CN112002427A - 失代偿期肝硬化合并感染危险预测模型的构建方法 - Google Patents
失代偿期肝硬化合并感染危险预测模型的构建方法 Download PDFInfo
- Publication number
- CN112002427A CN112002427A CN202011073769.8A CN202011073769A CN112002427A CN 112002427 A CN112002427 A CN 112002427A CN 202011073769 A CN202011073769 A CN 202011073769A CN 112002427 A CN112002427 A CN 112002427A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- patients
- infection
- factor
- 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
- G16H50/30—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
- G16H50/70—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
本发明公开了一种失代偿期肝硬化合并感染危险预测模型的构建方法,包括步骤:S1、数据采集:收集失代偿期肝硬化患者信息;S2、数据预处理:对原始数据进行清洗整理;S3、采用LASSO回归进行指标筛选:根据患者有无合并感染分成感染组和非感染组,对分组后的患者的各个指标数据进行单因素分析,得到单因素有意义的指标;将单因素有意义的指标纳入Lasso回归进行指标再筛选,得到用于构建预测模型的指标;S4、构建预测模型:利用Lasso回归筛选出来的指标通过多因素Logistic回归构建预测模型。本发明方法基于临床大数据方法的应用,可靠性高;构建得到的模型简单易用,所用指标是常规检查能得到的,容易获得。
Description
技术领域
本发明涉及医学技术领域,具体涉及一种失代偿期肝硬化合并感染危险预测模型的构建方法。
背景技术
失代偿期肝硬化患者病情危重,并发症多,感染是最常见的并发症,是上消化道出血、肝性脑病、肝肾综合征等严重并发症的重要诱发因素,是导致患者死亡的主要原因之一。了解失代偿期肝硬化合并感染的特点,找出其发生感染的危险因素并构建感染预测模型对于早期诊断、早期预防和有效治疗,提高患者的生存率有重要意义。目前还未见有失代偿期肝硬化合并感染危险预测模型的报道。
发明内容
本发明的目的是针对上述问题,提供一种失代偿期肝硬化合并感染危险预测模型的构建方法,以期为临床防治工作提供参考和借鉴。
本发明为了实现其目的,采用的技术方案是:
一种失代偿期肝硬化合并感染危险预测模型的构建方法,包括如下步骤:
S1、数据采集:收集失代偿期肝硬化患者信息;
S2、数据预处理:对原始数据进行清洗整理;
S3、采用LASSO回归进行指标筛选:根据患者有无合并感染分成感染组和非感染组,对分组后的患者的各个指标数据进行单因素分析,得到单因素有意义的指标;将单因素有意义的指标纳入Lasso回归进行指标再筛选,得到用于构建预测模型的指标;
S4、构建预测模型:利用Lasso回归筛选出来的指标通过多因素Logistic回归构建预测模型。
步骤S1中所述失代偿期肝硬化患者信息,包括年龄、性别、吸烟史、饮酒史、肝病史、高血压、糖尿病;病因、并发症信息和实验室资料。
优选地,所述病因包括:乙肝、丙肝、酒精肝、自身免疫性肝病;所述并发症信息包括:原发性肝癌、肝性脑病、消化道出血、腹水、肝衰竭;所述实验室资料包括:血常规、肝功能、肾功能、电解质、凝血功能指标。
优选地,步骤S2中采用SPSS22.0和R4.0.2统计分析软件进行数据预处理。
步骤S2预处理后的数据分为训练集和测试集进行步骤S3。
在上述技术方案中,还包括步骤S5、采用ROC曲线对构建的预测模型进行临床效能评估。
优选地,步骤S3中Lasso回归采用10重交叉验证方法选择合适的惩罚项λ,筛选变量时选择λ值为0.1299时系数不为零的变量作为用于构建预测模型的指标;
进一步优选变量为白蛋白、凝血酶原活动度和淋巴细胞百分比。
本发明的再一目的是提供一种失代偿期肝硬化合并感染危险预测方法,是采用前述任一的方法构建的预测模型进行预测。
在上述技术方案中,Logistic预测模型表现为P=ex/(1+ex),X=8.766-0.110×白蛋白-0.042×凝血酶原活动度-0.119×淋巴细胞百分比。
本发明的再一目的是提供一种利用前面任一所述的构建方法构建的系统,包括数据采集单元,数据预处理单元,数据处理单元以及预测单元;
所述数据采集单元收集失代偿期肝硬化患者信息;
所述数据预处理单元对原始数据进行清洗整理;
所述数据处理单元采用LASSO回归进行指标筛选:根据患者有无合并感染分成感染组和非感染组,对分组后的患者的各个指标数据进行单因素分析,得到单因素有意义的指标;将单因素有意义的指标纳入Lasso回归进行指标再筛选,得到预测单元的预测指标;
所述预测单元利用Lasso回归筛选出来的指标通过多因素Logistic回归进行预测。
本发明的有益效果是:本方法筛选的指标是通过对病人的询问或者常规检查得到,不涉及有创检查或者操作;利用Lasso回归筛选变量,采用Logistic回归获得模型,该方法基于临床大数据方法的应用,可靠性高;本发明方法构建得到的模型简单易用,所用指标是常规检查能得到的,容易获得,能够为临床防治感染提供参考和借鉴,具有较高的参考价值。
附图说明
图1是Lasso回归10重交叉验证结果,图中两条竖线分别代表最小化MSE的λ值和λ+1se值。
图2是惩罚项对系数的压缩结果。
图3是训练集和测试集ROC曲线。
图4是预测模型列线图。
具体实施方式
下面结合实施例对本发明作进一步说明,但并不因此而限制本发明。
下述实施例中的实验方法,如无特别说明,均为常规方法。
实施例1
一、对象与方法
1、研究对象
收集2013年1月-2020年6月就诊于重庆市7家医疗机构的失代偿期肝硬化住院患者。纳入标准:失代偿期肝硬化;年龄>18周岁。排除标准:患有除原发性肝癌外的其他癌;患有精神疾病;妊娠及哺乳期妇女;病案资料不全。最终纳入研究患者6648例,根据是否合并感染分为感染组(n=3430)和非感染组(n=3218)。将纳入研究患者资料随机抽取70%(4654例)作为训练集构建预测模型,剩余30%(1994例)作为测试集进行内部验证。
2、研究指标
本次研究纳入指标如下:年龄、性别、吸烟史、饮酒史、肝病史、高血压、糖尿病;病因:乙肝、丙肝、酒精肝、自身免疫性肝病;并发症:原发性肝癌、肝性脑病、消化道出血、腹水、肝衰竭;实验室资料:血常规、肝功能、肾功能、电解质、凝血功能指标。
3、研究方法
本研究采用SPSS22.0和R4.0.2统计分析软件对数据进行整理分析。正态分布的计量资料采用表示,组间比较采用t检验;非正态分布的计量资料采用中位数和四分位间距[M(P25~P75]表示,组间比较采用Mann-WhitneyU检验;计数资料采用率和百分比表示,组间比较采用卡方检验。采用LASSO回归进行指标筛选,采用Logistic回归进行预测模型构建。
二、具体步骤
(1)首先获取原始电子病历,包括患者信息表,病历表,用药表,病案首页表,用药表,检验表,出院诊断表,手术表等多张原始表。
(2)采用SPSS22.0和R4.0.2统计分析软件对原始表进行数据清洗整理:例如对用药表字符规范化处理、药品不同名称进行归一化处理、药品单位统一。其它原始表数据的离群值处理、缺失数据插补等等。得到完成全部清洗组合的数据。
(3)将患者有无合并感染分成两组,即感染组和非感染组。对分组后的各个指标进行单因素分析,得到单因素有意义(P<0.05)的指标。结果显示,两组患者在性别(χ2=19.687,P<0.001)、饮酒史(χ2=26.736,P<0.001)、肝性脑病(χ2=130.001,P<0.001)、总胆红素(t=-28.305,P<0.001)等指标上差异存在统计学意义(P<0.05);年龄、肝病史、高血压、糖尿病、天门冬氨酸氨基转移酶等指标上不存在统计学差异(P>0.05),详见表1。
表1两组患者指标对比情况
(4)将单因素有意义(P<0.05)的指标纳入Lasso回归进行指标再筛选
Lasso回归采用10重交叉验证方法选择合适的惩罚项λ。结果显示最小化均方误差(Mean SquareError,MSE)的λ为0.001,λ+1se为0.010。图1呈现了随着log(λ)的增加MSE值的变化。
图2呈现了随着log(lambda)的增加,标准化回归系数被压缩的情况,可以看到的是,随着惩罚力度的增大,标准化系数最终全部会被压缩到0,在λ值为0.1299处,有三个系数不为0。基于Lasso回归筛选变量的核心是通过增加惩罚系数来压缩变量,惩罚系数越大,压缩后剩下的变量也就越少,变量越少均方误差也会增大,而临床上希望用更少的指标来做评价。因此结合准确性和变量数,本申请最终选定惩罚系数在0.1299的时候,剩下三个系数不为零的变量被纳入研究,根据输出结果,白蛋白、凝血酶原活动度和淋巴细胞百分比3个指标被保留下来。
(5)利用Lasso回归筛选出来的三个指标通过多因素Logistic回归构建预测模型,构建模型选用随机抽取的70%全部数据。构建的失代偿期肝硬化相关感染预测模型为(各个指标的参数如表2所示):
P=ex/(1+ex)
其中e为自然对数,X=8.766-0.110×白蛋白-0.042×凝血酶原活动度-0.119×淋巴细胞百分比。
表2多因素Logistic分析结果
(6)临床效能评估
本申请采用受试者工作特征曲线(ReceiverOperatingCharacteristicCurve,简称ROC曲线)对70%训练集患者构建的预测模型与失代偿期肝硬化患者发生感染的拟合效果进行检验,并用30%的测试集患者进行模型内部验证的效能评估。图3表示训练集和测试集各自的ROC曲线。其中训练集预测模型的ROC曲线下面积为0.873,灵敏度为78.2%,特异度为84.2%;测试集内部验证的ROC曲线下面积为0.862,灵敏度为79.8%,特异度为82.7%。提示失代偿期肝硬化相关感染风险预测模型的预测效能较佳,该模型具有较高的灵敏性和特异性。
(7)列线图展示模型预测结果
本研申请将最终构建的包含白蛋白、凝血酶原活动度以及淋巴细胞百分比预测指标的失代偿期肝硬化并发感染的风险预测模型以列线图形式表达出来,详见图4。根据相应的预测指标,可计算得到对应的Points值,最后各个指标相加得到TotalPoints值,其对应的预测值即为模型预测感染的发生概率。
(8)分析
凝血酶原活动度是判断肝病严重程度最经典的指标,在临床上评估各类肝脏疾病的灵敏度和特异度不尽相同,但总体来说其水平的降低通常提示患者的肝功能被不同程度地破坏。本研究中,失代偿期肝硬化合并感染组的凝血酶原活动度显著低于非感染组,提示医护人员应注意评估患者肝功能情况,监测凝血酶原活动度的变化,最大限度地改善患者肝功能合成代谢水平,及时纠正凝血功能指标、胆红素、白蛋白中的异常值。白蛋白是良好的判断营养状态的指标,其表达水平的降低提示机体营养不良及免疫力的下降,从而增大了感染发生的可能性。多项研究也表明白蛋白是合并感染的重要影响指标。李维勤等提出,在感染条件下,血清白蛋白从血管内到血管外的分布速率明显增加,白蛋白的分解速率也显著增加。白蛋白过低是合并感染的危险因素。Marciano等提出,白蛋白可作为高风险感染患者的补充治疗选择。Poca等提出,白蛋白治疗可提高感染高风险发作的患者的生存率。因此临床医务人员应密切关注失代偿期肝硬化患者白蛋白水平变化,及时采取相关临床干预及预防措施,降低感染并发症发生率。淋巴细胞是白细胞的一种,来源于骨髓造血干细胞,在不同部位分化成熟。与之相关的中性粒细胞淋巴细胞比值是一项价格低廉、临床易获取的炎症反应指标,一定程度上反映了宿主炎症反应与细胞免疫反应之间的平衡关系。同时淋巴细胞百分比是血常规检查项目之一,有助于各种疾病的治疗效果观察和预后效果。淋巴细胞百分比无论是升高还是降低都会增加感染的风险,从而影响失代偿期肝硬化患者的预后。研究发现中性粒细胞淋巴细胞比值乙肝肝硬化失代偿期患者30d死亡的独立预测因子。目前对于淋巴细胞百分比影响失代偿期肝硬化合并感染的机制尚未成熟,本研究结果可为临床进一步研究奠定基础。
实施例2应用实例
应用实例1:一患者实验室检查指标显示中性粒细胞百分比为90.2;白蛋白为26.3g/L;凝血酶原活性度为60%。
带入公式P=ex/(1+ex)
其中e为自然对数,X=8.766-0.110×白蛋白-0.042×凝血酶原活动度-0.119×淋巴细胞百分比。结果P=0.0005,考虑感染可能性较小。
应用实例2:一患者实验室检查指标显示中性粒细胞百分比为40;白蛋白为20g/L;凝血酶原活性度为30%。
带入公式P=ex/(1+ex)
其中e为自然对数,X=8.766-0.110×白蛋白-0.042×凝血酶原活动度-0.119×淋巴细胞百分比。结果P=0.6332,考虑感染可能性较大,应做好预防措施。
Claims (10)
1.一种失代偿期肝硬化合并感染危险预测模型的构建方法,其特征在于,包括如下步骤:
S1、数据采集:收集失代偿期肝硬化患者信息;
S2、数据预处理:对原始数据进行清洗整理;
S3、采用LASSO回归进行指标筛选:根据患者有无合并感染分成感染组和非感染组,对分组后的患者的各个指标数据进行单因素分析,得到单因素有意义的指标;将单因素有意义的指标纳入Lasso回归进行指标再筛选,得到用于构建预测模型的指标;
S4、构建预测模型:利用Lasso回归筛选出来的指标通过多因素Logistic回归构建预测模型。
2.如权利要求1所述的构建方法,其特征在于:步骤S1中所述失代偿期肝硬化患者信息,包括年龄、性别、吸烟史、饮酒史、肝病史、高血压、糖尿病;病因、并发症信息和实验室资料。
3.如权利要求2所述的构建方法,其特征在于:所述病因包括:乙肝、丙肝、酒精肝、自身免疫性肝病;所述并发症信息包括:原发性肝癌、肝性脑病、消化道出血、腹水、肝衰竭;所述实验室资料包括:血常规、肝功能、肾功能、电解质、凝血功能指标。
4.如权利要求1所述的构建方法,其特征在于:步骤S2中采用SPSS22.0和R4.0.2统计分析软件进行数据预处理。
5.如权利要求1所述的构建方法,其特征在于:步骤S2预处理后的数据分为训练集和测试集进行步骤S3。
6.如权利要求5所述的构建方法,其特征在于:还包括步骤S5、采用ROC曲线对构建的预测模型进行临床效能评估。
7.如权利要求1所述的构建方法,其特征在于:步骤S3中Lasso回归采用10重交叉验证方法选择合适的惩罚项λ,筛选变量时选择λ值为0.1299时系数不为零的变量作为用于构建预测模型的指标;
优选变量为白蛋白、凝血酶原活动度和淋巴细胞百分比。
8.一种失代偿期肝硬化合并感染危险预测方法,其特征在于:是采用权利要求1至7任一项所述的方法构建的预测模型进行预测。
9.如权利要求8所述的预测方法,其特征在于:Logistic预测模型表现为P=ex/(1+ex),X=8.766-0.110×白蛋白-0.042×凝血酶原活动度-0.119×淋巴细胞百分比。
10.一种利用权利要求1-9之一所述的构建方法构建的系统,其特征在于,包括数据采集单元,数据预处理单元,数据处理单元以及预测单元;
所述数据采集单元收集失代偿期肝硬化患者信息;
所述数据预处理单元对原始数据进行清洗整理;
所述数据处理单元采用LASSO回归进行指标筛选:根据患者有无合并感染分成感染组和非感染组,对分组后的患者的各个指标数据进行单因素分析,得到单因素有意义的指标;将单因素有意义的指标纳入Lasso回归进行指标再筛选,得到预测单元的预测指标;
所述预测单元利用Lasso回归筛选出来的指标通过多因素Logistic回归进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073769.8A CN112002427A (zh) | 2020-10-09 | 2020-10-09 | 失代偿期肝硬化合并感染危险预测模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073769.8A CN112002427A (zh) | 2020-10-09 | 2020-10-09 | 失代偿期肝硬化合并感染危险预测模型的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112002427A true CN112002427A (zh) | 2020-11-27 |
Family
ID=73475196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011073769.8A Pending CN112002427A (zh) | 2020-10-09 | 2020-10-09 | 失代偿期肝硬化合并感染危险预测模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112002427A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112768076A (zh) * | 2021-02-01 | 2021-05-07 | 华中科技大学同济医学院附属协和医院 | 一种食管癌化疗发生骨髓抑制的风险预测方法 |
CN112863668A (zh) * | 2021-02-07 | 2021-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于机器学习的肝硬化患者肺内血管扩张筛查系统 |
CN113362954A (zh) * | 2021-05-20 | 2021-09-07 | 浙江大学 | 一种老年患者术后感染并发症风险预警模型及其建立方法 |
CN113361822A (zh) * | 2021-07-12 | 2021-09-07 | 上海交通大学医学院附属第九人民医院 | 大唾液腺癌患者生存预测系统、方法及终端 |
CN113409939A (zh) * | 2021-07-01 | 2021-09-17 | 重庆医科大学 | Copd急性加重并发呼吸衰竭的预测系统及监测装置 |
CN113782211A (zh) * | 2021-10-27 | 2021-12-10 | 首都医科大学附属北京地坛医院 | 乙肝肝硬化病患发生慢性肾脏病的风险预警模型建立方法、预测方法 |
CN114121147A (zh) * | 2021-12-10 | 2022-03-01 | 四川大学华西医院 | 神经细胞粘附分子检测系统 |
CN114582517A (zh) * | 2022-03-04 | 2022-06-03 | 四川大学 | 一种牙周炎早期预判打分表的构建方法和应用 |
CN114974595A (zh) * | 2022-05-13 | 2022-08-30 | 江苏省人民医院(南京医科大学第一附属医院) | 一种克罗恩病患者黏膜愈合预测模型及方法 |
CN116884631A (zh) * | 2023-09-06 | 2023-10-13 | 杭州生奥信息技术有限公司 | 基于ai和相似患者分析的综合肝衰竭预测与治疗参考系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785973A (zh) * | 2019-01-25 | 2019-05-21 | 中国医学科学院阜外医院 | 一种手术患者在围手术期发生并发症的定量预测方法 |
CN110634573A (zh) * | 2019-09-27 | 2019-12-31 | 南昌大学第一附属医院 | 一种临床脑梗患者复发风险预警评分可视化模型系统及其评价方法 |
CN111311558A (zh) * | 2020-02-09 | 2020-06-19 | 华中科技大学同济医学院附属协和医院 | 一种用于胰腺癌预测的影像组学模型的构建方法 |
CN111710423A (zh) * | 2020-06-17 | 2020-09-25 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于回归模型测定心境障碍发病风险概率的方法 |
-
2020
- 2020-10-09 CN CN202011073769.8A patent/CN112002427A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785973A (zh) * | 2019-01-25 | 2019-05-21 | 中国医学科学院阜外医院 | 一种手术患者在围手术期发生并发症的定量预测方法 |
CN110634573A (zh) * | 2019-09-27 | 2019-12-31 | 南昌大学第一附属医院 | 一种临床脑梗患者复发风险预警评分可视化模型系统及其评价方法 |
CN111311558A (zh) * | 2020-02-09 | 2020-06-19 | 华中科技大学同济医学院附属协和医院 | 一种用于胰腺癌预测的影像组学模型的构建方法 |
CN111710423A (zh) * | 2020-06-17 | 2020-09-25 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于回归模型测定心境障碍发病风险概率的方法 |
Non-Patent Citations (1)
Title |
---|
成娟 等: "基于Lasso Logistic回归模型的乳腺癌高风险人群筛查利用相关因素研究", 《中华疾病控制杂志》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112768076A (zh) * | 2021-02-01 | 2021-05-07 | 华中科技大学同济医学院附属协和医院 | 一种食管癌化疗发生骨髓抑制的风险预测方法 |
CN112768076B (zh) * | 2021-02-01 | 2023-11-21 | 华中科技大学同济医学院附属协和医院 | 一种食管癌化疗发生骨髓抑制的风险预测模型构建方法 |
CN112863668A (zh) * | 2021-02-07 | 2021-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于机器学习的肝硬化患者肺内血管扩张筛查系统 |
CN113362954A (zh) * | 2021-05-20 | 2021-09-07 | 浙江大学 | 一种老年患者术后感染并发症风险预警模型及其建立方法 |
CN113409939A (zh) * | 2021-07-01 | 2021-09-17 | 重庆医科大学 | Copd急性加重并发呼吸衰竭的预测系统及监测装置 |
CN113361822A (zh) * | 2021-07-12 | 2021-09-07 | 上海交通大学医学院附属第九人民医院 | 大唾液腺癌患者生存预测系统、方法及终端 |
CN113782211A (zh) * | 2021-10-27 | 2021-12-10 | 首都医科大学附属北京地坛医院 | 乙肝肝硬化病患发生慢性肾脏病的风险预警模型建立方法、预测方法 |
CN114121147A (zh) * | 2021-12-10 | 2022-03-01 | 四川大学华西医院 | 神经细胞粘附分子检测系统 |
CN114582517A (zh) * | 2022-03-04 | 2022-06-03 | 四川大学 | 一种牙周炎早期预判打分表的构建方法和应用 |
CN114974595A (zh) * | 2022-05-13 | 2022-08-30 | 江苏省人民医院(南京医科大学第一附属医院) | 一种克罗恩病患者黏膜愈合预测模型及方法 |
CN116884631A (zh) * | 2023-09-06 | 2023-10-13 | 杭州生奥信息技术有限公司 | 基于ai和相似患者分析的综合肝衰竭预测与治疗参考系统 |
CN116884631B (zh) * | 2023-09-06 | 2023-12-12 | 杭州生奥信息技术有限公司 | 基于ai和相似患者分析的综合肝衰竭预测与治疗参考系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112002427A (zh) | 失代偿期肝硬化合并感染危险预测模型的构建方法 | |
Ozcelik et al. | The value of the platelet count and platelet indices in differentiation of COVID‐19 and influenza pneumonia | |
Mayda et al. | Effect of increased neutrophil-to-lymphocyte ratio (NLR) and decreased mean platelet volume (MPV) values on inflammation in acute mania | |
CN111989752A (zh) | 用于检测败血症的检测组 | |
Wang et al. | Inflammation‐associated factors for predicting in‐hospital mortality in patients with COVID‐19 | |
CN115101199A (zh) | 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 | |
Yang et al. | Development and validation of a prediction model for moderately severe and severe acute pancreatitis in pregnancy | |
Ziaee et al. | Association of hematological indices with prediabetes: A cross-sectional study | |
de Nooijer et al. | Inflammatory biomarkers to predict the prognosis of acute bacterial and viral infections | |
Mishra et al. | Systemic immune‐inflammation index in patients with generalized stage III grade C periodontitis | |
CN111816307B (zh) | 基于临床标志物构建中国人群生物学年龄评价模型的方法及评价方法 | |
Duyan et al. | Assessment of the diagnostic value of novel biomarkers in adult patients with acute appendicitis: a cross-sectional study | |
CN117198532A (zh) | 一种基于机器学习的icu患者脓毒症风险预测方法及系统 | |
CN116564529A (zh) | 基于svm的脓毒症肝衰竭早期预测系统 | |
CN115691807A (zh) | 一种慢加急性肝衰竭感染风险预警模型及其构建方法 | |
CN111883248B (zh) | 用于儿童肥胖症的预测系统 | |
CN115223706A (zh) | 适用于移动监护设备的脓毒症早期筛查模型 | |
Karatas et al. | Relationship between disease and disease severity and semaphorin 5A and hemogram level in obsessive–compulsive disorder | |
Wang et al. | A Review of Prognosis Model Associated With Cardiogenic Shock After Acute Myocardial Infarction | |
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 | |
Chapin et al. | COVID-19 phenomics | |
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 | |
CN116627946B (zh) | 一种糖尿病足数据模型的建立方法及系统 | |
Kusdjianto | The Role of Critical Laboratory Parameters to Determine the Severity and Prognosis of COVID-19: Systematic Review | |
Zhang et al. | Enhanced prediction of short-term prognosis of community-acquired pneumonia using random survival forests by incorporating suppression of tumorigenicity 2 as a feature |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201127 |