CN112017783A - 一种心脏术后肺部感染的预测模型及其构建方法 - Google Patents
一种心脏术后肺部感染的预测模型及其构建方法 Download PDFInfo
- Publication number
- CN112017783A CN112017783A CN202010958463.4A CN202010958463A CN112017783A CN 112017783 A CN112017783 A CN 112017783A CN 202010958463 A CN202010958463 A CN 202010958463A CN 112017783 A CN112017783 A CN 112017783A
- Authority
- CN
- China
- Prior art keywords
- risk
- pulmonary infection
- infection
- cardiac surgery
- pulmonary
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种心脏术后肺部感染的预测模型及其构建方法，在收集心脏手术患者围手术期的各种临床资料中，筛选出与心脏术后肺部感染有关的评价指标，将评价指标纳入Logistic回归模型分析计算确定心脏术后肺部感染的危险因素的回归系数，然后通过各个危险因素的回归系数得出风险评分，最后风险评分结合肺部感染风险预测函数计算肺部感染概率值，由此可建立一个基于评分系统的风险预测模型。本发明的预测模型拟合良好，与国外已有的模型相比，表现出更好的风险预测能力，可以达到早期筛选术后肺部感染高危患者的目的，起到早预防、早发现、早治疗的作用，从而降低心脏术后肺部感染的发病率。
Description
技术领域
本发明涉及生物技术领域，特别涉及一种心脏术后肺部感染的预测模型及其构建方法。
背景技术
肺部感染是心脏手术后最为常见的一种并发症，与术后的死亡率增高、重症监护室停留时间延长以及术后住院时间延长等密切相关。因此，与之相关的医疗费用和资源消耗也大大增加。据国内外报道，心脏手术后肺部感染率处于2.1％-21.6％之间，不同的国家和地区以及不同的医疗机构之间差异巨大。
近年来，心脏手术和麻醉技术水平取得了巨大进步，接受心脏手术的患者的人群特征也发生了巨大变化。接受手术的高龄患者比例增加，其带有的各种并发症以及手术史也大大增多，各种耐药菌也呈现上升趋势，这些都增加了心脏术后肺部感染高风险人群的比例。国外有文章报道过一些心脏术后肺部感染的危险因素，但大多基于小样本或者特定的人群，对今天的临床工作的指导作用极其有限。而国内对于心脏术后肺部感染的研究有限，目前尚无一个得到广泛认可的高质量预测模型。国内相关肺病预测的专利，比如申请号CN201910639611.3的专利提供全新的肺癌风险预测系统，包括输入模块、计算模块和输出模块，输入模块用于向计算模块传递患者信息，包括年龄、肺部结节的一些特征以及部分凝血活酶时间；计算模块内置了肺癌风险预测模型的函数，其中函数自变量为患者年龄、肺部结节的直径、形状、质地、毛刺征、部分凝血活酶时间等因素的加权和；输出模块用于输出概率值。但是，肺癌的病变因素复杂，仅仅通过一个函数，并以几个因素的加权值作为自变量，在函数中代入自变量计算函数结果作为概率值，显然过于机械，缺乏对致病因素数据的进一步筛选、深度挖掘等处理，风险预测能力不佳。
因此，亟待设计一种心脏术后肺部感染的预测模型以解决上述问题。
发明内容
(一)解决的技术问题
本发明的目的在于提供一种心脏术后肺部感染的预测模型及其构建方法，以解决现有的肺病预测模型通过简单函数计算预测过于机械，缺乏对致病因素数据的进一步筛选、深度挖掘等处理，风险预测能力不佳的问题。
(二)技术方案
为实现上述心脏术后肺部感染的预测模型及其构建方法解决现有的肺病预测模型通过简单函数计算预测过于机械，缺乏对致病因素数据的进一步筛选、深度挖掘等处理，风险预测能力不佳的问题，本发明提供如下技术方案：
一种心脏术后肺部感染的预测模型的构建方法，包括以下步骤：
(1)分别收集心脏手术患者围手术期的各种临床资料，包括患者的一般情况，病史信息，术前检查结果，术前化验结果，手术相关指标，术后病原学检查，预后情况；
(2)对收集的所述心脏手术患者围手术期的各种临床资料进行单因素统计学分析，筛选出与心脏术后肺部感染有关的评价指标；
(3)将筛选出的与心脏术后肺部感染相关的评价指标纳入Logistic回归模型，采用多元Logistic回归分析，通过病例数据的统计分析及模型拟合，确定心脏术后肺部感染的危险因素的回归系数；
(4)根据所述各个危险因素的回归系数得出相应的风险评分，将所有风险评分分数相加即可得到总得分；
(5)根据所述风险评分总得分，结合肺部感染风险预测函数计算肺部感染概率值，由此可建立一个基于评分系统的风险预测模型；其中肺部感染风险预测函数以风险评分总得分为自变量，肺部感染概率值为因变量。
优选的，所述患者的一般情况，病史信息，术前检查结果，术前化验结果，手术相关指标，术后病原学检查，预后情况具体为：
患者的一般情况至少包括：姓名、性别、身高、体重、年龄、吸烟及饮酒史；
病史信息至少包括：呼吸系统疾病史、全麻气管插管史、胸心手术史、脑血管及外周血管疾病史、高血压、糖尿病、病毒性肝炎、上消化道疾病；
术前检查结果至少包括：胸片、心电图、心脏彩超、肺通气功能检查、CT、MRI；
术前化验结果至少包括：血常规、肝肾功能、血脂、C反应蛋白、BNP；
手术相关指标至少包括：手术时间、体外循环时间、主动脉阻断时间、辅助时间、自动复跳及电除颤情况、术后输注血液制品的类别及量；
术后病原学检查至少包括：痰培养、下呼吸道分泌物培养及药敏试验结果；
预后情况至少包括：肺部感染情况、术后ICU留治时间、术后住院时间、治愈、转出及死亡情况。
优选的，所述心脏术后肺部感染的危险因素至少包括：年龄>60岁，高血压，糖尿病，吸烟史，慢性阻塞性肺疾病，超重，肾功能不全，心脏手术史，心功能不全，贫血，低蛋白血症，体外循环时间>120分钟以及使用血液制品。
优选的，所述根据所述各个危险因素的回归系数得出相应的风险评分具体为：将各个危险因素的回归系数除以回归系数中最小的那一个，得到的数值再四舍五入得到一个整数值，即为各个危险因素的风险分值。
优选的，所述肺部感染风险预测函数为P＝1/(1+EXP(-(-5.094+0.242*score)))，其中P为肺部感染概率值，score为风险评分总得分。
一种心脏术后肺部感染的预测模型，由上述的心脏术后肺部感染的预测模型的构建方法构建得到。
(三)有益效果
与现有技术相比，本发明提供了一种心脏术后肺部感染的预测模型及其构建方法，具备以下有益效果：本发明在收集的心脏手术患者各种临床资料中，筛选出相关评价指标，将评价指标纳入Logistic回归模型分析计算确定心脏术后肺部感染的危险因素的回归系数，然后通过各个危险因素的回归系数得出风险评分，最后评分结合肺部感染风险预测函数计算肺部感染概率值。本发明的预测模型拟合良好，与国外已有的模型相比，表现出更好的风险预测能力，可以达到早期筛选术后肺部感染高危患者的目的，起到早预防、早发现、早治疗的作用，从而降低心脏术后肺部感染的发病率。
附图说明
图1为本发明心脏术后肺部感染风险评分预测模型图。
图2为本发明的预测模型与国外2个现存预测模型的比较示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
本发明提供一种心脏术后肺部感染的预测模型的构建方法，包括以下步骤：
(1)分别收集心脏手术患者围手术期的各种临床资料，包括患者的一般情况，病史信息，术前检查结果，术前化验结果，手术相关指标，术后病原学检查，预后情况；具体为：
患者的一般情况至少包括：姓名、性别、身高、体重、年龄、吸烟及饮酒史；
病史信息至少包括：呼吸系统疾病史、全麻气管插管史、胸心手术史、脑血管及外周血管疾病史、高血压、糖尿病、病毒性肝炎、上消化道疾病；
术前检查结果至少包括：胸片、心电图、心脏彩超、肺通气功能检查、CT、MRI；
术前化验结果至少包括：血常规、肝肾功能、血脂、C反应蛋白、BNP；
手术相关指标至少包括：手术时间、体外循环时间、主动脉阻断时间、辅助时间、自动复跳及电除颤情况、术后输注血液制品的类别及量；
术后病原学检查至少包括：痰培养、下呼吸道分泌物培养及药敏试验结果；
预后情况至少包括：肺部感染情况、术后ICU留治时间、术后住院时间、治愈、转出及死亡情况。
(2)对收集的所述心脏手术患者围手术期的各种临床资料进行单因素统计学分析，筛选出与心脏术后肺部感染有关的评价指标。
(3)将筛选出的与心脏术后肺部感染相关的评价指标纳入Logistic回归模型，采用多元Logistic回归分析，通过病例数据的统计分析及模型拟合，确定心脏术后肺部感染的危险因素的回归系数；心脏术后肺部感染的危险因素至少包括：年龄>60岁，高血压，糖尿病，吸烟史，慢性阻塞性肺疾病，超重，肾功能不全，心脏手术史，心功能不全，贫血，低蛋白血症，体外循环时间>120分钟以及使用血液制品。
(4)根据所述各个危险因素的回归系数得出相应的风险评分，将所有风险评分分数相加即可得到总得分；其中，根据所述各个危险因素的回归系数得出相应的风险评分具体为：将各个危险因素的回归系数除以回归系数中最小的那一个，得到的数值再四舍五入得到一个整数值，即为各个危险因素的风险分值。
(5)根据所述风险评分总得分，结合肺部感染风险预测函数计算肺部感染概率值，由此可建立一个基于评分系统的风险预测模型；其中肺部感染风险预测函数以风险评分总得分为自变量，肺部感染概率值为因变量。本实施中，肺部感染风险预测函数为P＝1/(1+EXP(-(-5.094+0.242*score)))，其中P为肺部感染概率值，score为风险评分总得分。
如图1所示，为心脏术后肺部感染风险评分预测模型图。横轴代表风险评分，纵轴代表各个风险评分所对应的心脏术后肺部感染风险。虚线代表本模型在各个分值时的预测风险，实线代表实际观测到的肺部感染发病率以及对应的95％的置信区间。若患者无任何一个以上所列危险因素，则评分为0分，其可能的术后肺部感染风险预测为0.61％；若患者具备所有的以上危险因素，则其总风险评分为32分，其术后肺部感染风险预测为93.4％。在实际观测中发现，评分大于23分的患者病例数较少，为减少极端值的影响，故整合于一起。图2为本预测模型与国外2个现存预测模型的比较，本预测模型预测敏感性更好，显现出明显更好的风险识别能力。
本发明还提供一种心脏术后肺部感染的预测模型，由上述的心脏术后肺部感染的预测模型的构建方法构建得到。表1列出了单因素分析得出的各个可能的心脏术后肺部感染的危险因素，表2列出了多因素Logistic回归得出的各个独立危险因素及其对应的回归系数和风险评分分值。
表1
表2
本发明以5323名心脏手术患者的临床数据和指标为研究平台，运用统计学分析，从心脏手术患者的临床特征中找到以下多种可预测心脏术后肺部感染的危险因素：年龄>60岁，高血压，糖尿病，吸烟史，慢性阻塞性肺疾病，超重，肾功能不全，心脏手术史，心功能不全，贫血，低蛋白血症，体外循环时间>120分钟以及使用血液制品。这些危险因素在临床工作中简单易得，而且风险计算方法也很简便，不需要复杂的操作、统计或设备，只需在床边即可完成。本次研究纳入的样本量较大，得出的结论更为可靠与稳定。
本实施例提供了本模型的一种风险曲线，计算出风险评分时即可对照出相应的术后肺部感染风险，操作简单。曲线是根据风险函数绘制而成，P＝1/(1+EXP(-(-5.094+0.242*score)))，具体见图1。其中，P是根据风险评分得到的风险概率，也就是图1中的Y轴；score是每个病人的总的风险评分值，也就是图1中的X轴，根据具体的风险分值即可计算得到具体的术后发病风险概率值。同时，本实施例提供了研究中观测到的实际肺部感染发生情况，可以看到，与本实施例的预测模型拟合良好，提示本模型具有强大的预测能力。与国外已有的模型相比，本实施例的模型表现出更好的风险识别能力。采用本发明构建的预测模型，可以达到早期筛选术后肺部感染高危患者的目的，是心脏术后肺部感染的指南针，可起到早预防，早发现，早治疗的作用，具有重要的临床意义。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种心脏术后肺部感染的预测模型的构建方法，其特征在于，包括以下步骤：
(1)分别收集心脏手术患者围手术期的各种临床资料，包括患者的一般情况，病史信息，术前检查结果，术前化验结果，手术相关指标，术后病原学检查，预后情况；
(2)对收集的所述心脏手术患者围手术期的各种临床资料进行单因素统计学分析，筛选出与心脏术后肺部感染有关的评价指标；
(3)将筛选出的与心脏术后肺部感染相关的评价指标纳入Logistic回归模型，采用多元Logistic回归分析，通过病例数据的统计分析及模型拟合，确定心脏术后肺部感染的危险因素的回归系数；
(4)根据所述各个危险因素的回归系数得出相应的风险评分，将所有风险评分分数相加即可得到风险评分总得分；
(5)根据所述风险评分总得分，结合肺部感染风险预测函数计算肺部感染概率值，由此可建立一个基于评分系统的风险预测模型；其中肺部感染风险预测函数以风险评分总得分为自变量，肺部感染概率值为因变量。
2.根据权利要求1所述的一种心脏术后肺部感染的预测模型的构建方法，其特征在于，所述患者的一般情况，病史信息，术前检查结果，术前化验结果，手术相关指标，术后病原学检查，预后情况具体为：
患者的一般情况至少包括：姓名、性别、身高、体重、年龄、吸烟及饮酒史；
病史信息至少包括：呼吸系统疾病史、全麻气管插管史、胸心手术史、脑血管及外周血管疾病史、高血压、糖尿病、病毒性肝炎、上消化道疾病；
术前检查结果至少包括：胸片、心电图、心脏彩超、肺通气功能检查、CT、MRI；
术前化验结果至少包括：血常规、肝肾功能、血脂、C反应蛋白、BNP；
手术相关指标至少包括：手术时间、体外循环时间、主动脉阻断时间、辅助时间、自动复跳及电除颤情况、术后输注血液制品的类别及量；
术后病原学检查至少包括：痰培养、下呼吸道分泌物培养及药敏试验结果；
预后情况至少包括：肺部感染情况、术后ICU留治时间、术后住院时间、治愈、转出及死亡情况。
3.根据权利要求1所述的一种心脏术后肺部感染的预测模型的构建方法，其特征在于，所述心脏术后肺部感染的危险因素至少包括：年龄>60岁，高血压，糖尿病，吸烟史，慢性阻塞性肺疾病，超重，肾功能不全，心脏手术史，心功能不全，贫血，低蛋白血症，体外循环时间>120分钟以及使用血液制品。
4.根据权利要求1所述的一种心脏术后肺部感染的预测模型的构建方法，其特征在于，所述根据所述各个危险因素的回归系数得出相应的风险评分具体为：将各个危险因素的回归系数除以回归系数中最小的那一个，得到的数值再四舍五入得到一个整数值，即为各个危险因素的风险分值。
5.根据权利要求1所述的一种心脏术后肺部感染的预测模型的构建方法，其特征在于，所述肺部感染风险预测函数为P＝1/(1+EXP(-(-5.094+0.242*score)))，其中P为肺部感染概率值，score为风险评分总得分。
6.一种心脏术后肺部感染的预测模型，其特征在于，由权利要求1-5任一所述的心脏术后肺部感染的预测模型的构建方法构建得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010958463.4A CN112017783A (zh) | 2020-09-14 | 2020-09-14 | 一种心脏术后肺部感染的预测模型及其构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010958463.4A CN112017783A (zh) | 2020-09-14 | 2020-09-14 | 一种心脏术后肺部感染的预测模型及其构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112017783A true CN112017783A (zh) | 2020-12-01 |
Family
ID=73521459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010958463.4A Pending CN112017783A (zh) | 2020-09-14 | 2020-09-14 | 一种心脏术后肺部感染的预测模型及其构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017783A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112635056A (zh) * | 2020-12-17 | 2021-04-09 | 郑州轻工业大学 | 基于Lasso的食管鳞癌患者风险预测列线图模型建立方法 |
| CN112837819A (zh) * | 2021-01-20 | 2021-05-25 | 尹丽君 | 建立冠状动脉旁路移植术后急性肾损伤预测模型的方法 |
| CN113053533A (zh) * | 2021-03-17 | 2021-06-29 | 曜立科技(北京)有限公司 | 一种基于大数据分析的心血管手术风险评估系统 |
| CN113161000A (zh) * | 2021-05-06 | 2021-07-23 | 复旦大学附属中山医院 | 混合细胞型肝癌的预后评分模型及其构建方法 |
| CN113178243A (zh) * | 2021-04-26 | 2021-07-27 | 南京医科大学 | 体外循环心脏手术后急性肾损伤早期预警方法及系统 |
| CN113178258A (zh) * | 2021-04-28 | 2021-07-27 | 青岛百洋智能科技股份有限公司 | 外科手术术前风险评估方法及系统 |
| CN113241172A (zh) * | 2021-03-25 | 2021-08-10 | 边缘智能研究院南京有限公司 | 一种面向神经外科患者术后感染的icu判别系统 |
| CN113257421A (zh) * | 2021-05-31 | 2021-08-13 | 吾征智能技术(北京)有限公司 | 一种高血压预测模型的构建方法和系统 |
| CN113345600A (zh) * | 2021-05-06 | 2021-09-03 | 中国食品药品检定研究院 | 一种抗感染药物注射剂的有效性评价方法及其应用 |
| 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 |
| CN113421640A (zh) * | 2021-06-24 | 2021-09-21 | 复旦大学附属中山医院 | 基于早期心率变化的外科术后并发症预测模型的建模方法 |
| CN113450926A (zh) * | 2021-06-28 | 2021-09-28 | 遵义市播州区人民医院 | 一种恒压灌注下mpcnl术后尿脓毒血症发生风险预测的评分方法 |
| CN113707319A (zh) * | 2021-08-30 | 2021-11-26 | 西安交通大学医学院第一附属医院 | 一种一氧化碳中毒迟发性脑病预测模型的构建方法 |
| CN113707295A (zh) * | 2021-08-24 | 2021-11-26 | 中山大学附属第三医院（中山大学肝脏病医院） | 老年人术后全身炎症反应综合征的预测方法及系统 |
| 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 |
| CN114093524A (zh) * | 2021-11-02 | 2022-02-25 | 深圳市儿童医院 | 一种儿童抗菌药物使用评估系统、计算机可读存储介质及终端 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570309A (zh) * | 2016-10-02 | 2017-04-19 | 张家港市锦丰镇人民医院 | 一种护理风险综合评估方法 |
| 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 |
-
2020
- 2020-09-14 CN CN202010958463.4A patent/CN112017783A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570309A (zh) * | 2016-10-02 | 2017-04-19 | 张家港市锦丰镇人民医院 | 一种护理风险综合评估方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 丁丽娜等: "外科手术后肺部感染的危险因素分析", 《现代预防医学》, no. 01, 10 January 2018 (2018-01-10), pages 178 - 182 * |
| 杨富等: "肝移植术后多重耐药菌感染风险预测评分模型的建立与评价", 《护理研究》, no. 17, 11 June 2017 (2017-06-11), pages 2076 - 2080 * |
| 杨毅等: "我国冠状动脉旁路移植术住院死亡预测模型研究及欧洲心血管手术危险评分系统效能检验", 《心肺血管病杂志》, no. 04, 26 July 2010 (2010-07-26), pages 316 - 321 * |
| 林小玲等: "心脏手术后患者院内获得性肺炎的危险因素", 《国际内科学杂志》, no. 11, 15 November 2007 (2007-11-15), pages 668 - 672 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112635056A (zh) * | 2020-12-17 | 2021-04-09 | 郑州轻工业大学 | 基于Lasso的食管鳞癌患者风险预测列线图模型建立方法 |
| CN112837819A (zh) * | 2021-01-20 | 2021-05-25 | 尹丽君 | 建立冠状动脉旁路移植术后急性肾损伤预测模型的方法 |
| CN112837819B (zh) * | 2021-01-20 | 2024-04-16 | 中国医学科学院阜外医院 | 建立冠状动脉旁路移植术后急性肾损伤预测模型的方法 |
| CN113053533A (zh) * | 2021-03-17 | 2021-06-29 | 曜立科技(北京)有限公司 | 一种基于大数据分析的心血管手术风险评估系统 |
| CN113241172A (zh) * | 2021-03-25 | 2021-08-10 | 边缘智能研究院南京有限公司 | 一种面向神经外科患者术后感染的icu判别系统 |
| CN113178243A (zh) * | 2021-04-26 | 2021-07-27 | 南京医科大学 | 体外循环心脏手术后急性肾损伤早期预警方法及系统 |
| CN113178258A (zh) * | 2021-04-28 | 2021-07-27 | 青岛百洋智能科技股份有限公司 | 外科手术术前风险评估方法及系统 |
| CN113161000A (zh) * | 2021-05-06 | 2021-07-23 | 复旦大学附属中山医院 | 混合细胞型肝癌的预后评分模型及其构建方法 |
| CN113345600A (zh) * | 2021-05-06 | 2021-09-03 | 中国食品药品检定研究院 | 一种抗感染药物注射剂的有效性评价方法及其应用 |
| CN113161000B (zh) * | 2021-05-06 | 2024-05-28 | 复旦大学附属中山医院 | 混合细胞型肝癌的预后评分模型及其构建方法 |
| CN113345600B (zh) * | 2021-05-06 | 2024-02-27 | 中国食品药品检定研究院 | 一种抗感染药物注射剂的有效性评价方法及其应用 |
| 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 |
| CN113257421A (zh) * | 2021-05-31 | 2021-08-13 | 吾征智能技术(北京)有限公司 | 一种高血压预测模型的构建方法和系统 |
| CN113257421B (zh) * | 2021-05-31 | 2023-09-15 | 吾征智能技术(北京)有限公司 | 一种高血压预测模型的构建方法和系统 |
| CN113421640A (zh) * | 2021-06-24 | 2021-09-21 | 复旦大学附属中山医院 | 基于早期心率变化的外科术后并发症预测模型的建模方法 |
| CN113450926A (zh) * | 2021-06-28 | 2021-09-28 | 遵义市播州区人民医院 | 一种恒压灌注下mpcnl术后尿脓毒血症发生风险预测的评分方法 |
| CN113707295A (zh) * | 2021-08-24 | 2021-11-26 | 中山大学附属第三医院（中山大学肝脏病医院） | 老年人术后全身炎症反应综合征的预测方法及系统 |
| CN113707319A (zh) * | 2021-08-30 | 2021-11-26 | 西安交通大学医学院第一附属医院 | 一种一氧化碳中毒迟发性脑病预测模型的构建方法 |
| 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 |
| CN114093524A (zh) * | 2021-11-02 | 2022-02-25 | 深圳市儿童医院 | 一种儿童抗菌药物使用评估系统、计算机可读存储介质及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112017783A (zh) | 一种心脏术后肺部感染的预测模型及其构建方法 | |
| Yuan et al. | The development an artificial intelligence algorithm for early sepsis diagnosis in the intensive care unit | |
| Thompson et al. | Patient characteristics and predictors of mortality in 470 adults admitted to a district general hospital in England with Covid-19 | |
| Choi et al. | Markers of poor outcome in patients with acute hypoxemic respiratory failure | |
| CN113362954A (zh) | 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 | |
| Tang et al. | Outcome of adult critically ill patients mechanically ventilated on general medical wards | |
| Vitale et al. | Lung ultrasound profile after cardiopulmonary bypass in paediatric cardiac surgery: first experience in a simple cohort | |
| Ng et al. | An audit of mortality by using ECMO specific scores and APACHE II scoring system in patients receiving extracorporeal membrane oxygenation in a tertiary intensive care unit in Hong Kong | |
| CN111192687A (zh) | 一种进展期阑尾炎列线图预测模型及其用途 | |
| KR102310888B1 (ko) | 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스 | |
| RU2446735C2 (ru) | Способ прогнозирования течения артериальной гипертензии у детей и подростков | |
| Huang et al. | Acute respiratory distress syndrome prediction score: derivation and validation | |
| CN113066547B (zh) | 一种基于常规无创参数的ards早期动态预警方法与系统 | |
| RU2742429C1 (ru) | Способ экспресс-оценки изменений легочной ткани при COVID-19 без применения компьютерной томографии органов грудной клетки | |
| CN113707295A (zh) | 老年人术后全身炎症反应综合征的预测方法及系统 | |
| Mayat et al. | Associations of inflammation, physical activity, and sleep in a diverse population of women | |
| Lennox et al. | Rapid D-dimer testing as an adjunct to clinical findings in excluding pulmonary embolism | |
| Batra et al. | Effects of extracorporeal membrane oxygenation initiation on oxygenation and pulmonary opacities | |
| RU2782796C1 (ru) | Способ оценки риска развития тяжелого течения COVID-19 | |
| Fayzievna | Clinical And Pathogenetic Significance Of Endogenous Intoxication In Children With Acute Pneumonia | |
| Shickel et al. | Scoring for Hemorrhage Severity in Traumatic Injury | |
| RU2806726C1 (ru) | Способ прогнозирования вероятности наступления смерти у пациентов с COVID-19, госпитализированных в стационар на основе лабораторных и инструментальных исследований | |
| Akgün et al. | Does gender impact intensity of care provided to older medical intensive care unit patients? | |
| RU2766352C1 (ru) | Способ прогнозирования исхода вирусной пневмонии при covid19 | |
| RU2761138C1 (ru) | Способ оценки риска развития тяжелого течения коронавирусной инфекции у женщин |
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 |