CN106874647B - 一种脑胶质母细胞瘤患者生存期预测系统 - Google Patents
一种脑胶质母细胞瘤患者生存期预测系统 Download PDFInfo
- Publication number
- CN106874647B CN106874647B CN201710011159.7A CN201710011159A CN106874647B CN 106874647 B CN106874647 B CN 106874647B CN 201710011159 A CN201710011159 A CN 201710011159A CN 106874647 B CN106874647 B CN 106874647B
- Authority
- CN
- China
- Prior art keywords
- score value
- risk score
- gliblastoma
- temozolomide
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本公开公开了一种脑胶质母细胞瘤患者生存期预测系统,所述预测系统包括:输入模块、分析模块和输出模块,所述分析模块能够基于所述变量输入模块输入的变量建立生存概率列线图并计算总风险分值,所述总风险分值为卡氏功能评分、肿瘤切除程度、MGMT基因启动子甲基化状态、IDH基因状态和替莫唑胺治疗策略的风险分值的累加和;根据所述总风险分值计算脑胶质母细胞瘤患者生存期预测值;输出模块,所述输出模块用于输出脑胶质母细胞瘤患者生存期预测值。本公开所提出的脑胶质母细胞瘤患者生存期预测系统将临床上易获得的变量综合起来,输入所述五个变量即可快速准确的获得脑胶质母细胞瘤患者生存期的预测结果,节约了使用者的时间与精力。
Description
技术领域
本公开涉及计算机应用技术,具体地,涉及一种脑胶质母细胞瘤患者生存期预测系统。
背景技术
脑胶质瘤是中枢神经系统最常见的恶性肿瘤,其中恶性程度最高的胶质母细胞瘤占脑胶质瘤整体发病率的30%以上。胶质母细胞瘤具有发病率、致死率、复发率高和治愈率低的特点。目前胶质母细胞瘤的治疗方案包括手术切除和术后放化疗,以往国内外文献报道胶质母细胞瘤病人中位生存期为12-15个月。但是在临床实践中病人生存时间存在较大差别,其中15%的病人可存活超过3年,9%的病人可存活超过5年,如此大跨度的生存时限极大地增加了准确预测病人生存期的难度。
准确的预测病人生存期具有重要的临床、科研及社会价值。在临床工作中,准确的生存期预测可指导医生针对高风险病人制定个性化的检查及治疗方案,帮助医生制定合理的复查及随访计划,进而提高医疗服务的质量。在科研中,准确的预测病人风险层级,可以为研发针对高风险病人的有效治疗方案提供重要依据,并且可以成为检验新型治疗效果的重要方法。从社会角度来说,准确预测病患生存期,可为病患及家属提供科学的生存预期,指引病人依从治疗计划,避免过度医疗,减轻家庭经济压力,有助于改善医患关系。
目前,脑胶质母细胞瘤临床实践中尚缺少一种简单可靠的工具,能够提供综合的、可靠的生存预测。针对现有不足,亟需一种适用于中国人群的、结合分子诊疗优势的胶质母细胞瘤生存预测系统,更加全面准确的预测胶质母细胞瘤病人生存时间。
发明内容
本公开的目的是提供一种预测系统,该系统可以准确预测胶质母瘤病人生存时间,为医疗服务提供指导。
为了实现上述目的,本公开提供一种脑胶质母细胞瘤患者生存期预测系统,所述预测系统包括:
变量输入模块,所述变量输入模块包括五个变量输入子模块,所述五个变量输入子模块为卡氏功能评分输入子模块、肿瘤切除程度输入子模块、MGMT基因启动子甲基化程度输入子模块、IDH基因状态输入子模块和替莫唑胺治疗策略输入子模块;
所述分析模块能够基于所述变量输入模块输入的变量建立生存概率列线图并计算总风险分值,所述总风险分值为卡氏功能评分、肿瘤切除程度、MGMT基因启动子甲基化状态、IDH基因状态和替莫唑胺治疗策略的风险分值的累加和;根据所述总风险分值计算脑胶质母细胞瘤患者生存期预测值;
所述输出模块用于输出脑胶质母细胞瘤患者生存期预测值。
通过上述技术方案,本公开所提出的脑胶质母细胞瘤患者生存期预测系统将临床上易获得的变量综合起来,输入所述五个变量即可快速准确的获得脑胶质母细胞瘤患者生存期的预测结果,节约了使用者的时间与精力。
优选地,基于所述变量输入模块输入的变量建立生存概率列线图的方法为应用R语言RMS运算包完成Cox回归模型的列线图可视化。所述生存概率列线图中卡氏功能评分、肿瘤切除程度、MGMT基因启动子甲基化状态、IDH基因状态和替莫唑胺治疗策略分别对应不同的风险分值范围。计算上述5项变量的累加和为总风险分值,在总风险分值的位置画垂直线,所述垂直线与6月生存率线的交点为患者6月生存率的概率,同样方法可以得到患者的1年,2年及3年生存率。不同的总风险分值对应不同的6月、1年,2年及3年生存率。
优选的,所述卡氏功能评分对应的风险分值的计算方法如式(1)所示,,所述脑胶质母细胞瘤患者的KPS评分为a,风险分值为b:
b=100-[(a-20)/8]×100 式(1);
在所述肿瘤切除程度为完全切除时,所述肿瘤切除程度对应的风险分值为0;在所述肿瘤切除程度为次全切除时,所述肿瘤切除程度对应的风险分值为30;
在所述MGMT基因启动子甲基化状态为高甲基化时,所述MGMT基因启动子甲基化状态对应的风险分值为0;在所述MGMT基因启动子甲基化状态为野生型时,所述MGMT基因启动子甲基化状态对应的风险分值为25;
在所述IDH基因状态为突变时,所述IDH基因状态对应的风险分值为0;在所述IDH基因状态为野生型时,所述IDH基因状态对应的风险分值为35;
在所述替莫唑胺治疗策略为接受替莫唑胺治疗时,所述替莫唑胺治疗策略对应的风险分值为0;在所述替莫唑胺治疗策略为未接受替莫唑胺治疗时,替莫唑胺治疗策略对应的风险分值为39。
其中所述分析模块可以为电脑主机、中央处理器或网络服务器等,所述输出模块为显示器、打印机或音频输出装置。
优选地,所述MGMT基因启动子甲基化状态输入子模块、IDH基因状态输入子模块为基因芯片读取装置。采用基因芯片装置可以方便的一次获取多个信息。
优选地,所述变量输入模块和所述分析模块之间通过有线方式和/或无线方式连接。
优选地,其中,所述分析模块和所述输出模块之间通过有线方式和/或无线方式连接。
其中,无线连接方式可以为无线局域网、蓝牙、红外线等;有线连接方式可以为固话网络等。采用前述连接方式可以大大方便使用者对预测装置的使用,同时可以借助日益发展的信息技术和日益普及的网络资源为脑胶质母细胞瘤患者的生存期作出准确预测。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是预测系统示意图。
图2是建立脑胶质母细胞瘤患者生存期预测模型的流程图。
图3是脑胶质母细胞瘤患者的生存概率列线图。
图4是脑胶质母细胞瘤患者生存概率列线图所预测的生存概率和患者实际生存概率之间的校准曲线。
具体实施方式
以下对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
如图1所示,本公开的脑胶质母细胞瘤患者的生存期预测系统包括变量输入模块、分析模块和输出模块,所述变量输入模块与分析模块、分析模块与输出模块之间可以通过有线连接(USB、固化线路等)和/或无线连接(WIFI、蓝牙、红外线等)。所述变量输入模块中又包含有五个变量输入子模块,所述五个变量输入子模块为卡氏功能评分(记为KPS评分)输入子模块、肿瘤切除程度输入子模块、MGMT基因启动子甲基化程度输入子模块、IDH基因状态输入子模块和替莫唑胺治疗策略输入子模块;其中,所述变量输入模块可以采用键盘、鼠标、触摸屏等装置;所述MGMT基因启动子甲基化程度输入子模块、IDH基因状态输入子模块也可以采用基因芯片读取装置来获取MGMT启动子甲基化程度和IDH基因状态的直接信息;所述分析模块可以采用中央处理器或者网络服务器来计算生存期;所述输出模块将所述生存期的预测结果输出,可以采用显示器、打印机或音频输出装置等。
本公开中所述脑胶质母细胞瘤患者生存期预测计算通过如图2所示的流程得到。
为了筛选出影响脑胶质母细胞瘤患者生存期的变量,根据收集的191例脑胶质母细胞瘤患者由生存到死亡的随访信息,其中191例脑胶质母细胞瘤患者的最长随访时间为8.4年。筛选出部分可能与患者生存期相关的临床数据,包括年龄、性别、卡氏功能评分、肿瘤切除程度、MGMT启动子甲基化程度、IDH基因状态、治疗策略和肿瘤位置,用于后续生存期预测模型的建立,根据所建立的生存期预测模型进行准确地及归一化的预测。建立脑胶质母细胞瘤患者的生存期预测模型的具体步骤为:
(1)应用单因素Cox回归分析可能与患者生存期相关的临床数据,包括年龄、性别、卡氏功能评分、肿瘤切除程度、MGMT启动子甲基化程度、IDH基因状态、治疗策略和肿瘤位置,评估前述临床数据的预后价值,当变量p值小于0.05时,则认为此变量与脑胶质母细胞瘤患者的生存期显著相关;经过单因素Cox回归分析筛选出6个变量(卡氏功能评分、肿瘤切除程度、MGMT基因启动子甲基化状态、IDH基因状态、替莫唑治疗策略和肿瘤是否侵犯枕叶)与患者的生存期显著相关。单因素Cox回归分析的结果如表1所示。
(2)应用多因素Cox回归分析上述与患者生存期显著相关的6项变量是否为独立预后因素,筛选出5项变量为卡氏功能评分、肿瘤切除程度、MGMT基因启动子甲基化状态、IDH基因状态和替莫唑治疗策略独立地与患者生存时间相关,具体结果见表1;其中,各因素的权重系数为ln(风险比),转化系数=(权重系数×赋值差),KPS评分的转化系数最大,由此得知KPS评分对预测结果影响最大,设定KPS评分两极值为风险评分0至100分,其他变量以KPS评分为基础,按照转化系数比例完成风险评分赋值,5项变量的赋值说明如表2所示。具体结果见表3。基于上述5项变量建立脑胶质母细胞瘤患者Cox回归模型,Cox回归模型如式(2)所示。使用赤池信息量准则(Akaike information criterion,AIC准则)检验所述脑胶质母细胞瘤患者Cox回归模型的稳定性。
某时间点预测生存概率=某时间基准生存概率^患者总风险分值式(2)
表1
表2
变量 | 赋值 |
KPS评分 | KPS20=100,KPS100=0 |
肿瘤切除程度 | 1=完全切除,0=次全切除 |
MGMT启动子状态 | 1=高甲基化,0=野生型 |
IDH基因状态 | 1=突变型,0=野生型 |
替莫唑胺治疗 | 1=接受替莫唑胺治疗,0=未接受替莫唑胺治疗 |
表3
(3)根据脑胶质母细胞瘤患者Cox回归模型建立相应地如图3所示的脑胶质母细胞瘤患者的生存概率列线图,其过程具体为应用R语言RMS运算包,将所得到的Cox回归模型转化为可视化的生存概率列线图。其中,具体命令如下:
###调用所需运算包
library(rms)
library(survival)
###读取数据集
data=read.delim(file.choose(),row.names=1)
###建立cox回归模型
f=cph(Surv(OS,Censor)~KPS+Resection+MGMT+IDH+TMZ,data=data)
surv=Survival(f)
###绘制生存概率列线图
nom=nomogram(f,fun=list(function(x)surv(183,x),function(x)surv(365,x),function(x)surv(730,x),function(x)surv(1095,x),lp=F,funlabel=c("6-monthsurvival","1-year survival","2-year survival","3-year survival",fun.at=seq(0.95,0.05,by=-0.05))
plot(nom,cex.axis=0.8)
经过以上步骤可以得到如图3所示的生存概率列线图,卡氏功能评分、肿瘤切除程度、MGMT基因启动子甲基化状态、IDH基因状态和替莫唑治疗策略分别对应不同的风险分值范围,以此来计算总风险分值,所述总风险分值为卡氏功能评分、肿瘤切除程度、MGMT基因启动子甲基化状态、IDH基因状态和替莫唑胺治疗策略的风险分值的累加和。在总风险分值的位置画垂直线,所述垂直线与6月生存率线的交点为患者6月生存率的概率,同样方法可以得到患者的1年,2年及3年生存率。不同的总风险分值对应不同的6月、1年,2年及3年生存率。
如图4所示,采用bootstrap法1000次随机分组验证上述脑胶质母细胞瘤患者生存预测曲线所预测的生存概率和患者实际生存概率之间的校准曲线,结果证实预测生存概率与实际生存概率保持一致。另选取C指数评价模型的有效性,结果显示本公开所述的预测模型在脑胶质母细胞瘤患者中应用时C指数为0.69。
以上详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (7)
1.一种脑胶质母细胞瘤患者生存期预测系统,其特征在于,所述预测系统包括:
变量输入模块,所述变量输入模块包括五个变量输入子模块,所述五个变量输入子模块为卡氏功能评分输入子模块、肿瘤切除程度输入子模块、MGMT基因启动子甲基化状态输入子模块、IDH基因状态输入子模块和替莫唑胺治疗策略输入子模块;
分析模块,所述分析模块能够基于所述变量输入模块输入的变量建立生存概率列线图并计算总风险分值,所述总风险分值为卡氏功能评分、肿瘤切除程度、MGMT基因启动子甲基化状态、IDH基因状态和替莫唑胺治疗策略的风险分值的累加和;根据所述总风险分值计算脑胶质母细胞瘤患者生存期预测值;
输出模块,所述输出模块用于输出脑胶质母细胞瘤患者生存期预测值;
所述卡氏功能评分对应的风险分值的计算方法如式(1)所示,所述脑胶质母细胞瘤患者的卡氏功能评分为a,风险分值为b:
b=100-[(a-20)/8]×100 式(1);
在所述肿瘤切除程度为完全切除时,所述肿瘤切除程度对应的风险分值为0;在所述肿瘤切除程度为次全切除时,所述肿瘤切除程度对应的风险分值为30;
在所述MGMT基因启动子甲基化状态为高甲基化时,所述MGMT基因启动子甲基化状态对应的风险分值为0;在所述MGMT基因启动子甲基化状态为野生型时,所述MGMT基因启动子甲基化状态对应的风险分值为25;
在所述IDH基因状态为突变时,所述IDH基因状态对应的风险分值为0;在所述IDH基因状态为野生型时,所述IDH基因状态对应的风险分值为35;
在所述替莫唑胺治疗策略为接受替莫唑胺治疗时,所述替莫唑胺治疗策略对应的风险分值为0;在所述替莫唑胺治疗策略为未接受替莫唑胺治疗时,替莫唑胺治疗策略对应的风险分值为39。
2.根据权利要求1所述的预测系统,其中,基于所述变量输入模块输入的变量建立生存概率列线图的方法为应用R语言RMS运算包完成Cox回归模型的列线图可视化。
3.根据权利要求1所述的预测系统,其中,所述变量输入模块和所述分析模块之间通过有线方式和/或无线方式连接。
4.根据权利要求1所述的预测系统,其中,所述分析模块和所述输出模块之间通过有线方式和/或无线方式连接。
5.根据权利要求1所述的预测系统,其中,所述输出模块为显示器、打印机或音频输出装置。
6.根据权利要求1所述的预测系统,其中,所述MGMT基因启动子甲基化状态输入子模块、IDH基因状态输入子模块为基因芯片读取装置。
7.根据权利要求1所述的预测系统,其中,所述分析模块为电脑主机、中央处理器或网络服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710011159.7A CN106874647B (zh) | 2017-01-06 | 2017-01-06 | 一种脑胶质母细胞瘤患者生存期预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710011159.7A CN106874647B (zh) | 2017-01-06 | 2017-01-06 | 一种脑胶质母细胞瘤患者生存期预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874647A CN106874647A (zh) | 2017-06-20 |
CN106874647B true CN106874647B (zh) | 2019-03-22 |
Family
ID=59164762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710011159.7A Active CN106874647B (zh) | 2017-01-06 | 2017-01-06 | 一种脑胶质母细胞瘤患者生存期预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874647B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021433B (zh) * | 2017-08-30 | 2023-11-17 | 中山大学 | 一种用于精准预测胃肠胰神经内分泌肿瘤患者预后的系统 |
CN109411012B (zh) * | 2018-11-13 | 2020-12-15 | 中国人民解放军总医院 | 胶质母细胞瘤危险分层模型及其在临床预后评估的应用 |
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 |
CN109330616A (zh) * | 2018-12-08 | 2019-02-15 | 宁波耀通管阀科技有限公司 | 肿瘤危害等级辨别系统 |
CN110993104B (zh) * | 2019-12-03 | 2023-06-30 | 中国医科大学附属第一医院 | 肿瘤患者生存期预测系统 |
CN111312387A (zh) * | 2020-01-16 | 2020-06-19 | 安徽医科大学第一附属医院 | 一种男性慢性前列腺炎/慢性盆腔痛综合征疼痛严重程度预测模型及其建立 |
CN112133369B (zh) * | 2020-08-26 | 2023-09-22 | 吴安华 | 基于活性氧评估肿瘤患者预后性的系统以及药物敏感性评价与改善方法 |
CN112216382A (zh) * | 2020-10-14 | 2021-01-12 | 天津医科大学总医院 | 生化指标信息处理系统、方法、设备、存储介质及检测仪 |
CN112802605A (zh) * | 2021-01-13 | 2021-05-14 | 四川大学华西医院 | 一种转移性肾癌患者接受系统治疗后生存获益的预测模型及其建立方法和应用 |
CN113723415B (zh) * | 2021-08-26 | 2023-07-18 | 泰康保险集团股份有限公司 | 一种生存时长预测方法、装置、设备及介质 |
CN114141360A (zh) * | 2021-12-02 | 2022-03-04 | 山东大学 | 基于惩罚cox回归的乳腺癌预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102329859A (zh) * | 2011-08-24 | 2012-01-25 | 江涛 | 与scos3基因相关的胶质母细胞瘤生存预后试剂盒 |
KR101504817B1 (ko) * | 2013-04-05 | 2015-03-24 | 연세대학교 산학협력단 | 국소 진행형 위암에 대한 예후 예측 시스템 |
US10456470B2 (en) * | 2013-08-30 | 2019-10-29 | Genentech, Inc. | Diagnostic methods and compositions for treatment of glioblastoma |
CN105243298A (zh) * | 2015-11-06 | 2016-01-13 | 吴志宏 | 胰腺癌相关癌基因突变信息收集分析系统及分析方法 |
-
2017
- 2017-01-06 CN CN201710011159.7A patent/CN106874647B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106874647A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874647B (zh) | 一种脑胶质母细胞瘤患者生存期预测系统 | |
Nelson et al. | Medication use for the risk reduction of primary breast cancer in women: updated evidence report and systematic review for the US Preventive Services Task Force | |
CN105678066B (zh) | 基于用户反馈信息完成数据训练的疾病自诊方法及系统 | |
Karamlou et al. | Increased extracorporeal membrane oxygenation center case volume is associated with improved extracorporeal membrane oxygenation survival among pediatric patients | |
Meretoja et al. | International multicenter tool to predict the risk of nonsentinel node metastases in breast cancer | |
Muhlestein et al. | The impact of race on discharge disposition and length of hospitalization after craniotomy for brain tumor | |
CN110993104B (zh) | 肿瘤患者生存期预测系统 | |
Yang et al. | Impact of timing on in-patient outcomes of complete repair of tetralogy of Fallot in infancy: an analysis of the United States National Inpatient 2005–2011 database | |
CN109698029A (zh) | 一种基于网络模型的circRNA-疾病关联预测方法 | |
CN112542247B (zh) | 乳腺癌新辅助化疗后病理学完全缓解概率预测方法及系统 | |
CN103310109A (zh) | 一种患者随访提醒周期自适应调整方法 | |
Song et al. | Prognostic factors analysis and nomogram construction of dual primary lung cancer: a population study | |
CN104997630A (zh) | 运用物联网技术的针灸诊疗系统平台 | |
Senger et al. | Current concepts in the management of primary lymphedema | |
CN112802605A (zh) | 一种转移性肾癌患者接受系统治疗后生存获益的预测模型及其建立方法和应用 | |
CN113628761A (zh) | 抗血管生成药物联合免疫检查点抑制剂治疗疗效预测方法 | |
CN104887501A (zh) | 运用物联网技术的针灸诊疗系统平台 | |
CN105335623A (zh) | 一种骨转移癌骨相关事件的判断系统 | |
CN113870984A (zh) | 基于ai诊疗随访系统的规范化诊疗中心认证考核系统 | |
Xiao et al. | Association between basal platelet count and all-cause mortality in critically ill patients with acute respiratory failure: a secondary analysis from the eICU collaborative research database | |
CN115862890B (zh) | 一种抗癌药物筛选方法及系统 | |
CN104050344A (zh) | 冠心病的表征参数的获取方法 | |
Byrne et al. | National Asian-Indio Cooperative Enterprises (NICE) Camden County Cancer Project at Cooper Cancer Screening Patient Outcomes | |
Hu et al. | Predicting lower limb lymphedema after cervical cancer surgery using artificial neural network and decision tree models | |
Dreyfuss* et al. | PD46-08 EARLY RECURRENCE PATTERNS SHOULD INFORM SURVEILLANCE PROTOCOLS FOLLOWING SURGERY FOR HIGH RISK NON-METASTATIC RENAL CELL CARCINOMA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |