CN110970133B - 一种crt风险评估方法和风险预测系统 - Google Patents
一种crt风险评估方法和风险预测系统 Download PDFInfo
- Publication number
- CN110970133B CN110970133B CN201911259176.8A CN201911259176A CN110970133B CN 110970133 B CN110970133 B CN 110970133B CN 201911259176 A CN201911259176 A CN 201911259176A CN 110970133 B CN110970133 B CN 110970133B
- Authority
- CN
- China
- Prior art keywords
- score
- risk
- crt
- tumor
- nomogram
- 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.)
- Active
Links
Images
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
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种CRT风险评估方法和风险预测系统。本发明的CRT风险评估方法利用CRT独立危险因素构建的诺谟图分析CRT风险高低和风险概率,CRT独立危险因素包括性别、肿瘤类型、静脉导管种类、导管尖端位置、基线是否抗凝或抗血小板治疗、基线是否化疗(靶向治疗)。另外,本发明还公开了基于上述CRT风险评估方法搭建的CRT风险预测系统。本发明的研究成果可用于指导医生调整治疗方案。
Description
技术领域
本发明属于医学诊断领域,涉及一种CRT风险评估方法和风险预测系统。
背景技术
癌症患者面临各种各样的治疗需求,必须要有稳定的静脉通路。静脉导管由于其独特的优势而被广泛使用,例如能够安全地进行多药化疗和强化支持治疗。静脉导管的严重并发症给临床工作带来相当大的风险,其中最常见的风险之一是导管相关血栓形成(catheter-related thrombosi,CRT)。考虑到静脉通路丢失,肺栓塞风险和额外费用,CRT是一个主要的临床问题。
由于绝大多数CRT无症状,因此多普勒超声被认为是一种可靠且易于应用的血栓形成检测方法,得到了更广泛的应用。考虑到导管血栓可能带来的不良后果,如何识别和筛查高危人群一直是人们关注的焦点,因此,在进行诊断时需要高度怀疑。Khorana风险评分是静脉血栓栓塞(VTE)的常用风险评估评分,但尚不能准确预测导管相关血栓形成。
诺谟图是一种基于统计的工具,可作为模型来评估许多癌症的临床结果风险或总体生存率。为了建立方便、准确的临床预测模型以识别CRT风险,发明人进行了一项为期4年以上的癌症患者导管的大规模观察性队列研究,以记录和调查与导管相关血栓形成的发生率和危险因素。
发明内容
本发明的目的之一在于提供一种预测CRT风险的评分模型。
本发明的目的之二在于提供一种预测CRT风险的诺谟图。
本发明的目的之三在于提供一种CRT风险预测系统。
本发明的目的之四在于提供一种CRT风险评估方法。
为了实现上述目的,本发明采用了如下技术方案:
根据本发明的一个方面,本发明提供了一种预测CRT风险的评分模型,所述评分模型中变量包括性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗、基线抗凝或抗血小板治疗;
优选地,所述评分模型如下:风险分值=性别+肿瘤类型+静脉置管种类+导管尖端位置+基线化疗+基线抗凝或抗血小板治疗;
更优选地,性别包括男和女,男性分值为2.45,女性分值为0.00;
肿瘤类型包括乳腺癌、胸部肿瘤、消化系统肿瘤、泌尿生殖系统肿瘤、血液系统肿瘤、其他肿瘤;乳腺癌分值为4.20,胸部肿瘤分值为10.00、消化系统肿瘤分值为9.35、泌尿生殖系统肿瘤分值为0.00、血液系统肿瘤分值为8.22、其他肿瘤分值为6.47;
静脉置管种类包括CVC导管、PICC导管;CVC导管分值为0.00、PICC导管分值为4.59;
导管尖端位置包括位于胸椎6-8节段、高于胸椎6-8节段、低于胸椎6-8节段、异位至上腔静脉之外;位于胸椎6-8节段分值为0.00、高于胸椎6-8节段1.33、低于胸椎6-8节段分值为1.95、异位至上腔静脉之外分值为7.37;
基线化疗分是或否,是分值为2.22,否分值为0.00;
基线抗凝或抗血小板治疗分是或否,是分值为0.00,否分值为7.18。
最优选地,所述风险分值以19.6作为临界值,当患者的风险分值大于或等于19.6时,判断该患者为CRT高危患者,当风险分值低于19.6时,判断该患者为CRT低危患者。
根据本发明的另一个方面,本发明提供了前面所述的评分模型的构建方法:
(1)利用单变量logistic回归分析筛选CRT风险相关因素;
(2)将步骤1获得的相关因素带入多变量logistic回归分析获得CRT的独立危险因素,构建前面所述的评分模型。
根据本发明的又一个方面,本发明提供了一种用于预测CRT风险的诺谟图,所述诺谟图包括第一行的分值标尺,其中,分值范围为0~10;第二行为患者性别,不同性别对应第一行相应的分值;第三行为肿瘤类型,不同肿瘤对应第一行相应的分值;第四行为静脉导管种类,不同导管对应第一行相应的分值;第五行为导管尖端位置,不同位置对应第一行的相应分值;第六行为基线抗凝或抗血小板治疗,治疗与否对应第一行的相应分值;第七行为基线化疗,化疗与否对应第一行的相应化疗;第八行为患者总分值,将第二行至第七行的六个指标在第一行对应的分值相加,得到患者总分值;第九行为患者发生CRT风险概率,将第八行的患者总分值对应投射至第九行上得出患者发生CRT风险概率;
优选地,
性别包括男和女,男性分值为2.45,女性分值为0.00;
肿瘤类型包括乳腺癌、胸部肿瘤、消化系统肿瘤、泌尿生殖系统肿瘤、血液系统肿瘤、其他肿瘤;乳腺癌分值为4.20,胸部肿瘤分值为10.00、消化系统肿瘤分值为9.35、泌尿生殖系统肿瘤分值为0.00、血液系统肿瘤分值为8.22、其他肿瘤分值为6.47;
静脉置管种类包括CVC导管、PICC导管;CVC导管分值为0.00、PICC导管分值为4.59;
导管尖端位置包括位于胸椎6-8节段、高于胸椎6-8节段、低于胸椎6-8节段、异位至上腔静脉之外;位于胸椎6-8节段分值为0.00、高于胸椎6-8节段1.33、低于胸椎6-8节段分值为1.95、异位至上腔静脉之外分值为7.37;
基线化疗分是或否,是分值为2.22,否分值为0.00;
基线抗凝或抗血小板治疗分是或否,是分值为0.00,否分值为7.18。
在本发明的具体实施方案中,所述诺谟图的结构如图1所示。
具体地,本发明提供了前面所述的诺谟图的构建方法,所述方法如下:
(1)利用单变量logistic回归分析筛选CRT的危险因素;
(2)将步骤1获得的CRT的危险因素带入多变量logistic回归分析,获得CRT风险的独立危险因素及前面所述的评分模型;
(3)根据多变量logistic回归分析结果构建前面所述的诺谟图。
多变量logistic回归分析获得的CRT独立危险因素包括年龄、性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗、基线抗凝或抗血小板治疗。
进一步,步骤4的方法可以为:选择多变量logistic回归分析结果获得CRT独立危险因素以获得最终模型,其线性预测器被提取以评估发生CRT的风险(概率);线性预测器集成在软件中;根据Iasonos等人(2008)执行软件以建立诺谟图(每个独立危险因素的线性预测器在0-100之间,包括主效应、相互作用和分段线性效应)。
根据本发明的又一个方面,本发明提供了一种试剂盒,其包含:由患者和/或护士和/或医生完成的表格,所述表格是专门设计用于前面所述的诺谟图分析所需。
这些表格可以包含旨在收集进行预测分析所需的信息的特定问题,例如性别、肿瘤类型、静脉导管种类、导管尖端位置、基线是否抗凝或抗血小板治疗、基线是否化疗(靶向治疗)。
性别分为男或女;
肿瘤类型分为乳腺癌、胸部肿瘤、消化系统肿瘤、泌尿生殖系统肿瘤、血液系统肿瘤、其他肿瘤;
静脉导管种类分为CVC或PICC。
导管尖端位置分为正常、T6-8以上、T6-8以下、或异位至上腔静脉之外。
基线是否抗凝或抗血小板治疗情况分为基线接受抗凝或抗血小板治疗、基线未接受抗凝或抗血小板治疗。
基线是否化疗(靶向治疗)分为基线接受化疗(靶向治疗)治疗或基线未接受化疗(靶向治疗)。
根据本发明的又一个方面,本发明提供了前面所述的评估模型在制备前面所述的试剂盒中的应用。
根据本发明的又一个方面,本发明提供了前面所述的诺谟图在制备前面所述的试剂盒中的应用。
根据本发明的又一个方面,本发明提供了一种CRT风险预测系统,所述系统包括信息采集模块,数据处理模块、风险预测模块,诺谟图生成模块;
信息采集模块用于采集与肿瘤患者发生CRT风险相关的信息;优选地,所述信息包括年龄、性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗或与否、基线抗凝或抗血小板治疗与否;
数据处理模块执行单因素分析和/或多因素分析获得CRT风险的独立危险因素及其与CRT风险的相关性;优选地,独立危险因素是年龄、性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗与否、基线抗凝或抗血小板治疗与否;
诺谟图生成模块根据数据处理模块的分析结果构建诺谟图;优选地,所述诺谟图是前面所述的诺谟图;
风险预测模块根据数据处理模块的分析结果或根据诺谟图生成模块构建的诺谟图出具风险预测报告,预测受试者发生CRT的风险高低或风险概率。
根据本发明的又一个方面,本发明提供了一种CRT风险预测系统,所述系统包括数据处理模块,所述数据处理模块运算前面所述的评分模型。
进一步,所述系统还包括风险预测模块,所述风险预测模块根据数据处理模块的计算结果分析CRT风险:当根据前面所述的评分模型获得的风险分值大于或等于19.6时,判断该患者为CRT高危患者,当风险分值低于19.6时,判断该患者为CRT低危患者。
根据本发明的又一个方面,本发明提供了一种CRT风险预测系统,所述系统包括信息采集模块、风险预测模块;
所述信息采集模块采集患者如下信息:年龄、性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗与否、基线抗凝或抗血小板治疗与否;
风险预测模块根据前面所述的诺谟图分析CRT风险概率。
本发明前面所述的CRT风险预测系统还可以包含机器可读存储器,和/或处理器。
进一步,机器可读存储器包括计算机和/或计算器。
根据本发明的又一个方面,本发明提供了前面所述的评分模型在制备前面所述的系统中的应用。
根据本发明的又一个方面,本发明提供了前面所述的诺谟图在制备前面所述的系统中的应用。
根据本发明的又一个方面,本发明提供了前面所述的评分模型在制备预测CRT风险工具中的应用。
进一步,所述工具包括诺谟图、计算机系统。
根据本发明的又一个方面,本发明提供了前面所述的诺谟图在制备预测CRT风险工具中的应用。
根据本发明的又一个方面,本发明提供了一种预测CRT风险的方法,所述方法包括使用前面所述的评分模型。
根据本发明的又一个方面,本发明提供了一种预测CRT风险的方法,所述方法包括使用前面所述的评分模型;当患者的风险分值大于或等于19.6时,即为CRT高危患者,而风险分值低于19.6时,该患者为CRT低危患者。
根据本发明的又一个方面,本发明提供了一种预测CRT风险的方法,所述方法包括使用前面所述的诺谟图。
根据本发明的又一个方面,本发明提供了一种预测CRT风险的方法,所述方法包括使用前面所述的诺谟图,具体包括:
(1)收集患者以下信息:性别、肿瘤类型、静脉导管种类、导管尖端位置、基线是否抗凝或抗血小板治疗、基线是否化疗(靶向治疗);
(2)将患者各项信息根据不同情况赋予不同的分值;
(3)按照前面所述的诺谟图分析CRT风险概率。
如本文所用,“诺谟图”是指来自多变量logistic回归建模的评分模型的图形表示,其允许评估受试者发生CRT的风险,例如,基于一个或多个容易获得的参数,包括但不限于性别、肿瘤类型、静脉导管种类、导管尖端位置、基线是否抗凝或抗血小板治疗、基线是否化疗(靶向治疗)。诺谟图的有用之处在于它在用户友好的图形界面中将预测风险概率映射到0到100范围内的点。由各种协变量累积的总点数对应于患者的预测风险概率。
本发明的有益效果如下:
本发明中的诺谟图简明扼要,通俗易懂,便于临床医生以及病人自身进行操作,预测CRT风险概率;同时根据本发明的风险评分模型计算出的患者风险评分可以很明确的区分出高危及低危的人群,从而协助临床医生制定出高效的治疗方案以提高疗效及病患的生活质量。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1显示本发明的诺谟图;
图2显示建模队列和验证队列中诺谟图的ROC曲线图和校正曲线图,其中,A:建模队列中ROC曲线,B:建模队列中校正曲线;C:验证队列中ROC曲线,D:验证队列中校正曲线;
图3显示高危患者和低危患者的CRT发生率统计图;
图4显示本发明的CRT风险预测模型(诺谟图)与Khorana风险评分模型的比较图,其中,A:ROC曲线,B:决策曲线。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
实施例 评分模型和诺谟图构建
1、研究对象和研究设计
建模队列由2015年1月1日至2018年12月31日期间在国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院接受治疗的癌症患者组成。验证队列患者在2019年1月1日至2019年8月31日之间从同一机构前瞻性招募。
建模队列和验证队列的患者选择标准如下:
(1)成年患者;
(2)自愿参加本研究;
(3)经病理诊断为恶性肿瘤;
(4)成功静脉置管;
排除标准如下:
(1)患者基本信息不完整;
(2)拔管前无血管超声检查;
(3)随访结束时未拔管;
(4)肿瘤原发灶不明。
追踪建模队列的患者直至2019年2月1日。
根据使用CVC或PICC导管的最大持续时间,主要终点是3个月内CVC和12个月内PICC的导管相关血栓形成。将连续观察并记录研究组中的患者,直到发生正常拔管或血栓形成(以先发生者为准)。
患者入选后,记录了38种各种变量,包括:一般信息(年龄,性别,体重指数,吸烟和饮酒史);既往或伴随疾病(高血压,糖尿病,冠心病,脑梗死,既往深静脉血栓史,心律不齐);患者的病情(肿瘤类型,分期,卡诺夫斯基表现评分);基线治疗信息;导管相关信息(置管目的,既往静脉置管史,静脉导管的类型,导管尖端的位置,是否二次调整导管位置);化验检查(血常规检查,D-二聚体检查)等。
所有患者均由专业团队每周一次或两次接受常规导管护理。在随访期间,询问患者自身情况,自上次随访以来是否经历过不良事件或并发症。有关并发症的信息会不断记录。
这项研究没有干扰任何医生的决策,也没有改变或延迟任何治疗。
2、静脉置管方法
该队列中的所有CVC和PICC导管均使用超声引导的改良塞丁格(Seldinger)技术。
置管后所有患者进行胸部X光检查(包括导管插入侧的上肢和颈部),以确认导管插入的方向和导管末端的位置。所有X光片均由执行静脉导管的医师和至少一名负责胸部X光报告的放射线医师共同判断。导管尖端的正常位置应位于上腔静脉的下三分之一,腔房连接处或右心房的上三分之一。若以椎骨为参照,认为胸椎节段6-8(T6-T8)是正确的位置。否则,它将处于不合适的位置。
3、多普勒血管超声
所有患者拔管前或任何提示CRT的临床症状时接受超声多普勒和彩色成像(GELOGIQTM E9)。每一份超声报告都是由国家癌症中心的同一个放射科医生团队评估。CRT是在发现部分或完全血管闭塞的血栓后诊断的。
4、统计分析
导管相关并发症的发生率计算为导管相关并发症的总数除以放置的CVC或PICC的总数(%)或除以1000CVC或PICC天数(/使用1000天)。使用Pearson x2检验,独立样本t检验以及单变量和多变量logistic回归分析进行统计分析,以确定与导管相关并发症的重要独立危险因素。这些结果表示为具有95%置信区间(CI)的调整后的优势比(OR)。单变量分析中p<0.25的变量包括在多变量分析中,通过采用“向前法”选择变量,获得了相对最优回归模型。
所有的统计检验都是双向的,并且p值<0.05被认为具有统计学意义。单因素和多因素回归分析被用来探讨各因素与CRT风险之间的关系。
高危组和低危组之间的风险模型的临界值来自最大的约登指数。Pearson的x2检验用于比较两组之间CRT的发生率。Pearson的x2检验,单变量和多变量logistic回归分析使用SPSS软件(版本23,SPSS Inc.,IBM,NY,美国)。
基于多变量分析的结果并使用R(R Foundation for Statistics Computingv3.6.0)软件中的rms(http://www.r-project.org/)软件包来构建诺谟图。诺谟图的性能包括区别度、校正度和临床影响。区别度通过ROC测定;校正度通过校正曲线、决定系数(R2)和Hosmer-Lemeshow(H-L)拟合优度检验来评价;临床影响通过绘制绘制决策曲线(decision curve analysis)展现。
5、结果
5.1患者特征
在2015年1月1日至2018年12月31日的建模队列共记录9222例静脉置管的案例。最终3131例置管案例纳入研究。总置管天数为221074天,每位患者的置管中位天数为68.0天(范围0-345天)。验证队列共记录2909例静脉置管的案例,最后685例静脉置管的案例纳入研究。表1列出了建模队列和验证队列中患者的临床病理特征。
表1建模队列和验证队列中患者的临床病理特征
5.2导管相关血栓形成位置
本研究记录了397例(12.7%)CRT,发生率为1.80例/1000置管天。CRT最常见的部位是锁骨下静脉,占52.14%(207/397),33.75%(134/397)CRT为多部位血栓。表2中提供了有关血栓形成位置的详细信息。
表2建模队列和验证队列中CRT的发生情况
5.3独立危险因素
单变量分析结果在表3中列出。
表3 CRT发生风险的单因素分析
多变量分析表明性别、肿瘤类型、静脉导管种类、导管尖端位置、基线是否抗凝或抗血小板治疗、基线是否化疗(包括靶向治疗)是CRT的独立危险因素(表4)。
表4导管相关性血栓高危因素的多因素分析
5.4临床预测模型的构建和验证
5.4.1建模队列诺谟图的构建
整合了所有重要独立因素的诺谟图显示在图1中,诺谟图的评分显示在表5中。CRT风险预测的AUC为0.741(CI:0.715-0.766)(图2A)。测定系数(R2)为0.138,拟合优度的Pearson和Hosmer-Lemeshow检验结果不显著(P=0.138,df=6)。CRT风险的校准曲线显示了通过诺谟图进行的预测与实际观察之间的最佳一致性(图2B)。
表5风险模型中的变量及对应的分值
变量 | 基于诺谟图的分值 |
性别 | |
男性 | 2.45 |
女性 | 0.00 |
肿瘤 | |
乳腺癌 | 4.20 |
胸部肿瘤 | 10.00 |
消化系统肿瘤 | 9.35 |
泌尿生殖系统肿瘤 | 0.00 |
血液肿瘤肿瘤 | 8.22 |
其他肿瘤 | 6.47 |
静脉置管种类 | |
CVC导管 | 0.00 |
PICC导管 | 4.59 |
导管尖端的位置 | 0.00 |
正常(胸椎6-8节段) | 0.00 |
异常 | |
高于胸椎6-8节段 | 1.33 |
低于胸椎6-8节段 | 1.95 |
异位至上腔静脉之外 | 7.37 |
基线是否化疗 | |
是 | 2.22 |
否 | 0.00 |
基线是否抗凝或抗抗血小板治疗 | |
是 | 0.00 |
否 | 7.18 |
分数为19.6时,Youden指数的最大值为0.371(敏感性:67.3%,特异性:69.8%)。分数高于19.6的患者被视为发生CRT的高危患者。高危组的CRT发生率为24.5%(267/1092),明显高于低危组的6.4%(130/2039),p=0.000(图3)。
5.4.2验证队列中诺谟图验证
验证队列的ROC曲线和校准曲线如图2C和图2D所示。AUC值为0.754(CI:0.704-0.803),测定系数(R2)为0.214,Pearson和Hosmer-Lemeshow拟合优度检验的结果不显著(P=0.875,df=7),表明良好的辨别力和良好的校准能力。低危组的血栓形成发生率为5.6%(23/413),明显低于高危组的血栓形成发生率(26.8%,73/272),P=0.000(图3)。
5.5Khorana风险评分模型在基本队列中的预测表现
Khorana风险评分模型通常用于预测癌症患者的VTE,但是Khorana风险评分模型中的曲线下面积(AUC)为0.539(CI:0.509-0.569);决策曲线也表明新预测模型比khorana风险评分模型对静脉置管人群的净效益更高(图4)。表明Khorana评分不是导管相关血栓形成风险的良好预测指标。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种预测CRT风险的评分模型,其特征在于,所述评分模型中变量包括性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗、基线抗凝或抗血小板治疗;
所述评分模型如下:风险分值=性别+肿瘤类型+静脉置管种类+导管尖端位置+基线化疗+基线抗凝或抗血小板治疗;
性别包括男和女,男性分值为2.45,女性分值为0.00;
肿瘤类型包括乳腺癌、胸部肿瘤、消化系统肿瘤、泌尿生殖系统肿瘤、血液系统肿瘤、其他肿瘤;乳腺癌分值为4.20,胸部肿瘤分值为10.00、消化系统肿瘤分值为9.35、泌尿生殖系统肿瘤分值为0.00、血液系统肿瘤分值为8.22、其他肿瘤分值为6.47;
静脉置管种类包括CVC导管、PICC导管;CVC导管分值为0.00、PICC导管分值为4.59;
导管尖端位置包括位于胸椎6-8节段、高于胸椎6-8节段、低于胸椎6-8节段、异位至上腔静脉之外;位于胸椎6-8节段分值为0.00、高于胸椎6-8节段1.33、低于胸椎6-8节段分值为1.95、异位至上腔静脉之外分值为7.37;
基线化疗分是或否,是分值为2.22,否分值为0.00;
基线抗凝或抗血小板治疗分是或否,是分值为0.00,否分值为7.18;
所述风险分值以19.6作为临界值,当患者的风险分值大于或等于19.6时,判断该患者为CRT高危患者,当风险分值低于19.6时,判断该患者为CRT低危患者;
所述评分模型的构建方法包括如下步骤:
(1)收集影响CRT风险的信息;
(2)利用单变量logistic回归分析筛选CRT危险因素;
(3)将步骤(2)获得的CRT危险因素带入多变量logistic回归分析,获得CRT风险的独立危险因素及所述评分模型。
2.一种用于预测CRT风险的诺谟图,其特征在于,所述诺谟图包括第一行的分值标尺,其中,分值范围为0~10;第二行为患者性别,不同性别对应第一行相应的分值;第三行为肿瘤类型,不同肿瘤对应第一行相应的分值;第四行为静脉导管种类,不同导管对应第一行相应的分值;第五行为导管尖端位置,不同位置对应第一行的相应分值;第六行为基线抗凝或抗血小板治疗,治疗与否对应第一行的相应分值;第七行为基线化疗,化疗与否对应第一行的相应化疗;第八行为患者总分值,将第二行至第七行的六个指标在第一行对应的分值相加,得到患者总分值;第九行为患者发生CRT风险概率,将第八行的患者总分值对应投射至第九行上得出患者发生CRT风险概率;
性别包括男和女,男性分值为2.45,女性分值为0.00;
肿瘤类型包括乳腺癌、胸部肿瘤、消化系统肿瘤、泌尿生殖系统肿瘤、血液系统肿瘤、其他肿瘤;乳腺癌分值为4.20,胸部肿瘤分值为10.00、消化系统肿瘤分值为9.35、泌尿生殖系统肿瘤分值为0.00、血液系统肿瘤分值为8.22、其他肿瘤分值为6.47;
静脉置管种类包括CVC导管、PICC导管;CVC导管分值为0.00、PICC导管分值为4.59;
导管尖端位置包括位于胸椎6-8节段、高于胸椎6-8节段、低于胸椎6-8节段、异位至上腔静脉之外;位于胸椎6-8节段分值为0.00、高于胸椎6-8节段1.33、低于胸椎6-8节段分值为1.95、异位至上腔静脉之外分值为7.37;
基线化疗分是或否,是分值为2.22,否分值为0.00;
基线抗凝或抗血小板治疗分是或否,是分值为0.00,否分值为7.18;
所述诺谟图的结构如下图所示,
所述诺谟图的构建方法包括如下步骤:
(1)收集影响CRT风险的信息;
(2)利用单变量logistic回归分析筛选CRT危险因素;
(3)将步骤(2)获得的CRT危险因素带入多变量logistic回归分析,获得CRT风险的独立危险因素及所述评分模型。
3.权利要求1所述的评分模型或权利要求2所述的诺谟图的构建方法,其特征在于,所述构建方法包括如下步骤:
(1)收集影响CRT风险的信息;
(2)利用单变量logistic回归分析筛选CRT危险因素,最终选择年龄、性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗、基线抗凝或抗血小板治疗进行多因素分析;
(3)根据将步骤(2)获得的CRT危险因素带入多变量logistic回归分析,建立权利要求1所述的评分模型或权利要求2所述的诺谟图。
4.一种试剂盒,其包含:由患者和/或护士和/或医生完成的表格,所述表格是专门设计用于权利要求2所述的诺谟图分析所需。
5.权利要求1所述的评分模型,或权利要求2所述的诺谟图在制备权利要求4所述的试剂盒中的应用。
6.一种CRT风险预测系统,其特征在于,所述系统包括信息采集模块,数据处理模块、风险预测模块,诺谟图生成模块;
信息采集模块用于采集与肿瘤患者发生CRT风险相关的信息;所述信息包括年龄、性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗与否、基线抗凝或抗血小板治疗与否;
数据处理模块执行单因素分析和/或多因素分析获得CRT风险的独立危险因素及其与CRT风险的相关性;独立危险因素是年龄、性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗与否、基线抗凝或抗血小板治疗与否;
诺谟图生成模块根据数据处理模块的分析结果构建诺谟图;所述诺谟图是权利要求2所述的诺谟图;
风险预测模块根据数据处理模块的分析结果或根据诺谟图生成模块构建的诺谟图出具风险预测报告,预测受试者发生CRT的风险高低或风险概率。
7.一种CRT风险预测系统,其特征在于,所述系统包括数据处理模块,所述数据处理模块运算权利要求1所述的评分模型;所述系统还包括风险预测模块,所述风险预测模块根据数据处理模块的计算结果分析CRT风险:当根据权利要求1的评分模型获得的风险分值大于或等于19.6时,判断该患者为CRT高危患者,当风险分值低于19.6时,判断该患者为CRT低危患者。
8.一种CRT风险预测系统,其特征在于,所述系统包括信息采集模块、风险预测模块;
所述信息采集模块采集患者如下信息:年龄、性别、肿瘤类型、静脉置管种类、导管尖端位置、基线化疗与否、基线抗凝或抗血小板治疗与否;
风险预测模块根据权利要求2所述的诺谟图分析CRT风险概率。
9.根据权利要求6-8任一项所述的系统,其特征在于,所述系统还包括机器可读存储器;机器可读存储器包括计算机和/或计算器。
10.权利要求1所述的评分模型或权利要求2所述的诺谟图在制备预测CRT风险工具中的应用;所述预测CRT风险工具包括权利要求6-8中任一项所述的CRT风险预测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259176.8A CN110970133B (zh) | 2019-12-10 | 2019-12-10 | 一种crt风险评估方法和风险预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259176.8A CN110970133B (zh) | 2019-12-10 | 2019-12-10 | 一种crt风险评估方法和风险预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110970133A CN110970133A (zh) | 2020-04-07 |
CN110970133B true CN110970133B (zh) | 2023-03-21 |
Family
ID=70033784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911259176.8A Active CN110970133B (zh) | 2019-12-10 | 2019-12-10 | 一种crt风险评估方法和风险预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110970133B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112835316B (zh) * | 2021-01-06 | 2022-04-19 | 重庆医科大学 | 新生儿败血症休克预测系统及监控设备 |
CN113327679A (zh) * | 2021-05-27 | 2021-08-31 | 上海市闵行区中心医院 | 一种肺栓塞临床风险及预后评分方法与系统 |
CN114611919A (zh) * | 2022-03-09 | 2022-06-10 | 广东产品质量监督检验研究院(国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室) | 一种不合格产品的风险评估方法 |
CN115910365B (zh) * | 2022-11-16 | 2024-02-13 | 华中科技大学同济医学院附属同济医院 | Eos-CRSwNP术前难治性评估模型的构建方法及预测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0945815A2 (en) * | 1998-03-24 | 1999-09-29 | International Business Machines Corporation | Method and system for assessing risks and prognoses of a given course of medical treatment |
CN106407643A (zh) * | 2016-08-03 | 2017-02-15 | 无锡金世纪国民体质与健康研究有限公司 | 一种健康风险评估系统的建立方法 |
CN106446504A (zh) * | 2015-07-31 | 2017-02-22 | 富士通株式会社 | 用于生物医学模拟的系统和方法 |
WO2018215590A1 (en) * | 2017-05-24 | 2018-11-29 | Gendiag.Exe, S.L. | Cancer-associated venous thromboembolic events |
CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
CN109727679A (zh) * | 2018-07-30 | 2019-05-07 | 中国医学科学院肿瘤医院 | 一种颈部吻合食管癌切除术手术部位感染风险预测评分及系统 |
CN109817336A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种结合影像学分析结果的早期肺癌风险评估模型建立方法 |
CN110060748A (zh) * | 2019-03-25 | 2019-07-26 | 江苏大学附属医院 | 一种多学科picc置管评估管理装置及方法 |
CN110111892A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种nsclc患者术后短期复发转移风险评估系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050019798A1 (en) * | 2003-05-30 | 2005-01-27 | Michael Kattan | Methods to predict death from breast cancer |
US8489429B2 (en) * | 2007-01-25 | 2013-07-16 | Cerner Innovation, Inc. | System and method for determining a person centric infection risk associated with encountering a healthcare provider |
EP3220810A4 (en) * | 2014-11-17 | 2018-05-16 | Boston Heart Diagnostic Corporation | Cardiovascular disease risk assessment |
US10748659B2 (en) * | 2015-03-10 | 2020-08-18 | Abbott Cardiovascular Systems Inc. | Method and system for predicting risk of thrombosis |
-
2019
- 2019-12-10 CN CN201911259176.8A patent/CN110970133B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0945815A2 (en) * | 1998-03-24 | 1999-09-29 | International Business Machines Corporation | Method and system for assessing risks and prognoses of a given course of medical treatment |
CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
CN106446504A (zh) * | 2015-07-31 | 2017-02-22 | 富士通株式会社 | 用于生物医学模拟的系统和方法 |
CN106407643A (zh) * | 2016-08-03 | 2017-02-15 | 无锡金世纪国民体质与健康研究有限公司 | 一种健康风险评估系统的建立方法 |
WO2018215590A1 (en) * | 2017-05-24 | 2018-11-29 | Gendiag.Exe, S.L. | Cancer-associated venous thromboembolic events |
CN109727679A (zh) * | 2018-07-30 | 2019-05-07 | 中国医学科学院肿瘤医院 | 一种颈部吻合食管癌切除术手术部位感染风险预测评分及系统 |
CN109817336A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种结合影像学分析结果的早期肺癌风险评估模型建立方法 |
CN110060748A (zh) * | 2019-03-25 | 2019-07-26 | 江苏大学附属医院 | 一种多学科picc置管评估管理装置及方法 |
CN110111892A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种nsclc患者术后短期复发转移风险评估系统 |
Non-Patent Citations (10)
Title |
---|
刘芬 ; 郭豫涛 ; 徐月 ; 刘心菊 ; 李燕 ; 侯惠如 ; .老年住院患者PICC相关深静脉血栓风险评估模型研究.2017,(第04期),全文. * |
吴佳磊 ; 黄挺 ; .苇茎汤联合支气管动脉栓塞治疗对肺癌致上腔静脉综合征患者D-二聚体、CEA及CYFRA21-1的影响.2019,(第05期),全文. * |
张婷 ; .PICC致静脉血栓危险因素分析及预见性护理新进展.2017,(第08期),全文. * |
徐依成 ; 王桂华 ; 王培福 ; 李硕丹 ; 高洁 ; 苗凤茹 ; 杜继臣 ; .非肿瘤住院患者PICC导管相关性血栓形成风险研究.2019,(第05期),全文. * |
李孝红 ; .肿瘤患者PICC相关静脉血栓形成时间及其影响因素.2016,(第01期),全文. * |
李楠 ; 王梅林 ; 王雁林 ; 许红梅 ; 杨佳 ; .中文版Maneval血栓风险评估表在肿瘤PICC置管病人中的适用性研究.2019,(第09期),全文. * |
杨方英 ; 谢淑萍 ; 吴婉英 ; 崔鸣欧 ; 刘小玲 ; 吴红娟 ; .肿瘤化疗患者PICC相关性上肢静脉血栓形成影响因素分析.2013,(第08期),全文. * |
田旭 ; 陈慧 ; 宋国敏 ; 卞薇 ; 刘晓玲 ; 陈伟庆 ; .基于meta分析的肿瘤患者经外周置入中心静脉导管相关性静脉血栓形成风险预测模型构建.2017,(第04期),全文. * |
陈江琼 ; 闫常帅 ; 张杰 ; 康楠 ; 胡芳 ; .PICC相关性上肢静脉血栓风险评估模型的构建与评价.2018,(第17期),全文. * |
魏欣 ; .PICC相关性上肢深静脉血栓危险因素及高危评分模型的研究.2018,(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110970133A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110970133B (zh) | 一种crt风险评估方法和风险预测系统 | |
Arsanjani et al. | Improved accuracy of myocardial perfusion SPECT for detection of coronary artery disease by machine learning in a large population | |
Rosenberg et al. | Multicenter validation of the diagnostic accuracy of a blood-based gene expression test for assessing obstructive coronary artery disease in nondiabetic patients | |
CN112542247B (zh) | 乳腺癌新辅助化疗后病理学完全缓解概率预测方法及系统 | |
US8929625B2 (en) | Method and device for side-effect prognosis and monitoring | |
Eisenberg et al. | Derived thresholds: determining the diagnostic probabilities at which clinicians initiate testing and treatment | |
US20230248998A1 (en) | System and method for predicting diseases in its early phase using artificial intelligence | |
Holm et al. | Impact of uncertainty associated with a child's chronic health condition on parents' health. | |
Lee et al. | Impact of the percepta genomic classifier on clinical management decisions in a multicenter prospective study | |
CN110911008A (zh) | 一种建立胆道闭锁列线图预测模型的方法及其用途 | |
Somoza et al. | Optimizing REM latency as a diagnostic test for depression using receiver operating characteristic analysis and information theory | |
McNabney et al. | Prognosis of CT-derived fractional flow reserve in the prediction of clinical outcomes | |
Detrano et al. | Computer probability estimates of angiographic coronary artery disease: Transportability and comparison with cardiologists' estimates | |
CN113707272B (zh) | 桡动脉入路肝癌介入治疗适宜人群评估模型及构建方法 | |
CN116313077A (zh) | 一种用于胆管癌根治性切除术后预后风险评估方法及系统 | |
CN109875522B (zh) | 一种预测前列腺穿刺与根治术后病理评分一致性的方法 | |
CN114141360A (zh) | 基于惩罚cox回归的乳腺癌预测方法 | |
Zhao et al. | Development and validation of a prediction rule for major adverse cardiac and cerebrovascular events in high-risk myocardial infarction patients after primary percutaneous coronary intervention | |
Christian et al. | Harmonizing multimodality imaging results using Bayesian analysis: the case of CT coronary angiography and CT-derived fractional flow reserve | |
Deng et al. | Combinatorial Use of Machine Learning and Logistic Regression for Predicting Carotid Plaque Risk Among 5.4 Million Adults With Fatty Liver Disease Receiving Health Check-Ups: Population-Based Cross-Sectional Study | |
Dundas et al. | Artificial Intelligence–based Coronary Stenosis Quantification at Coronary CT Angiography versus Quantitative Coronary Angiography | |
Ladapo et al. | Economic Outcomes of a Precision Medicine Blood Test To Assess Obstructive Coronary Artery Disease: Results from the PRESET Registry. | |
CN115132351B (zh) | 基于真实世界研究的诊断数据反馈评价系统及方法 | |
Clarke et al. | Application of Bayesian Principles to the Evaluation of Coronary Artery Disease in the Modern Era | |
CN117253073A (zh) | 一种医疗影像高效分类的判定方法、装置和存储介质 |
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 |