CN112216388A - 一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统 - Google Patents

一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统 Download PDF

Info

Publication number
CN112216388A
CN112216388A CN202011047464.XA CN202011047464A CN112216388A CN 112216388 A CN112216388 A CN 112216388A CN 202011047464 A CN202011047464 A CN 202011047464A CN 112216388 A CN112216388 A CN 112216388A
Authority
CN
China
Prior art keywords
risk
endometriosis
ovarian cancer
regression equation
risk prediction
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
Application number
CN202011047464.XA
Other languages
English (en)
Inventor
李华
蔡雨晗
常筱晗
杨琳
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.)
Peking University Third Hospital Peking University Third Clinical Medical College
Original Assignee
Peking University Third Hospital Peking University Third Clinical Medical College
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 Peking University Third Hospital Peking University Third Clinical Medical College filed Critical Peking University Third Hospital Peking University Third Clinical Medical College
Priority to CN202011047464.XA priority Critical patent/CN112216388A/zh
Publication of CN112216388A publication Critical patent/CN112216388A/zh
Pending legal-status Critical Current

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

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

本发明提供了一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统，该风险预测模型包括以下回归方程：Logit(P)＝ln(P/1‑P)＝‑11.149+0.113*年龄+0.170*体质指数+0.002*包块体积+2.420*血流信号。相比现有技术，本发明的预测模型大大提高了卵巢癌风险的预测准确性，帮助临床更好地制定治疗方案。

Description

一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测 系统
技术领域
本发明属于疾病风险预测领域，涉及一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统。
背景技术
子宫内膜异位症是妇科的常见疾病之一，育龄期女性多见，女性群体发病率为6-10％，其主要的临床表现为痛经、不孕及盆腔包块等[Zafrakas M,Grimbizis G,TimologouA,et al.Endometriosis and ovarian cancer risk:a systematic review ofepidemiological studies[J].Front Surg,2014,1:14；Mogensen J B,Kjaer S K,Mellemkjaer L,et al.Endometriosis and risks for ovarian,endometrial andbreast cancers:A nationwide cohort study[J].Gynecol Oncol,2016,143(1):87-92；King C M,Barbara C,Prentice A,et al.Models of endometriosis and their utilityin studying progression to ovarian clear cell carcinoma[J].J Pathol,2016,238(2):185-196]。子宫内膜异位症相关卵巢癌(endometriosis associated ovariancancer，EAOC)是指由卵巢子宫内膜异位囊肿(ovarian endometriosis，OEMs)发展来的卵巢癌，其恶变率为1％左右，1925年由Sampson首次报道[Mogensen J B,Kjaer S K,Mellemkjaer L,et al.Endometriosis and risks for ovarian,endometrial andbreast cancers:A nationwide cohort study[J].Gynecol Oncol,2016,143(1):87-92]。
国内外关于卵巢癌的预测模型陆续有报道，其中血CA125值是应用最广泛的肿瘤标志物，而恶性危险指数模型(the Risk of Malignancy Index，RMI)是目前应用最广泛的卵巢癌风险预测模型，也是卵巢肿瘤分诊最好的标准之一[Zhou Y,Hua K Q.Ovarianendometriosis:risk factor analysis and prediction of malignant transformation[J].Prz Menopauzalny,2018,17(1):43-48]。另外恶性风险算法模型(the Risk ofMalignancy Algorithm，ROMA)及国际卵巢肿瘤分析模型(the International OvarianTumor Analysis，IOTA)也是比较有代表性的卵巢癌风险预测模型[Burghaus S,HaberleL,Schrauder M G,et al.Endometriosis as a risk factor for ovarian orendometrial cancer-results of a hospital-based case-control study[J].BMCCancer,2015,15:751；Kadan Y,Fiascone S,McCourt C,et al.Predictive factors forthe presence of malignant transformation of pelvic endometriosis[J].Eur JObstet Gynecol Reprod Biol,2015,185:23-27]。目前，未见专门针对EAOC的风险预测模型。
发明内容
为了解决现有技术存在的问题，本发明的目的在于提供一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统。本发明的风险预测模型利用多因素分析得到的二元逻辑回归方程获得OEMs的恶变概率，进而判断受试者患病风险高低，帮助临床更好地制定治疗方案。
根据本发明的一个方面，本发明提供了一种子宫内膜异位症相关卵巢癌的危险因素，所述危险因素包括年龄、体质指数、包块体积、血流信号。
根据本发明的另一个方面，本发明提供了一种子宫内膜异位症相关卵巢癌的风险预测模型，所述预测模型包括以下危险因素：年龄、体质指数、包块体积、血流信号。
根据本发明的又一个方面，本发明提供了一种子宫内膜异位症相关卵巢癌的风险预测模型，所述风险预测模型利用以下回归方程计算恶变概率：
Logit(P)＝ln(P/1-P)＝-11.149+0.113*年龄+0.170*体质指数+0.002*包块体积+2.420*血流信号；
其中，P为恶变概率。
根据本发明的又一个方面，本发明提供了前面所述的预测模型的建立方法，所述方法包括如下步骤：
1)单因素分析与子宫内膜异位症相关卵巢癌的风险相关的危险因素；
3)用多因素分析构建二元逻辑回归方程，获得所述预测模型。
根据本发明的又一个方面，本发明提供了一种子宫内膜异位症相关卵巢癌的风险预测模型列线图，根据前面所述的回归方程使用R studio软件画出其列线图。
在发明的一个具体实施例中，所述列线图如图1所示。
列线图(Alignment Diagram)，又称诺莫图(Nomogram图)，它是建立在多因素回归分析的基础上，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定的比例绘制在同一平面上，从而用以表达预测模型中各个变量之间的相互关系。
列线图的基本原理，简单的说，就是通过构建多因素回归模型(常用的回归模型，例如Cox回归、Logistic回归等)，根据模型中各个影响因素对结局变量的贡献程度(回归系数的大小)，给每个影响因素的每个取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结局事件发生概率之间的函数转换关系，从而计算出该个体结局事件的预测值。
列线图将复杂的回归方程，转变为了可视化的图形，使预测模型的结果更具有可读性，方便对患者进行评估。
根据本发明的又一个方面，本发明提供了一种子宫内膜异位症相关卵巢癌的风险预测系统，所述预测系统包括计算单元，所述计算单元利用前面所述的回归方程计算恶变概率。
进一步，所述预测系统还包括检测单元，所述检测单元用于检测体质指数、包块体积或血流信号。
所述检测单元利用检测体重或身高的设备检测体质指数，或利用检测包块体积的设备检测包块体积，或利用检测血流信号的设备检测血流信号。
进一步，所述预测系统还包括信息获取单元，所述信息获取单元用于执行获取受试者检测信息的操作，所述检测信息包括体质指数、包块体积或血流信号。
所述预测系统还包括评估单元，所述评估单元用于执行根据所述计算单元的计算结果判断受试者患有子宫内膜异位症相关卵巢癌的风险高低，给出合理化预防和治疗建议。
进一步，所述预测系统还包括结果显示单元，所述结果显示单元用于显示所述评估单元得出的结论。
优选地，所述结果显示单元通过屏幕显示、声音播报或打印的方式显示结果。
根据本发明的又一个方面，本发明提供了一种子宫内膜异位症相关卵巢癌的风险预测装置，所述预测装置包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时运行前面所述的回归方程。
根据本发明的又一个方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在装置执行前面所述的回归方程。
应当理解，本文使用的“系统”、“装置”、“单元”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
所属技术领域的技术人员知道，本发明可以实现为设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“单元”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
根据本发明的又一个方面，本发明提供了一种子宫内膜异位症相关卵巢癌的风险预测试剂盒，所述试剂盒包括记载前面所述的回归方程的载体。
进一步，所述载体的实例可以是说明书。
根据本发明的又一个方面，本发明提供了记载有前面所述的回归方程的载体在制备子宫内膜异位症相关卵巢癌的风险预测试剂盒中的应用。
进一步，所述载体的实例可以是说明书。
根据本发明的又一个方面，本发明提供了年龄、体质指数、包块体积或血流信号在制备子宫内膜异位症相关卵巢癌的风险预测模型中的应用。
本发明的优点和有益效果：
本发明的风险预测模型是专门针对EAOC的预测模型，填补了现有技术的空缺；
本发明的风险预测模型对于卵巢癌的预测准确度优于血CA125。
本发明利用软件绘制了列线图简化了回归方程，可以更直观的得到每个卵巢子宫内膜异位囊肿患者的恶变风险，帮助临床更好地制定治疗方案。
附图说明
图1显示EAOC风险预测模型列线图；
图2显示Logit(P)、ROC、CA125的ROC曲线图。
具体实施方式
下面通过具体实施例对本发明进行说明，但本发明并不局限于此。
下述实施例中所使用的实验方法如无特殊说明，均为常规方法；下述实施例中所用的试剂、生物材料等，如无特殊说明，均可从商业途径得到。
实施例预测模型建立
1、资料和方法
1.1资料及标本来源
收集在2011年1月至2018年12月期间于北京大学第三医院妇科住院手术治疗的经病理证实为子宫内膜异位症相关卵巢癌患者39例(恶变组)以及卵巢子宫内膜异位囊肿患者156例(非恶变组)的临床资料。
1.2资料及标本收集
收集所有研究病例的临床资料，包括年龄、临床症状、月经史(初潮年龄、月经期、月经周期、绝经年龄、痛经情况)、生育史(妊娠次数、生育次数、不孕症)，合并症(子宫腺肌症、子宫肌瘤、高血压病、糖尿病)、体质指数、血压(收缩压、舒张压)、血常规(中性粒细胞值、淋巴细胞值、中性粒细胞与淋巴细胞比值、血小板)、血脂(总胆固醇、总甘油三酯、高密度脂蛋白、低密度脂蛋白)、肿瘤标志物(术前血CA125值)、空腹血糖、超声检查(包块多房性、血流信号、乳头、腹水、远处转移)、包块体积、包块位置(左侧、右侧、双侧)、肿瘤病理类型、疾病分期。
1.3研究方法
(1)随机方法
使用嘉和病例检索系统检索出2011年1月至2018年12月在北京大学第三医院妇科接受手术治疗的卵巢子宫内膜异位囊肿病例后，按照年份分表排列，使用Excel随机数表法按照恶变组和非恶变组1:4比例抽取非恶变组患者。
(2)单因素及多因素分析
使用SPSS23.0软件，对恶变组以及非恶变组的临床资料进行统计分析。首先是单因素分析，计量资料符合正态分布的用平均数x、标准差s表示，进行t检验；不符合正态分布的用中位数M、四分位数Q1\Q3表示，进行非参数检验；计数资料使用频数和频率表示，进行Pearson卡方检验或Fisher分析。选出有统计学意义的因素后，进行二元逻辑回归分析。
(3)风险预测模型的建立
利用二元逻辑回归分析得到的结果列出回归方程，由此得到EAOC的回归模型，根据回归模型使用R studio1.1.463软件绘制其列线图。
(4)ROC曲线的比较
使用MedCalc15.8软件比较建立的回归模型、RMI以及血CA125值之间的ROC曲线差异。选取血CA125值和RMI作为比较对象是因为血CA125是目前应用最广泛的卵巢癌肿瘤标志物，而RMI是最经典的卵巢癌风险预测模型，两者在NCCN和NICE等国际指南中均有被引用，具有较好的临床参考意义。以P＜0.05作为有统计学意义。
2、结果
2.1临床特征
2.1.1发病率
2011年1月至2018年12月期间，在北京大学第三医院妇科住院手术治疗的卵巢子宫内膜异位囊肿患者共2281例，同期行手术治疗的子宫内膜异位症相关卵巢癌患者共39例，发病率为1.7％。
2.1.2病理类型及疾病分期
恶变组中子宫内膜样癌和透明细胞癌占61.54％。其中15例是子宫内膜样癌，9例是透明细胞癌。按照2014版FIGO分期，大部分患者属于肿瘤早期，I期患者有27人，占69.23％。非恶变组r-AFS分期大部分为III或IV期(其中有5例未记录分期)，具体见表1-3。
2.1.3单因素分析
一般特点：恶变组和非恶变组在年龄、体质指数和绝经状态上组间比较具有统计学意义(P＜0.05)。并且根据其中位数进行分组后再进行比较，结果仍有统计学意义，具体见表4-5。
临床表现：恶变组和非恶变组在腹痛、腹胀、痛经、阴道出血和消瘦方面组间比较有统计学意义(P＜0.05)，但是在检查发现包块方面组间比较没有统计学意义，P值为0.82。对于EAOC患者，检查发现盆腔包块是最常见的主诉，有27人，占69.23％；其次是腹痛，有13人，占33.33％。对于OEMs患者，检查发现盆腔包块也是最常见的主诉，有105人，占67.31％；但是与恶变组不同，非恶变组第二常见的主诉是痛经，有97人，占62.18％。具体见表5。
月经生育史：恶变组和非恶变组的初潮年龄、月经期、月经间期均不符合正态分布，组间比较差异均无统计学意义(P＞0.05)。恶变组妊娠次数、生育次数中位数均比非恶变组要多1次，两者组间比较差异具有统计学意义(P＜0.05)，具体见表4。
合并症：恶变组和非恶变组患者在合并高血压病上组间比较有统计学意义，并且两组患者入院测量的收缩压和舒张压的数值组间比较也有统计学意义(P＜0.05)。恶变组血压平均值为128.41±16.64/80.69±12.25mmHg，非恶变组平均值为118.83±10.51/75.42±7.64mmHg。但在合并糖尿病、子宫肌瘤、子宫腺肌症和不孕症方面两组组间比较均无统计学意义，具体见表5。
化验检查：恶变组术前血常规中中性粒细胞值较非恶变组高，组间比较有统计学意义(P＜0.05)。但淋巴细胞值和血小板组间比较无统计学意义。恶变组血脂中总甘油三酯水平较非恶变组高0.20mmol/L，组间比较有统计学意义，但是总胆固醇、高密度脂蛋白、低密度脂蛋白组间比较无统计学意义(P＞0.05)。虽然两组患者合并糖尿病的人数组件比较无统计学意义，但是空腹血糖值均数恶变组比非恶变组高0.41mmol/L，组间比较有统计学意义。两组术前血CA125值组间比较没有统计学意义(P＞0.05),但是对其进行分组后(以中位数为界)，术前血CA125值组间比较有统计学意义(P＜0.05)。恶变组与非恶变组超声影像上囊肿内有乳头和血流信号组间比较有统计学意义。但是囊肿多房样表现和包块位置(左侧、右侧或双侧)组间比较并没有统计学意义。恶变组与非恶变组包块体积组间比较有统计学意义(P＜0.05)。具体见表4-5。
表1 39例恶变组肿瘤病理分类
病理类型 n(％)
子宫内膜样癌 15(38.46)
透明细胞癌 9(23.08)
粘液性癌 2(5.13)
浆液性癌 3(7.69)
浆粘液性癌 3(7.69)
交界性肿瘤 3(7.69)
混合性癌a 4(10.26)
a混合性癌有4例，一例是包含子宫内膜样癌和粘液性癌，一例是包含子宫内膜样癌和透明细胞癌，两例是包含透明细胞癌和浆粘液性癌。
表2 156例恶变组的FIGO分期
肿瘤分期 n(％)
I 27(69.23)
II 6(15.38)
III 5(12.82)
IV 1(2.56)
表3 156例非恶变组的r-AFS分期
r-AFS分期 n(％)
I 1(0.6)
II 2(1.2)
III 60(38.46)
IV 88(56.41)
表4计量资料的单因素分析
Figure BDA0002708442980000091
Figure BDA0002708442980000101
表5计数资料的单因素分析
Figure BDA0002708442980000102
Figure BDA0002708442980000111
*：包块体积是根据术中所见包块大小计算所得，采用HWL计算法计算，V＝0.523×高(H)×宽(W)×长(L)或者(4π/3)×半径(r)3，如果病灶位于双侧，则取两侧包块体积的平均值。
2.1.4OR值
对上述单因素分析有统计学意义的指标进一步进行OR值的计算，结果显示，年龄、BMI、绝经、合并高血压病等均是EMs恶变的高危因素(OR＞1)；而痛经则是保护因素(OR＜1)。具体见表6-7。
表6年龄、BMI、包块体积、血CA125值分组情况
Figure BDA0002708442980000121
表7恶变组与非恶变组OR值
临床特征 OR 95％置信区间 临床特征 OR 95％置信区间
年龄<sup>a</sup> 22.41 8.37-59.96 压迫症状 11.32 2.108-60.84
BMI<sup>a</sup> 3.90 1.88-8.09 高血压病 15.30 3.91-59.85
绝经 86.80 10.93-689.44 血流信号 27.55 10.26-73.95
痛经 0.21 0.46-0.95 乳头 117.02 35.88-381.72
腹痛 2.89 1.30-6.43 血CA125值<sup>a</sup> 4.38 1.64-11.70
阴道出血 22.80 2.58-201.42 包块体积<sup>a</sup> 11.28 4.58-27.77
a年龄、BMI、血CA125值、包块体积均经过表6分组。
2.1.5多因素分析
恶变组和非恶变组的临床特征进行单因素分析后，选择其中有统计学意义的因素作为协变量，恶变与否作为因变量进行二元逻辑回归分析，使用输入的方式得到最终的逻辑回归结果。年龄、体质指数、包块体积和包块有血流信号方面组间比较有统计学意义(P＜0.05)。回归模型的R方为0.649，拟优合度检验P为0.981，大于0.05，说明该回归方程能比较好的拟合原有数据。具体见表8-10。
表8逻辑回归分析的R方
Figure BDA0002708442980000122
Figure BDA0002708442980000131
表9逻辑回归分析拟优合度检验(Hosmer and Lemeshow Test)
Step Chi-square Df Sig.
1 3.244 8 0.981
表10二元逻辑回归方程变量及参数
Figure BDA0002708442980000132
2.1.6风险预测模型
根据表10的逻辑分析结果，得出逻辑回归方程，根据该方程可以算出每个OEMs患者恶变的风险。具体方程如下(P-恶变概率，age-年龄，BMI-体质指数，VOL-包块体积，CDFI-血流信号)：
Logit(P)＝ln(P/1-P)＝-1.149+0.113*age+0.170*BMI+0.002*VOL+2.420*CDFI
2.1.7列线图
虽然根据回归方程可以很精确地计算每位OEMs患者患病的风险概率值，但是计算公式较复杂，因此根据回归方程使用R studio1.1.463软件画出其列线图，从而更直观简单的计算出大概的恶变风险概率，如图1。
2.1.8ROC曲线
根据计算得到的回归方程log进一步求出其ROC曲线，与血CA125值和RMI进行ROC曲线对比，进一步判此回归模型是否有临床应用价值。RMI计算公式为：RMI＝U×M×血CA125值(超声评分＝0，U＝0；超声评分＝2-5，U＝3；M值绝经＝3，未绝经＝1。超声评分中每个项目各为1：多房性、包块内有乳头、双侧囊肿、腹水、转移)。
结果显示：本发明的回归模型Logit(P)和RMI的ROC曲线均有统计学意义，P＜0.05；而血CA125值的ROC曲线则无统计学意义，P值为0.9368。Logit(P)和RMI的ROC曲线比较有统计学意义，并且Logit(P)曲线下面积大于RMI，Logit(P)的AUC为0.925，RMI的AUC为0.748。具体见表11、表12及图2(图中log代表Logit(P))。
表11Logit(P)、RMI、术前血CA125值的ROC曲线情况
Figure BDA0002708442980000141
表12Logit(P)、RMI的ROC曲线比较
Figure BDA0002708442980000142
上述实施例的说明只是用于理解本发明的方法及其核心思想。应当指出，对于本领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也将落入本发明权利要求的保护范围内。

Claims (10)

1.一种子宫内膜异位症相关卵巢癌的危险因素，其特征在于，所述危险因素包括年龄、体质指数、包块体积、血流信号。
2.一种子宫内膜异位症相关卵巢癌的风险预测模型，其特征在于，预测模型包括以下危险因素：年龄、体质指数、包块体积、血流信号；
优选地，所述预测模型利用以下回归方程计算恶变概率：
Logit(P)＝ln(P/1-P)＝-11.149+0.113*年龄+0.170*体质指数+0.002*包块体积+2.420*血流信号；
其中，P为恶变概率。
3.一种子宫内膜异位症相关卵巢癌的风险预测模型列线图，其特征在于，根据权利要求2所述的回归方程使用R studio软件画出其列线图；优选地，所述列线图如图1所示。
4.一种子宫内膜异位症相关卵巢癌的风险预测系统，其特征在于，所述预测系统包括计算单元，所述计算单元利用权利要求2中所述的回归方程计算恶变概率。
5.根据权利要求4所述的预测系统，其特征在于，所述预测系统还包括检测单元，所述检测单元用于检测体质指数、包块体积或血流信号。
6.根据权利要求4或5所述的预测系统，其特征在于，所述预测系统还包括信息获取单元，所述信息获取单元用于执行获取受试者检测信息的操作，所述检测信息包括体质指数、包块体积或血流信号。
7.根据权利要求5所述的预测系统，其特征在于，所述预测系统还包括评估单元，所述评估单元用于执行根据所述计算单元的计算结果判断受试者患有子宫内膜异位症相关卵巢癌的风险高低，给出合理化预防和治疗建议。
8.根据权利要求7所述的预测系统，其特征在于，所述预测系统还包括结果显示单元，所述结果显示单元用于显示所述评估单元得出的结论；优选地，所述结果显示单元通过屏幕显示、声音播报或打印的方式显示结果。
9.一种子宫内膜异位症相关卵巢癌的风险预测装置，其特征在于，所述预测装置包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时运行权利要求2中所述的回归方程。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在装置执行权利要求2中所述的回归方程。
CN202011047464.XA 2020-09-29 2020-09-29 一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统 Pending CN112216388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011047464.XA CN112216388A (zh) 2020-09-29 2020-09-29 一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011047464.XA CN112216388A (zh) 2020-09-29 2020-09-29 一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统

Publications (1)

Publication Number Publication Date
CN112216388A true CN112216388A (zh) 2021-01-12

Family

ID=74051107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011047464.XA Pending CN112216388A (zh) 2020-09-29 2020-09-29 一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统

Country Status (1)

Country Link
CN (1) CN112216388A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160980A (zh) * 2021-02-02 2021-07-23 中山大学孙逸仙纪念医院 卵巢恶性肿瘤患者血栓风险预测模型建模方法及预测装置
CN113349810A (zh) * 2021-05-27 2021-09-07 北京安德医智科技有限公司 脑出血病灶识别及血肿扩大预测方法及装置
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968558A (zh) * 2012-11-14 2013-03-13 叶定伟 一种预测初诊前列腺癌骨转移风险的装置
CN108026154A (zh) * 2015-07-01 2018-05-11 伊玛提克斯生物技术有限公司 用于卵巢癌和其他癌症免疫治疗的新型肽和肽组合物
CN110408695A (zh) * 2019-04-05 2019-11-05 辽宁省肿瘤医院 子宫内膜异位症恶变相关卵巢癌诊断或预后标志物及应用

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968558A (zh) * 2012-11-14 2013-03-13 叶定伟 一种预测初诊前列腺癌骨转移风险的装置
CN108026154A (zh) * 2015-07-01 2018-05-11 伊玛提克斯生物技术有限公司 用于卵巢癌和其他癌症免疫治疗的新型肽和肽组合物
CN110408695A (zh) * 2019-04-05 2019-11-05 辽宁省肿瘤医院 子宫内膜异位症恶变相关卵巢癌诊断或预后标志物及应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李华等: "子宫内膜异位症相关恶变的研究近况", 《国际妇产科学杂志》 *
李华等: "子宫内膜异位相关恶变的研究近况", 《国际妇产科学杂志》 *
肖喜荣: "卵巢子宫内膜异位癌恶变预浈|J方法研究", 《生殖与避孕》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160980A (zh) * 2021-02-02 2021-07-23 中山大学孙逸仙纪念医院 卵巢恶性肿瘤患者血栓风险预测模型建模方法及预测装置
CN113349810A (zh) * 2021-05-27 2021-09-07 北京安德医智科技有限公司 脑出血病灶识别及血肿扩大预测方法及装置
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

Similar Documents

Publication Publication Date Title
CN112216388A (zh) 一种子宫内膜异位症相关卵巢癌的风险预测模型和风险预测系统
Abbott et al. Evaluation of a quantitative fetal fibronectin test for spontaneous preterm birth in symptomatic women
Lappen et al. Existing models fail to predict sepsis in an obstetric population with intrauterine infection
Khalil et al. Maternal hemodynamics at 11–13 weeks' gestation and risk of pre‐eclampsia
Hartman et al. Ultrasound criteria and CA 125 as predictive variables of ovarian cancer in women with adnexal tumors
Chan et al. Implications of failure to achieve a result from prenatal maternal serum cell‐free DNA testing: a historical cohort study
Nunes et al. Prospective evaluation of the IOTA logistic regression model LR2 for the diagnosis of ovarian cancer
Dragan et al. Development of pre‐eclampsia within 4 weeks of sFlt‐1/PlGF ratio> 38: comparison of performance at 31–34 vs 35–37 weeks' gestation
Kuhrt et al. Development and validation of a tool incorporating quantitative fetal fibronectin to predict spontaneous preterm birth in symptomatic women
Mone et al. Vaginal birth after caesarean section prediction models: a UK comparative observational study
Durnwald et al. Rates of recurrent preterm birth by obstetrical history and cervical length
Suvakov et al. Epigenetic and senescence markers indicate an accelerated ageing-like state in women with preeclamptic pregnancies
Broumand et al. A study of the diagnostic value of Inhibin A Tests for occurrence of preeclampsia in pregnant women
Tekesin et al. Evaluation and validation of a new risk score (CLEOPATRA score) to predict the probability of premature delivery for patients with threatened preterm labor
Ameye et al. A scoring system to differentiate malignant from benign masses in specific ultrasound‐based subgroups of adnexal tumors
Zhang et al. Predictive value of D-dimer and analysis of risk factors in pregnant women with suspected pulmonary embolism after cesarean section
Yang et al. Pre‐BMI and Lipid Profiles in Association with the Metabolic Syndrome in Pregnancy with Advanced Maternal Age
Yamamoto et al. Evaluation of a routine second curettage for hydatidiform mole: a cohort study
Stuebs et al. Concordance rate of vulvoscopic findings in detecting early vulvar neoplasia
Su et al. Circulating noncoding RNAs as early predictive biomarkers in preeclampsia: a diagnostic meta-analysis
Cordero-Franco et al. Discriminatory accuracy of preeclampsia risk factors in primary care
Shi et al. Non‐invasive prediction of histologic chorioamnionitis using maternal serum markers in women with preterm prelabour rupture of membranes
Zhao et al. Serum peptidomic screening identified circulating peptide biomarkers predictive for preeclampsia
Knific et al. Models including serum CA-125, BMI, cyst pathology, dysmenorrhea or dyspareunia for diagnosis of endometriosis
Gawron et al. Perinatal pathologic examination of nonintact, second-trimester fetal demise specimens: the value of standardization

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: 20210112

RJ01 Rejection of invention patent application after publication