群体数据库提供装置20和医院健康检查管理装置30。

医院健康检查管理装置30对进行健康检查的受检者的检查数据进行管理。所述检 查数据可被加工成已指定的形式并提供给群体数据库提供装置20。医院健康检查管理 装置30可将各受检者所患有的疾病的目录附加到所述检查数据中并提供给群体数据 库提供装置20。在一实施例中，医院健康检查管理装置30不将未患有特殊疾病的受 检者的检查数据提供给群体数据库提供装置20。

在一实施例中，所述检查数据中不仅包括关于通过血液检查、组织检查等进行的 检查项目的检查数值，而且还包括关于通过问卷调查(survey)所进行的生活习惯相 关检查项目的检查数值。医院健康检查管理装置30通过网络连接有生物体信息收集装 置、可穿戴设备和智能手机等用户装置(未图示)，所述检查数据中进一步可包括从所 述用户装置收集到的关于生活习惯相关检查项目的检查数值。例如，所述检查数据中 进一步可包括通过智能手表等可穿戴设备收集到的受检者的运动量信息。

群体数据库提供装置20对包括每个人的按检查项目的检查数值的群体数据库 (populationdatabase)进行存储、更新和删除。所述群体数据库中进一步包括关于每 个人所患有的疾病的信息。例如，在检查时每个人所患有的疾病的疾病代码可与每个 人的记录相匹配(matching)。当从患者个人特性分析装置10接收到对第一疾病(例 如，糖尿病)发病者的检查数值数据的提供请求时，群体数据库提供装置20将所述群 体数据库中所包括的各个第一疾病发病者的检查数值数据提供给患者个人特性分析装 置10。

另外，医院健康检查管理装置30通过将在问卷调查中勾选为患有第一疾病的受检 者的检查数据发送给患者个人特性分析装置10，请求对所述受检者进行特性分析。患 者个人特性分析装置10接收所述检查数据，并且确认所述受检者的检查数值与所述群 体数据库中存储的第一疾病发病者的检查数值在统计上是否相似。

在一实施例中，为了确认所述受检者的检查数据与所述第一疾病发病者的检查数 值在统计上是否相似，患者个人特性分析装置10可利用从群体数据库提供装置20接 收的第一疾病发病者的检查数值来生成所述第一疾病的统计模型。随后将进一步详细 说明患者个人特性分析装置10确认所述检查数据与所述群体数据库中存储的数据在 统计上是否相似的方法和生成所述特性值的方法。

在所述受检者的检查数值与所述群体数据库中存储的第一疾病发病者的检查数值 在统计上不相似的情况下，可理解为所述受检者与多数第一疾病发病者不同地具有器 质性特异性。此时，患者个人特性分析装置10生成所述受检者的特性值。所述受检者 的特性值可理解为内含所述受检者的器质性特异性的数值。例如，所述受检者的特性 值可以是表示对各检查项目(或者，发病原因或环境因素)的免疫水平的值的集合。

为了对所述受检者提供个体化的医疗服务，可在很多方面应用所述受检者的特性 值。例如，患者个人特性分析装置10可将所生成的特性值发送给医院健康检查管理装 置30，医院健康检查管理装置30可向医院内个体化处方装置(未图示)传递所述特 性值。所述个体化处方装置可利用所述特性值调整对所述受检者已制定的处方项目， 或向医生终端传递所述特性值，从而引导所述受检者的主治医生基于所述特性值调整 已制定的处方项目。

患者个人特性分析装置10也可以利用所述特性值来提前预测所述受检者没有勾 选的疾病的发病。假设以对所述受检者提出第一疾病至第十疾病的同时，对受检者所 患有的疾病进行勾选的方式进行问卷调查。假设在所述问卷调查中所述受检者勾选为 患有第一疾病，而在问卷调查中回复为未患第二疾病至第十疾病。并且，假设所述受 检者实际上患有第二疾病。患者个人特性分析装置10可判断所述受检者的检查数据是 否符合利用所述群体数据库的所述第二疾病发病者的数据来生成的第二疾病统计模 型。此时，患者个人特性分析装置10可在将所述特性值作为加权值反映到所述受检者 的检查数据中的一部分检查数值之后，判断该检查数值是否符合所述第二疾病统计模 型。

如果考虑受检者的器质性特异性，不考虑所述特性值而将检查数据按原来检查数 值与所述第二疾病统计模型进行比较，则判断所述检查数据与第二疾病统计模型不符 合，其结果被预测为所述受检者患第二疾病的可能性较低的可能性较高。相反，在本 实施例中，由于将所述特性值作为加权值反映到与常人相比受检者具有特弱的免疫力 的脆弱发病原因中，因此能够防止以所述受检者对所述脆弱发病原因具有平均水平的 免疫力为前提而进行的错误判断。随后将详细说明利用所述特性值来预测受检者的疾 病发病可能性的方法。

患者个人特性分析装置10在勾选为患有第一疾病的所述受检者的检查数值与所 述群体数据库中存储的第一疾病发病者的检查数值在统计上不相似的情况下，将所述 受检者的检查数值发送给群体数据库提供装置20，使得所述受检者的检查数据能够作 为新形式的第一疾病发病模式累积到所述群体数据库中。如果具有与所述受检者相似 的模式的检查数值的受检者的检查记录充分累积到所述群体数据库中，则所述受检者 的检查数值也可以反映到统计模型中。因此，以后对于具有与所述受检者相似的器质 性特异性的其他受检者就能统计预测具有所述第一疾病的发病可能性。

如已说明的那样，群体数据库提供装置20响应于患者个人特性分析装置10的请 求，将特定疾病的发病者的检查数值发送给患者个人特性分析装置10。患者个人特性 分析装置10利用从群体数据库提供装置20接收到的第一疾病发病者的检查数值来生 成所述第一疾病的统计模型。但是，在第一疾病发病者的人数较多的情况下，可能会 产生在群体数据库提供装置20与患者个人特性分析装置10之间因过多的网络信息流 通量负载引起的性能方面的问题。

为了解决这种问题，与如图1所示不同地，群体数据库提供装置20和患者个人特 性分析装置10也可以被实现在物理上相同的一个计算装置内部。

此外，为了解决上述问题，如图2所示，群体数据库提供装置20也可以提供由疾 病发病者的检查数值生成的疾病统计模型。即，在该情况下，群体数据库提供装置20 直接利用各疾病发病者的检查数值来生成统计模型，并将生成的统计模型提供给患者 个人特性分析装置10。随后将详细说明利用各疾病发病者的检查数值来生成统计模型 的方法。

下面，参照图3至图11，对本发明的几个实施例的患者个人特性分析方法进行说 明。所述患者个人特性分析方法可通过计算装置来执行。所述计算装置例如可以是图 1和图2所示的患者个人特性分析装置10。应注意，下面为了方便理解，对于所述患 者个人特性分析方法中所包括的各操作的执行主体，可省略其记载。

图3是用于概要说明本实施例的患者个人特性分析方法的顺序图。如图3所示， 如果接收到勾选为患有特定疾病(图3中为第一疾病)的受检者的检查数据(S100)， 则获取所述特定疾病的统计模型(S200)，判定接收到的检查数据是否符合所述统计模 型(S300)，在判定为不符合的情况下计算所述受检者的特性值(以下，在说明书的一 部分记载或附图中，可用符号“α”表示特性值)(S400)。

另外，如果判定为接收到的检查数据符合所述统计模型，则表示所述受检者具有 通常范畴中所包括的标准的器质性特性。因此，对所述受检者执行通常的诊疗和处方 即可(S302)。

根据本发明的实施例，生成特性值的对象是具有不包括在通常范畴的水平的器质 性特异性的患者。本发明的实施例将在问卷调查中勾选为患有特定疾病但检查数据与 所述特定疾病的统计模型不符合的患者视为所述具有不包括在通常范畴的水平的器质 性特异性的患者。

下面，按各细节操作进一步详细说明参照图3来进行说明的患者个人特性分析方 法。

首先，参照图4，进一步详细说明生成特定疾病(第一疾病)的统计模型的方法 (S200)。

首先，可向群体数据库请求所有第一疾病发病者的检查数值(S210)。在一实施例 中，可向群体数据库只请求第一疾病发病者的检查数值中与所述第一疾病的发病原因 有关的检查数值。下面，以{Dfactor₁、Dfactor₂、…Dfactor_n}的形式表示第一疾病的发 病原因。下面的表1是第一疾病发病原因的示例。

[表1]

环境因素 发病贡献率 饮食习惯(K₁) 50％

运动量(L₁) 30％ 肥胖指数(K₂) 10％ 压力(K₃) 6％ 营养均衡(L₂) 3％ 其他(L₃) 1％

另外，在本发明的几个实施例中，各发病原因由次级发病原因(sub-factor)构成。 即，可以是Dfactor₁＝{Dfactor₁₁、Dfactor₁₂、Dfactor₁₃、…、Dfactor_1n}。例如，以Dfactor₁＝ 饮食习惯(K₁)为例，可以是饮食习惯＝{饮食量(Dfactor₁₁)、杂粮与否(Dfactor₁₂)}。

下面，按各发病原因将表示群体数据库中各发病者的检查数值的点映射在n维空 间(n是Dfactor_i的次级发病原因个数)上(S220)。以Dfactor₁为例，在第一轴为Dfactor₁₁的值，第二轴为Dfactor₁₂的值的二维平面上标记指群体数据库中各发病者的检查数值 的点(参照图5)。

接下来，通过基于密度的聚类(Density-basedspatialclustering)，获取关于Dfactor₁的典型群组(S230、S240)。此时，对映射在n维空间上的所有点，在以该点为中心 的半径ε以内存在已指定的个数p的点的情况下，判断为所述典型群组成立。

在一实施例中，若没有一个点在半径ε以内存在已指定的个数p的点的情况下， 在调整所述半径ε和个数p中的至少一个之后，对映射在n维空间上的所有点，在以 该点为中心进行调整后的半径ε以内存在经调整的个数p的点的情况下判定为所述典 型群组成立。此时，可以以增加所述半径ε或减少所述个数p的方式调整所述半径ε 和个数p中的至少一个。

在一实施例中，可允许多个典型群组成立。图6中示出了二维平面上成立两个典 型群组41、42的状况。

在另一实施例中，如果存在多个满足典型群组成立条件的点，则在所述多个中心 点中选择在所述半径ε内存在最多的点的一个中心点，并且可以以该中心点为基准只 选择一个典型群组。

在又一实施例中，如果存在多个满足典型群组成立条件的点，则缩小所述半径ε 并选择一个存在最多的点的中心点，并且可以以该中心点为基准只选择一个典型群组。 在又一实施例中，如果存在多个满足典型群组成立条件的点，则扩大所述半径ε并选 择一个存在最多的点的中心点，并且可以以该中心点为基准只选择一个典型群组。图 5中示出了二维平面上只成立一个典型群组40的状况。

关于Dfactor₁的所述典型群组作为关于Dfactor₁的统计模型来使用。

对各Dfactor_i(2<＝i<＝n)附加执行用于获取关于Dfactor_i的统计模型的上述一 系列操作S220、S230、S240(S250)。各发病原因的统计模型构成所述第一疾病的统 计模型。

接下来，参照图7，进一步详细说明判定受检者的检查数据是否符合统计模型的 方法(S300)。

首先，对所有Dfactor_i重复进行用于评价受检者的各Dfactor_i的检查数值是否符合 Dfactor_i的统计模型的步骤(S310)。此时，评价Dfactor₁的检查数值是否符合Dfactor₁的统计模型的步骤包括：步骤A，利用所述受检者的检查数据中的关于属于所述第一 发病原因Dfactor₁的多个次级发病原因的检查数值，将受检者点映射在所述n维空间 上，所述受检者点表示所述受检者的关于所述第一发病原因的检查数值；和步骤B， 通过判定所述受检者点是否属于关于所述第一发病原因的典型群组，判定所述受检者 的关于所述第一发病原因的检查数值是否符合所述第一疾病统计模型。

参照图8，对所述步骤A和步骤B进行说明。受检者的检查数据中可不另外存在 Dfactor₁(饮食习惯)的检查数值，而只存在Dfactor₁₁(饮食量)、Dfactor₁₂(杂粮与否) 和Dfactor₁₃(素食摄入比率)的检查数值。此时，受检者的关于Dfactor₁的检查数值 (Cfactor₁)在以Dfactor₁₁(饮食量)的值为第一轴，Dfactor₁₂(杂粮与否)的值为第 二轴，Dfactor₁₃(素食摄入比率)的值为第三轴的三维空间上以一个点来表示。

在一实施例中，在对应于Cfactor₁的点与Dfactor₁的典型群组的中心点之间的距离 (EuclideanDistance，欧氏距离)小于或等于Dfactor₁的典型群组的半径ε的情况下， 评价为受检者的关于所述第一发病原因的检查数值符合所述第一疾病统计模型。此时， 在对应于Cfactor₁的点与Dfactor₁的典型群组的中心点之间的距离(EuclideanDistance) 超过Dfactor₁的典型群组的半径ε的情况下，评价为受检者的关于所述第一发病原因 的检查数值不符合所述第一疾病统计模型。

在另一实施例中，在对应于Cfactor₁的点与Dfactor₁的典型群组的中心点之间的距 离处于所述Dfactor₁的典型群组的中心点与所述Dfactor₁的典型群组中另一点之间的 距离的最小值与最大值之间的情况下，评价为受检者的关于所述第一发病原因的检查 数值符合所述第一疾病统计模型，反之，评价为受检者的关于所述第一发病原因的检 查数值不符合所述第一疾病统计模型。

接下来，合计对所述检查数据的按各Dfactor_i的评价结果(S320)。假设对于患有 第一疾病的受检者的检查数据，按第一疾病的各Dfactor_i的评价结果如下面的表2所 示。下面，对判定患有第一疾病的受检者的所述检查数据是否整体上符合第一疾病的 统计模型的几个实施例进行说明。

[表2]

Dfactor_i发病贡献率(DCR_i) 是否符合统计模型 饮食习惯(K₁) 50％ O 运动量(L₁) 30％ X 肥胖指数(K₂) 10％ O 压力(K₃) 6％ O 营养均衡(L₂) 3％ X 其他(L₃) 1％ X

在判定检查数据是否符合第一疾病的统计模型的第一实施例中，可限于判定为所 述检查数据符合所有Dfactor_i的统计模型的情况，最终判定为所述检查数据符合所述 第一疾病的统计模型。即，在判定为至少一个Dfactor_i的统计模型不符合的情况下， 视为该检查数据整体上不符合第一疾病的统计模型。

在判定检查数据是否符合第一疾病的统计模型的第二实施例中，可如下面的表3 那样合计对所述检查数据的按Dfactor_i的评价结果。在下面的表3中，在判断为关于 Dfactor_i的受检者的检查数值符合Dfactor_i的统计模型的情况下，对Dfactor_i赋予基于 Dfactor_i的发病贡献率确定的点数，并且合计被赋予的点数。

[表3]

在所述点数的合计值超过关于第一疾病的基准值的情况下(S330)，可最终判定为 所述受检者的检查数据符合从所述第一疾病的发病者的检查数值获取的第一疾病统计 模型(S340)，反之，最终判定为所述受检者的检查数据不符合所述第一疾病统计模型 (S350)。在表3中表示出的例子中，如果关于所述第一疾病的基准值为80，则最终 判定为所述受检者是具有不符合所述第一疾病统计模型的器质性特异性的患者。

在一实施例中，对于各疾病所述基准值可被指定为不同的值。在另一实施例中， 对于所有疾病所述基准值也可以被指定为相同的值。

在本实施例中，为了判定受检者的检查数据是否符合统计模型，可整理成执行下 面的操作。

第一操作：在表示所述受检者的关于所述第一发病原因的检查数值的受检者点属 于关于所述第一发病原因的典型群组的情况下，赋予基于所述第一发病原因的发病贡 献率确定的点数。

第二操作：对所述第二至第M发病原因重复进行赋予所述点数的步骤。

第三操作：在所赋予的点数的合计值超过关于所述第一疾病的基准值的情况下， 判定为所述受检者的检查数据符合从所述第一疾病的发病者的检查数值中获取的第一 疾病统计模型。

在判定检查数据是否符合第一疾病的统计模型的第三实施例中，可如下面的表4 那样合计对所述检查数据的按Dfactor_i的评价结果。表4中按Dfactor_i进一步表示出典 型群组的中心点与Cfactor_i之间的n维空间(n是Dfactor_i的次级发病原因个数)上的 距离(EuclideanDistance)，其中，所述Cfactor_i是受检者的检查数据中关于与Dfactor_i对应的检查数值的数据。所述距离是在对各Dfactor_i判定是否符合统计模型时计算出 的数值。

[表4]

表4中表示的方式并不是因判断为属于典型群组而均赋予相同的点数，即使属于 典型群组也进一步评价离典型群组的中心点有多近，这一点与表3中表示出的方式不 同。此外，对表4中表示的方式来说，最终判定为点数合计越低越符合统计模型，这 一点也与表3中表示的方式不同。

在本实施例中，为了判定受检者的检查数据是否符合统计模型，可整理为执行下 面的操作。

第一操作：计算表示受检者的关于第一发病原因Dfactor₁的检查数值的受检者点 与关于所述第一发病原因Dfactor₁的典型群组的中心点之间的距离。

第二操作：在所计算的距离中反映基于第一发病原因Dfactor₁的发病贡献率确定 的加权值来调整所述受检者点与所述中心点之间的距离。

第三操作：对所述第二至第M发病原因(Dfactor₂至Dfactor_M)重复进行调整所 述距离的操作。

第四操作：在经调整的距离的合计值未达到所述第一疾病的基准值时，判定为所 述受检者的检查数值符合从所述第一疾病的发病者的检查数值获取的第一疾病统计模 型。

在一实施例中，对于各疾病所述基准值可被指定为不同的值。在另一实施例中， 对于所有疾病所述基准值可被指定为相同的值。

目前为止对判断患有第一疾病的受检者的检查数据是否符合第一疾病的统计模型 的实施例进行了说明。下面，详细说明用于计算虽然判定为所述检查数据不符合第一 疾病的统计模型但实际上患有第一疾病的受检者的特性值的操作。

下面，对计算特性值的第一实施例进行说明。

根据本实施例，可仅利用所述检查数据中符合所述第一疾病的统计模型的一部分 检查数值来计算所述受检者的特性值。

[表5]

Dfactor_i发病贡献率(DCR_i) 是否符合统计模型 饮食习惯(i＝1) 50％ X 运动量(i＝2) 30％ X 肥胖指数(i＝3) 10％ O 压力(i＝4) 6％ O 营养均衡(i＝5) 3％ X 其他(i＝6) 1％ X

假设如图5所示被分析成患有第一疾病的某受检者的检查数据符合所述第一疾病 的统计模型的状况。表5的分析结果表示：该受检者在具有较高的发病贡献率的饮食 习惯项目中，具有与第一疾病的发病者所具有的饮食习惯不同的另一饮食习惯，在具 有第二高的发病贡献率的运动量项目中也具有与第一疾病的发病者所具有的运动量不 同的运动量。即，该受检者具有良好的饮食习惯，并且具有适当的运动量。尽管如此， 仍患有第一疾病，这表明对于该受检者，肥胖指数项、压力项对第一疾病的影响大于 普通人。

为了反映这种器质性特异性，可通过下面的数学式计算该受检者的特性值α。对 于表5，以本实施例的方式提供用于求出受检者的特性值α的数学式1。在下面的数学 式中“T”表示发病者基准值。

[数学式1]

(CFactor₃*α)+(CFactor₄*α)＝T

CFactor₃指关于肥胖指数的检查数值，CFactor₄指关于压力的检查数值。如数学式 1所记载的，在本实施例中，在计算所述特性值时不利用检查数值中不符合第一疾病 的统计模型的检查数值。

下面，CFactor_i意味着表示关于Dfactor_i的检查数值的受检者点与n维空间的原点 之间的距离。即，CFactor_i使n维空间上存在的受检者点的位置数值化为标量(scalar)。

使所述数学式1一般化，则所述数学式1是对检查数据的检查数值中符合统计模 型的各个检查数值计算(CFactor_i×α)，并且使将所有(CFactor_i×α)相加后的数值 为所述发病者基准值。

在一实施例中，所述发病者基准值T为已指定的数值。例如，所述发病者基准值 可以是“1”。

在另一实施例中，所述发病者基准值T可以是对所有发病原因合计各发病原因 DFactor_i的检查数值中心值DF_MID_i来计算出的值。数学式2是本实施例中计算发病 者基准值T的数学式。

[数学式2]

${\Sigma }_{i=1}^M\mathrm{DF}\_{\mathrm{MID}}_i=T$(其中，M为发病原因的个数)

关于DFactor_i的所述检查数值中心值DF_MID_i可表示DFactor_i的典型群组的中心 点与n维空间的原点之间的距离，或可以是属于DFactor_i的典型群组的各点与n维空 间的原点之间的距离的平均值。

下面，对计算特性值的第二实施例进行说明。

在所述数学式1中没有反映出各DFactor_i的发病贡献率DCR_i。相反，根据本实施 例，可计算所述特性值，使得调整检查数值的总计为所述发病者基准值T，所述调整 检查数值是将第一加权值和第二加权值均反映到所述检查数据中的符合所述第一疾病 统计模型的检查数据后的值，其中第一加权值是关于所述检查数值的检查项目的发病 贡献率，所述第二加权值是所述特性值。对表5提供用于以本实施例的方式求出受检 者的特性值α的数学式3。

[数学式3]

(CFactor₃*α*0.1)+(CFactor₄*α*0.07)＝T

在一实施例中，所述发病者基准值T为已指定的数值。例如，所述发病者基准值 T可以是“1”。

在另一实施例中，所述发病者基准值T可以是将发病贡献率作为加权值来反映到 各发病原因DFactor_i的检查数值中心值DF_MID_i之后求和计算出的值。数学式4是在 本实施例中用于计算发病者基准值T的数学式。

[数学式4]

${\Sigma }_{i=1}^M(\mathrm{DF}\_{\mathrm{MID}}_i*{\mathrm{DCR}}_i)=T$(其中，M为发病原因的个数)

关于DFactor_i的所述检查数值中心值DF_MID_i可表示DFactor_i的典型群组的中心 点与n维空间的原点之间的距离，或可以是属于DFactor_i的典型群组的各点与n维空 间的原点之间的距离的平均值。

下面，对计算特性值的第三实施例进行说明。

根据本实施例，当计算特性值时，对符合统计模型的发病原因DFactor_i和不符合 统计模型的发病原因DFactor_j取不同的加权值进行计算。即，与计算特性值的第一实 施例和第二实施例不同，检查数据不符合统计模型的发病原因的检查数值CFactor_j也 用于特性值计算。

根据计算特性值的第一实施例和第二实施例，对于检查数据符合统计模型的发病 原因的检查数值CFactor_i，加权值为所述特性值α，对于检查数据不符合统计模型的 发病原因的检查数值CFactor_j，加权值为0。相反，根据计算特性值的第三实施例，对 检查数据符合统计模型的发病原因的检查数值CFactor_i适用第一加权值，对检查数据 不符合统计模型的发病原因的检查数值CFactor_j适用与所述第一加权值不同的第二加 权值。

所述第一加权值和第二加权值均可利用所述特性值α来指定。例如，所述第一加 权值可以是Aα，所述第二加权值可以是Bα(A≠B)。

在一实施例中所述第一加权值可以是正(+)值，与此相反，所述第二加权值可以 是负(-)值。

在一实施例中，所述第一加权值和所述第二加权值均可以是正(+)值，并且所述 第一加权值大于所述第二加权值的值。

根据本实施例则如下。下面的数学式5也是针对表5。

[数学式5]

(CFactor₁*α*0.5)+(CFactor₂*α*0.3)+(CFactor₃*2α*0.1)+ (CFactor₄*2α*0.07)+(CFactor₅+α*0.03)+(CFactor₆*α*0.01)＝T

在一实施例中，所述发病者基准值T为已指定的数值。例如，所述发病者基准值 T可以是“1”。

在另一实施例中，所述发病者基准值T可以是按各发病原因DFactor_i将发病贡献 率作为加权值来反映到检查数值中心值DF_MID_i之后求和计算出的值。数学式4是在 本实施例中用于计算发病者基准值T的数学式。

关于DFactor_i的所述检查数值中心值DF_MIDi可表示DFactor_i的典型群组的中心 点与n维空间的原点之间的距离，或可以是属于DFactor_i的典型群组的各点与n维空 间的原点之间的距离的平均值。

关于发病者基准值，对本实施例进行整理说明如下。

第一规则：计算所述受检者的特性值，使得将关于所述第一疾病的各发病原因的 调整检查数值相加后的数值和发病者基准值T为相同的值。

第二规则：关于特定发病原因的所述调整检查数值是将关于所述特定发病原因的 个体化加权值反映到关于所述特定发病原因的所述受检者的检查数值后的值。

第三规则：关于特定发病原因的所述个体化加权值以如下方式被设定：在关于所 述特定发病原因的所述受检者的检查数值符合关于所述特定发病原因的所述第一疾病 统计模型的情况下，被设定为利用所述受检者的特性值α指定的第一加权值，在关于 所述特定发病原因的所述受检者的检查数值不符合关于所述特定发病原因的所述第一 疾病统计模型的情况下，被设定为利用所述受检者的特性值α指定的第二加权值。

第四规则：所述第一加权值和所述第二加权值是彼此不同的值。

下面，对计算特性值的第四实施例进行说明。

根据本实施例，当计算特性值时，按符合统计模型的发病原因DFactor_i以不同的 加权值进行计算。以本实施例的方式提供用于求出受检者的特性值α的数学式6。

[数学式6]

$\underset{i=1}{\overset{M}{\Sigma }}({\mathrm{CFactor}}_i*A_i\alpha *{\mathrm{DCR}}_i)=T$(其中，M为发病原因的个数)

如数学式6所表示的，利用所述受检者的特性值α来确定关于各发病原因DFactor_i的加权值A_iα。例如，A_i可以是以相隔距离为基础确定的值，所述相隔距离是表示关 于DFactor_i的检查数值的受检者点与DFactor_i的典型群组的中心点之间的距离 (EuclideanDistance)。例如，A_i可以是与所述相隔距离成正比的值，或可以是成反比 的值。应当注意，本发明的实施例并不限定于关于A_i设定的所述示例，而是可根据上 面没有提及的多种基准设定A_i。

在一实施例中，所述发病者基准值T是已指定的数值。例如，所述发病者基准值 T可以是“1”。

在另一实施例中，所述发病者基准值T可以是按各发病原因DFactor_i将发病贡献 率作为加权值来反映到检查数值中心值DF_MID_i之后求和计算出的值。数学式4是在 本实施例中用于计算发病者基准值T的数学式。

关于DFactor_i的所述检查数值中心值DF_MID_i可表示DFactor_i的典型群组的中心 点与n维空间的原点之间的距离，或可以是属于DFactor_i的典型群组的各点与n维空 间的原点之间的距离的平均值。

下面，对计算特性值的第五实施例进行说明。

根据本实施例，当计算特性值时，按符合统计模型的发病原因DFactor_i以不同的 加权值进行计算。即，在本实施例中可按各发病原因计算出彼此不同的特性值。此时， 关于所述受检者的所述特性值表示关于各发病原因的一系列特性值。以本实施例的方 式提供用于求出受检者的特性值(α_i，1<＝i<＝M)的数学式7。

[数学式7]

$\underset{i=1}{\overset{M}{\Sigma }}({\mathrm{CFactor}}_i*{\alpha }_i*{\mathrm{DCR}}_i)=T$

根据本实施例，可分别生成关于第一疾病的数学式7、关于第二疾病的数学式 7、…、关于第n疾病的数学式7，并且以利用已生成的数学式来求解联立方程式的方 式求出关于各发病原因DFactor_i的α_i。

下面，参照图9来说明可将以上面说明的方式生成的受检者的特性值作为何种用 途来应用。

首先，可利用所述特性值来提前预测问卷调查中未勾选的其他疾病是否发病 (S500)。

假设以对受检者提出第一疾病至第十疾病的同时，对受检者所患有的疾病进行勾 选的方式进行问卷调查。假设在所述问卷调查中所述受检者勾选为患有第一疾病，而 在问卷调查中回复为未患第二疾病至第十疾病。并且，假设所述受检者实际上患有第 二疾病。患者个人特性分析装置10可判断所述受检者的检查数据是否符合利用所述群 体数据库中的所述第二疾病发病者的数据来生成的第二疾病统计模型。

假设将所述受检者的检查数据和关于第一疾病的统计模型进行比较的结果，判定 为所述检查数据不符合所述统计模型，并且根据计算特性值的第一实施例计算出所述 受检者的特性值。假设该结果如表5所示，并且在第二疾病统计模型的发病因子中也 包括肥胖指数和压力。此时，当判断受检者的检查数据是否与第二疾病统计模型一致 时(S300)，所计算的特性值作为加权值被反映到肥胖指数的检查数值和压力检查数值。

接下来，可利用受检者的所述特性值，对所述受检者提供个体化处方(S600)。如 已说明的，所生成的特性值可被传递到个体化处方装置。所述个体化处方装置可利用 所述特性值来调整对所述受检者已制定的处方项目，或向医生终端传递所述特性值， 引导所述受检者的主治医生基于所述特性值调整已制定的处方项目。

在勾选为患有第一疾病的所述受检者的检查数值和所述群体数据库中存储的第一 疾病发病者的检查数值在统计上不相似的情况下，可将所述受检者的检查数值发送给 群体数据库提供装置，使得所述受检者的检查数据作为新形式的第一疾病发病模式被 累积到所述群体数据库中(S700)。

如果具有与所述受检者相似的模式的检查数值的受检者的检查记录充分累积到所 述群体数据库中，则所述受检者的检查数值也可以被反映到统计模型中。图10中示出 了当累积到多个具有与所述受检者相似的模式的检查数值的受检者的检查记录时，因 累积到多个检查记录而生成新的典型群组43。由于以后具有与所述受检者相似的器质 性特异性的其他受检者的检查数值将被分析成包括在典型群组43中，因此可在统计上 预测具有所述第一疾病的发病可能性。

另外，考虑具有器质性特异性的受检者数量不多的情况，对于表示依据现有的统 计模型检查数据被评价为第一疾病的发病概率较低但实际上患有第一疾病的受检者的 数据需要放宽典型群组成立条件。图11示出了这种实施例。生成了表示当依据现有统 计模型时第一疾病的发病可能性被否定但实际上患有第一疾病的受检者的检查数据的 点的典型群组43，可确认与其他典型群组41、42的成立条件相比放宽了典型群组43 的成立条件ε、p。

目前为止参照图1至图11来进行说明的本发明的几个实施例的患者个人特性分析 方法可通过在计算装置中运行计算机程序来执行。为了这种实施，可提供一种存储在 存储介质中的计算机程序，所述计算机程序与计算机装置相结合执行以下步骤：接收 患有第一疾病的受检者的检查数据；判定所述检查数据是否符合从所述第一疾病的发 病者的检查数据获取的第一疾病统计模型；在判定结果为所述检查数据与所述第一疾 病统计模型不符合的情况下，只利用所述检查数据中符合所述第一疾病统计模型的一 部分检查数据来计算所述受检者的特性值。

下面，参照图12至图13，对本发明的又一实施例的患者个人特性分析装置的结 构及操作进行说明。

图12是本实施例的患者个人特性分析装置的方框结构图。如图12所示，本实施 例的患者个人特性分析装置可包括网络接口102、检查数据接收部104、检查数值查询 部106、统计模型生成部108、检查数据分析部110和特征值计算部112，进一步可包 括疾病预测部114和DB反馈部116。

当检查数据接收部104通过网络接口102接收到患有第一疾病的受检者的检查数 据时，检查数据查询部106通过网络接口102向群体数据库请求患有所述第一疾病的 发病者的检查数值。检查数值查询部106将由所述群体数据库提供的第一疾病发病者 的检查数值中关于所述第一疾病的发病原因的检查数值数据加工成已指定的形式并提 供给统计模型生成部108。

统计模型生成部108对由检查数值查询部106提供的数据进行基于密度的聚类， 对所述第一疾病的各发病原因分别构成代表关于群体数据库的第一疾病发病者的检查 数值的典型群组。所述各发病原因的典型群组构成所述第一疾病的整体统计模型。

检查数据分析部110判定受检者的检查数据是否符合所生成的统计模型。如果检 查数据分析部110的分析结果，检查数据不符合统计模型，则特征值计算部112计算 内含所述受检者的器质性特异性或对特定发病因子的敏感性等的关于所述受检者的特 性值。关于所述特性值的计算方法参照已说明的实施例。

特性值计算部112可通过网络接口102将生成的所述特性值提供给外部装置。所 述特性值可作为用于提供对所述受检者的个体化医疗服务的基础数据来应用。

疾病预测部114执行对所述受检者没有勾选(即，受检者认为没有患)的其他疾 病的疾病预测。此时，可在通过将所述特性值反映到检查数据的检查数值中的一部分 来事先进行调整之后，判定包括经调整的值的检查数据是否符合其他疾病的统计模型。

DB反馈部116在勾选为患有特定疾病的所述受检者的检查数值与所述群体数据 库中存储的特定疾病发病者的检查数值在统计上不相似的情况下，将所述受检者的检 查数值发送给群体数据库提供装置，使得所述受检者的检查数据可作为新形式的特定 疾病发病模式被累积到所述群体数据库中。

目前为止图12的各结构要素可指软件(software)，或如FPGA(field-programmable gatearray，现场可编程门阵列)或者ASIC(application-specificintegratedcircuit，专用 集成电路)的硬件(hardware)。但是，所述结构要素并不限定于软件或硬件，而是可 以构成为位于可寻址(addressing)的存储介质的结构，还可以构成为运行一个或更多 个处理器的结构。由所述结构要素提供的功能可通过进一步细分的结构要素来实现， 还可以以将多个结构要素相加来执行特定的功能的一个结构要素来实现。

图13是疾病发病预测装置100的与图12不同的另一结构图。患者个人特性分析 装置10可具有图13所示的结构。患者个人特性分析装置10可包括执行命令的处理器 126、存储有疾病发病预测程序数据的存储器122、内存128、用于进行与外部装置的 数据收发的网络接口124以及与存储器122、网络接口124、处理器126和内存128 相连接而成为数据移动通道的系统总线120。存储器122是非挥发性内存、磁盘和硬 盘等辅助存储装置。

在一实施例中，存储器122中可存储有计算机程序的执行文件和资源文件，所述 计算机程序通过与计算装置相结合来执行以下步骤：接收患有第一疾病的受检者的检 查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第一 疾病统计模型；以及在判定结果为所述检查数据与所述第一疾病统计模型不符合的情 况下，只利用所述检查数据中符合所述第一疾病统计模型的一部分检查数据来计算出 所述受检者的特性值。

在另一实施例中，存储器122中可存储有计算机程序的执行文件和资源文件，所 述计算机程序通过与计算装置相结合来执行以下步骤：接收患有第一疾病的受检者的 检查数据；判定所述检查数据是否符合从所述第一疾病的发病者的检查数据获取的第 一疾病统计模型；以及在判断结果判定为不符合的情况下，计算所述受检者的特性值 α。

此时，所述受检者的特性值以将关于所述第一疾病的各发病原因的调整检查数值 相加后的数值与发病者基准值为相同的值的方式被计算，关于特定发病原因的所述调 整检查数值是将关于所述特定发病原因的个体化加权值反映到关于所述特定发病原因 的所述受检者的检查数值后的值。

进一步，关于特定发病原因的所述个体化加权值以如下方式被设定：在关于所述 特定发病原因的所述受检者的检查数值符合关于所述特定发病原因的所述第一疾病统 计模型的情况下，可被设定为利用所述受检者的特性值α指定的第一加权值，在关于 所述特定发病原因的所述受检者的检查数值不符合关于所述特定发病原因的所述第一 疾病统计模型的情况下，可被设定为利用所述受检者的特性值α指定的第二加权值， 所述第一加权值和所述第二加权值可以是彼此不同的值。

以上参照附图对本发明的实施例进行了说明，但本发明所属技术领域的技术人员 应能理解，本发明可不变更本发明的技术思想或必要特征而以其他具体方式实施。因 此，应理解为以上所述的实施例在所有方面为示例性的并非限定性的。