CN105829888B - 用于确定对象的止血风险的方法 - Google Patents

用于确定对象的止血风险的方法 Download PDF

Info

Publication number
CN105829888B
CN105829888B CN201480069634.0A CN201480069634A CN105829888B CN 105829888 B CN105829888 B CN 105829888B CN 201480069634 A CN201480069634 A CN 201480069634A CN 105829888 B CN105829888 B CN 105829888B
Authority
CN
China
Prior art keywords
concentration value
condensation
determined
trigger
risk
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.)
Active
Application number
CN201480069634.0A
Other languages
English (en)
Other versions
CN105829888A (zh
Inventor
B·J·巴克
H·J·范奥义任
R·范德汉姆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN105829888A publication Critical patent/CN105829888A/zh
Application granted granted Critical
Publication of CN105829888B publication Critical patent/CN105829888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/86—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood coagulating time or factors, or their receptors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/50—Determining the risk of developing a disease

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Hematology (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Urology & Nephrology (AREA)
  • Biotechnology (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及临床决策支持系统。详细地，本发明涉及用于确定对象的止血风险的方法、用于确定对象的止血风险的生物标志物阈值的使用、用于确定对象的止血风险的设备、包括用于执行用于确定对象的止血风险的方法的程序代码的计算机程序，以及包含用于执行用于确定对象的止血风险的方法的指令的计算机可读非瞬态存储介质。

Description

用于确定对象的止血风险的方法
技术领域
本发明涉及临床决策支持系统。详细地，本发明涉及用于确定对象的止血风险的方法、用于确定对象的止血风险的生物标志物的使用、用于确定对象的止血风险的设备、包括用于执行用于确定对象的止血风险的方法的程序代码的计算机程序，以及包含用于执行用于确定对象的止血风险的方法的指令的计算机可读非瞬态存储介质。
背景技术
在西方世界中深静脉血栓形成是广泛的问题(Kyrle PA、Eichinger S的Deepvein thrombosis.Lancet.2005；365(9465)：1163-74)。大部分人群趋向增加的血栓形成风险，例如老年人(Engbers MJ、van Hylckama Vlieg A、Rosendaal FR.的Venousthrombosis in the elderly：incidence，risk factors and risk groups.J ThrombHaemost.2010；8(10)：2105-12)，旅行的人(Cannegieter SC、Doggen CJ、van HouwelingenHC、Rosendaal FR.的Travel-related venous thrombosis：results from a largepopulation-based case control study(MEGA study).PLoS Med.2006；3(8)：e307)，和经历矫形外科手术的患者(Kearon C、Kahn SR、Agnelli G、Goldhaber S、Raskob GE、Comerota AJ的American College of Chest Physicians.Antithrombotic therapy forvenous thromboembolic disease：American College of Chest Physicians Evidence-Based Clinical Practice Guidelines(第8版).Chest.2008年6月；133(6Suppl)：454S-545S)。风险中的人能够进行预防性抗凝处置，但是出血的风险(每年1-3％)(Veeger NJ、Piersma-Wichers M、Tijssen JG、Hillege HL、van der Meer J.的Individual timewithin target range in patients treated with vitamin K antagonists：maindeterminant of quality of anticoagulation and predictor of clinical outcome.Aretrospective study of 2300consecutive patients with venousthromboembolism.Br J Haematol.2005；128(4)：513-9)，以及成本和不方便的问题(CohenAT、Tapson VF、Bergmann JF、Goldhaber SZ、Kakkar AK、Deslandes B、Huang W、ZayaruznyM、Emery L、Anderson FA Jr的ENDORSE Investigators.Venous thromboembolism riskand prophylaxis in the acute hospital care setting(ENDORSE study)：amultinational cross-sectional study.Lancet.2008；371(9610)：387-94)，作出不利于此的陈述。因此，将期望具有患者特定手段来估计个人血栓形成风险，并且促进是否要进行处置的有消息支持的选择。
不幸地，用当前临床筛查技术和可用的方法论，不容易辨识出高风险个体并且不能准确地预测事件(White RH.的The epidemiology of venous thromboembolism.Circulation.2003；107(23Suppl 1)：14-8)。这继续是这个情况的主要原因中的一个是患有血栓形成的绝大多数患者，没有明显的基因缺陷，具有通过例程筛查工具和因子分析而在临床上未被识别为异常的凝血系统。对处于静脉血栓形成风险的个体的识别是能够从创新技术方法中获益的研究领域(Brummel-Ziedins KE、Orfeo T、Rosendaal FR、Undas A、RivardGE、Butenas S、Mann KG.的Empirical and theoretical phenotypic discrimination.JThromb Haemost.2009；7(Suppl 1)：181-6)。
在过去一个世纪凝血系统已经是广泛研究的主题。已经最详细地研究的子系统是凝血级联(coagulation cascade)。该级联描述从血液暴露到组织因子(正常地屏蔽在血管壁下面的蛋白质，但当暴露时触发凝血)到凝血酶的产生的凝血过程，在凝结过程中的关键蛋白质。在凝血酶生成分析(TGA)中很好地捕捉凝血酶的产生(Hemker，HC和Béguin，S.Thrombin的generation in plasma：Its assessment via the endogenous thrombinpotential，Thrombosis and haemostasis，第74卷，第1号，第134-138页，1995年)，在将已知浓度的组织因子添加到血液样本之后，其测量随着时间的凝血酶浓度。TGA的若干特征，如迟滞时间(在组织因子触发与凝血酶的第一非零浓度的发生之间的时间)、最大凝血酶浓度、最大值时间、最大生成速率以及内源性凝血酶潜力(ETP，随着时间的标绘的凝血酶曲线下面的面积)，已经被试验性地链接到血栓形成风险。
研究(Jordan，SW和Chaikov，EL.的Simulated Surface-Induced ThrombinGeneration in a Flow Field.Biophysical Journal，第101卷，2011年7月，第276-286页)已经示出了凝血酶生成随着组织因子的浓度的增加而变得更强(更高的TGA最大值、更短的迟滞时间)。对于低的组织因子的浓度(～1fM)，没有显著的凝血酶生成发生，然而对于在pM范围中的浓度，发生显著的凝血酶生成。基于此，已经假设和观察了组织因子阈值的概念，即，凝血开始所要求的组织因子的最小浓度(Mann，KG、Butenas，S.and Brummel，K.TheDynamics of Thrombin Formation.Arterioscler.Thromb.Vasc.Biol.2003；23：17-25，Jordan and Chaikov，l.c.)。
关于患者特异性血栓形成风险的不确定性引起不接收抗凝处置的(血栓形成的)高风险的患者的血栓形成的不必要情况。另一方面，该不确定性能够导致接收不必要抗凝处置的相对低风险的患者的出血。本领域的现状(Hippisley-Cox，J和Coupland，C.的Development and validation of risk prediction algorithm(QThrombosis)toestimate future risk of venous thromboembolism：prospective cohort study，BMJ2011；343)基于临床风险因子的数目来估计血栓形成风险。然而，这不具有足够的特异性。
文献US 2009/0298103和WO 2009/142744公开了用于通过使各个血液因子的浓度服从计算机模型来确定患者的止血风险的方法。利用该模型模拟凝血酶浓度，并且将模拟的浓度与参考进行比较。根据作者，该比较允许临床医生对患者是否易倾向于止血风险的决策。然而，在临床实践中这样的方法还未证明其价值。
发明内容
本发明的目标是提供用于确定对象的止血风险的方法，借助于所述方法，能够避免现有技术方法的缺点。尤其地，应当提供用于确定对象的止血风险的这样的方法，所述方法允许对对象是否具有血栓形成的高风险并且可能要求抗凝血药物或者所述对象是否具有与出血指示相反或甚至要求抗凝血药物的停止的高风险的可靠诊断。
本发明的另一目的是提供用于确定对象的止血风险的设备、包括用于执行用于确定对象的止血风险的方法的程序代码的计算机程序，以及包含用于执行用于确定对象的止血风险的方法的指令的计算机可读非瞬态存储介质。
在本发明的第一方面中，提出了一种用于确定对象的止血风险的方法，所述方法包括将足以开始对象中的凝结过程的凝结触发物的浓度值与指示止血风险和/或无止血风险(止血稳定)的所述凝结触发物的至少一个参考浓度值进行比较，其中，所述方法包括以下步骤：
a)提供关于所述对象的止血状况的第一信息，
b)基于步骤a)的所述第一信息来确定足以开始所述对象中的所述凝结过程的凝结触发物的浓度值，
c)将在步骤b)中确定的所述浓度值与表示指示稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较，并且
d)如果在步骤b)中确定的所述浓度值低于表示指示稳定止血状况的所述最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险。
本发明的另一方面指向一种对用于确定所述对象的止血风险的、足以开始对象中的凝结过程的凝结触发物的浓度值的使用。
在体外能够实现根据本发明的方法和使用，即，对象的物理存在，例如生物或人类，将不是必要的。因为如此，在根据本发明的方法或使用之前的步骤中能够测量或生成足以开始凝结过程的凝结触发物的浓度值。
在本发明的又另一方面中，提供了一种用于确定对象的止血风险的设备，所述设备包括：
接收单元，其被配置用于接收关于所述对象的止血状况的第一信息，
第一确定单元，其被配置用于基于由所述接收单元接收的所述第一信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值，
比较单元，其被配置用于将由所述第一确定单元确定的所述浓度值与指示止血风险和/或无止血风险(止血稳定)的所述凝结触发物的至少一个参考浓度值进行比较，其中，所述比较单元被配置用于将由所述第一确定单元确定的所述浓度值与表示针对稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较，并且所述设备还包括：
第二确定单元，其被配置用于如果由所述第一确定单元确定的所述浓度值低于表示针对稳定止血状况的最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险。
在本发明的又另一方面中，提出了一种临床决策支持系统，所述系统包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包含用于由所述处理器运行的指令，其中，所述指令令所述处理器执行以下步骤：
a)接收关于对象的止血状况的第一信息，
b)基于步骤a)的所述信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值，
c)将在步骤b)中确定的所述浓度值与指示止血风险和/或无止血风险(止血稳定)的所述凝结触发物的至少一个参考浓度值进行比较，其中，所述指令令所述处理器执行以下步骤：
a)提供关于所述对象的所述止血状况的第一信息，
b)基于步骤a)的所述第一信息来确定足以开始所述对象中的所述凝结过程的凝结触发物的浓度值，
c)将在步骤b)中确定的所述浓度值与表示针对稳定止血状况的最小浓度且表示针对稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较，并且
d)如果在步骤b)中确定的所述浓度值低于表示针对稳定止血状况的所述最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险。
在本发明的另外的方面中，提供了一种包括程序代码模块的计算机程序，所述程序代码模块用于，当所述计算机程序在计算机上以及非瞬态计算机可读记录介质上被执行时，令计算机执行在本文中公开的方法的步骤，所述非瞬态计算机可读记录介质在其中存储有计算机程序产品，所述计算机程序产品当由处理器运行时令在本文中公开的方法被执行。
在从属权利要求中定义了本发明的优选实施例。应当理解，请求保护的系统、设备、计算机程序和介质具有与请求保护的方法以及与在从属权利要求中所定义的类似和/或相同的优选实施例。因此，涉及根据本发明的方法的所有从属权利要求也能够与根据本发明的系统、设备、计算机程序和介质进行组合，并且能够彼此进行组合。
所提出的发明显著地增加了特别是在至少一个已知临床风险因子存在的患者的增加风险的子组内的人的特定血栓形成和出血风险估计的准确度。该子组涉及——除其他之外——住院、怀孕或(开始)使用口服避孕药并且由此接收医生的注意的患者。在该情境中，所提出的发明帮助医生将要针对已知增加血栓形成风险的状况进行处置或检查的患者分层为高风险类别和低风险类别。具体地，改进的方法可以被用于基于估计的血栓形成或出血风险来决定针对每个患者是否要施予抗凝处置。
与从现有技术文献US 2009/0298103和WO 2009/142744获知的方法进行对比，在现有技术中，在计算机上(in silico)对作为凝血过程的关键因子的凝血酶进行模拟，而本发明使用不同的方法。在本发明中，确定凝结触发物(即，启动凝血过程的因子)，而不是凝血过程本身。该方法允许止血风险的更准确且可靠的预测，并且不需要像使用现有技术方法那样在计算机上对凝血酶形成进行复杂且易于出错的模拟。
根据本发明，“止血风险”指的是诸如人类或动物的对象具有止血功能障碍的风险，其可能导致血栓形成或出血的发展。
根据本发明的方法的另外的发展，
步骤c)和d)额外地或备选地包括以下步骤：
c')将在步骤b)中确定的所述浓度值与表示针对稳定止血状况的最大浓度的所述凝结触发物的参考浓度值进行比较，并且
d')如果在步骤b)中确定的所述浓度值高于表示针对稳定止血状况的所述最大浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有出血的高风险。
在根据本发明的设备又另外的发展中
优选地，额外地或备选地，
所述比较单元被配置用于将由所述第一确定单元确定的所述浓度值与表示针对稳定止血状况的最大浓度的所述凝结触发物的参考浓度值进行比较，并且
所述第二确定单元被配置用于如果由所述第一确定单元确定的所述浓度值高于表示针对稳定止血状况的所述最大浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有出血的高风险。
在本发明的又另一方面中，提出了一种临床决策支持系统，所述系统包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包含用于由所述处理器运行的指令，其中，所述指令令所述处理器执行以下步骤：
a)接收关于对象的止血状况的第一信息，
b)基于步骤a)的所述信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值，
c)将在步骤b)中确定的所述浓度值与表示针对稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较，并且
d)如果在步骤b)中确定的所述浓度值低于表示针对稳定止血状况的所述最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险，
其中，优选地，步骤c)和d)额外地或备选地包括以下步骤：
c')将在步骤b)中确定的所述浓度值与表示针对稳定止血状况的最大浓度的所述凝结触发物的参考浓度值进行比较，并且
d')如果在步骤b)中确定的所述浓度值高于表示针对稳定止血状况的所述最大浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有出血的高风险。
根据本发明，“关于止血状况的第一信息”指的是从如INR分析的功能分析输出的表征对象的止血状态，优选地在已经启动凝结过程或凝血过程之前的状态的任何信息，例如，(优选去活的)凝血分子或蛋白质的浓度值、酶常数，或者“关于止血状况的第一信息”指的是间接信息，如关于例如“Factor V Leiden”的基因数据，其提供关于通过蛋白质“活化的蛋白C”能够如何有效地使蛋白质“因子V”去活的间接信息。针对所述特定对象能够测量这样的第一信息，或者能够使用从文献资料中取得的平均值，或者通过两种方法能够部分地形成这样的信息。
根据本发明，“凝结触发物”指的是对象的诸如血液的体液中存在的因子，所述因子能够启动对象中的凝血过程。当凝结触发物达到在对象的体液中的临界浓度时，启动凝血过程。根据本发明，所述临界浓度指的是“所述对象中的足以开始凝结过程的浓度值”或“凝结触发物阈值”。合适的凝结触发物涵盖组织因子(TF)(外源性途径)，而且还涵盖血小板组织因子、促凝血酶原激酶，或CD142、活化的凝血因子，例如，FIIa、FVa、FVIIa、FVIIIa、FIXa、FXa、FXIa、FXIIa、胶原蛋白、高分子量激肽原(HMWK)、前激肽释放酶和FXII或其组合(内源性路径)能够被用作凝结触发物。
根据本发明，在步骤b)中，通过根据体外凝结触发物浓度对凝结过程或凝血过程的测量能够确定凝结触发物的这样的临界浓度，允许在实验室环境中的实施。通过采用计算机模拟也能够确定这样的临界浓度，所述计算机模拟取得对象的止血状况的信息，例如，来自对象血液样本的凝血蛋白的浓度值(没有凝结触发物)作为输入，并且取决于凝结触发物浓度来计算凝结响应。
“所述凝结触发物的参考浓度值”指的是根据一个或多个参考对象或在计算机上的参考计算已经获得的凝结触发物的值。参考浓度能够分别是个体测量或计算的结果或多个测量或计算的平均值。
根据本发明，“针对稳定止血状况的最小/最大浓度”指的是限制在通过功能、稳定止血(“健康范围”)来表征的健康参考对象中能够找到的所述凝结触发物的浓度范围的凝结触发物的浓度值。凝结触发物的最小浓度在健康范围的下边界处限制健康范围；凝结触发物的最大浓度在健康范围的上边界处限制健康范围。备选地，所述最小浓度和所述最大浓度可以指的是在抗凝剂(“治疗范围”)上限制在患者对象中能够找到的所述凝结触发物的浓度范围的凝结触发物的浓度值。从文献资料中能够推断两个范围或在靶向患者研究中能够确定两个范围。
所述“足以开始凝结过程的凝结触发物的浓度值”也被认为是“凝结触发物阈值”。针对在该阈值以下的凝结触发物的浓度，凝结响应保持在最小，针对在该阈值以上的凝结触发物的浓度，凝结响应开始上升。在步骤c)和c')中，将凝结触发物阈值与“健康范围”的边界值进行比较。
根据本发明，如果在步骤b)中确定的凝结触发物阈值落入“健康范围”以下，则对象被认为处于在步骤b)中诊断的血栓形成的高风险，并且可能指示抗凝剂处置。如果该阈值落入该范围以上，则患者被认为处于在步骤d')中诊断的严重出血的高风险，并且如果在测试时间时患者正在使用抗凝剂，则可以反向指示或甚至可以停止使用抗凝剂。
因此完全实现本发明的目标。发明人已经惊奇地认识到，足以开始对象中的凝结过程的凝结触发物的浓度值，例如组织因子(TF)的浓度值能够被用于确定所述对象的止血风险。尽管“组织因子阈值”的概念存在并且在文献资料中已经提到，但是现有技术既未公开也未明显描绘作为指示血栓形成或出血风险的方式的对该阈值的使用。此外，在本领域中，“组织因子阈值”的理念总是被链接到血液样本或凝血酶生成的凝结(例如，凝固)的视觉标志。通过根据本发明的方法可能进行对其他凝血特征的使用，在凝块的凝血酶生成或形成之前其常常显现其本身，并且其他凝血特征的使用可以提供对本领域中的基于凝血酶方法的改进。
根据本发明的备选实施例，所述方法包括以下步骤：
a)提供关于所述对象的所述止血状况的第一信息(S1)，
b)基于步骤a)的所述第一信息来确定足以开始所述对象中的所述凝结过程的凝结触发物的浓度值(S2)，
c)将在步骤b)中确定的所述浓度值与所述凝结触发物的至少两个或更多参考浓度值进行比较(S3”)，所述凝结触发物的所述至少两个或更多参考浓度值包括指示止血风险、优选指示血栓形成的高风险和/或出血的高风险的至少一个参考浓度值以及指示无止血风险(止血稳定)的至少一个参考浓度值，并且
d)进行以下确定：
-如果在步骤b)中确定的所述浓度值在数值上更接近指示止血风险的所述至少一个参考浓度值，则确定所述对象有止血风险(S4”)，或者
-如果在步骤b)中确定的所述浓度值在数值上更接近指示止血稳定的所述至少一个参考浓度值，则确定所述对象无止血风险(止血稳定)(S4”')。
在该备选方法结果中，鉴于在数值上最接近后者中的一个，将凝结触发物阈值与(不同)参考值进行比较。这导致滑动尺度而不是二进制输出。优选地，借助于最近邻方法或最近邻插值分别实现步骤c)和d)。
根据本发明的备选实施例，提供了一种用于确定对象的止血风险的设备，所述设备包括：
接收单元，其被配置用于接收关于所述对象的止血状况的第一信息，
第一确定单元，其被配置用于基于由所述接收单元接收的所述第一信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值，
比较单元，其被配置用于将由所述第一确定单元确定的所述浓度值与所述凝结触发物的至少两个或更多参考浓度值进行比较，所述凝结触发物的所述至少两个或更多参考浓度值包括指示止血风险、优选针对血栓形成的高风险和/或出血的高风险的至少一个参考浓度值以及指示无止血风险(止血稳定)的至少一个参考浓度值，以及
第二确定单元，其被配置用于进行以下确定：
-如果由所述第一确定单元确定的所述浓度值在数值上更接近指示止血风险的所述至少一个参考浓度值，则确定所述对象有止血风险，或
-如果由所述第一确定单元确定的所述浓度值在数值上更接近指示止血稳定的所述至少一个参考浓度值，则确定所述对象无止血风险(止血稳定)。
因此，在本发明的另一方面中，提供了一种临床决策支持系统，所述临床决策支持系统包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包含用于由所述处理器运行的指令，其中，所述指令令所述处理器执行以下步骤：
a)提供关于所述对象的止血状况的第一信息，
b)基于步骤a)的所述第一信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值，
c)将在步骤b)中确定的所述浓度值与所述凝结触发物的至少两个或更多参考浓度值进行比较，所述凝结触发物的所述至少两个或更多参考浓度值包括指示止血风险、优选指示血栓形成的高风险和/或出血的高风险的至少一个参考浓度值以及指示无止血风险(止血稳定)的至少一个参考浓度值，以及
d)进行以下确定：
-如果在步骤b)中确定的所述浓度值在数值上更接近指示止血风险的所述至少一个参考浓度值，则确定所述对象有止血风险，或者
-如果在步骤b)中确定的所述浓度值在数值上更接近指示止血稳定的所述至少一个参考浓度值，则确定所述对象无止血风险(止血稳定)。
根据另外的方面，在步骤a)中，关于所述对象的所述止血状况的所述第一信息是来自所述对象的生物样本中的凝血蛋白的浓度值，优选地，在步骤a)中，关于所述对象的所述止血状况的所述第一信息是来自所述对象的生物样本中的多个凝血蛋白的浓度值，高度优选地，在步骤a)中，关于所述对象的所述止血状况的所述第一信息是来自所述对象的生物样本中的至少三个或更多凝血蛋白的浓度值。
这些测量具有关于对象的止血状况的这样的信息被用于实现根据本发明的方法的优点，根据本发明的方法已经被证明为针对凝结触发物阈值的确定是恰当的。优选地，在该实施例中，凝血蛋白以其去活的形式存在。能够测量针对所述特定对象的凝血蛋白的浓度值，或者能够使用从文献资料中取得的平均值。备选地或额外地，针对所述特定对象测量浓度值并且将该浓度值与针对未在所述特定对象中测得的那些凝血蛋白从文件资料中取得的平均值进行组合。“生物样本”指的是对象的任何生物材料，例如，生物细胞(例如，内皮细胞)，生物组织(例如，内皮)或优选地为生物液体(例如，血液)。
根据另一方面，所述凝结触发物是组织因子(TF)。
该测量具有这样的优点：即，采用被认为是凝血的主要触发物并且已经被证明尤其适合于实现本发明的这样的凝结触发物。
根据另外的方面，从包括以下项的组中选择一个或多个所述凝血蛋白：凝血因子2(FII)、FV、FVII、FVIII、FIX、FX、FXI、FXII、抗凝血酶(AT)、TFPI、α2M、C4BP、蛋白C、蛋白S、蛋白Z、TAFI、ZPI、AAT、PCI、C1抑制剂以及纤维蛋白原。
本发明的另外的发展具有这样的优点：即，这样的(去活的)凝血蛋白被用于计算凝结触发物阈值，根据本发明人的发现，其显著地产生良好且可靠的结果。
根据本发明的另一优选实施例，在步骤b)中，通过在计算机上对所述凝结过程的模拟来确定足以开始所述对象中的所述凝结过程的凝结触发物的所述浓度值。
在原位或体外，例如通过分别视觉检查血液样本的凝结或凝固或凝血酶生成的标志能够确定凝结触发物。通过使用凝血过程的计算机模型可能做出对其他凝血特征的使用，所述其他凝血特征常常在凝块的凝血酶生成或形成之前显现其本身。这种计算机上的模拟可以提供对基于凝血酶的方法的改进。
根据另一优选实施例，在计算机上的所述模拟中，关于所述对象的所述止血状况的所述第一信息，例如(去活的)凝血蛋白的浓度值，被用作输入特征，并且关于在所模拟的凝结过程中所述对象的所述止血状况的第二信息被用作输出特征。
根据另一优选实施例，关于所述对象的所述止血状况的所述第二信息是被用作输出特征的集合的、在所模拟的凝结过程的一系列时间点处的活化的凝血蛋白的浓度值，优选地，关于所述对象的所述止血状况的所述第二信息是被用作输出特征的集合的、在所模拟的凝结过程的一系列时间点处的多个活化的凝血蛋白的浓度值。然而，应当理解，尽管优选为活化的凝血蛋白，但是原则上，也能够使用非活化的凝血蛋白的浓度值。如果，例如已知随着时间的非活化的凝血蛋白(例如，FX)的浓度值，则也知晓产生的活化的对应物(即，FXa)的浓度值，这是因为这是FX的初始浓度减去在后面阶段的FX的浓度。
与对体外或原位的凝结触发物阈值的确定相比较，在计算机模拟中能够模拟更宽范围的特征，其取得分别来自患者的诸如血液样本的样本(无组织因子触发物)的测得的蛋白浓度和/或来自文献资料的平均值作为输入，并且分别计算凝结响应和凝结触发物阈值。因此，这样的测量显著地增加对对象的血栓形成或出血的特定风险的诊断的准确度。
根据本发明的另外的发展，从包括以下项的组中选择一个或多个所述活化的凝血蛋白：凝血酶(FIIa)、FVa、FVIIa、FVIIIa、FIXa、FXa、FXIIa、FVa-FXa、FVIIIa-FIXa、纤维蛋白、凝血酶原(FII)。
该测量具有这样的优点：即，前述活化的凝血蛋白中的任一种已经被证明为适合于确定凝结触发物阈值。
通过内源性凝血酶潜力(ETP)也能够实施关于所述对象的止血状况的所述第二信息。所述ETP被定义为在模拟过程上的凝血酶浓度的曲线下面的时间积分或面积，并且常常与在利用组织因子作为触发物并且利用磷脂质作为血小板替代物的凝血的体外活化之后能够生成的纤维蛋白的量有关。
根据本发明的另一方面，从所述输出特征的集合中创建表示凝结响应的强度的一个特征，优选地，表示所述凝结响应的所述强度的所述一个特征是在所模拟的凝结过程的所有时间点或ETP上的所述活化的凝血蛋白中的至少一种的最大浓度(在活化的蛋白(例如，FIIa)上的时间积分或凝血酶的总产量(即FII(t＝0)-FII(t＝t_结束)，其中，t＝0指代到凝结触发物的第一暴露的时间，并且t_结束指代在被认为是使得凝结过程完全在间隔t＝0至t＝t_结束内发生的第一暴露(例如，一小时)之后的时间)。
该测量具有这样的优点：即，使用允许在计算机上确定凝结触发物阈值的特征。在所述模拟中，凝结响应，使用例如特定的活化的凝血蛋白(例如，F10a)或各种活化的凝血蛋白的最大浓度，来计算足以开始凝结过程的凝结触发物(例如，TF)的浓度值。
应当理解，本发明的优选实施例也能够是从属权利要求与各自的独立权利要求的任何组合。
参考下文描述的实施例，本发明的这些方面和其他方面将是明显的并且得到阐明。
附图说明
在附图中：
图1示出了展示针对组织因子例示的凝结触发物阈值的现象的图形；
图2示出了在模拟的凝血过程或凝结过程期间在100个时间点处，针对F10a例示的活化的凝血蛋白的浓度的模型输出；
图3示意性地示出了根据本发明的示范性实施例的方法的相应的流程图；
图4示意性地示出了根据本发明的另一示范性实施例的方法的相应的流程图；
图5示出了在MEGA数据库上在交叉验证研究中基于临床风险因子(CRF)、单核苷酸多态性(SNP)、蛋白质水平和基于模型的阈值而评估的风险得分的条形图。
具体实施方式
本发明识别以一系列凝结触发物，例如，以诸如启动凝结过程的主要蛋白的组织因子的增加的浓度的形式，对人的预期的凝结物响应。参考图1，给出了针对组织因子例示的凝结触发物阈值的现象的范例。在曲线中的每个星表示计算机模拟结果。每个模拟结果的输入包括患者的血液样本中的测得的凝血蛋白浓度，以及针对非测得的浓度的文献资料值。x轴表示被用作最终模型输入的组织因子的浓度。y轴表示在凝血酶原酶(FVa-FXa)的最大浓度的情况下，来自模拟的输出的一个选取的特征。能够看到，针对低浓度的组织因子，凝结响应仍然在最小值处。在用垂直线指示的组织因子阈值处，凝结响应开始明显上升，并且所选取的模型输出特征超过用水平线指示的所选取的出发水平。针对足够大的组织因子浓度，再次离开响应水平。
凝结响应(图1的y轴)能够被认为是在凝结过程中的任何代表性特征。一般研究的特征(在研究设定中)是凝血酶生成特征，如最大凝血酶浓度或迟滞时间。在阶式凝血器中的如FXa或酶复合物(如FVIIIa-FIXa)的其他酶的生成上能够使用类似特征。在更广泛的意义上，也能够使用如凝块大小的特征。在体外能够测量一些这样的特征，允许在实验室环境中的实施。在计算机模型中能够模拟更宽范围的特征，这些特征采取来自患者的血液样本的测得的蛋白浓度(无组织因子触发物)作为输入，并且计算前述一系列增加的组织因子浓度的凝结响应。
针对患者的组织因子阈值(浓度值)的数值被记录，并且与针对关于抗凝剂的患者的预定义的“健康范围”或“治疗范围”进行比较。如果该阈值落入该范围以下，则患者被认为处于血栓形成的高风险，并且指示抗凝剂处置。如果该阈值落入该范围以上，则患者被认为处于严重出血的高风险，并且(如果在测试时间时患者正在使用抗凝剂)，则反向指示或甚至可以停止使用抗凝剂。
本发明的一个实施例涉及能够模拟在暴露到组织因子之后的凝血蛋白浓度的动态变化的计算机模型的使用。模型的患者特异性输入包括在凝结之前起凝血级联作用的蛋白质的浓度值。该模型模拟在时间t＝0处具有这些浓度和凝结触发物(例如，组织因子)的非零浓度的血液样本。该模型的输出包括针对一系列时间点ti>0的在凝血过程中涉及的所有蛋白和蛋白复合物的浓度。
由此，一个模拟生成P*T数值输出，其中，P是在模型中描述的蛋白和蛋白c复合物的数目，并且T是生成模型输出的时间点的数目。从输出的该集合中创建表示凝血响应的强度的一个特征。这样的特征的范例能够是在模型输出中在所有时间点上的一种蛋白(例如，FXa)的最大浓度。
参考图2，其中示出了该模型在100个时间点(在80个第二区间中的0-8000秒)处输出FXa浓度。最大浓度(在该图形中的5.7nM)能够被用作凝血响应特征。应当指出，强烈关联在凝血级联中的蛋白的浓度特征，如此多的不同模型输出特征，或模型输出特征的组合能够被选择作为凝血响应特征以被使用在对组织因子阈值的确定中。
图3示出了用于确定对象的止血风险的方法的实施例的流程图，其中，所提出的方法分别包括步骤(S1)至(S4)和/或(S1)至(S4')。
在步骤(S1)中，提供了关于所述对象的止血状况的所述第一信息，例如，来自所述对象的生物样本中的多个凝血蛋白的浓度值。有用于确定对象的止血风险的设备的接收单元或临床决策支持系统可以接收这样的信息。浓度值可以是测得的值或从文献资料取得的平均值。实际上，从需要确定其的止血风险，即血栓形成风险或出血风险的人中取得血液样本，例如，扎手指样本。在该样本中经由如ELISA分析的标准方法来确定多个(去活的)凝血蛋白的浓度。测得的蛋白优选是以下中的一个或多个或全部：凝血因子2(FII)、FV、FVII、FVIII、FIX、FX、FXI、FXII、抗凝血酶(AT)、TFPI、α2M、C4BP、蛋白C、蛋白S、蛋白Z、TAFI、ZPI、AAT、PCI、C1抑制剂以及纤维蛋白原。实际上，一个或子集(例如，FII、FV、FVIII、FX、FXI、AT以及纤维蛋白原)的测量将是足够的。备选地或额外地，从文献资料中取得平均值。
在步骤(2)中，基于步骤(S1)的所述第一信息，确定足以开始所述对象中的所述凝结过程的凝结触发物的浓度值。由用于确定对象的止血风险的设备的确定单元或临床决策支持系统可以实现这样的确定。实际上，使用计算机模型。利用该模型，利用以下输入执行N个模拟：针对在测得的(子)集合中的蛋白，使用测得的值。针对未观察到的蛋白浓度，使用文献资料或平均值。在N个模拟中的每个中，这些输入，即在时间零(当模拟的血液首次被暴露到凝结触发物时的时间)处的P蛋白的浓度是相同的。针对组织因子的浓度在针对第一模拟的TF最小与针对模拟N的TF最大之间改变。针对组织因子浓度的每一个不同选择，通过模型来计算响应。换言之，执行描述对应于所选取的组织因子浓度的凝血响应的模型模拟。响应包括随着时间的某种蛋白的浓度的发展，在血液到诸如组织因子的凝结因子(创伤的起始)的第一暴露的时间开始，并且在预设时间长度处结束。该模型计算多种不同蛋白的这些动力学；图2是针对这样的蛋白的范例，其中，响应限于一个特性量，例如，FXa的最大浓度(图2中的图形的峰值)。针对模拟i的浓度可以被选取为
TFi＝TF最小+i*(TF最大-TF最小)/N， (1)
或者
TFi＝exp(log(TF最小)+i*(log(TF最大)-log(TF最小))/N) (2)
针对i＝0…N，其中，当TF最小和TF最大是相同的数量级时，公式(1)最为合适，然而针对组织因子浓度的更大范围，公式(2)更为合适。范例值是TF最小＝1x10-4fM并且TF最大＝1mM，其中N＝100。在所有而不是大多数极端情况下，该大范围(针对其公式(2)最为适宜)是一定的以包括组织因子阈值，并且N足够高来以高精确度捕捉其值。
正因如此，蛋白浓度和凝结触发物或组织因子浓度的每一个组合(如在第一项中的)能够被用于通过模型来计算一个数值特征(一个数)。然后计算针对N个不同组织因子浓度的这些数值特征，而在患者中测得的或从文献资料中取得的蛋白质保持恒定(在N个模型模拟中的每个中为相同值)。这产生N个数值特征；图1利用在X轴上的对应组织因子浓度的值标绘了在Y轴上的一个这样的特征的值。凝结触发物或组织因子浓度的不同值分别在非常低的值处开始，并且以某个步长大小增加到大的值，例如以覆盖从当然不会发生强烈凝结响应的点到确定将发生凝结响应的点的范围。公式(1)和(2)描述了这些步长：公式(1)描述了针对最小组织因子浓度TF最小和最大组织因子浓度TF最大例示的凝结触发物浓度，在其之间具有相等的大小的步长。TFi是计算模型输出的组织因子浓度。公式(2)描述了相同的内容，仅仅现在步长具有在对数域中的相同大小(例如，如果有关的组织因子浓度将在多个数量级上改变，即在1和1.000.000之间，则将看到1、10、100、…、1.000.000比起1、2、3、…、1.000.000的组织因子浓度是更为合理的；第一类型的步长是在对数域中的得到的项)。
一旦分别针对所有凝结触发物或组织因子浓度计算了模型输出，则将具有如在图1中的图形。通过眼睛能够看到响应在哪里开始上升。该点被认为分别是凝结触发物阈值或组织因子阈值。通过以下算法能够计算这样的阈值：
取得在图1的图形中的最小Y值[min(Yi)]和动态范围，即，在图形中的最高点与最低点之间的差[max(Yi)–min(Yi)]。着迷的是当超过5％动态范围高于最小值时，响应开始上升，引出公式：
min(Yi)+0.05*(max(Yi)–min(Yi)) (3)
其中，Yi是在模拟i中的凝血响应特征的获得的值；
其中，min(Yi)是在所有模拟上的活化的凝血蛋白的最小浓度值，并且
其中，max(Yi)是在所有模拟上的活化的凝血蛋白的最大浓度值。
在图1中的水平线是这样的出发水平的范例。插值技术(例如，线性)被用于确定组织因子阈值，即，凝血响应曲线超过出发水平处的浓度(见图1中的垂直线)。存储针对该患者的对应组织因子阈值。
在步骤(S3)中，将在步骤(S2)中确定的所述浓度值或组织因子阈值分别与表示针对稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较。额外地或备选地，在步骤(S3')中，将在步骤(S2)中确定的所述浓度值与表示针对稳定止血状况的最大浓度的所述凝结触发物的参考浓度值进行比较。由用于确定对象的止血风险的设备的比较单元或临床决策支持系统可以实现这样的比较。实际上，在(S3)中，将组织因子阈值与(要在靶向患者研究中确定的)“最小稳定水平”进行比较。额外地或备选地，在(S3')中，能够将组织因子阈值与“最大稳定水平”进行比较。从文献资料中能够取得或在靶向患者研究中能够确定“最小稳定水平”和“最大稳定水平”。
在步骤(S4)中，如果在步骤(S2)中确定的所述浓度值低于表示针对稳定止血状况的所述最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险。在步骤(S4')中，如果在步骤(S2)中确定的所述浓度值高于表示针对稳定止血状况的所述最大浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有出血的高风险。由用于确定对象的止血风险的设备的确定单元或临床决策支持系统可以实现这样的确定步骤。实际上，如果患者的阈值低于“最小稳定水平”水平，则在(S4)中，患者被分层为“处于血栓形成的高风险”。如果患者的阈值超过该水平，则在(S4')中，患者被分层为“处于出血的高风险”。最小水平和最大水平的组合能够指示稳定区域，所述稳定区域可以具有针对抗凝剂用户(治疗区域)和非凝血用户(健康区域)的不同边界。基于在(S4)和/或(S4')的风险分层，临床医生能够决定是开始对非抗凝血的患者进行抗凝剂处置，还是停止对当前使用抗凝剂的患者的抗凝剂处置。
针对一系列增加的凝结触发物或组织因子浓度通过凝血响应的体外测量能够分别代替步骤(S1)和(S2)。然而，这在时间方面(并且在大部分情况下在金钱方面)更为昂贵，限制了凝血响应特征的选择，并且已知这样的测量针对小的凝结触发物(例如，～1fM组织因子)变得高度不可靠。优点在于该实施例不依赖于计算机模型的质量。
此外，通过数据驱动算法可以代替步骤(S4)和/或(S4')。这样的算法能够是基于神经网络的算法，所述基于神经网络的算法分别组合已知的血栓形成风险因子，例如，近期外科手术、固定不动或具有针对凝结触发物或组织因子阈值的值FV莱顿基因突变，这些已知的血栓形成风险因子在步骤(S2)中被获得，并且所述基于神经网络的算法返回在零和一之间的血栓形成风险得分。针对出血风险能够描述类似的算法。
步骤(S1)、(S2)、(S3)和(S4)以及(S1)、(S2)、(S3')和(S4')能够被看作备选路线。在要确定血栓形成风险的情况下，使用第一路线(“血栓形成风险路线”；图3中的左边路线)。在要确定出血风险的情况下，使用第二路线(“出血风险路线”；图3中的右边路线)。然而，能够并行采取步骤(S3)和(S3')以及步骤(S4)和(S4')，或者额外地，即，在一个方法中，允许例如通过一个设备来按次序地或并行地确定对象的血栓形成风险或出血风险。也可能通过“血栓形成风险路线”并且在负面预后的情况下，连续通过“出血风险路线”，即(S1)、(S2)、(S3)、(S4)、(S3')、(S4')，或反之亦然，即(S1)、(S2)、(S3')、(S4')、(S3)、(S4)。
在图4中描绘了备选方法。步骤(S1)和(S2)与图3中示出的方法相同。然而，在下一个步骤(S3”)中，将在步骤(S2)中确定的所述浓度值与所述凝结触发物的至少两个或更多参考浓度值进行比较，所述凝结触发物的所述至少两个或更多参考浓度值包括指示止血风险、优选指示血栓形成的高风险和/或出血的高风险的至少一个参考浓度值以及指示无止血风险(止血稳定)的至少一个参考浓度值。在步骤中(S4”)，如果在步骤(S2)中确定的所述浓度值在数值上更接近指示止血风险的所述至少一个参考浓度值，则确定所述对象有止血风险。相反地，如果在步骤(S2)中确定的所述浓度值在数值上更接近指示止血稳定的所述至少一个参考浓度值，则确定所述对象无止血风险(止血稳定)(S4”')。借助于最近邻方法来实现步骤(S3”)、(S4”)和(S4”')。
发明人有机会通过使用来自MEGA(对针对静脉血栓形成的风险因子的多环境和基因评估)研究的信息来评价深静脉血栓形成的风险。这是被设置为识别在荷兰已经执行的针对静脉血栓形成的风险因子的对照研究。从凝血蛋白质水平到环境血栓形成风险因子，到年龄和教育水平，以及遗传性血栓形成倾向大量变量已经从具有静脉血栓形成和对照的患者中取得。为了本研究的目的，发明人使用在MEGA研究中测得的凝血蛋白水平来模拟针对一范围的组织因子水平的凝血响应，并且识别针对每个患者的组织因子阈值的定位。发明人将基于这些模型的风险因子与直接风险因子(即，临床风险因子，如近期外科手术、基因数据以及在模型中使用的相同凝血蛋白水平的数值)用回归法进行组合，以针对每个患者达到一个血栓形成风险评分。在MEGA研究的内部交叉验证中对所识别的组合风险评分进行验证。
MEGA：MEGA研究(对针对静脉血栓形成研究的风险因子的多环境和基因评估)是对针对静脉血栓形成的风险因子的基于大的人群的对照研究，先前已经公布了其详情。简而言之，在1999年三月至2004年九月之间，从在荷兰的六个参与抗凝诊所中包括首先被客观地证实患有深静脉血栓形成或肺栓塞的18至70岁的连续患者。从病历和全科医生获得关于诊断流程的信息。在分析中仅仅包括被证实具有利用客观技术证实的静脉血栓形成的诊断的患者。排除标准是严格的精神病问题以及没有讲荷兰语的能力。6567个符合条件的患者中，5184进行了参与(79％)。针对目前的分析，具有臂静脉血栓形成(n＝228)和具有肺栓塞(n＝2069)的患者被排除以优化其中包括仅具有DVT的患者的具有LETS的数据集。作为对照的人，包括没有静脉血栓形成的、年龄<70岁的患者的配偶(n＝3277)，以及经由随机数字拨号(RDD)方法获得的没有静脉血栓形成的人(n＝3000)。
数据收集：所有人被要求完成关于针对静脉血栓形成的许多潜在风险因子的广泛问卷调查。尤其感兴趣的该研究问题是关于一般健康特性(年龄、性别以及固定不动)的项。索引日期是患者和其配偶的血栓形成事件的日期，以及针对随机对照在问卷调查中填写的日期。问卷调查也包括关于存在病史中的以下内容的问题：肝病、肾病、类风湿性关节炎、多发性硬化、心力衰竭、出血性卒中以及动脉血栓形成(心肌梗死、心绞痛、缺血性卒中、短暂性脑缺血发作以及周围性血管疾病)。
针对当前研究，发明人选择以下风险因子：固定不动(石膏绷带、在家长期卧床至少4天、住院治疗)、外科手术、静脉血栓形成的家族病史(如果父母中的至少1个、兄弟或姐妹经历静脉血栓形成，则认为为正)、在过去3个月中的腿部受伤、在从五年之前到索引日期之后的六个月的时期的癌症、在过去2个月旅行超过四小时、在索引日期之前的3个月内怀孕或产后期，或在索引日期使用雌激素(口服避孕药或激素替代治疗)。另外的特征是肥胖的存在，被确定为身体质量指数为30kg/m2或更高。
基因效应：利用来自问卷调查的数据，数据在五个基因方面的存在下是可用的，即，血型非O，和在F2(rs1799963)、纤维蛋白原(rs2066865)、F11(rs2036914)以及F5(FV莱顿；rs6025)中的四个单核苷酸多态性(SNP)。所述数据还包括每个SNP影响的等位基因的数目。
血液收集：在诊断血栓形成之后至少3个月时取得血液样本。如先前所描述的，从肘前静脉到包含0.106M的柠檬酸三钠(0.1体积)的Sarstedt Monovette管(Nümbrecht，德国)收集整个血液(0.9体积)。通过在室温在2000g下离心10分钟来制备血浆，并且将血浆存储在-70℃的等分部分中，直到被分析。所有蛋白因子分析在先前被执行，并且要么是活性分析要么是基于抗原的临床分析。所包括的蛋白是抗凝血酶(AT)、凝血酶原(因子II)、因子7(FVII)、FVIII、FIX、FX、FXI、纤维蛋白原以及蛋白C(所有活性测量)和蛋白S(抗原测量)。
未取得血液测量的个体(1504个患者和3357个对照)或少于5个风险因子(蛋白水平、基因效应和有关选择的临床风险因子的回答)可用的(n＝1512个患者并且n＝3362)的个体被从该研究中排除。也排除在抽血时间时口服抗凝剂处置的患者(n＝294)和对照(n＝34)。
最后选择包括1227个患者和2905个控制。
基于模型的风险因子-对凝结触发物的灵敏度指示血栓形成风险：假设在血栓形成的增加的风险的患者在较轻的凝结触发物处开始凝结。发明人首先假设具有针对凝结触发物的大小的阈值效应。将组织因子触发物作为范例，清楚的是凝结不应当发生在不存在组织因子的情况下(在血管壁中没有分支)。然而非常小的非零组织因子浓度，对应于有规律发生的血管壁的微分支，不应当导致完全成熟的凝血。然而，严重的分支，对应于组织因子的更大浓度应当开始强烈的凝血响应，因此在两个之间的一些地方应当具有很少至没有凝血改变到强烈的凝血处的组织因子阈值浓度。对应于该阈值的组织因子浓度被认为是针对血栓形成风险的指示特征。
针对在0.00004fM至40nM之间的TF浓度的范围计算凝血响应。该范围在极端低的值处开始以确保捕捉第一阈值；该阈值通常位于高于0.4fM和低于0.4nM的TF浓度。
在图1中示出了阈值效应的范例，其中，相对模拟的凝结触发物的大小标绘FVa-FXa(凝血酶原酶)的最大浓度(或峰值高度(PH))。该阈值浓度被指示为在选择的特征(在FVa-FXa的情况下)开始示出强烈增加处的浓度。也可以选择其他特征，如在最大值发生(峰值时间(TTP)的时间、直到蛋白浓度达到其最大值的5％的时间(迟滞时间)、蛋白的浓度的改变的最大速率(最大速率)或在标绘的曲线图下面的面积(AUC)。针对在凝血中起作用的各种蛋白可以计算所有这些特征。表1示出了被用于获得在结果下描述的结果的这样的特征的列表。
最近邻方法：为了根据一个特征(例如，在最大FVa-FXa浓度的模型输出上确定的组织因子阈值)估计患者是否处于高风险或低风险，其将被进行如下：
计算已知其标签(血栓形成/无血栓形成)的N个对象的特征
针对新的患者计算相同的特征
从具有预测特征值的K个对象中收集标签，所述预测特征值在数值上最接近针对新的患者的预测特征
在K个收集的标签中，n案例将指示血栓形成，并且n对照将指示无血栓形成。现在针对新的患者的风险评分将被计算为[n案例/K]/Z，其中，Z是在从步骤1中的N个对象中的血栓形成患者的分数。
组合生物标志物：下一步骤是将新近创建的生物标志物特征组合在一起，并且与早前的生物标志物特征进行组合：所述早前的生物标志物特征为临床风险因子、SNP以及蛋白浓度。可能的预测性特征的该相对大的集合被用作针对如神经网络的数据驱动分类方法的输入。在下文中，发明人应用基于逻辑回归的方法根据MEGA数据推断最优风险得分。通过500倍交叉验证内部地测试评分方法。这里，在两个集合具有相同的案例对控制的比率的约束下，发明人将3866个参与者随机划分成2577个参与者的训练集合和1289个参与者的非重叠测试集合。在训练集合中的信息，即，前述临床风险因子，针对每个对象的SNP和蛋白水平，以及指示是否在对象中诊断是深静脉血栓形成(DVT)的标签(1/0)，被用于推断风险得分。该风险得分是采取针对患者特征的数值作为输入并且产生在零和一之间的风险数字作为输出的数值算法。
所推断的算法随后被用于计算针对在测试集合中的每个患者的风险数字。风险得分，连同真实对象案例/对照标签被用于标绘ROC曲线，并且在曲线下面的面积(AUC)是方法准确度的量度。重复该过程500次，每次使数据不同地随机分成训练集合和测试集合。平均AUC和95％置信区间被呈现以评价所述方法。
ROC曲线：所提出的方法在研究中针对每个对象分配在零和一之间的风险得分。如果该评分与在零和一之间的数字(阈值)进行比较，并且针对那些具有在该阈值以上的得分被预测为血栓形成，并且针对那些具有在该阈值以下的得分被预测为无血栓形成，则能够计算灵敏度((正确)预测其血栓形成的血栓形成患者的百分比)和特异性(1减去(错误)预测其血栓形成的无血栓形成对象的百分比)。取决于阈值，能够获得具有100％特异性的0％灵敏度到具有0％特异性的100％灵敏度的组合的范围。ROC曲线在y轴上标绘灵敏度，并且在x轴上标绘1特异性。在曲线(AUC)下面的面积常常被用作风险得分的质量量度。
结果：针对凝结触发物阈值的计算，发明人考虑如在表1的左列中所指示的模型输出特征。在第二列中给出单变量AUC(基于使用有关的组织因子阈值获得的ROC曲线作为在风险得分中的唯一元素)。发现针对凝血酶总产量(最大速率)、最多FVIIIa-FIXa特征、TFPI峰值高度、ETP以及FII-FXa峰值高度的得分0.65或更多的阈值特征。
表1：针对凝结触发物的计算的模型输出特征。
关于直接特征和凝结触发物阈值的回归：这里，标准逻辑回归函数被用于对在MEGA数据库上的交叉验证研究中基于临床风险因子、SNP、蛋白水平以及基于模型的阈值来评价风险得分。针对交叉验证，发明人将500个随机数据划分成训练集合和验证集合(2：1)，其中，确保案例-对照比率在两个集合中是相同的。针对阈值，发明人使用如以上描述的最近邻得分，其中，所有邻项必须在训练集合中。在图5中示出了结果(A：CRF+SNP；B：CRF+SNP+蛋白；C：CRF+SNP+蛋白+阈值)。当在风险得分中包括组织因子阈值特征时，显著改进了在ROC曲线下的区(图5，在左(1)上的三个条形的集合)以及对应地能够获得与90％特异性组合的最大灵敏度(图5，在中间(2)的三个条形的集合)(并且反之亦然，能够获得与90％灵敏度组合的最大特异性(图5，在右(3)上的三个条形的集合))。当发明人将因包括测得的蛋白浓度而引起的改进(从左边的条形到每个集合的中间的条形)与总的改进(从中间的条形到每个集合的右边的条形)进行比较时，能够看到基于包括完全相同的测得的蛋白浓度的计算的组织因子阈值(即，不要求额外的测量)而使在风险估计准确度的增加加倍。
最多信息特征的选择：发明人执行修剪方法来识别最相关的特征。他们进行如下：
将500划分成1/3的验证集合和2/3的训练集合
在训练集合，将100随机划分成1/3的测试集合和2/3的(剩余)训练集合
在每次迭代时，逐个移除在训练集合尚导致估计准确度(AUC)的最小减少的特征。如果多个特征引起准确度的相同(最小)减少，则随机摘取这些中的一个。
对每个特征幸存在先前项中描述的修剪步骤的次数和通过该特征的移除引起的准确度的下降进行存储。
在100次迭代之后，对特征进行排名，首先通过修剪步骤幸存的数目，其次通过在移除之后的准确度的平均下降。
按他们的排名的顺序逐个移除特征，并且计算在100个测试集合上的AUC。
针对500个划分中的每个，识别仍然导致超过在测试集合上的最大平均得分的测试集合上的平均AUC减去(围绕在测试集合上的最大平均得分计算的)一个标准偏差的最小数目的特征。
在500次迭代上，对如在先前用着重号描述的在剩余最小特征集合中每个特征结束的次数进行计数。
对在倒数第二的用着重号作出的选择中结束的25个特征(95％CI＝[19，31])取平均。在表2中示出了常常剩余最多的特征的排名。能够看到，在先前公布的数据驱动方法(FVIII、FV莱顿、腿部受伤等)中最重要的特征仍然评分高，但是现在在前十名扩增两个基于计算的阈值的特征，即，总的活化的凝血酶和内源性凝血酶潜力的阈值。
表2：最指示止血风险的特征的排名
尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示范性的，而非限制性的；本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。
在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。
计算机程序可以被存储/分布在合适的非瞬态介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统。
权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims (33)

1.一种用于确定对象的止血风险的设备，所述设备包括：
接收单元，其被配置用于接收关于所述对象的止血状况的第一信息，其中，所述第一信息是来自所述对象的生物样本中的凝血蛋白的浓度值，
第一确定单元，其被配置用于基于由所述接收单元接收的所述第一信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值，其中，所述凝结触发物是组织因子(TF)，以及
比较单元，其被配置用于将由所述第一确定单元确定的所述浓度值与指示止血风险和/或无止血风险的所述凝结触发物的至少一个参考浓度值进行比较，其中，所述比较单元被配置用于将由所述第一确定单元确定的所述浓度值与表示针对稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较，并且所述设备还包括：
第二确定单元，其被配置用于如果由所述第一确定单元确定的所述浓度值低于表示针对稳定止血状况的所述最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险。
2.根据权利要求1所述的设备，其中，所述比较单元被配置用于将由所述第一确定单元确定的所述浓度值与表示针对稳定止血状况的最大浓度的所述凝结触发物的参考浓度值进行比较，并且
其中，所述第二确定单元被配置用于如果由所述第一确定单元确定的所述浓度值高于表示针对稳定止血状况的所述最大浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有出血的高风险。
3.根据权利要求1所述的设备，其中，所述比较单元被配置用于将由所述第一确定单元确定的所述浓度值与所述凝结触发物的至少两个或更多参考浓度值进行比较，所述凝结触发物的所述至少两个或更多参考浓度值包括指示止血风险的至少一个参考浓度值以及指示无止血风险的至少一个参考浓度值，并且所述设备还包括：
第二确定单元，其被配置用于进行以下确定：
如果由所述第一确定单元确定的所述浓度值在数值上更接近指示止血风险的所述至少一个参考浓度值，则确定所述对象有止血风险，或者
如果由所述第一确定单元确定的所述浓度值在数值上更接近指示止血稳定的所述至少一个参考浓度值，则确定所述对象无止血风险。
4.根据权利要求3所述的设备，其中，所述至少两个或更多参考浓度值还包括指示血栓形成的高风险和/或出血的高风险的至少一个参考浓度值。
5.一种临床决策支持系统，包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包含用于由所述处理器运行的指令，其中，所述指令令所述处理器执行以下步骤：
a)接收关于对象的止血状况的第一信息，其中，所述第一信息是来自所述对象的生物样本中的凝血蛋白的浓度值，
b)基于步骤a)的所述第一信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值，其中，所述凝结触发物是组织因子(TF)，
c)将在步骤b)中确定的所述浓度值与指示止血风险和/或无止血风险的所述凝结触发物的至少一个参考浓度值进行比较，所述比较包括将在步骤b)中确定的所述浓度值与表示针对稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较，并且
d)如果在步骤b)中确定的所述浓度值低于表示针对稳定止血状况的所述最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险。
6.根据权利要求5所述的临床决策支持系统，其中，步骤c)和d)额外地或备选地包括以下步骤：
c')将在步骤b)中确定的所述浓度值与表示针对稳定止血状况的最大浓度的所述凝结触发物的参考浓度值进行比较，并且
d')如果在步骤b)中确定的所述浓度值高于表示针对稳定止血状况的所述最大浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有出血的高风险，其中，所述指令令所述处理器执行以下步骤：
a)提供关于所述对象的所述止血状况的第一信息，
b)基于步骤a)的所述第一信息来确定足以开始所述对象中的所述凝结过程的凝结触发物的浓度值，
c)将在步骤b)中确定的所述浓度值与所述凝结触发物的至少两个或更多参考浓度值进行比较，所述凝结触发物的所述至少两个或更多参考浓度值包括指示止血风险的至少一个参考浓度值以及指示无止血风险的至少一个参考浓度值，并且
d)进行以下确定：
如果在步骤b)中确定的所述浓度值在数值上更接近指示止血风险的所述至少一个参考浓度值，则确定所述对象有止血风险，或者
如果在步骤b)中确定的所述浓度值在数值上更接近指示止血稳定的所述至少一个参考浓度值，则确定所述对象无止血风险。
7.根据权利要求6所述的临床决策支持系统，其中，所述至少两个或更多参考浓度值还包括指示血栓形成的高风险和/或出血的高风险的至少一个参考浓度值。
8.一种用于确定对象的止血风险的装置，所述装置包括用于将足以开始对象中的凝结过程的凝结触发物的浓度值与指示止血风险和/或无止血风险的所述凝结触发物的至少一个参考浓度值进行比较的模块，所述装置还包括：
用于提供关于所述对象的止血状况的第一信息的模块a)，其中，所述第一信息是来自所述对象的生物样本中的凝血蛋白的浓度值，
用于基于模块a)的所述第一信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值的模块b)，其中，所述凝结触发物是组织因子(TF)，
用于将在模块b)中确定的所述浓度值与表示针对稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较的模块c)，以及
用于如果在模块b)中确定的所述浓度值低于表示针对稳定止血状况的所述最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险的模块d)。
9.根据权利要求8所述的装置，其中，模块c)和d)额外地或备选地包括：
用于将在模块b)中确定的所述浓度值与表示针对稳定止血状况的最大浓度的所述凝结触发物的参考浓度值进行比较的模块c')，以及
用于如果在模块b)中确定的所述浓度值高于表示针对稳定止血状况的所述最大浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有出血的高风险的模块d')。
10.根据权利要求8所述的装置，包括：
用于提供关于所述对象的所述止血状况的第一信息的模块a)，
用于基于模块a)的所述第一信息来确定足以开始所述对象中的所述凝结过程的凝结触发物的浓度值的模块b)，
用于将在模块b)中确定的所述浓度值与所述凝结触发物的至少两个或更多参考浓度值进行比较的模块c)，所述凝结触发物的所述至少两个或更多参考浓度值包括指示止血风险的至少一个参考浓度值以及指示无止血风险的至少一个参考浓度值，以及
用于进行以下确定的模块d)：
如果在模块b)中确定的所述浓度值在数值上更接近指示止血风险的所述至少一个参考浓度值，则确定所述对象有止血风险，或者
如果在模块b)中确定的所述浓度值在数值上更接近指示止血稳定的所述至少一个参考浓度值，则确定所述对象无止血风险。
11.根据权利要求10所述的装置，其中，所述至少两个或更多参考浓度值还包括指示血栓形成的高风险和/或出血的高风险的至少一个参考浓度值。
12.根据权利要求10所述的装置，其中，借助于最近邻方法来实现模块c)和d)。
13.根据权利要求9或10所述的装置，其中，在模块a)中，关于所述对象的所述止血状况的所述第一信息是来自所述对象的生物样本中的多个凝血蛋白的所述浓度值。
14.根据权利要求13所述的装置，其中，在模块a)中，关于所述对象的所述止血状况的所述第一信息是来自所述对象的生物样本中的至少三个或更多凝血蛋白的浓度值。
15.根据权利要求14所述的装置，其中，从包括以下项的组中选择一个或多个所述凝血蛋白：凝血因子2(FII)、FV、FVII、FVIII、FIX、FX、FXI、FXII、抗凝血酶(AT)、TFPI、α2M、C4BP、蛋白C、蛋白S、蛋白Z、TAFI、ZPI、AAT、PCI、C1抑制剂以及纤维蛋白原。
16.根据权利要求9或10所述的装置，其中，在模块b)中，通过在计算机上对所述凝结过程进行模拟来确定足以开始所述对象中的所述凝结过程的凝结触发物的所述浓度值，其中，在计算机上的所述模拟中，关于所述对象的所述止血状况的所述第一信息被用作输入特征，并且关于在所模拟的凝结过程中所述对象的所述止血状况的第二信息被用作输出特征。
17.根据权利要求16所述的装置，其中，关于所述对象的所述止血状况的所述第二信息是被用作输出特征的集合的、在所模拟的凝结过程的一系列时间点处的活化的凝血蛋白的浓度值。
18.根据权利要求17所述的装置，其中，关于所述对象的所述止血状况的所述第二信息是被用作输出特征的集合的、在所模拟的凝结过程的一系列时间点处的多个活化的凝血蛋白的浓度值。
19.根据权利要求18所述的装置，其中，从包括以下项的组中选择一个或多个所述活化的凝血蛋白：凝血酶(FIIa)、FVa、FVIIa、FVIIIa、FIXa、FXa、FXIIa、FVa-FXa、FVIIIa-FIXa、纤维蛋白、凝血酶原(FII)。
20.根据权利要求17所述的装置，其中，从所述输出特征的集合中创建表示凝结响应的强度的一个特征，其中，表示所述凝结响应的所述强度的所述一个特征是在所模拟的凝结过程的所有时间点上的所述活化的凝血蛋白中的至少一种的最大浓度。
21.一种包含由处理器运行的指令的计算机可读非瞬态存储介质，其中，所述指令令所述处理器执行以下步骤：
a)提供关于对象的止血状况的第一信息(S1)，其中，所述第一信息是来自所述对象的生物样本中的凝血蛋白的浓度值，
b)基于步骤a)的所述第一信息来确定足以开始所述对象中的凝结过程的凝结触发物的浓度值(S2)，其中，所述凝结触发物是组织因子(TF)，
c)将在步骤b)中确定的所述浓度值与表示针对稳定止血状况的最小浓度的所述凝结触发物的参考浓度值进行比较(S3)，并且
d)如果在步骤b)中确定的所述浓度值低于表示针对稳定止血状况的所述最小浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有血栓形成的高风险(S4)。
22.根据权利要求21所述的计算机可读非瞬态存储介质，其中，步骤c)和d)额外地或备选地包括以下步骤：
c')将在步骤b)中确定的所述浓度值与表示针对稳定止血状况的最大浓度的所述凝结触发物的参考浓度值进行比较(S3')，并且
d')如果在步骤b)中确定的所述浓度值高于表示针对稳定止血状况的所述最大浓度的所述凝结触发物的所述参考浓度值，则确定所述对象有出血的高风险(S4')。
23.根据权利要求21所述的计算机可读非瞬态存储介质，其中，所述指令令所述处理器执行以下步骤：
a)提供关于所述对象的所述止血状况的第一信息(S1)，
b)基于步骤a)的所述第一信息来确定足以开始所述对象中的所述凝结过程的凝结触发物的浓度值(S2)，
c)将在步骤b)中确定的所述浓度值与所述凝结触发物的至少两个或更多参考浓度值进行比较(S3”)，所述凝结触发物的所述至少两个或更多参考浓度值包括指示止血风险的至少一个参考浓度值以及指示无止血风险的至少一个参考浓度值，并且
d)进行以下确定：
如果在步骤b)中确定的所述浓度值在数值上更接近指示止血风险的所述至少一个参考浓度值，则确定所述对象有止血风险(S4”)，或者
如果在步骤b)中确定的所述浓度值在数值上更接近指示止血稳定的所述至少一个参考浓度值，则确定所述对象无止血风险(S4”')。
24.根据权利要求23所述的计算机可读非瞬态存储介质，其中，借助于最近邻方法来实现步骤c)和d)。
25.根据权利要求23所述的计算机可读非瞬态存储介质，其中，所述至少两个或更多参考浓度值还包括指示血栓形成的高风险和/或出血的高风险的至少一个参考浓度值。
26.根据权利要求22或23所述的计算机可读非瞬态存储介质，其中，在步骤a)中，关于所述对象的所述止血状况的所述第一信息是来自所述对象的生物样本中的多个凝血蛋白的所述浓度值。
27.根据权利要求26所述的计算机可读非瞬态存储介质，其中，在步骤a)中，关于所述对象的所述止血状况的所述第一信息是来自所述对象的生物样本中的至少三个或更多凝血蛋白的浓度值。
28.根据权利要求27所述的计算机可读非瞬态存储介质，其中，从包括以下项的组中选择一个或多个所述凝血蛋白：凝血因子2(FII)、FV、FVII、FVIII、FIX、FX、FXI、FXII、抗凝血酶(AT)、TFPI、α2M、C4BP、蛋白C、蛋白S、蛋白Z、TAFI、ZPI、AAT、PCI、C1抑制剂以及纤维蛋白原。
29.根据权利要求22或23所述的计算机可读非瞬态存储介质，其中，在步骤b)中，通过在计算机上对所述凝结过程进行模拟来确定足以开始所述对象中的所述凝结过程的凝结触发物的所述浓度值，其中，在计算机上的所述模拟中，关于所述对象的所述止血状况的所述第一信息被用作输入特征，并且关于在所模拟的凝结过程中所述对象的所述止血状况的第二信息被用作输出特征。
30.根据权利要求29所述的计算机可读非瞬态存储介质，其中，关于所述对象的所述止血状况的所述第二信息是被用作输出特征的集合的、在所模拟的凝结过程的一系列时间点处的活化的凝血蛋白的浓度值。
31.根据权利要求30所述的计算机可读非瞬态存储介质，其中，关于所述对象的所述止血状况的所述第二信息是被用作输出特征的集合的、在所模拟的凝结过程的一系列时间点处的多个活化的凝血蛋白的浓度值。
32.根据权利要求31所述的计算机可读非瞬态存储介质，其中，从包括以下项的组中选择一个或多个所述活化的凝血蛋白：凝血酶(FIIa)、FVa、FVIIa、FVIIIa、FIXa、FXa、FXIIa、FVa-FXa、FVIIIa-FIXa、纤维蛋白、凝血酶原(FII)。
33.根据权利要求30所述的计算机可读非瞬态存储介质，其中，从所述输出特征的集合中创建表示凝结响应的强度的一个特征，其中，表示所述凝结响应的所述强度的所述一个特征是在所模拟的凝结过程的所有时间点上的所述活化的凝血蛋白中的至少一种的最大浓度。
CN201480069634.0A 2013-12-19 2014-12-10 用于确定对象的止血风险的方法 Active CN105829888B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP13198633 2013-12-19
EP13198633.3 2013-12-19
PCT/EP2014/077096 WO2015091115A1 (en) 2013-12-19 2014-12-10 Method for determining the hemostatic risk of a subject

Publications (2)

Publication Number Publication Date
CN105829888A CN105829888A (zh) 2016-08-03
CN105829888B true CN105829888B (zh) 2019-08-06

Family

ID=49886708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480069634.0A Active CN105829888B (zh) 2013-12-19 2014-12-10 用于确定对象的止血风险的方法

Country Status (5)

Country Link
US (1) US20160305965A1 (zh)
EP (1) EP3084429B1 (zh)
JP (1) JP6483706B2 (zh)
CN (1) CN105829888B (zh)
WO (1) WO2015091115A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4299585A3 (en) * 2016-05-13 2024-04-17 The Scripps Research Institute Compositions and methods for anti-thrombotic and hemostatic therapies
WO2018104549A1 (en) * 2016-12-09 2018-06-14 Gene Predictis Sa Method for predicting the risk of deep vein thrombosis and pulmonary embolism associated with hormonal preparations and hormone levels
EP3422011A1 (en) * 2017-06-28 2019-01-02 Koninklijke Philips N.V. Parameter value estimation in coagulation system
JP6883899B1 (ja) * 2020-12-07 2021-06-09 株式会社血栓トランスレーショナルリサーチラボ 血液凝固検査試薬、および血液凝固検査方法
JP7152084B1 (ja) * 2022-02-22 2022-10-12 株式会社血栓トランスレーショナルリサーチラボ 組織因子経路インヒビターの抗凝固活性の検査試薬、検査試薬セット、および検査方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2910969B1 (fr) * 2006-12-29 2009-02-27 Lab Francais Du Fractionnement Procede de mesure de la concentration de facteur viia (fviia) dans un echantillon
WO2009142744A2 (en) * 2008-05-20 2009-11-26 The University Of Vermont And State Agriculture College Predicting hemostatic risk; dependence on plasma composition
EP2538360A1 (en) * 2011-06-16 2012-12-26 Koninklijke Philips Electronics N.V. Method of predicting a blood dilution risk value
CA2878568A1 (en) * 2011-12-31 2013-04-07 The University Of Vermont And State Agriculture College Methods for dynamic visualization of clinical parameters over time

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Thrombin Generation in Plasma: lts Assessment Via the Endogenous Thrombin Potenti;H.Coenraad Hemker et al.;《Thrombosis and Haemostasis》;19951231;第74卷(第1期);第134页，附图1
抗凝血的新药物;庞缨 等;《血栓与止血学杂志》;19941231;第1卷(第4期);第173-174页

Also Published As

Publication number Publication date
US20160305965A1 (en) 2016-10-20
WO2015091115A1 (en) 2015-06-25
EP3084429A1 (en) 2016-10-26
JP6483706B2 (ja) 2019-03-13
CN105829888A (zh) 2016-08-03
JP2017501409A (ja) 2017-01-12
EP3084429B1 (en) 2019-07-10

Similar Documents

Publication Publication Date Title
CN105829888B (zh) 用于确定对象的止血风险的方法
Richards et al. Frailty in surgical patients
Kim et al. Preoperative frailty assessment and outcomes at 6 months or later in older adults undergoing cardiac surgical procedures: a systematic review
Saw et al. Estimation of prediction for getting heart disease using logistic regression model of machine learning
Wei et al. Laparoscopic versus open appendectomy for acute appendicitis: a metaanalysis
Limkakeng Jr et al. Combination of Goldman risk and initial cardiac troponin I for emergency department chest pain patient risk stratification
Geersing et al. Safe exclusion of pulmonary embolism using the Wells rule and qualitative D-dimer testing in primary care: prospective cohort study
Righini et al. D‐Dimer for venous thromboembolism diagnosis: 20 years later
Heit et al. Predictors of venous thromboembolism recurrence, adjusted for treatments and interim exposures: a population-based case-cohort study
CN104756117B (zh) 用于临床决策支持的对血栓形成的临床风险因子与分子标记物的组合使用
Nelzen Prevalence of venous leg ulcer: the importance of the data collection method
RU2007124523A (ru) Способы, системы и компьютерные программные продукты для разработки и использования прогнозных моделей для прогнозирования большинства медицинских случаев, оценки стратегий вмешательства и для одновременной оценки нерегулярности биологических маркеров
Berger et al. Ensuring the comparability of comparison groups: is randomization enough?
Jamshidi et al. Machine learning–based individualized survival prediction Model for total knee Replacement in osteoarthritis: data from the osteoarthritis initiative
Hammoudeh et al. Prospective cohort studies in medical research
ES2671515T3 (es) Aparato analizador y utilización del mismo para la EPOC
Ruan et al. Real-time risk prediction of colorectal surgery-related post-surgical complications using GRU-D model
RU2692667C1 (ru) Способ прогнозирования развития рецидивирующего инфаркта миокарда после повторного инфаркта миокарда у мужчин моложе 60 лет
Shanmugam et al. Improving and standardizing capture of pediatric cardiac surgical complications
Kucuk The change of neutrophil lymphocyte ratio in acute appendicitis
Antonelli et al. Ruling out the diagnosis of venous thromboembolism in the elderly: is it time to revise the role of D-dimer?
TWI641963B (zh) Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm
Afifi et al. The development of an online pneumonia risk prediction system
RU2571715C1 (ru) Способ прогнозирования сердечно-сосудистых осложнений у больных ишемической болезнью сердца после коронарного шунтирования
RU2522398C1 (ru) Способ прогнозирования риска развития тромбоэмболии легочной артерии у пациентов с тромбозом глубоких вен

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant