CN102968558A - 一种预测初诊前列腺癌骨转移风险的装置 - Google Patents
一种预测初诊前列腺癌骨转移风险的装置 Download PDFInfo
- Publication number
- CN102968558A CN102968558A CN2012104573893A CN201210457389A CN102968558A CN 102968558 A CN102968558 A CN 102968558A CN 2012104573893 A CN2012104573893 A CN 2012104573893A CN 201210457389 A CN201210457389 A CN 201210457389A CN 102968558 A CN102968558 A CN 102968558A
- Authority
- CN
- China
- Prior art keywords
- variable
- load module
- age
- value
- module
- 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.)
- Granted
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了预测初诊前列腺癌骨转移风险的装置,预测骨转移的风险,对骨转移风险高的患者进行骨扫描,不增加漏诊的情况下避免骨扫描的过度使用。其技术方案为:装置包括:存储模块,设置四个输入槽,为固定长度槽、第一可供滑动槽、第二可供滑动槽、第三可供滑动槽;四个输入模块,分别为放置在固定长度槽中的临床分期输入模块、放置在第一可供滑动槽中的Gleason评分输入模块、放置在第二可供滑动槽中的PSA值输入模块以及放置在第三可供滑动槽中的年龄输入模块;处理模块,用于对四个输入模块在存储模块各输入槽中的位置进行调整,获得输出位点;输出模块,设有骨转移的预测风险值的标尺,输出位点在标尺上对应的位点为预测风险值。
Description
技术领域
本发明涉及一种疾病预测装置,尤其涉及用于预测初诊前列腺癌患者发生骨转移风险的装置。
背景技术
骨扫描在诊断前列腺癌骨转移上的敏感性较高,但中西方在骨扫描的适用指征上存在有明显的差异性。欧美指南并不推荐对初诊前列腺癌患者都行骨扫描检查,这与中国目前指南相反。目前有多项研究表明,PSA、临床分期及Gleason评分是前列腺癌发生骨转移的独立预测指标。然而通过这些指标,我们只能初步判断前列腺癌是否会发生骨转移,并不能通过整合各个指标间的预测价值进而对骨转移状态进行更为准确的判定。
目前临床医师根据初诊前列腺癌患者的相关检查资料并不能预测出该患者发生骨转移的具体风险值,因而只能根据中国指南对所有的初诊前列腺癌行骨扫描检查。由于大部分的初诊前列腺癌患者在初诊时并未发生骨转移,加上中国医疗资源的有限性,因而并不是每个初诊前列腺癌患者都应接受骨扫描检查。
如果在初诊前列腺癌患者就诊时,我们能根据相关的检查结果预测出患者发生骨转移的具体风险值,然后再根据转移风险值决定是否对该患者行骨扫描检查,可以在一定程度上减少不必要的骨扫描检查。但是,临床上并没有相关的对初诊前列腺癌骨转移进行预测的工具。
发明内容
本发明的目的在于解决上述问题,提供了一种预测初诊前列腺癌骨转移风险的装置,通过事先预测骨转移的风险,只是对骨转移风险高的患者进行针对性的骨扫描,在不增加漏诊的情况下避免骨扫描的过度使用,从而达到节约医疗资源的目的。
本发明的技术方案为:本发明揭示了一种预测初诊前列腺癌骨转移风险的装置,包括:
输入装置,接收初诊前列腺癌时的临床分期变量、Gleason评分变量、PSA值变量以及年龄变量;
处理装置,连接所述输入装置,基于临床分期变量、Gleason评分变量、PSA值变量以及年龄变量,根据公式得到初诊前列腺癌会发生骨转移的预测风险值:
Logit(P)=In(P/(1-P))=-5.3517+0.0362*Age+coefGS+0.0249*PSA+coefcT
其中P表示骨转移的风险预测值,Age表示年龄变量,coefGS表示Gleason评分变量,coefcT表示临床分期变量,PSA表示PSA值变量;
输出装置,连接处理装置,输出处理装置得到的预测风险值。
本发明还揭示了一种预测初诊前列腺癌骨转移风险的装置,包括:
存储模块,设置四个输入槽,分别为固定长度槽、第一可供滑动槽、第二可供滑动槽、第三可供滑动槽;
四个输入模块,分别为放置在固定长度槽中的临床分期输入模块、放置在第一可供滑动槽中的Gleason评分输入模块、放置在第二可供滑动槽中的PSA值输入模块以及放置在第三可供滑动槽中的年龄输入模块,其中临床分期输入模块用于输入临床分期变量,Gleason评分输入模块用于输入Gleason评分变量,PSA值输入模块用于输入PSA值变量,年龄输入模块用于输入年龄变量;
处理模块,用于对四个输入模块在存储模块各个输入槽中的位置进行调整,获得输出位点;
输出模块,设有骨转移的预测风险值的标尺,输出位点在标尺上对应的位点即为初诊前列腺癌会发生骨转移的预测风险值。
根据本发明的预测初诊前列腺癌骨转移风险的装置的一实施例,所述处理模块的位置调整是:将临床分期输入模块所接收的临床分期变量的位点设置为Gleason评分输入模块的起始点位置,将Gleason评分输入模块所接收的Gleason评分变量的位点设置为PSA值输入模块的起始点位置,将PSA值输入模块所接收的PSA值变量的位点设置为年龄输入模块的起始点位置,将年龄输入模块所接收的年龄变量的位点处理为输出位点。
本发明对比现有技术有如下的有益效果:本发明所基于的原理是对初诊前列腺癌患者的相关临床病理资料进行回顾性分析,建立整合相关预测指标的预测列线图,并由此设计出便于临床使用的装置。通过该装置,临床医师能根据患者的年龄、PSA值、Gleason评分及临床分期4个临床病理指标预测出初诊前列腺癌患者的骨转移概率。相较于现有技术,本发明的装置并不能用于临床上对初诊前列腺癌发生骨转移的确切诊断,但可提前预测出初诊前列腺癌患者的骨转移概率,只是对骨转移风险高的患者进行针对性的骨扫描,在不增加漏诊的情况下避免骨扫描的过度使用,从而达到节约医疗资源的目的。
附图说明
图1示出了本发明的预测初诊前列腺癌骨转移风险的装置的存储模块的示意图。
图2-5示出了本发明的预测初诊前列腺癌骨转移风险的装置的输入模块的示意图。
图6示出了本发明的预测初诊前列腺癌骨转移风险的装置的处理模块的示意图。
图7示出了本发明的预测初诊前列腺癌骨转移风险的装置的输出模块的示意图。
图8A、8B示出了本发明的预测初诊前列腺癌骨转移风险的装置的处理模块的处理过程示意图。
图9示出了本发明的预测初诊前列腺癌骨转移风险的装置的另一实施形式的示意图。
图10示出了根据Logistic回归模型系数相应的列线图。
图11示出了用于评估本发明装置的临床应用价值的决策曲线图。
图12示出了本发明的预测初诊前列腺癌骨转移风险的装置的另一实施例的框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
本发明通过分析初诊前列腺癌患者的相关临床病理资料,建立相关数据库,并在数据库中以R统计软件采用Logistic多因素回归模型分析与骨转移相关的临床病理资料变量,并筛选出相关的预测变量及计算出预测变量的模型系数。在R统计软件中以Design程序包根据Logistic回归模型系数画出相应的预测骨转移风险的列线图。
下面的数据是初诊前列腺癌患者的相关临床病理资料,包括初诊时患者的年龄、碱性磷酸酶值、前列腺特异性抗原(Prostate Specific Antigen,PSA)值、临床分期(cT)、淋巴结转移(cN)、Gleason评分(反映前列腺癌组织生长的形态学结构特征及其生物学行为相关性的评分系统)及骨转移状态。以R 2.14.0统计软件采用Logistic多因素回归模型分析这些初诊患者中与骨转移相关的临床病理资料变量,并依据Akaike信息准则(Akaike Information Criteria,AIC)筛选模型入组变量,最终确定入组模型变量包括年龄、PSA值、cT及Gleason评分。
上述内容中的lrm表示Logistic Regression Model(Logistic回归模型),formula表示方程,x表示x轴参数,y表示y轴参数,T表示参数值,全称为True;Obs全称objects,即研究对象;max|derive|为模型参数;Model Likehood Ratio Test为模型似然比检验,参数包括LR chi2、d.f.及Pr(>chi2);Discrimination Indexes为分辨度指标,参数包括R2、g、gr、gp及Brier;Rank Discrim.Indexes为等级分辨度指标,参数包括C、Dxy、gamma及tau-a;Intercept为截距;Coef为系数;S.E.为标准误差;Wald Z为Wald检验值;Pr(>|Z|)为检验参数。。BM、age、GS、psa及cT分别代表骨转移状态、年龄、Gleason评分、PSA值及临床分期。Model Likelihood Ratio Test表示对整个模型进行统计学检验,Pr(<chi2)<0.0001表示模型有统计学意义,话句话说模型具有可行性。Rank Discrim.Indexes表示整个模型的准确性,其中C较为重要,C全称为C-index(一致指数),本模型的一致指数较佳,为0.839。coef表示模型系数,最终整个模型的回归方程为Logit(P)=In(P/(1-P))=-5.3517+0.0362*Age+coefGS+0.0249*PSA+coefcT(注:方程中P表示骨转移的风险预测值,Gleason评分变量取值为≤6、7、8、9、10时coefGS对应值分别为0、0.0984、0.5525、0.6071及1.3446,临床分期变量取值为≤T2、T3、T4时coefcT对应值分别为0、0.2537及1.9815)。
在图10中,R 2.14.0统计软件以Design程序包根据Logistic回归模型系数画出相应的列线图。该列线图的使用方法:对某一特定的初诊前列腺癌患者,根据该患者的年龄、Gleason评分、PSA值及临床分期4个指标根据垂直线可分别算出每个指标所对的相应积分,四个积分总和即为总分,总分在同一垂直线上多对应的骨转移的风险预测值即为该患者发生骨转移的预测概率。
R 2.14.0统计软件给出的年龄、Gleason评分、PSA值、临床分期4个指标及骨转移的预测风险值所对应的具体积分或总分。age、GS、psa及cT分别代表年龄、Gleason评分、PSA值及临床分期,Predicted value代表骨转移的预测风险值,具体内容如下:
其中Age Points表示年龄积分,psa Points表示PSA积分,GS Points表示Gleason评分积分,cT Points表示临床分期积分,Total Points表示总积分,Predicted Value表示预测值。
基于上述的原理设计了本发明的装置,本实施例的装置包括存储模块、四个输入模块、处理模块以及输出模块。请参见图1,示出了装置的存储模块,在存储模块中设置四个输入槽,分别为固定长度槽、第一可供滑动槽、第二可供滑动槽和第三可供滑动槽,均用于放置输入模块。
四个输入模块分别是临床分期输入模块、Gleason评分输入模块、PSA值输入模块和年龄输入模块。请参见图2,示出了临床分期输入模块的放置位置,即放置在固定长度槽中,用于输入临床分期变量。请参见图3,示出了Gleason评分输入模块的放置位置,即放置在第一可供滑动槽中,用于输入Gleason评分变量。请参见图4,示出了PSA值输入模块的放置位置,即放置在第二可供滑动槽中,用于输入PSA值变量。请参见图5,示出了年龄输入模块的放置位置,即放置在第三可供滑动槽中,用于输入年龄变量。
图6的处理模块用于对临床分期输入模块、Gleason评分输入模块、PSA值输入模块和年龄输入模块在存储模块的各个输入槽中的位置进行调整,获得输出位点。
图7示出了输出模块在装置中的位置,其上设有骨转移的预测风险值的标尺,例如表示0-1的发生概率。
处理模块的具体的调整过程请参见图8A、8B。图8A是处理前的起始位置,临床分期输入模块、Gleason评分输入模块、PSA值输入模块和年龄输入模块的起始点均位于各自所处输入槽的最前端。接着处理模块对位置进行调整:首先将临床分期输入模块所接收的临床分期变量的位点设置为Gleason评分输入模块的起始点位置,然后将Gleason评分输入模块所接收的Gleason评分变量的位点设置为PSA值输入模块的起始点位置,接着将PSA值输入模块所接收的PSA值变量的位点设置为年龄输入模块的起始点位置,最后将年龄输入模块所接收的年龄变量的位点处理为输出位点。而输出位点在输出模块的标尺上对应的位点就是初诊前列腺癌会发生骨转移的预测风险值。在图示中,例如患者的临床分期为T3,Gleason评分为9分,PSA为70ng/mL,则该装置所测得的患者发生骨转移的可能性为40%。
当然,除了上述附图中所示的装置表现形式,还可以用圆形装置来代替长方形装置,其使用方法、原理和装置结构均和长方形装置相同,在此不再赘述。
以下是本发明的预测初诊前列腺癌骨转移风险的装置的另一实施例的原理。请参见图12所示,本实施例的预测初诊前列腺癌骨转移风险的装置,包括:输入装置120、处理装置121和输出装置122。
输入装置120接收初诊前列腺癌时的临床分期变量、Gleason评分变量、PSA值变量以及年龄变量。
处理装置121连接输入装置120,基于临床分期变量、Gleason评分变量、PSA值变量以及年龄变量,根据公式得到初诊前列腺癌会发生骨转移的预测风险值:
Logit(P)=In(P/(1-P))=-5.3517+0.0362*Age+coefGS+0.0249*PSA+coefcT
其中P表示骨转移的风险预测值,Age表示年龄变量,coefGS表示Gleason评分变量,coefcT表示临床分期变量,PSA表示PSA值变量。
输出装置122连接处理装置121,输出处理装置121得到的预测风险值。
图11的决策曲线用于评估本发明装置的临床应用价值,在不同的决策阈值概率模型所取得的净获益最大,或者在低阈值概率所取得的净获益不差于对患者全行骨扫描所获得净获益。
上述实施例是提供给本领域普通技术人员来实现和使用本发明的,本领域普通技术人员可在不脱离本发明的发明思想的情况下,对上述实施例做出种种修改或变化,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求书所提到的创新性特征的最大范围。
Claims (3)
1.一种预测初诊前列腺癌骨转移风险的装置,包括:
输入装置,接收初诊前列腺癌时的临床分期变量、Gleason评分变量、PSA值变量以及年龄变量;
处理装置,连接所述输入装置,基于临床分期变量、Gleason评分变量、PSA值变量以及年龄变量,根据公式得到初诊前列腺癌会发生骨转移的预测风险值:
Logit(P)=In(P/(1-P))=-5.3517+0.0362*Age+coefGS+0.0249*PSA+coefcT
其中P表示骨转移的风险预测值,Age表示年龄变量,coefGS表示Gleason评分变量,coefcT表示临床分期变量,PSA表示PSA值变量;
输出装置,连接处理装置,输出处理装置得到的预测风险值。
2.一种预测初诊前列腺癌骨转移风险的装置,包括:
存储模块,设置四个输入槽,分别为固定长度槽、第一可供滑动槽、第二可供滑动槽、第三可供滑动槽;
四个输入模块,分别为放置在固定长度槽中的临床分期输入模块、放置在第一可供滑动槽中的Gleason评分输入模块、放置在第二可供滑动槽中的PSA值输入模块以及放置在第三可供滑动槽中的年龄输入模块,其中临床分期输入模块用于输入临床分期变量,Gleason评分输入模块用于输入Gleason评分变量,PSA值输入模块用于输入PSA值变量,年龄输入模块用于输入年龄变量;
处理模块,用于对四个输入模块在存储模块各个输入槽中的位置进行调整,获得输出位点;
输出模块,设有骨转移的预测风险值的标尺,输出位点在标尺上对应的位点即为初诊前列腺癌会发生骨转移的预测风险值。
3.根据权利要求2所述的预测初诊前列腺癌骨转移风险的装置,其特征在于,所述处理模块的位置调整是:将临床分期输入模块所接收的临床分期变量的位点设置为Gleason评分输入模块的起始点位置,将Gleason评分输入模块所接收的Gleason评分变量的位点设置为PSA值输入模块的起始点位置,将PSA值输入模块所接收的PSA值变量的位点设置为年龄输入模块的起始点位置,将年龄输入模块所接收的年龄变量的位点处理为输出位点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210457389.3A CN102968558B (zh) | 2012-11-14 | 2012-11-14 | 一种预测初诊前列腺癌骨转移风险的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210457389.3A CN102968558B (zh) | 2012-11-14 | 2012-11-14 | 一种预测初诊前列腺癌骨转移风险的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102968558A true CN102968558A (zh) | 2013-03-13 |
CN102968558B CN102968558B (zh) | 2015-11-18 |
Family
ID=47798695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210457389.3A Expired - Fee Related CN102968558B (zh) | 2012-11-14 | 2012-11-14 | 一种预测初诊前列腺癌骨转移风险的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102968558B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653886A (zh) * | 2016-03-25 | 2016-06-08 | 复旦大学附属肿瘤医院 | 一种预测前列腺穿刺活检患前列腺癌风险的装置 |
CN108389624A (zh) * | 2018-01-31 | 2018-08-10 | 浙江大学 | 基于cox比例风险模型的十二指肠腺癌预后预测系统 |
CN108492884A (zh) * | 2018-02-08 | 2018-09-04 | 浙江大学 | 基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统 |
CN110364258A (zh) * | 2019-08-19 | 2019-10-22 | 南京鼓楼医院 | 一种Xp11.2易位型肾癌的风险预测装置 |
CN110911008A (zh) * | 2018-09-17 | 2020-03-24 | 复旦大学附属儿科医院 | 一种建立胆道闭锁列线图预测模型的方法及其用途 |
CN112216388A (zh) * | 2020-09-29 | 2021-01-12 | 北京大学第三医院(北京大学第三临床医学院) | 一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统 |
CN112336358A (zh) * | 2020-04-30 | 2021-02-09 | 中山大学孙逸仙纪念医院 | 一种预测致密型乳腺的乳腺病灶恶性风险模型及其构建方法 |
CN113284619A (zh) * | 2021-04-20 | 2021-08-20 | 四川大学华西医院 | 预测前列腺癌患者术后出现生化复发的方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101220392A (zh) * | 2006-10-31 | 2008-07-16 | 维里德克斯有限责任公司 | 前列腺癌鉴定 |
CN101652484A (zh) * | 2006-11-08 | 2010-02-17 | 密歇根大学董事会 | 前列腺癌标志物spinki及其应用 |
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
CN101720358A (zh) * | 2007-02-23 | 2010-06-02 | 阿威亚拉德克斯股份有限公司 | 前列腺癌存活和复发 |
-
2012
- 2012-11-14 CN CN201210457389.3A patent/CN102968558B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101220392A (zh) * | 2006-10-31 | 2008-07-16 | 维里德克斯有限责任公司 | 前列腺癌鉴定 |
CN101652484A (zh) * | 2006-11-08 | 2010-02-17 | 密歇根大学董事会 | 前列腺癌标志物spinki及其应用 |
CN101720358A (zh) * | 2007-02-23 | 2010-06-02 | 阿威亚拉德克斯股份有限公司 | 前列腺癌存活和复发 |
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653886A (zh) * | 2016-03-25 | 2016-06-08 | 复旦大学附属肿瘤医院 | 一种预测前列腺穿刺活检患前列腺癌风险的装置 |
CN105653886B (zh) * | 2016-03-25 | 2018-08-14 | 复旦大学附属肿瘤医院 | 一种预测前列腺穿刺活检患前列腺癌风险的装置 |
CN108389624A (zh) * | 2018-01-31 | 2018-08-10 | 浙江大学 | 基于cox比例风险模型的十二指肠腺癌预后预测系统 |
CN108492884A (zh) * | 2018-02-08 | 2018-09-04 | 浙江大学 | 基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统 |
CN110911008A (zh) * | 2018-09-17 | 2020-03-24 | 复旦大学附属儿科医院 | 一种建立胆道闭锁列线图预测模型的方法及其用途 |
CN110364258A (zh) * | 2019-08-19 | 2019-10-22 | 南京鼓楼医院 | 一种Xp11.2易位型肾癌的风险预测装置 |
CN112336358A (zh) * | 2020-04-30 | 2021-02-09 | 中山大学孙逸仙纪念医院 | 一种预测致密型乳腺的乳腺病灶恶性风险模型及其构建方法 |
CN112216388A (zh) * | 2020-09-29 | 2021-01-12 | 北京大学第三医院(北京大学第三临床医学院) | 一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统 |
CN113284619A (zh) * | 2021-04-20 | 2021-08-20 | 四川大学华西医院 | 预测前列腺癌患者术后出现生化复发的方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102968558B (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102968558A (zh) | 一种预测初诊前列腺癌骨转移风险的装置 | |
Moons et al. | PROBAST: a tool to assess risk of bias and applicability of prediction model studies: explanation and elaboration | |
Hu et al. | Strategies for handling missing clinical data for automated surgical site infection detection from the electronic health record | |
CN110109887B (zh) | 数据检索方法、电子设备和计算机存储介质 | |
Sim | Two ways of knowing: big data and evidence-based medicine | |
Wu et al. | Predicting the number of women who will undergo incontinence and prolapse surgery, 2010 to 2050 | |
Chung et al. | Economic analysis of screening strategies for rupture of silicone gel breast implants | |
CN1973778A (zh) | 胃癌术后严重并发症风险度的预测方法 | |
CN111539308A (zh) | 基于深度学习的胚胎质量综合评价装置 | |
Huesch | Association between type of health insurance and elective cesarean deliveries: New Jersey, 2004–2007 | |
Sherman et al. | Leveraging machine learning to predict 30-day hospital readmission after cardiac surgery | |
TWI638275B (zh) | 跨平台臨床醫療數據分析及顯示系統 | |
CN115101199A (zh) | 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 | |
Magnus et al. | Maternal risk of cardiovascular disease after use of assisted reproductive technologies | |
Osterman et al. | Predictive modeling for adverse events and risk stratification programs for people receiving cancer treatment | |
Rattanakanokchai et al. | Perioperative complications of hysterectomy after a previous cesarean section: a systematic review and meta-analysis | |
Welsh et al. | A systematic review of frailty assessment tools used in vascular surgery research | |
CN109524124A (zh) | 重症评分系统 | |
CN105653886A (zh) | 一种预测前列腺穿刺活检患前列腺癌风险的装置 | |
Gail | Applying the Lorenz curve to disease risk to optimize health benefits under cost constraints | |
CN109359838A (zh) | 一种利用HACs算法的监测医疗质量评价系统 | |
Shirts et al. | Using patients like my patient for clinical decision support: institution-specific probability of celiac disease diagnosis using simplified near-neighbor classification | |
Fleury et al. | Implementation of Regional-CNN and SSD machine learning object detection architectures for the real time analysis of blood borne pathogens in dark field microscopy | |
US20220282299A1 (en) | Systems and Methods for Determining Antimicrobial Resistance of a Sample Using Surface Topography Determined from Optical Imaging Data | |
Kang et al. | Prediction of gestational diabetes mellitus in Asian women using machine learning algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151118 Termination date: 20201114 |
|
CF01 | Termination of patent right due to non-payment of annual fee |