CN109599175A - 一种分析关节破坏进展概率的装置及方法 - Google Patents
一种分析关节破坏进展概率的装置及方法 Download PDFInfo
- Publication number
- CN109599175A CN109599175A CN201811471286.6A CN201811471286A CN109599175A CN 109599175 A CN109599175 A CN 109599175A CN 201811471286 A CN201811471286 A CN 201811471286A CN 109599175 A CN109599175 A CN 109599175A
- Authority
- CN
- China
- Prior art keywords
- joint
- progress
- analysis
- probability
- variable
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
Abstract
本发明公开了一种分析关节破坏进展概率的装置及方法,该装置包括:参数筛选单元,用于筛选用于分析关节破坏进展概率的参数变量;可视化回归模型生成单元,用于根据筛选出的参数变量数据利用R语言构建列线图,得到分析类风湿关节炎患者影像学关节破坏进展风险概率的可视化回归模型;数据获取单元,用于将所述可视化回归模型生成单元获得的可视化回归模型的每一个变量通过图形界面输出,并提供数据输入,获取相应的数据输入;分析单元,用于根据获得的各变量的数据利用可视化回归模型对当前输入数据进行计算,获得最后的分析结果,通过本发明,RA患者可以及时直观地分析关节破坏进展风险概率,监测疾病的治疗效果。
Description
技术领域
本发明涉及计算机数据处理技术领域,特别是涉及一种分析关节破坏进展概率的装置及方法。
背景技术
类风湿关节炎(Rheumatoid Arthritis,RA)是一种常见的以进行性关节破坏为特征的慢性致残性疾病,是造成人群劳动力丧失和致残的主要病因之一。70%以上的RA患者存在关节侵蚀破坏,其中约90%发生在疾病的第一年,约20%的患者在发病头2~3年即丧失原有的工作能力,每年直接用于RA治疗的费用和患者工作能力障碍带来的间接经济损失十分巨大。RA的全球发病率为0.5%~1%,中国大陆地区发病率为0.42%,目前患者数超过500万,残疾率为50.3%,68.5%的患者存在不同程度的功能受限,是导致我国女性肢体残疾的首要病因(占9.4%,第二次全国残疾人抽样调查结果)。因此尽早控制病情,早期阻断关节破坏,降低RA致残率,以提高患者的生活质量、控制医疗费用,这对患者个人、家庭及社会均有重要意义,并可带来巨大的经济和社会效益。
RA致残的主要原因是关节破坏。RA患者短期的关节功能主要受关节炎症程度影响,长期的关节功能受关节骨破坏程度影响。RA的病理改变主要是慢性滑膜炎导致的关节软骨和骨侵蚀破坏,引起软骨下骨骨质疏松、关节面纤维素性强直、骨质增生和钙盐沉积所致的关节骨质强直、以及关节半脱位等关节畸形。由于RA可累及全身大小关节,其中以双手及双足小关节最常见,如不能有效抑制关节破坏,关节将出现畸形、关节功能受限。如近端指间关节畸形将导致患者无法实现持握等功能,丧失手部功能;膝关节畸形将导致伸展功能受限,影响患者行走等。最终将导致患者丧失工作能力,甚至生活无法自理,对家庭和社会造成严重的经济负担。因此,早期发现关节破坏并抑制其发展是RA治疗的关键。
目前在RA诊疗过程监测病情活动评分并进行相应的积极强化治疗达到治疗目标,RA病情活动评分有多个公式,其中最常用的是DAS28,该评分纳入RA最容易受累的28个关节中压痛和肿胀关节数、炎症指标CRP或ESR以及患者对病情的主观评分,通过公式计算出患者的病情活动度。最新的2015年美国风湿病学会(ACR)、2016年欧洲抗风湿病联盟(EULAR)、2015年亚太风湿病学联盟(APLAR)以及2018年我国关于RA的治疗指南中均建议进行达标治疗,对初治的RA患者主要治疗目标为病情缓解(DAS28-ESR<2.6),而对既往治疗失败的RA患者可以采用替代目标低疾病活动度(LDA,2.6≤DAS28-ESR<3.2)。
临床病情活动指标改善而影像学指标提示关节破坏进展。按照指南推荐的达标即病情达到缓解或低疾病活动度(DAS28<3.2)为目标的治疗策略下仍有50%~58%的早期RA患者出现关节破坏进展。Gandjbakhch F等对5项前瞻性队列研究共254例治疗后达标的RA患者进行随访分析,发现1年内24%的患者出现MRI检测下的骨侵蚀进展。Lisbona等对196例行达标治疗的早期RA患者进行1年随访,28.6%的患者治疗后达标并持续缓解6个月以上,但其中33.9%的患者出现骨侵蚀进展。Lillegraven等对535例RA患者进行2年的随访观察,发现病情缓解(采用了不同的病情缓解标准包括ACR/EULAR缓解标准、DAS28-CRP、SDAI和CDAI)的RA患者中19%~30%出现X线检测下的关节破坏进展。
可见,目前指南推荐的病情活动评分指导的达标治疗不能完全阻止RA患者出现关节破坏进展的发生,因此,若能提供一种预测RA关节破坏进展的装置以便RA患者了解RA关节破坏的进展将至关重要。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种分析关节破坏进展概率的装置及方法,以使得RA患者可以及时直观地了解关节破坏进展概率,监测疾病的治疗效果。
为达上述目的,本发明提出一种分析关节破坏进展概率的装置,包括:
参数筛选单元,用于筛选用于分析关节破坏进展概率的参数变量;
可视化回归模型生成单元,用于根据筛选出的参数变量数据利用R语言构建列线图,得到分析RA患者影像学关节破坏进展风险概率的可视化回归模型;
数据获取单元,用于将所述可视化回归模型生成单元获得的可视化回归模型的每一个变量通过图形界面输出,并提供数据输入,获取相应的数据输入;
分析单元,用于根据获得的各变量的数据利用可视化回归模型对当前输入数据进行计算,获得最后的分析结果。
优选地,所述参数筛选单元通过对多组RA患者的监测指标进行logistic回归分析方法,筛选出用于分析关节破坏进展的各参数变量。
优选地,所述参数筛选单元筛选的参数变量为性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR。
优选地,所述参数筛选单元通过入组若干例中高度病情活动的RA患者进行前瞻性队列研究并完成1年随访,以是否出现1年X线关节破坏进展作为因变量,以患者的一般状况、临床评估、炎症指标、自身抗体、血清MMP-3、影像学评估以及病情活动评分作为自变量,通过统计软件SPSS进行计算,采用逐步向前法建立logistic回归方程,变量引入水准设置为0.05,剔除水准为0.10,最后得到性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个变量是预测1年关节破坏进展的因素。
优选地,所述可视化回归模型生成单元采用R语言RMS运算包实现列线图的构建。
优选地,所述分析单元根据所述可视化回归模型计算各变量的得分,进而得到总分,根据总分计算出现关节破坏进展的概率并予以显示。
优选地,所述可视化回归模型为分析RA患者1年影像学关节破坏进展风险的模型。
为达到上述目的,本发明还提供一种分析关节破坏进展概率的方法,包括如下步骤:
步骤S1,筛选用于分析关节破坏进展的参数变量;
步骤S2,根据筛选出的参数变量数据利用R语言构建列线图,得到分析RA患者影像学关节破坏进展风险的可视化回归模型;
步骤S3,将获得的可视化回归模型的每一个变量通过图形界面输出,并提供对应的数据输入,获取相应的数据输入;
步骤S4,根据获得的各变量的数据利用可视化回归模型对当前输入数据进行计算,获得分析结果。
优选地,于步骤S1中,通过对多组RA患者的监测指标进行logistic回归分析方法,筛选出性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个参数变量作为分析1年关节破坏进展概率的因素。
优选地,于步骤S4中,根据可视化回归模型计算各变量的得分,进而得到总分,根据总分计算出现1年关节破坏进展的概率并予以显示。
与现有技术相比,本发明一种分析关节破坏进展概率的装置及方法通过筛选出分析关节破坏进展概率的参数变量,并根据该参数变量利用R语言构建列线图,得到可分析RA患者1年影像学关节破坏进展风险的可视化回归模型,并利用该可视化回归模型分析RA患者出现1年关节破坏进展的风险概率,使得RA患者可以及时直观地了解关节破坏进展,监测疾病的治疗效果。
附图说明
图1为本发明一种分析关节破坏进展概率的装置的结构示意图;
图2为本发明具体实施例中列线图示意图;
图3为本发明具体实施例中数据获取单元103的操作界面示意图;
图4为本发明具体实施例中分析单元的分析结果示意图;
图5为本发明一种分析关节破坏进展概率的方法的步骤流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种分析关节破坏进展概率的装置的结构示意图。如图1所示,本发明一种分析关节破坏进展概率的装置,包括:
参数筛选单元101,用于筛选用于分析关节破坏进展概率的参数变量。在本发明具体实施例中,参数筛选单元101通过对多组RA患者的监测指标进行logistic回归分析方法,筛选出性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个参数变量作为分析1年关节破坏进展的因素。具体地,所述参数筛选单元101通过入组254例中高度病情活动的RA患者进行前瞻性队列研究并完成1年随访,以是否出现1年X线关节破坏进展作为因变量,以患者的一般状况(包括性别、年龄、病程、体重指数、吸烟情况等指标)、临床评估(包括压痛关节数、肿胀关节数、患者评分、医生评分、功能评分等指标)、炎症指标(包括C反应蛋白、血红细胞沉降率等指标)、自身抗体(包括类风湿因子、抗环瓜氨酸肽抗体等指标)、血清MMP-3、影像学评估(包括基线骨侵蚀情况、基线关节破坏评分等指标)以及病情活动评分(包括DAS28-ESR等指标)作为自变量,通过统计软件SPSS(Statistical Product and Service Solutions,社会科学统计软件包)进行计算,采用逐步向前法建立logistic回归方程,变量引入水准设置为0.05,剔除水准为0.10,最后得到性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个变量是预测1年关节破坏进展的因素。
可视化回归模型生成单元102,用于根据筛选出的参数变量数据利用R语言构建列线图,得到分析RA患者1年影像学关节破坏进展风险的可视化回归模型。具体地,可视化回归模型生成单元102建立可视化回归模型的具体过程如下:
(1)在R语言统计建模软件中加载rms包library(rms);
(2)打包数据,载入参数筛选单元101筛选出的多组RA患者的监测指标中的性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR数据。
(3)利用lrm函数拟合logistics回归模型,构建列线图对象,如图2所示。
(4)构建校准曲线分析可视化回归模型。经验证,该模型一致性良好,其中C-index为0.742,95%CI为0.677-0.807。通过z检验发现该可视化回归模型分析RA患者1年关节破坏进展的功效优于病情活动评分DAS28-ESR(C-index:0.530,P<0.001),同时具有优于单独应用血清MMP-3的趋势(C-index:0.661,P=0.094,如表1所示)
表1回归可视化模型、血清MMP-3及DAS28-ESR预测1年关节破坏进展的C-index比较
数据获取单元103,用于将可视化回归模型生成单元102获得的可视化回归模型的每一个变量通过图形界面输出,并提供数据输入,获取相应的数据输入。在本发明具体实施例中,通过于操作界面显示显示可视化回归模型的每一个变量,并提供用户输入相应的数据,当用户通过相应的输入设备,例如鼠标、键盘等,输入数据后,数据获取单元103获取每个变量对应的数据。具体地,如图3所示,通过一操作界面显示了可视化回归模型的性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个参数变量,并提供用户对各变量的数据的输入,当用于输入完数据点击“输入完成”后,获得各变量对应的数据。
分析单元104,用于根据获得的各变量的数据利用可视化回归模型对当前输入数据进行计算,获得分析结果。具体地,当输入完成后点击“输入完成”按钮,根据可视化回归模型计算各变量的得分,进而得到总分,根据总分计算出现1年关节破坏进展的概率并予以显示。
举例:RA患者林某,既往予雷公藤及非甾体类抗炎药治疗效果不佳,入组是高度病情活动(DAS28-ESR:7.67)。根据达标治疗策略予甲氨蝶呤联合来氟米特治疗,随访6个月时实现替代目标LDA(DAS28-ESR:4.33),未进一步强化治疗。但随访1年时出现病情加重(DAS28-ESR:4.33)以及影像学关节破坏进展(△mTSS=2)。而根据我们构建的可视化回归模型,该患者女(22分),43岁(27分),不吸烟(0分),病程150个月(32分),基线存在骨侵蚀(40分),基线血清MMP-3:906ng/ml(38分),基线DAS28-ESR:7.67(9分),合计168分,出现1年关节破坏进展的风险为0.72,即常规达标治疗策略下72%的概率出现关节破坏进展,如图4所示。
图5为本发明一种分析关节破坏进展概率的方法的步骤流程图,如图5所示,本发明一种分析关节破坏进展概率的方法,包括如下步骤:
步骤S1,筛选用于分析关节破坏进展概率的参数变量。在本发明具体实施例中,通过对多组RA患者的监测指标进行logistic回归分析方法,筛选出性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个参数变量作为分析1年关节破坏进展的因素。具体地,所述参数筛选单元101通过入组254例中高度病情活动的RA患者进行前瞻性队列研究并完成1年随访,以是否出现1年X线关节破坏进展作为因变量,以患者的一般状况(包括性别、年龄、病程、体重指数、吸烟情况等指标)、临床评估(包括压痛关节数、肿胀关节数、患者评分、医生评分、功能评分等指标)、炎症指标(包括C反应蛋白、血红细胞沉降率等指标)、自身抗体(包括类风湿因子、抗环瓜氨酸肽抗体等指标)、血清MMP-3、影像学评估(包括基线骨侵蚀情况、基线关节破坏评分等指标)以及病情活动评分(包括DAS28-ESR等指标)作为自变量,通过统计软件SPSS(Statistical Product and ServiceSolutions,社会科学统计软件包)进行计算,采用逐步向前法建立logistic回归方程,变量引入水准设置为0.05,剔除水准为0.10,最后得到性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个变量是预测1年关节破坏进展的因素。
步骤S2,根据筛选出的参数变量数据利用R语言构建列线图,得到分析RA患者1年影像学关节破坏进展风险的可视化回归模型。具体地,步骤S2,建立可视化回归模型的具体过程如下:
(1)在R语言统计建模软件中加载rms包library(rms);
(2)打包数据,载入参数筛选单元101筛选出的多组RA患者的监测指标中的性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR数据。
(3)利用lrm函数拟合logistics回归模型,构建列线图对象。
(4)构建校准曲线对象,得到分析RA患者1年影像学关节破坏进展风险的可视化回归模型。
步骤S3,将获得的可视化回归模型的每一个变量通过图形界面输出,并提供对应的数据输入,获取相应的数据输入。在本发明具体实施例中,通过于操作界面显示显示可视化回归模型的每一个变量,并提供用户输入相应的数据,当用户通过相应的输入设备,例如鼠标、键盘等,输入数据后,数据获取单元103获取每个变量对应的数据。
步骤S4,根据获得的各变量的数据利用可视化回归模型对当前输入数据进行计算,获得分析结果。具体地,当输入完成后点击“输入完成”按钮,根据可视化回归模型计算各变量的得分,进而得到总分,根据总分计算出现1年关节破坏进展的概率并予以显示。
综上所述,本发明一种分析关节破坏进展概率的装置及方法通过筛选出分析关节破坏进展概率的参数变量,并根据该参数变量利用R语言构建列线图,得到可分析RA患者1年影像学关节破坏进展风险的可视化回归模型,并利用该可视化回归模型分析RA患者出现1年关节破坏进展的风险概率,使得RA患者可以及时直观地了解关节破坏进展,监测疾病的治疗效果。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种分析关节破坏进展概率的装置,包括:
参数筛选单元,用于筛选用于分析关节破坏进展的参数变量;
可视化回归模型生成单元,用于根据筛选出的参数变量数据利用R语言构建列线图,得到分析类风湿关节炎患者影像学关节破坏进展风险概率的可视化回归模型;
数据获取单元,用于将所述可视化回归模型生成单元获得的可视化回归模型的每一个变量通过图形界面输出,并提供数据输入,获取相应的数据输入;
分析单元,用于根据获得的各变量的数据利用可视化回归模型对当前输入数据进行计算,获得最后的分析结果。
2.如权利要求1所述的一种分析关节破坏进展概率的装置,其特征在于:所述参数筛选单元通过对多组RA患者的监测指标进行logistic回归分析方法,筛选出用于预测关节破坏进展的各参数变量。
3.如权利要求2所述的一种分析关节破坏进展概率的装置,其特征在于:所述参数筛选单元筛选的参数变量为性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR。
4.如权利要求3所述的一种分析关节破坏进展概率的装置,其特征在于:所述参数筛选单元通过入组若干例中高度病情活动的RA患者进行前瞻性队列研究并完成1年随访,以是否出现1年X线关节破坏进展作为因变量,以患者的一般状况、临床评估、炎症指标、自身抗体、血清MMP-3、影像学评估以及病情活动评分作为自变量,通过统计软件SPSS进行计算,采用逐步向前法建立logistic回归方程,变量引入水准设置为0.05,剔除水准为0.10,最后得到性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个变量是预测1年关节破坏进展的因素。
5.如权利要求4所述的一种分析关节破坏进展概率的装置,其特征在于:所述可视化回归模型生成单元采用R语言RMS运算包实现列线图的构建。
6.如权利要求4所述的一种分析关节破坏进展概率的装置,其特征在于:所述分析单元根据所述可视化回归模型计算各变量的得分,进而得到总分,根据总分计算出现关节破坏进展的概率并予以显示。
7.如权利要求1所述的一种分析关节破坏进展概率的装置,其特征在于:所述可视化回归模型为分析RA患者1年影像学关节破坏进展风险概率的模型。
8.一种分析关节破坏进展概率的方法,包括如下步骤:
步骤S1,筛选用于分析关节破坏进展的参数变量;
步骤S2,根据筛选出的参数变量数据利用R语言构建列线图,得到分析RA患者影像学关节破坏进展风险概率的可视化回归模型;
步骤S3,将获得的可视化回归模型的每一个变量通过图形界面输出,并提供对应的数据输入,获取相应的数据输入;
步骤S4,根据获得的各变量的数据利用可视化回归模型对当前输入数据进行计算,获得分析结果。
9.如权利要求8所述的一种分析关节破坏进展概率的方法,其特征在于:于步骤S1中,通过对多组RA患者的监测指标进行logistic回归分析方法,筛选出性别、年龄、吸烟情况、病程、基线骨侵蚀、血清MMP-3水平以及病情活动评分DAS28-ESR这7个参数变量作为分析1年关节破坏进展概率的因素。
10.如权利要求9所述的一种分析关节破坏进展概率的方法,其特征在于:于步骤S4中,根据可视化回归模型计算各变量的得分,进而得到总分,根据总分计算出现1年关节破坏进展的概率并予以显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471286.6A CN109599175A (zh) | 2018-12-04 | 2018-12-04 | 一种分析关节破坏进展概率的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471286.6A CN109599175A (zh) | 2018-12-04 | 2018-12-04 | 一种分析关节破坏进展概率的装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109599175A true CN109599175A (zh) | 2019-04-09 |
Family
ID=65960951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811471286.6A Pending CN109599175A (zh) | 2018-12-04 | 2018-12-04 | 一种分析关节破坏进展概率的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109599175A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148465A (zh) * | 2019-05-10 | 2019-08-20 | 中山大学孙逸仙纪念医院 | 一种用于分析类风湿性关节炎的系统 |
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 |
CN112599243A (zh) * | 2020-11-10 | 2021-04-02 | 中山大学孙逸仙纪念医院 | 一种预测类风湿关节炎患者一年关节破坏进展的系统 |
CN112699161A (zh) * | 2019-10-23 | 2021-04-23 | 上海磐门信息科技有限公司 | 一种医学统计系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1891144A (zh) * | 2005-07-01 | 2007-01-10 | 上海祥鹤制药厂 | 一种中风预警检测仪 |
WO2009067655A2 (en) * | 2007-11-21 | 2009-05-28 | University Of Florida Research Foundation, Inc. | Methods of feature selection through local learning; breast and prostate cancer prognostic markers |
CN101584578A (zh) * | 2008-09-10 | 2009-11-25 | 上海市肺科医院 | 一种对结节病与不典型结核病的综合评分参数的分析方法 |
CN105653886A (zh) * | 2016-03-25 | 2016-06-08 | 复旦大学附属肿瘤医院 | 一种预测前列腺穿刺活检患前列腺癌风险的装置 |
CN106874647A (zh) * | 2017-01-06 | 2017-06-20 | 吴安华 | 一种脑胶质母细胞瘤患者生存期预测系统 |
CN107358047A (zh) * | 2017-07-13 | 2017-11-17 | 刘峰 | 糖尿病患者评估及管理系统 |
CN107621849A (zh) * | 2017-10-26 | 2018-01-23 | 中国人民解放军总医院 | 前列腺穿刺活检的阳性风险预测方法和装置 |
-
2018
- 2018-12-04 CN CN201811471286.6A patent/CN109599175A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1891144A (zh) * | 2005-07-01 | 2007-01-10 | 上海祥鹤制药厂 | 一种中风预警检测仪 |
WO2009067655A2 (en) * | 2007-11-21 | 2009-05-28 | University Of Florida Research Foundation, Inc. | Methods of feature selection through local learning; breast and prostate cancer prognostic markers |
CN101584578A (zh) * | 2008-09-10 | 2009-11-25 | 上海市肺科医院 | 一种对结节病与不典型结核病的综合评分参数的分析方法 |
CN105653886A (zh) * | 2016-03-25 | 2016-06-08 | 复旦大学附属肿瘤医院 | 一种预测前列腺穿刺活检患前列腺癌风险的装置 |
CN106874647A (zh) * | 2017-01-06 | 2017-06-20 | 吴安华 | 一种脑胶质母细胞瘤患者生存期预测系统 |
CN107358047A (zh) * | 2017-07-13 | 2017-11-17 | 刘峰 | 糖尿病患者评估及管理系统 |
CN107621849A (zh) * | 2017-10-26 | 2018-01-23 | 中国人民解放军总医院 | 前列腺穿刺活检的阳性风险预测方法和装置 |
Non-Patent Citations (2)
Title |
---|
张长青: "《髋部外科学》", 30 April 2018, 上海科学技术出版社 * |
赵丽娟 等: "预测腹部手术切口感染风险的列线图模型的建立", 《中华现代护理杂志》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148465A (zh) * | 2019-05-10 | 2019-08-20 | 中山大学孙逸仙纪念医院 | 一种用于分析类风湿性关节炎的系统 |
CN112699161A (zh) * | 2019-10-23 | 2021-04-23 | 上海磐门信息科技有限公司 | 一种医学统计系统及方法 |
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 |
CN112599243A (zh) * | 2020-11-10 | 2021-04-02 | 中山大学孙逸仙纪念医院 | 一种预测类风湿关节炎患者一年关节破坏进展的系统 |
CN112599243B (zh) * | 2020-11-10 | 2023-09-05 | 中山大学孙逸仙纪念医院 | 一种预测类风湿关节炎患者一年关节破坏进展的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109599175A (zh) | 一种分析关节破坏进展概率的装置及方法 | |
Regnaux et al. | High‐intensity versus low‐intensity physical activity or exercise in people with hip or knee osteoarthritis | |
Selzler et al. | Self-efficacy and health-related quality of life in chronic obstructive pulmonary disease: A meta-analysis | |
Sikchi et al. | Fuzzy expert systems (FES) for medical diagnosis | |
US20180039726A1 (en) | Computer based system for predicting treatment outcomes | |
Stephen et al. | Indications for surgical management of hyperparathyroidism: a review | |
Salaffi et al. | Clinical disease activity assessments in rheumatoid arthritis | |
Calhoun et al. | Clinical burden and predictors of asthma exacerbations in patients on guideline-based steps 4-6 asthma therapy in the TENOR cohort | |
Sikchi et al. | Design of fuzzy expert system for diagnosis of cardiac diseases | |
Kim et al. | Development of an automatic muscle atrophy measuring algorithm to calculate the ratio of supraspinatus in supraspinous fossa using deep learning | |
Stolk et al. | Retinoid treatment of Emphysema in Patients on the Alpha-1 International Registry. The REPAIR study: study design, methodology and quality control of study assessments | |
Yavari et al. | Profile-based assessment of diseases affective factors using fuzzy association rule mining approach: A case study in heart diseases | |
Michael et al. | Correlation of multiple patient-reported outcome measures across follow-up in patients undergoing primary shoulder arthroplasty | |
Kumar et al. | Predicting non-small cell lung cancer: a machine learning paradigm | |
Lenman et al. | Diagnosis and management of psoriatic arthropathy in primary care | |
Johnson et al. | A comparison of quantitative and qualitative shoulder range of motion with patient-reported outcomes | |
Puumalainen et al. | Costs structure of the inpatient ischemic stroke treatment using an exact costing method | |
Chen et al. | Intelligent rehabilitation assistance tools for distal radius fracture: a systematic review based on literatures and mobile application stores | |
Hu et al. | Slice grouping and aggregation network for auxiliary diagnosis of rib fractures | |
Goligher et al. | Radiographic joint space width in the fingers of patients with rheumatoid arthritis of less than one year's duration | |
Akita et al. | Association of the forced oscillation technique with negative expiratory pressure in COPD | |
Zaruta et al. | Quantifying surgeon intuition using a judgment analysis model: surgeon accuracy of predicting patient-reported outcomes in patients undergoing hip arthroscopy for femoroacetabular impingement is moderate at best | |
Wang et al. | Prediction of target range of intact parathyroid hormone in hemodialysis patients with artificial neural network | |
Cherniack et al. | Clinical and psychological correlates of lumbar motion abnormalities in low back disorders | |
Brønserud et al. | P3. 15-05 patient reported outcomes (PROs) as performance measures after surgery for lung cancer |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |