CN110364261A - 一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法 - Google Patents
一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法 Download PDFInfo
- Publication number
- CN110364261A CN110364261A CN201910643810.1A CN201910643810A CN110364261A CN 110364261 A CN110364261 A CN 110364261A CN 201910643810 A CN201910643810 A CN 201910643810A CN 110364261 A CN110364261 A CN 110364261A
- Authority
- CN
- China
- Prior art keywords
- bleeding
- acute coronary
- coronary syndrome
- risk
- prediction model
- 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
- 208000032843 Hemorrhage Diseases 0.000 title claims abstract description 63
- 208000034158 bleeding Diseases 0.000 title claims abstract description 49
- 230000000740 bleeding effect Effects 0.000 title claims abstract description 49
- 208000004476 Acute Coronary Syndrome Diseases 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000002560 therapeutic procedure Methods 0.000 title claims abstract description 25
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 20
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 8
- 206010051077 Post procedural haemorrhage Diseases 0.000 claims abstract description 19
- 230000007774 longterm Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000013146 percutaneous coronary intervention Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000013152 interventional procedure Methods 0.000 claims abstract description 4
- 239000003814 drug Substances 0.000 claims description 13
- 229940079593 drug Drugs 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 9
- 210000004351 coronary vessel Anatomy 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000000586 desensitisation Methods 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 2
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 230000001154 acute effect Effects 0.000 description 4
- 208000007536 Thrombosis Diseases 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 208000011580 syndromic disease Diseases 0.000 description 3
- DWJXYEABWRJFSP-XOBRGWDASA-N DAPT Chemical compound N([C@@H](C)C(=O)N[C@H](C(=O)OC(C)(C)C)C=1C=CC=CC=1)C(=O)CC1=CC(F)=CC(F)=C1 DWJXYEABWRJFSP-XOBRGWDASA-N 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 238000013176 antiplatelet therapy Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011977 dual antiplatelet therapy Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 231100000518 lethal Toxicity 0.000 description 2
- 230000001665 lethal effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- OEKWJQXRCDYSHL-FNOIDJSQSA-N ticagrelor Chemical compound C1([C@@H]2C[C@H]2NC=2N=C(N=C3N([C@H]4[C@@H]([C@H](O)[C@@H](OCCO)C4)O)N=NC3=2)SCCC)=CC=C(F)C(F)=C1 OEKWJQXRCDYSHL-FNOIDJSQSA-N 0.000 description 2
- 229960002528 ticagrelor Drugs 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 239000005552 B01AC04 - Clopidogrel Substances 0.000 description 1
- 239000005465 B01AC22 - Prasugrel Substances 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000009087 False Aneurysm Diseases 0.000 description 1
- 208000012671 Gastrointestinal haemorrhages Diseases 0.000 description 1
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 1
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 1
- QSMTUAJDOTXEDZ-UHFFFAOYSA-N N1C=CC=C1.[Cl] Chemical compound N1C=CC=C1.[Cl] QSMTUAJDOTXEDZ-UHFFFAOYSA-N 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 206010048975 Vascular pseudoaneurysm Diseases 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 230000000702 anti-platelet effect Effects 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 229960003009 clopidogrel Drugs 0.000 description 1
- GKTWGGQPFAXNFI-HNNXBMFYSA-N clopidogrel Chemical compound C1([C@H](N2CC=3C=CSC=3CC2)C(=O)OC)=CC=CC=C1Cl GKTWGGQPFAXNFI-HNNXBMFYSA-N 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 208000035861 hematochezia Diseases 0.000 description 1
- 208000006750 hematuria Diseases 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 231100000225 lethality Toxicity 0.000 description 1
- 208000001118 melena Diseases 0.000 description 1
- 210000001809 melena Anatomy 0.000 description 1
- 230000007570 microbleeding Effects 0.000 description 1
- 229960004197 prasugrel Drugs 0.000 description 1
- DTGLZDAWLRGWQN-UHFFFAOYSA-N prasugrel Chemical compound C1CC=2SC(OC(=O)C)=CC=2CN1C(C=1C(=CC=CC=1)F)C(=O)C1CC1 DTGLZDAWLRGWQN-UHFFFAOYSA-N 0.000 description 1
- 239000002464 receptor antagonist Substances 0.000 description 1
- 229940044551 receptor antagonist Drugs 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，属于风险预测领域，包括下列步骤：S1、收集来自医院电子病历系统的数据；S2、筛选行经皮冠状动脉介入术的急性冠脉综合征患者，并提取所需患者信息；S3、应用机器学习方法，建立患者术后近远期出血风险预测模型；S4、评估各模型预测价值，选取最优的预测模型；通过在医院电子病历系统中回顾性收集接受经皮冠状动脉介入治疗的急性冠脉综合征患者的信息，完全针对急性冠脉综合征患者信息收集，并通过应用机器学习的多种模型，建立使用患者信息对其出血风险进行预测的模型，对于指导临床治疗决策和降低出血发生率有一定的意义。
Description
技术领域
本发明属于技术领域，尤其涉及一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法。
背景技术
急性冠脉综合征是指冠状动脉内不稳定的动脉粥样斑块破裂或糜烂引起血栓形成所导致的心脏急性缺血综合征，包括不稳定型心绞痛、非ST段抬高型心肌梗死和ST段抬高型心肌梗死。GRACE注册研究发现，急性冠脉综合征发生后4年的死亡率约为50％。目前治疗急性冠脉综合征的主要手段包括经皮冠状动脉介入治疗和抗栓药物治疗。双联抗血小板治疗(DAPT)指联合使用阿司匹林与P2Y12受体拮抗剂(氯吡格雷、替格瑞洛或普拉格雷)，是抗栓药物治疗和经皮冠状动脉介入治疗术后治疗的重要方法。PLATO研究发现，相比氯吡格雷，替格瑞洛可显著降低急性冠脉综合征患者的心血管死亡率、心肌梗死和卒中的发生率，但同时会显著增加致死性和非致死性颅内出血等出血事件的发生率。
目前，常用于预测急性冠脉综合征或经皮冠状动脉介入治疗患者的出血风险评分(如CRUSADE、ACTION和ACUITY-HORIZONS等)应用在中国经皮冠状动脉介入治疗术后的急性冠脉综合征患者中时，均存在高估出血的风险的情况。本申请的发明人旨在利用源于中国的真实世界数据，通过机器学习的方法建立预测中国经皮冠状动脉介入治疗术后的急性冠脉综合征患者的近远期出血风险的预测模型，对于包括抗血小板治疗用药选择在内的临床治疗决策、降低出血发生率或有一定的指导意义。
发明内容
本发明的目的在于提供一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，用源于中国的真实世界数据，通过机器学习的方法建立预测模型，对于包括抗血小板治疗用药选择在内的临床治疗决策、降低出血发生率或有一定的指导意义。
1、为实现上述目的，本发明提供如下技术方案：一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，该建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法包括下列步骤：
S1、收集来自医院电子病历系统的数据；
S2、筛选行经皮冠状动脉介入术的急性冠脉综合征患者，并提取所需患者信息；
S3、应用机器学习方法，建立患者术后近远期出血风险预测模型；
S4、评估各模型预测价值，选取最优的预测模型。
作为本发明一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法优选的技术方案，所述步骤S1中收集的数据来自医院电子病历系统脱敏后的数据，具体包括患者的人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、用药、在院期间出血相关事件和其他所有可获得的患者基线特征。
作为本发明一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法优选的技术方案，所述步骤S2中提取的患者信息包括患者行经皮冠状动脉介入治疗时的人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、经皮冠状动脉介入治疗当次就诊相关特征、经皮冠状动脉介入治疗相关信息、入院前长期用药、在院期间治疗、出院带药、在院期间出血相关事件。
作为本发明一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法优选的技术方案，所述步骤S3中应用的机器学习模型包括SVM、RF、NB、LR等。
作为本发明一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法优选的技术方案，所述步骤S4中选取最优的预测模型通过比对最终产生的各风险预测模型的预测价值，包括AUC、灵敏度、特异度、阳性预测值和阴性预测值等，分别选取最优的近、远期出血风险预测模型。
作为本发明一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法优选的技术方案，所述出血事件包括TIMI major和minor出血，通过患者诊断、病程、影像学诊断和实验室检查判断出血发生。
作为本发明一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法优选的技术方案，所述近期出血为患者经皮冠状动脉介入治疗术后一个月内的出血，一年内的出血定义为远期出血，均参考TIMI出血分级。
本发明的有益效果是：通过在医院电子病历系统中回顾性收集接受经皮冠状动脉介入治疗的急性冠脉综合征患者的信息，对于患者的人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、用药、在院期间出血相关事件和其他所有可获得的患者基线特征进行分析收集，完全针对急性冠脉综合征患者信息，并通过应用机器学习的多种模型，建立使用患者信息对其出血风险进行预测的模型，便于医护人员的观察，对于指导临床治疗决策和降低出血发生率有一定的意义。
附图说明
图1是本发明提供的一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法的步骤流程示意图；
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
请参考图1，下面将结合附图对本发明实施例作详细说明。
参照图1所示，该建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法包括如下步骤：
S1、收集来自医院电子病历系统的数据；
S2、筛选行经皮冠状动脉介入术的急性冠脉综合征患者，并提取所需患者信息；
S3、应用机器学习方法，建立患者术后近远期出血风险预测模型；
S4、评估各模型预测价值，选取最优的预测模型。
具体的，步骤S1中收集的数据来自医院电子病历系统脱敏后的数据，具体包括患者的人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、用药、在院期间出血相关事件和其他所有可获得的患者基线特征；
在上述步骤中的收集数据，首先，通过根据患者纳入排除标准，在医院电子病历系统中回顾性收集接受经皮冠状动脉介入治疗的急性冠脉综合征患者的信息，纳入标准包括：(1)年龄≥18岁；(2)确诊急性冠脉综合征的患者；(3)接受经皮冠状动脉介入治疗治疗。排除标准包括：(1)接受搭桥治疗；(2)孕产妇及哺乳期妇女。
本发明将对所有入选患者基线/筛选期回顾性收集包括人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、用药、在院期间出血相关事件各项特征在内的所有可获得的脱敏后的患者信息；
上述特征涵盖了除种族和DAPT持续时长(30个月vs.12个月，长于本研究设定的最长观察时长)以外，既有11个急性冠脉综合征患者经皮冠状动脉介入治疗术后出血风险预测评分使用的患者特征，以及其他潜在的急性冠脉综合征患者经皮冠状动脉介入治疗术后出血和心血管事件的影响因素。对于观察期，即患者经皮冠状动脉介入治疗术后一年内，本发明将通过患者诊断、病程、影像学诊断和实验室检查结果等回顾性收集患者TIMI major和minor出血事件相关信息。当患者诊断、病程和/或影像学诊断中确认发生发生‘出血|咯血|血尿|尿血|黑便|柏油样便|便血|潜血阳性|渗血|血肿|假性动脉瘤’时，即认为有出血事件发生。TIMI major出血包括颅内出血(除外仅梯度回波MRI可见<10mm的微出血)、临床显性出血且血红蛋白下降≥5g/dL和致死性出血(出血直接导致7天內死亡)；TIMI minor出血包括临床显性出血(包括影像学检查)，造成血红蛋白下降3到<5g/dL。
具体的，所述步骤S2中提取的患者信息包括患者行经皮冠状动脉介入治疗时的人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、经皮冠状动脉介入治疗当次就诊相关特征、经皮冠状动脉介入治疗相关信息、入院前长期用药、在院期间治疗、出院带药、在院期间出血相关事件。
具体的，所述步骤S3中应用的机器学习模型包括SVM、RF、NB、LR等；对提取出的患者数据，应用包括SVM、RF、NB、LR等在内的机器学习方法，将分别建立以所有患者特征和表1中罗列的患者特征预测经皮冠脉介入治疗后出血1个月内(近期)和1年内(远期)发生TIMImajor/minor出血风险的模型。
具体的，所述步骤S4中选取最优的预测模型通过比对最终产生的各风险预测模型的预测价值，包括AUC、灵敏度、特异度、阳性预测值和阴性预测值等，分别选取最优的近、远期出血风险预测模型；通过比对最终产生的各风险预测模型的预测价值，包括ROC曲线下面积、灵敏度、特异度、阳性预测值和阴性预测值等，分别选取最优的近、远期出血风险预测模型。
本发明的工作原理是：收集包括患者的人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、用药、在院期间出血相关事件特征在内的所有可获得的入选患者特征和术后一年内出血事件信息，收集信息完成后，对提取出的患者数据，应用包括SVM、RF、NB、LR等在内的机器学习方法，将分别建立以所有患者特征和上述特征的患者特征预测经皮冠脉介入治疗后出血1个月内(近期)和1年内(远期)发生TIMI major/minor出血风险的模型，最后通过比对最终产生的各风险预测模型的预测价值，包括AUC、灵敏度、特异度、阳性预测值和阴性预测值等，分别选取最优的近、远期出血风险预测模型。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，其特征在于，该建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法包括下列步骤：
S1、收集来自医院电子病历系统的数据；
S2、筛选行经皮冠状动脉介入术的急性冠脉综合征患者，并提取所需患者信息；
S3、应用机器学习方法，建立患者术后近远期出血风险预测模型；
S4、评估各模型预测价值，选取最优的预测模型。
2.根据权利要求1所述的一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，其特征在于，所述步骤S1中收集的数据来自医院电子病历系统脱敏后的数据，具体包括患者的人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、用药、在院期间出血相关事件和其他所有可获得的患者基线特征。
3.根据权利要求1所述的一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，其特征在于，所述步骤S2中提取的患者信息包括患者行经皮冠状动脉介入治疗时的人口学特征、体征、行为、实验室检查结果、心脏彩超检查结果、合并症、病史、经皮冠状动脉介入治疗当次就诊相关特征、经皮冠状动脉介入治疗相关信息、入院前长期用药、在院期间治疗、出院带药、在院期间出血相关事件。
4.根据权利要求1所述的一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，其特征在于，所述步骤S3中应用的机器学习模型包括SVM、RF、NB、LR等。
5.根据权利要求1所述的一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，其特征在于，所述步骤S4中选取最优的预测模型通过比对最终产生的各风险预测模型的预测价值，包括AUC、灵敏度、特异度、阳性预测值和阴性预测值等，分别选取最优的近、远期出血风险预测模型。
6.根据权利要求2或3所述的一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，其特征在于，所述出血事件包括TIMI major和minor出血，通过患者诊断、病程、影像学诊断和实验室检查判断出血发生。
7.根据权利要求1～5所述的一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法，其特征在于，所述近期出血为患者经皮冠状动脉介入治疗术后一个月内的出血，一年内的出血定义为远期出血，均参考TIMI出血分级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910643810.1A CN110364261A (zh) | 2019-07-17 | 2019-07-17 | 一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910643810.1A CN110364261A (zh) | 2019-07-17 | 2019-07-17 | 一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110364261A true CN110364261A (zh) | 2019-10-22 |
Family
ID=68219788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910643810.1A Pending CN110364261A (zh) | 2019-07-17 | 2019-07-17 | 一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110364261A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111834008A (zh) * | 2020-07-21 | 2020-10-27 | 复旦大学附属中山医院 | 基于大动脉炎肾动脉狭窄分级测定系统的测定方法 |
| CN112289443A (zh) * | 2020-07-14 | 2021-01-29 | 山东大学齐鲁医院 | 一种基于生物标志物的急性心血管事件风险评估系统 |
| CN113270193A (zh) * | 2021-04-22 | 2021-08-17 | 江苏大学 | 一种基于机器学习的picc血栓风险预测方法 |
| CN113925480A (zh) * | 2021-09-25 | 2022-01-14 | 中国人民解放军总医院 | 基于机器学习的冠心病患者出血风险评估方法 |
| CN114420298A (zh) * | 2022-01-27 | 2022-04-29 | 首都医科大学附属北京天坛医院 | 一种多阶段的急性缺血性卒中血管内治疗无效再通预测系统、设备 |
| CN111599475B (zh) * | 2020-05-07 | 2023-08-25 | 江西省人民医院 | 预测冠脉慢性完全闭塞病变介入治疗成功率的评分模型 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108091373A (zh) * | 2016-11-21 | 2018-05-29 | 医渡云（北京）技术有限公司 | 医疗数据处理方法及装置 |
| EP3480824A1 (en) * | 2017-11-01 | 2019-05-08 | University Of Virginia Patent Foundation | Method, system, and computer readable medium for generating pulse oximetry predictive scores (pops) for predicting adverse outcomes in preterm infants |
-
2019
- 2019-07-17 CN CN201910643810.1A patent/CN110364261A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108091373A (zh) * | 2016-11-21 | 2018-05-29 | 医渡云（北京）技术有限公司 | 医疗数据处理方法及装置 |
| EP3480824A1 (en) * | 2017-11-01 | 2019-05-08 | University Of Virginia Patent Foundation | Method, system, and computer readable medium for generating pulse oximetry predictive scores (pops) for predicting adverse outcomes in preterm infants |
Non-Patent Citations (3)
| Title |
|---|
| 吴欢等: "基于机器学习方法的PCI术预后主要不良心血管事件预测模型研究", 《中国数字医学》 * |
| 宗慧等: "应用机器学习算法构建心梗患者风险预测模型", 《中国数字医学》 * |
| 潘丽婷等: "2种出血评分系统对急性冠脉综合征患者介入治疗后近期出血风险的预测价值比较", 《国际心血管病杂志》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111599475B (zh) * | 2020-05-07 | 2023-08-25 | 江西省人民医院 | 预测冠脉慢性完全闭塞病变介入治疗成功率的评分模型 |
| CN112289443A (zh) * | 2020-07-14 | 2021-01-29 | 山东大学齐鲁医院 | 一种基于生物标志物的急性心血管事件风险评估系统 |
| CN111834008A (zh) * | 2020-07-21 | 2020-10-27 | 复旦大学附属中山医院 | 基于大动脉炎肾动脉狭窄分级测定系统的测定方法 |
| CN113270193A (zh) * | 2021-04-22 | 2021-08-17 | 江苏大学 | 一种基于机器学习的picc血栓风险预测方法 |
| CN113925480A (zh) * | 2021-09-25 | 2022-01-14 | 中国人民解放军总医院 | 基于机器学习的冠心病患者出血风险评估方法 |
| CN114420298A (zh) * | 2022-01-27 | 2022-04-29 | 首都医科大学附属北京天坛医院 | 一种多阶段的急性缺血性卒中血管内治疗无效再通预测系统、设备 |
| CN114420298B (zh) * | 2022-01-27 | 2023-08-25 | 首都医科大学附属北京天坛医院 | 一种多阶段的急性缺血性卒中血管内治疗无效再通预测系统、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110364261A (zh) | 一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法 | |
| von Knobelsdorff-Brenkenhoff et al. | Representation of cardiovascular magnetic resonance in the AHA/ACC guidelines | |
| Marfella et al. | Brief episodes of silent atrial fibrillation predict clinical vascular brain disease in type 2 diabetic patients | |
| Bourque et al. | Achieving an exercise workload of≥ 10 metabolic equivalents predicts a very low risk of inducible ischemia: does myocardial perfusion imaging have a role? | |
| Conner et al. | Impact of obesity on incision-to-delivery interval and neonatal outcomes at cesarean delivery | |
| Shu et al. | Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases | |
| Chase et al. | A prospective pilot study of predictors of acute stroke in emergency department patients with dizziness | |
| Co et al. | New electrocardiographic changes in patients diagnosed with pulmonary embolism | |
| Baker et al. | Screening for left ventricular systolic dysfunction among patients with risk factors for heart failure | |
| Bernardino et al. | Hypertension and isolated office hypertension in HIV-infected patients determined by ambulatory blood pressure monitoring: prevalence and risk factors | |
| Verhaert et al. | Rationale and design of the ISOLATION study: a multicenter prospective cohort study identifying predictors for successful atrial fibrillation ablation in an integrated clinical care and research pathway | |
| Richman et al. | Electrocardiographic findings in emergency department patients with pulmonary embolism | |
| Elbadawi et al. | Limited relationship of voltage criteria for electrocardiogram left ventricular hypertrophy to cardiovascular mortality | |
| Shanmugam et al. | Improving and standardizing capture of pediatric cardiac surgical complications | |
| Becker et al. | Detection of coronary artery disease in postmenopausal women: the significance of integrated stress imaging tests in a 4-year prognostic study | |
| Hoogsteder et al. | Electrocardiographic findings in women with a recent history of pre‐eclampsia | |
| Chocron et al. | Machine learning for nocturnal mass diagnosis of atrial fibrillation in a population at risk of sleep-disordered breathing | |
| Castilla-Guerra et al. | Echocardiographic assessment of hypertensive left ventricular hypertrophy in patients with acute ischemic stroke or transient ischemic attack | |
| Pipilas et al. | Accuracy and variability of cardiologist interpretation of single lead electrocardiograms for atrial fibrillation: The VITAL-AF trial | |
| D'Anna et al. | Automated continuous electrocardiogram monitoring accelerates the detection of atrial fibrillation after ischemic stroke or transient ischemic attack on a hyper acute stroke unit | |
| Zahalka et al. | Clinical Use of CathPCI Registry Risk Score and Its Validation to Predict Long-Term Mortality | |
| Harmouche et al. | Early echocardiography has a low yield in patients with transient ischemic attack | |
| Golpour et al. | Case report: Magnetocardiography as a potential method of therapy monitoring in amyloidosis | |
| McCoy et al. | Prolonged labor and adverse cardiac outcomes in pregnant patients with congenital heart disease | |
| Lowres et al. | Self-monitoring for recurrence of secondary atrial fibrillation following non-cardiac surgery or acute illness: a pilot 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
| RJ01 | Rejection of invention patent application after publication |