CN107621849A - 前列腺穿刺活检的阳性风险预测方法和装置 - Google Patents
前列腺穿刺活检的阳性风险预测方法和装置 Download PDFInfo
- Publication number
- CN107621849A CN107621849A CN201711017658.3A CN201711017658A CN107621849A CN 107621849 A CN107621849 A CN 107621849A CN 201711017658 A CN201711017658 A CN 201711017658A CN 107621849 A CN107621849 A CN 107621849A
- Authority
- CN
- China
- Prior art keywords
- scale
- gland
- aspiration biopsy
- age
- prostate
- 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
- 238000001574 biopsy Methods 0.000 title claims abstract description 113
- 210000004907 gland Anatomy 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 23
- 210000002307 prostate Anatomy 0.000 claims abstract description 84
- 206010060862 Prostate cancer Diseases 0.000 claims abstract description 38
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 26
- 239000000427 antigen Substances 0.000 claims abstract description 24
- 102000036639 antigens Human genes 0.000 claims abstract description 24
- 108091007433 antigens Proteins 0.000 claims abstract description 24
- 238000007477 logistic regression Methods 0.000 claims description 16
- 230000001575 pathological effect Effects 0.000 claims description 7
- 206010003504 Aspiration Diseases 0.000 abstract description 77
- 101100261173 Arabidopsis thaliana TPS7 gene Proteins 0.000 abstract description 2
- GLQOALGKMKUSBF-UHFFFAOYSA-N [amino(diphenyl)silyl]benzene Chemical compound C=1C=CC=CC=1[Si](C=1C=CC=CC=1)(N)C1=CC=CC=C1 GLQOALGKMKUSBF-UHFFFAOYSA-N 0.000 abstract description 2
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 15
- 102100038358 Prostate-specific antigen Human genes 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 210000002966 serum Anatomy 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 4
- 238000003657 Likelihood-ratio test Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 101150071577 chi2 gene Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000001772 Wald test Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 201000007094 prostatitis Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- -1 tPSA) Proteins 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
Abstract
本发明提供一种前列腺穿刺活检的阳性风险预测方法和装置,能够预测前列腺穿刺活检阳性的具体风险,以减少临床不必要的前列腺穿刺。在本发明的前列腺穿刺活检的阳性风险预测方法中,采集行前列腺穿刺活检的前列腺癌筛查患者的年龄、总前列腺特异性抗原的值、游离前列腺特异性抗原的值和前列腺体积的值,将采集到的各数据代入到下述方程式中,来求取所述患者的前列腺穿刺活检的阳性风险预测值,Logit(P)=ln(P/(1‑P))=a+b*Age+c*tPSA+d*fPSA‑e*PV,其中,P为大于0且小于1的前列腺穿刺活检的阳性风险预测值,Age为患者的年龄,tPSA为总前列腺特异性抗原,fPSA为游离前列腺特异性抗原,PV为前列腺体积,a、b、c、d、e均为常数。
Description
技术领域
本发明涉及一种前列腺癌风险预测方法和装置,特别涉及前列腺癌筛查患者进行前列腺穿刺活检的阳性风险预测方法和装置。
背景技术
前列腺癌是为西方国家发病率最高的男性恶性肿瘤,中国前列腺癌的发病率也逐年上升,目前已位居男性恶性肿瘤第六位,是发病率最高的泌尿系统恶性肿瘤。目前国内外指南均推荐血清前列腺特异性抗原(Prostate-specific antigen,PSA)作为前列腺癌的首选筛查方式,若患者血清PSA水平异常升高,则建议对这部分患者行前列腺穿刺活检,进一步确诊是否患有前列腺癌。但是,PSA并不是前列腺癌特异性血清指标,前列腺的良性病变,比如良性前列腺增生、前列腺炎等均能够引起血清PSA水平的异常升高。目前国内外回顾性研究表明前列腺穿刺活检阳性率只有40%左右,并且前列腺穿刺活检是一项有创检查,给穿刺阴性结果患者带来不必要的并发症发生风险,比如出血、感染、疼痛等。因此有必要对血清PSA水平升高患者的穿刺活检阳性风险进行更准确的评估。
现有的预测穿刺活检阳性风险的模型蒙特利尔(加拿大)预测模型、北美前列腺预防试验的前列腺癌风险计算(prostate cancer prevention trialderived cancer riskcalculator,PCPY-CRC)模型等。蒙特利尔预测模型中包含了年龄、直肠指检、PSA以及游离PSA百分比等指标,北美前列腺预防试验的前列腺癌风险计算模型中则包含了年龄、种族、家族史、直肠指检、血清PSA等指标。此外,当前中国国内还有以年龄、PSA、前列腺体积、游离PSA百分比、直肠指检和前列腺超声波等作为指标的风险预测模型。目前许多研究表明,患者的年龄、总PSA水平(total prostate-specific antigen,tPSA)、游离PSA水平(freeprostate-specific antigen,fPSA)、前列腺体积(prostate volume,PV)是患者前列腺穿刺活检阳性结果的独立预测指标,且均为目前临床前列腺癌筛查常规检测项目。
发明内容
然而对于这些指标,当前一般都是单独利用来判断患者前列腺穿刺活检结果是否为阳性,并不能通过综合利用各个指标的预测价值进而对患者穿刺结果阳性风险作出具体的评估。此外,这些指标在使用中甚至会出现相反的预测结果,不利于对患者穿刺阳性风险的准确判断。
因此在患者行前列腺穿刺活检前,如果医生能够根据常规临床指标预测出患者前列腺穿刺活检结果阳性的具体风险值,然后再根据阳性风险值与患者共同商议决定是否行进一步前列腺穿刺活检,能够在一定程度上减少不必要的前列腺穿刺活检,节省医疗资源与成本。
本发明的目的在于解决上述问题,提供一种前列腺穿刺活检的阳性结果风险预测方法和装置,能够利用较少的预测指标获得较准确的前列腺穿刺活检的结果阳性风险值。进而,本发明提供一种前列腺穿刺活检的阳性结果风险预测装置,能够简单、直观地获得前列腺穿刺活检的阳性结果风险值。
本发明的第一方面的前列腺穿刺活检的阳性结果风险预测方法,采集行前列腺穿刺活检的前列腺癌筛查患者的如下数据:年龄、总前列腺特异性抗原、游离前列腺特异性抗原和前列腺体积,将采集到的各数据代入到下述方程式中,来求取所述患者的前列腺穿刺活检的阳性风险预测值,Logit(P)=ln(P/(1-P))=a+b*Age+c*tPSA+d*fPSA-e*PV,其中,P为大于0且小于1的所述前列腺穿刺活检的阳性风险预测值,Age为所述患者的年龄,tPSA为所述总前列腺特异性抗原,fPSA为所述游离前列腺特异性抗原,PV为所述前列腺体积,a、b、c、d、e均为常数。
本发明的第二方面的前列腺穿刺活检的阳性结果风险预测方法,是在第一方面的前列腺穿刺活检的阳性结果风险预测方法中,在所述方程式中,在Age的单位为岁、tPSA和fPSA的单位为ng/mL、PV的单位为mL时,a=3.8956,b=0.0685,c=0.0552,d=0.0840,e=0.0386。
本发明的第三方面的前列腺穿刺活检的阳性结果风险预测方法,是在第一或第二方面的前列腺穿刺活检的阳性结果风险预测方法中,所述方程式是以如下的方式建立的:采集行前列腺穿刺活检的前列腺癌筛查患者的临床和病理数据,对采集到的临床和病理数据进行多因素Logistic回归分析,并根据Akaike信息准则和变量临床意义筛选出作为目标变量的患者的年龄、总前列腺特异性抗原、游离前列腺特异性抗原和前列腺体积,构建筛选出的所述目标变量的Logistic回归模型来建立所述方程式。
本发明的第四方面的前列腺穿刺活检的阳性结果风险预测装置包括:用于输入行前列腺穿刺活检的前列腺癌筛查患者的年龄、总前列腺特异性抗原的值、游离前列腺特异性抗原的值和前列腺体积的值的输入单元;将所述输入单元输入的数据代入预先存储的方程式来计算前列腺穿刺活检的阳性风险预测值的计算单元;和输出由所述计算单元计算出的前列腺穿刺活检的阳性风险预测值的输出单元,所述方程式为:Logit(P)=ln(P/(1-P))=a+b*Age+c*tPSA+d*fPSA-e*PV,其中,P为大于0且小于1的所述前列腺穿刺活检的阳性风险预测值,Age为所述患者的年龄,tPSA为所述总前列腺特异性抗原,fPSA为所述游离前列腺特异性抗原,PV为所述前列腺体积,a、b、c、d、e均为常数。
本发明的第五方面的前列腺穿刺活检的阳性结果风险预测装置,是在第四方面的前列腺穿刺活检的阳性结果风险预测装置中,在所述方程式中,在Age的单位为岁、tPSA和fPSA的单位为ng/mL、PV的单位为mL时,a=3.8956,b=0.0685,c=0.0552,d=0.0840,e=0.0386。
本发明的第六方面的前列腺穿刺活检的阳性结果风险预测装置,是在第四或第五方面的前列腺穿刺活检的阳性结果风险预测装置中,所述方程式是以如下的方式建立的:采集行前列腺穿刺活检的前列腺癌筛查患者的临床和病理数据,对采集到的临床和病理数据进行多因素Logistic回归分析,并根据Akaike信息准则和变量临床意义筛选出作为目标变量的患者的年龄、总前列腺特异性抗原、游离前列腺特异性抗原和前列腺体积,构建筛选出的所述目标变量的Logistic回归模型来建立所述方程式。
本发明的第七方面的前列腺穿刺活检的阳性结果风险预测装置包括标尺与指示针,所述指示针装设在一滑槽上,所述滑槽为长方形,在其相对的两条长边上各具有一个滑轨,所述标尺有5个,各自设置在平行于所述两条长边的方向,所述指示针能沿着所述滑槽的滑轨在包括5个标尺的整个长度的范围内移动,所述标尺分别年龄变量标尺、总前列腺特异性抗原变量标尺、游离前列腺特异性抗原变量标尺、前列腺体积变量标尺和总评分标尺,每个所述标尺具有对应形成的两个刻度表。
本发明的第八方面的前列腺穿刺活检的阳性结果风险预测装置,是在第七方面的前列腺穿刺活检的阳性结果风险预测装置中,5个标尺中的每一个标尺的两个刻度表分别为年龄及其评分的刻度表、总前列腺特异性抗原及其评分的刻度表、游离前列腺特异性抗原及其评分的刻度表、前列腺体积及其评分的刻度表、总评分和前列腺穿刺活检的阳性风险预测值的刻度表。
本发明的第九方面的前列腺穿刺活检的阳性结果风险预测装置包括标尺与指示针,所述指示针装设在一滑槽上,所述滑槽为长方形,在其相对的两条长边上各具有一个滑轨,所述标尺有7个,各自设置在平行于所述两条长边的方向,所述指示针能沿着所述滑槽的滑轨在包括7个标尺的整个长度的范围内移动,7个所述标尺分别为评分标尺、年龄变量标尺、总前列腺特异性抗原变量标尺、游离前列腺特异性抗原变量标尺和前列腺体积变量标尺、总评分标尺和预测值标尺,包括所述年龄变量标尺、所述总前列腺特异性抗原变量标尺、所述游离前列腺特异性抗原变量标尺和所述前列腺体积变量标尺的变量标尺共用所述评分标尺,且所述变量标尺各自的长度均不相同。
本发明的第十方面的前列腺穿刺活检的阳性结果风险预测装置,是在第九方面的前列腺穿刺活检的阳性结果风险预测装置中,所述预测值标尺的位置对应于所述总评分标尺的刻度设置,与其它标尺的位置不对齐。
如上所述本发明以前列腺癌筛查患者的四个临床常规指标年龄、tPSA、fPSA、前列腺体积为输入变量,在不增加患者额外医疗花费和创伤的前提下,预测前列腺穿刺阳性风险,以减少临床不必要的前列腺穿刺。从而在不增加漏诊的前提下避免前列腺穿刺活检的过度使用,达到节约医疗资源、减少并发症发生率的目的。与目前临床常规应用的其他预测技术及手段相比,本发明具有以下应用优势:1、综合利用了多个前列腺癌预测指标,具有更高的预测准确性;2、能够实现对每一个患者的个体化风险评估;3、能够输出患者穿刺阳性风险的具体数值,方便患者更好的理解病情。因此,本发明为前列腺癌筛查患者的前列腺穿刺活检阳性风险的预测提供了一种新的方法和装置,简单易用、携带方便,具有较广阔的临床应用前景。
附图说明
图1是建立预测前列腺癌筛查患者的前列腺穿刺活检阳性风险的Logistic回归模型的流程图。
图2是实施例1的前列腺穿刺活检阳性风险预测装置的框图。
图3是基于Logistic回归模型获得的变量列线图。
图4是实施例2的前列腺穿刺活检阳性风险预测装置的主要结构图。
图5是实施例2的前列腺穿刺活检阳性风险预测装置的示意图。
图6A是用于说明实施例2的前列腺穿刺活检阳性风险预测装置的示意图。
图6B是用于说明实施例2的前列腺穿刺活检阳性风险预测装置的示意图。
图6C是用于说明实施例2的前列腺穿刺活检阳性风险预测装置的示意图。
图6D是用于说明实施例2的前列腺穿刺活检阳性风险预测装置的示意图。
图6E是用于说明实施例2的前列腺穿刺活检阳性风险预测装置的示意图。
具体实施方式
实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,实施例将有助于理解本发明,但是本发明的保护范围不限于下述的实施例。
实施例1
在实施例1中,建立预测前列腺癌筛查患者的前列腺穿刺活检阳性风险的Logistic回归模型。
如图1所示,首先,采集足够数量的行前列腺穿刺活检的前列腺癌筛查患者的临床和病理资料(数据),包括年龄(Age)、总前列腺特异性抗原(Total prostate-specificantigen,tPSA)、游离前列腺特异性抗原(Free prostate-specifec antigen,fPSA)、前列腺体积(Prostate volume,PV)、前列腺穿刺活检结果等。用于在本实施例中获得模型的数据是本发明的发明人所采集到的944例行前列腺穿刺活检的前列腺癌筛查患者的临床和病理资料。
接着,采用R 3.3.1统计学软件对采集到的数据进行多因素Logistic回归分析,分析与前列腺穿刺活检阳性结果相关的临床指标变量,并根据Akaike信息准则(AkaikeInformation Criteria,AIC)和变量临床意义筛选目标变量。最终人模型入组的变量包括年龄、tPSA、fPSA、前列腺体积。
R 3.3.1软件多因素Logistic回归运行语言和运算结果如下:
其中,lrm表示logistic regression model(Logistic回归模型),formula表示回归方程,result表示穿刺活检结果,age表示年龄变量,tPSA表示tPSA变量,fPSA表示fPSA变量,PV表示前列腺体积变量,x表示x轴参数,y表示y轴参数,T表示参数值,全称为True。运算结果中,Obs全称Observe,表示前列腺穿刺结果类型,0代表阴性,1代表阳性;Modellikelihood Ratio Test表示模型似然比检验,LR chi2表示检验值,d.f.表示自由度,Pr(>chi2)表示检验概率;Discrimination Index为等级分辨度指标,参数包括R2、g、gr、gp和Brier;Rank Discrim.Index为等级分辨度指标,参数包括C、Dxy、gamma和tau-a;Intercept为模型常量,Coef为系数,S.E.为标准误,Wald Z为Wald检验值,Pr(>|Z|)为检验概率。Model likelihood Ratio Test表示对整个模型可行性进行统计学检验,检验结果Pr(>chi2)<0.0001表示本模型具有统计学意义,即模型具有可行性;Rank Discrim.Index是对整个模型准确性的检验,其中C全称为C-index(一致性指数),意义最为重要,C=0.835,表示本模型一致性指数较佳(满分为1),具有较高的预测准确性。根据各个变量的Coef系数,最终构建出整个模型的回归方程,如下:
Logit(P)=ln(P/(1-P))=3.8956+0.0685*Age+0.0552*tPSA+0.0840*fPSA-0.0386*PV
其中,方程式中P表示前列腺穿刺活检的阳性风险预测值。
在该方程式中,包括常数3.8956,Age的系数0.0685,tPSA的系数0.0552,fPSA的系数0.0840和PV的系数0.0386。这些常数(系数)是本发明人根据采集到的944例行前列腺穿刺活检的前列腺癌筛查患者的临床和病理资料进行建模得到的,对于944例样本来说是优化的常数,但这些常数并不限于此,即使采用本发明的技术思想和技术方案,也可能由于样本数据的不同而得到不同的常数。并且,这些常数所对应的各变量的单位分别为:Age的单位为岁,tPSA和fPSA的单位为ng/mL(纳克每毫升),PV的单位为mL(毫升)。各变量各自为上述单位时获得以上方程式中的常数,当变量的单位不同时,例如Age的单位为月、tPSA的单位为mol/mL等时,上述各常数相应改变,但该方程式的意义和结果不变。
在建立完上述方程式的情况下,能够利用该方程式进行前列腺穿刺活检的阳性风险预测。
如图1所示,首先在步骤S01中采集数据。由于上述方程式中的变量为年龄、tPSA、fPSA和前列腺体积,所以只需采集这四个变量的值即可。接着,在步骤S02中,将采集到的数据代入到方程式中,计算得到前列腺穿刺活检的阳性风险预测值P(步骤S03)。
以下说明利用上述模型来预测前列腺癌筛查患者进行穿刺活检的阳性风险的预测装置。
如图2所示,本发明的前列腺穿刺活检的阳性风险预测装置100(简称为风险预测装置100)包括输入单元101、计算单元102和输出单元103。
输入单元101输入用来预测前列腺癌穿刺活检阳性风险的各种参数。在上述建立的回归方程中,使用的是年龄、tPSA、fPSA和前列腺体积共四种变量,所以如图所示,在输入单元101中包括四个虚线框,分别表示用来输入年龄、tPSA、fPSA和前列腺体积这四个变量。
从输入单元101输入了四个变量之后,传输到计算单元102中进行计算。在计算单元102中,将输入的四个变量代入到上述建立的回归方程来计算前列腺穿刺活检的阳性风险预测值P。
在本实施例中使用的是4个前列腺癌预测指标(年龄、tPSA、fPSA和前列腺体积),但本发明并不限于例示的这4个指标,可以是这4个指标中的任意个的任意组合,也可以包括这4个指标之外的任意指标。
由于本装置使用了上述方法,所以能够综合利用多个前列腺癌预测指标,所以具有更高的预测准确性,并且能够实现对每一个患者的个体化风险评估。并且,本装置能够输出患者穿刺阳性风险的具体数值,方便患者更好地理解病情。
实施例2
在本实施例中,首先利用实施例1所述的方法,建立以年龄、tPSA、fPSA和前列腺体积为变量的、用于求取前列腺穿刺活检阳性风险预测值P的回归方程。此过程与实施例1相同,所以省略说明。
接着,建立预测前列腺癌筛查患者前列腺穿刺活检阳性风险的列线图模型。
根据如上所述建立的Logistic回归方程,通过R 3.3.1软件rms程序包画出相应的列线图(图3)。列线图是对Logistic回归方程的几何图形表达,其将预测指标间的交互作用和叠加作用以图形的方式展现,为患者提供个体化的疾病风险评估。再利用R 3.3.1软件计算出年龄、tPSA、fPSA、前列腺体积四个指标和前列腺穿刺活检阳性风险值所对应的具体积分或总分,具体内容如下:
年龄 | 评分 | tPSA | 评分 | fPSA | 评分 | PV | 评分 | 总评分 | PCa风险 |
40 | 0 | 0 | 0 | 0 | 0 | 0 | 100 | 77 | 0.05 |
45 | 4 | 10 | 7 | 2 | 2 | 20 | 90 | 86 | 0.10 |
50 | 9 | 20 | 14 | 4 | 4 | 40 | 80 | 97 | 0.20 |
55 | 13 | 30 | 21 | 6 | 7 | 60 | 70 | 104 | 0.30 |
60 | 18 | 40 | 29 | 8 | 9 | 80 | 60 | 110 | 0.40 |
65 | 22 | 50 | 36 | 10 | 11 | 100 | 50 | 115 | 0.50 |
70 | 27 | 60 | 43 | 12 | 13 | 120 | 40 | 120 | 0.60 |
75 | 31 | 70 | 50 | 14 | 15 | 140 | 30 | 126 | 0.70 |
80 | 36 | 80 | 57 | 16 | 17 | 160 | 20 | 133 | 0.80 |
90 | 64 | 18 | 20 | 180 | 10 | 143 | 0.90 | ||
100 | 72 | 20 | 22 | 200 | 0 | 153 | 0.95 | ||
22 | 24 | ||||||||
24 | 26 | ||||||||
26 | 28 |
其中Age Points表示年龄积分,tPSA Points表示tPSA积分,fPSA Points表示fPSA积分,PV Points表示前列腺体积积分,Total Points表示总积分,PCa risk表示前列腺穿刺活检阳性风险预测值。
图3所示的列线图中,年龄、tPSA、fPSA和前列腺体积共用一个评分栏(0-100),而这四个指标各自的评分范围并不一定为(0-100),所以表示各指标的线段长短不一。例如,范围为40岁-90岁的年龄指标所对应的评分是0-44,所以表示年龄的线段的长度为表示评分0-44的线段的长度。
如上所述,基于足够数量的行前列腺穿刺活检的前列腺癌筛查患者的临床和病理资料,获得了以年龄、tPSA、fPSA和前列腺体积为变量来对预测贡献度进行量化的列线图模型。
在获得列线图模型后,能够利用该列线图模型实现简单直观的前列腺穿刺活检的阳性风险预测装置。
如图4所示,本实施例2的前列腺穿刺活检的阳性风险预测装置200(简称为风险预测装置200)包括以下组成部分:
滑槽201和指示针202。滑槽201为带底面的长方形结构,可为平板状的长方形结构即为长方式形平板,也可以是由框架构成的长方形结构即长方形框架。滑槽的两条短边分别为滑槽的左界204和右界205。在滑槽的两条长边(图4中为上下边)具有两个滑轨,即滑槽上轨206和滑槽下轨207;指示针202位于滑槽上轨206和滑槽下轨207之间,能够在滑槽内平行于两条短边在左界204和右界205范围内滑动。
风险预测装置200中,滑槽201的底面设计有标尺区203,如图4中虚线所包围的区域,标尺区203用来布置各变量及其对应的评分。本发明中,标尺区203的分布如图5所示或图3所示。
图5中,标尺区203包括5个等长标尺。5个等长标尺分别是年龄变量标尺、tPSA变量标尺、fPSA变量标尺、前列腺体积变量标尺和总评分标尺。如图5所示,年龄变量标尺在其下方以数字形式平均分布地标示有年龄的范围,图中的例子为40岁至90岁,在年龄变量标尺的上方,与年龄对应地标示有年龄评分,图中的例子中年龄所对应的评分为0-44。tPSA变量标尺在其下方以数字形式平均分布地标示有tPSA的范围,图中的例子为0-100ng/mL(纳克每毫升),在tPSA变量标尺的上方,与tPSA对应地标示有tPSA评分,图中的例子中tPSA所对应的评分为0-72。fPSA变量标尺在其下方以数字形式平均分布地标示有fPSA的范围,图中的例子为0-26ng/mL(纳克每毫升),在fPSA变量标尺的上方,与fPSA对应地标示有fPSA评分,图中的例子中fPSA所对应的评分为0-28。前列腺体积变量标尺在其下方以数字形式平均分布地标示有前列腺体积的范围,图中的例子为0-200mL(毫升),在前列腺体积变量标尺的上方,与前列腺体积对应地标示有前列腺体积评分,图中的例子中前列腺体积所对应的评分为0-100(图中为100-0)。最后,总评分标尺在其上方以数字形式平均分布地标示有总评分的范围,图中的例子为70-160,在总评分标尺的下方,与总评分对应地标示有阳性风险预测值,即前列腺癌筛查患者进行前列腺穿刺活检阳性风险的预测值,图中的例子中阳性风险预测值所对应的评分为0-1.00。在各标尺上标示的上下两个刻度表可以是刻在标尺上的,也可以是印刷在标尺上的,对其形式没有限制。
其中,上述标尺区203中的各变量来源于实施例1中筛选出的目标变量,各变量所对应的评分来源于本实施例中获得的列线图模型。
根据本发明的发明人依据公开的临床数据和采集到的944例行前列腺穿刺活检的前列腺癌筛查患者的临床和病理资料,将各变量设定在上述范围内(例如总评分为70-160),在上述范围内的数据具有临床意义。但是根据采集的数据的不同,上述各变量的范围也可能不同。只要采用本发明的构思,即使各变量的范围不同也在本发明的范围内。
标尺区203设置在滑槽201上的适当位置,使得指示针202能够沿着滑槽201移动(在图5所示的例子中为左右横向滑动)而扫过整个标尺区203,由此能够利用指示针202取得标尺区203上各变量的所有变量值及其评分。
例如,在使用本实施例的风险预测装置200时,首先取得患者的年龄值,将指示针202滑动到年龄变量标尺的相应值处,由此能够获得该年龄所对应的评分并记录该评分,接着以相同的方法分别获得tPSA的评分、fPSA的评分和前列腺体积的评分并记录。将记录下的各变量的评分相加,由此获得总评分,再将指示针202滑动到相应的总评分处,由此能够获得与总评分对应的阳性风险预测值。
本实施例中说明的风险预测装置200是图5那样由5个等长的标尺构成标尺区203的装置,但是利用标尺区203只要能够找到对应于各指标的评分和对应于总评分的阳性风险预测值即可,其结构不限于此图4所示的结构。例如也可以如图3那样,设计年龄、tPSA、fPSA和前列腺体积4个指标共用一个评分标尺,且4个指标的标尺长度各不相同,并且阳性风险预测值的标尺位置对应于总评分标尺的刻度设置,与其它标尺的位置不对齐。
参照图6A至图6E举例说明图5所示的风险预测装置200的使用方法。
例如,60岁的初诊患者,tPSA为5ng/ml,fPSA为2ng/ml,前列腺体积为50ml。使用图4标尺区203所示的标尺,首先,通过将指示针202滑动至年龄标尺的60岁位置处完成输入,同时读出与该患者年龄相应的评分为17.5分(图6A);接下来依次完成tPSA变量、fPSA变量和前列腺体积变量的输入与评分,其评分分别为4分、2分、75分(图6B-图6D);最后计算出该患者总评分为98.5分,通过滑动指示针至总评分标尺的98.5分处,输出该患者前列腺穿刺活检阳性风险为0.20即20%(图6E)。
使用图3所示的标尺区的标尺的读数与使用图4所示标尺读数完全相同,最后得出该患者前列腺穿刺活检阳性风险同样为20%,在此不再一一附图赘述。
利用实施例1中筛选出的目标变量和建立的Logistic回归模型,建立各变量的列线图模型。基于列线图模型制作了实施例2中的风险预测装置200。利用该风险预测装置200,能够简单、直观地获得较现有方法准确的前列腺癌筛查患者的前列腺穿刺活检阳性风险的预测。
与实施例1一样,在此使用的是4个前列腺癌预测指标(年龄、tPSA、fPSA和前列腺体积),但本发明并不限于例示的这4个指标,可以是这4个指标中的任意个的任意组合,也可以包括这4个指标之外的任意指标。
以上所述仅是本发明的优选的实施例,应当指出,对于本领域的技术人员来说,在不脱离本发明原理和基础的前提下,还可以做出若干改进、润饰、更换步骤组合等,这些改进、润饰、更换步骤组合等也应该是本发明的保护范围。本领域技术人员应明白,本发明能够提供为系统、方法或计算机程序产品。本发明能够完全由硬件实现、完全由软件实现、或结合软件和硬件来实现。
Claims (10)
1.一种前列腺穿刺活检的阳性风险预测方法,其特征在于:
采集行前列腺穿刺活检的前列腺癌筛查患者的如下数据:年龄、总前列腺特异性抗原、游离前列腺特异性抗原和前列腺体积,
将采集到的各数据代入到下述方程式中,来求取所述患者的前列腺穿刺活检的阳性风险预测值,
Logit(P)=ln(P/(1-P))=a+b*Age+c*tPSA+d*fPSA-e*PV
其中,P为大于0且小于1的所述前列腺穿刺活检的阳性风险预测值,Age为所述患者的年龄,tPSA为所述总前列腺特异性抗原,fPSA为所述游离前列腺特异性抗原,PV为所述前列腺体积,a、b、c、d、e均为常数。
2.如权利要求1所述的前列腺穿刺活检的阳性风险预测方法,其特征在于:
在所述方程式中,在Age的单位为岁、tPSA和fPSA的单位为ng/mL、PV的单位为mL时,a=3.8956,b=0.0685,c=0.0552,d=0.0840,e=0.0386。
3.如权利要求1或2所述的前列腺穿刺活检的阳性风险预测方法,其特征在于:
所述方程式是以如下的方式建立的:
采集行前列腺穿刺活检的前列腺癌筛查患者的临床和病理数据,对采集到的临床和病理数据进行多因素Logistic回归分析,并根据Akaike信息准则和变量临床意义筛选出作为目标变量的患者的年龄、总前列腺特异性抗原、游离前列腺特异性抗原和前列腺体积,
构建筛选出的所述目标变量的Logistic回归模型来建立所述方程式。
4.一种前列腺穿刺活检的阳性风险预测装置,其特征在于,包括:
用于输入行前列腺穿刺活检的前列腺癌筛查患者的年龄、总前列腺特异性抗原的值、游离前列腺特异性抗原的值和前列腺体积的值的输入单元;
将所述输入单元输入的数据代入预先存储的方程式来计算前列腺穿刺活检的阳性风险预测值的计算单元;和
输出由所述计算单元计算出的前列腺穿刺活检的阳性风险预测值的输出单元,
所述方程式为:
Logit(P)=ln(P/(1-P))=a+b*Age+c*tPSA+d*fPSA-e*PV
其中,P为大于0且小于1的所述前列腺穿刺活检的阳性风险预测值,Age为所述患者的年龄,tPSA为所述总前列腺特异性抗原,fPSA为所述游离前列腺特异性抗原,PV为所述前列腺体积,a、b、c、d、e均为常数。
5.如权利要求4所述的前列腺穿刺活检的阳性风险预测装置,其特征在于:
在所述方程式中,在Age的单位为岁、tPSA和fPSA的单位为ng/mL、PV的单位为mL时,a=3.8956,b=0.0685,c=0.0552,d=0.0840,e=0.0386。
6.如权利要求4或5所述的前列腺穿刺活检的阳性风险预测装置,其特征在于:
所述方程式是以如下的方式建立的:
采集行前列腺穿刺活检的前列腺癌筛查患者的临床和病理数据,对采集到的临床和病理数据进行多因素Logistic回归分析,并根据Akaike信息准则和变量临床意义筛选出作为目标变量的患者的年龄、总前列腺特异性抗原、游离前列腺特异性抗原和前列腺体积,
构建筛选出的所述目标变量的Logistic回归模型来建立所述方程式。
7.一种前列腺穿刺活检的阳性风险预测装置,包括标尺与指示针,其特征在于:
所述指示针装设在一滑槽上,
所述滑槽为长方形,在其相对的两条长边上各具有一个滑轨,
所述标尺有5个,各自设置在平行于所述两条长边的方向,
所述指示针能沿着所述滑槽的滑轨在包括5个标尺的整个长度的范围内移动,
所述标尺分别年龄变量标尺、总前列腺特异性抗原变量标尺、游离前列腺特异性抗原变量标尺、前列腺体积变量标尺和总评分标尺,
每个所述标尺具有对应形成的两个刻度表。
8.如权利要求7所述的前列腺穿刺活检的阳性风险预测装置,特征在于:
5个标尺中的每一个标尺的两个刻度表分别为年龄及其评分的刻度表、总前列腺特异性抗原及其评分的刻度表、游离前列腺特异性抗原及其评分的刻度表、前列腺体积及其评分的刻度表、总评分和前列腺穿刺活检的阳性风险预测值的刻度表。
9.一种前列腺穿刺活检的阳性风险预测装置,包括标尺与指示针,其特征在于:
所述指示针装设在一滑槽上,
所述滑槽为长方形,在其相对的两条长边上各具有一个滑轨,
所述标尺有7个,各自设置在平行于所述两条长边的方向,
所述指示针能沿着所述滑槽的滑轨在包括7个标尺的整个长度的范围内移动,
7个所述标尺分别为评分标尺、年龄变量标尺、总前列腺特异性抗原变量标尺、游离前列腺特异性抗原变量标尺和前列腺体积变量标尺、总评分标尺和预测值标尺,
包括所述年龄变量标尺、所述总前列腺特异性抗原变量标尺、所述游离前列腺特异性抗原变量标尺和所述前列腺体积变量标尺的变量标尺共用所述评分标尺,且所述变量标尺各自的长度均不相同。
10.如权利要求9所述的前列腺穿刺活检的阳性风险预测装置,特征在于:
所述预测值标尺的位置对应于所述总评分标尺的刻度设置,与其它标尺的位置不对齐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711017658.3A CN107621849A (zh) | 2017-10-26 | 2017-10-26 | 前列腺穿刺活检的阳性风险预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711017658.3A CN107621849A (zh) | 2017-10-26 | 2017-10-26 | 前列腺穿刺活检的阳性风险预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107621849A true CN107621849A (zh) | 2018-01-23 |
Family
ID=61092794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711017658.3A Pending CN107621849A (zh) | 2017-10-26 | 2017-10-26 | 前列腺穿刺活检的阳性风险预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107621849A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522974A (zh) * | 2019-01-24 | 2019-03-26 | 湖北省肿瘤医院(湖北省肿瘤研究所) | 提高穿刺活检阳性率的病灶层面选择系统及选择方法 |
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 |
CN109698028A (zh) * | 2018-12-25 | 2019-04-30 | 广州天鹏计算机科技有限公司 | 疾病影响变量筛选方法、装置和计算机设备 |
CN112074915A (zh) * | 2018-05-03 | 2020-12-11 | 豪夫迈·罗氏有限公司 | 生物医学预测的可视化 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412614A (zh) * | 2013-07-16 | 2013-11-27 | 浙江省肿瘤医院 | 一种非小细胞肺癌脑转移预测装置 |
US20170089904A1 (en) * | 2014-03-28 | 2017-03-30 | Opko Diagnostics, Llc | Compositions and methods for active surveillance of prostate cancer |
-
2017
- 2017-10-26 CN CN201711017658.3A patent/CN107621849A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412614A (zh) * | 2013-07-16 | 2013-11-27 | 浙江省肿瘤医院 | 一种非小细胞肺癌脑转移预测装置 |
US20170089904A1 (en) * | 2014-03-28 | 2017-03-30 | Opko Diagnostics, Llc | Compositions and methods for active surveillance of prostate cancer |
Non-Patent Citations (1)
Title |
---|
殷邵阳等: "前列腺穿刺活检结果预测模型的建立", 《现代泌尿生殖肿瘤杂志》, vol. 8, no. 5, pages 283 - 287 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112074915A (zh) * | 2018-05-03 | 2020-12-11 | 豪夫迈·罗氏有限公司 | 生物医学预测的可视化 |
CN112074915B (zh) * | 2018-05-03 | 2024-02-02 | 豪夫迈·罗氏有限公司 | 生物医学预测的可视化 |
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 |
CN109698028A (zh) * | 2018-12-25 | 2019-04-30 | 广州天鹏计算机科技有限公司 | 疾病影响变量筛选方法、装置和计算机设备 |
CN109522974A (zh) * | 2019-01-24 | 2019-03-26 | 湖北省肿瘤医院(湖北省肿瘤研究所) | 提高穿刺活检阳性率的病灶层面选择系统及选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107621849A (zh) | 前列腺穿刺活检的阳性风险预测方法和装置 | |
Barton et al. | Breast symptoms among women enrolled in a health maintenance organization: frequency, evaluation, and outcome | |
Reinhold et al. | Ovarian-adnexal reporting lexicon for MRI: a white paper of the ACR ovarian-adnexal reporting and data systems MRI committee | |
Tice et al. | Using clinical factors and mammographic breast density to estimate breast cancer risk: development and validation of a new predictive model | |
Wang et al. | From past to future: bibliometric analysis of global research productivity on nomogram (2000–2021) | |
Maltoni et al. | Successful validation of the palliative prognostic score in terminally ill cancer patients | |
Lacquement et al. | Positive predictive value of the breast imaging reporting and data system | |
Raman et al. | Preliminary data using computed tomography texture analysis for the classification of hypervascular liver lesions: generation of a predictive model on the basis of quantitative spatial frequency measurements—a work in progress | |
Sasaki et al. | Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women | |
CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
Bertini et al. | Renal sinus fat invasion in pT3a clear cell renal cell carcinoma affects outcomes of patients without nodal involvement or distant metastases | |
Alagoz et al. | Optimal policies for reducing unnecessary follow-up mammography exams in breast cancer diagnosis | |
Lin et al. | Confirmed value of shear wave elastography for ultrasound characterization of breast masses using a conservative approach in Chinese women: a large-size prospective multicenter trial | |
Dyczkowski | Intelligent medical decision support system based on imperfect information | |
Roscigno et al. | Assessment of the minimum number of lymph nodes needed to detect lymph node invasion at radical nephroureterectomy in patients with upper tract urothelial cancer | |
Kuo et al. | Chinese nomogram to predict probability of positive initial prostate biopsy: a study in Taiwan region | |
Miao et al. | The analysis of differential diagnosis of benign and malignant thyroid nodules based on ultrasound reports | |
Hu et al. | Preoperative nomogram for predicting sentinel lymph node metastasis risk in breast cancer: a potential application on omitting sentinel lymph node biopsy | |
Ma et al. | Clinicopathological and survival outcomes of well-differentiated thyroid carcinoma undergoing dedifferentiation: a retrospective study from FUSCC | |
CN109979532B (zh) | 甲状腺乳头状癌远处转移分子突变预测模型、方法及系统 | |
Zhang et al. | Development and validation of a deep learning model to screen for trisomy 21 during the first trimester from nuchal ultrasonographic images | |
Wang et al. | Non-invasive assessment of axillary lymph node metastasis risk in early invasive breast cancer adopting automated breast volume scanning-based radiomics nomogram: a multicenter study | |
Koch et al. | Analysis of computer-aided diagnostics in the preoperative diagnosis of ovarian cancer: a systematic review | |
Cui et al. | Value of breast MRI omics features and clinical characteristics in Breast Imaging Reporting and Data System (BI-RADS) category 4 breast lesions: an analysis of radiomics-based diagnosis | |
Li et al. | Subclassification of BI-RADS 4 magnetic resonance lesions: A systematic review and meta-analysis |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180123 |