CN112120790A - 一种基于指标评分的轻度缺血性脑卒中患者的预测模型 - Google Patents
一种基于指标评分的轻度缺血性脑卒中患者的预测模型 Download PDFInfo
- Publication number
- CN112120790A CN112120790A CN202011009630.7A CN202011009630A CN112120790A CN 112120790 A CN112120790 A CN 112120790A CN 202011009630 A CN202011009630 A CN 202011009630A CN 112120790 A CN112120790 A CN 112120790A
- Authority
- CN
- China
- Prior art keywords
- patients
- prediction model
- ischemic stroke
- mild
- mis
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
Landscapes
- Health & Medical Sciences (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Robotics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其技术方案要点是:包括以下步骤:S1、采集临床数据并进行预处理,利用采集和预处理的临床数据构造MIS患者的入组标准;S2、采集基本资料数据并记录存储;S3、对被采集基本资料的人员进行SVE情况随访;S4、统计构建预测模型: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;本基于指标评分的轻度缺血性脑卒中患者的预测模型解决了用缺血性脑卒中的模型预测MIS病人的预后准确度不高的问题,通过预测模型计算SVE发生率,能够指导临床医生对MIS患者进行危险分级,对不同风险的病人采取分级管理,预防SVE并发症的发生。
Description
技术领域
本发明涉及医疗领域,更具体地说,它涉及一种基于指标评分的轻度缺血性脑卒中患者的预测模型。
背景技术
中国每年大约有300万新发中风,其中约30%是轻度缺血性脑卒中(MIS,minorischemic stroke)。MIS患者的NIHSS评分较低(均≤3),由于具有症状轻微的特点,容易被忽视,导致出现较高的死亡率和致残率。MIS是威胁人类健康和生命的疾病。因此,在临床管理的早期阶段,能够及时筛查出MIS有不良预后风险的患者非常重要。
许多因素与MIS后续血管事件(SVE,subsequent vascular events)的发生密切相关。已经有研究显示,MIS的不良预后与高龄,女性,糖尿病和核磁共振弥散加权成像阳性有关。然而,单个的危险因素对预测MIS的SVE发生率价值并不高,构建多因素预测模型有望改善预测效能。目前有关缺血性脑卒中预后的预测模型主要有以下几个。NADE是第一个在中国缺血性卒中患者中开发并验证的列线图,可对6个月不良结局的风险(mRs评分>2分)可能性进行单独、直观和精确的预测。COACHS列线图可用于预测中国人群急性缺血性卒中后3个月的不良预后(mRs评分>2分)。它也可能是可靠的工具,可以有效地将其用于风险分层的急性中风患者。
2017年,Gianni Turcato等人发表了针对意大利急性缺血性卒中患者人群的回顾性研究,并构建了3个月不良结局(mRs评分在3到6分之间)的预测模型。START是预测接受静脉溶栓治疗的卒中患者的不良预后的列线图,并且在中国人群中得到了验证。2019年,Sun等人对保守的大半球性脑梗死患者进行了回顾性研究,结合重要的预后因素来构建列线图,以预测各个患者住院死亡的风险。但是,该研究存在着一些问题,如:多项研究纳入的为缺血性卒中患者,MIS患者和NIHSS>3分的缺血性卒中患者均在其中,并没有将MIS人群单独分析。START模型针对的是接受静脉溶栓治疗的卒中患者的不良预后预测,属于缺血性卒中的特定人群。Sun等人的研究纳入的是大半球性脑梗死患者,也不属于MIS范畴。尽管NIHSS评分是评估中风的严重程度的适当工具,但是对于MIS的患者存在缺陷。NIHSS评分未能捕捉到一些可能影响患者功能结局的重要缺陷,例如手的力量和敏捷性,步态以及微妙的非优势半球和执行功能性认知异常。而且MIS患者的缺陷通常较细微,由于缺乏明显的损伤而可能未被发现。正是由于MIS病人具有症状轻微,容易被忽视这样的特点,用缺血性脑卒中的模型预测MIS病人的预后可能不够准确。
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基于指标评分的轻度缺血性脑卒中患者的预测模型,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:
一种基于指标评分的轻度缺血性脑卒中患者的预测模型,包括以下步骤:
S1、采集临床数据并进行预处理,利用采集和预处理的临床数据构造MIS患者的入组标准;
S2、采集基本资料数据并记录存储;
S3、对被采集基本资料的人员进行SVE情况随访;
S4、统计构建预测模型: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,计算优势比和95%可信区间,绘制预测模型的列线图,并通过列线图得到预测结果。
通过采用上述技术方案,本基于指标评分的轻度缺血性脑卒中患者的预测模型解决了用缺血性脑卒中的模型预测MIS病人的预后准确度不高的问题;相对于NIHSS评分用于评估中风的严重程度的适当工具而言,其对于MIS的患者存在缺陷,且NIHSS评分未能捕捉到一些可能影响患者功能结局的重要缺陷,而通过本模型能够达到良好的指标分析能力;本预测模型,通过采集临床数据并进行预处理、采集基本资料数据并记录存储以及对被采集基本资料的人员进行SVE情况随访等操作,能够最大程度获取各项关键有用信息。
进一步的,所述S4在统计构建预测模型时,在表示数据时,当连续变量服从正态分布时以均数±标准差(SD)表示,非正态分布时以P50(P25,P75)表示,分类变量以频率(%)表示,组间比较时连续变量采用非配对的Student-t检验或Mann-Whitney非参数检验,分类变量采用Pearson卡方检验或Fisher精确检验。
通过采用上述技术方案,当表示的数据分类型采用不同的模式进行表示时,能够方便利用各类型数据;通过对组间比较时连续变量采用非配对的Student-t检验或Mann-Whitney非参数检验,分类变量采用Pearson卡方检验或Fisher精确检验能够对数据进行校验,增大准确度。
进一步地,所述S4在统计构建预测模型时还绘制有标准曲线以显示列线图的预测精度。
通过采用上述技术方案,利用标准曲线能够充分显示列线图的预测精度。
进一步地,所述S4在统计构建预测模型时还绘制预测模型的受试者工作特征曲线,并获得曲线下面积AUC及其95%CI。
通过采用上述技术方案,通过绘制预测模型的受试者工作特征曲线能够便于直观了解受试者的。
进一步地,所述S4在统计构建预测模型时,使用R语言,并支撑glmnet包、proc文件系统、rms权限管理系统。
通过采用上述技术方案,利用R语言和其内支撑的glmnet包、proc文件系统、rms权限管理系统能够方便在统计构建预测模型时进行分析运算。
进一步地,所述S1时MIS患者的入组标准如下:初次就诊表明轻微的脑部症状,有或没有中风的轻微阳性迹象,NIHSS评分≤3分;初次就诊并且已经对大脑进行了MRI检查,MRI显示小梗塞,或者使用DWI或FLAIR发现腔隙性改变或增强的大脑信号,且位于皮层下白质、基底神经节或脑干区域;影像学检查排除颅内出血或患者症状的非血管病因。
通过采用上述技术方案,采用上述的入组标准能够达到确定入组纳入统计时的准确度。
进一步地,所述S1时MIS患者的入组排除标准如下:年龄<18岁;既往有明确的缺血性卒中病史;有脑出血或其他活动性出血性疾病病史,有脑肿瘤,脑外伤或其他脑损伤的病史;痴呆或者精神疾病;缺乏MRI检查;初诊时NIHSS得分>3。
通过采用上述技术方案,采用上述的入组排除标准能够确定入组纳入统计时的准确度。
进一步的,所述S2采集的基本资料数据包括MIS患者的基本资料,包括年龄、身高、体重、腰围、收缩压、舒张压、空腹血糖即FBG水平、血脂水平;包括MIS患者的既往病史,包括高血压、糖尿病、血脂异常、代谢综合征、高血压患病年数、初始NIHSS评分、头痛症状、头晕症状、轻度认知障碍症状;包括MRI病变数量结果与MRI梗死面积。
通过采用上述技术方案,上述的基本资料数据能够囊括需要的各种数据。
进一步的,通过标准方法测量身高、体重、腰围,空腹血糖和血脂由实验室测得,高血压是指:有明确的医疗就诊记录证实诊断为高血压,或者2次安静状态下检测血压均大于等于140/90mmHg,糖尿病是指:既往明确诊断为糖尿病,或者空腹血糖≥7.0mmol/l,或者随机血糖≥11.1mmol/l,血脂异常是指总血浆胆固醇水平高于5.2mmol/l或者低密度脂蛋白胆固醇高于3.4mmol/l,或者甘油三酯水平高于1.7mmol/l,或者男性高密度脂蛋白胆固醇低于1.03mmol/l,或者女性高密度脂蛋白胆固醇低于1.3mmol/l。
通过采用上述技术方案,上述的标准具有良好的实际意义,为能够提高预测模型准确性的标准。
进一步的,所述S3在6个月的时候对患者进行随访,评估有无SVE的发生,SVE定义为短暂性脑缺血发作,短暂性非局灶性脑血管症状的存在,脑血管症状的恶化或复发性梗塞,以及随访期间mRs评分大于2分。
通过采用上述技术方案,通过在6个月时进行随访来评估SVE能够增大预测模型判断的准确度。
综上所述,本发明主要具有以下有益效果:
本基于指标评分的轻度缺血性脑卒中患者的预测模型解决了用缺血性脑卒中的模型预测MIS病人的预后准确度不高的问题;相对于NIHSS评分用于评估中风的严重程度的适当工具而言,其对于MIS的患者存在缺陷,且NIHSS评分未能捕捉到一些可能影响患者功能结局的重要缺陷,而通过本模型能够达到良好的指标分析能力;本预测模型,通过采集临床数据并进行预处理、采集基本资料数据并记录存储以及对被采集基本资料的人员进行SVE情况随访等操作,能够最大程度获取各项关键有用信息。
附图说明
图1为MIS患者SVE风险模型的列线图。
具体实施方式
以下结合附图1对本发明作进一步详细说明。
实施例1
参考图1,一种基于指标评分的轻度缺血性脑卒中患者的预测模型,包括以下步骤:
S1、采集临床数据并进行预处理,利用采集和预处理的临床数据构造MIS患者的入组标准;
S2、采集基本资料数据并记录存储;
S3、对被采集基本资料的人员进行SVE情况随访;
S4、统计构建预测模型: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,计算优势比和95%可信区间,绘制预测模型的列线图,并通过列线图得到预测结果。
分析可知,本基于指标评分的轻度缺血性脑卒中患者的预测模型解决了用缺血性脑卒中的模型预测MIS病人的预后准确度不高的问题;相对于NIHSS评分用于评估中风的严重程度的适当工具而言,其对于MIS的患者存在缺陷,且NIHSS评分未能捕捉到一些可能影响患者功能结局的重要缺陷,而通过本模型能够达到良好的指标分析能力;本预测模型,通过采集临床数据并进行预处理、采集基本资料数据并记录存储以及对被采集基本资料的人员进行SVE情况随访等操作,能够最大程度获取各项关键有用信息;通过预测模型计算SVE发生率,能够指导临床医生对MIS患者进行危险分级,对不同风险的病人采取分级管理,预防SVE并发症的发生。
其中,S4在统计构建预测模型时,在表示数据时,当连续变量服从正态分布时以均数±标准差(SD)表示,非正态分布时以P50(P25,P75)表示,分类变量以频率(%)表示,组间比较时连续变量采用非配对的Student-t检验或Mann-Whitney非参数检验,分类变量采用Pearson卡方检验或Fisher精确检验,当表示的数据分类型采用不同的模式进行表示时,能够方便利用各类型数据;通过对组间比较时连续变量采用非配对的Student-t检验或Mann-Whitney非参数检验,分类变量采用Pearson卡方检验或Fisher精确检验能够对数据进行校验,增大准确度。
其中,S4在统计构建预测模型时还绘制有标准曲线以显示列线图的预测精度,利用标准曲线能够充分显示列线图的预测精度;其中S4在统计构建预测模型时还绘制预测模型的受试者工作特征曲线,并获得曲线下面积AUC及其95%CI,通过绘制预测模型的受试者工作特征曲线能够便于直观了解受试者的。
其中,S4在统计构建预测模型时,使用R语言,并支撑glmnet包、proc文件系统、rms权限管理系统,利用R语言和其内支撑的glmnet包、proc文件系统、rms权限管理系统能够方便在统计构建预测模型时进行分析运算。
其中,S1时MIS患者的入组标准如下:初次就诊表明轻微的脑部症状,有或没有中风的轻微阳性迹象,NIHSS评分≤3分;初次就诊并且已经对大脑进行了MRI检查,MRI显示小梗塞,或者使用DWI或FLAIR发现腔隙性改变或增强的大脑信号,且位于皮层下白质、基底神经节或脑干区域;影像学检查排除颅内出血或患者症状的非血管病因,采用上述的入组标准能够达到确定入组纳入统计时的准确度。
其中,S1时MIS患者的入组排除标准如下:年龄<18岁;既往有明确的缺血性卒中病史;有脑出血或其他活动性出血性疾病病史,有脑肿瘤,脑外伤或其他脑损伤的病史;痴呆或者精神疾病;缺乏MRI检查;初诊时NIHSS得分>3,采用上述的入组排除标准能够确定入组纳入统计时的准确度。
其中,S2采集的基本资料数据包括MIS患者的基本资料,包括年龄、身高、体重、腰围、收缩压、舒张压、空腹血糖即FBG水平、血脂水平;包括MIS患者的既往病史,包括高血压、糖尿病、血脂异常、代谢综合征、高血压患病年数、初始NIHSS评分、头痛症状、头晕症状、轻度认知障碍症状;包括MRI病变数量结果与MRI梗死面积,上述的基本资料数据能够囊括需要的各种数据。
其中,通过标准方法测量身高、体重、腰围,空腹血糖和血脂由实验室测得,高血压是指:有明确的医疗就诊记录证实诊断为高血压,或者2次安静状态下检测血压均大于等于140/90mmHg,糖尿病是指:既往明确诊断为糖尿病,或者空腹血糖≥7.0mmol/l,或者随机血糖≥11.1mmol/l,血脂异常是指总血浆胆固醇水平高于5.2mmol/l或者低密度脂蛋白胆固醇高于3.4mmol/l,或者甘油三酯水平高于1.7mmol/l,或者男性高密度脂蛋白胆固醇低于1.03mmol/l,或者女性高密度脂蛋白胆固醇低于1.3mmol/l,上述的标准具有良好的实际意义,为能够提高预测模型准确性的标准。
其中,S3在6个月的时候对患者进行随访,评估有无SVE的发生,SVE定义为短暂性脑缺血发作,短暂性非局灶性脑血管症状的存在,脑血管症状的恶化或复发性梗塞,以及随访期间mRs评分大于2分,通过在6个月时进行随访来评估SVE能够增大预测模型判断的准确度。
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)
1.一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:包括以下步骤:
S1、采集临床数据并进行预处理,利用采集和预处理的临床数据构造MIS患者的入组标准;
S2、采集基本资料数据并记录存储;
S3、对被采集基本资料的人员进行SVE情况随访;
S4、统计构建预测模型: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,计算优势比和95%可信区间,绘制预测模型的列线图,并通过列线图得到预测结果。
2.根据权利要求1所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:所述S4在统计构建预测模型时,在表示数据时,当连续变量服从正态分布时以均数±标准差(SD)表示,非正态分布时以P50(P25,P75)表示,分类变量以频率(%)表示,组间比较时连续变量采用非配对的Student-t检验或Mann-Whitney非参数检验,分类变量采用Pearson卡方检验或Fisher精确检验。
3.根据权利要求1所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:所述S4在统计构建预测模型时还绘制有标准曲线以显示列线图的预测精度。
4.根据权利要求1所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:所述S4在统计构建预测模型时还绘制预测模型的受试者工作特征曲线,并获得曲线下面积AUC及其95%CI。
5.根据权利要求1所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:所述S4在统计构建预测模型时,使用R语言,并支撑glmnet包、proc文件系统、rms权限管理系统。
6.根据权利要求1所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:所述S1时MIS患者的入组标准如下:初次就诊表明轻微的脑部症状,有或没有中风的轻微阳性迹象,NIHSS评分≤3分;初次就诊并且已经对大脑进行了MRI检查,MRI显示小梗塞,或者使用DWI或FLAIR发现腔隙性改变或增强的大脑信号,且位于皮层下白质、基底神经节或脑干区域;影像学检查排除颅内出血或患者症状的非血管病因。
7.根据权利要求6所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:所述S1时MIS患者的入组排除标准如下:年龄<18岁;既往有明确的缺血性卒中病史;有脑出血或其他活动性出血性疾病病史,有脑肿瘤,脑外伤或其他脑损伤的病史;痴呆或者精神疾病;缺乏MRI检查;初诊时NIHSS得分>3。
8.根据权利要求1所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:所述S2采集的基本资料数据包括MIS患者的基本资料,包括年龄、身高、体重、腰围、收缩压、舒张压、空腹血糖即FBG水平、血脂水平;包括MIS患者的既往病史,包括高血压、糖尿病、血脂异常、代谢综合征、高血压患病年数、初始NIHSS评分、头痛症状、头晕症状、轻度认知障碍症状;包括MRI病变数量结果与MRI梗死面积。
9.根据权利要求8所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:通过标准方法测量身高、体重、腰围,空腹血糖和血脂由实验室测得,高血压是指:有明确的医疗就诊记录证实诊断为高血压,或者2次安静状态下检测血压均大于等于140/90mmHg,糖尿病是指:既往明确诊断为糖尿病,或者空腹血糖≥7.0mmol/l,或者随机血糖≥11.1mmol/l,血脂异常是指总血浆胆固醇水平高于5.2mmol/l或者低密度脂蛋白胆固醇高于3.4mmol/l,或者甘油三酯水平高于1.7mmol/l,或者男性高密度脂蛋白胆固醇低于1.03mmol/l,或者女性高密度脂蛋白胆固醇低于1.3mmol/l。
10.根据权利要求1所述的一种基于指标评分的轻度缺血性脑卒中患者的预测模型,其特征在于:所述S3在6个月的时候对患者进行随访,评估有无SVE的发生,SVE定义为短暂性脑缺血发作,短暂性非局灶性脑血管症状的存在,脑血管症状的恶化或复发性梗塞,以及随访期间mRs评分大于2分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011009630.7A CN112120790A (zh) | 2020-09-23 | 2020-09-23 | 一种基于指标评分的轻度缺血性脑卒中患者的预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011009630.7A CN112120790A (zh) | 2020-09-23 | 2020-09-23 | 一种基于指标评分的轻度缺血性脑卒中患者的预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112120790A true CN112120790A (zh) | 2020-12-25 |
Family
ID=73841244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011009630.7A Pending CN112120790A (zh) | 2020-09-23 | 2020-09-23 | 一种基于指标评分的轻度缺血性脑卒中患者的预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112120790A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113545766A (zh) * | 2021-06-18 | 2021-10-26 | 遵义医科大学附属医院 | 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法 |
CN114188019A (zh) * | 2021-11-29 | 2022-03-15 | 苏州大学 | 一种鉴别缺血性脑卒中的预测模型建立方法及系统 |
CN114724716A (zh) * | 2021-04-20 | 2022-07-08 | 山东大学齐鲁医院 | 进展为2型糖尿病的风险预测的方法、模型训练及装置 |
CN115089112A (zh) * | 2022-05-06 | 2022-09-23 | 清华大学 | 卒中后认知障碍风险评估模型建立方法、装置及电子设备 |
CN116825362A (zh) * | 2023-08-29 | 2023-09-29 | 北京回龙观医院(北京心理危机研究与干预中心) | 一种关于酒精性肝损伤的诊断预测模型及其构建方法和应用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN107563134A (zh) * | 2017-08-30 | 2018-01-09 | 中山大学 | 一种用于精准预测胃癌患者预后的系统 |
CN107895596A (zh) * | 2016-12-19 | 2018-04-10 | 平安科技(深圳)有限公司 | 风险预测方法及系统 |
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 |
CN111539946A (zh) * | 2020-04-30 | 2020-08-14 | 常州市第一人民医院 | 一种识别表现为磨玻璃结节的早期肺腺癌的方法 |
-
2020
- 2020-09-23 CN CN202011009630.7A patent/CN112120790A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895596A (zh) * | 2016-12-19 | 2018-04-10 | 平安科技(深圳)有限公司 | 风险预测方法及系统 |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN107563134A (zh) * | 2017-08-30 | 2018-01-09 | 中山大学 | 一种用于精准预测胃癌患者预后的系统 |
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 |
CN111539946A (zh) * | 2020-04-30 | 2020-08-14 | 常州市第一人民医院 | 一种识别表现为磨玻璃结节的早期肺腺癌的方法 |
Non-Patent Citations (1)
Title |
---|
GUANG-SHENG WANG: "Metabolic Syndrome Is a Strong Risk Factor for Minor Ischemic Stroke and Subsequent Vascular Events", 《PLOS ONE》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724716A (zh) * | 2021-04-20 | 2022-07-08 | 山东大学齐鲁医院 | 进展为2型糖尿病的风险预测的方法、模型训练及装置 |
CN113545766A (zh) * | 2021-06-18 | 2021-10-26 | 遵义医科大学附属医院 | 基于mri列线图预测痉挛型脑瘫儿童粗大运动功能的方法 |
CN114188019A (zh) * | 2021-11-29 | 2022-03-15 | 苏州大学 | 一种鉴别缺血性脑卒中的预测模型建立方法及系统 |
CN115089112A (zh) * | 2022-05-06 | 2022-09-23 | 清华大学 | 卒中后认知障碍风险评估模型建立方法、装置及电子设备 |
CN115089112B (zh) * | 2022-05-06 | 2024-04-30 | 清华大学 | 卒中后认知障碍风险评估模型建立方法、装置及电子设备 |
CN116825362A (zh) * | 2023-08-29 | 2023-09-29 | 北京回龙观医院(北京心理危机研究与干预中心) | 一种关于酒精性肝损伤的诊断预测模型及其构建方法和应用方法 |
CN116825362B (zh) * | 2023-08-29 | 2024-01-02 | 北京回龙观医院(北京心理危机研究与干预中心) | 一种关于酒精性肝损伤的诊断预测模型及其构建方法和应用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112120790A (zh) | 一种基于指标评分的轻度缺血性脑卒中患者的预测模型 | |
Ovbiagele et al. | Day-90 acute ischemic stroke outcomes can be derived from early functional activity level | |
Acharya et al. | Computer-aided diagnosis of diabetic subjects by heart rate variability signals using discrete wavelet transform method | |
Lei et al. | Clustering of metabolic risk factors and adverse pregnancy outcomes: a prospective cohort study | |
Page et al. | “QT clock” to improve detection of QT prolongation in long QT syndrome patients | |
US20160045127A1 (en) | Automated detector and classifier of high frequency oscillations and indicator seizure onset | |
CN106551691A (zh) | 一种心率变异性分析方法、装置及用途 | |
Shu et al. | Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases | |
Hendry et al. | Scoring system based on electrocardiogram features to predict the type of heart failure in patients with chronic heart failure | |
Redd et al. | Cost of unnecessary testing in the evaluation of pediatric syncope | |
Reus et al. | Automated seizure detection in an EMU setting: Are software packages ready for implementation? | |
CN115565683A (zh) | 心脏大血管术后谵妄风险预测模型建立与验证方法 | |
CN106343992A (zh) | 心率变异性分析方法、装置及用途 | |
Husain et al. | Differentiation of epileptic and psychogenic nonepileptic seizures using single-channel surface electromyography | |
Wang et al. | Development and external validation of a predictive nomogram model of posttraumatic epilepsy: A retrospective analysis | |
Chen et al. | A validation of the Essen Stroke Risk Score in outpatients with ischemic stroke | |
Wang et al. | Correlations of acute cerebral hemorrhage complicated with stress ulcer bleeding with acute physiology and chronic health evaluation (APACHE) II score, endothelin (ET), tumor necrosis factor-alpha (TNF-α), and blood lipids | |
John et al. | Cardiac autonomic dysfunctions in type 2 diabetes mellitus: an investigative study with heart rate variability measures | |
Zheng et al. | Predictive power of abnormal electroencephalogram for post-cerebral infarction depression | |
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 | |
Millan et al. | Optimization of the Mood Disorder Questionnaire in identification of perinatal bipolar disorder | |
Liu et al. | Scalp ripple rates for rapid epilepsy differentiation and seizure activity assessment: Applicability and influential factors | |
Liu et al. | Application of the clinical decision support systems in the management of chronic diseases | |
de Corrêa et al. | Clinical profile of a cohort of neonates with seizures: Association between semiology, etiology, and electroencephalographic findings | |
O'Neil et al. | Sex-Specific Differences in Percutaneous Coronary Intervention Outcomes After a Cardiac Event: A Cohort Study Examining the Role of Depression, Worry and Autonomic Function |
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 |
Application publication date: 20201225 |
|
RJ01 | Rejection of invention patent application after publication |