精准化糖尿病知识问答（LLM+机器学习预测模型）

关键词：精准化；糖尿病（慢病）

这里主要是对APP部署途径的叙述，在这之前讨论两个问题：

1. 慢性疾病适用什么样的预测模型。对于糖尿病等慢病来说，诊断是容易的，比如糖尿病在空腹血糖值达到一定的水平即可诊断，高血压也是如此，所以制作慢病类的诊断预测模型必要性不大，又因为慢病重在预防，所以制作cox类的预测模型预先估计一段时间后慢病发生的风险，就有一定的用途。

2. 精准化如何实现？仅仅知道患病风险大还不够，还要知道哪些因素造成了风险，所以在做出风险估计之后，还需要做归因，即分析出当前指标对于预测结果的贡献大小，以便有的放矢地改善不良指标，而达到预防的目的。又因为人与人或者不同阶段的不良指标是不同的，归因分析要求个性化以实现精准化预防。

以上过程可以通过构建COX机器学习模型+SHAP分析来实现，是目前比较成熟的技术，此处主要叙述以以上工作为基础的APP部署的实现。

实现过程分为三个步骤：

1. API部署糖尿病cox预测模型

采用fastapi包来部署预测模型，预测模型中实现了3个API，分别是预测第3年的患病风险，预测第5年的患病风险，给出SHAP分析变量的归因结果。

宝塔面板部署API，联合内网穿透实现外网访问，这样就可以在千帆平台中引用API。

机器学习部署中需要注意问题就是算力有一定的要求，所以在一些算力较小的环境下可能部署不聊，比如免费的Render账号。

2. 千帆平台构建应用

将预测模型API构建成组件，以便应用访问。可以有多种设计，原先的设计是用户输入时间后给出特定时间的患病风险，后来感觉容易引起大模型的误会，所以采用了目前的设计，输入数据给出第3年和第五年的患病风险以及归因结果。牺牲了自由度，降低了出错的可能性。

应用中还加入了另外组件，健康小助手，以便回答相对专业一点的医疗问题，解释结果并根据结果给出个性化的预防建议。

注意选择高级一点的LLM，有助于理解数据的处理。

3.构建streamlit应用

第二步结束以后已经可以进行问答，但是APP样式和部署途径是固定的，如果说想实现更加样式个性化以及更多的部署途径，可以使用streamlit等工具进行包装，仅仅复制了千帆应用的问答。

streamlit的chat功能感觉样式不多，也可以选择gradio等。

APP访问地址：https://stdiabetes.streamlit.app/

总结

对于慢性疾病来说，通过COX预测模型预测未来一段时间内的患病风险是更适合的模式，结合模型解释分析可以实现个性化、精准化地预防。
LLM+API可以看作是部署机器学习模型的另外一种形式，与纯streamlit等可视化的形式相比，在处理和展示图片等方面有所削弱，但是在结果的整理和解释方面有独特的优势。