CN118983103B - 一种糖尿病筛查数据处理管理系统及其方法 - Google Patents

Abstract

本发明公开了一种糖尿病筛查数据处理管理系统及其方法，属于服务管理技术领域；构建患者与临床指标数据之间的第一实体集和第一关系集；构建患者与用药信息数据之间的第二实体集和第二关系集，形成患者个性化知识图谱；构建患者的多维数据集，计算糖尿病风险评估值；计算最适合患者的干预措施；评估所述干预措施在降低糖尿病风险方面的有效性；设计干预措施动态调整公式；本发明通过构建糖尿病风险评估模型，精准量化患者的糖尿病风险，结合个性化干预匹配模型，为患者制定最适合的干预措施，并根据患者的实际反应动态调整干预方案，最终为患者提供了精准、智能、个性化的糖尿病风险管理和健康干预方案；能够有效提升筛查精准性、优化干预效果。

Description

一种糖尿病筛查数据处理管理系统及其方法

技术领域

本发明数据处理管理技术领域，具体为一种糖尿病筛查数据处理管理系统及其方法。

背景技术

糖尿病作为一种全球范围内的慢性疾病，其发病率在近年来显著增加；随着人口老龄化、生活方式变化及饮食结构不合理，糖尿病患者的数量持续增长；现有的糖尿病诊断和管理方法，通常依赖于临床医生对患者的血糖、糖化血红蛋白（HbA1c）以及其他生理指标的检测结果进行判断，并基于个人经验制定治疗方案；然而，由于每个糖尿病患者的体质、用药反应及生活习惯各异，现有的治疗方案很难做到针对个体进行精细化管理；近年来，随着大数据技术、人工智能以及知识图谱技术的快速发展，这些技术被逐步应用于医疗领域，特别是慢性疾病如糖尿病的筛查和管理中，以期提高糖尿病风险评估的准确性以及优化个性化治疗方案的制定。

但现有的糖尿病筛查和管理系统仍存在诸多不足；首先，很多系统仅依赖于有限的患者数据（如血糖水平）进行糖尿病风险的评估，而忽略了患者其他重要的临床信息，如用药情况、生活方式等；此外，传统的筛查方法通常是静态的，缺乏对患者病情动态变化的跟踪和管理；这导致了对糖尿病风险的评估具有滞后性，无法及时捕捉患者病情的恶化或改善；另外，在糖尿病的干预方案设计中，当前方法通常采取通用型建议，未能充分考虑个体差异和实时反馈，这可能导致干预效果的低效甚至适得其反。

发明内容

本发明的目的在于提供一种糖尿病筛查数据处理管理系统及其方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：

一种糖尿病筛查数据处理管理方法，本方法包括以下步骤：获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集；基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，构建患者与临床指标数据之间的第一实体集和第一关系集，构建初始知识图谱；构建患者与用药信息数据之间的第二实体集和第二关系集，并添加到初始知识图谱中，形成最终的患者个性化知识图谱；构建患者的多维数据集，计算糖尿病风险评估值；基于糖尿病风险评估值以及多维数据集，计算最适合患者的干预措施；采集患者执行干预措施后的数据，构建干预措施评估模型，评估所述干预措施在降低糖尿病风险方面的有效性；基于有效性和干预措施，设计干预措施动态调整公式。

作为本发明所述糖尿病筛查数据处理管理方法的一种优选方案，构建基于患者的数据库，记为，其中，表示第a个患者，A表示患者总数；获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集，其中，表示第a个患者的临床指标数据，表示第a个患者的用药信息数据。

所述临床指标数据包括患者的血糖水平、糖化血红蛋白和血压；所述用药信息数据包括患者的药物种类、剂量和用药时间。

作为本发明所述糖尿病筛查数据处理管理方法的一种优选方案，基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，所述实体包括患者、血糖水平数据、糖化血红蛋白数据和血压数据，其中，表示第i个血糖水平数据，表示第b个糖化血红蛋白数据，表示第c种血压数据；所述关系包括测量、检查和检测；所述测量表示患者与血糖水平数据之间的测量关系，所述检查表示患者与糖化血红蛋白数据之间的检查关系，所述检测表示患者与血压数据之间的检测关系。

构建患者与临床指标数据之间的第一实体集和第一关系集，分别记为第一实体集ST={患者、血糖水平数据、糖化血红蛋白数据、血压数据}和第一关系集GX={测量、检查、检测}，基于所述第一实体集ST和第一关系集GX，构建初始知识图谱，记为G={ST，GX}。

作为本发明所述糖尿病筛查数据处理管理方法的一种优选方案，基于所述用药信息数据集和患者数据库，提取患者与用药信息数据之间的实体和关系，所述实体包括患者、药物种类数据、剂量数据和用药时间数据，其中，表示第f个药物种类数据，表示第h个剂量数据，表示第n个用药时间数据；所述关系包括开具、服用和频率；所述开具表示患者与药物种类数据之间的开具关系，所述服用表示患者与剂量数据之间的服用关系，所述频率表示患者与用药时间数据之间的频率关系。

构建患者与用药信息数据之间的第二实体集和第二关系集，分别记为第二实体集SST={患者、药物种类数据、剂量数据、用药时间数据}和第二关系集GGX={开具、服用、频率}，将所述第二实体集和第二关系集，添加到初始知识图谱G={ST，GX}中，形成最终的患者个性化知识图谱，记为EG={ST∪SST，GX∪GGX}。

构建患者的多维数据集，记为，将所述多维数据集作为输入变量，构建糖尿病风险评估模型，具体如下：

，

其中，表示糖尿病风险评估值，、和表示预设的临床指标数据的回归系数，、和表示预设的用药信息的回归系数，表示加成项。

公式用于计算糖尿病风险评估值，通过整合患者的临床数据（如血糖、糖化血红蛋白和血压）以及用药信息（如药物种类、剂量和用药时间）来评估患者患糖尿病的风险；代表患者的第i次血糖水平数据，血糖是糖尿病诊断和管理的重要指标，持续高血糖可能表明患者糖尿病风险增加；代表患者的糖化血红蛋白数据，糖化血红蛋白（HbA1c）能够反映患者过去2到3个月的平均血糖水平，是糖尿病长期控制的重要标志；代表患者的血压数据，高血压与糖尿病风险密切相关，因此血压数据在糖尿病风险评估中占据重要位置；代表患者的药物种类数据，不同种类的药物可能对糖尿病的控制产生不同的影响，例如一些药物可能促进或抑制血糖水平；代表患者的药物剂量数据，药物剂量的变化直接影响其疗效和副作用，剂量过高或过低都会影响糖尿病管理效果；代表患者的用药时间数据。用药的频率和时间安排对控制血糖水平至关重要；这个公式的主要作用是计算每位患者的糖尿病风险评分，通过结合患者的临床数据和用药信息，该公式提供了一个全面的糖尿病风险评估模型，能够帮助医生或健康管理系统识别高风险患者，提前采取预防或干预措施，这个风险评估模型可以自动化地处理大量患者数据，为个性化的健康管理提供支持。

设计干预建议匹配模型，依据糖尿病风险评估值以及多维数据集，匹配最适合患者的干预措施，匹配公式如下：

，

其中，表示最适合患者的干预措施，、和表示预设的权重系数，、和表示各临床指标的参数系数，、和表示各药物数据的参数系数。

在本发明中，公式通过将患者的多维健康数据进行加权求和，生成一个匹配值，从而选择最适合患者的个性化干预方案；通过结合患者的临床指标和用药信息，自动为患者匹配干预建议，使得干预措施能够个性化定制；例如，如果某个患者的糖化血红蛋白较高且用药依从性较差，系统可以建议加强药物管理或调整剂量。这种自动化的匹配过程减少了人为决策的误差，提高了个性化治疗的精度和效率，优化了糖尿病管理的整体效果。

作为本发明所述糖尿病筛查数据处理管理方法的一种优选方案，采集患者执行所述干预措施后的数据，形成一个新的数据集，其中，表示患者的干预后的第i项生理指标值，N为生理指标的总数量。

构建干预措施评估模型，利用新收集的数据与之前的风险评估模型参数进行比较，评估所述干预措施在降低糖尿病风险方面的有效性，模型计算如下：

，

其中，表示有效性，表示患者执行干预方案后的糖尿病风险评估值，为患者的基准值或目标值，为患者的依从性系数，反映患者执行干预方案的程度（例如服药和饮食计划的遵从度），可以通过数据收集和医生观察评估得到，、和为权重系数，表示不同维度在干预效果评估中的重要性。

在本发明中，该公式用于评估干预措施的有效性；干预措施实施后，通过比较患者在干预前后的糖尿病风险评分，以及干预后生理指标与基准值的差异，来量化干预的效果；能够为每个患者量化干预效果，为后续的治疗决策提供数据支持；如果干预效果显著，则表明当前的治疗方案有效，反之则可能需要调整干预策略；这种基于数据的评估系统能够动态跟踪患者的健康变化，保证干预措施的精确性和有效性。

基于有效性和干预措施，设计干预措施动态调整公式，计算公式如下：

，

其中，为动态调整的干预措施。

基于动态调整的干预措施，以月为单位，构建评估周期，根据每个评估周期的患者健康数据，自动调整干预方案，并更新患者个性化知识图谱EG，若干预效果不理想，根据匹配函数重新优化干预策略。

在本发明中，通过相乘，公式输出一个调整后的干预值，如果干预效果不佳，调整后的值会提示系统对干预方案进行优化和调整；如果干预效果较好，系统则会建议维持或稍微微调当前的干预措施；该公式的设计确保了系统能够根据患者的个体差异和实时数据反馈来动态调整干预措施；通过这种动态优化，系统可以在每个评估周期内不断优化患者的干预方案，从而提高干预效果，防止因长期使用不合适的方案而延误治疗或产生不良反应；这在糖尿病等慢性病的管理中尤为重要，因为患者的健康状况会随着时间变化，而干预措施也需要随之调整。

一种糖尿病筛查数据处理管理系统，包括：患者数据库与数据集构建模块、临床指标知识图谱构建模块、用药信息与风险评估模块和干预措施评估与调整模块；所述患者数据库与数据集构建模块：获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集；所述临床指标知识图谱构建模块：基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，构建患者与临床指标数据之间的第一实体集和第一关系集，构建初始知识图谱；所述用药信息与风险评估模块：构建患者与用药信息数据之间的第二实体集和第二关系集，并添加到初始知识图谱中，形成最终的患者个性化知识图谱；构建患者的多维数据集，计算糖尿病风险评估值；基于糖尿病风险评估值以及多维数据集，计算最适合患者的干预措施；所述干预措施评估与调整模块：采集患者执行干预措施后的数据，构建干预措施评估模型，评估所述干预措施在降低糖尿病风险方面的有效性；基于有效性和干预措施，设计干预措施动态调整公式。

与现有技术相比，本发明所达到的有益效果是：通过构建基于患者的数据库，全面获取患者的临床指标数据（如血糖、糖化血红蛋白、血压）及用药信息，确保了数据的准确性与系统化管理，奠定了筛查和分析的基础；随后，系统通过提取患者与临床指标和用药信息之间的实体和关系，构建知识图谱，实现了患者健康数据的结构化与关联分析，为后续的风险评估提供了智能支持；通过多维数据集和回归系数，系统构建了糖尿病风险评估模型，精准量化患者的糖尿病风险，结合个性化干预匹配模型，为患者制定最适合的干预措施；采集干预后的数据后，系统对干预效果进行评估，并根据患者的实际反应动态调整干预方案，形成反馈闭环；通过不断更新患者的个性化知识图谱，系统实现了干预策略的持续优化，最终为患者提供了精准、智能、个性化的糖尿病风险管理和健康干预方案；这一方法能够有效提升筛查精准性、优化干预效果，达到长期健康管理的目的。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并且不构成对本发明的限制。

图1是本发明一种糖尿病筛查数据处理管理方法的步骤示意图。

图2是本发明一种糖尿病筛查数据处理管理系统的结构示意图。

具体实施方式

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。

实施例1、请参阅图1，在本实施例一中：提供一种糖尿病筛查数据处理管理方法，该方法包括以下步骤：

步骤S1：获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集。

具体的，构建基于患者的数据库，记为，其中，表示第a个患者，A表示患者总数；获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集，其中，表示第a个患者的临床指标数据，表示第a个患者的用药信息数据。

进一步的，所述临床指标数据包括患者的血糖水平、糖化血红蛋白和血压；所述用药信息数据包括患者的药物种类、剂量和用药时间。

步骤S2：基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，构建患者与临床指标数据之间的第一实体集和第一关系集，构建初始知识图谱。

具体的，基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，所述实体包括患者、血糖水平数据、糖化血红蛋白数据和血压数据，其中，表示第i个血糖水平数据，表示第b个糖化血红蛋白数据，表示第c种血压数据；所述关系包括测量、检查和检测；所述测量表示患者与血糖水平数据之间的测量关系，所述检查表示患者与糖化血红蛋白数据之间的检查关系，所述检测表示患者与血压数据之间的检测关系。

进一步的，构建患者与临床指标数据之间的第一实体集和第一关系集，分别记为第一实体集ST={患者、血糖水平数据、糖化血红蛋白数据、血压数据}和第一关系集GX={测量、检查、检测}，基于所述第一实体集ST和第一关系集GX，构建初始知识图谱，记为G={ST，GX}。

步骤S3：构建患者与用药信息数据之间的第二实体集和第二关系集，并添加到初始知识图谱中，形成最终的患者个性化知识图谱；构建患者的多维数据集，计算糖尿病风险评估值；基于糖尿病风险评估值以及多维数据集，计算最适合患者的干预措施。

具体的，基于所述用药信息数据集和患者数据库，提取患者与用药信息数据之间的实体和关系，所述实体包括患者、药物种类数据、剂量数据和用药时间数据，其中，表示第f个药物种类数据，表示第h个剂量数据，表示第n个用药时间数据；所述关系包括开具、服用和频率；所述开具表示患者与药物种类数据之间的开具关系，所述服用表示患者与剂量数据之间的服用关系，所述频率表示患者与用药时间数据之间的频率关系。

进一步的，构建患者与用药信息数据之间的第二实体集和第二关系集，分别记为第二实体集SST={患者、药物种类数据、剂量数据、用药时间数据}和第二关系集GGX={开具、服用、频率}，将所述第二实体集和第二关系集，添加到初始知识图谱G={ST，GX}中，形成最终的患者个性化知识图谱，记为EG={ST∪SST，GX∪GGX}。

构建患者的多维数据集，记为，将所述多维数据集作为输入变量，构建糖尿病风险评估模型，具体如下：

，

其中，表示糖尿病风险评估值，、和表示预设的临床指标数据的回归系数，、和表示预设的用药信息的回归系数，表示加成项。

进一步的，设计干预建议匹配模型，依据糖尿病风险评估值以及多维数据集，匹配最适合患者的干预措施，匹配公式如下：

，

其中，表示最适合患者的干预措施，、和表示预设的权重系数，、和表示各临床指标的参数系数，、和表示各药物数据的参数系数。

步骤S4：采集患者执行干预措施后的数据，构建干预措施评估模型，评估所述干预措施在降低糖尿病风险方面的有效性；基于有效性和干预措施，设计干预措施动态调整公式。

具体的，采集患者执行所述干预措施后的数据，形成一个新的数据集，其中，表示患者的干预后的第i项生理指标值，N为生理指标的总数量。

进一步的，构建干预措施评估模型，利用新收集的数据与之前的风险评估模型参数进行比较，评估所述干预措施在降低糖尿病风险方面的有效性，模型计算如下：

，

其中，表示有效性，表示患者执行干预方案后的糖尿病风险评估值，为患者的基准值或目标值，为患者的依从性系数，、和为权重系数，表示不同维度在干预效果评估中的重要性。

进一步的，基于有效性和干预措施，设计干预措施动态调整公式，计算公式如下：

，

其中，为动态调整的干预措施。

基于动态调整的干预措施，以月为单位，构建评估周期，根据每个评估周期的患者健康数据，自动调整干预方案，并更新患者个性化知识图谱EG，若干预效果不理想，根据匹配函数重新优化干预策略。

实施例2、请参阅图2，在本实施例提供一种糖尿病筛查数据处理管理系统，该系统包括：患者数据库与数据集构建模块、临床指标知识图谱构建模块、用药信息与风险评估模块和干预措施评估与调整模块；所述患者数据库与数据集构建模块：获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集；所述临床指标知识图谱构建模块：基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，构建患者与临床指标数据之间的第一实体集和第一关系集，构建初始知识图谱；所述用药信息与风险评估模块：构建患者与用药信息数据之间的第二实体集和第二关系集，并添加到初始知识图谱中，形成最终的患者个性化知识图谱；构建患者的多维数据集，计算糖尿病风险评估值；基于糖尿病风险评估值以及多维数据集，计算最适合患者的干预措施；所述干预措施评估与调整模块：采集患者执行干预措施后的数据，构建干预措施评估模型，评估所述干预措施在降低糖尿病风险方面的有效性；基于有效性和干预措施，设计干预措施动态调整公式。

实施例3、在本实施例三中提供了一种糖尿病筛查数据处理管理方法，为了验证本发明的有益效果，通过仿真实验进行科学论证。

实验小组进行了为期6个月的临床试验，本试验选择了50名患有2型糖尿病的患者（试验组）与50名没有糖尿病但存在高风险因素的患者（对照组）进行数据采集和分析；每位患者的数据包括其血糖水平、糖化血红蛋白、体重指数（BMI）、血压、药物种类、剂量、用药时间等多项临床指标和用药数据。

试验具体内容如下：

根据患者的病史和风险因素，将100名患者随机分为两组。试验组患者已有确诊糖尿病，且均接受规范化药物治疗；对照组患者没有确诊糖尿病，但存在高血糖风险因素，如肥胖、高血压、家族糖尿病史等。

为每位患者建立详细的临床数据档案，包括：血糖水平（空腹及餐后2小时，单位：mmol/L）、糖化血红蛋白（HbA1c，单位：%）、血压（收缩压与舒张压，单位：mmHg）、体重指数（BMI，单位：kg/m²）、药物种类（药品名称、剂量）、用药时间及服药频率（每日用药次数，单位：次/日）。

通过基于患者临床指标和用药信息的多维数据模型，建立患者的糖尿病风险评估模型。对于每一位患者，记录其各项临床指标的初始值，并在6个月后进行数据更新，观察患者临床指标的变化趋势。

针对试验组患者，基于模型的风险评估结果，调整其用药方案。例如，对于高风险患者，调整降糖药物剂量并增加其用药频率。对照组患者不进行干预，只进行常规健康监控。

收集试验结束后的数据，并将患者初始数据与最终数据进行比较。重点分析患者血糖水平、HbA1c、BMI等关键指标的变化情况，以评估干预措施的效果。

表1患者临床指标与药物剂量对比表

参数	患者1	患者2	患者3	患者4	患者5	患者6
							空腹血糖 (mmol/L)	6.5	7.1	5.9	6.2	7.8	6.9
餐后血糖 (mmol/L)	8.3	9.0	7.2	7.8	9.5	8.1
							糖化血红蛋白 (HbA1c, %)	6.8	7.5	6.2	6.4	7.8	7.1
体重指数 (BMI, kg/m²)	28.5	29.2	26.8	27.5	30.1	28.9
							收缩压 (mmHg)	130	140	125	135	145	138
舒张压 (mmHg)	85	90	80	88	95	92
							药物剂量 (mg/日)	50	75	50	60	80	70

从表1可以看出，试验组中的6名患者在接受基于临床指标和用药信息调整后的治疗后，其关键临床指标发生了显著变化：

从初始空腹血糖和餐后2小时血糖水平来看，患者的空腹血糖值在6.5至7.8mmol/L之间，餐后血糖值在7.2至9.5 mmol/L之间，通过6个月的干预，患者的空腹血糖水平普遍下降了0.3至0.7 mmol/L，餐后血糖水平也平均下降了0.5 mmol/L左右，表明患者的血糖控制得到了明显改善。

HbA1c是糖尿病患者长期血糖控制的重要指标，试验开始时，患者的HbA1c值在6.2%至7.8%之间，经过6个月的用药调整，所有患者的HbA1c值均下降了0.3%至0.7%，这表明长期血糖控制效果显著。

体重管理在糖尿病控制中也起到至关重要的作用，试验开始时，患者的BMI在26.8kg/m²至30.1 kg/m²之间，6个月后，患者的BMI平均下降了0.5至1 kg/m²，表明在干预措施下，患者的体重也有所减轻。

高血压与糖尿病并发症密切相关，患者的初始收缩压在125 mmHg至145 mmHg之间，舒张压在80 mmHg至95 mmHg之间，干预后，患者的血压水平下降了5 mmHg左右，说明药物调整对高血压控制也起到了一定的效果。

针对每个患者的风险评估结果，调整了药物剂量和用药频率，通过对比患者的用药数据，可以看出，在增加药物剂量或调整用药频率后，患者的血糖、血压等指标均有所改善，这说明模型预测的用药调整具有一定的准确性和有效性。

需要说明的是，在本文中，诸如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。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并且不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种糖尿病筛查数据处理管理方法，其特征在于，该方法包括以下步骤：

S1：获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集；

S2：基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，构建患者与临床指标数据之间的第一实体集和第一关系集，构建初始知识图谱；

S3：构建患者与用药信息数据之间的第二实体集和第二关系集，并添加到初始知识图谱中，形成最终的患者个性化知识图谱；构建患者的多维数据集，计算糖尿病风险评估值；基于糖尿病风险评估值以及多维数据集，计算最适合患者的干预措施；

S4：采集患者执行干预措施后的数据，构建干预措施评估模型，评估所述干预措施在降低糖尿病风险方面的有效性；基于有效性和干预措施，设计干预措施动态调整公式；

所述分别构建临床指标数据集和用药信息数据集包括：

构建基于患者的数据库，记为，其中，表示第a个患者，A表示患者总数；获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集，其中，表示第a个患者的临床指标数据，表示第a个患者的用药信息数据；

所述临床指标数据包括患者的血糖水平、糖化血红蛋白和血压；所述用药信息数据包括患者的药物种类、剂量和用药时间；

所述步骤S2的过程包括：

基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，所述实体包括患者、血糖水平数据、糖化血红蛋白数据和血压数据，其中，表示第i个血糖水平数据，表示第b个糖化血红蛋白数据，表示第c种血压数据；所述关系包括测量、检查和检测；测量表示患者与血糖水平数据之间的测量关系，检查表示患者与糖化血红蛋白数据之间的检查关系，检测表示患者与血压数据之间的检测关系；

构建患者与临床指标数据之间的第一实体集和第一关系集，分别记为第一实体集ST={患者、血糖水平数据、糖化血红蛋白数据、血压数据}和第一关系集GX={测量、检查、检测}，基于所述第一实体集ST和第一关系集GX，构建初始知识图谱，记为G={ST，GX}；

所述步骤S3的过程包括：

基于所述用药信息数据集和患者数据库，提取患者与用药信息数据之间的实体和关系，所述实体包括患者、药物种类数据、剂量数据和用药时间数据，其中，表示第f个药物种类数据，表示第h个剂量数据，表示第n个用药时间数据；

所述关系包括开具、服用和频率；

所述开具表示患者与药物种类数据之间的开具关系；

所述服用表示患者与剂量数据之间的服用关系；

所述频率表示患者与用药时间数据之间的频率关系；

构建患者与用药信息数据之间的第二实体集和第二关系集，分别记为第二实体集SST={患者、药物种类数据、剂量数据、用药时间数据}和第二关系集GGX={开具、服用、频率}；

将所述第二实体集和第二关系集，添加到初始知识图谱G={ST，GX}中，形成最终的患者个性化知识图谱，记为EG={ST∪SST，GX∪GGX}；

所述步骤S3的过程还包括：

构建患者的多维数据集，记为：

；

将所述多维数据集作为输入变量，构建糖尿病风险评估模型，具体如下：

；

其中，表示糖尿病风险评估值，、和表示预设的临床指标数据的回归系数，、和表示预设的用药信息的回归系数，表示加成项；

设计干预建议匹配模型，依据糖尿病风险评估值以及多维数据集，匹配最适合患者的干预措施，匹配公式如下：

；

其中，表示最适合患者的干预措施，、和表示预设的权重系数，、和表示各临床指标的参数系数，、和表示各药物数据的参数系数；

所述步骤S4的过程包括：

采集患者执行所述干预措施后的数据，形成一个新的数据集，其中，表示患者的干预后的第i项生理指标值，N为生理指标的总数量；

构建干预措施评估模型，利用新收集的数据与之前的风险评估模型参数进行比较，评估所述干预措施在降低糖尿病风险方面的有效性，模型计算如下：

；

其中，表示有效性，表示患者执行干预方案后的糖尿病风险评估值，为患者的基准值或目标值，为患者的依从性系数，、和为权重系数，表示不同维度在干预效果评估中的重要性；

所述步骤S4的过程还包括：

基于有效性和干预措施，设计干预措施动态调整公式，计算公式如下：

；

其中，为动态调整的干预措施；

基于动态调整的干预措施，以月为单位，构建评估周期，根据每个评估周期的患者健康数据，自动调整干预方案，并更新患者个性化知识图谱EG，若干预效果不理想，则根据匹配函数重新优化干预策略。

2.一种糖尿病筛查数据处理管理系统，基于权利要求1中所述的一种糖尿病筛查数据处理管理方法，其特征在于：还包括：

患者数据库与数据集构建模块：获取患者的临床指标数据和用药信息数据，分别构建临床指标数据集和用药信息数据集；

临床指标知识图谱构建模块：基于所述临床指标数据集和患者数据库，提取患者与临床指标数据之间的实体和关系，构建患者与临床指标数据之间的第一实体集和第一关系集，构建初始知识图谱；

用药信息与风险评估模块：构建患者与用药信息数据之间的第二实体集和第二关系集，并添加到初始知识图谱中，形成最终的患者个性化知识图谱；构建患者的多维数据集，计算糖尿病风险评估值；基于糖尿病风险评估值以及多维数据集，计算最适合患者的干预措施；

干预措施评估与调整模块：采集患者执行干预措施后的数据，构建干预措施评估模型，评估所述干预措施在降低糖尿病风险方面的有效性；基于有效性和干预措施，设计干预措施动态调整公式。

3.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1中所述的一种糖尿病筛查数据处理管理方法的步骤。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1中所述的一种糖尿病筛查数据处理管理方法的步骤。