CN101584578A - 一种对结节病与不典型结核病的综合评分参数的分析方法 - Google Patents
一种对结节病与不典型结核病的综合评分参数的分析方法 Download PDFInfo
- Publication number
- CN101584578A CN101584578A CNA2009101512133A CN200910151213A CN101584578A CN 101584578 A CN101584578 A CN 101584578A CN A2009101512133 A CNA2009101512133 A CN A2009101512133A CN 200910151213 A CN200910151213 A CN 200910151213A CN 101584578 A CN101584578 A CN 101584578A
- Authority
- CN
- China
- Prior art keywords
- clinical
- sarcoidosis
- comprehensive grading
- image
- lungy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明属医学数据分析技术领域,涉及对疾病相关因素评分参数分析方法,具体涉及一种对结节病与不典型结核病的综合评分参数的分析方法。本发明采用临床流行病学病例对照研究方法,选定经病理活检和治疗随访证实的结节病患者和结核病患者,进行回顾性单因素分析,并结合现有技术标准,选择对所述的两种疾病具有鉴别意义的危险因素、临床表现、影像学和病理学特点的变量进行Logistic回归分析,计算各变量的权重分数,建立评分模型,通过模型软件对结节病与不典型结核病的综合评分参数进行分析。本发明方法能为临床应用提供重要的参考依据和快速高效的辅助分析。
Description
技术领域
本发明属医学数据分析技术领域,涉及对疾病相关因素评分参数分析方法,具体涉及一种对结节病与不典型结核病的综合评分参数的分析方法。
背景技术
结节病是一种多器官受累的非干酪性上皮样肉芽肿性疾病,90%以上累及肺脏和纵隔。Jonathon Hutchinson最早对其进行了描述,迄今已有100多年的历史,但结节病的病因至今未明。目前普遍认为,结节病是具有基因易感性的个体暴露于环境中的某些致病因素而发病。有关研究报道,虽然有些病原体如:结核分枝杆菌、非典型分枝杆菌、丙酸杆菌、肺炎衣原体、博氏疏螺旋体和病毒等均曾被认为是结节病可能的病因,但尚未找到可靠证据。由于结节病和结核病同为肉芽肿类疾病,且二者在临床、病理、免疫特征上都非常相似,尤其当结核病的病理表现为增殖性肉芽肿而无干酪样坏死且抗酸染色阴性时,二者的鉴别诊断尤其困难。目前尚无可靠的鉴别方法,更重要的是给后续的治疗选择带来了极大的困惑。因此该两种疾病的鉴别诊断显得非常重要。为此,有关研究人员试图通过对上述两种疾病的相关因素进行分析,得以为所述的疾病的鉴别提供有用的参考数据,但因所涉及的因素错综复杂,故迄今为止,尚未见有效地相关的评分参数及模型的报道。
发明内容
本发明的目的是为临床应用提供一种对疾病相关因素评分参数的分析方法,尤其涉及一种实施简单,操作灵活的对结节病与不典型结核病的综合评分参数的分析方法。
本发明通过下述的技术方案实现:
采用临床流行病学病例对照研究方法,选定经病理活检和治疗随访证实的结节病患者和结核病患者,进行回顾性单因素分析,并结合现有技术标准(包括临床和文献报道),选择对所述的两种疾病具有鉴别意义的危险因素、临床表现、影像学和病理学特点的变量进行Logistic回归分析,计算各变量的权重分数,建立评分模型,通过模型软件对结节病与不典型结核病的综合评分参数进行分析。
本发明方法包括下述步骤,
1、选定经病理活检和治疗随访证实的结节病患者和结核病患者,收集(1)一般资料;(2)临床表现资料;(3)影像学资料;(4)实验室检查资料;(5)病理检查资料,进行单因素回顾性分析,
2、将选定的单因素进行Logistic回归分析,获得对所述的两种疾病具有鉴别意义的变量,对每个自变量进行评分赋值,计算各变量的权重分数;
3、根据不同的临床资料收集情况,分类为:临床-影像,临床-影像-核素,临床-影像-病理,临床-影像-核素-病理四种评分组合,建立综合评分模型;
4、绘制ROC曲线,确定有较高预测价值的临界分值,通过模型软件对结节病与不典型结核病的综合评分参数进行分析。
所述的模型软件由后端数据库,模型算法和前端图形用户接口三部分组成。其中的后端数据库用于存储患者信息具有安全、大容量及查询编辑高效等优点;模型算法通过评分分析模型的计算机编程实现;图形用户接口提供用户和计算机交互窗口,和提供信息输入、查询、编辑、评分分析和结果打印输出接口。
上述的模型软件其工作模式如下:
i录入患者个人基本信息和各临床检测项结果数据;
ii录入完成后,选定患者,读取其临床信息,根据所获得的临床资料选择评分组合类别进行评分计算;
iii所述的模型算法的数学表述为:
假设评分组合M选择因素{Γ1,Γ2,...,Γn}进行评分,M给予因素Γi(i=1,2,...n)的评分权重为δi,假设Γi的临床检查值为Di,则因素Γi在M中的得分为函数Φi(Di,δi);评分组合M的最后总得分为:
τM=∑Φi(Di,δi)(i=1,2,...n)
iv分析模型计算总得分并输出分析结果。
所述的模型软件能提供不同类别的评分组合对就诊者进行快速即时评分计算,然后根据模型分析计算结果得出分析结论。该软件简捷易用,在临床诊断中,能为医生提供快速高效的辅助分析。
本发明根据不同的临床资料收集情况后,采用临床-影像,临床-影像-核素,临床-影像-病理,临床-影像-核素-病理综合评分模型,选出有鉴别价值的13个危险因素作为Logistic回归分析的自变量,进行Logistic回归分析。
选取经病理活检和治疗随访证实的结节病患者和结核病患者,按照上述各组合所建立的综合评分模型分别进行评分分析,结果显示,所述两种病例所得的总分数有差别,P=0.000。根据ROC曲线确定每个评分模型鉴别两种疾病相关因素评分参数的最佳临界点,分别为9、17、18、22。结果表明,本发明方法能为临床应用提供重要的参考依据和快速高效的辅助分析。
附图说明
图1是结节病与结核病各组合总分值的ROC曲线。
具体实施方式
实施例1
根据结节病和结核病临床影像病理和实验室检查结果,按现有技术标准设计原始资料录入表,录入内容包括:
(1)一般资料:住院号、姓名、性别、年龄、职业、住址、单位、电话、主要诊断及分期、伴/继发疾病、结核接触或既往病史、吸烟史、家族史、过敏史、纯结核蛋白衍生物(PPD)皮肤试验、治疗方案。
(2)临床表现:发热、咳嗽、咳痰、痰血、胸闷、胸痛、气促、盗汗、乏力、消瘦、肺外表现(如:眼部症状,关节症状、皮肤红斑、皮下结节、浅表淋巴结肿大等)、肺部干湿性罗音。
(3)影像学资料:治疗前后胸片、CT,心电图、超声、ECT。
(4)实验室检查资料。
(5)病理检查资料。
进行单因素Logistic回归分析,获得对所述的两种疾病具有鉴别意义的变量:性别、PPD结果、干咳、痰血、胸闷、气促和肺外表现、纵隔淋巴结肿大并对称、空洞或钙化、肺部影像学部位、肺部核素表现、病理坏死、病理网染,对每个自变量进行评分赋值,以此分值对结节病和结核病组分别进行评分,计算各变量的权重分数;
需要提出的是,上述各单因素并非是各自独立的运用于两种疾病的诊断中,其各自在两种疾病中的诊断意义及其每一个的升高降低和两种疾病的发生无直接关系,本发明方法根据不同的临床资料收集情况分类为下述评分组合:临床-影像,临床-影像-核素,临床-影像-病理,临床-影像-核素-病理,将四种评分组合作为综合评分模型,根据其对相关因素综合评分参数的分析作为临床应用的参考依据;
绘制ROC曲线,确定有较高预测价值的临界分值,通过模型软件对结节病与不典型结核病的综合评分参数进行分析。
结果表明,
临床-影像(CR)综合评分模型:结节病组总分数的中位数为:15(6~18),四分位数间距(QR)(12~16),结核病组总分数的中位数为:3(-1~13),QR(2~6)。两组总分数比较采用Mann-Whitney U检验,U=282.50,P=0.000。根据ROC曲线选取评分≥9分作为鉴别结节病与结核病的临界分值。
临床-影像-核素(CRE)综合评分模型:结节病组总分数的中位数为24(11~29),QR(22~29),结核病组总分数的中位数为:7(-1~17),QR(5~11),两者比较P<0.01(U=106.000,P=0.000)。根据ROC曲线选取评分≥17分作为鉴别结节病与结核病的临界分值。
临床-影像-病理(CRP)综合评分模型:结节病组总分数的中位数为:26(12~32),QR(21~27),结核病组总分数的中位数为:6(0~24),QR(4~9),两者比较P<0.01(U=94.50,P=0.000)。根据ROC曲线选取评分≥18分作为鉴别结节病与结核病的临界分值。
临床-影像-核素-病理(CREP)综合评分模型:结节病组总分数的中位数为:32(17~39),QR(27~36),结核病组总分数的中位数为:7(0~24),QR(5~12),两者比较P<0.01(U=38.000,P=0.000)。根据ROC曲线选取评分≥22分作为鉴别结节病与结核病的临界分值。
表1是两组之间变量进行χ2检验的结果和变量的赋值#。
表2是结节病和结核病鉴别各组的评分标准。
表1
#括号内数值为所占总体的百分数;*肺病影像学部位分为:结核好发部位(上叶尖后段和/或下叶背段L0)、两肺的其它部位(L1)、单肺的其它部位(L2)、正常(L3),χ2检验的结果是χ2=124.13,P=0.000;核素表现分为:正常(E0)、单肺或单侧肺门(E1)、典型或不典型熊猫或八字征(E2),χ2检验的结果是χ2=250.68,P=0.000。
表2
β为Logistic分析结果中的回归系数;*作为基数的数值。
Claims (8)
1、一种对结节病与不典型结核病的综合评分参数的分析方法,其特征是通过下述步骤:
1)选定经病理活检和治疗随访证实的结节病患者和结核病患者,收集(1)一般资料;(2)临床表现资料;(3)影像学资料;(4)实验室检查资料;(5)病理检查资料,进行单因素回顾性分析;
2)将选定的单因素进行Logistic回归分析,获得对所述的两种疾病具有鉴别意义的变量,对每个自变量进行评分赋值,计算各变量的权重分数;
3)根据不同的临床资料收集情况,分类为:临床一影像,临床-影像-核素,临床-影像-病理,临床-影像-核素-病理四种评分组合,建立综合评分模型;
4)绘制ROC曲线,确定临界分值,通过模型软件对结节病与不典型结核病的综合评分参数进行分析。
2、按权利要求1所述的对结节病与不典型结核病的综合评分参数的分析方法,其特征是所述的模型软件由后端数据库,模型算法和前端图形用户接口三部分组成,其中的数据库后端存储患者信息、查询编辑;模型算法通过评分分析模型的计算机编程实现;图形用户接口提供用户和计算机交互窗口,提供信息输入、查询、编辑、评分分析和结果打印输出接口。
3、按权利要求1或2所述的对结节病与不典型结核病的综合评分参数的分析方法,其特征是所述的模型软件工作模式为:
1)录入患者个人基本信息和各临床检测项结果数据;
2)录入完成后,选定患者,读取其临床信息,根据所获得的临床资料选择评分组合进行评分计算;
3)算法的数学表述为:
假设评分组合M选择因素{Г1,Г2,…,Гn}进行评分,M给予因素Гi(i=1,2,…n)的评分权重为δi,假设Гi的临床检查值为Di,则因素Гi在M中的得分为函数Φi(Di,δi),评分组合M的最后总得分为:
τM=∑Φi(Di,δi) (i=1,2,…n)
4)分析模型计算总得分并输出分析结果。
4、按权利要求1所述的对结节病与不典型结核病的综合评分参数的分析方法,其特征是所述的临床-影像,临床-影像-核素,临床-影像-病理,临床-影像-核素-病理四种评分组合的最佳临界点分别为9、17、18、22。
5、按权利要求1所述的对结节病与不典型结核病的综合评分参数的分析方法,其特征是所述的临床-影像综合评分模型中:结节病组总分数的中位数为15,四分位数间距12~16;结核病组总分数的中位数为3,四分位数间距2~6。
6、按权利要求1所述的对结节病与不典型结核病的综合评分参数的分析方法,其特征是所述的临床-影像-核素综合评分模型中:结节病组总分数的中位数为24,四分位数间距22~29,结核病组总分数的中位数为7,四分位数间距5~11。
7、按权利要求1所述的对结节病与不典型结核病的综合评分参数的分析方法,其特征是所述的临床-影像-病理综合评分模型中:结节病组总分数的中位数为26,四分位数间距21~27,结核病组总分数的中位数为:6,四分位数间距4~9。
8、按权利要求1所述的对结节病与不典型结核病的综合评分参数的分析方法,其特征是所述的临床-影像-核素-病理综合评分模型中:结节病组总分数的中位数为32,四分位数间距27~36,结核病组总分数的中位数为7,四分位数间距5~12。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009101512133A CN101584578A (zh) | 2008-09-10 | 2009-06-20 | 一种对结节病与不典型结核病的综合评分参数的分析方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810042758 | 2008-09-10 | ||
CN200810042758.6 | 2008-09-10 | ||
CNA2009101512133A CN101584578A (zh) | 2008-09-10 | 2009-06-20 | 一种对结节病与不典型结核病的综合评分参数的分析方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103215139A Division CN102512244A (zh) | 2009-06-20 | 2009-06-20 | 一种对结节病与不典型结核病的综合评分参数的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101584578A true CN101584578A (zh) | 2009-11-25 |
Family
ID=41369162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2009101512133A Pending CN101584578A (zh) | 2008-09-10 | 2009-06-20 | 一种对结节病与不典型结核病的综合评分参数的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101584578A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102068271A (zh) * | 2011-02-22 | 2011-05-25 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
CN104462866A (zh) * | 2014-12-01 | 2015-03-25 | 金华市中心医院 | 气道侵袭性曲霉病评分模型及其建立方法 |
CN105372431A (zh) * | 2014-08-15 | 2016-03-02 | 同济大学附属上海市肺科医院 | 一组结节病血清特异性标志蛋白及其检测试剂盒 |
CN109564772A (zh) * | 2016-07-29 | 2019-04-02 | 通用电气公司 | 生物学特征分析技术 |
CN109583447A (zh) * | 2018-12-11 | 2019-04-05 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种影像组学分析模型构建方法及分析方法 |
CN109599175A (zh) * | 2018-12-04 | 2019-04-09 | 中山大学孙逸仙纪念医院 | 一种分析关节破坏进展概率的装置及方法 |
CN109994214A (zh) * | 2019-04-13 | 2019-07-09 | 中国医学科学院北京协和医院 | 克罗恩病和肠白塞的鉴别模型及模型构建方法 |
CN111128389A (zh) * | 2019-12-10 | 2020-05-08 | 东软集团股份有限公司 | 病因分析方法、装置、系统、存储介质和电子设备 |
-
2009
- 2009-06-20 CN CNA2009101512133A patent/CN101584578A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102068271A (zh) * | 2011-02-22 | 2011-05-25 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
CN102068271B (zh) * | 2011-02-22 | 2012-04-18 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
CN105372431A (zh) * | 2014-08-15 | 2016-03-02 | 同济大学附属上海市肺科医院 | 一组结节病血清特异性标志蛋白及其检测试剂盒 |
CN104462866A (zh) * | 2014-12-01 | 2015-03-25 | 金华市中心医院 | 气道侵袭性曲霉病评分模型及其建立方法 |
CN109564772A (zh) * | 2016-07-29 | 2019-04-02 | 通用电气公司 | 生物学特征分析技术 |
CN109599175A (zh) * | 2018-12-04 | 2019-04-09 | 中山大学孙逸仙纪念医院 | 一种分析关节破坏进展概率的装置及方法 |
CN109583447A (zh) * | 2018-12-11 | 2019-04-05 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种影像组学分析模型构建方法及分析方法 |
CN109994214A (zh) * | 2019-04-13 | 2019-07-09 | 中国医学科学院北京协和医院 | 克罗恩病和肠白塞的鉴别模型及模型构建方法 |
CN111128389A (zh) * | 2019-12-10 | 2020-05-08 | 东软集团股份有限公司 | 病因分析方法、装置、系统、存储介质和电子设备 |
CN111128389B (zh) * | 2019-12-10 | 2023-08-11 | 东软集团股份有限公司 | 病因分析方法、装置、系统、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101584578A (zh) | 一种对结节病与不典型结核病的综合评分参数的分析方法 | |
Umer et al. | COVINet: a convolutional neural network approach for predicting COVID-19 from chest X-ray images | |
Stokes et al. | A machine learning model for supporting symptom-based referral and diagnosis of bronchitis and pneumonia in limited resource settings | |
Chakraborty et al. | A transfer learning-based approach with deep cnn for covid-19-and pneumonia-affected chest x-ray image classification | |
JP5523342B2 (ja) | 類似事例検索を精密化するための方法及び装置 | |
WO2021227511A1 (zh) | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 | |
JP2018060529A (ja) | コンテキストベースの患者類似性の方法及び装置 | |
CN102512244A (zh) | 一种对结节病与不典型结核病的综合评分参数的分析方法 | |
Radha | Analysis of COVID-19 and pneumonia detection in chest X-ray images using deep learning | |
Christopher et al. | Study of classification algorithm for lung cancer prediction | |
Han et al. | Development and validation of a 3D-convolutional neural network model based on chest CT for differentiating active pulmonary tuberculosis from community-acquired pneumonia | |
JP2010211452A (ja) | 症例画像検索装置、方法およびプログラム | |
KR101653502B1 (ko) | 미병 분류를 보조하는 컴퓨팅 장치 및 방법 | |
CN112635064B (zh) | 一种基于深度pca变换的早期糖尿病风险预测方法 | |
KR101578270B1 (ko) | 미병지수 측정을 위한 장치 및 방법 | |
Mao et al. | Efficient and accurate diagnosis of otomycosis using an ensemble deep-learning model | |
Lin et al. | Using transfer learning of convolutional neural network on neck radiographs to identify acute epiglottitis | |
Kupetsky et al. | The diagnostic evaluation of MelaFind multi-spectral objective computer vision system | |
CN115691735A (zh) | 一种基于慢阻肺专科数据的多模态数据管理方法及系统 | |
CN115171830A (zh) | 基于病患数据的服务包生成方法、装置、设备及存储介质 | |
Huang et al. | Tongue size and shape classification fusing segmentation features for traditional Chinese medicine diagnosis | |
Marzoog et al. | Detecting Covid-19 And Other Pneumonia Diseases Using Shufflent Cnn. | |
Marshall et al. | Neural classification of chest pain symptoms: a comparative study | |
Baig et al. | A systematic study on revelation and examination of COVID-19 using radiology | |
Sripada et al. | A novel approach to classify skin malignancy through deep convolutional neural network and image preprocessing approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20091125 |