CN111462900A - 一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型 - Google Patents
一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型 Download PDFInfo
- Publication number
- CN111462900A CN111462900A CN202010289153.8A CN202010289153A CN111462900A CN 111462900 A CN111462900 A CN 111462900A CN 202010289153 A CN202010289153 A CN 202010289153A CN 111462900 A CN111462900 A CN 111462900A
- Authority
- CN
- China
- Prior art keywords
- model
- chorioamnionitis
- premature rupture
- membranes
- test
- 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
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (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
本发明公开了一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,具体包括以下步骤:S1、采集模型的一般资料:采集健康孕妇的数据并记录指标;S2、模型对象诊断标准确定:设置胎膜早破确诊的标准、设置临床绒毛膜羊膜炎诊断标准和设置HCA诊断标准;S3、对模型对象进行产前实验室检测;S4、对模型对象进行产后病理取样、检查;S5、确定统计模型并分析预测;本胎膜早破合并组织学绒毛膜羊膜炎的预测模型在国内率先通过计算孕晚期胎膜早破合并组织学绒毛膜羊膜炎的母体实验室指标评分,建立了预测模型,能够指导临床医师控制分娩时间和预防并发症。
Description
技术领域
本发明涉及一种预测模型,具体涉及一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型。
背景技术
孕晚期胎膜早破合并组织学绒毛膜患者的筛选。绒毛膜羊膜炎(CA ,chorioamnionitis)的诊断和治疗与感染的临床发展之间的延迟与母婴炎症反应、胎儿缺氧和脑瘫的风险增加有关,因此早期发现在产科中至关重要。CA分为两种类型:临床绒毛膜羊膜炎(CCA,clinical chorioamnionitis)和组织学绒毛膜羊膜炎(HCA,histologicchorioamnionitis)。
临床有用CRP,白细胞计数,降钙素原(PCT,procalcitonin),白细胞介素IL-6(IL-6,Interleukins-6),白细胞介素IL-10(IL-10,Interleukins-10),肿瘤坏死因子-α(TNF-α,Tumor necrosis factor-alpha)和粒细胞集落刺激因子等母体生物标志物预测绒毛膜羊膜炎。其中因为怀孕引起的生理变化导致白细胞计数升高,并且还受到类固醇给药的影响,导致白细胞计数价值有限。PCT作为一种急性期反应物和单核细胞活性的标志物,被广泛应用于各种条件下的感染预测,尤其是细菌感染,但孕妇血清PCT在诊断CA存在争议。CRP在感染性(病毒和细菌性)疾病和非感染性疾病中均升高,孕妇血清CRP的效用也因其升高较晚而受到限制,并且与妊娠生理变化相关。有研究认为相比CRP与白细胞计数,PCT是诊断绒膜羊膜炎的更好标准,但也有认为母体血清CRP是胎膜早破中无创识别感染相关的羊膜内并发症的金标准。
CCA可表现为孕妇发热和其他感染的临床症状,如心动过速、体温升高和子宫压痛等,但HCA并没有明显的早期症状,主要通过胎盘病理学检查诊断,导致目前仍没有满意的产前诊断的临床和实验室指标。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,以解决背景技术中提到的问题。
为实现上述目的,本发明提供了如下技术方案:
一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,具体包括以下步骤:
S1、采集模型的一般资料:采集健康孕妇的数据并记录以下指标:入院年龄、孕次、产次、血压、体重、入院时的体温、入院时的心率和入院时的呼吸频率;
S2、模型对象诊断标准确定:设置胎膜早破确诊的标准、设置临床绒毛膜羊膜炎诊断标准和设置HCA诊断标准;
S3、对模型对象进行产前实验室检测;
S4、对模型对象进行产后病理取样、检查;
S5、确定统计模型并分析预测。
进一步地,所述S1中采集的模型数据中的健康孕妇排除以下情况:纳入孕晚期胎膜早破孕妇;患有妊娠糖尿病、先兆子痫、妊娠肝内胆汁淤积症、胎盘早剥、心血管疾病、自身免疫性疾病、癌症、糖尿病、肾病、甲亢、双胎妊娠、传染病的孕妇。
进一步地,所述S2中设置的胎膜早破确诊的标准如下:孕妇阴道流液或外阴湿润、窥阴器检查见液体自宫颈内口流出或后穹隆有液池形成、超声检查发现羊水量较破膜前减少、PH试纸试验为碱性。
进一步地,所述S2中设置的临床绒毛膜羊膜炎诊断标准如下:一、母体体温≥38℃;二、阴道分泌物异味;三、胎心率增快并表现为胎心率基线≥160次/min或母体心率基线≥100 次/min;四、母体外周血白细胞计数≥15×109/L;五、子宫呈激惹状态或宫体有压痛;当一发生并伴随二至五任一项发生时可诊断绒毛膜羊膜炎。
进一步地,所述S2中设置的HCA诊断标准如下:对胎盘、胎膜病理切片镜检,当每一高倍镜视野≥5 个中性粒细胞浸润即确诊HCA。
进一步地,所述S3进行产前血常规检查分析时,采集下列参数:白细胞计数、中性粒细胞百分比、红细胞计数、血红蛋白、血小板计数。
进一步的,所述S3进行产前血常规检查分析时,采集下列参数:母体血清PCT水平、谷丙转氨酶、谷草转氨酶、血清肌酐、血尿素氮、总胆固醇、甘油三酯。
进一步的,所述S4中患者分娩结束后,减去破口周边胎盘,得到组织大小为3cm×3cm的胎膜组织,用10%的甲醛固定,常规石蜡包埋并室温保存,之后送检病理科以确定有无HCA。
进一步的,所述S5中统计方法如下:
S51、确定连续变量和分类变量:连续变量表示为平均值±标准偏差或中位数,分类变量表示为频率;
S52、检验比较连续变量:使用非配对的Student-t检验或Mann-Whitney非参数检验比较连续变量,分类变量使用Pearson卡方检验和Fisher精确检验进行;
S53、构建预测模型:采用多因素Logistic回归方法建立预测模型,并根据最小赤池信息标准选择最佳的模型参数,绘制模型的列线图;
S54、模型计算:对每个模型绘制受试者工作特征曲线,应用DeLong方法比较不同模型曲线下面积。采用TRIPOD报告规范推荐的Bootstrap重采样方法对模型进行内部验证并计算AUC的95%可信区间;
S55、模型决策分析:进行决策曲线分析以量化和比较模型的临床有效性,通过从显示真实阳性结果的比例中减去显示假阳性结果的比例,然后根据假阳性和假阴性结果的相对危害,得到净收益。
进一步的,所述S55中使用以下公式计算基于模型做出决策的净收益:
其中n是研究中的患者总数,Pt是给定的阈值概率,Pt<0.05时具有统计学意义。
综上所述,本发明主要具有以下有益效果:
本胎膜早破合并组织学绒毛膜羊膜炎的预测模型在国内率先通过计算孕晚期胎膜早破合并组织学绒毛膜羊膜炎的母体实验室指标评分,建立了预测模型,评估该预测模型筛选组织学绒毛膜羊膜炎的性能;根据前期研究结论,在筛查目的下,基于母体实验室指标评分构建的模型显示出最佳的患者获益,有助于临床筛选孕晚期胎膜早破合并组织学绒毛膜羊膜炎的高风险人群;通过计算母体实验室指标评分,基于该评分构建了复杂模型,利用该预测模型有助于临床筛选孕晚期胎膜早破合并HCA的高风险人群,以指导临床医师控制分娩时间和预防并发症。
附图说明
图1为本发明的方法框图;
图2为本发明预测模型的列线图。
具体实施方式
以下结合附图1和2对本发明作进一步详细说明。
实施例1
一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,具体包括以下步骤:
S1、采集模型的一般资料:采集健康孕妇的数据并记录以下指标:入院年龄、孕次、产次、血压、体重、入院时的体温、入院时的心率和入院时的呼吸频率;
S2、模型对象诊断标准确定:设置胎膜早破确诊的标准、设置临床绒毛膜羊膜炎诊断标准和设置HCA诊断标准;
S3、对模型对象进行产前实验室检测;
S4、对模型对象进行产后病理取样、检查;
S5、确定统计模型并分析预测。
其中,S1中采集的模型数据中的健康孕妇排除以下情况:纳入孕晚期胎膜早破孕妇;患有妊娠糖尿病、先兆子痫、妊娠肝内胆汁淤积症、胎盘早剥、心血管疾病、自身免疫性疾病、癌症、糖尿病、肾病、甲亢、双胎妊娠、传染病的孕妇。
其中,S2中设置的胎膜早破确诊的标准如下:孕妇阴道流液或外阴湿润、窥阴器检查见液体自宫颈内口流出或后穹隆有液池形成、超声检查发现羊水量较破膜前减少、PH试纸试验为碱性;由于人的羊水为弱碱性,故利用PH试纸即可实现酸碱性检测。
其中,S2中设置的临床绒毛膜羊膜炎诊断标准如下:一、母体体温≥38 ℃;二、阴道分泌物异味;三、胎心率增快并表现为胎心率基线≥160次/min或母体心率基线≥100次/min;四、母体外周血白细胞计数≥15×109/L;五、子宫呈激惹状态或宫体有压痛;当一发生并伴随二至五任一项发生时可诊断绒毛膜羊膜炎。
其中,S2中设置的HCA诊断标准如下:对胎盘、胎膜病理切片镜检,当每一高倍镜视野≥5 个中性粒细胞浸润即确诊HCA。
其中,S3进行产前血常规检查分析时,采集下列参数:白细胞计数、中性粒细胞百分比、红细胞计数、血红蛋白、血小板计数。
其中,S3进行产前血常规检查分析时,采集下列参数:母体血清PCT水平、谷丙转氨酶、谷草转氨酶、血清肌酐、血尿素氮、总胆固醇、甘油三酯。
其中,S4中患者分娩结束后,减去破口周边胎盘,得到组织大小为3cm×3cm的胎膜组织,用10%的甲醛固定,常规石蜡包埋并室温保存,之后送检病理科以确定有无HCA。
其中,S5中统计方法如下:
S51、确定连续变量和分类变量:连续变量表示为平均值±标准偏差或中位数,分类变量表示为频率;
S52、检验比较连续变量:使用非配对的Student-t检验或Mann-Whitney非参数检验比较连续变量,分类变量使用Pearson卡方检验和Fisher精确检验进行;
下面对Student-t检验进行解释,其中Student-t检验(Student's t test),主要用于样本含量较小(例如n < 30),总体标准差σ未知的正态分布。Student-t检验是用t分布理论来推论差异发生的概率,从而比较两个平均数的差异是否显著;Student-t检验具体包括单总体t检验、双总体t检验和配对样本t检验,下面针对每一种作出具体介绍:
单总体t检验是检验一个样本平均数与一个已知的总体平均数的差异是否显著。当总体分布是正态分布,如总体标准差未知且样本容量小于30,那么样本平均数与总体平均数的离差统计量呈t分布。单总体t检验统计量为:
其中
为样本平均数,
为样本标准偏差,n为样本数。该统计量t在零假说:μ=μ0为真的条件下服从自由度为n的t分布;
双总体t检验是检验两个样本平均数与其各自所代表的总体的差异是否显著,该检验用于检验两组非相关样本被试所获得的数据的差异性;一是配对样本t检验,用于检验匹配而成的两组被试获得的数据或同组被试在不同条件下所获得的数据的差异性,这两种情况组成的样本即为相关样本;独立样本t检验统计量为:
S12和 S22为两样本方差;n1 和n2 为两样本容量;
配对样本t检验可视为单样本t检验的扩展,不过检验的对象由一群来自常态分配独立样本更改为二群配对样本之观测值之差。若二配对样本x1i与x2i之差为di=x1i−x2i独立,且来自常态分配,则di之母体期望值μ是否为μ0可利用以下统计量:
其中
为配对样本差值之平均数,
为配对样本差值之标准偏差,n为配对样本数。该统计量t在零假说:μ=μ0为真的条件下服从自由度为n−1的t分布。
下面对Mann-Whitney非参数检验作出具体介绍:
Mann-Whitney U 检验是用得最广泛的两独立样本秩和检验方法。简单的说,该检验是与独立样本t检验相对应的方法,当正态分布、方差齐性等不能达到t检验的要求时,可以使用该检验。其假设基础是:若两个样本有差异,则他们的中心位置将不同。
检测方法的具体步骤如下:
第一步:将两组样本数据混合,并按照数据大小的升序编排等级。最小的数据等级为1,第二小的数据等级为2,以此类推(注意,如果混合后的数据中存在相等的情况,那么相同数据的等级值应该是相同的,并取未经排名的数组中的平均值。如数据{3, 5, 5, 9},那么他们的等级值应该是{1, 2.5, 2.5, 4}。)
第二步:分别求出两个样本的等级和R1,R2。
第三步:假设n1 = “一号样本观察值的项数”;n2 = “二号样本观察值的项数”;R1= “一号样本各项等级和”;R2 = “二号样本中各项等级和”。那么U1, U2 的计算公式分别如下所示:
U1=R1-n1*(n1+1)/ 2 | |
U2=R2-n2*(n2+1)/ 2 |
那么 U1与U2之和的计算公式如下所示,
1 | U1+U2=R1+R2-(n1*(n1+1)+n2*(n2+1))/ 2 |
设2组样本总共数据有N 个,即 N = n1 + n2,又因为R1 + R2 = N(N + 1)/ 2 ,代入上式,可得
U1+U2 =n1*n2 |
选择U1 和U2 中最小者与临界值Uα 比较,当U < Uα时,拒绝H0,接受H1。
在原假设为真的情况下,随机变量 U 的均值和方差分别为:
E(U)=n1*n2/2 D(u)=n1*n2*(n1+n2+1)/12
当n1 和n2 都不小于 10 时,随机变量近似服从正态分布。
第四步:作出判断。
设第一个总体的均值为 u1,第二个总体的均值为 u2,则有:
1)Ho:u1 ≤ u2,H1:u1 >u2 if Z< -Za, 拒绝 Ho;
2)Ho:u1 ≥ u2,H1:u1 < u2 if Z> -Za, 拒绝 Ho;
3)Ho: u1 = u2, H1:u1 != u2 if Z> -Za / 2,拒绝 Ho。
其中Pearson卡方检验可用于两种情境的变项比较:适配度检验,和独立性检验。
“适配度检验”验证一组观察值的次数分配是否异于理论上的分配。
“独立性检验”验证从两个变量抽出的配对观察值组是否互相独立(例如:每次都从A国和B国各抽一个人,看他们的反应是否与国籍无关)。
不管哪个检验都包含三个步骤:
其中Fisher精确检验是基于超几何分布计算的,它分为两种,分别是单边检验(等同于超几何检验)和双边检验。应用于将对象分成两组后的分类数据,以检查两组分类间是否有显著关系。
是用于分析列联表(contingency tables)统计显著性检验方法,它用于检验两个分类的关联(association)。虽然实际中常常使用于小数据情况,但同样适用于大样本的情况,其中显著性检验都和P值挂钩。
S53、构建预测模型:采用多因素Logistic回归方法建立预测模型,并根据最小赤池信息标准选择最佳的模型参数,绘制模型的列线图;
其中多因素Logistic回归方法又称logistic回归分析,是一种广义的线性回归分析模型,常用于数据挖掘,疾病自动诊断,经济预测等领域。例如,探讨引发疾病的危险因素,并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例,选择两组人群,一组是胃癌组,一组是非胃癌组,两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌,值为“是”或“否”,自变量就可以包括很多了,如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的,也可以是分类的。然后通过logistic回归分析,可以得到自变量的权重,从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。
logistic回归是一种广义线性回归(generalized linear model),因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同,都具有 w‘x+b,其中w和b是待求参数,其区别在于他们的因变量不同,多重线性回归直接将w‘x+b作为因变量,即y =w‘x+b,而logistic回归则通过函数L将w‘x+b对应一个隐状态p,p =L(w‘x+b),然后根据p 与1-p的大小决定因变量的值。
其中最小赤池信息标准又称为AIC信息准则,是衡量统计模型拟合优良性(Goodness of fit)的一种标准。在一般的情况下,AIC可以表示为: AIC=2k-2ln(L)
其中:k是参数的数量,L是似然函数。
假设条件是模型的误差服从独立正态分布。
让n为观察数,SSR(SUM SQAURE OF RESIDUE)为残差平方和,那么AIC变为: AIC=2k+nln(SSR/n)
增加自由参数的数目提高了拟合的优良性,AIC鼓励数据拟合的优良性但是尽量避免出现过度拟合(Overfitting)的情况。所以优先考虑的模型应是AIC值最小的那一个。假设在n个模型中做出选择,可一次算出n个模型的AIC值,并找出最小AIC值相对应的模型作为选择对象。赤池信息准则的方法是寻找可以最好地解释数据但包含最少自由参数的模型。
S54、模型计算:对每个模型绘制受试者工作特征曲线,应用DeLong方法比较不同模型曲线下面积。采用TRIPOD报告规范推荐的Bootstrap重采样方法对模型进行内部验证并计算AUC的95%可信区间;
S55、模型决策分析:进行决策曲线分析以量化和比较模型的临床有效性,通过从显示真实阳性结果的比例中减去显示假阳性结果的比例,然后根据假阳性和假阴性结果的相对危害,得到净收益。
其中,S55中使用以下公式计算基于模型做出决策的净收益:
其中n是研究中的患者总数,Pt是给定的阈值概率,Pt<0.05时具有统计学意义。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (10)
1.一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:具体包括以下步骤:
S1、采集模型的一般资料:采集健康孕妇的数据并记录以下指标:入院年龄、孕次、产次、血压、体重、入院时的体温、入院时的心率和入院时的呼吸频率;
S2、模型对象诊断标准确定:设置胎膜早破确诊的标准、设置临床绒毛膜羊膜炎诊断标准和设置HCA诊断标准;
S3、对模型对象进行产前实验室检测;
S4、对模型对象进行产后病理取样、检查;
S5、确定统计模型并分析预测。
2.根据权利要求1所述的一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:所述S1中采集的模型数据中的健康孕妇排除以下情况:纳入孕晚期胎膜早破孕妇;患有妊娠糖尿病、先兆子痫、妊娠肝内胆汁淤积症、胎盘早剥、心血管疾病、自身免疫性疾病、癌症、糖尿病、肾病、甲亢、双胎妊娠、传染病的孕妇。
3.根据权利要求1所述的一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:所述S2中设置的胎膜早破确诊的标准如下:孕妇阴道流液或外阴湿润、窥阴器检查见液体自宫颈内口流出或后穹隆有液池形成、超声检查发现羊水量较破膜前减少、PH试纸试验为碱性。
4.根据权利要求1所述的一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:所述S2中设置的临床绒毛膜羊膜炎诊断标准如下:一、母体体温≥38 ℃;二、阴道分泌物异味;三、胎心率增快并表现为胎心率基线≥160次/min或母体心率基线≥100 次/min;四、母体外周血白细胞计数≥15×109/L;五、子宫呈激惹状态或宫体有压痛;当一发生并伴随二至五任一项发生时可诊断绒毛膜羊膜炎。
5.根据权利要求1所述的一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:所述S2中设置的HCA诊断标准如下:对胎盘、胎膜病理切片镜检,当每一高倍镜视野≥5 个中性粒细胞浸润即确诊HCA。
6.根据权利要求1所述的一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:所述S3进行产前血常规检查分析时,采集下列参数:白细胞计数、中性粒细胞百分比、红细胞计数、血红蛋白、血小板计数。
7.根据权利要求1所述的一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:所述S3进行产前血常规检查分析时,采集下列参数:母体血清PCT水平、谷丙转氨酶、谷草转氨酶、血清肌酐、血尿素氮、总胆固醇、甘油三酯。
8.根据权利要求1所述的一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:所述S4中患者分娩结束后,减去破口周边胎盘,得到组织大小为3cm×3cm的胎膜组织,用10%的甲醛固定,常规石蜡包埋并室温保存,之后送检病理科以确定有无HCA。
9.根据权利要求1所述的一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型,其特征在于:所述S5中统计方法如下:
S51、确定连续变量和分类变量:连续变量表示为平均值±标准偏差或中位数,分类变量表示为频率;
S52、检验比较连续变量:使用非配对的Student-t检验或Mann-Whitney非参数检验比较连续变量,分类变量使用Pearson卡方检验和Fisher精确检验进行;
S53、构建预测模型:采用多因素Logistic回归方法建立预测模型,并根据最小赤池信息标准选择最佳的模型参数,绘制模型的列线图;
S54、模型计算:对每个模型绘制受试者工作特征曲线,应用DeLong方法比较不同模型曲线下面积,采用TRIPOD报告规范推荐的Bootstrap重采样方法对模型进行内部验证并计算AUC的95%可信区间;
S55、模型决策分析:进行决策曲线分析以量化和比较模型的临床有效性,通过从显示真实阳性结果的比例中减去显示假阳性结果的比例,然后根据假阳性和假阴性结果的相对危害,得到净收益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010289153.8A CN111462900A (zh) | 2020-04-14 | 2020-04-14 | 一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010289153.8A CN111462900A (zh) | 2020-04-14 | 2020-04-14 | 一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111462900A true CN111462900A (zh) | 2020-07-28 |
Family
ID=71680264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010289153.8A Pending CN111462900A (zh) | 2020-04-14 | 2020-04-14 | 一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462900A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109182260A (zh) * | 2018-09-11 | 2019-01-11 | 邵勇 | 一种体外培养胎膜间充质干细胞的方法 |
CN116189909A (zh) * | 2023-03-06 | 2023-05-30 | 佳木斯大学 | 基于推举算法的临床医学判别方法及系统 |
-
2020
- 2020-04-14 CN CN202010289153.8A patent/CN111462900A/zh active Pending
Non-Patent Citations (3)
Title |
---|
中国图学学会: "《2018-2019年图学学科发展报告》", 中国科学技术出版社, pages: 189 - 199 * |
钟其梅等: ""胎膜早破孕妇发生胎盘组织学绒毛膜羊膜炎的临床危险因素分析"", pages 2571 - 2575 * |
黄艳等: ""未足月胎膜早破合并宫内感染危险因素分析及其预测模型"", pages 4141 - 4145 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109182260A (zh) * | 2018-09-11 | 2019-01-11 | 邵勇 | 一种体外培养胎膜间充质干细胞的方法 |
CN116189909A (zh) * | 2023-03-06 | 2023-05-30 | 佳木斯大学 | 基于推举算法的临床医学判别方法及系统 |
CN116189909B (zh) * | 2023-03-06 | 2024-02-20 | 佳木斯大学 | 基于推举算法的临床医学判别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kunze et al. | Cytokines in noninvasively obtained amniotic fluid as predictors of fetal inflammatory response syndrome | |
Asadi et al. | Predictive value of procalcitonin, C‐reactive protein, and white blood cells for chorioamnionitis among women with preterm premature rupture of membranes | |
Kohn et al. | Beta‐Human Chorionic Gonadotropin Levels and the Likelihood of Ectopic Pregnancy in Emergency Department Patients with Abdominal Pain or Vaginal Bleeding | |
CN111462900A (zh) | 一种胎膜早破合并组织学绒毛膜羊膜炎的预测模型 | |
Ma et al. | Use of complete blood count for predicting preterm birth in asymptomatic pregnant women: A propensity score‐matched analysis | |
CN112466460A (zh) | 早孕期孕妇MAP、PlGF和PAPP-A联合构建模型预测妊娠期高血压疾病的方法 | |
CN115331803A (zh) | 预测卵巢低反应和部署个体化卵巢刺激策略模型的构建方法和系统 | |
Anderson et al. | Placental growth factor as an indicator of fetal growth restriction in late‐onset small‐for‐gestational age pregnancies | |
Hill et al. | Prediction of preterm birth in symptomatic women using decision tree modeling for biomarkers | |
CN112820406A (zh) | 一种妊娠早期对子痫前期发病风险的预测方法 | |
Mello et al. | Prediction of the development of pregnancy-induced hypertensive disorders in high-risk pregnant women by artificial neural networks | |
Ma et al. | Application of a prediction model based on the laboratory index score in prelabor rupture of membranes with histologic chorioamnionitis during late pregnancy | |
Singh et al. | Role of serum lactate dehydrogenase in pregnancy induced hypertension with its adverse feto-maternal outcome-a case-control study | |
Hanson et al. | Value of soluble fms-like tyrosine kinase-1/placental growth factor test in third trimester of pregnancy for predicting preeclampsia in asymptomatic women | |
CN114878837A (zh) | 与妊娠期高血压疾病诊断相关的血清预测标志物 | |
CN114822841A (zh) | 基层适用的严重产后出血风险预测模型及其构建方法 | |
Hartmann et al. | Clinical usefulness of white blood cell count after cesarean delivery | |
Wang et al. | Development and Validation of a Multivariable Predictive Model for the Risk of Histologic Chorioamnionitis in Patients with Premature Rupture of Membranes in the Late Preterm and Term | |
Yefet et al. | Risk for fetal malformations and unfavorable neonatal outcomes in early-onset gestational diabetes mellitus | |
Teixeira et al. | Sensitivity and specificity of a urinary screening test used in an emergency setting to detect abnormal first trimester pregnancies | |
Sun et al. | Model application to quantitatively evaluate placental features from ultrasound images with gestational diabetes | |
Rajiv et al. | Maternal serum soluble fms-like tyrosine kinase-1–to–placental growth factor ratio distinguishes growth-restricted from non–growth-restricted small-for-gestational-age fetuses | |
RU2672598C1 (ru) | Способ прогнозирования внутрипеченочного холестаза у беременных женщин | |
RU2803010C1 (ru) | Способ прогнозирования развития гипертензивных расстройств при беременности в средней группе риска среди прошедших комбинированный скрининг 1 триместра | |
Meda et al. | Significance of echogenic amniotic fluid at term pregnancy and its association with meconium |
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 |