CN111883248B - 用于儿童肥胖症的预测系统 - Google Patents
用于儿童肥胖症的预测系统 Download PDFInfo
- Publication number
- CN111883248B CN111883248B CN202010534777.1A CN202010534777A CN111883248B CN 111883248 B CN111883248 B CN 111883248B CN 202010534777 A CN202010534777 A CN 202010534777A CN 111883248 B CN111883248 B CN 111883248B
- Authority
- CN
- China
- Prior art keywords
- obesity
- data
- different
- factors
- metabolic
- 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
- 208000007683 Pediatric Obesity Diseases 0.000 title claims abstract description 27
- 208000008589 Obesity Diseases 0.000 claims abstract description 49
- 235000020824 obesity Nutrition 0.000 claims abstract description 49
- 230000002503 metabolic effect Effects 0.000 claims abstract description 35
- 230000004060 metabolic process Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000013058 risk prediction model Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 15
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims description 11
- 208000034423 Delivery Diseases 0.000 claims description 8
- 230000006798 recombination Effects 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 7
- 102000011690 Adiponectin Human genes 0.000 claims description 6
- 108010076365 Adiponectin Proteins 0.000 claims description 6
- 102000003973 Fibroblast growth factor 21 Human genes 0.000 claims description 6
- 108090000376 Fibroblast growth factor 21 Proteins 0.000 claims description 6
- 102000016267 Leptin Human genes 0.000 claims description 6
- 108010092277 Leptin Proteins 0.000 claims description 6
- NRYBAZVQPHGZNS-ZSOCWYAHSA-N leptin Chemical compound O=C([C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CO)NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](N)CC(C)C)CCSC)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CS)C(O)=O NRYBAZVQPHGZNS-ZSOCWYAHSA-N 0.000 claims description 6
- 229940039781 leptin Drugs 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 102000007156 Resistin Human genes 0.000 claims description 4
- 108010047909 Resistin Proteins 0.000 claims description 4
- 238000000692 Student's t-test Methods 0.000 claims description 4
- 230000005713 exacerbation Effects 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 238000012353 t test Methods 0.000 claims description 4
- HVCOBJNICQPDBP-UHFFFAOYSA-N 3-[3-[3,5-dihydroxy-6-methyl-4-(3,4,5-trihydroxy-6-methyloxan-2-yl)oxyoxan-2-yl]oxydecanoyloxy]decanoic acid;hydrate Chemical compound O.OC1C(OC(CC(=O)OC(CCCCCCC)CC(O)=O)CCCCCCC)OC(C)C(O)C1OC1C(O)C(O)C(O)C(C)O1 HVCOBJNICQPDBP-UHFFFAOYSA-N 0.000 claims description 3
- 229930186217 Glycolipid Natural products 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 230000011987 methylation Effects 0.000 claims description 3
- 238000007069 methylation reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 2
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 229940116269 uric acid Drugs 0.000 claims description 2
- 208000018773 low birth weight Diseases 0.000 claims 2
- 231100000533 low birth weight Toxicity 0.000 claims 2
- -1 RBP-4 Proteins 0.000 claims 1
- 238000004393 prognosis Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006371 metabolic abnormality Effects 0.000 description 7
- 208000001145 Metabolic Syndrome Diseases 0.000 description 6
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 6
- 239000003550 marker Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 208000030159 metabolic disease Diseases 0.000 description 4
- 238000013517 stratification Methods 0.000 description 4
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 4
- 208000021959 Abnormal metabolism Diseases 0.000 description 3
- 206010033307 Overweight Diseases 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 235000018102 proteins Nutrition 0.000 description 3
- 102000014777 Adipokines Human genes 0.000 description 2
- 108010078606 Adipokines Proteins 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 208000004930 Fatty Liver Diseases 0.000 description 2
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 206010019708 Hepatic steatosis Diseases 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- 239000000478 adipokine Substances 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000016097 disease of metabolism Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 208000010706 fatty liver disease Diseases 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 102000029752 retinol binding Human genes 0.000 description 2
- 108091000053 retinol binding Proteins 0.000 description 2
- 231100000240 steatosis hepatitis Toxicity 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 102000014914 Carrier Proteins Human genes 0.000 description 1
- 108010078791 Carrier Proteins Proteins 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 208000009543 Metabolically Benign Obesity Diseases 0.000 description 1
- 208000031964 Other metabolic disease Diseases 0.000 description 1
- 102100037599 SPARC Human genes 0.000 description 1
- 101710100111 SPARC Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003766 bioinformatics method Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000037180 bone health Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000037356 lipid metabolism Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000010034 metabolic health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
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
- G16H50/30—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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (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
本发明公开了一种用于儿童肥胖症的预测系统,包括:数据样本采集模块,采集出生体重不同的儿童的代谢类型数据,形成不同层组的基线样本;模型因子提取模块,用于从各层组的基线样本的代谢类型数据中,进行组学特征检验,提取和分析出分别与宫内因素和/或后天因素相关的区分肥胖不同亚型的脂肪因子标志物和特征数据;模型预测构建模块,根据筛选出的脂肪因子标志物和特征数据转换为肥胖结果及其不同的代谢亚型转归结果生成风险预测模型。本发明所公开的一种预测系统有助于为临床医生对儿童肥胖病的治疗和预后判断。
Description
技术领域
本发明属于医学诊断辅助领域,具体涉及一种用于儿童肥胖症的预测系统。
背景技术
当前肥胖的流行已经成为全球性的公共卫生危机,不仅在发达国家超重肥胖率超过40%;在我国成人超重/肥胖人数也突破2亿。肥胖是2型糖尿病(T2DM)、高血压、代谢综合征(MS)等许多心血管代谢疾病最主要的危险因素。目前中国不仅是全世界肥胖人数最多的国家,也是糖尿病患者人数最多的国家,预计到2045年糖尿病人数将达到1.5亿。更值得担忧的是,肥胖已呈快速低龄化流行趋势。过去30年我国学龄儿童的肥胖率增加了13倍,增幅远高于成人,超重、肥胖儿童已接近3500万;许多成人慢性病如高血压、T2DM、MS及脂肪肝等在儿童青少年已为常见;以前期开展的北京儿童青少年代谢综合征研究(BCAMS),基于2万学龄儿童的流行病学调查数据显示,北京地区肥胖儿童青少年中MS已接近30%。儿童肥胖具有轨迹效应,代谢异常的年龄发生愈早,持续到成人期几率就愈高,导致成人慢性病的提早。儿童肥胖还影响青春期发育、骨骼健康,对心理、行为、认知及智力产生深远的不良影响,防治肥胖刻不容缓。
研究发现,儿童肥胖具有很高的代谢异质性,21-65%的肥胖儿童虽然体质指数(BMI)达到肥胖标准,却并未伴随高血压、高血糖、高血脂或胰岛素抵抗等代谢异常,即存在“代谢健康型肥胖(metabolically healthy obesity,MHO)”,研究显示MHO较代谢异常型肥胖(metabolically unhealthy obesity,MUO)心血管疾病风险低,全因死亡风险显著下降,与体重正常代谢健康(metabolically healthy normal weight,MHNW)的儿童相比,MHO并不增加2型糖尿病风险。此外,并不是所有正常体重的人都能免受代谢疾病的影响;研究表明约30%体重正常的人也会出现通常在肥胖患者才表现的心血管代谢异常,即所谓的“正常体重的代谢性肥胖”(metabolically obese normal weight,MONW),其远期心血管代谢疾病风险甚至远高于MHO。
从儿童甚至更早的发育窗口阶段,及早识别出更具风险的高危儿童并对其针对性干预,不仅可以及时干预儿童的代谢异常,而且对于防止成人肥胖和糖尿病等代谢性疾病的发生至关重要。
发明内容
基于现有技术的上述缺陷,本发明的目的在于提供一种用于儿童肥胖症的预测系统,以解决现有的方法无法有效对儿童肥胖的预后判断的技术问题。
本发明采用的技术方案如下:
一种用于儿童肥胖症的预测系统,包括:
数据样本采集模块,采集出生体重不同的儿童的代谢类型数据,形成不同层组的基线样本;
模型因子提取模块,用于从各层组的基线样本的代谢类型数据中,进行组学特征检验,提取和分析出分别与宫内因素和/或后天因素相关的区分肥胖不同亚型的脂肪因子标志物和特征数据;
模型预测构建模块,根据筛选出的脂肪因子标志物转换为肥胖结局及其不同的代谢亚型转归结局生成风险预测模型。
进一步地,根据不同的体重组及代谢亚型,将采集的代谢类型数据分为代谢健康型肥胖组数据、代谢异常型肥胖组数据和代谢健康型正常体重组数据,并建立各层组的基线样本。
进一步地,所述风险预测模型根据如下公式预测儿童肥胖随后发生代谢病疾病的概率性:
P1=(-3~-5)BMI+(-1~-2)TG,其中,BMI为体重指数,TG为脂肪因子标志物中的甘油三酯指标。
进一步地,筛查脂肪因子标志物,所述模型因子提取模块先对基线样本中的检测蛋白数据进行校正混杂因素后作线性模型分析和t检验。
进一步地,所述模型因子提取模块对出生体重指数正常的提取出仅与后天因素有关的区分肥胖不同亚型的脂肪因子标志物和特征数据,对出生体重指数异常的提取出与宫内因素和后天因素均相关的区分肥胖不同亚型的脂肪因子标志物和特征数据。
进一步地,区分肥胖不同亚型的脂肪因子标志物是通过将出生体重指数异常和出生体重指数正常的脂肪因子标志物进行比较获得。
进一步地,验证所述脂肪因子标志物转换为肥胖结果及其不同的代谢亚型转归结果的相关因子包括基因位点、甲基化位点及代谢类型数据。
进一步地,所述风险预测模型还根据如下公式预测肥胖儿童持续加重或好转的概率性:
P2=2.6L/A+1.4F-1.2R,其中,L/A为瘦素/脂联素,F为FGF-21,R为抵抗素。
与现有技术相比,本发明所公开的一种用于儿童肥胖症的预测系统,通过根据反映宫内发育环境的出生体重进行分层,再根据体重和代谢亚型分组,然后在同一个出生体重分层的正常体重组、代谢健康型肥胖组和代谢异常型肥胖组中,进行蛋白质组学特征检验,筛查并分析出与宫内因素和/或后天因素有关的区分肥胖不同亚型的脂肪因子标志物,然后构建基线筛选出的标志物对以后肥胖及其不同代谢亚型转归结果的预测模型,评价儿童的肥胖及可能产生的代谢风险。本发明所公开的一种预测系统能够作为应用于儿童肥胖精准分型、预后判断、治疗分级和随访方案的标准依据,根据患者的检测结果,基于已有医学先验信息推断患者可能罹患的肥胖分型和治疗分级,有助于为临床医生对儿童肥胖病的治疗和预后判断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明实施例中的用于儿童肥胖症的预测系统的架构图。
图2为本发明实施例中的用于儿童肥胖症的预测系统的原理框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
参照图1、图2所示,本发明实施例公开了一种用于儿童肥胖症的预测系统,用于儿童肥胖及代谢异常的风险精准预测,以便提供早期的干预,该系统包括:数据样本采集模块、模型因子提取模块和模型预测构建模块。
其中,数据样本采集模块,采集出生体重不同的儿童的代谢类型数据,形成不同层组的基线样本。
具体来说,根据反映宫内发育环境的出生体重,将出生属于不同体重指数的先进行分层,本实施例中以三层为例,低于出生体重的作为第一组,正常出生体重的作为第二组,高出生体重的作为第三组,数据样本采集模块对分属于每一组的人群进行代谢类型数据的采集,以形成后续大数据基础的基线样本。
分组完成后,根据每个出生体重层组的儿童人群,采集器相关的代谢类型数据,采集的代谢类型数据主要为与肥胖特征相关的脂肪因子及其它一些特征数据,其中,采集的一些特征数据包括:血脂四项(血清甘油三酯(TG)、总胆固醇(TC)、高密度脂蛋白胆固醇(HDL-C)、低密度脂蛋白胆固醇(LDL-C)),还可以包括:儿童的性别、体重、腰围、肝功、尿酸、睡眠情况等指标因子作为参考。采集的脂肪因子包括:血浆胰岛素、瘦素、脂联素、FGF21蛋白、RBP-4(视黄醇结合蛋白,retinolbindingprotein,体内的转运蛋白)、Sparc蛋白((secretedprotein,acidic andrich in cyst-eine))等相关指标因子。这些指标因子可用于评价代谢的情况。
在采集完每个出生体重层组的代谢类型数据后,按照设定的评价指标进行检验归类。对低出生体重组、正常出生体重组和高出生体重组内,再根据代谢情况进行分类,分成三类:体重代谢正常组(MHNW)、代谢健康型肥胖组(MHO)、代谢异常型肥胖组(MUO)。这样,在同一个出生体重分层的数据中,就包含三类,三类体重人群中,共形成九类数据,该九类数据作为采集完成的前期基线样本,将用于后续的与肥胖特征相关联的关键性标志物因子的提取和筛查。其中,代谢的异常包括糖代谢异常、脂代谢异常和代谢综合征异常,对异常标准的判定可基于现有的医学标准协议,在此不再赘述。
模型因子提取模块,用于从各层组的基线样本的代谢类型数据中,进行组学特征检验,提取和分析出分别与宫内因素和/或后天因素相关的区分肥胖不同亚型的脂肪因子标志物及特征数据。
首先,在采集完成的不同组的多种代谢类型数据中,先对每组数据中的每种检测蛋白数据进行校正混杂因素,比如矫正年龄等因素之后,作线性模型分析和t检验,主要是通过两两多重比较。其中,正常出生体重分层中配对分析可筛查出仅与后天因素有关的区分肥胖不同亚型的脂肪因子标志物。在低、高出生体重分层的配对可筛查出与宫内因素和后天因素都有关的区分肥胖不同亚型的脂肪因子标志物。再将异常出生体重分层和正常出生体重分层的脂肪因子标志物比较分析,可分析出分别与宫内因素或后天因素相关的区分肥胖不同亚型的脂肪因子标志物及特征数据。
模型预测构建模块,根据筛选出的脂肪因子标志物转换为肥胖结果及其不同的代谢亚型转归结果生成风险预测模型。其中,对确定的脂肪因子标志物进行不同时间段的监测,观察其数值的变化,进而验证其重要性大小。对脂肪因子标志物的评价可通过ROC曲线、净重新分类指数(NRI)和整体鉴别指数(IDI)评价等相结合的方式。最终确定,预测儿童发生糖脂代谢异常相关疾病的关键性因子主要是BMI和TG,预测儿童肥胖持续加重或好转的关键性因子主要是瘦素、脂联素、FGF21蛋白。当然,上述因子只是用于评价本发明实施例的关键性因子,其它因子的数值变化可作为参考和辅助。
最后,联合前期获取到的基因位点、甲基化位点及代谢类型数据,借助生物信息学分析手段,得到该预测模型。
其中,风险预测模型根据如下公式预测发生糖脂代谢异常相关疾病的概率性:
P1=(-3~-5)BMI+(-1~-2)TG,其中,BMI为体重指数,其系数一般为-4,TG为特征数据中的的甘油三酯指标,其系数一般为-1.5。该公式P1主要用于预测儿童的肥胖是否会得糖尿病、高血压、脂肪肝等肥胖特征相关的疾病。需要说明的是,针对男女性别,其前面的系数部分会有略微的变化。
其中,风险预测模型还根据如下公式预测儿童肥胖持续恶化或好转的概率性:
P2=2.6L/A+1.4F-1.2R,其中,L/A为瘦素/脂联素,F为FGF-21,R为抵抗素。该公式P2,主要用于预测儿童是否会持续肥胖,还是有好转的可能性。
需要说明的是,虽然上述公式P1和P2的指标因子不同,但二者联合引用能够正确协助医生对儿童肥胖是否需要强化治疗和预后作出判断。
举例来讲,王某,年龄8岁,性别:男,身高是136.5cm,体重是40.7kg,BMI是21.84,TG=0.48mmol/L,将数据输入到模型中,看到预测该参与者未来发生代谢综合征的概率是0.090,其95%CI为(0.047,0.167)。概率是非常小的,因此,只需要一般干预。
本领域普通技术人员应当理解的是,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,上述集成的模块、系统、平台既可以采用硬件的方式实现,也可以采用软件功能单元的形式实现。上述实施例的模块的全部或者部分能够被设计成通过带有计算机程序指令相关的硬件来完成,该程序可以存储于一判断机存储介质中,存储介质可以包括:只读存储器ROM、随机存取存储器RAM、磁盘或光盘等。
与现有技术相比,本发明所公开的一种预测系统能够作为应用于儿童肥胖精准分型、预后判断、治疗分级和随访方案的标准依据,根据患者的检测结果,基于已有医学先验信息推断患者可能罹患的肥胖分型和治疗分级,有助于为临床医生对儿童肥胖病的治疗和预后判断。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种用于儿童肥胖症的预测系统,其特征在于,所述预测系统包括:
数据样本采集模块,采集出生体重不同的儿童的代谢类型数据,形成不同层组的基线样本,具体包括:将儿童的不同的出生体重划分低出生体重组、正常出生体重组和高出生体重组,采集所述低出生体重组、所述正常出生体重组和所述高出生体重组对应儿童的代谢类型数据,根据所述代谢类型数据建立各层组的基线样本,并将所述代谢类型数据划分为代谢健康型肥胖组数据、代谢异常型肥胖组数据和代谢健康型正常体重组数据;
模型因子提取模块,用于从各层组的基线样本的代谢类型数据中,进行组学特征检验,提取和分析出分别与宫内因素和/或后天因素相关的区分肥胖不同亚型的脂肪因子标志物和特征数据,所述模型因子提取模块对出生体重指数正常的提取出仅与后天因素有关的区分肥胖不同亚型的脂肪因子标志物和特征数据,对出生体重指数异常的提取出与宫内因素和后天因素均相关的区分肥胖不同亚型的脂肪因子标志物及特征数据,其中,提取的所述脂肪因子标志物包括:脂联素、瘦素、FGF21、RBP-4、抵抗素,提取的特征数据包括:体重指数、血脂四项、尿酸;
模型预测构建模块,根据筛选出的脂肪因子标志物和特征数据转换为肥胖结果及其不同的代谢亚型转归结果生成风险预测模型。
2.根据权利要求1所述的预测系统,其特征在于,所述风险预测模型根据如下公式预测肥胖儿童发生糖脂代谢异常相关疾病的概率性:
P1=(-3~-5)BMI+(-1~-2)TG,其中,BMI为体重指数,TG为特征数据中的甘油三酯指标。
3.根据权利要求1所述的预测系统,其特征在于,所述风险预测模型还根据如下公式预测儿童肥胖持续加重或好转的概率性:
P2=2.6L/A+1.4F-1.2R,其中,L/A为瘦素/脂联素,F为FGF-21,R为抵抗素。
4.根据权利要求1所述的预测系统,其特征在于,在筛查脂肪因子标志物之前,所述模型因子提取模块先对基线样本中的检测蛋白数据进行校正混杂因素的处理,而后再作线性模型分析和t检验。
5.根据权利要求1所述的预测系统,其特征在于,区分肥胖不同亚型的脂肪因子标志物和特征数据是通过将出生体重指数异常和出生体重指数正常的脂肪因子标志物和特征数据进行比较推算获得。
6.根据权利要求1所述的预测系统,其特征在于,验证所述脂肪因子标志物转换为肥胖结局及其不同的代谢亚型转归结局的相关因子包括基因位点、甲基化位点及代谢类型数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010534777.1A CN111883248B (zh) | 2020-06-12 | 2020-06-12 | 用于儿童肥胖症的预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010534777.1A CN111883248B (zh) | 2020-06-12 | 2020-06-12 | 用于儿童肥胖症的预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111883248A CN111883248A (zh) | 2020-11-03 |
CN111883248B true CN111883248B (zh) | 2024-04-26 |
Family
ID=73158282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010534777.1A Active CN111883248B (zh) | 2020-06-12 | 2020-06-12 | 用于儿童肥胖症的预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111883248B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550923A (zh) * | 2022-01-11 | 2022-05-27 | 广州市妇女儿童医疗中心 | 一种肥胖指征指示心血管疾病快速预警系统和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103827944A (zh) * | 2011-07-22 | 2014-05-28 | 雀巢产品技术援助有限公司 | 减少儿童时期肥胖和计算儿童时期肥胖风险的方法 |
CN105136780A (zh) * | 2015-08-13 | 2015-12-09 | 上海交通大学医学院附属瑞金医院 | 分泌因子grem2在制备肥胖疾病筛选试剂中的应用 |
CN107085055A (zh) * | 2017-05-05 | 2017-08-22 | 北京骐骥生物技术有限公司 | 利用脂质生物标志物预测肥胖的方法 |
CN108753945A (zh) * | 2018-06-05 | 2018-11-06 | 首都儿科研究所 | 与中国儿童肥胖和/或高三酰甘油血症相关的snp位点及其应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015066035A1 (en) * | 2013-10-28 | 2015-05-07 | The Forsyth Institute | Compositions and methods for evaluating metabolic syndrome and related diseases |
-
2020
- 2020-06-12 CN CN202010534777.1A patent/CN111883248B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103827944A (zh) * | 2011-07-22 | 2014-05-28 | 雀巢产品技术援助有限公司 | 减少儿童时期肥胖和计算儿童时期肥胖风险的方法 |
CN105136780A (zh) * | 2015-08-13 | 2015-12-09 | 上海交通大学医学院附属瑞金医院 | 分泌因子grem2在制备肥胖疾病筛选试剂中的应用 |
CN107085055A (zh) * | 2017-05-05 | 2017-08-22 | 北京骐骥生物技术有限公司 | 利用脂质生物标志物预测肥胖的方法 |
CN108753945A (zh) * | 2018-06-05 | 2018-11-06 | 首都儿科研究所 | 与中国儿童肥胖和/或高三酰甘油血症相关的snp位点及其应用 |
Non-Patent Citations (3)
Title |
---|
Predictors of metabolically healthy obesity in children;Prince RL等;Diabetes Care;第37卷(第5期);1462-1468 * |
儿童青少年脂肪细胞因子与肥胖度的关系研究;程红;丁秀原;张美仙;赵小元;米杰;;中国实用儿科杂志(第04期);271-274 * |
学龄儿童预测代谢综合征指标分析;魏正;吴立;王雅萍;;中国临床研究(第06期);487-488 * |
Also Published As
Publication number | Publication date |
---|---|
CN111883248A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marengoni et al. | In‐hospital death according to dementia diagnosis in acutely ill elderly patients: The REPOSI study | |
CN112002427A (zh) | 失代偿期肝硬化合并感染危险预测模型的构建方法 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN114898873A (zh) | 一种糖尿病前期患者心血管疾病风险的预测方法及系统 | |
CN102063568A (zh) | 个体水平糖尿病预测模型 | |
CN111883248B (zh) | 用于儿童肥胖症的预测系统 | |
Deng et al. | Development and validation of a nomogram to better predict hypertension based on a 10-year retrospective cohort study in China | |
CN112117004A (zh) | 一种基于多源医学数据的糖尿病风险预测模型 | |
Chen et al. | Exploration of cross-talk and pyroptosis-related gene signatures and molecular mechanisms between periodontitis and diabetes mellitus via peripheral blood mononuclear cell microarray data analysis | |
CN111081334A (zh) | 一种基于风险因素概率组合分析的慢性疾病早期预警方法 | |
CN113128654B (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
CN112820397B (zh) | 一种冠状动脉旁路移植术围术期风险预测模型的建立方法 | |
CN113643809A (zh) | 基于人体成分的2型糖尿病预测方法及系统 | |
WO2024046160A1 (zh) | 一种综合评价糖脂代谢水平的系统及其应用 | |
Thomas et al. | Eighty-five per cent of what? Discrepancies in the weight cut-off for anorexia nervosa substantially affect the prevalence of underweight | |
CN117153377A (zh) | 一种中重度主动脉瓣狭窄成年患者死亡风险的预测模型 | |
CN114792567A (zh) | 一种用于预测2型糖尿病患者骨折发生风险的装置 | |
Janghorbani et al. | Comparison of glycated hemoglobin with fasting plasma glucose in definition of glycemic component of the metabolic syndrome in an Iranian population | |
CN115058511A (zh) | 基于多基因突变特征的静脉血栓栓塞症复发风险评估模型、其构建方法及其应用 | |
CN112259231A (zh) | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 | |
Suryanarayana et al. | A Comprehensive Survey on Diabetes Type-2 (T2D) Forecast Using Machine Learning | |
CN108417267B (zh) | 一种确定肝硬化肝肾综合征患者短期预后的系统 | |
LU504548B1 (en) | Intelligent early screening model and construction method thereof for alzheimer's disease | |
US20240136071A1 (en) | Intelligent early screening model and construction method thereof for alzheimer’s disease | |
Harada et al. | Study profile of the Tsuruoka Metabolomics Cohort Study (TMCS) |
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 |