运用计算智能来预测健康风险和疾病是一个普遍而多步骤的过程。针对疾病风险预测，解释了与预测剖析相关的不同场景。第一种状况是基于心脏代谢疾病，因此，预测系统最重要的组成部分是详细的生理和健康数据。
例如，在心脏代谢疾病领域中，对于在数据库中登记的患者，考虑几个参数(年龄、性别、收缩压和舒张压、胆固醇、糖尿病和吸烟习惯),并计算他们的风险分数。风险评分给出了将整个人群分为高风险组和低风险组的一般概念[33].尽管如此，还是进行了替代分析，以确定整个人群中每个健康参数的潜在风险群体。但是这种分析对于预测不同健康参数对人群的心脏代谢疾病的风险和影响的更详细的技术是可扩展的。例如，Framingham风险评分用于预测冠心病(心肌梗死或冠心病死亡),并根据年龄、总胆固醇、高密度脂蛋白(HDL)、收缩压、高血压治疗和吸烟状况等预测因素进行计算[34].在这种情况下，弗雷明汉风险可以表示为考虑所有参数的线性方程。然而，考虑到更小和更具体的人群样本集，存在与心血管风险相关的几个其他参数的非线性关系的可能性，这在经典风险预测模型中通常不被考虑。
随着全球范围内高血压患病率的上升及其与心血管风险的其他参数的相关性，使用如前馈神经网络的计算技术来模拟收缩压、舒张压和脉压随年龄、脉率、酒精成瘾和身体活动水平等生物参数的变化。在这方面，ANN方法为血压参数的预后和预测提供了比经典统计算法更灵活和非线性的模型42].即使复杂的心血管疾病有所增加，使用随机森林、人工神经网络、支持向量机和贝叶斯网络等机器学习模型来预测住院时间长度也会对医疗保健指标产生积极影响[43].类似聚类的无监督学习的非线性模型通常用于患者群体的分层和从不同群体中提取知识。这与风险预测高度相关，因为具有相似特征的个体通常呈现相似的风险特征
通过非线性机器学习模型的计算智能方面甚至应用于其他领域，如移植中的生存预测和癌症等慢性病的早期检测。使用计算智能和预测分析的另一个有趣的例子是预测神经退行性疾病，如帕金森病。像帕金森病和特发性震颤这样影响人的正常运动的疾病有一些共同的症状或表现，这使得区分它们是一项困难的任务。医生的临床经验在做出准确诊断时至关重要。并且在这种情况下，该诊断是主观的，并且可能被超出医务人员通常有效分析能力的几个因素所污染45].特别是在使用基于物联网的可穿戴传感器的情况下，获得的关于患者运动的数据是广泛而复杂的。然而，它为使用计算智能预测或早期检测此类疾病提供了巨大的空间。这方面的一个主要挑战是基于在一段时间内获得的患者数据早期检测这种疾病，跟踪其变化或发现表现出类似患病趋势的模式。同样在这种情况下，线性模型并不总是有用的，因为参数是相当动态的，并且它需要提供连续分析其他非形式化参数以发现导致预测的有趣特征。因此，计算智能方面不仅有助于设计更好的分析模型，而且有助于以更高的准确度预测疾病。

结论
非线性系统构成了针对疾病和人类风险的预测分析领域的重要组成部分。在数据和电子健康的新时代，数据的固有知识变得非常重要，这需要具有计算智能的特定方法。特别是对于慢性疾病，长期行为数据非常重要。数据建模和预测分析为临床决策支持系统开辟了一条巨大的道路，临床决策支持系统是预防性和个性化医疗保健的基本工具，支持医疗保健提供商更深入地了解患者数据[46]并做出临床决策[33].因此，智能预测的使用主要基于两个部分——健康数据的建模和获得的知识的分析。计算智能和预测分析不仅有助于预测疾病风险，还在很大程度上支持可视化大规模人群的整体健康状况，旨在设计更高效、更稳健的全球医疗保健战略。当然，它处理越来越多的挑战，如获得的健康数据的复杂性，缺乏用于扩展和统一分析的可互操作系统，一些机器学习算法的内在偏差，以及实施困难。
非线性方法的应用已经证明了其在预测健康风险和疾病方面的潜力
并有望从全球角度重塑健康分析、疾病早期检测和预测领域。
非线性健康预警分析将会成为新时代健康行业的趋势与标杆