CN112890816A - 一种个人用户的健康指数评分方法和装置 - Google Patents

Abstract

本发明的一个技术方案是提供了一种个人用户的健康指数评分方法。本发明的另一个技术方案是提供了一种个人用户的健康指数评分装置。本发明通过采集与目标用户的健康指数相关联的多个维度数据，采用统计方法得到多个维度中各个维度的特征变量，分别输入各个维度对应的维度评分模型，得到维度分值，最后，基于健康指数分评分模型得到目标用户的健康指数分值，形成一个“1+N”的综合性健康水平评价体系，为健康管理新模式、个性化健康险定价以及自我驱动的健康管理提供量化指标，也为主动健康管理规范的制定、分析、评估和优化提供量化支持。

Description

一种个人用户的健康指数评分方法和装置

技术领域

本发明涉及一种个人用户的健康指数评分方法和一种个人用户的健康指数评分装置，属于数据处理以及健康管理技术领域。

背景技术

在传统的认知里，健康往往被限制在一个狭小的范围里——身体不患病随。着生活水平的提高、思维模式的转变，健康所管辖的范围越来越大。一方面，健康这个概念已经从器质性疾病延展为人们的身心及生活各方面。另一方面，健康已突破单一的医院医疗场景，延展到衣食住行等日常生活场景中。近几年，伴随着移动互联、IOT、大数据、人工智能的长足发展，健康管理迎来了新的契机，从以往的粗放式、单一健康管理模式在逐步地转为个性化、可及性、精准化、智能化和数字化。第三方面，诸如“KYN(Know Your Number，知道你的数字)”风险管理模式的提出，进一步推动了健康管理新模式的探索。第四方面，由世界前沿的运动医学科学家Ulrik

教授研发的个人运动机能指数PAI作为一种易于理解的活动跟踪指标，可以更好地帮助用户自我健康管理，而无需关注繁杂的身体数据指标项，只需要关注PAI这一项数据即可帮助用户保持最佳的健康状态。经过研究表明，PAI在帮助改善心肺适能(如心脏健康状况)有极大的作用， 100PAI可以大大降低用户患心血管疾病的风险，如果仅达到50PAI，也可为用户带来大约60％的健康收益，用户通过PAI来量化自身的运动情况，并付诸实施，进行自我健康管理，这是量化指标在个人健康管理的一项有力尝试。

可见，在新契机下，基于数据驱动的健康管理模式和主动健康管理模式已经到来，其区别于以往健康管理模式的核心是具备一个综合性量化个人健康水平的指数和一整套个性化促进方案，可应用于个性化健康管理以及自我驱动的健康管理，也为主动健康管理和数字化健康管理规范的制定、分析、评估和优化提供量化支持。

中国专利CN104850758A公开了一种健康指数评分方法，但其聚焦的评价指标只聚焦在生理指标。世界卫生组织在宣言中声明“健康不仅指没有疾病或衰弱，而是指生理、心理与社会功能完美健康状态”，因此影响健康水平是一个多个维度综合评价的结果。2009年9月18日，重庆市公开发布全国首个《市民健康自评指标体系》，该自评体系共分为体质维度、生理维度、心理维度、生育维度、饮食维度以及行为维度六大系统指标。根据该评价体系，市民可以直观地了解自身的健康状况，以便进行健康干预或自我健康促进。可见，探索一种利用数据进行个人健康水平评价的方式对于面向未来的健康管理新模式意义重大。

发明内容

本发明的目的是：实现基于个人健康相关数据的健康指数评分。

为了达到上述目的，本发明的一个技术方案是提供了一种个人用户的健康指数评分方法，其特征在于，包括以下步骤：

采集与目标用户健康指数评分相关的健康数据，所述健康数据包括：与所述目标用户的健康指数评分相关的多个维度的数据以及个人基本信息数据；所述多个维度包括：

生理健康维度，反映待评分的所述目标用户生理健康相关的数据；

心理健康维度，反映待评分的所述目标用户心理健康相关的数据；

健康行为维度，反映待评分的所述目标用户健康行为相关的数据；

疾病状态维度，反映待评分的所述目标用户疾病状态相关的数据；

健康环境维度，反映与待评分目标用户健康环境相关的数据；

健康保障维度，反映待评分的所述目标用户健康保障相关的数据；

将所述多个维度的数据按照统计方法得到所述多个维度中每个维度的特征变量；

将所述多个维度中每个维度的特征变量输入相对应的每个维度的维度评分模型，得到多个维度中每个维度的分值；所述每个维度的维度评分模型是根据所述维度的样本数据预先训练得到的；

将所述多个维度中每个维度的分值和每个维度的特征变量输入健康指数评分模型，得到目标用户的健康指数分值；所述健康指数评分模型是根据样本数据预先训练得到的。

优选地，所述反映待评分的所述目标用户生理健康相关的数据包括体征数据、身体围度数据、身体成分数据、模型数据；

所述反映待评分的所述目标用户心理健康相关的数据包括环境适应数据、情绪控制数据、自我意识数据、挫折应对数据、自我潜能数据、情绪情感数据；所述环境适应数据包括用于描述个体与外部关系的状态的数据、衡量一个人对现实环境适应能力的社会融入感评级数据、衡量一个人的一种封闭心理的孤独感评级数据；所述情绪控制数据反映个人对于情感、思维活动以及言行举止的自我控制能力；所述自我意识数据反映内部心理状态；所述挫折应对数据反映个人是否能支配、调节自己的行为来达到克服各种困难的目的；所述自我潜能数据反映个人是否能主动挖掘自身潜能，能创造性地实现个人价值；

所述反映待评分的所述目标用户健康行为相关的数据包括生活习惯数据、运动习惯数据、饮食偏好数据、睡眠情况数据、模型数据；所述生活习惯数据用于描述用户日常的生活习惯；所述运动习惯数据用于描述用户运动习惯；所述饮食偏好数据用于描述用户饮食偏好；所述睡眠情况数据用于描述用户睡眠情况；

所述反映待评分的所述目标用户疾病状态相关的数据包括既往史数据、手术史数据、家族史数据、用药史数据、过敏史数据、风险评估模型数据；所述既往史数据用于描述用户既往病史，且可以根据疾病系统分型、疾病分型更细粒度的切分，形成更多的数据；所述手术史数据用于描述用户手术史；所述家族史数据用于描述用户家族史；所述用药史数据用于描述用户用药史，可以根据疾病分型细粒度切分；所述过敏史数据，用于描述用户过敏史；所述风险评估模型数据为通过用户疾病风险或综合风险模型挖掘得到的数据；

所述反映与待评分目标用户健康环境相关的数据包括自然环境数据、生活及工作环境数据；

所述反映待评分的所述目标用户健康保障相关的数据包括个人及家庭保障数据、社会保障数据。

优选地，所述将所述多个维度的数据按照统计方法得到所述多个维度中每个维度的特征变量包括以下步骤：

数据预处理；

选择指标集，采用统计方法选择多个维度中每个维度评分依赖的指标集，所述指标集由原子指标和衍生指标构成；

特征化数据，对所述指标集的每个指标项进行特征化。

优选地，对每个所述指标项进行特征化时，按照健康指数评分分值和维度评分分值分数越大表示在可比较群体里具有更优的健康促进水平的原则，将指标特征有序化，对指标特征有序化时，将负向指标、居中指标和区间指标按照正向指标一致化转化。

优选地，所述维度评分模型包括有监督的模型和专家模型，其中：

专家模型，由健康管理专家依据步骤形成的初始可靠的指标集，采用权重计算算法确定各个指标的权重，进而采用加权算法得到所述维度评分模型；

有监督的模型，基于所述特征化数据，将特征化数据划分为正样本和负样本，正样本的人群历史上的健康水平要优于负样本人群历史上的健康水平，进而依据每个维度的数据训练各个维度的所述维度评分模型。

优选地，所述各个维度的维度评分模型的评分指标是不同的，根据前置条件不同而有所侧重，对各个维度的所形成的特征变量基础上，叠加前置条件的组合，并重新选择特征变量，并在所选择的特征变量集上训练相应的维度评分模型。

优选地，所述健康指数分评分模型由基础健康分和促进健康分组成，基础健康分由不可干预指标计算得到，促进健康分由可干预指标计算得到。

优选地，所述健康指数分值和每个维度的分值可以被标准化，分值标准化根据所述目标用户健康指数评分的业务系统的业务分区间划分标准，将所述目标用户的健康指数分的分值和维度的分值标准化到对应的业务分区间。

本发明的另一个技术方案是提供了一种个人用户的健康指数评分装置，其特征在于，包括：

数据采集模块，用于采集与目标用户健康指数评分相关的健康数据，所述健康数据包括：与所述目标用户的健康指数评分相关的多个维度的数据集个人基本信息数据；

所述多个维度包括：生理健康维度，反映待评分的所述目标用户生理健康相关的数据；

心理健康维度，反映待评分的所述目标用户心理健康相关的数据；

健康行为维度，反映待评分的所述目标用户健康行为相关的数据；

疾病状态维度，反映待评分的所述目标用户疾病状态相关的数据；

健康环境维度，反映与待评分目标用户健康环境相关的数据；

健康保障维度，反映待评分的所述目标用户健康保障相关的数据；

特征化数据模块，将上述所述的多个维度的数据，利用统计方法得到所述多个维度中每个维度的特征变量；

维度分值计算模块，将上述所述多个维度中每个维度的特征变量，分别输入所述维度对应的维度评分模型，计算出所述维度对应的维度分值，所述多个维度中每个维度的评分模型是根据所述维度的样本数据预先训练得到的；

健康指数分计算模块，将上述所述各个维度的分值和所述每个维度的特征变量，输入预先训练的健康指数评分模型，得到目标用户的健康指数评分，所述健康指数评分模型是根据样本健康数据预先训练得到的。

优选地，所述健康指数评分装置还包括：

前置规则模块，用于根据前置条件的不同，根据规则调用相应的统计方法获取特征变量、计算维度分值和健康指数分值，并提供年龄和性别为预设前置条件，同时也支持更新前置条件；

标准化模块，用于将健康指数评分模型得到的健康指数分以及各个维度评分模型得到的维度分标准化到一个业务分区间中，并提供可解释性的业务分区间标签；

指数解读模块，用于根据预设规则，从分值和指标的角度反馈健康解读给目标用户，帮助用户了解自身健康影响因素、提供辅助健康管理指导方案以及提供促进健康的激励方案；

知识库模块，用于管理健康指数分和维度分值的构成指标集以及是否具备可干预性的功能；

模型管理模块，用于管理健康指数评分模型和维度评分模型的训练。

本发明提供一种个人用户的健康指数评分方法及装置，通过采集与目标用户的健康指数相关联的多个维度数据，采用统计方法得到多个维度中各个维度的特征变量，分别输入各个维度对应的维度评分模型，得到维度分值，最后，基于健康指数分评分模型得到目标用户的健康指数分值，形成一个“1+N”的综合性健康水平评价体系，为健康管理新模式、个性化健康险定价以及自我驱动的健康管理提供量化指标，也为主动健康管理规范的制定、分析、评估和优化提供量化支持。

附图说明

图1为本发明说明书至少一个实施例中提供的个人用户的健康指数评分方法；

图2为本发明说明书至少一个实施例中提供的个人用户的健康指数评分的各个维度以及维度相关联的数据范畴；

图3为本发明说明书至少一个实施例中提供的个人用户的健康指数评分装置；

图4为本发明说明书至少一个实施例中提供的个人用户的健康指数评分装置；

图5为本发明说明书至少一个实施例中提供的个人用户的健康指数“1+N”评分结果图示结构示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

一方面，伴随着移动互联、IOT的长足发展，个人健康信息的采集比以往更加容易，人们开始依赖于这些数据进行日常的健康管理，血压、血糖、心率、体重、运动情况等健康数据的变化，都逐渐影响着个人健康水平，但这些繁杂的身体数据指标项仅从单一角度理解对健康的影响，不易于用户的理解和利用。另一方面，影响健康的因素可分为了可干预因素和不可干预因素，健康管理需从多维度出发，形成个性化、可及性、精准化、智能化和数字化的新模式。基于此，探索一种利用数据进行个人健康水平评价的方式对于面向未来的健康管理新模式意义重大，为个性化健康管理以及自我驱动的健康管理提供量化抓手。

为此本发明提供一种健康水平量化指标的实现方案，即健康指数的实现方案，其描述的不是真实的从医学诊断角度来看是存在健康风险，而是基于个人用户健康数据的一个多维度综合性评分，是一种群体可比的、综合性的、随时间变化且存在个体差异的量化指标，其可以通过影响与健康指数相关联的多个维度所包含的指标来改善或者避免某些因素，以达到促进健康的效果，起到综合感知、自我激励和辅助决策的作用。

请参阅图1，本发明至少一个实施例中提供的一种个人用户健康指数的评分方法，其包括如下步骤：

步骤101：采集与目标用户健康指数评分相关的健康数据，所述健康数据包括：与所述目标用户的健康指数评分相关的多个维度的数据以及个人基本信息数据；

步骤102：将所述多个维度的数据按照统计方法得到所述多个维度中每个维度的特征变量；

步骤103：将所述多个维度中每个维度的特征变量输入相对应的每个维度的评分模型，得到多个维度中每个维度的分值；所述多个维度中每个维度的评分模型是根据所述维度的样本数据预先训练得到的；

步骤104：将所述多个维度中每个维度的分值和每个维度的特征变量输入健康指数评分模型，得到目标用户的健康指数分值；所述健康指数评分模型是根据样本数据预先训练得到的。

步骤101中，采集的所述目标用户的健康指数评分相关的多个维度的数据包括如下至少一项：

反映待评分的所述目标用户生理健康相关的数据；

反映待评分的所述目标用户心理健康相关的数据；

反映待评分的所述目标用户健康行为相关的数据；

反映待评分的所述目标用户疾病状态相关的数据；

反映待评分的所述目标用户健康环境相关的数据；

反映待评分的所述目标用户健康保障相关的数据。

请参阅图2，示例了一个实施例中个人用户健康指数评分的各个维度以及相关联的数据范畴，下面结合图2，举例描述各个维度的数据范畴，值得一提的是，下面描述的各个维度的数据范畴也是示例性的，实际实施中不限于以下数据，且根据上述描述的一些前置条件设定不同而存在差异，具体为：

生理健康维度，反映待评分的所述目标用户生理健康相关的数据，例如：

1)体征数据：通过IOT设备或健康档案等渠道获取或计算得到的与个人用户体征相关的数据，如：心电、血氧饱和度、血糖、血压、心率、体温等数据；

2)身体围度数据：通过IOT设备或健康档案等渠道获取或计算得到的与个人用户身体围度相关的数据，如：身高、体重、胸围、腰围、臀围、手臂围、大腿围、小腿围、BMI；

3)身体成分数据：通过IOT设备或健康档案等渠道获取或计算得到的与个人用户身体成分相关的数据，如：体脂、肌肉量、水分、基础代谢、皮下脂肪率、骨量、骨密度等；

4)模型数据：通过特定评估模型得到的数据，比如通过疲劳量表-14获取的疲劳程度、中医体质辨识量表获取的体质得分、是否孕妇等数据。

心理健康维度，反映待评分的所述目标用户心理健康相关的数据，例如：

1)环境适应数据：通过特定评估模型得到的数据，属于个体与外部关系的状态描述，比如：衡量一个人对现实环境适应能力的社会融入感评级数据，比如可通过社会支持评定量表获取这一数据；衡量一个人的一种封闭心理的孤独感评级数据，一般而言，短暂的或偶然的孤独不会造成心理行为紊乱，但长期或严重的孤独感可引发某些情绪障碍，降低人的心理健康水平，比如可通过UCLA孤独感量表获取这一数据；

2)情绪控制数据：通过特定评估模型得到的数据，反映个人对于情感、思维活动以及言行举止的自我控制能力，比如由国际标准情商测评量表或baron 情商测评量表得到的情商评级数据；

3)自我意识数据：通过特定评估模型得到的数据，是内部心理状态的一个重要方面，其表现为对自我是否满意、对自我认识是否清晰，比如通过罗森伯格自信心量表获取的自信心水平；

4)挫折应对数据：通过特定评估模型得到的数据，反映个人是否能支配、调节自己的行为来达到克服各种困难的目的，比如通过意志力量表得到的意志力评级数据；

5)自我潜能数据：通过特定评估模型得到的数据，反映个人是否能主动挖掘自身潜能，能创造性地实现个人价值，比如通过威廉斯创造力倾向测试表得到的创造力评级数据；

6)情绪情感：通过特定评估模型得到的数据，是心理健康的一个重要评估成分，包括但不限于心理压力指数、抑郁水平、焦虑水平，往往这类数据可以导致大量负面情绪体验，进而导致心理健康问题。所述的特定评估模型包括但不限于心理压力指数评分表、PHQ-9抑郁症筛查量表、贝克抑郁自评量表、汉密顿抑郁量表-HAMD、GAD-7焦虑自评量表、情绪自评量表抑郁-焦虑-压力量表 (DASS-21)等量表，针对产后人群可以纳入爱丁堡产后抑郁量表(EPDS)，针对儿童可以纳入儿童社会交往焦虑测评量表(SASC)等量表。

健康行为维度，反映待评分的所述目标用户健康行为相关的数据，例如：

1)生活习惯数据：描述用户日常的生活习惯的数据，例如：吸烟频率、单次吸烟量、饮酒频率、单次饮酒量、大便情况、排便时长、小便情况；

2)运动习惯数据：描述用户运动习惯的数据，例如：运动频率、运动方式、运动心率保持水平、卡路里消耗量、步数、运动负荷EPOC等数据；

3)饮食偏好数据：描述用户饮食偏好的数据，例如：饮食口味、辣味偏好、蔬菜偏好、水果偏好、饮水偏好等数据；

4)睡眠情况数据：描述用户睡眠情况的数据，例如：失眠情况、睡眠质量、是否喜欢熬夜、深度睡眠时长等数据，其中睡眠质量可以通过睡眠状况自评表、匹兹堡睡眠质量指数等评估量表评估得到；

5)模型数据：例如：健康知识观看或阅读次数、个人运动机能指数PAI等数据。

疾病状态维度，反映待评分的所述目标用户疾病状态相关的数据，例如：

1)既往史数据：描述用户既往病史的数据，例如：是否患恶性肿瘤、是否患呼吸系统疾病、是否患高血压、是否患罕见病，是否患2型糖尿病，就诊次数，就诊间隔，重大疾病患病数等，且可以根据疾病系统分型、疾病分型更细粒度的切分，形成更多的数据；

2)手术史数据：描述用户手术史的数据，例如：手术次数、是否发生手术感染等数据；

3)家族史数据：描述用户家族史的数据，例如：肺癌家族史、高血压家族史、痛风家族史等数据；

4)用药史数据：描述用户用药史的数据，例如：用药频率、用药依从性等数据，也可以根据疾病分型细粒度切分；

5)过敏史数据：描述用户过敏史的数据，例如：鼻炎情况、是否有过敏情况等数据；

6)风险评估模型数据：通过用户疾病风险或综合风险模型挖掘得到的数据，例如Charlson合并症指数、Elixhauser合并症指数、改良Framingham卒中风险模型、2型糖尿病风险评估Findrisc模型、乳腺癌风险预测Gail模型等。

健康环境维度，反映与待评分目标用户健康环境相关的数据，例如：

1)自然环境数据：例如：空气质量指数(AQI)、PM2.5浓度、PM10浓度、空气湿度等数据；

2)生活及工作环境数据：例如：职业暴露情况、居住条件、工作时长等数据。

健康保障维度，反映待评分的所述目标用户健康保障相关的数据，例如：

1)个人及家庭保障数据：是否购买商业健康保险、商业健康险保险保额等级、个人收入/支出比等数据；

2)社会保障数据：是否参加社会医疗保险、是否参加新农合等数据。

上述所述实施例的各个维度数据，可以是影响目标用户健康的内在因素，也可以是影响目标用户健康的外在因素；可以是已经影响健康且不可干预的因素，也可以是影响健康且可干预的因素；也可能因授权数据获取渠道、业务方拥有的数据源以及待评估群体而存在差异。

步骤102中，采用统计方法得到所述多个维度中每个维度的特征变量，通常包括以下步骤：

数据预处理，包括：缺失数据处理、异常值处理等方法，这些都属于常用的数据预处理手段，细节不再赘述；

选择指标集，采用统计方法选择多个维度中每个维度评分依赖的指标集，所述指标集由原子指标和衍生指标构成，所述衍生方法包括叠加时间周期和/或修饰词、计算差值、计算比率等常用手段，细节不再赘述；

特征化数据，对上述所述指标集的每个指标项进行特征化，包括：特征编码、数据离散化、数据平整、小数缩放、标准化、提取主成分等操作，这些都属于常用数据特征化手段，细节不再赘述；

在至少一个实施例中，按照健康指数评分分值和维度评分分值分数越大，表示在可比较群体里具有更优的健康促进水平的原则，需将指标特征都有序化。具体而言，对每个指标项进行特征化时，将负向指标、居中指标和区间指标按照正向指标一致化转化。所述转换方法属于常用的指标一致化手段，细节不再赘述。

表1说明了至少一个实施例中各个维度的一部分指标项，表2说明了至少一个实施例中一个指标特征化的过程，具体为：

最近一次心理压力评估等级这一指标得分区间为[0,31]，首先进行离散化划分为4个区间，分别表示无压力、轻度压力、中度压力和重度压力，相对于心理健康而言属于负向指标，因此特征化时正向处理，这里采用倒序的方式完成正向化操作。

表1一个实施例中多个维度的指标项

表2最近一次心理压力评估等级特征化过程

心理压力评估结果离散区间	分段含义	特征化结果
			[0,5]	无压力	4
[6,10]	轻度压力	3
			[11,20]	中度压力	2
[20,31]	重度压力	1

步骤103中，将所述多个维度中每个维度的特征变量输入相对应的每个维度的评分模型，得到多个维度中每个维度的分值，这一过程所依赖的每个维度的评分模型是由所述维度的样本数据预先训练得到的，通常包括有监督的模型和专家模型，具体实现为：

专家模型，由健康管理专家依据步骤形成的初始可靠的指标集，采用权重计算算法确定各个指标的权重，进而采用加权算法得到各个维度评分模型。在本实施例中采用Delphi法确定可靠指标集，采用层次分析法确定各个指标的权重。

有监督的模型，基于步骤102得到的特征化数据，将该特征化数据划分为正样本和负样本，正样本的人群历史上的健康水平要优于负样本人群历史上的健康水平，进而依据每个维度的数据训练各个维度的评分模型。所使用的模型可以有多种，例如随机森林、深度学习的序列模型、支持向量机、集成树算法、评分卡模型、Adaboost等模型。另外，这里所述的正负样本划分方法在至少一个实施例中采用聚类的形式划分为2类。

在至少一个实施例中，步骤104中，将所述各个维度的维度分值和各个维度的特征变量，输入预先训练得到的健康指数评分模型中，得到所述待评分用户的健康指数评分，所述预先训练的健康指数评分模型的训练过程类似于维度评分模型，不再赘述。

请参阅表3，给出了一个实施例中采用专家模型训练的部分评分指标集和权重，结合权重的输入的各个维度的特征数据，可以得到待评分目标用户的维度分值。其中各个维度分值由各个维度的指标权重乘以待评分目标用户特征变量得到，健康指数分值由组合权重乘以待评分目标用户特征变量得到。

表3一个实施例中采用专家模型训练的部分评分指标集和权重

值得一提的是，当各个维度的评分模型和健康指数评分模型开始业务化后，可以收集用户行为，将自我促进健康管理且长期保持较高健康指数的用户纳入正样本，继续优化维度评分模型和健康指数评分模型。

所述各个维度的评分模型的评分指标是不同的，根据前置条件不同而有所侧重。所述前置条件至少包括年龄和性别，也可以根据采集数据的国家、地域和种族不同而增加前置条件。在一个或多个实时例中，选择年龄和性别作为前置条件，年龄采用0-18岁、18-40岁、41-65岁以及大于65岁划分，性别按照男性和女性划分。对多个维度的各个维度所形成的特征变量基础上，叠加前置条件的组合，并重新选择特征变量，并在所选择的特征变量集上训练相应的评分模型。训练过程类似于前文所述的各个维度的评分模型，不再赘述。所述的特征变量选择可以是专家模型确定或选择对维度分值影响较为重要的一些特征构成，所述特征变量对分数影响程度的重要性可以采用信息熵、互信息等多种方法来实现。

所述健康指数分评分模型由基础健康分和促进健康分组成，基础健康分由不可干预指标计算得到，促进健康分由可干预指标计算得到。在至少一个实施例中，预先将指标分为两类，那么基础健康分和促进健康分由相应的指标集加权得到，二者加和等于健康指数分。

所述健康指数分值和每个维度的分值可以被标准化。分值标准化可以根据所述目标用户健康指数评分的业务系统的业务分区间划分标准，将所述目标用户的健康指数分的分值和维度的分值标准化到对应的业务分区间。

在至少一个实施例中，表4给出了采用100分作为健康指数分值和各个维度分值的最大值，并标准化为5个区间。

表4健康指数分值和各个维度分值标准化示例

模型结果分区间	标准化值	标准化区间解释
			[0.85,1]	[85,100]	优秀
[0.75,0.85)	[75,84]	良好
			[0.6,0.75)	[60,74]	中等
[0,0.6)	[0,59]	较差

表5给出了一种健康指数分值和各个维度分值最大值不同时的标准化方案，引入了扩张系数，将100分的5个区间转化为新的区间，为了方便用户理解，还可进行数据平整。

表5心理压力评估数据以及特征化的过程

为了实现上述所述的个人用户的健康指数评分方法，本说明书至少一个实施例中还提供了一种个人用户的健康指数评分装置，结合图3所示，该装置包含了数据采集模块301、数据处理模块302、维度分值计算模块303和健康指数分值计算模块304，具体为：

数据采集模块301，用于采集与目标用户健康指数评分相关的健康数据，所述健康数据包括：与所述目标用户的健康指数评分相关的多个维度的数据集个人基本信息数据；

特征化数据模块302，将上述所述的多个维度的数据，利用统计方法得到所述多个维度中每个维度的特征变量；

维度分值计算模块303，将上述所述多个维度中每个维度的特征变量，分别输入所述维度对应的维度评分模型，计算出所述维度对应的维度分值，所述多个维度中每个维度的评分模型是根据所述维度的样本数据预先训练得到的；

健康指数分计算模块304，将上述所述各个维度的分值和所述每个维度的特征变量，输入预先训练的健康指数评分模型，得到目标用户的健康。

在至少一个实施例中，结合图4，该装置还包括了前置规则模块300，其根据前置条件规则来采用不同的评分模型。

在至少一个实施例中，结合图4，该装置还包括了标准化模块305，其根据业务系统的业务区间划分标准，将所述用户健康指数的分值和维度分值标准化到对应的业务区间中。

在至少一个实施例中，结合图4，该装置还包括指数解读模块306。

在至少一个实施例中，结合图4，该装置还包括了知识库模型307和模型管理模块308。

如图5所示，根据上述所述的健康指数评分方法和装置，对任意一位用户来说，形成了一个“1+N”的综合性健康水平评价体系，用户可以根据评分结果来评价影响自身健康问题的方面，同时可以帮助业务方形成刻画用户健康水平标签。

在100分制的标准化策略下，如果一个用户的生理健康维度分为80，那么将给该用户打上生理健康“良好”的标签，健康指数分为80，那么将给该用户打上健康水平“优秀”的标签，业务方可以利用这些标签来执行后续的管理措施。同时，健康指数变化以及各个维度的分值变化是由各个维度的指标变化引起的，因此，近期的变化情况，依据影响程度来反馈用户分值的变化原因，辅助用户感知自身的健康问题，并给予相应的激励支持。例如：BMI的升高导致生理健康降低，反馈用户一些保持体质的运动计划、饮食计划以及健康指导；长期的睡眠障碍导致健康行为分值降低，可反馈用户一些助眠、减压等健康指导。更进一步，个人用户的健康指数还可以和其他的业务系统集成，形成更泛化的应用，例如，如果健康指数分为“优秀”且健康行为分为“较好”及以上，可以降低健康险的保费。

为了上述所述的方法及装置，在至少一个实施例中，将多个模块通过计算机程序实现在一个或多个软件和/或硬件中，其实现设备包括存储器、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，所述处理器执行所述程序时实现如上述的评分方法。

Claims (10)

1.一种个人用户的健康指数评分方法，其特征在于，包括以下步骤：

采集与目标用户健康指数评分相关的健康数据，所述健康数据包括：与所述目标用户的健康指数评分相关的多个维度的数据以及个人基本信息数据；所述多个维度包括：

生理健康维度，反映待评分的所述目标用户生理健康相关的数据；

心理健康维度，反映待评分的所述目标用户心理健康相关的数据；

健康行为维度，反映待评分的所述目标用户健康行为相关的数据；

疾病状态维度，反映待评分的所述目标用户疾病状态相关的数据；

健康环境维度，反映与待评分目标用户健康环境相关的数据；

健康保障维度，反映待评分的所述目标用户健康保障相关的数据；

将所述多个维度的数据按照统计方法得到所述多个维度中每个维度的特征变量；

将所述多个维度中每个维度的特征变量输入相对应的每个维度的维度评分模型，得到多个维度中每个维度的分值；所述每个维度的维度评分模型是根据所述维度的样本数据预先训练得到的；

将所述多个维度中每个维度的分值和每个维度的特征变量输入健康指数评分模型，得到目标用户的健康指数分值；所述健康指数评分模型是根据样本数据预先训练得到的。

2.如权利要求1所述的一种个人用户的健康指数评分方法，其特征在于，所述反映待评分的所述目标用户生理健康相关的数据包括体征数据、身体围度数据、身体成分数据、模型数据；

所述反映待评分的所述目标用户心理健康相关的数据包括环境适应数据、情绪控制数据、自我意识数据、挫折应对数据、自我潜能数据、情绪情感数据；所述环境适应数据包括用于描述个体与外部关系的状态的数据、衡量一个人对现实环境适应能力的社会融入感评级数据、衡量一个人的一种封闭心理的孤独感评级数据；所述情绪控制数据反映个人对于情感、思维活动以及言行举止的自我控制能力；所述自我意识数据反映内部心理状态；所述挫折应对数据反映个人是否能支配、调节自己的行为来达到克服各种困难的目的；所述自我潜能数据反映个人是否能主动挖掘自身潜能，能创造性地实现个人价值；

所述反映待评分的所述目标用户健康行为相关的数据包括生活习惯数据、运动习惯数据、饮食偏好数据、睡眠情况数据、模型数据；所述生活习惯数据用于描述用户日常的生活习惯；所述运动习惯数据用于描述用户运动习惯；所述饮食偏好数据用于描述用户饮食偏好；所述睡眠情况数据用于描述用户睡眠情况；

所述反映待评分的所述目标用户疾病状态相关的数据包括既往史数据、手术史数据、家族史数据、用药史数据、过敏史数据、风险评估模型数据；所述既往史数据用于描述用户既往病史，且可以根据疾病系统分型、疾病分型更细粒度的切分，形成更多的数据；所述手术史数据用于描述用户手术史；所述家族史数据用于描述用户家族史；所述用药史数据用于描述用户用药史，可以根据疾病分型细粒度切分；所述过敏史数据，用于描述用户过敏史；所述风险评估模型数据为通过用户疾病风险或综合风险模型挖掘得到的数据；

所述反映与待评分目标用户健康环境相关的数据包括自然环境数据、生活及工作环境数据；

所述反映待评分的所述目标用户健康保障相关的数据包括个人及家庭保障数据、社会保障数据。

3.如权利要求1所述的一种个人用户的健康指数评分方法，其特征在于，所述将所述多个维度的数据按照统计方法得到所述多个维度中每个维度的特征变量包括以下步骤：

数据预处理；

选择指标集，采用统计方法选择多个维度中每个维度评分依赖的指标集，所述指标集由原子指标和衍生指标构成；

特征化数据，对所述指标集的每个指标项进行特征化。

4.如权利要求3所述的一种个人用户的健康指数评分方法，其特征在于，对每个所述指标项进行特征化时，按照健康指数评分分值和维度评分分值分数越大表示在可比较群体里具有更优的健康促进水平的原则，将指标特征有序化，对指标特征有序化时，将负向指标、居中指标和区间指标按照正向指标一致化转化。

5.如权利要求3所述的一种个人用户的健康指数评分方法，其特征在于，所述维度评分模型包括有监督的模型和专家模型，其中：

专家模型，由健康管理专家依据步骤形成的初始可靠的指标集，采用权重计算算法确定各个指标的权重，进而采用加权算法得到所述维度评分模型；

有监督的模型，基于所述特征化数据，将特征化数据划分为正样本和负样本，正样本的人群历史上的健康水平要优于负样本人群历史上的健康水平，进而依据每个维度的数据训练各个维度的所述维度评分模型。

6.如权利要求1所述的一种个人用户的健康指数评分方法，其特征在于，所述各个维度的维度评分模型的评分指标是不同的，根据前置条件不同而有所侧重，对各个维度的所形成的特征变量基础上，叠加前置条件的组合，并重新选择特征变量，并在所选择的特征变量集上训练相应的维度评分模型。

7.如权利要求1所述的一种个人用户的健康指数评分方法，其特征在于，所述健康指数分评分模型由基础健康分和促进健康分组成，基础健康分由不可干预指标计算得到，促进健康分由可干预指标计算得到。

8.如权利要求1所述的一种个人用户的健康指数评分方法，其特征在于，所述健康指数分值和每个维度的分值可以被标准化，分值标准化根据所述目标用户健康指数评分的业务系统的业务分区间划分标准，将所述目标用户的健康指数分的分值和维度的分值标准化到对应的业务分区间。

9.一种个人用户的健康指数评分装置，其特征在于，包括：

数据采集模块，用于采集与目标用户健康指数评分相关的健康数据，所述健康数据包括：与所述目标用户的健康指数评分相关的多个维度的数据集个人基本信息数据；

所述多个维度包括：生理健康维度，反映待评分的所述目标用户生理健康相关的数据；

心理健康维度，反映待评分的所述目标用户心理健康相关的数据；

健康行为维度，反映待评分的所述目标用户健康行为相关的数据；

疾病状态维度，反映待评分的所述目标用户疾病状态相关的数据；

健康环境维度，反映与待评分目标用户健康环境相关的数据；

健康保障维度，反映待评分的所述目标用户健康保障相关的数据；

特征化数据模块，将上述所述的多个维度的数据，利用统计方法得到所述多个维度中每个维度的特征变量；

维度分值计算模块，将上述所述多个维度中每个维度的特征变量，分别输入所述维度对应的维度评分模型，计算出所述维度对应的维度分值，所述多个维度中每个维度的评分模型是根据所述维度的样本数据预先训练得到的；

健康指数分计算模块，将上述所述各个维度的分值和所述每个维度的特征变量，输入预先训练的健康指数评分模型，得到目标用户的健康指数评分，所述健康指数评分模型是根据样本健康数据预先训练得到的。

10.如权利要求9所述的一种个人用户的健康指数评分装置，其特征在于，所述健康指数评分装置还包括：

前置规则模块，用于根据前置条件的不同，根据规则调用相应的统计方法获取特征变量、计算维度分值和健康指数分值，并提供年龄和性别为预设前置条件，同时也支持更新前置条件；

标准化模块，用于将健康指数评分模型得到的健康指数分以及各个维度评分模型得到的维度分标准化到一个业务分区间中，并提供可解释性的业务分区间标签；

指数解读模块，用于根据预设规则，从分值和指标的角度反馈健康解读给目标用户，帮助用户了解自身健康影响因素、提供辅助健康管理指导方案以及提供促进健康的激励方案；

知识库模块，用于管理健康指数分和维度分值的构成指标集以及是否具备可干预性的功能；

模型管理模块，用于管理健康指数评分模型和维度评分模型的训练。

Images