CN103778336A - 一种颅内动脉瘤栓塞后复发风险的预测方法及系统 - Google Patents
一种颅内动脉瘤栓塞后复发风险的预测方法及系统 Download PDFInfo
- Publication number
- CN103778336A CN103778336A CN201410031300.6A CN201410031300A CN103778336A CN 103778336 A CN103778336 A CN 103778336A CN 201410031300 A CN201410031300 A CN 201410031300A CN 103778336 A CN103778336 A CN 103778336A
- Authority
- CN
- China
- Prior art keywords
- embolization
- intracranial aneurysm
- parameter value
- lapse
- intracranial
- 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
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种颅内动脉瘤栓塞后复发风险的预测方法及系统,分析已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值及临床特征分别与颅内动脉瘤栓塞后的转归方向之间的关系,确定颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型,用于在后续对临床病例的颅内动脉瘤栓塞后的转归方向预测时,根据所建立的评估模型进行准确地及归一化地预测,从而本发明量化地对颅内动脉瘤栓塞后的转归方向进行预测。
Description
技术领域
本发明涉及临床医学技术领域,特别涉及一种颅内动脉瘤栓塞后复发风险的预测方法及系统。
背景技术
在临床医学中,颅内动脉瘤是严重威胁人类健康的常见脑血管疾病,采用介入栓塞技术治疗逐渐成为颅内动脉瘤的重要治疗手段。对颅内动脉瘤进行介入栓塞技术治疗后,其后续的转归方向有:颅内动脉瘤治愈、颅内动脉瘤保持稳定及颅内动脉瘤复发等不同的转归方向。为了准确确定颅内动脉瘤栓塞后的转归方向,就需要进行预测,以评估颅内动脉瘤栓塞后复发风险,从而为后续治疗颅内动脉瘤提供技术数据支持。
目前,预测颅内动脉瘤栓塞后的转归方向的方式主要有两种。
第一种方式,依据临床病例的随访和总结,由医疗人员确定是否具有复发风险,具体地说,根据临床病例的临床特征,包括颅内动脉瘤特征及栓塞特征,由医疗人员的经验确定复发风险,确定颅内动脉瘤栓塞后的转归方向,其中,颅内动脉瘤特征包括:颅内动脉瘤的部位、大小及形状信息等,栓塞特征包括:栓塞材料及栓塞程度;所述栓塞材料为单纯弹簧圈栓塞或支架辅助弹簧圈栓塞,所述栓塞程度为完全栓塞或部分栓塞,部分栓塞程度表达为已栓塞体积占原动脉瘤总体积的百分比。
第二种方式,对颅内动脉瘤进行三维影像造影,采用计算机数值模拟对三维造影的颅内动脉瘤进行血流动力学研究,得到病例个体化的血流动力学参数值,根据得到的血流动力学参数值中的某些类型参数值,对颅内动脉栓塞后复发风险进行预测,确定颅内动脉瘤栓塞后的转归方向。
采用以上两种方式预测颅内动脉瘤栓塞后的转归方向都存在缺点:采用第一种方式涉及的特征众多,没有个体化及量化的标准,对颅内动脉瘤栓塞后复发的影响特征不清楚,医疗人员无法准确判断,需要采用经验来判断。或者需要对所有临床病例都采用归一化方式,按照第二种方式进行有创性的对颅内动脉瘤进行三维影像造影,一般临床病例往往要经历2次以上的对颅内动脉瘤的三维影像造影过程,这对临床病例来说是过度的还是不足的,没有统一标准,且采用第二种方式对临床病例进行颅内动脉瘤栓塞后复发风险的预测,会带来额外的经济负担和医疗风险。
综上,目前在预测颅内动脉瘤栓塞后复发风险时,对颅内动脉瘤栓塞后转归方向的机理认识不足,没有量化地提示哪些特征能够减少颅内动脉瘤栓塞后复发的风险,能够增加颅内动脉瘤栓塞后的稳定性,导致在颅内动脉瘤栓塞后的后续续检查及治疗等问题上,具有一定程度的盲目性。
发明内容
有鉴于此,本发明提供一种动脉瘤栓塞后复发风险的预测方法,该方法能够量化地对颅内动脉瘤栓塞后的转归方向进行预测。
本发明还提供一种动脉瘤栓塞后复发风险的预测系统,该系统能够量化且归一化地颅内动脉瘤栓塞后的转归方向进行预测。
为达到上述目的,本发明实施的技术方案具体是这样实现的:
一种颅内动脉瘤栓塞后复发风险的预测方法,该方法包括:
对已有临床病例进行分析,得到已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值及临床特征分别与颅内动脉瘤栓塞后的转归方向之间的关系;
筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型;
利用所建立的颅内动脉瘤栓塞后的转归方向评估模型,用于后续对临床病例的颅内动脉瘤栓塞后的转归方向的预测。
所述已有临床病例包括颅内动脉瘤栓塞后的血流动力学参数值、临床特征及颅内动脉瘤栓塞后的转归方向。
所述颅内动脉瘤栓塞后的临床特征包括:颅内动脉瘤的临床特征及栓塞的临床特征,其中,
颅内动脉瘤的临床特征包括:颅内动脉瘤的大小、位置及形状信息;
栓塞的临床特征包括:栓塞材料及栓塞程度;
所述栓塞材料为单纯弹簧圈栓塞或支架辅助弹簧圈栓塞,所述栓塞程度为完全栓塞或部分栓塞,部分栓塞程度表达为已栓塞体积占原动脉瘤总体积的百分比。
所述筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值为:
以血流动力学参数值解释颅内动脉瘤栓塞后不同转归方向的机理,建立临床真实状态的三维血流动力学数值模拟计算分析方法,引入单纯弹簧圈栓塞或支架辅助弹簧圈栓塞治疗后颅内动脉瘤及其载瘤血管内的血流动力学特征,得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值包括:血流流速、壁面切应力、壁面切应力震荡因子、切应力梯度或/和低切应力面积。
所述建立颅内动脉瘤栓塞后的转归方向评估模型是采用SPSS18.0统计程序进行数据处理、评估和预测,定义p<0.05时差异有统计意义:
首先,采用统计学方式确定影响颅内动脉瘤栓塞后的转归方向的关键因素,然后建立Logistic预测模型。
所述采用统计学方式确定影响颅内动脉瘤栓塞后的转归方向的关键因素为:
颅内动脉瘤栓塞后的转归方向为保持稳定组和复发组的临床病例的比较分别采用单因素方差分析one-wayANOVA,两组间采用SNK法,各个临床特征或血流动力学参数值与破裂的相关性采用秩相关分析;
所述建立Logistic预测模型为:
采用多因素分析方法寻找各参数值中对颅内动脉瘤栓塞治疗后转归影响最大的,采用受试者工作特征ROC曲线评判各指标的诊断效度,分析各个指标下的ROC曲线面积与已有临床病例的敏感度和特异度,寻找效果最好的血流动力学参数值及临床特征,将该血流动力学参数值及临床特征作为评估颅内动脉瘤的转归方向阈值。
一种颅内动脉瘤栓塞后复发风险的预测系统,该系统包括分析模块、模型建立模块及预测模块,其中,
分析模块,用于对已有临床病例进行分析,得到已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值及临床特征分别与颅内动脉瘤栓塞后的转归方向之间的关系;
模型建立模块,用于筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型;
预测模块,用于利用所建立的颅内动脉瘤栓塞后的转归方向评估模型,用于后续对临床病例的颅内动脉瘤栓塞后的转归方向的预测。
分析模块,还用于所述临床病例包括:颅内动脉瘤栓塞后的血流动力学参数值、临床特征及颅内动脉瘤栓塞后的转归方向。
模型建立模块中还包括第一筛选模块,用于以血流动力学参数值解释颅内动脉瘤栓塞后不同转归方向的机理,建立临床真实状态的三维血流动力学数值模拟计算分析方法,包括引入单纯弹簧圈栓塞或支架辅助弹簧圈栓塞治疗后颅内动脉瘤及其载瘤血管内的血流动力学特征,得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值包括:血流流速、壁面切应力、壁面切应力震荡因子、切应力梯度或/和低切应力面积。
模型建立模块中还包括第二筛选模块,用于在建立颅内动脉瘤栓塞后的转归方向评估模型时,采用SPSS18.0统计程序进行数据处理、评估和预测,定义p<0.05时差异有统计意义:首先,采用统计学方式确定影响颅内动脉瘤栓塞后的转归方向的关键因素,然后建立Logistic预测模型。
由上述方案可以看出,本发明分析已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值及临床特征分别与颅内动脉瘤栓塞后的转归方向之间的关系,确定颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型,用于在后续对临床病例的颅内动脉瘤栓塞后的转归方向预测时,根据所建立的评估模型进行准确地及归一化地预测,从而本发明量化地对颅内动脉瘤栓塞后的转归方向进行预测。
附图说明
图1为本发明实施例提供的颅内动脉瘤栓塞后复发风险的预测方法流程图;
图2为本发明实施例提供的颅内动脉瘤栓塞后复发风险的预测系统流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明作进一步详细说明。
本发明实施例为了量化且归一化地对颅内动脉瘤栓塞后的转归方向进行预测,分析已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值及临床特征分别与颅内动脉瘤栓塞后的转归方向之间的关系,确定颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型,用于在后续对临床病例的颅内动脉瘤栓塞后的转归方向预测时,根据所建立的评估模型进行准确地及归一化地预测。
图1为本发明实施例提供的颅内动脉瘤栓塞后复发风险的预测方法流程图,其具体步骤为:
步骤101、对已有临床病例进行分析;
在本步骤中,是对已有的颅内动脉瘤栓塞后的所有临床病例进行回顾性分析,这些临床病例记载了颅内动脉瘤栓塞后的血流动力学参数值及临床特征,还记载了颅内动脉瘤栓塞后的转归方向;
在本步骤中,颅内动脉瘤栓塞后的临床特征包括:颅内动脉瘤的临床特征及栓塞的临床特征,其中,颅内动脉瘤的临床特征包括:颅内动脉瘤的大小、位置及形状信息等,栓塞的临床特征包括:栓塞材料及栓塞程度;所述栓塞材料为单纯弹簧圈栓塞或支架辅助弹簧圈栓塞,所述栓塞程度为完全栓塞或部分栓塞,部分栓塞程度表达为已栓塞体积占原动脉瘤总体积的百分比。
步骤102、分析得到已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值与颅内动脉瘤栓塞后的转归方向之间的关系,分析得到已有临床病例的颅内动脉瘤栓塞后的临床特征与颅内动脉瘤栓塞后的转归方向之间的关系;
步骤103、筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型;
在本步骤中,筛选得到影响颅内动脉瘤栓塞后的转归方向的关键因素;
在本步骤中,筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值的过程还包括:
以血流动力学参数值解释颅内动脉瘤栓塞后不同转归方向的机理,建立更加接近临床真实状态的三维血流动力学数值计算分析方法,提高研究的科学性和临床应用价值,其中,引入单纯弹簧圈栓塞或支架辅助弹簧圈栓塞治疗后颅内动脉瘤及其载瘤血管内的血流动力学特征,得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值包括:血流流速、壁面切应力、壁面切应力震荡因子、切应力梯度或/和低切应力面积;
这样,本步骤就丰富了评价指标、引入新的参数及多角度探讨颅内动脉瘤栓塞后转归的相关因素;
按照上述方式筛选,得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值为:血流流速、壁面切应力、壁面切应力震荡因子、切应力梯度及低切应力面积等参数;
在建立颅内动脉瘤栓塞后的转归方向评估模型时,采用SPSS18.0统计程序进行数据处理、评估和预测,定义概率值p<0.05时差异有统计意义。其中,SPSS是一个IBM SPSS公司推出的商业软件,它是一款专业的数据统计分析软件,将几乎所有的统计学计算功能都以统一、规范的界面展现出来,基本功能包括数据管理、统计分析、图表分析及输出管理等,其中的概率值p为P-Value(Probability,Pr),概率值p是进行检验决策的另一个依据,反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的p值,一般以p<0.05为显著,p<0.01为非常显著,其含义是样本间的差异由抽样误差所致的概率小于0.05或0.01。
所建立的颅内动脉瘤栓塞后的转归方向评估模型的过程为:
首先,采用统计学方式确定影响颅内动脉瘤栓塞后的转归方向的关键因素,比如颅内动脉瘤栓塞后的转归方向为破裂组及未破裂组的临床病例的比较分别采用单因素方差分析(one-wayANOVA),两组间采用SNK法,所述SNK(Student-Newman-Keuls)检验,又称q检验,多个样本均数间“每两个”均数的比较;各个临床特征或血流动力学参数值与栓塞治疗后转归方向的相关性采用秩相关分析,然后建立Logistic预测模型,包括:采用多因素分析方法寻找各参数值中对颅内动脉瘤破裂影响最大的,采用受试者工作特征(ROC)曲线评判各指标的诊断效度,分析各个指标下的ROC曲线面积与已有临床病例的敏感度和特异度,寻找效果最好的血流动力学参数值及临床特征,将该血流动力学参数值及临床特征作为评估颅内动脉瘤治疗后转归方向的阈值;
步骤104、利用所建立的颅内动脉瘤栓塞后的转归方向评估模型,在后续对临床病例的颅内动脉瘤栓塞后的转归方向预测时,进行准确地及归一化地预测。
图2为本发明实施例提供的颅内动脉瘤栓塞后复发风险的预测系统流程图,包括:分析模块、模型建立模块及预测模块,其中,
分析模块,用于对已有临床病例进行分析,分析得到已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值与颅内动脉瘤栓塞后的转归方向之间的关系,分析得到已有临床病例的颅内动脉瘤栓塞后的临床特征与颅内动脉瘤栓塞后的转归方向之间的关系;
模型建立模块,用于筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型;
预测模块,用于利用所建立的颅内动脉瘤栓塞后的转归方向评估模型,在后续对临床病例的颅内动脉瘤栓塞后的转归方向预测时,进行准确地及归一化地预测。
在该装置中,分析模块,还用于所述临床病例包括:颅内动脉瘤栓塞后的血流动力学参数值及临床特征,还记载了颅内动脉瘤栓塞后的转归方向。
在该装置中,模型建立模块中还包括第一筛选模块,用于以血流动力学参数值解释颅内动脉瘤栓塞后不同转归方向的机理,建立临床真实状态的三维血流动力学数值计算分析方法进行筛选,其中,在数值模拟的计算中,引入栓塞治疗材料诸如弹簧圈置入后或者支架辅助弹簧圈置入后的颅内动脉瘤及其载瘤血管中的血流动力学模拟计算,得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值为:血流流速、壁面切应力、壁面切应力震荡因子、切应力梯度或/和低切应力面积。
在该装置中,模型建立模块中还包括第二筛选模块,用于在建立颅内动脉瘤栓塞后的转归方向评估模型时,采用SPSS18.0统计程序进行数据处理、评估和预测,定义p<0.05时差异有统计意义:首先,采用统计学方式确定影响颅内动脉瘤栓塞后的转归方向的关键因素,颅内动脉瘤栓塞后的转归方向为保持稳定组及复发组的临床病例的比较分别采用one-wayANOVA,两组间采用SNK法,各个临床特征或血流动力学参数值与栓塞后转归方向的相关性采用秩相关分析;然后建立Logistic预测模型,包括:采用多因素分析方法寻找各参数值中对颅内动脉瘤破裂影响最大的,采用ROC曲线评判各指标的诊断效度,分析各个指标下的ROC曲线面积与已有临床病例的敏感度和特异度,寻找效果最好的血流动力学参数值及临床特征,将该血流动力学参数值及临床特征作为评估颅内动脉瘤栓塞后转归方向的阈值。
采用本发明提供的方法及系统,所建立的颅内动脉瘤栓塞后的转归方向评估模型中既有临床特征又有血流动力学参数值,两者相结合,能更好地评估颅内动脉瘤栓塞后复发风险,具有临床的指导意义。
采用本发明提供的方法及系统评估预测颅内动脉瘤栓塞效果,将多元逻辑回归方法应用于评估预测颅内动脉瘤栓塞后复发风险。
以上举较佳实施例,对本发明的目的、技术方案和优点进行了进一步详细说明,所应理解的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种颅内动脉瘤栓塞后复发风险的预测方法,其特征在于,该方法包括:
对已有临床病例进行分析,得到已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值及临床特征分别与颅内动脉瘤栓塞后的转归方向之间的关系;
筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型;
利用所建立的颅内动脉瘤栓塞后的转归方向评估模型,用于后续对临床病例的颅内动脉瘤栓塞后的转归方向的预测。
2.如权利要求1所述的方法,其特征在于,所述已有临床病例包括颅内动脉瘤栓塞后的血流动力学参数值、临床特征及颅内动脉瘤栓塞后的转归方向。
3.如权利要求1所述的方法,其特征在于,所述颅内动脉瘤栓塞后的临床特征包括:颅内动脉瘤的临床特征及栓塞的临床特征,其中,
颅内动脉瘤的临床特征包括:颅内动脉瘤的大小、位置及形状信息;
栓塞的临床特征包括:栓塞材料及栓塞程度;
所述栓塞材料为单纯弹簧圈栓塞或支架辅助弹簧圈栓塞,所述栓塞程度为完全栓塞或部分栓塞,部分栓塞程度表达为已栓塞体积占原动脉瘤总体积的百分比。
4.如权利要求1所述的方法,其特征在于,所述筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值为:
以血流动力学参数值解释颅内动脉瘤栓塞后不同转归方向的机理,建立临床真实状态的三维血流动力学数值模拟计算分析方法,引入单纯弹簧圈栓塞或支架辅助弹簧圈栓塞治疗后颅内动脉瘤及其载瘤血管内的血流动力学特征,得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值包括:血流流速、壁面切应力、壁面切应力震荡因子、切应力梯度或/和低切应力面积。
5.如权利要求1或4所述的方法,其特征在于,所述建立颅内动脉瘤栓塞后的转归方向评估模型是采用SPSS18.0统计程序进行数据处理、评估和预测,定义p<0.05时差异有统计意义:
首先,采用统计学方式确定影响颅内动脉瘤栓塞后的转归方向的关键因素,然后建立Logistic预测模型。
6.如权利要求5所述的方法,其特征在于,所述采用统计学方式确定影响颅内动脉瘤栓塞后的转归方向的关键因素为:
颅内动脉瘤栓塞后的转归方向为保持稳定组和复发组的临床病例的比较分别采用单因素方差分析one-wayANOVA,两组间采用SNK法,各个临床特征或血流动力学参数值与破裂的相关性采用秩相关分析;
所述建立Logistic预测模型为:
采用多因素分析方法寻找各参数值中对颅内动脉瘤栓塞治疗后转归影响最大的,采用受试者工作特征ROC曲线评判各指标的诊断效度,分析各个指标下的ROC曲线面积与已有临床病例的敏感度和特异度,寻找效果最好的血流动力学参数值及临床特征,将该血流动力学参数值及临床特征作为评估颅内动脉瘤的转归方向阈值。
7.一种颅内动脉瘤栓塞后复发风险的预测系统,其特征在于,该系统包括分析模块、模型建立模块及预测模块,其中,
分析模块,用于对已有临床病例进行分析,得到已有临床病例的颅内动脉瘤栓塞后的血流动力学参数值及临床特征分别与颅内动脉瘤栓塞后的转归方向之间的关系;
模型建立模块,用于筛选得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值及临床特征,建立颅内动脉瘤栓塞后的转归方向评估模型;
预测模块,用于利用所建立的颅内动脉瘤栓塞后的转归方向评估模型,用于后续对临床病例的颅内动脉瘤栓塞后的转归方向的预测。
8.如权利要求7所述的预测系统,其特征在于,
分析模块,还用于所述临床病例包括:颅内动脉瘤栓塞后的血流动力学参数值、临床特征及颅内动脉瘤栓塞后的转归方向。
9.如权利要求7所述的预测系统,其特征在于,
模型建立模块中还包括第一筛选模块,用于以血流动力学参数值解释颅内动脉瘤栓塞后不同转归方向的机理,建立临床真实状态的三维血流动力学数值模拟计算分析方法,包括引入单纯弹簧圈栓塞或支架辅助弹簧圈栓塞治疗后颅内动脉瘤及其载瘤血管内的血流动力学特征,得到颅内动脉瘤栓塞后的转归方向对应的血流动力学参数值包括:血流流速、壁面切应力、壁面切应力震荡因子、切应力梯度和/或低切应力面积。
10.如权利要求7所述的预测系统,其特征在于,
模型建立模块中还包括第二筛选模块,用于在建立颅内动脉瘤栓塞后的转归方向评估模型时,采用SPSS18.0统计程序进行数据处理、评估和预测,定义p<0.05时差异有统计意义:首先,采用统计学方式确定影响颅内动脉瘤栓塞后的转归方向的关键因素,然后建立Logistic预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410031300.6A CN103778336A (zh) | 2014-01-23 | 2014-01-23 | 一种颅内动脉瘤栓塞后复发风险的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410031300.6A CN103778336A (zh) | 2014-01-23 | 2014-01-23 | 一种颅内动脉瘤栓塞后复发风险的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103778336A true CN103778336A (zh) | 2014-05-07 |
Family
ID=50570564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410031300.6A Pending CN103778336A (zh) | 2014-01-23 | 2014-01-23 | 一种颅内动脉瘤栓塞后复发风险的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778336A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108899065A (zh) * | 2018-06-26 | 2018-11-27 | 深圳市小豆芽医疗科技有限公司 | 一种牙科临床治疗数据管理方法及装置 |
CN109414184A (zh) * | 2016-06-02 | 2019-03-01 | 安努斯克里恩有限公司 | 用于监测脑动脉瘤状况的方法和系统 |
CN109473161A (zh) * | 2018-12-29 | 2019-03-15 | 上海联影医疗科技有限公司 | 血栓属性信息获取方法、装置、设备和存储介质 |
CN109671065A (zh) * | 2018-12-14 | 2019-04-23 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的取栓判断的方法及系统 |
CN111863265A (zh) * | 2020-07-27 | 2020-10-30 | 强联智创(北京)科技有限公司 | 一种模拟方法、装置以及设备 |
CN113130078A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
CN113488170A (zh) * | 2021-07-02 | 2021-10-08 | 温州医科大学 | 急性前葡萄膜炎复发风险预测模型构建方法及相关设备 |
CN116525121A (zh) * | 2023-07-05 | 2023-08-01 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1129666A1 (en) * | 2000-03-03 | 2001-09-05 | Cordis Neurovascular, Inc. | Endovascular aneurysm embolization device |
CN103198202A (zh) * | 2012-12-19 | 2013-07-10 | 首都医科大学 | 颅内动脉瘤介入治疗支架植入图像仿真方法 |
-
2014
- 2014-01-23 CN CN201410031300.6A patent/CN103778336A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1129666A1 (en) * | 2000-03-03 | 2001-09-05 | Cordis Neurovascular, Inc. | Endovascular aneurysm embolization device |
CN103198202A (zh) * | 2012-12-19 | 2013-07-10 | 首都医科大学 | 颅内动脉瘤介入治疗支架植入图像仿真方法 |
Non-Patent Citations (2)
Title |
---|
于红玉等: "基于影像特征的颅内动脉瘤三维血流动力学模型建立方法", 《中国医疗设备》, vol. 24, no. 10, 15 October 2009 (2009-10-15) * |
刘爱华等: "颅内后交通动脉动脉瘤栓塞后复发的血流动力学数值模拟分析", 《中国脑血管病杂志》, vol. 10, no. 2, 18 February 2013 (2013-02-18) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109414184A (zh) * | 2016-06-02 | 2019-03-01 | 安努斯克里恩有限公司 | 用于监测脑动脉瘤状况的方法和系统 |
CN108899065A (zh) * | 2018-06-26 | 2018-11-27 | 深圳市小豆芽医疗科技有限公司 | 一种牙科临床治疗数据管理方法及装置 |
CN109671065A (zh) * | 2018-12-14 | 2019-04-23 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的取栓判断的方法及系统 |
CN109473161A (zh) * | 2018-12-29 | 2019-03-15 | 上海联影医疗科技有限公司 | 血栓属性信息获取方法、装置、设备和存储介质 |
CN111863265A (zh) * | 2020-07-27 | 2020-10-30 | 强联智创(北京)科技有限公司 | 一种模拟方法、装置以及设备 |
CN111863265B (zh) * | 2020-07-27 | 2024-03-29 | 强联智创(北京)科技有限公司 | 一种模拟方法、装置以及设备 |
CN113130078A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
CN113488170A (zh) * | 2021-07-02 | 2021-10-08 | 温州医科大学 | 急性前葡萄膜炎复发风险预测模型构建方法及相关设备 |
CN116525121A (zh) * | 2023-07-05 | 2023-08-01 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
CN116525121B (zh) * | 2023-07-05 | 2023-09-26 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778336A (zh) | 一种颅内动脉瘤栓塞后复发风险的预测方法及系统 | |
WO2014103134A1 (en) | Predicting a time of failure of a device | |
US11276495B2 (en) | Systems and methods for predicting multiple health care outcomes | |
Gandy et al. | Risk-adjusted monitoring of time to event | |
WO2019001278A1 (zh) | 医疗保险基金精算预测方法、装置以及计算机设备 | |
EP2930665A2 (en) | Integrating design and field management of gas turbine engine components with a probabilistic model | |
CN105229471A (zh) | 用于基于生物化学标记分析确定先兆子痫风险的系统和方法 | |
JP2017174375A (ja) | リスク早期警報方法、および装置 | |
WO2014033681A2 (en) | Modeling techniques for predicting mortality in intensive care units | |
WO2009052244A1 (en) | Systems and methods for evaluating interventions | |
US20170103190A1 (en) | System and method for evaluating risks of clinical trial conducting sites | |
CA3055187A1 (en) | Medical adverse event prediction, reporting, and prevention | |
CN111798988A (zh) | 风险区域预测方法、装置、电子设备及计算机可读介质 | |
JP2023518771A (ja) | 機械学習に基づくデータ・モニタリング | |
EP3942567A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
KR102221067B1 (ko) | 네트워크 엔트로피에 기초하는 생체의 상태 천이의 예조의 검출을 지원하는 검출 장치, 검출 방법 및 검출 프로그램 | |
US11152122B2 (en) | System and method for evaluating vascular risks | |
KR102327662B1 (ko) | 동맥류 파열 예측 장치 및 방법 | |
Ávila et al. | Classifying healthy women and preeclamptic patients from cardiovascular data using recurrence and complex network methods | |
CN110490132B (zh) | 数据处理方法和装置 | |
Logeshwaran et al. | Implementation of Cloud Computing and Monte Carlo Simulation in the Healthcare Telemetry Applications | |
CN108829606A (zh) | 一种输入法性能测试方法及装置 | |
Alkema et al. | Monitoring progress towards Millennium Development Goal 4: A call for improved validation of under-five mortality rate estimates | |
KR102192461B1 (ko) | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 | |
Baig et al. | Evaluation of patients at risk of hospital readmission (PARR) and LACE risk score for New Zealand context |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140507 |