CN109545377A - 获取肾小球滤过率的模型的建立方法及应用 - Google Patents

获取肾小球滤过率的模型的建立方法及应用 Download PDF

Info

Publication number
CN109545377A
CN109545377A CN201811228080.0A CN201811228080A CN109545377A CN 109545377 A CN109545377 A CN 109545377A CN 201811228080 A CN201811228080 A CN 201811228080A CN 109545377 A CN109545377 A CN 109545377A
Authority
CN
China
Prior art keywords
model
adjustedr
filtration rate
glomerular filtration
nodes
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.)
Granted
Application number
CN201811228080.0A
Other languages
English (en)
Other versions
CN109545377B (zh
Inventor
左笑丛
易翼虎
尹文俊
李岱阳
张毕奎
赵军
朱超男
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.)
Third Xiangya Hospital of Central South University
Original Assignee
Third Xiangya Hospital of Central South University
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 Third Xiangya Hospital of Central South University filed Critical Third Xiangya Hospital of Central South University
Priority to CN201811228080.0A priority Critical patent/CN109545377B/zh
Publication of CN109545377A publication Critical patent/CN109545377A/zh
Application granted granted Critical
Publication of CN109545377B publication Critical patent/CN109545377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种获取中国人群肾小球滤过率的模型的建立方法和应用，所述建立方法包括：S1、将病患已知的肾小球滤过率对应的多个候选自变量采用最小二乘法线性回归进行单因素分析，筛选出多个第一自变量；S2、将多个所述第一自变量采用多元线性回归建模进行多元素分析，并简化所述第一自变量的数量建立第一模型，所述第一模型的函数表达式为GFR＝94047.95×0.8892828a×N‑0.22630×C‑0.52474×L‑0.92495×H0.28309；其中，GFR表示肾小球滤过率；a是与性别相关的系数；C表示肌酐的浓度；L表示氯离子的浓度；H表示红细胞的浓度。该模型能够准确获取中国人群患者的肾小球透过率。本发明还包括一种获取中国人群肾小球滤过率的模型在获取中国人群肾小球滤过率中的应用。

Description

获取肾小球滤过率的模型的建立方法及应用
技术领域
本发明涉及医疗卫生技术领域，尤其涉及一种获取肾小球滤过率的模型的建立方法及应用。
背景技术
肾脏疾病是世界性的公共卫生疾病，发病率高，负担重。2012年，我国慢性肾脏病患者有1.2亿，发病率为10.8％，在中国住院患者中，急性肾损伤(AKI)占并发症的2.4％–8.1％，急性肾损伤的患者死亡率高达18.6％–28.5％。在中国，每名透析患者平均每年的治疗费用为14000美元。因此，快速准确地评估肾功能和肾功能的变化，对预防、诊断和治疗肾脏疾病至关重要。肾小球滤过率(GlomerularFiltration Rate,GFR)是评估肾功能最准确的指标，但是难以直接测量。99mTc-DTPA肾动态显像被核医学学会肾脏学委员会推荐用于测量真实GFR(mGFR)，由于费用昂贵，在中国只有少数医院可以测量，因此在临床上常使用肾小球滤过率估算公式获得患者的估算GFR(eGFR)，但是目前已有的公式计算中国人群的eGFR并不准确，KDIGO指南推荐的C-G、MDRD、CKD-EPI公式均基于白种/黑种人群开发，而不是中国人群。因此我们旨在基于多中心、大样本的中国人群，开发一个准确度高的eGFR公式。
发明内容
本发明所要解决的技术问题是：针对中国人群的肾小球滤过率估算不准确。
为解决上述技术问题，本发明一方面提出了获取肾小球滤过率的模型的建立方法及应用。
本发明提出一种获取中国人群肾小球滤过率的模型的建立方法，包括以下步骤：
S1、将病患已知的肾小球滤过率对应的多个候选自变量采用最小二乘法线性回归进行单因素分析，筛选出多个第一自变量；
S2、将多个所述第一自变量采用多元线性回归建模进行多元素分析，并简化所述第一自变量的数量建立第一模型，所述第一模型的函数表达式为GFR＝94047.95×0.8892828a×N-0.22630×C-0.52474×L-0.92495×H0.28309；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度；L表示氯离子的浓度；H表示红细胞的浓度。
优选地，在步骤S2之后，还包括步骤S3：简化所述第一模型得到第二模型，所述第二模型的函数表达式为GFR＝1363.868×0.8823822a×N0.22910×C-0.53755×H0.28458；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度；H表示红细胞的浓度。
优选地，在步骤S3之后还包括步骤S4：简化所述第二模型得到第三模型，所述第三模型的函数表达式为GFR＝2374.78×0.8526126a×N-0.25011×C-0.54753；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度。
优选地，在步骤S1中，所述筛选出多个所述第一自变量是以P<0.010为标准，筛选出P<0.010的所述第一自变量，P表示检验所述第一自变量的显著性水平的参数。
优选地，在步骤S1之前还包括将所述已知的肾小球滤过率进行log转换。
优选地，在步骤S1中，将多个候选自变量采用最小二乘法线性回归进行单因素分析之前还包括将多个所述候选自变量进行log转换。
优选地，在步骤S2中，所述简化所述第一自变量的数量建立第一模型具体包括：以R2、adjustedR2和AIC为判断标准从所述第一自变量中初步筛选出第二自变量，并将所述第二自变量根据R2从大到小进行排序，筛选出排在前5的所述第二自变量并建立所述第一模型。
优选地，多个所述候选自变量包括年龄、性别、胱抑素C、α1微球蛋白、β2微球蛋白、二氧化碳结合力、氯测定、阴离子间隙、丙氨酸氨基转移酶、天门冬氨酸氨基转移酶、总胆红素、总蛋白、白球蛋白比值、直接胆红素，球蛋白、总胆汁酸、酸碱度、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、甘油三酯、高密度胆固醇比总胆固醇、总胆固醇、白蛋白、血糖、凝血酶原时间、活化部分凝血活酶时间、凝血酶时间、红细胞、白细胞、血红蛋白、红细胞压积、平均红细胞体积、平均红细胞血红蛋白含量、平均红细胞血红蛋白浓度、淋巴细胞绝对值、中性粒细胞绝对值、中性粒细胞百分比、单核细胞绝对值、单核细胞百分比、嗜酸细胞绝对值，淋巴细胞百分比、嗜酸细胞百分比、嗜碱细胞绝对值、嗜碱细胞百分比、血小板变量、血小板分布宽度、血小板比积、血小板平均体积、红细胞分布宽度、血清钾离子浓度、血清钙离子浓度和血清钠离子浓度。
优选地，多个所述第一自变量包括性别、年龄、身高、体重、肌酐、氯、天门冬氨酸氨基转移酶、总蛋白、球蛋白、平均红细胞血红蛋白浓度、总胆汁酸、红细胞、平均红细胞体积、单核细胞百分比和尿酸。
本发明还包括一种获取中国人群肾小球滤过率的模型在获取中国人群肾小球滤过率中的应用，所述模型根据上述所述的建立方法建立。
本发明与现有技术对比的有益效果包括：将病患已知的肾小球滤过率对应的多个候选自变量采用最小二乘法线性回归进行单因素分析，筛选出多个第一自变量；将多个所述第一自变量采用多元线性回归建模进行多元素分析，并简化所述第一自变量的数量建立第一模型，所述第一模型的函数表达式为
GFR＝94047.95×0.8892828a×N-0.22630×C-0.52474×L-0.92495×H0.28309；
其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度；L表示氯离子的浓度；H表示红细胞的浓度，该模型能够准确获取中国人群患者的肾小球透过率，比其他现有公式更能准确地获取中国人群的肾小球透过率。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1-图5均为本具体实施方式中不同医院的中国人群中不同函数表达式获得的eGFR与mGFR进行比较的箱形图，其中：
图1为本具体实施方式中TXH医院住院患者不同函数表达式获得的eGFR与mGFR进行比较的箱形图；
图2为本具体实施方式中TXH医院门诊患者不同函数表达式获得的eGFR与mGFR进行比较的箱形图；
图3为本具体实施方式中SXH医院住院患者不同函数表达式获得的eGFR与mGFR进行比较的箱形图；
图4为本具体实施方式中FXH医院住院患者不同函数表达式获得的eGFR与mGFR进行比较的箱形图；
图5为本具体实施方式中FXH医院门诊患者不同函数表达式获得的eGFR与mGFR进行比较箱形图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本具体实施方式收集的患者数据来自中国中部地区(湖南省长沙市)的中南大学湘雅三医院(TXH)和中南大学湘雅二医院(SXH)，以及新疆医科大学第一附属医院(FXH)做过99mTc-DTPA肾动态显像的患者，已分别获得当地伦理委员会批准。排除年龄小于18岁或者基础肌酐值或mGFR值缺失或者透析患者或者在做肾图前10天内使用过影响肌酐的药物或者基础肌酐>700μmol/L的患者。收集的数据包括人口学资料：身高、年龄、体重、性别；检验检查：99mTc-DTPA肾动态显像测量；肌酐、血常规以及其他血液、尿液生化指标等。最终将TXH医院中的2472个住院病患按7:3随机分配，其中70％(1730个住院患者)作为训练集进行建模，余下30％(742个住院患者)作为验证集进行内部验证；另根据纳入排除标准选取300个门诊病患作为验证集进行内部验证。
本具体实施方式提出一种获取中国人群肾小球滤过率的模型的建立方法，包括步骤：
S0、将1648个病患已知的肾小球滤过率进行log转换。
S1、将进行log转换后的肾小球滤过率对应的多个候选自变量进行log转换，并采用最小二乘法线性回归将log转换后的多个所述候选自变量进行单因素分析，以P<0.010为标准，筛选出P<0.010的第一自变量，P表示检验所述第一自变量的显著性水平的参数。
需要说明的是，多个所述候选自变量包括年龄、性别、胱抑素C、α1微球蛋白、β2微球蛋白、二氧化碳结合力、氯测定、阴离子间隙、丙氨酸氨基转移酶、天门冬氨酸氨基转移酶、总胆红素、总蛋白、白球蛋白比值、直接胆红素、球蛋白、总胆汁酸、酸碱度、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、甘油三酯、高密度胆固醇比总胆固醇、总胆固醇、白蛋白、血糖、凝血酶原时间、活化部分凝血活酶时间、凝血酶时间、红细胞、白细胞、血红蛋白、红细胞压积、平均红细胞体积、平均红细胞血红蛋白含量、平均红细胞血红蛋白浓度、淋巴细胞绝对值、中性粒细胞绝对值、中性粒细胞百分比、单核细胞绝对值、单核细胞百分比、嗜酸细胞绝对值，淋巴细胞百分比、嗜酸细胞百分比、嗜碱细胞绝对值、嗜碱细胞百分比、血小板变量、血小板分布宽度、血小板比积、血小板平均体积、红细胞分布宽度、血清钾离子浓度、血清钙离子浓度和血清钠离子浓度。多个所述第一自变量包括性别、年龄、身高、体重、肌酐、氯、天门冬氨酸氨基转移酶、总蛋白、球蛋白、平均红细胞血红蛋白浓度、总胆汁酸、红细胞、平均红细胞体积、单核细胞百分比和尿酸。
S2、将多个所述第一自变量采用多元线性回归建模进行多元素分析，并简化所述第一自变量的数量建立第一模型，所述第一模型的函数表达式为GFR＝94047.95×0.8892828a×N-0.22630×C-0.52474×L-0.92495×H0.28309；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度；L表示氯离子的浓度；H表示红细胞的浓度。其中，简化所述第一自变量的数量建立第一模型具体包括以R2、adjustedR2和AIC为判断标准从所述第一自变量中初步筛选出第二自变量，并将所述第二自变量根据R2从大到小进行排序，筛选出排在前5的所述第二自变量并建立所述第一模型。
需要说明的是，R2与adjustedR2均表示决定系数，指的是被选择的自变量能够解释因变量的比重，用于评价回归直线拟合的优劣，该值越大说明拟合得越好。而adjustedR2去除了自变量数目的影响，可以更准确地评估回归方程的解释力。AIC是Akaike InformationCriterion的简称，表示“赤池信息准则”，是权衡估计模型复杂度和拟合数据优良性的一种标准。通常选择AIC最小的模型作为最佳模型，从而筛选出AIC最小、R2与adjustedR2最大的第二自变量。
S3、简化所述第一模型得到第二模型，所述第二模型的函数表达式为GFR＝1363.868×0.8823822a×N0.22910×C-0.53755×H0.28458；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度；H表示红细胞的浓度。氯离子浓度变量虽有统计学意义，但现阶段无法从临床上解释氯离子水平对GFR的重要作用，因此结合临床意义，现阶段去掉氯离子浓度这一第二自变量。
S4、简化所述第二模型得到第三模型，所述第三模型的函数表达式为GFR＝2374.78×0.8526126a×N-0.25011×C-0.54753；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度。红细胞浓度变量虽有统计学意义，但若作为第二自变量导入公式，在实际使用过程中，未检测红细胞的患者无法使用此公式。为了方便临床应用，去掉红细胞浓度这一第二自变量。训练集的结果为GFR≤60组:P30＝0.576；60<GFR≤90组:P30＝0.913；GFR>90组:P30＝0.843，训练集采用第三模型获取肾小球滤过率的P30＝79.5％，高于指南规定的P30>75％，具有临床意义；对于不同水平的GFR，新公式的P30均大于目前已有的其他eGFR公式的P30水平(GFR≤60时，P30虽然低于75％，但仍高于其他已有公式)。验证集的结果为GFR≤60组:P30＝57.0％，60<GFR≤90组:P30＝92.7％，GFR>90组:P30＝81.5％，训练集采用第三模型获取GFR的P30＝78.7％。验证集的结果与训练集的结果基本一致。说明了第三模型获取GFR的稳定性和准确性。
需要说明的是，据报道，个体每天的GFR变异度为17％，因此规定将15％-30％作为mGFR变异的合理范围。根据2002版K/DOQI指南，用P30表示估计值eGFR在实测值mGFR±30％的范围内的变异。P30反映了误差(eGFR与mGFR的差值)占检测结果(mGFR)的比重介于(1±30％)的比例，具有良好的一致性和稳定性，是用于评价公式准确度的一个重要指标。
2002版K/DOQI指南指出，eGFR公式的P30＝75％是反映临床决策有效的最低标准。因此，eGFR公式的P30>75％表示该公式的准确度达到指南标准，具有临床意义，可应用于临床。
本具体实施方式中，将进行log转换后的肾小球滤过率对应的多个候选自变量进行log转换之前还包括将所有的候选自变量进行“三次样条处理”或“不经任何处理”，通过对候选自变量进行不同形式转换，来反映与因变量间的乘法关系，稳定候选自变量在GFR范围内的方差。结果表明进行“log变换”的效果最佳。因此选择“log变换”作为自变量导入模型的基本形式。
具体的处理结果如下：
1.性别：
adjustedR2＝0.001724，P<0.001。
2.年龄：尝试以下六种情况：
对年龄不做任何处理，直接导入模型：adjusted R2＝0.05086，P<0.001；
对年龄不做任何处理，但是将年龄的三次样条形式(3个节点)导入模型：adjustedR2＝0.05557，P<0.001；
对年龄不做任何处理，但是将年龄的三次样条形式(5个节点)导入模型：adjustedR2＝0.0634，P<0.001；
对年龄进行log变换，直接导入模型：adjusted R2＝0.04472，P<0.001；
对年龄进行log变换，将年龄的三次样条形式(3个节点)导入模型：adjustedR2＝0.05442，P<0.001；
对年龄进行log变换，将年龄的三次样条形式(5个节点)导入模型：adjustedR2＝0.05667，P<0.001。
3.身高：尝试以下六种情况：
对身高不做任何处理，直接导入模型：adjustedR2＝-0.0002757，P＝0.859；
对身高不做任何处理，但是将身高的三次样条形式(3个节点)导入模型：adjustedR2＝-0.0005599，P＝0.983；
对身高不做任何处理，但是将身高的三次样条形式(5个节点)导入模型：adjustedR2＝0.001871，P＝0.0318；
对身高进行log变换，直接导入模型：adjusted R2＝-0.000186，P＝0.558；
对身高进行log变换，将身高的三次样条形式(3个节点)导入模型：adjustedR2＝-0.0002775，P＝0.8733；
对身高进行log变换，将身高的三次样条形式(5个节点)导入模型：adjustedR2＝0.001814，P＝0.0346。
4.体重：尝试以下六种情况：
对体重不做任何处理，直接导入模型：adjustedR2＝-0.0002724，P＝0.8353；
对体重不做任何处理，但是将体重的三次样条形式(3个节点)导入模型：adjustedR2＝0.0001307，P＝0.293；
对体重不做任何处理，但是将体重的三次样条形式(5个节点)导入模型：adjustedR2＝-0.0002001，P＝0.5094；
对体重进行log变换，直接导入模型：adjustedR2＝-0.0002797，P＝0.914；
对体重进行log变换，将体重的三次样条形式(3个节点)导入模型：adjustedR2＝0.0002654，P＝0.2309；
对体重进行log变换，将体重的三次样条形式(5个节点)导入模型：adjustedR2＝-0.0001354，P＝0.4743。
5.肌酐：尝试以下六种情况：
对肌酐不做任何处理，直接导入模型：adjusted R2＝0.506，P<0.001；
对肌酐不做任何处理，但是将肌酐的三次样条形式(3个节点)导入模型：adjustedR2＝0.6891，P<0.001；
对肌酐不做任何处理，但是将肌酐的三次样条形式(5个节点)导入模型：adjustedR2＝0.6897，P<0.001；
对肌酐进行log变换，直接导入模型：adjusted R2＝0.6759，P<0.001；
对肌酐进行log变换，将肌酐的三次样条形式(3个节点)导入模型：adjustedR2＝0.6766，P<0.001；
对肌酐进行log变换，将肌酐的三次样条形式(5个节点)导入模型：adjustedR2＝0.6893，P<0.001。
6.胱抑素C：尝试以下六种情况：
对胱抑素C不做任何处理，直接导入模型：adjustedR2＝0.3359，P<0.001；
对胱抑素C不做任何处理，但是将胱抑素C的三次样条形式(3个节点)导入模型：adjustedR2＝0.3902，P<0.001；
对胱抑素C不做任何处理，但是将胱抑素C的三次样条形式(5个节点)导入模型：adjustedR2＝0.4183，P<0.001；
7.α1微球蛋白：尝试以下六种情况：
对α1微球蛋白不做任何处理，直接导入模型：adjustedR2＝0.2511，P<0.001；
对α1微球蛋白不做任何处理，但是将α1微球蛋白的三次样条形式(3个节点)导入模型：adjustedR2＝0.2552，P<0.001；
对α1微球蛋白不做任何处理，但是将α1微球蛋白的三次样条形式(5个节点)导入模型：adjustedR2＝0.2621，P<0.001。
8.β2微球蛋白：尝试以下六种情况：
对β2微球蛋白不做任何处理，直接导入模型：adjustedR2＝0.2998，P<0.001；
对β2微球蛋白不做任何处理，但是将β2微球蛋白的三次样条形式(3个节点)导入模型：adjustedR2＝0.4009，P<0.001；
对β2微球蛋白不做任何处理，但是将β2微球蛋白的三次样条形式(5个节点)导入模型：adjustedR2＝0.4028，P<0.001；
对β2微球蛋白进行log变换，直接导入模型：adjustedR2＝0.2781，P<0.001；
对β2微球蛋白进行log变换，将β2微球蛋白的三次样条形式(3个节点)导入模型：adjustedR2＝0.3153，P<0.001；
对β2微球蛋白进行log变换，将β2微球蛋白的三次样条形式(5个节点)导入模型：adjustedR2＝0.4112，P<0.001。
9.二氧化碳结合力：尝试以下六种情况：
对二氧化碳结合力不做任何处理，直接导入模型：adjusted R2＝0.1932，P<0.001；
对二氧化碳结合力不做任何处理，但是将二氧化碳结合力的三次样条形式(3个节点)导入模型：adjustedR2＝0.2028，P<0.001；
对二氧化碳结合力不做任何处理，但是将二氧化碳结合力的三次样条形式(5个节点)导入模型：adjustedR2＝0.2165，P<0.001；
对二氧化碳结合力进行log变换，直接导入模型：adjusted R2＝0.1923，P<0.001；
对二氧化碳结合力进行log变换，将二氧化碳结合力的三次样条形式(3个节点)导入模型：adjustedR2＝0.3153，P<0.001；
对二氧化碳结合力进行log变换，将二氧化碳结合力的三次样条形式(5个节点)导入模型：adjustedR2＝0.2165，P<0.001。
10.氯：尝试以下六种情况：
对氯不做任何处理，直接导入模型：adjusted R2＝0.03567，P<0.001；
对氯不做任何处理，但是将氯的三次样条形式(3个节点)导入模型：adjustedR2＝0.08221，P<0.001；
对氯不做任何处理，但是将氯的三次样条形式(5个节点)导入模型：adjustedR2＝0.09426，P<0.001；
对氯进行log变换，直接导入模型：adjustedR2＝0.03276，P<0.001；
对氯进行log变换，将氯的三次样条形式(3个节点)导入模型：adjustedR2＝0.08426，P<0.001；
对氯进行log变换，将氯的三次样条形式(5个节点)导入模型：adjustedR2＝0.09415，P<0.001。
11.阴离子间隙：尝试以下六种情况：
对阴离子间隙不做任何处理，直接导入模型：adjusted R2＝0.06707，P<0.001；
对阴离子间隙不做任何处理，但是将阴离子间隙的三次样条形式(3个节点)导入模型：adjustedR2＝0.07068，P<0.001；
对阴离子间隙不做任何处理，但是将阴离子间隙的三次样条形式(5个节点)导入模型：adjustedR2＝0.07344，P<0.001；
对阴离子间隙进行log变换，直接导入模型：adjustedR2＝0.05462，P<0.001；
对阴离子间隙进行log变换，将阴离子间隙的三次样条形式(3个节点)导入模型：adjustedR2＝0.07197，P<0.001；
对阴离子间隙进行log变换，将阴离子间隙的三次样条形式(5个节点)导入模型：adjustedR2＝0.07352，P<0.001。
12.丙氨酸氨基转移酶：尝试以下三种情况(有些患者该指标值为0，不能进行log变换，因此只有三种情况)：
对丙氨酸氨基转移酶不做任何处理，直接导入模型：adjusted R2＝0.00606，P<0.001；
对丙氨酸氨基转移酶不做任何处理，但是将丙氨酸氨基转移酶的三次样条形式(3个节点)导入模型：adjustedR2＝0.05961，P<0.001；
对丙氨酸氨基转移酶不做任何处理，但是将丙氨酸氨基转移酶的三次样条形式(5个节点)导入模型：adjustedR2＝0.06038，P<0.001；
13.天门冬氨酸氨基转移酶：尝试以下六种情况：
对天门冬氨酸氨基转移酶不做任何处理，直接导入模型：adjusted R2＝0.001622，P＝0.01035；
对天门冬氨酸氨基转移酶不做任何处理，但是将天门冬氨酸氨基转移酶的三次样条形式(3个节点)导入模型：adjusted R2＝0.05747，P<0.001；
对天门冬氨酸氨基转移酶不做任何处理，但是将天门冬氨酸氨基转移酶的三次样条形式(5个节点)导入模型：adjusted R2＝0.05874，P<0.001；
对天门冬氨酸氨基转移酶进行log变换，直接导入模型：adjusted R2＝0.02538，P<0.001；
对天门冬氨酸氨基转移酶进行log变换，将天门冬氨酸氨基转移酶的三次样条形式(3个节点)导入模型：adjustedR2＝0.05815，P<0.001；
对天门冬氨酸氨基转移酶进行log变换，将天门冬氨酸氨基转移酶的三次样条形式(5个节点)导入模型：adjustedR2＝0.05853，P<0.001。
14.总胆红素：尝试以下六种情况：
对总胆红素不做任何处理，直接导入模型：adjustedR2＝0.1001，P<0.001；
对总胆红素不做任何处理，但是将总胆红素的三次样条形式(3个节点)导入模型：adjustedR2＝0.1529，P<0.001；
对总胆红素不做任何处理，但是将总胆红素的三次样条形式(5个节点)导入模型：adjustedR2＝0.1578，P<0.001；
对总胆红素进行log变换，直接导入模型：adjustedR2＝0.1496，P<0.001；
对总胆红素进行log变换，将总胆红素的三次样条形式(3个节点)导入模型：adjustedR2＝0.1511，P<0.001；
对总胆红素进行log变换，将总胆红素的三次样条形式(5个节点)导入模型：adjustedR2＝0.1572，P<0.001。
15.总蛋白：尝试以下六种情况：
对总蛋白不做任何处理，直接导入模型：adjustedR2＝0.07843，P<0.001；
对总蛋白不做任何处理，但是将总蛋白的三次样条形式(3个节点)导入模型：adjustedR2＝0.07836，P<0.001；
对总蛋白不做任何处理，但是将总蛋白的三次样条形式(5个节点)导入模型：adjustedR2＝0.1092，P<0.001；
对总蛋白进行log变换，直接导入模型：adjusted R2＝0.06812，P<0.001；
对总蛋白进行log变换，将总蛋白的三次样条形式(3个节点)导入模型：adjustedR2＝0.07547，P<0.001；
对总蛋白进行log变换，将总蛋白的三次样条形式(5个节点)导入模型：adjustedR2＝0.1096，P<0.001。
16.白球蛋白比值：尝试以下六种情况：
对白球蛋白比值不做任何处理，直接导入模型：adjusted R2＝0.01815，P<0.001；
对白球蛋白比值不做任何处理，但是将白球蛋白比值的三次样条形式(3个节点)导入模型：adjustedR2＝0.01981，P<0.001；
对白球蛋白比值不做任何处理，但是将白球蛋白比值的三次样条形式(5个节点)导入模型：adjustedR2＝0.02122，P<0.001；
对白球蛋白比值进行log变换，直接导入模型：adjusted R2＝0.01499，P<0.001；
对白球蛋白比值进行log变换，将白球蛋白比值的三次样条形式(3个节点)导入模型：adjustedR2＝0.02084，P<0.001；
对白球蛋白比值进行log变换，将白球蛋白比值的三次样条形式(5个节点)导入模型：adjustedR2＝0.02153，P<0.001。
17.直接胆红素：尝试以下三种情况(有些患者该指标值为0，不能进行log变换，因此只有三种情况)：
对直接胆红素不做任何处理，直接导入模型：adjusted R2＝0.06086，P<0.001；
对直接胆红素不做任何处理，但是将直接胆红素的三次样条形式(3个节点)导入模型：adjustedR2＝0.1664，P<0.001；
对直接胆红素不做任何处理，但是将直接胆红素的三次样条形式(5个节点)导入模型：adjustedR2＝0.1717，P<0.001。
18.球蛋白：尝试以下六种情况：
对球蛋白不做任何处理，直接导入模型：adjustedR2＝0.007871，P<0.001；
对球蛋白不做任何处理，但是将球蛋白的三次样条形式(3个节点)导入模型：adjustedR2＝0.009743，P<0.001；
对球蛋白不做任何处理，但是将球蛋白的三次样条形式(5个节点)导入模型：adjustedR2＝0.00925，P<0.001；
对球蛋白进行log变换，直接导入模型：adjusted R2＝0.009123，P<0.001；
对球蛋白进行log变换，将球蛋白的三次样条形式(3个节点)导入模型：adjustedR2＝0.009813，P<0.001；
对球蛋白进行log变换，将球蛋白的三次样条形式(5个节点)导入模型：adjustedR2＝0.009327，P<0.001。
19.总胆汁酸：尝试以下三种情况(有些患者该指标值为0，不能进行log变换，因此只有三种情况)：
对总胆汁酸不做任何处理，直接导入模型：adjustedR2＝0.001948，P＝0.005507；
对总胆汁酸不做任何处理，但是将总胆汁酸的三次样条形式(3个节点)导入模型：adjustedR2＝0.009429，P<0.001；
对总胆汁酸不做任何处理，但是将总胆汁酸的三次样条形式(5个节点)导入模型：adjustedR2＝0.009081，P<0.001；
20.酸碱度：尝试以下六种情况：
对酸碱度不做任何处理，直接导入模型：adjustedR2＝0.03734，P<0.001；
对酸碱度不做任何处理，但是将酸碱度的三次样条形式(3个节点)导入模型：adjustedR2＝0.08096，P<0.001；
对酸碱度不做任何处理，但是将酸碱度的三次样条形式(5个节点)导入模型：adjustedR2＝0.08329，P<0.001；
对酸碱度进行log变换，直接导入模型：adjusted R2＝0.04333，P<0.001；
对酸碱度进行log变换，将酸碱度的三次样条形式(3个节点)导入模型：adjustedR2＝0.08202，P<0.001；
对酸碱度进行log变换，将酸碱度的三次样条形式(5个节点)导入模型：adjustedR2＝0.08323，P<0.001。
21.高密度脂蛋白胆固醇：尝试以下六种情况：
对高密度脂蛋白胆固醇不做任何处理，直接导入模型：adjusted R2＝0.0125，P<0.001；
对高密度脂蛋白胆固醇不做任何处理，但是将高密度脂蛋白胆固醇的三次样条形式(3个节点)导入模型：adjustedR2＝0.01606，P<0.001；
对高密度脂蛋白胆固醇不做任何处理，但是将高密度脂蛋白胆固醇的三次样条形式(5个节点)导入模型：adjustedR2＝0.01866，P<0.001；
对高密度脂蛋白胆固醇进行log变换，直接导入模型：adjusted R2＝0.01575，P<0.001；
对高密度脂蛋白胆固醇进行log变换，将高密度脂蛋白胆固醇的三次样条形式(3个节点)导入模型：adjustedR2＝0.01545，P<0.001；
对高密度脂蛋白胆固醇进行log变换，将高密度脂蛋白胆固醇的三次样条形式(5个节点)导入模型：adjustedR2＝0.01853，P<0.001。
22.低密度脂蛋白胆固醇：尝试以下六种情况：
对低密度脂蛋白胆固醇不做任何处理，直接导入模型：adjusted R2＝0.03205，P<0.001；
对低密度脂蛋白胆固醇不做任何处理，但是将低密度脂蛋白胆固醇的三次样条形式(3个节点)导入模型：adjustedR2＝0.04803，P<0.001；
对低密度脂蛋白胆固醇不做任何处理，但是将低密度脂蛋白胆固醇的三次样条形式(5个节点)导入模型：adjustedR2＝0.04802，P<0.001；
对低密度脂蛋白胆固醇进行log变换，直接导入模型：adjusted R2＝0.04295，P<0.001；
对低密度脂蛋白胆固醇进行log变换，将低密度脂蛋白胆固醇的三次样条形式(3个节点)导入模型：adjustedR2＝0.04764，P<0.001；
对低密度脂蛋白胆固醇进行log变换，将低密度脂蛋白胆固醇的三次样条形式(5个节点)导入模型：adjustedR2＝0.04738，P<0.001。
23.甘油三酯：尝试以下六种情况：
对甘油三酯不做任何处理，直接导入模型：adjusted R2＝-0.0003292，P＝0.8522；
对甘油三酯不做任何处理，但是将甘油三酯的三次样条形式(3个节点)导入模型：adjustedR2＝-0.0003444，P＝0.6096；
对甘油三酯不做任何处理，但是将甘油三酯的三次样条形式(5个节点)导入模型：adjustedR2＝0.002562，P＝0.02135；
对甘油三酯进行log变换，直接导入模型：adjustedR2＝-0.0002077，P＝0.5138；
对甘油三酯进行log变换，将甘油三酯的三次样条形式(3个节点)导入模型：adjustedR2＝0.001464，P＝0.043；
对甘油三酯进行log变换，将甘油三酯的三次样条形式(5个节点)导入模型：adjustedR2＝0.004809，P＝0.001。
24.高密度胆固醇比总胆固醇：尝试以下六种情况：
对高密度胆固醇比总胆固醇不做任何处理，直接导入模型：adjustedR2＝-0.0001592，P＝0.4652；
对高密度胆固醇比总胆固醇不做任何处理，但是将高密度胆固醇比总胆固醇的三次样条形式(3个节点)导入模型：adjusted R2＝-0.0000925，P＝0.4214；
对高密度胆固醇比总胆固醇不做任何处理，但是将高密度胆固醇比总胆固醇的三次样条形式(5个节点)导入模型：adjusted R2＝-0.0001707，P＝0.478；
对高密度胆固醇比总胆固醇进行log变换，直接导入模型：adjusted R2＝-0.0002997，P＝0.7267；
对高密度胆固醇比总胆固醇进行log变换，将高密度胆固醇比总胆固醇的三次样条形式(3个节点)导入模型：adjustedR2＝-0.0003482，P＝0.6126；
对高密度胆固醇比总胆固醇进行log变换，将高密度胆固醇比总胆固醇的三次样条形式(5个节点)导入模型：adjustedR2＝-0.000699，P＝0.7443。
25.总胆固醇：尝试以下六种情况：
对总胆固醇不做任何处理，直接导入模型：adjustedR2＝0.01744，P<0.001；
对总胆固醇不做任何处理，但是将总胆固醇的三次样条形式(3个节点)导入模型：adjustedR2＝0.04103，P<0.001；
对总胆固醇不做任何处理，但是将总胆固醇的三次样条形式(5个节点)导入模型：adjustedR2＝0.04161，P<0.001；
对总胆固醇进行log变换，直接导入模型：adjustedR2＝0.02621，P<0.001；
对总胆固醇进行log变换，将总胆固醇的三次样条形式(3个节点)导入模型：adjustedR2＝0.04261，P<0.001；
对总胆固醇进行log变换，将总胆固醇的三次样条形式(5个节点)导入模型：adjustedR2＝0.0419，P<0.001。
26.血糖：尝试以下六种情况：
对血糖不做任何处理，直接导入模型：adjusted R2＝0.001029，P＝0.04631；
对血糖不做任何处理，但是将血糖的三次样条形式(3个节点)导入模型：adjustedR2＝0.02216，P<0.001；
对血糖不做任何处理，但是将血糖的三次样条形式(5个节点)导入模型：adjustedR2＝0.02334，P<0.001；
对血糖进行log变换，直接导入模型：adjustedR2＝0.0052，P<0.001；
对血糖进行log变换，将血糖的三次样条形式(3个节点)导入模型：adjustedR2＝0.02369，P<0.001；
对血糖进行log变换，将血糖的三次样条形式(5个节点)导入模型：adjustedR2＝0.02324，P<0.001。
27.凝血酶原时间：尝试以下六种情况：
对凝血酶原时间不做任何处理，直接导入模型：adjusted R2＝0.0447，P<0.001；
对凝血酶原时间不做任何处理，但是将凝血酶原时间的三次样条形式(3个节点)导入模型：adjustedR2＝0.04555，P<0.001；
对凝血酶原时间不做任何处理，但是将凝血酶原时间的三次样条形式(5个节点)导入模型：adjustedR2＝0.04624，P<0.001；
对凝血酶原时间进行log变换，直接导入模型：adjustedR2＝0.0435，P<0.001；
对凝血酶原时间进行log变换，将凝血酶原时间的三次样条形式(3个节点)导入模型：adjustedR2＝0.04728，P<0.001；
对凝血酶原时间进行log变换，将凝血酶原时间的三次样条形式(5个节点)导入模型：adjustedR2＝0.04687，P<0.001。
28.活化部分凝血活酶时间：尝试以下六种情况：
对活化部分凝血活酶时间不做任何处理，直接导入模型：adjusted R2＝0.009182，P<0.001；
对活化部分凝血活酶时间不做任何处理，但是将活化部分凝血活酶时间的三次样条形式(3个节点)导入模型：adjusted R2＝0.009487，P<0.001；
对活化部分凝血活酶时间不做任何处理，但是将活化部分凝血活酶时间的三次样条形式(5个节点)导入模型：adjusted R2＝0.009579，P<0.001；
对活化部分凝血活酶时间进行log变换，直接导入模型：adjusted R2＝0.008434，P<0.001；
对活化部分凝血活酶时间进行log变换，将活化部分凝血活酶时间的三次样条形式(3个节点)导入模型：adjustedR2＝0.01029，P<0.001；
对活化部分凝血活酶时间进行log变换，将活化部分凝血活酶时间的三次样条形式(5个节点)导入模型：adjustedR2＝0.01032，P<0.001。
29.凝血酶时间：尝试以下六种情况：
对凝血酶时间不做任何处理，直接导入模型：adjusted R2＝0.0002221，P＝0.2082；
对凝血酶时间不做任何处理，但是将凝血酶时间的三次样条形式(3个节点)导入模型：adjustedR2＝0.001047，P＝0.09283；
对凝血酶时间不做任何处理，但是将凝血酶时间的三次样条形式(5个节点)导入模型：adjustedR2＝0.008194，P<0.001；
对凝血酶时间进行log变换，直接导入模型：adjusted R2＝0.0002001，P＝0.2167；
对凝血酶时间进行log变换，将凝血酶时间的三次样条形式(3个节点)导入模型：adjustedR2＝0.00203，P＝0.02539；
对凝血酶时间进行log变换，将凝血酶时间的三次样条形式(5个节点)导入模型：adjustedR2＝0.007909，P<0.001。
30.红细胞：尝试以下六种情况：
对红细胞不做任何处理，直接导入模型：adjusted R2＝0.3747，P<0.001；
对红细胞不做任何处理，但是将红细胞的三次样条形式(3个节点)导入模型：adjustedR2＝0.3912，P<0.001；
对红细胞不做任何处理，但是将红细胞的三次样条形式(5个节点)导入模型：adjustedR2＝0.402，P<0.001；
对红细胞进行log变换，直接导入模型：adjusted R2＝0.3825，P<0.001；
对红细胞进行log变换，将红细胞的三次样条形式(3个节点)导入模型：adjustedR2＝0.3824，P<0.001；
对红细胞进行log变换，将红细胞的三次样条形式(5个节点)导入模型：adjustedR2＝0.4017，P<0.001。
31.白细胞：尝试以下六种情况：
对白细胞不做任何处理，直接导入模型：adjustedR2＝-0.0001131，P＝0.4356；
对白细胞不做任何处理，但是将白细胞的三次样条形式(3个节点)导入模型：adjustedR2＝0.001548，P＝0.02515；
对白细胞不做任何处理，但是将白细胞的三次样条形式(5个节点)导入模型：adjustedR2＝0.002758，P＝0.008828；
对白细胞进行log变换，直接导入模型：adjusted R2＝0.001541，P＝0.01178；
对白细胞进行log变换，将白细胞的三次样条形式(3个节点)导入模型：adjustedR2＝0.002117，P＝0.009372；
对白细胞进行log变换，将白细胞的三次样条形式(5个节点)导入模型：adjustedR2＝0.00256，P＝0.01189。
32.平均红细胞体积：尝试以下六种情况：
对平均红细胞体积不做任何处理，直接导入模型：adjusted R2＝0.0126，P<0.001；
对平均红细胞体积不做任何处理，但是将平均红细胞体积的三次样条形式(3个节点)导入模型：adjustedR2＝0.02267，P<0.001；
对平均红细胞体积不做任何处理，但是将平均红细胞体积的三次样条形式(5个节点)导入模型：adjustedR2＝0.02306，P<0.001；
对平均红细胞体积进行log变换，直接导入模型：adjusted R2＝0.01095，P<0.001；
对平均红细胞体积进行log变换，将平均红细胞体积的三次样条形式(3个节点)导入模型：adjustedR2＝0.0224，P<0.001；
对平均红细胞体积进行log变换，将平均红细胞体积的三次样条形式(5个节点)导入模型：adjustedR2＝0.02308，P<0.001。
33.平均红细胞血红蛋白含量：尝试以下六种情况：
对平均红细胞血红蛋白含量不做任何处理，直接导入模型：adjustedR2＝-0.0001548，P＝0.4959；
对平均红细胞血红蛋白含量不做任何处理，但是将平均红细胞血红蛋白含量的三次样条形式(3个节点)导入模型：adjusted R2＝-0.00008191，P＝0.4241；
对平均红细胞血红蛋白含量不做任何处理，但是将平均红细胞血红蛋白含量的三次样条形式(5个节点)导入模型：adjusted R2＝0.0007458，P＝0.1597；
对平均红细胞血红蛋白含量进行log变换，直接导入模型：adjusted R2＝-0.0001215，P＝0.4467；
对平均红细胞血红蛋白含量进行log变换，将平均红细胞血红蛋白含量的三次样条形式(3个节点)导入模型：adjustedR2＝-0.00006651，P＝0.3279；
对平均红细胞血红蛋白含量进行log变换，将平均红细胞血红蛋白含量的三次样条形式(5个节点)导入模型：adjustedR2＝0.0005492，P＝0.2066。
34.平均红细胞血红蛋白浓度：尝试以下六种情况：
对平均红细胞血红蛋白浓度不做任何处理，直接导入模型：adjustedR2＝0.02017，P<0.001；
对平均红细胞血红蛋白浓度不做任何处理，但是将平均红细胞血红蛋白浓度的三次样条形式(3个节点)导入模型：adjusted R2＝0.02356，P<0.001；
对平均红细胞血红蛋白浓度不做任何处理，但是将平均红细胞血红蛋白浓度的三次样条形式(5个节点)导入模型：adjusted R2＝0.02177，P<0.001；
对平均红细胞血红蛋白浓度进行log变换，直接导入模型：adjusted R2＝0.02177，P<0.001；
对平均红细胞血红蛋白浓度进行log变换，将平均红细胞血红蛋白浓度的三次样条形式(3个节点)导入模型：adjusted R2＝0.02327，P<0.001；
对平均红细胞血红蛋白浓度进行log变换，将平均红细胞血红蛋白浓度的三次样条形式(5个节点)导入模型：adjusted R2＝0.03741，P<0.001。
35.红细胞分布宽度：尝试以下六种情况：
对红细胞分布宽度不做任何处理，直接导入模型：adjusted R2＝0.02258，P<0.001；
对红细胞分布宽度不做任何处理，但是将红细胞分布宽度的三次样条形式(3个节点)导入模型：adjustedR2＝0.03466，P<0.001；
对红细胞分布宽度不做任何处理，但是将红细胞分布宽度的三次样条形式(5个节点)导入模型：adjustedR2＝0.04839，P<0.001；
对红细胞分布宽度进行log变换，直接导入模型：adjusted R2＝0.02724，P<0.001；
对红细胞分布宽度进行log变换，将红细胞分布宽度的三次样条形式(3个节点)导入模型：adjustedR2＝0.03379，P<0.001；
对红细胞分布宽度进行log变换，将红细胞分布宽度的三次样条形式(5个节点)导入模型：adjustedR2＝0.04874，P<0.001。
36.血小板：尝试以下六种情况：
对血小板不做任何处理，直接导入模型：adjusted R2＝0.0439，P<0.001；
对血小板不做任何处理，但是将血小板比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.06016，P<0.001；
对血小板不做任何处理，但是将血小板比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.05981，P<0.001；
对血小板进行log变换，直接导入模型：adjusted R2＝0.0544，P<0.001；
对血小板进行log变换，将血小板比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.05675，P<0.001；
对血小板进行log变换，将血小板比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.05893，P<0.001。
37.血小板分布宽度：尝试以下六种情况：
对血小板分布宽度不做任何处理，直接导入模型：adjusted R2＝0.003007，P＝0.00167；
对血小板分布宽度不做任何处理，但是将血小板分布宽度比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.002722，P＝0.006614；
对血小板分布宽度不做任何处理，但是将血小板分布宽度比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.008886，P<0.001；
对血小板分布宽度进行log变换，直接导入模型：adjusted R2＝0.003122，P＝0.001387；
对血小板分布宽度进行log变换，将血小板分布宽度比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.002832，P＝0.005624；
对血小板分布宽度进行log变换，将血小板分布宽度比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.009127，P<0.001。
38.血小板平均体积：尝试以下六种情况：
对血小板平均体积不做任何处理，直接导入模型：adjusted R2＝0.0002077，P＝0.1914；
对血小板平均体积不做任何处理，但是将血小板平均体积比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.0005706，P＝0.1393；
对血小板平均体积不做任何处理，但是将血小板平均体积比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.001906，P＝0.03291；
对血小板平均体积进行log变换，直接导入模型：adjusted R2＝0.0003293，P＝0.1453；
对血小板平均体积进行log变换，将血小板平均体积比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.0008483，P＝0.0868；
对血小板平均体积进行log变换，将血小板平均体积比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.001822，P＝0.03711。
39.淋巴细胞百分比：尝试以下六种情况：
对淋巴细胞百分比不做任何处理，直接导入模型：adjusted R2＝0.08034，P<0.001；
对淋巴细胞百分比不做任何处理，但是将淋巴细胞百分比比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.08063，P<0.001；
对淋巴细胞百分比不做任何处理，但是将淋巴细胞百分比比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.08708，P<0.001；
对淋巴细胞百分比进行log变换，直接导入模型：adjusted R2＝0.06379，P<0.001；
对淋巴细胞百分比进行log变换，将淋巴细胞百分比比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.08432，P<0.001；
对淋巴细胞百分比进行log变换，将淋巴细胞百分比比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.08761，P<0.001。
40.中性粒细胞百分比：尝试以下六种情况：
对中性粒细胞百分比不做任何处理，直接导入模型：adjusted R2＝0.07216，P<0.001；
对中性粒细胞百分比不做任何处理，但是将中性粒细胞百分比比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.07252，P<0.001；
对中性粒细胞百分比不做任何处理，但是将中性粒细胞百分比比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.0854，P<0.001；
对中性粒细胞百分比进行log变换，直接导入模型：adjustedR2＝0.06474，P<0.001；
对中性粒细胞百分比进行log变换，将中性粒细胞百分比比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.06757，P<0.001；
对中性粒细胞百分比进行log变换，将中性粒细胞百分比比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.08535，P<0.001。
41.单核细胞百分比：尝试以下六种情况：
对单核细胞百分比不做任何处理，直接导入模型：adjusted R2＝0.01475，P<0.001；
对单核细胞百分比不做任何处理，但是将单核细胞百分比比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.01774，P<0.001；
对单核细胞百分比不做任何处理，但是将单核细胞百分比比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.02201，P<0.001；
对单核细胞百分比进行log变换，直接导入模型：adjusted R2＝0.01485，P<0.001；
对单核细胞百分比进行log变换，将单核细胞百分比比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.01486，P<0.001；
对单核细胞百分比进行log变换，将单核细胞百分比比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.02167，P<0.001。
42.嗜酸细胞百分比：尝试以下三种情况：
对嗜酸细胞百分比不做任何处理，直接导入模型：adjusted R2＝0.000194，P＝0.196；
对嗜酸细胞百分比不做任何处理，但是将嗜酸细胞百分比比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.0031，P＝0.001702；
对嗜酸细胞百分比不做任何处理，但是将嗜酸细胞百分比比积的三次样条形式(5个节点)导入模型：adjusted R2＝0.004942，P＝0.0002958；
嗜酸细胞百分比有很多为0，不能做对数处理。
43.嗜碱细胞百分比：尝试以下三种情况：
对嗜碱细胞百分比不做任何处理，直接导入模型：adjusted R2＝-0.0002863，P＝0.9296；
对嗜碱细胞百分比不做任何处理，但是将嗜碱细胞百分比比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.003939，P<0.001；
对嗜碱细胞百分比不做任何处理，但是将嗜碱细胞百分比比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.003689，P＝0.002116；
嗜酸细胞百分比有很多为0，不能做对数处理。
44.尿素：尝试以下六种情况：
对尿素不做任何处理，直接导入模型：adjusted R2＝0.4745，P<0.001；
对尿素不做任何处理，但是将尿素比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.5853，P<0.001；
对尿素不做任何处理，但是将尿素比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.6015，P<0.001；
对尿素进行log变换，直接导入模型：adjustedR2＝0.565，P<0.001；
对尿素进行log变换，将尿素比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.5656，P<0.001；
对尿素进行log变换，将尿素比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.6023，P<0.001。
45.尿酸：尝试以下六种情况：
对尿酸不做任何处理，直接导入模型：adjusted R2＝0.2124，P<0.001；
对尿酸不做任何处理，但是将尿酸比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.2125，P<0.001；
对尿酸不做任何处理，但是将尿酸比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.2364，P<0.001；
对尿酸进行log变换，直接导入模型：adjusted R2＝0.1865，P<0.001；
对尿酸进行log变换，将尿酸比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.2153，P<0.001；
对尿酸进行log变换，将尿酸比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.2371，P<0.001。
46.钾：尝试以下六种情况：
对钾不做任何处理，直接导入模型：adjusted R2＝0.03827，P<0.001；
对钾不做任何处理，但是将钾比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.07335，P<0.001；
对钾不做任何处理，但是将钾比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.07707，P<0.001；
对钾进行log变换，直接导入模型：adjustedR2＝0.03208，P<0.001；
对钾进行log变换，将钾比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.0762，P<0.001；
对钾进行log变换，将钾比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.07726，P<0.001。
47.钙：尝试以下六种情况：
对钙不做任何处理，直接导入模型：adjustedR2＝0.1779，P<0.001；
对钙不做任何处理，但是将钙比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.1899，P<0.001；
对钙不做任何处理，但是将钙比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.2007，P<0.001；
对钙进行log变换，直接导入模型：adjustedR2＝0.183，P<0.001；
对钙进行log变换，将钙比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.186，P<0.001；
对钙进行log变换，将钙比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.2007，P<0.001。
48.钠：尝试以下六种情况：
对钠不做任何处理，直接导入模型：adjustedR2＝0.0006422，P＝0.07265；
对钠不做任何处理，但是将钠的三次样条形式(3个节点)导入模型：adjustedR2＝0.01212，P<0.001；
对钠不做任何处理，但是将钠的三次样条形式(5个节点)导入模型：adjustedR2＝0.01398，P<0.001；
对钠进行log变换，直接导入模型：adjusted R2＝0.0007406，P＝0.05909；
对钠进行log变换，将钠的三次样条形式(3个节点)导入模型：adjustedR2＝0.01179，P<0.001；
对钠进行log变换，将钠的三次样条形式(5个节点)导入模型：adjustedR2＝0.01398，P<0.001。
49.白蛋白：尝试以下六种情况：
对白蛋白不做任何处理，直接导入模型：adjustedR2＝0.07653，P<0.001；
对白蛋白不做任何处理，但是将白蛋白比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.07776，P<0.001；
对白蛋白不做任何处理，但是将白蛋白比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.1217，P<0.001；
对白蛋白进行log变换，直接导入模型：adjusted R2＝0.06659，P<0.001；
对白蛋白进行log变换，将白蛋白比积的三次样条形式(3个节点)导入模型：adjustedR2＝0.08172，P<0.001；
对白蛋白进行log变换，将白蛋白比积的三次样条形式(5个节点)导入模型：adjustedR2＝0.121，P<0.001。
本具体实施方式还包括对获取肾小球滤过率的第三模型的性能进一步验证，以下第三模型也称为湘雅公式，具体如下：
1、验证开发队列(训练集)和内部验证队列(验证集)中第三模型的性能
需要说明的是，某个医院的人群可以按不同mGFR水平划分得到的三个组别，包括mGFR<60mL/min/1.73m2，60mL/min/1.73m2≤mGFR<90mL/min/1.73m2以及mGFR≥90mL/min/1.73m2一共三个亚组。还可以按照年龄分组得到老年组(年龄大于等于60岁)和非老年组(年龄小于60岁)，也可以按照性别分组分为女性亚组和男性亚组。
如表1，表2和表3所示，在第三模型的验证中，表1-3的住院患者与门诊患者均来自TXH医院,采用TXH中心的住院患者数据建立公式，而在内部验证中验证了另一部分TXH的住院患者和门诊患者。从而更全面地反映患者情况，减小病人选择偏倚。整个队列中的住院患者队列，开发队列和内部验证队列的平均mGFR分别是71.03±23.99mL/min/1.73m2,71.32±23.96mL/min/1.73m2,以及70.40±24.05mL/min/1.73m2。P30分别是79.42％，79.42％，84.33％，符合2002年K/DOQI指南对P30≥75％的要求。在60mL/min/1.73m2≤mGFR<90mL/min/1.73m2和mGFR≥90mL/min/1.73m2亚组人群中时，新公式的P30分别为91.74％和83.37％，在不同性别当中，第三模型的性能也很好，男性亚组的P30为77.69％，女性亚组的P30为80.84％。如表4所示，在老年人群当中，偏差仅为0.20。在门诊患者当中P30为86.55％，总之，通过第三模型获取肾小球滤过率的准确度高，性能良好。
表1湘雅公式在开发和内部验证队列中的性能
表2不同mGFR水平时湘雅公式与已有其他eGFR公式在TXH医院住院患者中的性能比较
表3不同性别时湘雅公式与已有其他eGFR公式在TXH医院住院患者中的性能比较
表4不同年龄(老年/非老年)时湘雅公式与已有其他eGFR公式在TXH医院住院患者中的性能比较
2、外部验证中的湘雅公式性能
在外部验证的SXH医院队列当中以及各个亚组队列当中，第三模型的准确度都符合指南的标准(P30＞75％)，在整个队列当中第三模型的P30为75.19％。在60mL/min/1.73m2≤mGFR<90mL/min/1.73m2的人群当中，P30达到93.85％。在FXH医院的住院患者当中湘雅公式也有很高的准确度(P30，77.02％)和精确度(IQR，17.63mL/min/1.73m2)，在60mL/min/1.73m2≤mGFR<90mL/min/1.73m2和mGFR≥90mL/min/1.73m2亚组人群中时，新公式的P30分别时91.15％和77.14％，在不同的性别和年龄亚组当中P30都大于75％。此外我们在维吾尔族的人群当中验证时，P30也高达76.49％，与汉族的结果类似(P30，77.30％)。结果表明湘雅公式在多中心大样本的外部验证队列不同的种族，性别、年龄的亚组当中性能表现良好。
3、与已有的公式性能进行比较
我们也与其他的eGFR公式性能进行了比较。通过PubMed搜索，收集了在亚洲人群中建立的基于肌酐计算的公式9个，同时比较了KDIGO指南中推荐的3个公式：C-G、MDRD以及CKD-EPI。
需要说明的是，图1-图5的箱形图中框内横线显表示中位数；方框的上下边距表示上下四分位数(Q3和Q1)；矩形两端边向外各一条线段直到不是异常值的最远点，表示该批数据正常值的分布区间，定义为：上下框边距±1.5×四分位间距；圆圈表示异常值。虚线表示mGFR＝60作为节点。框内横线与虚线越接近，表明该eGFR公式的中位数与mGFR值越接近，则该公式越能反映GFR的真实水平。
图1-图5显示了不同不同医院的中国人群中不同函数表达式(包括湘雅公式，已有的中国或者亚洲和临床常用肌酐公式)获得的eGFR与mGFR进行比较的箱形图。TXH、SXH和FXH医院住院患者以及TXH门诊患者和SXH门诊患者的mGFR中位数分别为71.32mL/min/1.73m2、70.72mL/min/1.73m2、86.70mL/min/1.73m2、77.88mL/min/1.73m2和67.90mL/min/1.73m2。湘雅公式的中位数更接近mGFR，四分位间距(IQR)较小，表明其模型拟合效果优于其他方程。如表5所示，在TXH医院住院患者不同函数表达式获得的eGFR与mGFR进行比较的箱形图中，住院患者的P30水平以湘雅方程为最高，为79.21％，其次是新型改良MDRD公式(75.08％)，达到P30≥75％的标准。值得注意的是，当根据准确度对这些方程进行排序时，我们发现，在来自3个医院的几乎所有患者亚组中，湘雅公式都是第一。
表5湘雅公式与已有其他eGFR公式在纳入TXH医院的所有住院患者中的性能比较
总的来说，湘雅公式比现有公式更精确地估算中国人群的eGFR。
本具体实施方式还包括一种获取中国人群肾小球滤过率的模型在获取中国人群肾小球滤过率中的应用，所述模型根据上述所述的建立方法建立。
需要说明的是，本具体实施方式中所有分析结果采用R语言3.4.2(自由软件基金会，波士顿，马萨诸塞州)和SAS统计分析软件9.4(统计分析软件研究所，卡里，北卡罗来纳州)计算。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种获取中国人群肾小球滤过率的模型的建立方法，其特征在于，包括以下步骤：
S1、将病患已知的肾小球滤过率对应的多个候选自变量采用最小二乘法线性回归进行单因素分析，筛选出多个第一自变量；
S2、将多个所述第一自变量采用多元线性回归建模进行多元素分析，并简化所述第一自变量的数量建立第一模型，所述第一模型的函数表达式为GFR＝94047.95×0.8892828a×N-0.22630×C-0.52474×L-0.92495×H0.28309；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度；L表示氯离子的浓度；H表示红细胞的浓度。
2.根据权利要求1所述的获取中国人群肾小球滤过率的模型的建立方法，其特征在于，在步骤S2之后，还包括步骤S3：简化所述第一模型得到第二模型，所述第二模型的函数表达式为GFR＝1363.868×0.8823822a×N0.22910×C-0.53755×H0.28458；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度；H表示红细胞的浓度。
3.根据权利要求2所述的获取中国人群肾小球滤过率的模型的建立方法，其特征在于，在步骤S3之后还包括步骤S4：简化所述第二模型得到第三模型，所述第三模型的函数表达式为GFR＝2374.78×0.8526126a×N-0.25011×C-0.54753；其中，GFR表示肾小球滤过率；a是与性别相关的系数，当性别为男性时，a为0，当性别为女性时，a为1；N表示年龄；C表示肌酐的浓度。
4.根据权利要求1所述的获取中国人群肾小球滤过率的模型的建立方法，其特征在于，在步骤S1中，所述筛选出多个所述第一自变量是以P<0.010为标准，筛选出P<0.010的所述第一自变量，P表示检验所述第一自变量的显著性水平的参数。
5.根据权利要求1所述的获取中国人群肾小球滤过率的模型的建立方法，其特征在于，在步骤S1之前还包括将所述已知的肾小球滤过率进行log转换。
6.根据权利要求1所述的获取中国人群肾小球滤过率的模型的建立方法，其特征在于，在步骤S1中，将多个候选自变量采用最小二乘法线性回归进行单因素分析之前还包括将多个所述候选自变量进行log转换。
7.根据权利要求1所述的获取中国人群肾小球滤过率的模型的建立方法，其特征在于，在步骤S2中，所述简化所述第一自变量的数量建立第一模型具体包括：以R2、adjustedR2和AIC为判断标准从所述第一自变量中初步筛选出第二自变量，并将所述第二自变量根据R2从大到小进行排序，进一步筛选出排在前5的所述第二自变量并建立所述第一模型。
8.根据权利要求1所述的获取中国人群肾小球滤过率的模型的建立方法，其特征在于，多个所述候选自变量包括年龄、性别、胱抑素C、α1微球蛋白、β2微球蛋白、二氧化碳结合力、氯测定、阴离子间隙、丙氨酸氨基转移酶、天门冬氨酸氨基转移酶、总胆红素、总蛋白、白球蛋白比值、直接胆红素、球蛋白、总胆汁酸、酸碱度、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、甘油三酯、高密度胆固醇比总胆固醇、总胆固醇、白蛋白，血糖、凝血酶原时间、活化部分凝血活酶时间、凝血酶时间、红细胞、白细胞、血红蛋白、红细胞压积、平均红细胞体积、平均红细胞血红蛋白含量、平均红细胞血红蛋白浓度、淋巴细胞绝对值、中性粒细胞绝对值、中性粒细胞百分比、单核细胞绝对值、单核细胞百分比、嗜酸细胞绝对值，淋巴细胞百分比、嗜酸细胞百分比、嗜碱细胞绝对值、嗜碱细胞百分比、血小板变量、血小板分布宽度、血小板比积、血小板平均体积、红细胞分布宽度、血清钾离子浓度、血清钙离子浓度和血清钠离子浓度。
9.根据权利要求1所述的获取中国人群肾小球滤过率的模型的建立方法，其特征在于，多个所述第一自变量包括性别、年龄、身高、体重、肌酐、氯、天门冬氨酸氨基转移酶、总蛋白、球蛋白、平均红细胞血红蛋白浓度、总胆汁酸、红细胞、平均红细胞体积、单核细胞百分比和尿酸。
10.一种获取中国人群肾小球滤过率的模型在获取中国人群肾小球滤过率中的应用，其特征在于，所述模型根据权利要求1-9任一项所述的建立方法建立。
CN201811228080.0A 2018-10-22 2018-10-22 获取肾小球滤过率的模型的建立方法 Active CN109545377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811228080.0A CN109545377B (zh) 2018-10-22 2018-10-22 获取肾小球滤过率的模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811228080.0A CN109545377B (zh) 2018-10-22 2018-10-22 获取肾小球滤过率的模型的建立方法

Publications (2)

Publication Number Publication Date
CN109545377A true CN109545377A (zh) 2019-03-29
CN109545377B CN109545377B (zh) 2021-11-23

Family

ID=65844496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811228080.0A Active CN109545377B (zh) 2018-10-22 2018-10-22 获取肾小球滤过率的模型的建立方法

Country Status (1)

Country Link
CN (1) CN109545377B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232975A (zh) * 2019-05-20 2019-09-13 郑州大学第一附属医院 一种对糖尿病肾病患者3年内进入到肾脏替代治疗风险预测的方法
CN110491512A (zh) * 2019-08-08 2019-11-22 郑州大学第一附属医院 一种对肾活检确诊糖尿病肾病患者3年内进入到终末期肾脏病风险预测的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140308653A1 (en) * 2012-08-10 2014-10-16 Paragonix Technologies, Inc. Methods and systems for assessing ex-vivo organ health
CN105277723A (zh) * 2015-11-26 2016-01-27 北京大学第一医院 一种肾小球滤过率的检测系统
CN105705202A (zh) * 2013-09-05 2016-06-22 艾德克斯实验室公司 检测肾脏疾病的方法
CN106667513A (zh) * 2016-12-15 2017-05-17 袁小东 检测肾脏滤过功能的ct测量方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140308653A1 (en) * 2012-08-10 2014-10-16 Paragonix Technologies, Inc. Methods and systems for assessing ex-vivo organ health
CN105705202A (zh) * 2013-09-05 2016-06-22 艾德克斯实验室公司 检测肾脏疾病的方法
CN105277723A (zh) * 2015-11-26 2016-01-27 北京大学第一医院 一种肾小球滤过率的检测系统
CN106667513A (zh) * 2016-12-15 2017-05-17 袁小东 检测肾脏滤过功能的ct测量方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LESLEY A. STEVENS 等: "Evaluation of the Chronic Kidney Disease", 《HTTP://WWW.KIDNEY-INTERNATIONAL.ORG》 *
刘惠欣: "肾小球滤过率评估方程在南方汉族CKD患者中的适用性研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
孙婷婷: "估算肾小球滤过率公式的计算机模块创建及临床对比研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
陈云爽: "健康人新的GFR估算公式的建立及GFR随增龄下降危险因素分析", 《中国优秀博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232975A (zh) * 2019-05-20 2019-09-13 郑州大学第一附属医院 一种对糖尿病肾病患者3年内进入到肾脏替代治疗风险预测的方法
CN110491512A (zh) * 2019-08-08 2019-11-22 郑州大学第一附属医院 一种对肾活检确诊糖尿病肾病患者3年内进入到终末期肾脏病风险预测的方法

Also Published As

Publication number Publication date
CN109545377B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
US6063026A (en) Medical diagnostic analysis system
WO1997020496A9 (en) Medical diagnostic analysis system
CN109378072A (zh) 一种基于集成学习融合模型的异常空腹血糖值预警方法
US6273854B1 (en) Medical diagnostic analysis method and system
US11348687B2 (en) Personalizing a biomarker signal and medical procedures by determining plasma volume variation of one or more markers
CN112002412A (zh) 一种基于血常规数据推导疾病的系统、设备、存储介质
WO2012128435A1 (en) Significance parameter extraction method and its clinical decision support system for differential diagnosis of abdominal diseases based on entropy rough approximation technology
CN109585011A (zh) 胸痛患者的病症诊断方法及机器可读存储介质
CN109545377A (zh) 获取肾小球滤过率的模型的建立方法及应用
CN114220540A (zh) 一种糖尿病肾病风险预测模型的构建方法及应用
Wilson et al. Continuous reference curves for common hematology markers in the CALIPER cohort of healthy children and adolescents on the Sysmex XN‐3000 system
García-Pérez Converging to American: Healthy immigrant effect in children of immigrants
Bahr et al. Neonatal reference intervals for the complete blood count parameters MicroR and HYPO-He: sensitivity beyond the red cell indices for identifying microcytic and hypochromic disorders
Bracho Reference intervals of automated reticulocyte count and immature reticulocyte fraction in a pediatric population
US20220293210A1 (en) Single-cell modeling of clinical data to determine red blood cell regulation
Chandrasekharan et al. Statistical issues in small and large sample: need of optimum upper bound for the sample size
Tammis-Hadjopoulos et al. Improved detection of β-thalassaemia carriers by a two-test method
CN114566284A (zh) 疾病预后风险预测模型训练方法、装置及电子设备
Zhou et al. Reference intervals for erythrocyte parameters and hemoglobin electrophoresis parameters for young children in Guangxi
CN112485162A (zh) 一种使用血液标志物预测性别的方法
EP0852013A1 (en) Method for determining alcohol consumption rates
Dinevski et al. Intelligent data analysis for the diagnosis of alcohol dependence syndrome
CN107389910B (zh) 一种评价肾脏功能的试剂盒
Horn et al. An interpretation of implicit judgments in chart review
Coskun et al. A New Model to Determine the Personal Reference Interval of Tests in Laboratory Medicine: A Preliminary Study

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