CN111986806A - 一种基于临床-生物指标的急性心梗后感染风险的预测模型 - Google Patents

一种基于临床-生物指标的急性心梗后感染风险的预测模型 Download PDF

Info

Publication number
CN111986806A
CN111986806A CN202010712173.1A CN202010712173A CN111986806A CN 111986806 A CN111986806 A CN 111986806A CN 202010712173 A CN202010712173 A CN 202010712173A CN 111986806 A CN111986806 A CN 111986806A
Authority
CN
China
Prior art keywords
infection
risk
myocardial infarction
killip
classified
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.)
Granted
Application number
CN202010712173.1A
Other languages
English (en)
Other versions
CN111986806B (zh
Inventor
何鹏程
刘远辉
詹惠敏
陈纪言
谭宁
王立涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong General Hospital
Original Assignee
Guangdong General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong General Hospital filed Critical Guangdong General Hospital
Priority to CN202010712173.1A priority Critical patent/CN111986806B/zh
Publication of CN111986806A publication Critical patent/CN111986806A/zh
Application granted granted Critical
Publication of CN111986806B publication Critical patent/CN111986806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (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

本发明提供了一种基于临床‑生物指标的急性心梗后感染风险的预测模型。发明基于的预测模型是基于患者临床和生物信息，确定患者的心梗后感染风险评分，并确定与所述感染风险评分对应的感染风险程度，具有个性化，精确性的特点；所使用的患者信息均为患者入院后的常规录入信息及检测指标，更利于医护人员获取，并进行感染风险评分计算，具有简便，易得的特点；在进行感染风险评估后进行预防性干预，有利于降低心梗患者的感染发病率，并改善预后，具有降低患者医疗费用，改善患者病情，节约医疗资源的优点。

Description

一种基于临床-生物指标的急性心梗后感染风险的预测模型
技术领域
本发明属于生物技术检测领域，具体涉及一种基于临床-生物指标的急性心梗后感染风险的预测模型。
背景技术
在世界范围内，急性冠脉综合征(acute coronary syndrome，ACS)患者中ST段抬高型心肌梗死(ST-segment elevation myocardial infarction，STEMI)占大约三分之一，并造成极差的预后以及巨大的经济损失。急性心肌梗死后感染(Post-acute myocardialinfarction infection，P-AMI infection)作为此类患者重要且严重的并发症，会显著增加患者的住院时间、再住院率和病死率。在临床工作中客观、有效地评估心梗患者的感染风险，并基于此实现心梗后感染的预防，对于医护人员和患者及家属都具有非常重要的意义。
目前，对于心梗患者的感染评估多是依据患者的临床检查指标，如白细胞计数(white blood cell count，WBC)，C反应蛋白，红细胞沉降率，降钙素原等，或在患者出现感染相关症状后进行临床诊断及干预。但是，目前的技术存在诊断的滞后性，对于具有高感染风险的心梗患者无法进行风险预测，也就无法实现感染的预防。使用目前的技术对患者进行感染监测及治疗效果评价，需反复进行抽血检查，且检测需要消耗时间，无法及时帮助医护人员进行判断。
发明内容
本发明的目的在于基于易获得的患者临床数据及生物检测指标，建立一种心梗患者感染风险评估系统，能够实现心梗患者感染风险性的预测，为医护人员、患者及家属等人员预防发生心梗后感染提供依据。
为了实现上述目的，本发明采用以下技术方案实现：
一种基于临床-生物指标的急性心梗后感染风险的预测模型，所述模型为以下公式：
Pinfection＝1/(1+e-x)
其中，Pinfection表示感染风险发生率，其中e为自然对数的底数，e≈2.71828183；X表示由原始变量获得的分值。
优选地，所述原始变量包括白细胞计数、年龄、血清白蛋白、心功能分级Ⅱ～Ⅳ级、是否使用胰岛素、是否使用利尿剂、是否经皮股动脉入路。
优选地，所述x具体为x＝-5.307357+0.151109×WBC+0.035116×Age-0.086331×ALB+0.738188×KillipⅡ+1.018885×KillipⅢ+1.539725×KillipⅣ+0.757598×Insulin use+0.922849×Diuretic use+0.869492×Transfermoral approach；其中WBC表示白细胞计数；Age表示年龄；ALB表示血清白蛋白；KillipⅡ表示心功能分级Ⅱ级；KillipⅢ表示心功能分级Ⅲ级；KillipⅣ表示心功能分级Ⅳ级；Insulin use表示使用胰岛素；Diuretic use表示使用利尿剂；
Transfermoreal approach表示经皮股动脉入路。
优选地，基于临床-生物指标的急性心梗后感染风险的预测模型，所述模型的公式具体如下：
Figure BDA0002596949410000021
其中，P表示感染风险发生率，通过分值不同将感染风险分为四级：分值0-3分为低风险；分值3-6分为中风险；分值6-12分为高风险；分值12-24分为极高风险；
WBC表示白细胞计数；Age表示年龄；ALB表示血清白蛋白；KillipⅡ表示心功能分级Ⅱ级；KillipⅢ表示心功能分级Ⅲ级；KillipⅣ表示心功能分级Ⅳ级；Insulin use表示使用胰岛素；Diuretic use表示使用利尿剂；Transfemoral approach表示经皮股动脉入路。
本发明还提供一种构建如上所述的预测模型的方法，包括以下步骤：首先，根据纳入及排除标准确定最终筛选ST段抬高型心肌梗死患者，然后采集所述患者的临床-生物指标，最后根据临床数据建立急性心梗后感染风险的预测模型。
优选地，所述排除标准如下：a.入院时血液透析治疗；b.接受心脏外科手术；c.发生术前院内感染；d.入院24小时内死亡；e.未行PCI术。优选地，所述纳入标准如下：诊断为ST段抬高型心肌梗死，并行经皮冠状动脉介入治疗。
优选地，所述采集的临床-生物指标包括：人口学特征、患病史、体格检查、家族史、血液和生化检查、胸片及心脏超声、住院期间用药情况、经皮冠状动脉介入手术情况、主要终点、次要终点。
优选地，所述构建的预测模型如下：
Figure BDA0002596949410000031
其中，P表示感染风险发生率，通过分值不同将感染风险分为四级：分值0-3分为低风险；分值3-6分为中风险；分值6-12分为高风险；分值12-24分为极高风险；WBC表示白细胞计数；Age表示年龄；ALB表示血清白蛋白；KillipⅡ表示心功能分级Ⅱ级；KillipⅢ表示心功能分级Ⅲ级；KillipⅣ表示心功能分级Ⅳ级；Insulin use表示使用胰岛素；Diureticuse表示使用利尿剂；Transfemoral approach表示经皮股动脉入路。
相对于现有技术，本发明具有以下优点为：
(1)基于患者临床-生物指标，按照预先设定的评分规则确定患者的心梗后感染风险评分，并确定与所述感染风险评分对应的感染风险程度，具有个性化，精确性的特点。
(2)所使用的患者信息均为患者入院后的常规录入信息及检测指标，更利于医护人员获取，并进行感染风险评分计算，具有简便，易得的特点。
(3)在进行感染风险评估后进行预防性干预，有利于降低心梗患者的感染发病率，并改善预后，具有降低患者医疗费用，提高患者病情恢复，节约医疗资源的优点。
附图说明
图1感染预测模型建立与验证流程图。
图2实施例2使用本发明的预测模型对心梗患者感染风险的预测结果示意图。(1)左图：本预测模型在训练集(Development)中对感染具有良好的预测价值(AUC＝0.851，95％CI＝0.824-0.877)，即对感染和非感染患者具有良好的区分度；同时在验证集(Validation)中本模型也对感染具有良好的预测作用(AUC＝0.851，95％CI＝0.818-0.884)。(2)右图：在校准曲线中，拟合优度检验显示在训练集(Development)和验证集(Validation)中，本模型均具有较大的预测值，分别为10.070和5.974，即预测患者发生心梗后感染的概率与该患者实际发生感染的概率一致性较高。
图3实施例3使用本发明的预测模型对心梗患者感染风险的预测结果示意图。(1)左图：非ST段抬高型急性冠脉综合征(NSTE-ACS)患者中，本预测模型在具有良好的感染预测作用(AUC＝0.800，95％CI＝0.754-0.845)；(2)右图：拟合优度检测提示本模型在NSTE-ACS患者中具有较大的预测值(5.596)。其中Observed risk表示实际观测风险；Predictedrisk表示预测风险。
具体实施方式
为了更加简洁明了的展示本发明的技术方案、目的和优点，下面结合具体实施例和附图详细说明本发明的技术方案。
实施例1评分模型建立
(1)建立前瞻性患者队列：自2010年1月至2016年5月，在广东省人民医院被诊断为ST段抬高型心肌梗死(STEMI)并行经皮冠状动脉介入治疗(percutaneous coronaryintervention,PCI)的患者。
(2)根据纳入及排除标准确定最终纳入患者，排除标准如下：a.入院时血液透析治疗；b.接受心脏外科手术；c.发生术前院内感染；d.入院24小时内死亡；e.未行PCI术。(3)采集患者临床数据：人口学特征(性别，年龄，吸烟史等)；患病史(心血管及心血管相关性疾病及治疗情况，如高血压、心律失常、冠脉搭桥术等)；体格检查(血压、心率、心功能分级等)；家族史(心血管系统相关疾病)；血液和生化检查；胸片及心脏超声；住院期间用药情况；经皮冠状动脉介入手术情况；主要终点(住院期间心梗后感染及感染类型)；次要终点(院内死亡，不良心血管事件)。
(4)建立感染预测模型：剔除缺失值≥10％的变量，将剩余变量通过后向逐步逻辑回归模型(backward stepwise logistic regression model)建立感染预测模型公式，给予每个变量赋值，变量与其分值如表1所示，通过构建的模型公式以及变量的分值，获得感染风险发生概率百分比。再根据表2中的分值不同将感染风险分为四级(低风险：0-3分；中风险：3-6分；高风险：6-12分；极高风险：12-24分)。
表1：变量及其赋予的分值
Figure BDA0002596949410000051
感染风险计算公式如下：
Figure BDA0002596949410000052
注释：(1)Pinfection：感染风险发生率；(2)e：自然对数的底数，e≈2.71828183；(3)WBC：白细胞计数；(4)Age：年龄；(5)ALB：血清白蛋白；(6)Killip Killip II-IV：心功能分级II-IV级；(7)Insulin use：使用胰岛素；(8)Diuretic use：使用利尿剂；(9)Transfemoral approach：经皮股动脉入路。
患者风险评分与感染风险发生率之间的关系如表2所示：例如，患者风险评分为1分时，其发生感染的预测风险发生率为1.1％。
表2：患者风险评分与预测感染风险发生率
Figure BDA0002596949410000061
实施例2评分模型验证
(1)建立前瞻性患者队列：自2016年6月至2018年5月，在广东省人民医院被诊断为ST段抬高型心肌梗死(STEMI)并经过经皮冠状动脉介入治疗(percutaneous coronaryintervention,PCI)的患者。
(2)根据纳入及排除标准确定最终纳入患者，排除标准如下：a.入院时血液透析治疗；b.接受心脏外科手术；c.发生术前院内感染；d.入院24小时内死亡；e.未行PCI术。
(3)采集患者临床数据：人口学特征(性别，年龄，吸烟史等)；患病史(心血管及心血管相关性疾病及治疗情况，如高血压、心律失常、冠脉搭桥术等)；体格检查(血压、心率、心功能分级等)；家族史(心血管系统相关疾病)；血液和生化检查；胸片及心脏超声；住院期间用药情况；经皮冠状动脉介入手术情况；主要终点(住院期间心梗后感染及感染类型)；次要终点(院内死亡，不良心血管事件)。
(4)验证感染预测模型：用建立的感染预测模型计算验证集中患者的感染评分，该模型的感染预测准确性通过区分度(使用ROC曲线下面积(AUC)进行检测，图2)和一致性(使用拟合优度检验Hosmer-Lemeshowχ2statistic进行检测，图2)进行评估。一般认为AUC<0.6为区分度较差；0.6-0.75为有一定价值的区分度；>0.75为区分度较优。拟合优度检测的预测值越大，提示一致性越好。
实施例3外部验证
为扩大本感染预测模型的使用价值，将本发明构建的模型在行经皮冠状动脉介入治疗(PCI)的非ST段抬高型急性冠状动脉综合征(non-ST-elevation acute coronarysyndrome，NSTE-ACS)患者。纳入本中心前期建立的NSTE-ACS数据库，排除a.入院24小时死亡；b.未记录感染信息；c.未行经皮冠脉介入术；d.无评分包含变量的患者。根据评分变量，计算所有入选患者的感染得分，然后通过区分度(使用ROC曲线下面积(AUC)进行检测，图3)和一致性(使用拟合优度检验Hosmer-Lemeshow χ2 statistic进行检测，图3)进行评估.
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于临床-生物指标的急性心梗后感染风险的预测模型，其特征在于，所述模型为以下公式：
Pinfection＝1/(1+e-x)
其中，Pinfection表示感染风险发生率，其中e为自然对数的底数，e≈2.71828183；X表示由原始变量获得的分值。
2.如权利要求1所述的预测模型，其特征在于，所述原始变量包括白细胞计数、年龄、血清白蛋白、心功能分级Ⅱ～Ⅳ级、是否使用胰岛素、是否使用利尿剂、是否为经皮股动脉入路。
3.如权利要求1所述的预测模型，其特征在于，所述x具体为x＝-5.307357+0.151109×WBC+0.035116×Age-0.086331×ALB+0.738188×KillipⅡ+1.018885×KillipⅢ+1.539725×KillipⅣ+0.757598×Insulin use+0.922849×Diuretic use+0.869492×Transfermoral approach；其中WBC表示白细胞计数；Age表示年龄；ALB表示血清白蛋白；KillipⅡ表示心功能分级Ⅱ级；KillipⅢ表示心功能分级Ⅲ级；KillipⅣ表示心功能分级Ⅳ级；Insulin use表示使用胰岛素；Diuretic use表示使用利尿剂；Transfermoralapproach表示经皮股动脉入路。
4.如权利要求3所述的预测模型，其特征在于，所述公式具体如下：
Figure FDA0002596949400000011
Pinfection表示感染风险发生率，通过分值不同将感染风险分为四级：分值0-3分为低风险；分值3-6分为中风险；分值6-12分为高风险；分值12-24分为极高风险。
5.一种构建如上所述的预测模型的方法，其特征在于，包括以下步骤：首先，根据纳入及排除标准确定最终筛选ST段抬高型心肌梗死患者，然后采集所述患者的临床-生物指标，最后根据临床数据建立急性心梗后感染风险的预测模型。
6.如权利要求5所述的预测模型的方法，其特征在于，所述排除标准如下：a.入院时血液透析治疗；b.接受心脏外科手术；c.发生术前院内感染；d.入院24小时内死亡；e.未行PCI术。
7.如权利要求5所述的预测模型的方法，其特征在于，所述纳入标准如下：诊断为ST段抬高型心肌梗死,并行经皮冠脉介入治疗。
8.如权利要求5所述的预测模型的方法，其特征在于，所述采集的临床-生物指标包括：人口学特征、患病史、体格检查、家族史、血液和生化检查、胸片及心脏超声、住院期间用药情况、经皮冠状动脉介入手术情况、主要终点、次要终点。
9.如权利要求5所述的预测模型的方法，其特征在于，所述构建的预测模型如下：
Figure FDA0002596949400000021
其中，Pinfection表示感染风险发生率，通过分值不同将感染风险分为四级：分值0-3分为低风险；分值3-6分为中风险；分值6-12分为高风险；分值12-24分为极高风险；WBC表示白细胞计数；Age表示年龄；ALB表示血清白蛋白；KillipⅡ表示心功能分级Ⅱ级；KillipⅢ表示心功能分级Ⅲ级；KillipⅣ表示心功能分级Ⅳ级；Insulin use表示使用胰岛素；Diureticuse表示使用利尿剂；Transfemoral approach表示经皮股动脉入路。
CN202010712173.1A 2020-07-22 2020-07-22 一种基于临床-生物指标的急性心梗后感染风险的预测模型 Active CN111986806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010712173.1A CN111986806B (zh) 2020-07-22 2020-07-22 一种基于临床-生物指标的急性心梗后感染风险的预测模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010712173.1A CN111986806B (zh) 2020-07-22 2020-07-22 一种基于临床-生物指标的急性心梗后感染风险的预测模型

Publications (2)

Publication Number Publication Date
CN111986806A true CN111986806A (zh) 2020-11-24
CN111986806B CN111986806B (zh) 2023-09-12

Family

ID=73438736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010712173.1A Active CN111986806B (zh) 2020-07-22 2020-07-22 一种基于临床-生物指标的急性心梗后感染风险的预测模型

Country Status (1)

Country Link
CN (1) CN111986806B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294924A (zh) * 2013-06-17 2013-09-11 青岛市市立医院 一种新型肺癌患者抗肿瘤药物相关性感染性疾病发生风险的评估方法
CN105139083A (zh) * 2015-08-10 2015-12-09 石庆平 一种药物上市后安全性再评价的方法及其系统
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
CN110491512A (zh) * 2019-08-08 2019-11-22 郑州大学第一附属医院 一种对肾活检确诊糖尿病肾病患者3年内进入到终末期肾脏病风险预测的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294924A (zh) * 2013-06-17 2013-09-11 青岛市市立医院 一种新型肺癌患者抗肿瘤药物相关性感染性疾病发生风险的评估方法
CN105139083A (zh) * 2015-08-10 2015-12-09 石庆平 一种药物上市后安全性再评价的方法及其系统
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
CN110491512A (zh) * 2019-08-08 2019-11-22 郑州大学第一附属医院 一种对肾活检确诊糖尿病肾病患者3年内进入到终末期肾脏病风险预测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王晓晨: "心肌梗死患者动脉介入治疗后医院感染相关影响因素分析", 现代预防医学, vol. 42, no. 18, pages 3429 - 3431 *
迪力夏提·吾布力: "急性ST段抬高型心肌梗死患者发生心脏破裂的风险预测模型构建及验证", 中国老年学杂志, vol. 40, no. 03 *

Also Published As

Publication number Publication date
CN111986806B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
Wu et al. An artificial intelligence approach to early predict non-ST-elevation myocardial infarction patients with chest pain
Pincus et al. Quantitative measures for assessing rheumatoid arthritis in clinical trials and clinical care
Cheng et al. Quantitative computed tomography of the coronavirus disease 2019 (COVID-19) pneumonia
Günay et al. Can platelet indices predict obstruction level of pulmonary vascular bed in patients with acute pulmonary embolism?
O'Neal et al. Atrial fibrillation and incident myocardial infarction in the elderly
CN107153774A (zh) 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统
Yang et al. A heart failure diagnosis model based on support vector machine
Almahmoud et al. Electrocardiographic versus echocardiographic left ventricular hypertrophy in prediction of congestive heart failure in the elderly
CN113327679A (zh) 一种肺栓塞临床风险及预后评分方法与系统
Leisy et al. ECG-based signal analysis technologies for evaluating patients with acute coronary syndrome: A systematic review
Huang et al. A structure-related fine-grained deep learning system with diversity data for universal glaucoma visual field grading
Yan et al. A clinical decision support system for predicting coronary artery stenosis in patients with suspected coronary heart disease
MARTIN et al. Predicting the course of asthma in children
Wu et al. Predicting optical coherence tomography-derived high myopia grades from fundus photographs using deep learning
De Backer New risk markers for cardiovascular prevention
Granér et al. N-terminal pro-brain natriuretic peptide, high-sensitivity troponin and pulmonary artery clot score as predictors of right ventricular dysfunction in echocardiography
Duyan et al. Assessment of the diagnostic value of novel biomarkers in adult patients with acute appendicitis: a cross-sectional study
WO2021253484A1 (zh) 预测患者死亡风险的系统
CN114496210A (zh) St段抬高型心肌梗死预后评分系统
CN111986806B (zh) 一种基于临床-生物指标的急性心梗后感染风险的预测模型
RU2742429C1 (ru) Способ экспресс-оценки изменений легочной ткани при COVID-19 без применения компьютерной томографии органов грудной клетки
Li et al. Development and validation of a routine blood parameters-based model for screening the occurrence of retinal detachment in high myopia in the context of PPPM
Zhou et al. A novel laboratory-based model to predict the presence of obstructive coronary artery disease comparison to coronary artery disease consortium 1/2 score, duke clinical score and diamond-forrester score in china
Ocak et al. The importance of the mean platelet volume in the diagnosis of supraventricular tachycardia
Courtney et al. Prospective diagnostic accuracy assessment of the HemosIL HS D-dimer to exclude pulmonary embolism in emergency department patients

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
CB03 Change of inventor or designer information

Inventor after: Liu Yuanhui

Inventor after: He Pengcheng

Inventor after: Zhan Huimin

Inventor after: Chen Jiyan

Inventor after: Tan Ning

Inventor after: Wang Litao

Inventor before: He Pengcheng

Inventor before: Liu Yuanhui

Inventor before: Zhan Huimin

Inventor before: Chen Jiyan

Inventor before: Tan Ning

Inventor before: Wang Litao

CB03 Change of inventor or designer information