[发明专利]基于改进函数因果似然度的糖尿病危险因素因果发现方法

说明书

本发明公开了基于改进函数因果似然度的糖尿病危险因素因果发现方法，属于医学信息化技术领域；该方法包括获取糖尿病危险因素变量子集的联合分布；根据所述联合分布与因果结构求观察数据的对数似然度；将所述观察数据的对数似然度转化成观察数据噪声的对数似然度，进而建立糖尿病危险因素FCL模型；通过调整阈值对所述糖尿病危险因素FCL模型进行修正，获得糖尿病危险因素IFCL模型，利用所述糖尿病危险因素IFCL模型发现危险因素的因果关系。本申请引入调整阈值，构建糖尿病危险因素IFCL模型，利用所述糖尿病危险因素IFCL模型发现危险因素的因果关系，减少糖尿病危险因素因果结构的冗余边和错误边，进而生成优化的糖尿病危险因素因果结构。

技术领域

本发明涉及医学信息化技术领域，具体涉及基于改进函数因果似然度的糖尿病危险因素因果发现方法。

背景技术

糖尿病患者数量逐年上升，已成为继心脑血管疾病、恶性肿瘤后威胁人类健康的第三大疾病。分析各类危险因素相互关系、危险因素与糖尿病关系是揭示糖尿病发病病理的关键，也是糖尿病防治的前提。

目前，国内外的研究主要集中在糖尿病患病危险因素分析和糖尿病患病预测模型构建两个方面。糖尿病患病危险因素分析研究主要包括两方面：新危险因素发现和危险因素相关性分析。探究新危险因素有助于发现糖尿病患病潜在因子，了解糖尿病病因以协助预防；同时，糖尿病的发病由多因素导致，分析危险因素之间关系也尤为重要，且具有实用的临床意义。危险因素相关性研究能够发现未被认识到的糖尿病生理和病理现象，为揭示病理提供一定程度的理论支撑。糖尿病患病预测模型有助于糖尿病预防和早期诊断。然而目前危险因素相互关系研究只能反映相关性，不能直接反映因果关系；糖尿病患病预测模型本质上是统计相关性模型，也不能反映因果关系。因此，迫切需要开展糖尿病危险因素因果关系研究，进而揭示糖尿病病理、生理因果关系，对糖尿病防治有重要的理论意义和临床指导作用。

随机控制实验是传统的因果关系发现方法，但其需要对实验组进行大量干预，这不仅成本高，而且还可能违背伦理道德。基于观察数据的因果关系发现方法可以避免以上问题，但是数据中的噪音会影响因果关系发现效果。在显著噪音条件下，基于FCL算法[文献：Ruichu Cai,Jie Qiao,Zhenjie Zhang,Zhifeng Hao.SELF:Structural EquationalEmbedded Likelihood Framework for Causal Discovery.AAAI.2018.]可以有效发现因果关系，然而该方法在糖尿病危险因素因果关系发现问题上，会保留较多冗余边和错误边。

发明内容

基于FCL算法输出的因果结构存在较多冗余边和错误边的问题，本发明提供一种基于改进函数因果似然度的糖尿病危险因素因果发现方法，其提高了糖尿病危险因素因果发现算法的挖掘性能，生成了优化的糖尿病危险因素因果结构。

为实现上述目的，本发明的技术方案为：基于改进函数因果似然度的糖尿病危险因素因果发现方法，包括：

获取糖尿病危险因素变量子集的联合分布；

根据所述联合分布与因果结构求观察数据的对数似然度；

将所述观察数据的对数似然度转化成观察数据噪声的对数似然度，进而建立糖尿病危险因素FCL模型；

通过调整阈值对所述糖尿病危险因素FCL模型进行修正，获得糖尿病危险因素IFCL模型，利用所述糖尿病危险因素IFCL模型发现危险因素的因果关系。

进一步的，获取糖尿病危险因素变量子集的联合分布，具体包括：