CN108604464A - 确定生物标志物信号的受试者间和受试者内变异的方法 - Google Patents

Abstract

本发明涉及一种增强对来自于一名受试者或一组受试者的生物标志物数据的信号的检测的方法。

Description

确定生物标志物信号的受试者间和受试者内变异的方法

技术领域

本发明大体上涉及个性化生物标志物信号的方法和使用该方法的医疗程序。更具体地，本发明涉及增强对来自于受试者或受试者组的生物标志物数据的信号的检测的方法。

背景技术

生物标志物越来越多地用于医学中以表征疾病并对其采取措施。生物标志物通常表示为在诸如体液或组织的生物样品中所测量的分子，例如实验室分析物，医师可用其帮助做出疾病诊断、预后和治疗的决策。

生物标志物的表现的主要特征在于：(1)其敏感度，对于诊断性生物标志物，这对应于在当患者真正患病时其检测出该疾病的能力；以及(2)其特异度，对于诊断性生物标志物，其具有正确地确定受试者没有患病并且不会产生假阳性的能力。当疾病的患病率是已知的或可以被估计时，阳性预测值(PPV)和阴性预测值(NPV)代表使用贝叶斯定理(Bayes'theorem)来描述生物标志物的表现的其他相关统计数据。当生物标志物是由临床实验室在生物样品中测量的定量数值时，通常使用参考范围来将数值在参考范围以外的健康状况表征为疾病的标志。参考范围通常由包括95％的健康受试者的区间来表示。在这种情况下，生物标志物的特异度有意设置为等于95％，这意味着，根据定义，大约5％的健康受试者的观察值落在参考区间以外。

层别法(stratification)是一种可以推导出总群体的小组的参考范围的方法。例如，根据性别的层别法考虑了异质因素“性别”，以推导出针对男性和女性的不同的95％参考范围。例如，已知女性血红蛋白比男性低16g/L，因此对于女性的参考范围通常比男性低16g/L。

层别法是一种可以从总群体进展到亚群体的简单方法。对小组参考范围的推导代表了生物标志物的个体化中的第一步。从统计学的角度看，层别法可以消除受试者间的生物变异。

遗传学和基因组学最近的研究进展促进了对单个个体的基因和基因组信息的获取。这些信息也可以用于个性化生物标志物信号：当已知基因和诸如蛋白质或代谢物的生物分子之间的生物学通路时，并且当该蛋白质和代谢物被用作生物标志物时，可以使用关于基因和/或其转录物的信息以推导出对呈现该基因和/或转录物的受试者组特异的参考范围。从统计学的角度看，使用关于基因型的信息来对表型生物标志物信号分层代表了另一种消除受试者之间的差异的方法。这种方法对于已知依赖于蛋白质编码基因的存在的表型生物分子特别有意义，例如对于与I期和II期代谢和排泄相关的所有代谢物家族特别有意义。在实践中，可以根据单个个体的基因型或基因组来定义基因或转录物特异的参考范围。与允许根据基因型和/或表型的差异选择正确治疗方法的个性化药物的方式相同，可以使用相同的信息以个性化生物标志物信号并改善其总体表现。

消除受试者之间的差异并转而得出真实的个体参考范围的最终方法是纵向方法，其中对单个个体测量出一系列基准值。对于疾病的生物标志物，当受试者处于健康状况时获得的基准值可以用作个体参考。换句话说，受试者被用作其自身的参考，并且诸如年龄和性别的任何异质因素以及任何遗传特征都通过基准值内在地表达。例如，称为参考变化值(RCV)的方法使用一些关于受试者内和受试者间的生物差异和分析不确定性(全部以变异系数(CV)给出)的现有知识，以评估来自于个体的一系列结果的差异显著性。尽管RCV是一种越来越多地应用于临床的方法，但其做了一些对于许多常见生物标志物来说不成立的假设，例如基本的变异来源一定通过以平均值的百分比给出的CV很好地表示。

本文提出的方法在组合并因此归纳层别法、基于基因和基因组信息的个性化以及基于在单个个体中所测量的一系列值的个性化(如上所述)的所有方法中允许生物标志物信号的真正个性化。该方法可以应用于任何生物标志物值，其可以是：(1)定性的，例如生物流体或组织中生物分子是否存在；(2)离散的，例如可以取若干个总结通过放射诊断获得的医学图像中可用信息的离散值的生物标志物；或(3)连续的，其作为在生物流体或组织中所测量的实验室值的结果。

有趣的是，本发明的方法不需要异质因素、生物学通路、个体的基因或基因组信息和/或此前的各生物标志物值的全部知识，该方法通过关于受试者的部分知识和信息做出最佳决定。最后，对于已知与生物或代谢通路相关的表型生物标志物，只要从个体上获取表型生物标志物的若干观察值，就无需特别获取关于该个体的基因型或基因组的信息。最后一点可实现的原因在于：可以使用贝叶斯推理按照自果至因关系——以及不常见的自因至果关系，从表型生物标志物值推断出个体基因型或个体基因组。这种来自于表型的基因推断的性质特别令人感兴趣，因为在临床实验室常规测量的大多数常见生物标志物均是表型生物标志物。

附图说明

图1是贝叶斯网络的区域图示，其中M：平均值、SD：标准差、B：生物标志物、GT：基因型、G：性别以及A：年龄。

图2示出了55岁男性患者的血红蛋白浓度的个性化参考范围，其中实线：99％参考范围、虚线：实际结果。

图3示出了通过CO重复呼吸法测量的33名健康受试者的血红蛋白质量与体重之间的关系，其中点代表6个月内测得的9个值的平均值，条线为标准差(X轴：体重，Y轴：血红蛋白质量)，线性回归：Hb质量[g]＝11*体重[kg]+50,R2＝0.61。

图4表示测量的血浆容量变化相对于血浆容量的标志物变化(R2＝0.75)。

图5插图A示出了通过8个生物标志物的个体变异估计的与血浆容量相关的Z分数。随后将使用本文所给出的方法估计的血浆容量变化的Z分数(实线)与通过血浆容量变化的测量计算出的Z分数(虚线)进行比较。插图B示出了与血浆容量变化的每个估计值相关的置信水平。插图C示出了血红蛋白的值(实线)。虚线示出了通过该方法获得的但未对血浆容量校正的个人参考区间的上限和下限。点线示出了通过该方法获得的且对血浆容量校正的个人参考区间的上限和下限。

发明内容

本发明涉及一种增强对来自于受试者或受试者组的生物标志物数据的信号的检测的方法，包括以下步骤：

i)测量来自于所述受试者或受试者组的一个或多个标志物M的零个、一个或多个值，

ii)对步骤i)的对所述一个或多个标志物所测量的所述零个、一个或多个值应用自适应贝叶斯模型(adaptive Bayesian model)，以得出所述受试者或受试者组的每个标志物M的期望值的个体分布，

iii)针对每个标志物M，从所述个体分布得出若干个体参考Z分数和针对给定特异度水平的个体参考范围，

iv)测量所述受试者或受试者组的一个或多个标志物M的一个或多个另外的值，

v)将所述一个或多个测量的值与所述一个或多个个体参考Z分数和个体参考范围进行比较，

其中所述一个或多个测量的值与所述一个或多个个体参考Z分数和范围的偏差指示所述受试者或受试者组的生物或生理的状况或变异。

还给出了测定受试者的血浆容量变异的方法，包括以下步骤：

i)测量从所述受试者获得的全血样品和/或血清样品的一个或多个标志物M的值，其中所述一个或多个标志物选自包含以下的组：血红蛋白浓度(HbC)、转铁蛋白、肌酸酐、血小板、低密度脂蛋白(LDL)、白蛋白、总蛋白、钙、胆固醇、甘油三酯、甲状腺素、白细胞、血小板压积(PCT)、中性粒细胞和单核细胞，

ii)对步骤i)的对所述一个或多个标志物所测量的值应用自适应贝叶斯模型，以得出针对每个标志物M的个体Z分数，

iii)从所述针对每个标志物M的个体Z分数得出与血浆容量相关的Z分数，

iv)将所述与血浆容量相关的Z分数与一个或多个预先选择的参考Z分数进行比较，

其中所述Z分数与一个或多个预先选择的参考Z分数的偏差表示血浆容量变异。

具体实施方式

本发明的一种方法涉及增强对来自于受试者或受试者组的生物标志物数据的信号的检测的方法，包括以下步骤：

i)测量来自于所述受试者或受试者组的一个或多个标志物M的零个、一个或多个值，

ii)对步骤i)的针对一个或多个标志物所测量的所述零个、一个或多个值应用自适应贝叶斯模型，以得出所述受试者或受试者组的每个标志物M的期望值的个体分布，

iii)针对每个标志物M，从所述个体分布得出若干个体参考Z分数和针对给定特异度水平的个体参考范围，

iv)测量所述受试者或受试者组的一个或多个标志物M的一个或多个另外的值，

v)将所述一个或多个测量的值与所述一个或多个个体参考Z分数和个体参考范围进行比较，

其中所述一个或多个测量的值与所述一个或多个个体参考Z分数和范围的偏差指示所述受试者或受试者组的生物或生理的状况或变异。

该方法依赖于贝叶斯统计，并在可获得给定受试者的新信息时使用贝叶斯推理方法进行调整。该方法是通用的，并且可以用于对任何类型的生物标志物数据建模，并进而用于为特定个体、受试者组或总群体做出决定。

该方法可以被看作是对与给定生物标志物相关的变异建模的包含两个必需节点层的贝叶斯网络。可以添加可选层。变异可以来自任何来源，例如生物来源和分析来源。对这些变异建模的概率分布函数以及与这些变异相关的超参数与每个节点相关。贝叶斯网络最简单的形式是由3个节点组成：一个代表单个受试者的生物标志物的值的节点B，和两个分别代表这些值的个体平均值M和个体标准差(SD)的节点。这样的网络假定生物标志物的值在感兴趣的群体中呈正态分布。在图1A中示出了图形表示。当与节点SD相关的概率分布函数退化为唯一值时，可以进一步假设通用的受试者内变异。相反，与SD相关的非退化分布假定所有受试者都可能出现受试者内变异。与M有关的概率分布也可以被假定为正态的，并且在这种情况下，其标准差以受试者间变异建模。

考虑到给定群体的给定生物标志物存在变异的知识，可以假定任何类型的分布。如果分布是参数化的，那么第二层对这个分布的参数建模。例如，如果受试者内变异和受试者间变异是以CV的形式给出的，例如在https://www.westgard.com/biodatabasel.htm的大量生物标志物的生物变异数据库中给出，那么由于根据定义，CV等于SD/M，所以可以将额外的节点“CV”添加到与节点M和SD有联系的网络。替代地，可以假定受试者内变异和受试者间变异一者或者两者的对数正态分布。

该方法一般足以允许对与给定的生物标志物相关的分析变异和生物变异的退纠缠(disentanglement)进行建模。例如，当已知受试者内生物变异可以用正态分布很好地表示，并且分析不确定性以代表总误差的CV给出或从重测实验估计时，第一层对生物变异建模，第二层对分析不确定性建模，原因在于与生物标志物值的测量相关的分析不确定性在生物变异之上。换句话说，该方法可以对分析不确定性建模，所述分析不确定性不仅与平均值(在误差建模中经常作出的限制性假设)相关，而且还与由于自然生物变异导致的生物标志物的真实值不同于平均值时的分析不确定性的影响相关。

如图1B所示，可以在顶层中添加其他可选节点以对异质因素对生物标志物的值的影响建模。示例包括性别、年龄、种族和体重。该模型还可以整合存在于与生物标志物相关的生物学通路上的知识，例如当已知遗传多态性影响给定的生物化合物的代谢时。换句话说，贝叶斯网络可以对给定的基因型与其相应的表型之间存在的联系建模。例如，已知用作疾病的生物标志物的多种生物化合物的II期代谢高度依赖于诸如硫酸酯酶和葡糖醛酸糖苷酶的一些酶的活性。任何与这些酶相关的遗传多态性都可以被包括在该网络中，只要与这些酶相关的遗传多态性对生物标志物的值的影响可以被定性地和定量地建模。例如，尿液中测量的类固醇激素的浓度取决于UGT2B17和UGT2B7等基因的插入或缺失。特别地，呈现UGT2B17双缺失的受试者的睾酮的主要代谢产物睾酮葡萄糖苷酸的浓度是呈现单一缺失或完全不缺失的受试者的大约十分之一。在该示例中，与M有关的概率分布函数可以根据二分节点UGT2B17获得，其中UGT2B17要么是“缺失”要么是“插入”，当UGT2B17为“插入”时，该分布的平均值是当UGT2B17为“缺失”时的10倍。

一方面，基于异质因素对生物标志物的影响的现有知识以及与该生物标志物相关的不同类型的变异的现有知识，该模型可用于预测单个个体的给定的生物标志物的期望值。随后可以将任何有关该个体的信息添加作为为网络中的证据，并使用标准贝叶斯推理方法更新所有概率分布函数。例如，如果已知该个体是男性，则可以将分布函数从总群体变为男性群体来进行层别法。类似地，生物标志物的任何测量值均可以添加作为贝叶斯网络中的证据。

本发明的另一方面在于单个个体的生物标志物的值的纵向跟踪，其参考范围的推导充分利用有关该个体的可用信息。当给出健康受试者群体的概率分布时，通过假定生物标志物的给定特异度，可以获得参考范围。例如，传统的参考范围假定95％的正常健康受试者的值落在此区间内。可以选择更高的特异度水平，例如99％或99.9％，例如当生物标志物是已知会产生问题的诊断剂和过度诊断时。这种灵活性使该方法特别适用于处理过度诊断。概率分布是在测量生物标志物的值之前给出的，在这个意义上讲，概率分布是预测性的。当获得诸如作为实验室测试的一部分的新的观察值时，可以检查测量的值是否落入指定的区间内。当对健康受试者群体给出概率分布时，任何没有落入该区间的值都不符合正常生理状况的结果。对于疾病的生物标志物，该信息可以被医师用于在疾病的诊断、预后和治疗中做出改进的决定。

随后，测量的值可以作为硬证据而进入到贝叶斯网络中。有了这一新的证据，使用贝叶斯推理将先验分布转移到后验分布，并进而产生可以用于下一个测试的新的参考区间。在该过程中，一些受试者间变异被消除，并且后验分布对个体而言更加特异，而对群体来讲则不那么特异。对于第一个测试，初始参考范围是群体参考范围。在贝叶斯网络中包含异质因素自然地导致了分层的参考范围。只要对同一个体测量的数值一个一个地被添加作为硬证据，群体参考范围就会自适应地移动到个体参考范围。图2示出了对一名55岁男性受试者测试5次得到的血红蛋白浓度(Hgb)的示例，即Hgb＝[137 142 139 137 127]。对于高达99％的特异度，虽然最后一个值仍处于针对这一年龄的男性定义的参考范围内，但其低于该受试者参考区间的较低值，因此该值对于该受试者而言不同寻常地低。该示例表明，与使用传统的参考范围相比，该方法可以提高敏感度和特异度。特别地，生物标志物的个人参考范围的推导可以显著改善使用生物标志物检测生物信号，其中该生物标记物所呈现的受试者内生物变异显著低于受试者间生物变异。

例如，尽管血清肌酸酐是肾功能不全最常用的生物标志物，但在血清肌酸酐不出现基于群体的参考范围内之前，可能会丧失最高达60％的总肾功能。血清肌酸酐所呈现的受试者间变异显著高于受试者内变异(受试者内变异CVi＝5.95，受试者间变异CVg＝14.7)，这可以通过根据性别、年龄和肌肉质量的巨大异质性来解释。对该方法的应用允许采用个人参考范围的推导来实现血清肌酸酐数据的个性化，其中该个体参考范围显著地改善了与肾功能不全相关的信号的检测。例如，在50名2或3期慢性肾病患者群体中，使用传统的血清肌酸肝参考范围(参考范围根据性别分层，即女性为[45-90]μmol/L；男性为[60-110]μmol/L)，仅在7名患者中检测到[10-50]％肾功能损失，这通过直接测量肾小球滤过率和清除率所获得，而使用具有性别、年龄、一条健康基线和99％特异度的知识的贝叶斯网络，在38名患者中检测到所述肾功能损失。该方法的改进的灵敏度对于肾功能不全的早期检测特别有意义。早期检测十分重要，因为越早对肾功能不全进行诊断和治疗，就有越大的机会保留剩余的健康的肾单位，并避免对后续透析的需求。

另一方面，该方法应用于例如肝脏的生物标志物以诊断和监测肝脏疾病，特别是肝纤维化。非酒精性脂肪肝疾病(NAFLD)是导致脂肪肝的原因之一，并可能发展为非酒精性脂肪性肝炎(NASH)。当前主要的肝功能的生物标志物，即ALT、AST、ALT/AST、Fib-4、胆红素、GGT，所呈现的受试者间生物变异均显著高于受试者内变异，这使得将其作为肝脏疾病的指标使用变得十分复杂。在实践中，标准肝脏组中小而重要的变化难以被检测到，因为该变化经常在基于群体的参考区间内被观察到。一名42岁的男性受试者，没有任何与肝脏相关的症状，但因为出现高脂血症和高血压而被认为具有出现NASH的高风险，在8年内进行了9次AST检测，检测的值分别为17、13、17、16、20、22、18、24、28U/L。男性的AST的基于群体的参考范围为[8-40]U/L，这意味着该患者从未有任何值在参考范围之外。对该方法的应用产生了初始的分层的参考范围[10-38]U/L，其接近基于群体的参考范围。4次测试之后，贝叶斯网络获得的特异度为99％的个性化参考区间为[9-25]U/L。倒数第二个观察值为24U/L，非常接近个体参考范围的上限，而最后一个值为28U/L，明显高于该个人参考范围的上限。虽然这个最后的值显著低于通常的参考范围，但对该方法的应用表明，该结果不能为99％特异度的正常生理状况的结果。该信息可以被医师用来进行额外的分析，例如肝活组织检查。

疾病大多数的生物标志物呈现出的受试者内生物变异低于受试者间生物变异。例如，在数据库https://www.westgard.com/biodatabasel.htm中列出的在血液、血清和血浆中所测量的多达90％的生物标志物呈现出的受试者内生物变异要低于受试者间生物变异。对于检测针对疾病大部分生物标记的信号而言，这使得使用个人参考范围——通过本文所描述方法得到——相对于使用传统的参考范围有着显著的改进。应当注意，对于待应用该方法的生物标志物而言，比受试者间变异更低的受试者内变异不是必需的性质。该方法改进了所有呈现出不可忽略的受试者间变异的生物标志物的信号，然而可以通过该方法实现的改进与所研究的生物标志物的受试者间变异和受试者内变异之间的比率相关。

本发明的另一方面提供了对临床试验中的生物信号的改进的检测。生物标志物在临床试验中具有多种功能：除了传统的疾病标志物外，生物标志物还被用作药物治疗反应的指示物，例如治疗安全性和疗效的标志物。生物标志物也可以转变为伴随式诊断剂，以提供有效使用相应的药物的信息。

绝大多数临床试验使用在试验过程中收集的信息，其中若干组生物标志物被收集用于招募，以及在药物治疗之前、期间和之后被收集。例如，受试者通常根据对一组生物标志物的具体要求被招募到试验中。在筛选过程中获得的生物标志物的值随后会经常用作试验中的个体基准值，在治疗患者时测量的相同生物标记物的多组新数值可以和所述个体基准值作比较。

该框架使得该方法特别适合于改进临床试验中生物信号的检测。

首先，该方法可用于评估试验期间获得的生物标志物数据，以改进药物引起的信号的早期检测并对其采取措施，例如在剂量依赖性试验中减少剂量。例如，该方法可用于早期阶段试验以检测肝和肾功能的潜在安全性问题，其是早期试验失败的两个重要原因。在I期中没能检测到药物引起的安全信号可导致晚期的重大成本，在晚期会招募更多数量的患者以促进对药物作用的检测。在早期没有检测到安全信号，但在晚期检测到安全信号，是临床试验失败的重要原因。

其次，该方法可用于减少为达到给定目标所需要招募进试验的患者人数。样品量计算通常会忽略生物标志物的变异分量的现有知识。在贝叶斯网络中使用这些信息以及对招募进试验的每个受试者的个体参考范围的推导，有助于检测微小的药物引起的变化，并且从而需要更少的患者即可达到与使用传统的参考范围相同的统计效力。如果现有的关于生物标志物的变异的信息不易获得，原因在于诸多生物标志物的变异分量在患有疾病的患者中可获得性较差，则应首先使用标准的方差分析方法根据在药物治疗前所获得的一组预先筛查值、筛查值和基准值来估计这些变异分量。随后这些组估值作为贝叶斯网络的参数引入，以得出真实的个人参考范围。例如，因为糖化血红蛋白(HbAlc)与过去数周或数月里的平均血糖浓度呈比例，所以糖化血红蛋白如今代表了糖尿病诊断和管理中的黄金标准。该方法可以用于改善III期试验中HbA1c降低的检测，或者用于减少为达到相同统计效力的既定目标所需的患者数量。表1(实施例1)给出了检测HbA1c下降0.1％所需的受试者的数量，采用1:1平衡或2:1非平衡设计，99％效力，且显著性水平为0.05。比较了三种用于评估生物信号的方法：(1)基于Student’s T检验的传统样品量计算，(2)以一组筛选值作为协变量的协方差分析，以及(3)本文给出的方法。使用贝叶斯方法实现了对照受试者数量的显著减少，从1075到150，对应于1:1和7:1的设计，或从790到139，对应于2:1到11:1的设计。

第三，该方法可用于临床试验以从总群体中选择对药物治疗的良好反应者。为正确的患者寻找正确的药物是个性化医疗的核心，然而如今的基于评估药物安全性和疗效的一系列时期的药物开发框架对基于生物数据寻找药物的良好响应者存在很大的限制。在不失去对0、I、II、III或IV期的概括性的情况下，对具有治疗安全性和疗效的生物标志物的个人参考范围的推导允许对药物引起的效应的评估的个性化，并且从而允许选择出对药物有反应以及没有反应的患者亚群。

第四，该方法可用于促进伴随式诊断标志物的发现和确认。个性化医疗的出现及其对个体化治疗药物的相关需求增加了药物开发的成本。伴随式诊断剂的发展的核心是找出一组患者或者理想地个体水平的生物学特征的可能性，该生物学特征可以是基因型的，也可以是表型的。该方法可以首先用于基于作为临床试验的一部分获得的个性化生物标志物数据来定义反应者组和无反应者组。然后可以对这两组受试者应用全基因组或全表型组相关研究来鉴定可用作伴随式诊断剂的基因型或表型生物标志物。

另一方面涉及根据单个个体中的表型生物标志物的测量来推断遗传多态性。例如，存在或不存在编码基因可能对相关蛋白质和其他代谢物的产生具有重要影响。将所述蛋白质和代谢物的所测量的浓度作为硬证据输入该方法和推理方法中，用于对抗随意方向以返回基因存在或不存在的后验概率分布。例如，在将UGT2B17基因与蛋白质葡萄糖醛酸酶联系起来、随后将该蛋白质与睾酮的葡萄糖苷酸代谢物的贝叶斯网络中引入尿液中的葡萄糖苷酸代谢物的浓度，可确定存在或不存在UGT2B17基因。换句话说，该方法可以通过测量与该基因相关的表型生物标志物来了解给定个体的遗传特征。遗传信息是被推断出的而不是被测量出的。个体遗传特征的知识然后允许推导出其中与遗传特征相关的受试者间变异被去除的个体参考范围。

本发明的方法的一个方面涉及测定受试者的血浆容量变异的方法，包括以下步骤：

i)测量从所述受试者获得的全血样品和/或血清样品的一个或多个标志物M的值，其中所述一个或多个标志物选自由以下组成的组：血红蛋白浓度(HbC)、转铁蛋白、肌酸酐、血小板、低密度脂蛋白(LDL)、白蛋白、总蛋白、钙、胆固醇、甘油三酯、甲状腺素、白细胞、血小板压积(PCT)、中性粒细胞和单核细胞，

ii)对步骤i)的对所述一个或多个标志物所测量的值应用自适应贝叶斯模型，以得出针对每个标志物M的个体Z分数，

iii)从所述针对每个标志物M的个体Z分数得出与血浆容量相关的Z分数，

iv)将所述与血浆容量相关的Z分数与一个或多个预先选择的参考Z分数进行比较，

其中所述Z分数与一个或多个预先选择的参考Z分数的偏差表示血浆容量变异。

血浆容量是血液的液体成分，在无数生理过程中起着至关重要的作用，并且是许多临床决策的重要变量。慢性肾病(CKD)患者的透析是基于去除规定量的血管内流体。重症监护或心力衰竭患者需要严格的流体监测以改善其健康状况。然而，目前还没有可实际应用的方法来精确测量血浆容量。大多数直接测试依赖于指示剂稀释方法，该方法非常繁琐，因此在临床实践中是不可行的。由于这些原因，血浆容量大多使用基于浓度的血液量度例如血细胞压积和血红蛋白浓度来间接估计，所述血液量度是纵向评估的，并且这些变量的变化归因于血浆容量的变化。这些方法具有明显的缺陷，并且在红细胞质量不能保证稳定并且可能改变的情况下，例如在出血重症监护患者、可能患有肾贫血症的透析患者等中，这些方法的应用有限。

红细胞容量是由红细胞构成的血液成分，是向身体组织输送氧气的主要工具。作为全血细胞计数的一部分获得的基于浓度的血液量度被用作红细胞生成改变的指示物。例如，世界卫生组织规定了血红蛋白浓度(HbC)的一些阈值来定义贫血。其忽略了这样的事实，即并非是由于红细胞质量真正减少，而是由于较高的血浆容量导致HbC可能较低。这种假性贫血在肾病患者被观察到，在运动员中被观察到为对有氧运动的适应，在重症监护中在故意的低压麻醉中被观察到，等等。红细胞质量的测量可以在体内注射放射性标志物或一氧化碳(CO)后进行，但这些方法在日常临床实践中是不可行的。目前仍缺乏一种方法，该方法能够从简单的血液检测中对红细胞质量或容量进行稳健估计，或对可用于滴定红细胞生成促进剂的剂量的至少一个实质性靶标进行稳健估计。

缺乏实用的估计血浆容量和红细胞容量的方法尤其对监测肾功能不全患者如慢性肾病(CKD)患者成问题。这与肾脏的两个主要功能有关：平衡体液并通过促红细胞生成素的产生来控制红细胞生成。透析——以去除多余的水——以及用重组促红细胞生成素(rEPO)治疗——以对抗贫血——是CKD管理的两大手段。不幸的是，从基于浓度的血液量度的增加中不可能知道其原因是红细胞容量增加——诸如患者对rEPO治疗反应良好——还是血浆容量减少——诸如没有去除足够的流体。这同样适用于这些变量的减少。

此外，红细胞容量和/或血浆容量的增加会增加血压，进而增加心脏病发作和中风等并发症的风险。在实践中，血浆容量的不良监测以及没有通过透析去除足够的液体，这通常由较高剂量的rEPO不正确地补偿以达到给定的血红蛋白浓度指标，导致血容量显著增加，这是CKD患者高血压以及随后死亡的主要原因。

需要一种可靠的方法来估计红细胞容量和血浆容量的变化，以改善在许多不同情况下作出的临床决策。重症监护患者的输液治疗可以得到改善，并且可以估计进行透析和rEPO治疗的患者的血液图像的真实红细胞容量和血浆容量分量，从而改善其治疗。本文呈现的方法允许在使用自适应贝叶斯模型去除非期望的受试者间变异后，以一组基于浓度的变量随时间变化的一致性为基础，从简单的血液测试中推导出红细胞容量、血浆容量和血容量的标志物。红细胞质量和血浆容量的直接测量虽然在日常临床实践中很麻烦且不可行，但在本文中用作验证该方法的参考方法。最终产品是红细胞容量和血浆容量的标志物，其可以通过简单的血液检测在临床环境中轻松获得，以监测患者的体液平衡和红细胞生成。

如上所述的方法通常包括以下步骤：

步骤1.1至1.3包括初始测量和/或计算，以帮助在步骤2.1至2.6中描述的一种应用的方法的使用。虽然步骤1.1至1.3是收集用于该方法的应用的现有信息的优选方法，但是当在步骤1.1至1.3期间仅收集部分信息时，该方法仍然适用。具体而言，红细胞容量、血浆容量和血容量的参考指标可以由具有该领域专业知识的人员使用基于群体参考的常规估计方法来设定。

(1.1)确定红细胞容量、血浆容量和血容量的生理指标。

(1.1.1)当已知受试者呈现红细胞容量、血浆容量和血容量受到良好控制的平衡时，可以使用能够评估红细胞容量、血浆容量和/或血容量的参考特定方法来定义红细胞容量、血浆容量和血容量的生理指标，所述参考特定方法例如(但不限于)指示剂稀释方法，例如对血液中通过CO重复呼吸法的血红蛋白质量(HbM)与血红蛋白浓度(HbC)和平均红细胞血红蛋白浓度(MCHC)的联合测量，使用以下公式：

红细胞容量(L)＝HbM(g)÷(MCHC(g/dL)*10)

血容量(L)＝HbM(g)÷(HbC(g/dL)*10÷0.91)

血浆容量(L)＝血容量(L)–红细胞容量(L)

(1.1.2)如果使用参考分析方法无法获得红细胞容量、血浆容量和血容量的指标，则应根据诸如体重、无脂肪体重、身高、年龄和性别的人体测量特征计算合适的指标，或根据公布的群体参考范围估计合适的指标。例如，每千克体重的血容量的正常估计平均值为60-80ml/kg。类似地，血红蛋白质量的指标可以基于每千克无脂肪质量的血红蛋白质量的正常估计平均值来定义。在给出MCHC群体平均值为33g/dl的情况下，或者如果可行的话，在给出MCHC的受试者特异的数值的情况下，使用上面的公式可以在红细胞容量的指标中进一步得出HbM的指标。替代地，可以根据有关受试者的任何信息，包括人体测量特征、以前的测试结果和病史，由具有该领域专业知识的人员定义适当的指标。

(1.2)当已知患者呈现红细胞容量、血浆容量和血容量受到良好控制的平衡时，在从受试者收集的两个血液样品中，优选在一个全血EDTA样品和一个血清样品中，测量以下选自非限制性组中的一个或多个标志物：HbC、转铁蛋白、肌酸酐、血小板、低密度脂蛋白(LDL)、白蛋白和总蛋白，以及可选的钙、胆固醇、甘油三酯、甲状腺素、白细胞、血小板压积、中性粒细胞和单核细胞。这两个血液样品应该优选在不同的时间收集，优选至少相隔5天收集。替代地，一个或多个标志物的分析组选自包括HbC、转铁蛋白、肌酸酐、血小板、LDL、白蛋白、总蛋白和钙的非限制性组。

(1.3)使用本文所述的自适应贝叶斯模型计算所有这些标志物的个体预期分布，并且如果可行的话，HgC、红细胞容量、血浆容量和血容量的个体预期分布。自适应贝叶斯模型由分层贝叶斯网络组成，该网络使得可以推导出在生物流体中测量的任何标志物的个体分布，进而推导出给定特异度水平(例如99％)的个体参考范围。

(2.1)在受试者上采集血液样品，包括全血样品、血浆样品和/或血清样品，优选全血EDTA样品和血清样品。由生物变量组成的集合，优选步骤1.2中给出的8个标志物的集合，与MCHC一起测量。血浆容量的这些标志物优选在血清中测量，并对全血进行全血计数。可以对采集的样品进行任何额外的测试，以监测血液中任何基于浓度的标志物(见下述步骤2.5.3和2.5.4)。

(2.2)将自适应贝叶斯模型应用于血浆容量的标志物的集合以得出每个标志物的Z分数。这些Z分数代表相对于个体平均值的个体变异。该过程对于消除个体间变异是至关重要的，并突出显示与血浆容量变化相关的变异。

优选地，每个标志物Mi的个体Z分数通过以下公式确定：

其中ME(i,j)是受试者j的个体平均值，VAR(i,j)是受试者j的个体方差，并且Mi表示在时间i处所述标志物之一的值。

(2.3)随后使用加权函数将个体Z分数进行组合，所述加权函数得自于与血浆容量相关的每个标志物的已知的变异以及从所有Z分数之间的一致性。以Z分数给出的结果是血浆容量的变异的估计值。这一步骤包括

-建立与血浆容量相关的Z分数的第一估计值(Z(Mi)估计值)，所述第一估计值被计算为所有生物标志物的Z分数之和乘以相应标志物的系数，

-确定与每个观察值Mi相关的变异的残差(R)，所述残差(R)为R(Mi)＝所有生物标志物的Z分数-∑(Z(Mi)估计值)×(相应标志物的系数)

-建立与每个标志物M的变异之间的一致性相关的加权函数，所述加权函数被计算为标志物的变异的残差的正态概率分布，以及

-通过用该加权函数对Z分数的估计值(Z(Mi)估计值)进行加权来计算所述与血浆容量相关的Z分数。

计算与每个标志物的变异之间的一致性相关的加权函数作为标志物变异的残差的正态概率分布。与血浆容量变化相关的第二估计Z分数和最终估计Z分数通过与上述类似的方法计算，即作为对每个生物标志物所计算的Z分数之和乘以标志物的系数，所不同的是通过从残差计算得到的加权函数对计算进一步加权。

如果一个或多个标志物选自包含以下的组：HbC、转铁蛋白、肌酸酐、血小板、低密度脂蛋白(LDL)、白蛋白和总蛋白，以及可选的钙、胆固醇、甘油三酯、甲状腺素、白细胞、血小板压积、中性粒细胞和单核细胞，则相应标志物的系数优选为：血红蛋白C(HbC)约0.30、转铁蛋白约0.23、肌酸酐约0.23、血小板约0.25、低密度脂蛋白(LDL)约0.13、白蛋白约0.25、总蛋白约0.31、钙约0.20、胆固醇约0.12、甘油三酯约0.064、甲状腺素约0.082、白细胞约0.48、血小板压积(PCT)约0.28、中性粒细胞约0.19以及单核细胞约0.39。

如果一个或多个标志物选自包含以下成分的组：血红蛋白浓度(HbC)、转铁蛋白、肌酸酐、血小板、低密度脂蛋白(LDL)、白蛋白、总蛋白和钙，则相应标志物的系数优选为：血红蛋白C(HbC)约0.43、转铁蛋白约0.32、肌酸酐约0.33、血小板约0.33、低密度脂蛋白(LDL)约0.20、白蛋白约0.38、总蛋白约0.47以及钙约0.31。

本文所使用的术语“约”表示为围绕该值+/-10％的限定范围。

由于标志物彼此相关，因此其相应的系数在其从包含8或15个标志物的组中选择的情况下是不同的。

通常，高于0的Z分数表示血液稀释，Z值高于约2.3表示强血液稀释；低于0的Z值表示血液浓缩，Z值低于约-2.3表示强血液浓缩(对于99％的特异度，也可以选择其它特异度水平)。

优选地，置信水平与Z分数相关。置信水平等于加权函数总和的指数。该置信水平在0和1之间被标准化，使得接近0的值具有低置信水平，而接近1的值具有高置信水平。用于计算与血浆容量变化相关的Z分数的方差最终由该置信水平加权。

替代地，与血浆容量变化相关的Z分数可以进一步用于使用比例因子来校正初始标志物。对于使用8个标志物的血浆容量变化的情况，对于转铁蛋白、白蛋白、钙、肌酸酐、总蛋白、血小板、低密度脂蛋白和血红蛋白，所述校正等于Z值分别乘以1.34、1.57、1.27、1.33、1.91、1.30、0.85和1.78。对于使用15个标志物的情况，对于转铁蛋白、白蛋白、钙、肌酸酐、总蛋白、血小板、低密度脂蛋白、血红蛋白、胆固醇、甘油三酯、甲状腺素、白细胞、血小板压积、中性粒细胞和单核细胞，所述校正分别具有以下比例因子：0.72、0.79、0.62、0.71、0.98、0.80、0.39、0.96、0.33、0.20、0.25、1.57、0.89和0.62。由于标志物彼此相关，因此其各自的比例因子在从包含8或15种标志物的组中选择的情况下是不同的。

(2.4)血液采集时的血浆容量由自适应模型返回的预期均值以及估计的Z值和置信水平来估计。使用步骤1.1中给出的公式以及实际的HbC和MCHC测试结果可以进一步获得血红蛋白质量、红细胞容量和血容量的估计值。

(2.5.1)估计的血浆容量可以用于基于例如步骤1.1至1.3中所定义的血浆容量的指标来指定对血浆容量的干预。在血液稀释的情况下，这包括任何旨在从血液中去除多余水分的方法，包括血液透析、腹膜透析、血液过滤及其组合。

在血液浓缩的情况下，这包括任何旨在补充人体体液平衡的方法，例如任何容量替代疗法。

(2.5.2)估计的红细胞质量和相应的血红蛋白质量(HgB)可以用于基于例如步骤1.1至1.3中所定义的红细胞质量和HgB的指标来指定对红细胞质量的干预。在红细胞质量和/或HgM过高导致真性红细胞增多症的情况下，这包括旨在从血液中去除过量红细胞的任何方法。在红细胞质量和/或HgB过低导致真性贫血的情况下，这包括旨在将红细胞质量增加到正常水平的任何方法，直接采用输血方法和类似的方法，或者间接地通过使用任何红细胞生成促进剂的方法。

(2.5.3)估计的血容量可以用来指定旨在根据例如步骤1.1至1.3中所定义的血容量指标来使血容量标准化的干预。如果血容量过高，则这包括抽血；如果血容量过低，则这包括输血或应用红细胞生成促进剂。

(2.5.4)估计的血浆容量可用于将在作为浓缩物返回的血浆或血清中进行的任何分析测试标准化。血液浓缩导致测试值错误地高，血液稀释导致测试值错误地低。在这两种情况下，受影响的值可能会错误地提示其它的原因，例如医学病症。这种对血液中血浆容量变化的标准化与尿液中通过比重进行的校正相似。该标准化优选在应用自适应贝叶斯模型以确定测量的值的个体分布和参考范围之后执行。替代地，如果Z分数表明血液浓缩对应于，例如，相对于步骤2.4中给出的预期血浆容量水平增加了28％，则基于浓度的标志物的分析结果可以通过将测量的值除以1.28来校正。

(2.6)可以重复步骤2.1至2.5以连续监测红细胞容量、血浆容量和血容量随时间的变化，以及连续监测在血浆或血清中测量的旨在包括对血浆容量的变异进行校正的任何基于浓度的标志物。该过程优选使用考虑标志物的个体内变异的统计方法例如自适应贝叶斯模型来执行。对血浆容量的校正被整合到统计模型中，以消除由血浆容量变化而引起的那部分变异，以返回针对血浆容量变化进行了校正的个体参考范围。

因此，本发明还涉及诸如用于实施本发明的方法的装置的设备。本发明的方法可以在具有微处理器的任何装置上运行，例如计算机、智能电话、平板电脑或互联网服务器，结果可以在不到一秒钟的时间里返回，即使在其中遗传多态性从生物标志物的值推断出的最复杂的情况下。

实施例

实施例1

算法

在已知生物标志物的受试者间变异和受试者内变异可以用正态分布很好地表示时的特别情况下，可以使用简单的算法来应用该方法。该过程和算法在表2中给出。在其他情况下，需要使用贝叶斯推理技术来运行该方法。

表2中描述的方法用于评估参与III期临床试验的贫血患者的新药治疗效果。该患者是一名48岁的女性，根据95g/dL的预筛查值被募集到本试验中。在治疗前获得93g/L的第二筛选值。在试验过程中，该患者接受了六次测试，值分别为96、101、98、107、109g/dL。

对于一组贫血患者，群体平均值POP_ME为男性106g/L、女性90g/L。受试者间方差为65g2/L2，受试者内方差为17g2/L2。第一观察值的期望值的预测分布呈正态分布，其中平均PRE_ME＝90且方差PRED_VAR＝65+17＝82。假设特异度为99％，参考区间的最小值(0.5百分位数)为90-2.58*sqrt(82)＝67，参考区间的最大值(99.5百分位数)为90+2.58*sqrt(82)＝113。第一观察值RES(1)＝95落在区间[67-113]g/L内。

在RES(1)＝95g/L时，可以计算第二观察值的期望值的预测分布：

A＝65

B＝90

X1＝1/(1/65+1/17)＝13.5

X2＝13.5*90/65+13.5*95/17＝94.1

PRED_ME＝94.1

PRED_VAR＝13.5+17＝30.5

最小值为94.1-2.58*sqrt(30.5)＝80，最大值为94.1+2.58*sqrt(30.5)＝108。第二观察值RES(2)＝94g/L落在区间[80-108]g/L内。

在RES(2)＝93g/L时，新的迭代给出：

A＝13.5

B＝94.1

X1＝1/(1/13.5+1/17)＝7.5

X2＝7.5*94.1/13.5+7.5*93/17＝93.3

PRED_ME＝93.3

PRED_VAR＝7.5+17＝24.5

最小值变为93.3-2.58*sqrt(24.5)＝81，最大值为93.3-2.58*sqrt(24.5)＝106。该患者的个性化参考区间为[81-106]g/L，并且是在给药之前获得的。在这个区间以外的任何值与特异度为99％的Hgb的正常变异的假设不一致。这里最后两个数值107g/L和109g/L明显高于个性化参考区间的上限。这表明该药对该患者有效。该方法可以进一步迭代地应用于在治疗期间获得的值，以定义治疗后的个体参考范围。替代地，在适应性设计的情况下，在治疗过程中获得的个体参考范围可用于在试验期间作出明智的决策，例如在剂量递增试验中改变药物的剂量。

表1在III期试验中检测到HbA1c下降0.1％所需的患者数量。

表2评估呈正态分布的变异的生物标志物的方法

实施例2

方法

在六个月内监测了33名年龄为25-53岁的健康受试者。所有受试者的血红蛋白质量(HbM)在研究开始时使用CO重复呼吸方法测定。每月收集血清样品(10mL BD血清真空采血管)和全血样品(4mL BD K2EDTA真空采血管)。采集血液后，参与者进行相同的CO重复呼吸方法(Schmidt W,Prommer N.The optimised CO-rebreathing method:a new tool todetermine total haemoglobin mass routinely.Eur J Appl Physiol.2005Dec；95(5-6):486-95.)以测量HbM。月度测量之间的时间间隔略有不同，最少为9天，最长为56天。受试者的体重也被监测。在第6个月，在完成最终静脉血采集和CO重复呼吸操作(按照前5个月执行)之后，这33位受试者进行了旨在促进血浆容量急剧的最大限度的增加的运动挑战。运动挑战涉及在标准实验室条件下在踏车测力计上进行最长达30分钟的迈步测试。在运动后立即采集静脉血，并在运动后1小时采集静脉血。

所有血液样品在收集后1小时内进行分析或等分。使用Sysmex XT 2000i分析仪(日本神户)进行三次全血计数分析。本研究采用以下27项指标：血小板(PLT)、血红蛋白浓度(HbC)、白细胞(WBC)、红细胞(RBC)、血细胞压积(HCT)、平均红细胞容量(MCV)、平均红细胞血红蛋白(MCH)、平均红细胞血红蛋白浓度(MCHC)、红细胞分布宽度标准差(RDW_SD)、红细胞分布宽度变异系数(RDW_CV)、血小板分布宽度(PDW)、平均血小板量(MPV)、血小板大细胞比率(P_LCR)、血小板压积(PCT)、中性粒细胞(NEUT)、单核细胞(MONO)、嗜酸性粒细胞(EO)、嗜碱性粒细胞(BASO)、淋巴细胞(LYMPH)、网状细胞数(RET)、网状细胞百分比(％RET)、低荧光性网状细胞(LFR)、中荧光性网状细胞(MFR)、高荧光性网状细胞(HFR)、未成熟网状细胞组分(IRF)、网状细胞血红蛋白含量(RET_He)、红细胞血红蛋白含量(RBC_He)。

将血清样品在4℃、1500rpm下离心10分钟，并将等分样品储存在-80℃。使用维度整合化学系统(德国西门子)以批次分析的方式以随机顺序分析所有血清样品。对以下18个已知具有低生物变异的化学变量进行分析：转铁蛋白、丙氨酸氨基转移酶、白蛋白、碱性磷酸酶、钙、氯化物、钠、肌酸酐、游离甲状腺素(FT4)、三碘甲腺原氨酸(T3)、甲状腺素(T4)、总蛋白、镁、钾、胆固醇、HDL、LDL和甘油三酯。

按以下等式计算红细胞容量、血浆容量和血容量：

红细胞容量＝HbM(g)÷MCHC x 100

血容量＝HbM(g)x 100÷HbC÷0.91

血浆容量＝血容量-红细胞容量

在33个受试者上总共收集了每组48个血液变量的9组，得到14256个读数。

所有数据用Matlab 8.3版进行分析。对所有48种生物标志物进行以受试者作为组变量的方差分析，以得出方差的受试者内和受试者间分量。自适应贝叶斯模型被应用于去除所有变量的受试者间分量。使用该模型是找到表现出与血浆容量变化相关变异的生物标志物的关键，并且也是将血浆容量变化的影响置于对于每个生物标志物相同比例的关键。选择Z分数形式，其中每个Z值对应于由自适应模型计算的与预期均值的标准差的数值。随后对个体化生物标志物数据使用主成分分析法，以检查所有生物标志物之间血浆容量变化的一致性。自适应模型的多变量形式最终被开发以获得针对血浆容量变异校正的生物标志物的个性化值。采用留一法交叉验证过程来限制过度拟合，以保证模型在新的受试者上的良好概括性。

结果

图3示出了所有33名受试者的血红蛋白质量的值相对于体重的绘图(R2＝0.61)。表1显示了所有48个变量的均值、方差的受试者间和受试者内分量。激烈运动试验后获得的数据被排除在方差分析之外，因为其不能代表生物标志物的正常变异。随后将自适应贝叶斯模型应用于所有变量，并将计算出的各方差分量作为参数。使用留一法交叉验证过程来防止使用来自同一受试者的数据的参数。对自适应模型的应用允许消除不希望的受试者间变异并极大地促进对由血浆容量变化引起的信号的检测。

选择这18个基于血清的生物标志物是因为其呈现出低的受试者内变异并且其可在目前由自动化分析仪提出的大多数化学组中找到，除甘油三酯和游离甲状腺素以外，甘油三酯和游离甲状腺素被自动提出分别作为脂质组、甲状腺组的一部分。除了后两种生物标志物和ALT外，所有其他15个生物标志物呈现出比受试者间变异更小的受试者内变异。所有这15个生物标志物的个体内变异系数都低于10％，但ALP是另一个例外。自适应模型的输出在Z分数空间中给出以表示个体预期平均值间的变异。此处假定一个通用的受试者内方差。该假设对健康的受试者有效，并且不排除在患有疾病的患者中使用该模型。

并不意外的是，盐(钠、氯化物、钙、镁)以及总蛋白和白蛋白一起呈现最稳定的分布。然而，良好的稳定性不是生物标志物应当满足的以呈现与血浆容量相关的唯一标准。在将自适应性模型应用于血浆容量后发现的Z分数的值与针对所有基于血清的生物标志物计算的Z分数之间进行线性回归分析。该回归分析是在采用和不采用用激烈运动试验后获得的值的情况下进行的(参见表1中所得的p值)。当考虑到运动挑战数据时，除了氯化物、FT4和T3显著例外之外，所有18个基于血清的生物标志物均显示与血浆容量显著的相关性。当排除运动挑战数据时，HDL、ALT、ALP、钾、镁、钠和肌酸酐不再显示出与血浆容量显著的相关性。

从全血计数中获得的所有生物标志物都采用相同的过程。

并不意外的是，HbC显示出较低的受试者内变异以及与血浆容量的强相关性。

对呈现出较低变异和与血浆容量的显著相关性的18个变量的各种组合进行主成分分析。目标是解释血浆容量方差的最大量，同时寻找对单个变量或彼此相关的一小组变量的变化稳固的标志物。例如，Hct与Hgb和RBC显著相关，如果在变量组中选择该三个变量的全部，则与血浆容量相比，红细胞质量的增加应得到更多重视。

根据这些标准，找到了两组生物标志物：一组具有8个生物标记物，包括HbC、转铁蛋白、肌酸酐、钙、血小板、LDL、白蛋白和总蛋白，另外一组具有15个生物标志物，除了上述8个生物标志物以外，还包括胆固醇、甘油三酯、T4、WBC、PCT、NEUT、MONO。第一方差分量能够分别解释第一组生物标志物和第二组生物标志物的68％和69％的血浆容量变异。在这两种情况下，对第一方差分量贡献最高的标志物是总蛋白。图4示出了测得的血浆容量变化(x轴)和血浆容量的标志物的相对变化(y轴)之间的关系。在激烈运动挑战后发现的数值可以在左下方看到，其中血浆容量降低至最高达血浆容量的正常每日变异的5-7个标准差。

所提出的多参数方法通过所包含生物标志物的数量显示出了特异度增加的巨大优势：与血浆容量相关的独立生物标志物的数量越多，对血浆容量的特异度就越好。在这种情况下，可以评估该模型的置信水平：例如，如果8个生物标志物中的7个呈现Z分数的增加，但是最后一个生物标志物呈现出剧烈减少，例如由免疫系统问题引起的血小板低，则这种不一致性可以被考虑，并且在计算血浆容量的标志物时，将较小权重归于血小板计数的贡献。加权函数已被确定为应用于PCA残差的正态概率密度函数。置信水平成为在0和1之间标准化的该加权函数之和的指数。

讨论

从在血清中测量的一组基于浓度的变量的受试者内变异形成的血浆容量的标志物解释了超过三分之二的血浆容量变异。有趣的是，血浆容量的标志物的推导以及血红蛋白浓度的经典测量允许对血红蛋白质量的变异的估计。换句话说，红细胞容量和血浆容量两者的标志物可以容易地从简单的血液测试中导出，以监测体液平衡和红血球生成。该方法可以应用于需要严格平衡红细胞容量和血浆容量的所有领域，包括用于CKD患者的血液透析治疗、经历重大手术以及贫血治疗和管理的患者的输液治疗。

实施例3

一名男性患者在7个月内进行了8次测试。测试编号7是在激烈运动阶段后的几分钟进行的，该运动阶段被编程为引起血浆容量的大量减少。在为每个测试采集的血清样品中测量这8个标志物：转铁蛋白、白蛋白、钙、肌酸酐、总蛋白、血小板、低密度脂蛋白和血红蛋白。

图5的插图A示出了由这8个生物标志物的个体变异估计的与血浆容量相关的Z分数。随后将使用本文所呈现的方法估计的血浆容量变化的Z分数(实线)与从血浆容量变化的测量计算的Z分数(虚线)进行比较。

CO重复呼吸方法用于测量血红蛋白质量，并进而提供与该方法进行比较的真实血浆容量变化的参考。

图5的插图B示出了与血浆容量变化的每一估计值相关的置信水平。

图5的插图C示出了血红蛋白的值(实线)。虚线示出了通过该方法获得的未校正血浆容量的个体参考区间的上限和下限。点线示出了通过该方法获得的且校正血浆容量的个体参考区间的上限和下限。

Claims (22)

1.一种增强对来自于受试者或受试者组的生物标志物数据的信号的检测的方法，包括以下步骤：

i)测量来自于所述受试者或受试者组的一个或多个标志物M的零个、一个或多个值，

ii)对步骤i)的对所述一个或多个标志物所测量的所述零个、一个或多个值应用自适应贝叶斯模型，以得出所述受试者或受试者组的每个标志物M的期望值的个体分布，

iii)针对每个标志物M，从所述个体分布得出若干个体参考Z分数和针对给定特异度水平的个体参考范围，

iv)测量所述受试者或受试者组的一个或多个标志物M的一个或多个另外的值，

v)将所述一个或多个测量的值与所述一个或多个个体参考Z分数和个体参考范围进行比较，

其中所述一个或多个测量的值与所述一个或多个个体参考Z分数和范围的偏差指示所述受试者或受试者组的生物或生理的状况或变异。

2.一种测定受试者的血浆容量变异的方法，包括以下步骤：

i)测量从所述受试者获得的全血样品和/或血清样品的一个或多个标志物M的值，其中所述一个或多个标志物选自包含以下的组：血红蛋白浓度(HbC)、转铁蛋白、肌酸酐、血小板、低密度脂蛋白(LDL)、白蛋白、总蛋白、钙、胆固醇、甘油三酯、甲状腺素、白细胞、血小板压积(PCT)、中性粒细胞和单核细胞，

ii)对步骤i)的对所述一个或多个标志物所测量的值应用自适应贝叶斯模型，以得出针对每个标志物M的个体Z分数，

iii)从所述针对每个标志物M的个体Z分数得出与血浆容量相关的Z分数，

iv)将所述与血浆容量相关的Z分数与一个或多个参考范围进行比较，

其中所述Z分数与一个或多个参考范围的偏差表示血浆容量变异。

3.根据权利要求2所述的方法，其中所述针对每个标志物的个体Z分数表示相对于个体平均值的个体变异。

4.根据权利要求2所述的方法，其中步骤i)测量一个或多个标志物M的值在不同的时间进行多次。

5.根据权利要求2至4任一项所述的方法，其中所述针对每个标志物Mi的个体Z分数通过以下公式确定：

其中ME(i,j)是受试者j的个体平均值，VAR(i,j)是受试者j的个体方差，并且Mi表示所述标志物之一在时间i的值。

6.根据权利要求2至5任一项所述的方法，其中步骤iii)包括

-建立所述与血浆容量相关的Z分数的第一估计值(Z(Mi)估计值)，所述第一估计值被计算为所有生物标志物的Z分数之和乘以相应标志物的系数，

-确定与每个观察值Mi相关的变异的残差(R)，所述残差(R)为R(Mi)＝所有生物标志物的Z分数-∑(Z(Mi)估计值)×(相应标志物的系数)，

-建立与每个标志物M的变异之间的一致性相关的加权函数，所述加权函数被计算为所述标志物的变异的残差的正态概率分布，以及

-通过用所述加权函数对所述Z分数的估计值(Z(Mi)估计值)进行加权来计算所述与血浆容量相关的Z分数。

7.根据权利要求6所述的方法，其中所述相应标志物的系数优选为：血红蛋白C(HbC)约0.30、转铁蛋白约0.23、肌酸酐约0.23、血小板约0.25、低密度脂蛋白(LDL)约0.13、白蛋白约0.25、总蛋白约0.31、钙约0.20、胆固醇约0.12、甘油三酯约0.064、甲状腺素约0.082、白细胞约0.48、血小板压积(PCT)约0.28、中性粒细胞约0.19以及单核细胞约0.39。

8.根据权利要求6所述的方法，其中所述一个或多个标志物选自包含以下成分的组：血红蛋白浓度(HbC)、转铁蛋白、肌酸酐、血小板、低密度脂蛋白(LDL)、白蛋白、总蛋白和钙，并且所述相应标志物的系数优选为：血红蛋白C(HbC)约0.43、转铁蛋白约0.32、肌酸酐约0.33、血小板约0.33、低密度脂蛋白(LDL)约0.20、白蛋白约0.38、总蛋白约0.47以及钙约0.31。

9.根据权利要求2至8任一项所述的方法，其中

高于0的Z分数表示血液稀释，

高于2.3的Z分数表示强血液稀释；

低于0的Z分数表示血液浓缩，以及

低于-2.3的Z分数表示强血液浓缩。

10.根据权利要求2所述的方法，其中所述参考范围选自包含以下的组：健康的或以前经治疗的患者的数据、Z分数和测量以及参考曲线。

11.根据权利要求2至10任一项所述的方法，进一步包括确定血红蛋白质量、红细胞容量和/或血容量。

12.根据权利要求11所述的方法，其中所述血红蛋白质量(HbM)通过重复呼吸方法确定。

13.根据权利要求11所述的方法，其中所述红细胞容量和血容量通过对所述血液样品中的血红蛋白质量(HbM)、血红蛋白浓度(HbC)和平均红细胞血红蛋白浓度(MCHC)的联合测量来确定，使用以下公式：

红细胞容量(L)＝HbM(g)÷(MCHC(g/dL)*10)

血容量(L)＝HbM(g)÷(HbC(g/dL)*10÷0.91)

14.根据权利要求2至13任一项所述的方法，其中置信水平与所述血浆容量的变异相关。

15.根据权利要求14所述的方法，其中所述置信水平等于所述加权函数之和的指数。

16.根据权利要求14或15所述的方法，其中用于计算所述与血浆容量相关的Z分数的方差通过所述置信水平加权。

17.根据权利要求2至16所述的方法监测受试者的体液平衡和红细胞生成的用途。

18.根据权利要求17所述的用途，其中所述受试者是患有肾功能不全的受试者。

19.根据权利要求18所述的用途，其中所述患有肾功能不全的受试者选自：CKD、经历重大手术以及贫血治疗和管理的患者的输液治疗。

20.实施根据权利要求1至16任一项所述方法的设备。

21.根据权利要求20所述的设备，其中所述设备是具有微处理器的装置。

22.根据权利要求21所述的设备，其中所述装置是计算机、智能电话、平板电脑或互联网服务器。