CN112420196A - 急性心肌梗死患者5年内生存率的预测方法和系统 - Google Patents

急性心肌梗死患者5年内生存率的预测方法和系统 Download PDF

Info

Publication number
CN112420196A
CN112420196A CN202011308905.7A CN202011308905A CN112420196A CN 112420196 A CN112420196 A CN 112420196A CN 202011308905 A CN202011308905 A CN 202011308905A CN 112420196 A CN112420196 A CN 112420196A
Authority
CN
China
Prior art keywords
value
patient
admission
myocardial infarction
years
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
CN202011308905.7A
Other languages
English (en)
Inventor
蔡菁菁
袁洪
唐艳
白圆圆
陆瑶
孙雪菁
陈圆圆
石云敏
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.)
Changsha Hongyuan Cardiovascular Health Research Institute
Original Assignee
Changsha Hongyuan Cardiovascular Health Research Institute
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 Changsha Hongyuan Cardiovascular Health Research Institute filed Critical Changsha Hongyuan Cardiovascular Health Research Institute
Priority to CN202011308905.7A priority Critical patent/CN112420196A/zh
Publication of CN112420196A publication Critical patent/CN112420196A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pathology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种急性心肌梗死患者5年内生存率的预测方法和系统，该方法包括：获取急性心肌梗死患者入院时临床数据；根据临床数据建立预测模型并建立5年内生存率的列线图并计算总风险分值，然后计算患者5年内的生存率的预测值；输出所述患者5年内生存结局发生概率的预测值；本发明已通过外部验证得到证实，适用于中国人群，通过结合急性心肌梗死患者入院基线生命体征、手术及药物干预、实验室检查、影像学检查等各种潜在的影响不良预后的危险因素进行统计分析，筛选出与5年内生存率相关因素，建立急性心肌梗死患者5年内生存率的预测系统，更加全面准确的为临床医师预测急性心肌梗死患者5年内的生存率提供风险量化值。

Description

急性心肌梗死患者5年内生存率的预测方法和系统
技术领域
本发明涉及临床医学技术领域，更具体地，涉及一种急性心肌梗死患者5年内生存率的预测方法和系统。
背景技术
近几十年来，随着经济社会发展及人口老龄化加剧，心血管疾病已经逐渐成为威胁全世界人类健康的最主要因素之一。急性心肌梗死(Acute Myocardial Infarction,AMI)作为冠脉病变最严重的表现形式，表现为冠状动脉急性、持续性缺血缺氧引起的心肌细胞坏死。在美国每年导致200多万人生存，在欧洲及亚洲北部每年造成400多万人生存，是导致世界范围内生存的主要原因。近几十年来，随着胸痛中心的建立，更多的患者得到及时的救治，并且随着治疗方式的改变，冠心病的死亡率已经明显降低。然而，心肌梗死仍对全球健康造成重大影响，每年影响全球700多万人。全球急性冠脉事件注册(Global Registryof Acute Coronary Events,GRACE)研究显示，急性冠脉综合征(Acute CoronarySyndrome,ACS)患者1年死亡率约为15％，5年累积死亡率高达20％。根据《中国心血管病报告2018》显示，中国冠心病患者约1100万，急性心肌梗死患者约250万，且急性心肌梗死出院后生存率连年攀升，2002年至2016年急性心肌梗死的出院后生存率总体呈上升态势。
急性心肌梗死患者存在不同的临床、心电图、酶或标记物特征，发生严重心血管不良预后的风险差异很大。既往根据二分法危险分层(如正常或升高的肌钙蛋白，心电图正常或异常)的研究其准确性不够，而恰当的危险分层有助于提高预警能力并正确选择早期治疗策略。因此，临床需要更为合适、准确、便捷，并且医务人员友好的危险分层工具以提供更准确的预后信息和治疗策略。
近几年来，一系列研究集中于描述急性心肌梗死患者的预后，如作为急性冠脉综合征患者危险分层及个体化治疗有效依据的GRACE评分，简单有效地预测急性心肌梗死患者1年生存率的韩国急性心肌梗死注册表(The Korea Acute Myocardial InfarctionRegistry,KAMIR)评分，以及根据冠状动脉狭窄程度及支配区域血供情况不同的Gensini评分等。不同的评分有其相应的预后价值及不足。GRACE评分作为目前最大规模的多国、前瞻性注册研究，在真实的环境中，不干涉现有的治疗模式，真实的反映医生治疗决策及病情转归。GRACE危险评分可以准确预测急性冠脉综合征患者院内临床结局，Andrew.等人对加拿大急性冠脉综合征患者的前瞻性研究表明，GRACE评分可以很好的预测院内和1年生存，C统计值分别为0.82和0.79，GRACE高危是急性冠脉综合征患者1年结局的强预测因子。由于GRACE评分的便捷及全球实用性，2007年ACC/AHA治疗指南均推荐GRACE危险分层为急性冠脉综合征患者危险评估的主要标准之一。但是，GRACE评分也有其不足之处，主要表现在以下两点，一是当前急性冠脉综合征患者及治疗特点在不断发生改变(例如：在GRACE评分出台时，经皮冠状动脉介入手术及氯吡格雷的使用率仅为30％，而2011年已经接近90％)，而该评分的制订及验证是基于1999-2003年的数据，可能不再适用于现有临床治疗情况。另一点是未考虑入院时患者入院时的基础状态，如急性心肌梗死发生时所存在的应激性因素、合并症及早期心脏结构状态的改变，如应激性血糖升高、合并脑卒中、左心室收缩功能障碍等，而这些因素对预测急性心肌梗死的远期风险都存在价值。因此，研究GRACE评分系统变量以外的新变量，对评估急性心肌梗死患者风险存在重要价值。与GRACE评分相比，KAMIR评分可更加简单有效的预测急性心肌梗死患者1年死亡率，但是该评分存在一些局限性，KAMIR评分并未经世界范围验证，且研究中所有治疗措施均由各医院心内科医生决定，未经既定指南对治疗方案进行控制，因此，难于评估个体化治疗的益处。Gensini评分从冠状动脉病变严重程度出发，不同血管分值不同，且不同病变程度采取不同的权重，根据其积分，对临床预后的预测起着重要作用。但是，该评分系统并不完善，未包含患者基础疾病状态，且该评分主要根据冠状动脉狭窄程度和支配区域的血供情况，并未纳入扭曲钙化及小血管病变。2018年，基于中国急性心肌梗死(China Acute Myocardial Infarction,CAMI)患者的队列研究表明，CAMI风险评分具有预测急性心肌梗死患者院内生存风险的能力。然而，目前没有确切的基于中国人群急性心肌梗死患者的远期生存风险评分。因此，开发一种适合中国人群的急性心肌梗死患者远期结局危险评分具有重要意义。
不同评分体系具有不同的应用价值，GRACE评分、KAMIR评分、Gensini评分主要针对急性冠脉综合征患者短期预后进行分析，有关急性冠脉综合征患者长期预后研究较少。进一步开发急性心肌梗死患者长期预后软件具有潜在的实用价值及临床应用意义，而筛选出急性心肌梗死住院患者中对结局变量具有影响的因素是发明预测软件的关键步骤，为急性心肌梗死患者远期生存结局的预测提供基础。
因此，准确的预测急性心肌梗死患者远期生存结局的发生，具有重要的临床、科研及社会价值。在临床工作中，准确的急性心肌梗死患者远期生存结局预测可指导医生针对急性心肌梗死病人制定个性化的检查及治疗方案，帮助医生制定合理的复查及随访计划，进而提高医疗服务的质量。在科研中，准确的预测急性心肌梗死患者风险层级，可以为研发针对急性心肌梗死患者的有效治疗方案提供重要依据，并且可以成为检验新型治疗效果的重要方法。从社会角度来说，准确预测急性心肌梗死患者远期生存结局的发生，可为病患及家属科学地阐明急性心肌梗死的风险，指引急性心肌梗死病人随诊依从治疗计划，避免过度医疗，减轻家庭经济压力，有助于改善医患关系。
发明内容
基于现有技术中存在的上述技术问题，本发明的目的之一在于建立基于中国人群急性心肌梗死患者5年内生存率的预测模型。基于急性心肌梗患者入院基线相关临床数据，可全面准确的为临床医师根据急性心肌梗死患者入院基线情况预测该患者5年内生存率提供风险量化值，临床医师可通过该风险量化之后及时调整该患者入院、出院诊疗手段及随访方案，减少急性心肌梗死患者远期生存风险。
为了实现上述目的，本发明的技术方案如下：
急性心肌梗死患者5年内生存率的预测方法，包括：
获取急性心肌梗死患者临床数据；其中，所述临床数据包括入院基线生命体征、手术及药物干预、实验室检查和影像学检查；
根据所述临床数据建立预测模型；
根据所述预测模型建立5年内生存率的列线图并计算总风险分值；
根据所述总风险分值计算急性心肌梗死患者5年内生存率的预测值；
输出急性心肌梗死患者5年内生存结局发生概率的预测值。
在一些实施方式中，所述急性心肌梗死患者5年内生存率的预测值公式如下：
H(t)＝h0(t)×exp(b1×X1+b2×X2+b3×X3+b4×X4+b5×X5+b6×X6+b7×X7+b8×X8+b9×X9+b10×X10)；
其中，H(t)为生存率预测值，随时间t变化；t以距离当前时间的年数为单位，t∈Z且t∈[1，5]；h0(t)为基准风险，当t＝1，h0(t)＝0.05+0.0052×(335-总风险分值)，t＝2，h0(t)＝0.05+0.0052×(326-总风险分值)，t＝3，h0(t)＝0.05+0.0052×(320-总风险分值)，t＝4，h0(t)＝0.05+0.0052×(311-总风险分值)，t＝5，h0(t)＝0.05+0.0052×(308-总风险分值)；X1代表此次发病期间是否存在心脏骤停，若是，取值1，若否，取值0；X2代表既往或本次入院是否合并脑卒中，若是，取值1，若否，取值0；X3代表入院第一次心功能评估中Killip分级，一级，则取值1，二级，则取值2，三级，则取值3，四级，则取值4；X4代表入院第一次血糖值，X5代表入院第一次心脏彩超中左心室舒张末径值，X6代表年龄，X7代表入院第一次肌酐值，X8代表入院第一次N-端前体脑钠肽值，X9代表入院第一天是否使用他汀类药物，是，取值1，否，取值0；X10代表此次入院是否行冠脉内支架植入术治疗，是，取值1，否，取值0；b1～b10分别对应变量心脏骤停、脑卒中、Killip分级、快速血糖、左心室舒张末期内径、患者年龄、肌酐、N端前体脑钠肽、他汀类药物使用、PCI治疗的β值。
在一些实施方式中，所述总风险分值计算急性心肌梗死患者5年内生存率的预测值包括以下步骤：
在发生概率的列线图中总风险分值的位置画垂直线，该垂直线与列线图中的发生概率线的交点为急性心肌梗死患者5年内生存率的预测值。
在一些实施方式中，所述临床数据包括：
患者年龄；
患者入院第一次肌酐值；
患者入院第一次血糖值；
患者入院第一次N-端前体脑钠肽值；
患者入院第一次心脏彩超中左心室舒张末径值；
患者入院第一次心功能评估中Killip分级；
患者入院第一天是否使用他汀类药物；
患者此次入院是否行经皮冠脉动脉介入治疗；
患者既往或本次入院是否合并脑卒中；
患者此次发病期间是否合并心脏骤停。
在一些实施方式中，所述总风险分值为患者年龄、入院第一次肌酐值、入院第一次血糖值、入院第一次N-端前体脑钠肽值、入院第一次心脏彩超中左心室舒张末径值、入院第一次心功能评估中Killip分级、入院第一天是否使用他汀类药物情况、此次住院是否行经皮冠脉动脉介入治疗、既往或本次入院是否合并脑卒中及此次发病期间是否合并心脏骤停的风险分值的累加和。
本发明的目的之二在于提供一种急性心肌梗死患者5年内生存率的预测系统，包括：
获取模块，用于获取急性心肌梗死患者临床数据，所述临床数据包括患者入院基线生命体征、手术及药物干预、实验室检查、影像学检查；
解析模块，与所述获取模块连接，用于根据所述获取模块获取的术前临床数据建立预测模型并急性心肌梗死患者5年内生存率的列线图并计算总风险分值，根据所述总风险分值计算急性心肌梗死患者5年内生存率发生概率的预测值；
所述急性心肌梗死患者5年内生存率的预测值公式如下：
H(t)＝h0(t)×exp(b1×X1+b2×X2+b3×X3+b4×X4+b5×X5+b6×X6+b7×X7+b8×X8+b9×X9+b10×X10)；
其中，H(t)为生存率预测值，随时间t变化；t以距离当前时间的年数为单位，t∈Z且t∈[1，5]；h0(t)为基准风险，当t＝1，h0(t)＝0.05+0.0052×(335-总风险分值)，t＝2，h0(t)＝0.05+0.0052×(326-总风险分值)，t＝3，h0(t)＝0.05+0.0052×(320-总风险分值)，t＝4，h0(t)＝0.05+0.0052×(311-总风险分值)，t＝5，h0(t)＝0.05+0.0052×(308-总风险分值)；X1代表此次发病期间是否存在心脏骤停，若是，取值1，若否，取值0；X2代表既往或本次入院是否合并脑卒中，若是，取值1，若否，取值0；X3代表入院第一次心功能评估中Killip分级，一级，则取值1，二级，则取值2，三级，则取值3，四级，则取值4；X4代表入院第一次血糖值，X5代表入院第一次心脏彩超中左心室舒张末径值，X6代表年龄，X7代表入院第一次肌酐值，X8代表入院第一次N-端前体脑钠肽值，X9代表入院第一天是否使用他汀类药物，是，取值1，否，取值0；X10代表此次入院是否行冠脉内支架植入术治疗，是，取值1，否，取值0；b1～b10分别对应变量心脏骤停、脑卒中、Killip分级、快速血糖、左心室舒张末期内径、患者年龄、肌酐、N端前体脑钠肽、他汀类药物使用、PCI治疗的β值；
输出模块，与所述解析模块连接，用于输出急性心肌梗死患者5年内生存率的预测值。
在一些实施方式中，所述总风险分值计算急性心肌梗死患者5年内生存率的预测值包括以下步骤：
在发生概率的列线图中总风险分值的位置画垂线，该垂线与列线图中的发生概率线交点为急性心肌梗死患者5年内生存率的预测值。
在一些实施方式中，所述获取模块包括：
第一获取子模块，用于获取患者年龄；
第二获取子模块，用于获取患者入院第一次肌酐值；
第三获取子模块，用于获取患者入院第一次血糖值；
第四获取子模块，用于获取患者入院第一次NT-proBNP(N-端前体脑钠肽)值；
第五获取子模块，用于获取入院第一次心脏彩超中LVDd(左心室舒张末径)值；
第六获取子模块，用于获取患者入院第一次心功能评估中Killip分级；
第七获取子模块，用于获取患者入院第一天是否使用他汀类药物；
第八获取子模块，用于获取患者此次住院是否行经皮冠脉动脉介入治疗；
第九获取子模块，用于获取患者既往或本次入院是否合并脑卒中；
第十获取子模块，用于获取患者此次发病期间是否合并心脏骤停。
在一些实施方式中，所述总风险分值为患者年龄、入院第一次肌酐值、入院第一次血糖值、入院第一次N-端前体脑钠肽值、入院第一次心脏彩超中左心室舒张末期内径值、入院第一次心功能评估中Killip分级、入院第一天是否使用他汀类药物情况、此次住院是否行经皮冠脉动脉介入治疗、既往或本次入院是否合并脑卒中及此次发病期间是否合并心脏骤停的风险分值的累加和。
在一些实施方式中，所述解析模块为电脑主机、中央处理器或网络服务器；所述输出模块为显示器、打印机或音频输出装置；所述获取模块与所述解析模块连接的方式为有线连接和/或无线连接；所述解析模块与所述输出模块的连接方式为有线连接和/或无线连接。
在一些实施方式中，所述无线连接为无线局域网、蓝牙或红外线；所述有线连接为固话网络。
在一些实施方式中，所述列线图为应用R语言的rms包、Hmisc包、lattice包、survival包、Formula包、ggplot2包完成COX回归模型的列线图。
相较于现有技术，本发明的有益效果如下：
本发明所提供的急性心肌梗死患者5年内生存率的预测方法，是基于中国人群急性心肌梗死患者进行的远期结局风险预测，经外部验证，被证实是可行的、有效的、准确的，适用于中国人群；为了筛选出影响急性心肌梗死患者远期生存率发生的入院时基线变量，发明人根据收集的众多急性心肌梗死患者由住院到出院的随访记录，筛选出可能与急性心肌梗死患者5年内生存结局发生的相关入院基线临床数据，包括患者年龄、入院第一次肌酐值等共纳入42个变量，包括19个连续性变量和23个分类变量，依次经过Lasso回归分析、多元线性逐步回归分析，最终筛选出10项变量，经COX回归建模，最后得到COX回归模型列线图的发生概率线公式；从急性心肌梗死患者临床数据变量纳入至筛选，综合考虑变量的比重，最后得到预测准确率较高的急性心肌梗死患者5年内生存概率模型，需要付出创造性劳动才能获得；本发明结合患者年龄、患者入院时第一肌酐值、第一次血糖值、第一次N-端前脑钠肽值、第一次心脏彩超中左心室舒张末径值、第一次心功能评估中心Killip分级、第一天是否使用他汀类药物、此次入院是否行径皮冠脉动脉介入治疗和既往或本次入院是否合并脑卒中10个潜在危险因素，对急性心肌梗死患者5年内生存率进行预测，通过该预测获得风险量化值，临床医师可根据该风险量化值及时调整患者入院、出院诊疗手段及随访方案，减少急性心肌梗死远期生存的风险。
附图说明
图1为本发明预测方法的一个实施例的流程图；
图2为急性心肌梗死患者5年内生存率的预测值的计算流程图；
图3a为本发明实施例的预测方法开发列队验证集人群筛选流程图；
图3b为本发明实施例的预测方法外部验证集人群筛选流程图；
图4为急性心肌梗死患者5年内生存率的列线图；
图5为本发明实施例的预测方法开发队列验证集人群与外部验证集人群AUROC曲线图与决策曲线图；其中，A图的左图为开发队列预测方法的CHA2BS2-GLPK评分与KAMIR、Grace、Gensini评分之间AUROC曲线下面积的比较(a为CHA2BS2-GLPK评分曲线)，右图为外部验证队列的CHA2BS2-GLPK评分与KAMIR、Grace、Gensini评分之间AUROC曲线下面积的比较(b为CHA2BS2-GLPK评分)；B图的左图为开发列队预测方法的CHA2BS2-GLPK评分与KAMIR、Grace、Gensini评分之间决策曲线的比较(c为CHA2BS2-GLPK评分曲线)；右图为外部验证列队的CHA2BS2-GLPK评分与KAMIR、Grace、Gensini评分之间决策曲线的比较(d为CHA2BS2-GLPK评分曲线)；
图6为本发明实施例的预测系统的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例1
如图1，本实施例所提供的急性心肌梗死患者5年内生存率的预测方法，包括以下步骤：
S101、获取急性心肌梗死患者临床数据，其中，该临床数据包括入院基线生命体征、手术及药物干预、实验室检查、影像学检查等；
S102、根据所述临床数据建立预测模型；
S103、根据步骤S102的所述预测模型建立急性心肌梗死患者5年内生存率的列线图并计算总风险分值；
S104、根据步骤S103计算出的总风险分值计算急性心肌梗死患者5年内生存率的预测值；
S105、输出急性心肌梗死患者5年内生存率的预测值。
结合入院时的血糖改变、他汀药物治疗、既往或本次入院是否合并脑卒中、此次住院是否行经皮冠脉动脉介入治疗、实验室检查、心脏彩超检查等应激状态、是否合并疾病及用药干预等各种潜在危险因素对急性心肌梗死患者5年内生存率进行预测，将更全面准确的为临床医师根据急性心肌梗死患者入院基线情况预测急性心肌梗死患者远期生存率提供风险量化值，临床医师可根据该风险量化值及时调整急性心肌梗死患者入院、出院诊疗手段以及随访方案，减少急性心肌梗死患者远期生存的风险。
在步骤S101中，为了筛选出影响心肌梗死患者远期生存率发生的入院时基线变量，根据严格的纳入排除标准，最终收集1471例急性心肌梗死患者由住院到出院的随访记录，其中237例患者5年内发生生存结局事件，具体参照图3a(开发队列人群筛选流程图)。筛选出部分可能与急性心肌梗死患者5年内生存结局发生的相关入院基线临床数据，如表1所示，包括患者年龄、入院第一次肌酐值、入院第一次血糖值、入院第一次NT-proBNP(N-端前体脑钠肽)值、入院第一次心脏彩超中LVDd(左心室舒张末径)值、入院第一次心功能评估中Killip分级、入院第一天是否使用他汀类药物、此次住院是否行冠脉内支架植入术(PCI)治疗、既往或本次入院是否合并脑卒中、此次发病期间是否合并心脏骤停情况，用于后续急性心肌梗死5年内生存结局发生率预测模型的建立。
表1开发队列数据集基线特征表
Figure BDA0002789108680000111
Figure BDA0002789108680000121
备注：PCI：percutaneous transluminal coronary intervention,经皮冠状动脉介入治疗；CABG：coronary-artery-bypass-grafting，冠状动脉旁路移植术。
在步骤S102中，根据急性心肌梗死患者5年内生存结局发生概率的相关入院基线临床数据建立预测模型，再通过预测模型进行准确地及归一化的预测。如图2，建立预测模型的具体步骤如下：
(1)应用Lasso回归分析筛选与急性心肌梗死患者5年内生存结局相关临床基线数据，本实施例共纳入42个变量，包括19个连续性变量(年龄、身体质量指数(Body MassIndex,BMI)、入院即刻收缩压、入院即刻舒张压、入院即刻心率、入院即刻白细胞、入院即刻血小板、入院即刻肌钙蛋白、入院即刻N端前体脑钠肽(N-terminal pronatriuretic brainnatriuretic peptide,NT-proBNP)、入院即刻血糖、入院即刻谷丙转氨酶、入院即刻低密度脂蛋白胆固醇、入院即刻肌酐、入院第一次心脏彩超中左心室射血分数(left ventricularejection fraction,LVEF)、左心房内径(left atrial,LA)、右心房内径(right atrial,RA)、左心室舒张末径(left ventricular diastolic diameter,LVDd)、右心室舒张末径(right ventricular diastolic diameter,RVDd))和23个分类变量(性别、吸烟史、此次住院是否行经皮冠脉动脉介入治疗(percutaneous transluminal coronary intervention,PCI)、他汀药物使用、降压药物使用情况、抗血小板药物使用情况、Killip分级、合并糖尿病、高血压、脑卒中疾病情况、此次发病期间心脏骤停情况、第一次心脏彩超中有无二尖瓣返流、三尖瓣返流、主动脉瓣返流、肺动脉瓣返流、左心室顺应性下降情况、多支冠脉血管病变情况、心肌梗死的部位、心肌梗死的类型)等在表1中所列变量，根据Lasso回归分析筛选与急性心肌梗死患者5年内生存结局相关临床基线数据，利用R语言中Lars函数实现Lasso回归，在回归系数的绝对值和小于一个常数的约束条件下，对最小乘估计加入罚约束，使残差平方和最小化，从而能够产生某些严格等于0的回归系数，并通过10折交叉验证，绘制变异系数(coefficient variable,cv)的变化图，根据cv大小选取cv值最小时对应的模型，获取对应的自变量系数值，并认为此变量与急性心肌梗死患者5年内生存率的发声显著相关；经过lasso回归分析筛选出20个入院基线变量，包括11个连续性变量(年龄、入院即刻心率、入院即刻收缩压、入院即刻N端前体脑钠肽、入院即刻血糖、入院即刻肌酐、入院第一次心脏彩超中射血分数、右心房内径、左心室舒张末径)和11个分类变量(此次发病至入院的时间、此次住院是否行经皮冠脉动脉介入治疗、入院第一天他汀药物使用、改善心脏预后药物使用情况及抗血小板药物使用情况、Killip分级、合并脑卒中疾病情况、此次发病期间心脏骤停情况、第一次心脏彩超是否有主动脉瓣返流、是否有左心室顺应性下降)与患者的5年内生存风险显著相关。Lasso回归分析的结果如表2所示。
表2 Lasso回归分析结果
Figure BDA0002789108680000141
Figure BDA0002789108680000151
(2)应用向后逐步回归分析上述与急性心肌梗死患者5年内生存显著相关的20个变量是否为独立预测因素，将AIC变化＜4.6的变量排出，AIC变化＞4.6且P＜0.05的变量纳入，最终筛出10项变量，包括5个连续变量(年龄、入院即刻血糖、入院即刻N端前体脑钠肽、入院即刻肌酐、入院第一次心脏彩超中左心室舒张末径)和5个分类变量(此次住院是否行经皮冠脉动脉介入治疗、他汀药物使用、Killip分级、合并脑卒中疾病情况、此次发病期间心脏骤停情况)与患者的5年内生存风险显著相关，如表3所示。对上述10个因素建立COX回归模型，具体结果见表4。
表3向后逐步回归
Figure BDA0002789108680000152
Figure BDA0002789108680000161
表4 COX回归
变量 风险比(95％置信区间) β P值
心脏骤停 3.248(1.994-5.290) 1.468 <0.001
脑卒中 1.659(1.211-2.272) 0.532 0.002
Killip分级 1.422(1.240-1.632) 0.398 <0.001
快速血糖,mmol/L 1.046(1.007-1.086) 0.052 0.020
左心室舒张末期内径,mm 1.036(1.014-1.058) 0.036 0.001
年龄,岁 1.032(1.018-1.045) 0.033 <0.001
肌酐,umol/L 1.005(1.002-1.008) 0.006 0.004
N端前体脑钠肽,pg/ml 1.00004(1.00001-1.00007) 0.00001 0.011
PCI治疗 0.391(0.287-0.534) -1.020 <0.001
他汀类药物使用 0.369(0.185-0.734) -1.295 0.005
上述10个变量描述如表5所示。
表5变量描述
Figure BDA0002789108680000162
(3)建立急性心肌梗死患者5年内生存结局事件概率的预测列线图，根据急性心肌梗死患者5年内生存风险COX回归模型建立相应的如图4所示的急性心肌梗死患者5年内生存风险发生概率列线图，其过程具体为应用R语言rms包、survival包、Foreign包、performance包、pec包、aod包、quantreg包，将所得到的COX回归模型转化为可视化的急性心肌梗死患者5年内生存风险发生概率列线图。其中，具体命令如下：
*建立COX回归模型*
f<-cph(Surv(survivaltime,Death)～LV+FBG+Stroke+Statins+Age+Cr+BNP+Killip+Cardiac.Arrest+Revascularization,data＝data,x＝TRUE,y＝TRUE,surv＝TRUE)
dd<-datadist(data)
option<-options(datadist＝"dd")
surv<-Survival(f)
surv1＝function(x)surv(1,x)
surv2＝function(x)surv(2,x)
surv3＝function(x)surv(3,x)
surv4＝function(x)surv(4,x)
surv5＝function(x)surv(5,x)
*绘制列线图*
nom<-nomogram(f,fun＝list(surv1,surv2,surv3,surv4,surv5),lp＝F,fun.at＝c(0.05,seq(0.1,0.9,by＝0.05),0.95),funlabel＝c('1-year survivalprobability','2-year survival probability','3-year survival probability','4-year survival probability','5-year survival probability'))
(4)根据COX回归相关性分析建立预测急性心肌梗死患者5年内生存结局模型，经上述步骤可得到如图4所示的急性心肌梗死患者5年内生存发生概率列线图，患者年龄、入院第一次肌酐值、入院第一次血糖值、入院第一次N-端前体脑钠肽值、入院第一次心脏彩超中左心室舒张末径值、入院第一次心功能评估中Killip分级、入院第一天是否使用他汀类药物情况、此次住院是否行经皮冠脉动脉介入治疗、既往或本次入院是否合并脑卒中及此次发病期间是否合并心脏骤停分别对应不同的风险分值范围，以此来计算总风险分值，所述总风险分值为患者年龄、入院第一次肌酐值、入院第一次血糖值、入院第一次N-端前体脑钠肽值、入院第一次心脏彩超中左心室舒张末径值、入院第一次心功能评估中Killip分级、入院第一天是否使用他汀类药物情况、此次住院是否行经皮冠脉动脉介入治疗、既往或本次入院是否合并脑卒中及此次住院期间是否合并心脏骤停的风险分值的累加和，得到总风险分值(Total Points)。患者入院存在如下情况：①年龄小于20岁；②左心室舒张末径小于20mm。若患者术前存在所述情况，则年龄以及左心室舒张末径对应的风险分值为0分。
在发生概率的列线图中总风险分值的位置画垂直线，该垂直线与列线图中的发生概率线的交点为急性心肌梗死患者5年内风险发生概率的预测值；
所述急性心肌梗死患者5年内生存率的预测值公式如下：
H(t)＝h0(t)×exp(b1×X1+b2×X2+b3×X3+b4×X4+b5×X5+b6×X6+b7×X7+b8×X8+b9×X9+b10×X10)；
其中，H(t)为生存率预测值，随时间t变化；t以距离当前时间的年数为单位，t∈Z且t∈[1，5]；h0(t)为基准风险，当t＝1，h0(t)＝0.05+0.0052×(335-总风险分值)，t＝2，h0(t)＝0.05+0.0052×(326-总风险分值)，t＝3，h0(t)＝0.05+0.0052×(320-总风险分值)，t＝4，h0(t)＝0.05+0.0052×(311-总风险分值)，t＝5，h0(t)＝0.05+0.0052×(308-总风险分值)；X1代表此次发病期间是否存在心脏骤停，若是，取值1，若否，取值0；X2代表既往或本次入院是否合并脑卒中，若是，取值1，若否，取值0；X3代表入院第一次心功能评估中Killip分级，一级，则取值1，二级，则取值2，三级，则取值3，四级，则取值4；X4代表入院第一次血糖值，X5代表入院第一次心脏彩超中左心室舒张末径值，X6代表年龄，X7代表入院第一次肌酐值，X8代表入院第一次N-端前体脑钠肽值，X9代表入院第一天是否使用他汀类药物，是，取值1，否，取值0；X10代表此次入院是否行冠脉内支架植入术治疗，是，取值1，否，取值0；b1～b10分别是变量心脏骤停、脑卒中、Killip分级、快速血糖、左心室舒张末期内径、患者年龄、肌酐、N端前体脑钠肽、他汀类药物使用、PCI治疗的β值。
(5)使用患者年龄、入院第一次肌酐值、入院第一次血糖值、入院第一次N-端前体脑钠肽值、入院第一次心脏彩超中左心室舒张末径值、入院第一次心功能评估中Killip分级、入院第一天是否使用他汀类药物情况、此次住院是否行经皮冠脉动脉介入治疗、既往或本次入院是否合并脑卒中及此次住院期间是否合并心脏骤停的10个因素构建的COX回归模型，为本实施例的预测模型评分，将其命名为CHA2BS2-GLPK评分。为验证CHA2BS2-GLPK评分的有效性，将其与经典的KAMIR、Grace、Gensini评分进行区分度及校准度检验。区分度是衡量新构建模型区分患者生存结局的有效指标，通过AUROC曲线下面积进行区分度的评估，如表6、图5的A、B图中的左图所示。校准度是评价疾病风险模型预测未来某个个体发生结局事件概率准确性的重要指标，反映了模型预测风险与实际发生风险的一致程度，通过校准曲线斜率进行评估，如表7所示。为评估新模型CHA2BS2-GLPK是否能获得最大净收益，绘制决策曲线，并与经典评分KAMIR、Grace、Gensini评分比较，结果如图5所示。
表6 CHA2BS2-GLPK评分的区分度、预测能力及与经典评分的比较
Figure BDA0002789108680000191
Figure BDA0002789108680000201
如表6，CHA2BS2-GLPK评分曲线下面积为0.850，KAMIR、Grace、Gensini评分曲线下面积分别是0.803，0.728，0.611。一般认为曲线下面积高于0.5即认为该模型对疾病预后的预测具有统计学意义。一般认为，ROC曲线下面积越大，说明检测方法的真实性越高，由表6可知，CHA2BS2-GLPK评分的AUROC曲线下面积高于经典的KAMIR评分、Grace评分及Gensini评分，说明本发明新构建预测模型对急性心肌梗死患者具有较好的预测能力；敏感性反应的是从患者中得出阳性检测的样本占病人总数的百分比，特异性反应的是健康人中得出阴性检测的样本占健康人总数的百分比，阳性预测值反应的是阳性检测的样本总数中，病人样本占阳性检测样本总数的百分比，阴性预测值反应的是阴性检测的样本总数中，正常人样本占阴性检测样本总数的百分比，由表6可以得出，CHA2BS2-GLPK评分具有较高的敏感性、特异性、阳性预测值、阴性预测值，且具有较高的精确性。综上所述，新构建的预测模型较好的预测能力。
表7 CHA2BS2-GLPK评分校准度及与经典评分的比较
Figure BDA0002789108680000202
由表7可知，通过比较每一年新预测评分CHA2BS2-GLPK评分与经典评分KAMIR、Grace、Gensini评分之间校准度的比较，新构建预测模型具有较好的校准度，提示新构建预测模型的准确性高。
需要说明的是，患者在术前具有以下临床情况将不适用于本预测方法：①年龄小于18岁或大于90岁；②入院时严重肝肾功能损害(谷丙转氨酶超过400U/L，总胆红素超过340umol/l，内生肌酐清除率小于15ml/min)；③入院时严重的先天性心脏病(动脉导管未闭、法洛四联症、室间隔缺损、肺动脉瓣/主动脉瓣狭窄)及风湿性心脏病；④入院合并恶性肿瘤或免疫系统缺陷或急性外伤。
综合上述的预测方法，本发明借助现代信息技术，创造性地开发了一种急性心肌梗死患者5年内生存率的预测系统，如图6，该预测系统具体包括：
获取模块，用于获取急性心肌梗死患者入院基线生命体征、手术及药物干预、实验室检查、影像学检查等术前临床数据；
解析模块，与所述获取模块连接，用于根据所述获取模块获取的术前临床数据建立预测模型和急性心肌梗死患者5年内每年生存结局发生概率的列线图并计算总风险分值，根据所述总风险分值计算急性心肌梗死患者5年内生存结局发生的概率的预测值；
所述急性心肌梗死患者5年内生存率的预测值公式如下：
H(t)＝h0(t)×exp(b1×X1+b2×X2+b3×X3+b4×X4+b5×X5+b6×X6+b7×X7+b8×X8+b9×X9+b10×X10)；
其中，H(t)为生存率预测值，随时间t变化；t以距离当前时间的年数为单位，t∈Z且t∈[1，5]；h0(t)为基准风险，当t＝1，h0(t)＝0.05+0.0052×(335-总风险分值)，t＝2，h0(t)＝0.05+0.0052×(326-总风险分值)，t＝3，h0(t)＝0.05+0.0052×(320-总风险分值)，t＝4，h0(t)＝0.05+0.0052×(311-总风险分值)，t＝5，h0(t)＝0.05+0.0052×(308-总风险分值)；X1代表此次发病期间是否存在心脏骤停，若是，取值1，若否，取值0；X2代表既往或本次入院是否合并脑卒中，若是，取值1，若否，取值0；X3代表入院第一次心功能评估中Killip分级，一级，则取值1，二级，则取值2，三级，则取值3，四级，则取值4；X4代表入院第一次血糖值，X5代表入院第一次心脏彩超中左心室舒张末径值，X6代表年龄，X7代表入院第一次肌酐值，X8代表入院第一次N-端前体脑钠肽值，X9代表入院第一天是否使用他汀类药物，是，取值1，否，取值0；X10代表此次入院是否行冠脉内支架植入术治疗，是，取值1，否，取值0；b1～b10分别对应变量心脏骤停、脑卒中、Killip分级、快速血糖、左心室舒张末期内径、患者年龄、肌酐、N端前体脑钠肽、他汀类药物使用、PCI治疗的β值；
输出模块，与所述解析模块连接，用于输出急性心肌梗死患者5年内生存结局发生概率的预测值。
在该系统中，获取模块包括：第一获取子模块，用于获取患者年龄；第二获取子模块，用于获取入院第一次肌酐值；第三获取子模块，用于获取入院第一次血糖值；第四获取子模块，用于获取入院第一次NT-proBNP(N-端前体脑钠肽)值；第五获取子模块，用于获取入院第一次心脏彩超中LVDd(左心室舒张末径)值；第六获取子模块，用于获取入院第一次心功能评估中Killip分级；第七获取子模块，用于获取入院第一天是否使用他汀类药物；第八获取子模块，用于获取此次住院是否行冠脉内支架植入术(PCI)治疗；第九获取子模块，用于获取既往或本次入院是否合并脑卒中；第十获取子模块，用于获取发病期间是否合并心脏骤停。
为进一步验证所构建危险评分模型的可靠性，利用湘潭市中心医院2013-2017年因急性心肌梗死入院患者住院期间相应指标进行外部验证，验证流程如图3b(外部验证人群筛选流程图)所示，验证结果如表S1-S3，图5的A、B图中的右图所示。其中，表S1为外部验证数据集的基线特征；表S2为本发明实施例外部验证集CHA2BS2-GLPK评分与KAMIR、Grace、Gensini评分AUROC结果比；表S3为外部验证数据集CHA2BS2-GLPK评分与KAMIR、Grace、Gensini经典评分校准曲线的比较。
表S1外部验证数据集基线特征表
Figure BDA0002789108680000231
表S2外部验证数据集CHA2BS2-GLPK评分的区分度、预测能力及与经典评分的比较
Figure BDA0002789108680000232
Figure BDA0002789108680000241
如表S2，外部验证集评分结果显示，CHA2BS2-GLPK评分曲线下面积为0.877，KAMIR、Grace、Gensini评分曲线下面积分别是0.806，0.750，0.606，CHA2BS2-GLPK评分的AUROC曲线下面积高于经典的KAMIR评分、Grace评分及Gensini评分，说明本发明新构建预测模型对急性心肌梗死患者具有较好的预测能力；敏感性反应的是从患者中得出阳性检测的样本占病人总数的百分比，特异性反应的是健康人中得出阴性检测的样本占健康人总数的百分比，阳性预测值反应的是阳性检测的样本总数中，病人样本占阳性检测样本总数的百分比，阴性预测值反应的是阴性检测的样本总数中，正常人样本占阴性检测样本总数的百分比，由表S2可以得出，CHA2BS2-GLPK评分具有较高的敏感性、特异性、阳性预测值、阴性预测值，且具有较高的精确性。综上所述，通过外部验证实验进一步说明了新构建的预测模型较好的预测能力。
表S3外部验证数据集CHA2BS2-GLPK评分与经典评分校准度比较
Figure BDA0002789108680000242
由表S3可知，通过外部验证数据集进一步对每一年新预测评分CHA2BS2-GLPK评分与经典评分KAMIR、Grace、Gensini评分之间校准度的比较，提示新构建预测模型的准确性高。
在本发明的一个实施例中，解析模块为电脑主机、中央处理器或网络服务器。该解析模块与获取模块的连接方式为有线连接和/或无线连接。进一步地，上述无线连接为无线局域网、蓝牙或红外线；上述有线连接为固话网络。
在本发明的一个实施例中，所述输出模块为显示器、打印机或音频输出装置。该输出模块与解析模块的连接方式为有线连接和/或无线连接。进一步地，上述无线连接为无线局域网、蓝牙或红外线；上述有线连接为固话网络。采用前述连接方式可以大大方便使用者对预测系统的使用，同时可以借助日益发展的信息技术和日益普及的网络资源为急性心肌梗死患者5年内风险概率作出准确预测。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
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 (10)

1.急性心肌梗死患者5年内生存率的预测方法，其特征在于：包括：
获取急性心肌梗死患者临床数据；其中，所述临床数据包括入院基线生命体征、手术及药物干预、实验室检查和影像学检查；
根据所述临床数据建立预测模型；
根据所述预测模型建立5年内生存率的列线图并计算总风险分值；
根据所述总风险分值计算急性心肌梗死患者5年内生存率的预测值；
输出急性心肌梗死患者5年内生存结局发生概率的预测值。
2.根据权利要求1所述的急性心肌梗死患者5年内生存率的预测方法，其特征在于，所述急性心肌梗死患者5年内生存率的预测值公式如下：
H(t)＝h0(t)×exp(b1×X1+b2×X2+b3×X3+b4×X4+b5×X5+b6×X6+b7×X7+b8×X8+b9×X9+b10×X10)；
其中，H(t)为生存率预测值，随时间t变化；t以距离当前时间的年数为单位，t∈Z且t∈[1，5]；h0(t)为基准风险，当t＝1，h0(t)＝0.05+0.0052×(335-总风险分值)，t＝2，h0(t)＝0.05+0.0052×(326-总风险分值)，t＝3，h0(t)＝0.05+0.0052×(320-总风险分值)，t＝4，h0(t)＝0.05+0.0052×(311-总风险分值)，t＝5，h0(t)＝0.05+0.0052×(308-总风险分值)；X1代表此次发病期间是否存在心脏骤停，若是，取值1，若否，取值0；X2代表既往或本次入院是否合并脑卒中，若是，取值1，若否，取值0；X3代表入院第一次心功能评估中Killip分级，一级，则取值1，二级，则取值2，三级，则取值3，四级，则取值4；X4代表入院第一次血糖值，X5代表入院第一次心脏彩超中左心室舒张末径值，X6代表年龄，X7代表入院第一次肌酐值，X8代表入院第一次N-端前体脑钠肽值，X9代表入院第一天是否使用他汀类药物，是，取值1，否，取值0；X10代表此次入院是否行冠脉内支架植入术治疗，是，取值1，否，取值0；b1～b10分别对应变量心脏骤停、脑卒中、Killip分级、快速血糖、左心室舒张末期内径、患者年龄、肌酐、N端前体脑钠肽、他汀类药物使用、PCI治疗的β值。
3.根据权利要求1所述的急性心肌梗死患者5年内生存率的预测方法，其特征在于，所述总风险分值计算急性心肌梗死患者5年内生存率的预测值包括以下步骤：
在发生概率的列线图中总风险分值的位置画垂直线，该垂直线与列线图中的发生概率线的交点为急性心肌梗死患者5年内生存率的预测值。
4.根据权利要求1-3任一项所述的急性心肌梗死患者5年内生存率的预测方法，其特征在于，所述临床数据包括：
患者年龄；
患者入院第一次肌酐值；
患者入院第一次血糖值；
患者入院第一次N-端前体脑钠肽值；
患者入院第一次心脏彩超中左心室舒张末径值；
患者入院第一次心功能评估中Killip分级；
患者入院第一天是否使用他汀类药物；
患者此次入院是否行经皮冠脉动脉介入治疗；
患者既往或本次入院是否合并脑卒中；
患者此次发病期间是否合并心脏骤停。
5.根据权利要求4所述的急性心肌梗死患者5年内生存率的预测方法，其特征在于，所述总风险分值为患者年龄、入院第一次肌酐值、入院第一次血糖值、入院第一次N-端前体脑钠肽值、入院第一次心脏彩超中左心室舒张末径值、入院第一次心功能评估中Killip分级、入院第一天是否使用他汀类药物情况、此次住院是否行经皮冠脉动脉介入治疗、既往或本次入院是否合并脑卒中及此次发病期间是否合并心脏骤停的风险分值的累加和。
6.一种急性心肌梗死患者5年内生存率的预测系统，其特征在于，包括：
获取模块，用于获取急性心肌梗死患者临床数据，所述临床数据包括患者入院基线生命体征、手术及药物干预、实验室检查、影像学检查；
解析模块，与所述获取模块连接，用于根据所述获取模块获取的入院当天临床数据建立预测模型并绘制急性心肌梗死患者5年内生存率的列线图并计算总风险分值，根据所述总风险分值计算急性心肌梗死患者5年内生存率发生概率的预测值；
所述急性心肌梗死患者5年内生存率的预测值公式如下：
H(t)＝h0(t)×exp(b1×X1+b2×X2+b3×X3+b4×X4+b5×X5+b6×X6+b7×X7+b8×X8+b9×X9+b10×X10)；
其中，H(t)为生存率预测值，随时间t变化；t以距离当前时间的年数为单位，t∈Z且t∈[1，5]；h0(t)为基准风险，当t＝1，h0(t)＝0.05+0.0052×(335-总风险分值)，t＝2，h0(t)＝0.05+0.0052×(326-总风险分值)，t＝3，h0(t)＝0.05+0.0052×(320-总风险分值)，t＝4，h0(t)＝0.05+0.0052×(311-总风险分值)，t＝5，h0(t)＝0.05+0.0052×(308-总风险分值)；X1代表此次发病期间是否存在心脏骤停，若是，取值1，若否，取值0；X2代表既往或本次入院是否合并脑卒中，若是，取值1，若否，取值0；X3代表入院第一次心功能评估中Killip分级，一级，则取值1，二级，则取值2，三级，则取值3，四级，则取值4；X4代表入院第一次血糖值，X5代表入院第一次心脏彩超中左心室舒张末径值，X6代表年龄，X7代表入院第一次肌酐值，X8代表入院第一次N-端前体脑钠肽值，X9代表入院第一天是否使用他汀类药物，是，取值1，否，取值0；X10代表此次入院是否行冠脉内支架植入术治疗，是，取值1，否，取值0；b1～b10分别对应变量心脏骤停、脑卒中、Killip分级、快速血糖、左心室舒张末期内径、患者年龄、肌酐、N端前体脑钠肽、他汀类药物使用、PCI治疗的β值；
输出模块，与所述解析模块连接，用于输出急性心肌梗死患者5年内生存率的预测值。
7.根据权利要求6所述的预测系统，其特征在于，所述总风险分值计算急性心肌梗死患者5年内生存率的预测值包括以下步骤：
在发生概率的列线图中总风险分值的位置画垂线，该垂线与列线图中的发生概率线交点为急性心肌梗死患者5年内生存率的预测值。
8.根据权利要求6所述的预测系统，其特征在于，所述获取模块包括：
第一获取子模块，用于获取患者年龄；
第二获取子模块，用于获取患者入院第一次肌酐值；
第三获取子模块，用于获取患者入院第一次血糖值；
第四获取子模块，用于获取患者入院第一次NT-proBNP(N-端前体脑钠肽)值；
第五获取子模块，用于获取入院第一次心脏彩超中LVDd(左心室舒张末径)值；
第六获取子模块，用于获取患者入院第一次心功能评估中Killip分级；
第七获取子模块，用于获取患者入院第一天是否使用他汀类药物；
第八获取子模块，用于获取患者此次住院是否行经皮冠脉动脉介入治疗；
第九获取子模块，用于获取患者既往或本次入院是否合并脑卒中；
第十获取子模块，用于获取患者此次发病期间是否合并心脏骤停。
9.根据权利要求6所述的预测系统，其特征在于，所述总风险分值为患者年龄、入院第一次肌酐值、入院第一次血糖值、入院第一次N-端前体脑钠肽值、入院第一次心脏彩超中左心室舒张末期内径值、入院第一次心功能评估中Killip分级、入院第一天是否使用他汀类药物情况、此次住院是否行经皮冠脉动脉介入治疗、既往或本次入院是否合并脑卒中及此次发病期间是否合并心脏骤停的风险分值的累加和。
10.根据权利要求6-9任一项所述的预测系统，其特征在于，所述解析模块为电脑主机、中央处理器或网络服务器；所述输出模块为显示器、打印机或音频输出装置；所述获取模块与所述解析模块连接的方式为有线连接和/或无线连接；所述解析模块与所述输出模块的连接方式为有线连接和/或无线连接。
CN202011308905.7A 2020-11-20 2020-11-20 急性心肌梗死患者5年内生存率的预测方法和系统 Pending CN112420196A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011308905.7A CN112420196A (zh) 2020-11-20 2020-11-20 急性心肌梗死患者5年内生存率的预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011308905.7A CN112420196A (zh) 2020-11-20 2020-11-20 急性心肌梗死患者5年内生存率的预测方法和系统

Publications (1)

Publication Number Publication Date
CN112420196A true CN112420196A (zh) 2021-02-26

Family

ID=74773231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011308905.7A Pending CN112420196A (zh) 2020-11-20 2020-11-20 急性心肌梗死患者5年内生存率的预测方法和系统

Country Status (1)

Country Link
CN (1) CN112420196A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113113143A (zh) * 2021-04-12 2021-07-13 重庆大学 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统
CN113113131A (zh) * 2021-03-24 2021-07-13 南京途博科技有限公司 死亡风险预测模型的生成方法、终端及计算机存储介质
CN113327679A (zh) * 2021-05-27 2021-08-31 上海市闵行区中心医院 一种肺栓塞临床风险及预后评分方法与系统
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
CN114242252A (zh) * 2022-02-09 2022-03-25 山东第一医科大学附属省立医院(山东省立医院) 一种预测痴呆发生风险的模型及其应用
CN116913456A (zh) * 2023-09-12 2023-10-20 四川省医学科学院·四川省人民医院 一种基于临床指标的介入诊疗评价方法和系统
CN117153377A (zh) * 2023-10-11 2023-12-01 中山大学附属第一医院 一种中重度主动脉瓣狭窄成年患者死亡风险的预测模型
CN117747100A (zh) * 2023-12-11 2024-03-22 南方医科大学南方医院 一种预测阻塞性睡眠呼吸暂停发生风险的系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1303673A (zh) * 1999-10-26 2001-07-18 上海第二医科大学附属仁济医院 槐果碱作为制备柯萨奇b病毒性心肌炎病因治疗药物的用途及其制法
JP2008537942A (ja) * 2005-03-31 2008-10-02 マイトジェン， インコーポレイテッド 心疾患のための処置
EP2047794A1 (en) * 2007-10-11 2009-04-15 Lidco Group Plc Hemodynamic monitor
WO2014201515A1 (en) * 2013-06-18 2014-12-24 Deakin University Medical data processing for risk prediction
US20140379363A1 (en) * 2013-06-19 2014-12-25 Passport Health Communications, Inc. Patient readmission risk assessment
EP2927692A1 (en) * 2014-04-04 2015-10-07 Winfried März Multiple biomarker approach for prediction of mortality in dialysis patients
WO2016065293A1 (en) * 2014-10-24 2016-04-28 Qualdocs Medical, Llc Systems and methods for clinical decision support and documentation
RU2590869C1 (ru) * 2015-07-22 2016-07-10 Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт кардиологии" Способ прогнозирования летального исхода в течение пяти лет после перенесенного инфаркта миокарда
RU2645626C1 (ru) * 2017-05-17 2018-02-26 Федеральное государственное бюджетное научное учреждение "Томский национальный исследовательский медицинский центр Российской академии наук" (Томский НИМЦ) Способ прогнозирования повторного острого инфаркта миокарда в течение пяти лет постинфарктного периода
RU2659143C1 (ru) * 2017-06-26 2018-06-28 Федеральное государственное бюджетное научное учреждение "Томский национальный исследовательский медицинский центр" Российской академии наук" (Томский НИМЦ) Способ прогнозирования летального исхода у пациентов пожилого и старческого возраста в течение пяти лет после перенесенного инфаркта миокарда
CN108682457A (zh) * 2018-04-17 2018-10-19 中国医学科学院阜外医院 患者长期预后定量预测和干预系统及方法
RU2692667C1 (ru) * 2018-06-06 2019-06-25 Федеральное государственное бюджетное военное образовательное учреждение высшего образования Военно-медицинская академия имени С.М. Кирова Министерства обороны Российской Федерации (ВМедА) Способ прогнозирования развития рецидивирующего инфаркта миокарда после повторного инфаркта миокарда у мужчин моложе 60 лет
CA3091950A1 (en) * 2018-02-28 2019-09-06 F. Hoffmann-La Roche Ag 7-substituted sulfonimidoylpurinone compounds and derivatives for the treatment and prophylaxis of liver cancer
CN110246582A (zh) * 2019-05-23 2019-09-17 重庆医科大学附属大学城医院 一种医疗模式信息化的医患协同信息化平台系统
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置
CN110827992A (zh) * 2019-11-15 2020-02-21 袁洪 高血压术后急性肾损伤的术前预测方法
CN111816318A (zh) * 2020-07-16 2020-10-23 山东大学 一种心脏疾病数据队列生成方法和风险预测系统
CN114783602A (zh) * 2022-03-30 2022-07-22 长沙市弘源心血管健康研究院 一种基于脂质成分预测老年人急性死亡的预测系统及方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1303673A (zh) * 1999-10-26 2001-07-18 上海第二医科大学附属仁济医院 槐果碱作为制备柯萨奇b病毒性心肌炎病因治疗药物的用途及其制法
JP2008537942A (ja) * 2005-03-31 2008-10-02 マイトジェン， インコーポレイテッド 心疾患のための処置
EP2047794A1 (en) * 2007-10-11 2009-04-15 Lidco Group Plc Hemodynamic monitor
WO2014201515A1 (en) * 2013-06-18 2014-12-24 Deakin University Medical data processing for risk prediction
US20140379363A1 (en) * 2013-06-19 2014-12-25 Passport Health Communications, Inc. Patient readmission risk assessment
EP2927692A1 (en) * 2014-04-04 2015-10-07 Winfried März Multiple biomarker approach for prediction of mortality in dialysis patients
WO2016065293A1 (en) * 2014-10-24 2016-04-28 Qualdocs Medical, Llc Systems and methods for clinical decision support and documentation
RU2590869C1 (ru) * 2015-07-22 2016-07-10 Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт кардиологии" Способ прогнозирования летального исхода в течение пяти лет после перенесенного инфаркта миокарда
RU2645626C1 (ru) * 2017-05-17 2018-02-26 Федеральное государственное бюджетное научное учреждение "Томский национальный исследовательский медицинский центр Российской академии наук" (Томский НИМЦ) Способ прогнозирования повторного острого инфаркта миокарда в течение пяти лет постинфарктного периода
RU2659143C1 (ru) * 2017-06-26 2018-06-28 Федеральное государственное бюджетное научное учреждение "Томский национальный исследовательский медицинский центр" Российской академии наук" (Томский НИМЦ) Способ прогнозирования летального исхода у пациентов пожилого и старческого возраста в течение пяти лет после перенесенного инфаркта миокарда
CA3091950A1 (en) * 2018-02-28 2019-09-06 F. Hoffmann-La Roche Ag 7-substituted sulfonimidoylpurinone compounds and derivatives for the treatment and prophylaxis of liver cancer
CN108682457A (zh) * 2018-04-17 2018-10-19 中国医学科学院阜外医院 患者长期预后定量预测和干预系统及方法
RU2692667C1 (ru) * 2018-06-06 2019-06-25 Федеральное государственное бюджетное военное образовательное учреждение высшего образования Военно-медицинская академия имени С.М. Кирова Министерства обороны Российской Федерации (ВМедА) Способ прогнозирования развития рецидивирующего инфаркта миокарда после повторного инфаркта миокарда у мужчин моложе 60 лет
CN110246582A (zh) * 2019-05-23 2019-09-17 重庆医科大学附属大学城医院 一种医疗模式信息化的医患协同信息化平台系统
CN110827992A (zh) * 2019-11-15 2020-02-21 袁洪 高血压术后急性肾损伤的术前预测方法
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置
CN111816318A (zh) * 2020-07-16 2020-10-23 山东大学 一种心脏疾病数据队列生成方法和风险预测系统
CN114783602A (zh) * 2022-03-30 2022-07-22 长沙市弘源心血管健康研究院 一种基于脂质成分预测老年人急性死亡的预测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯亮;丁雪波;刘志宏;仇玉兰;: "炎性因子对急性心肌梗死患者5年生存率的影响", 生物医学工程与临床, no. 03 *
唐迅;张杜丹;何柳;曹洋;王晋伟;李娜;黄少平;窦会东;高培;胡永华;: "China-PAR模型在北方农村人群中预测动脉粥样硬化性心血管疾病发病风险的应用", 北京大学学报(医学版), no. 03 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113113131A (zh) * 2021-03-24 2021-07-13 南京途博科技有限公司 死亡风险预测模型的生成方法、终端及计算机存储介质
CN113113131B (zh) * 2021-03-24 2024-02-13 南京途博科技有限公司 死亡风险预测模型的生成方法、终端及计算机存储介质
CN113113143A (zh) * 2021-04-12 2021-07-13 重庆大学 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统
CN113113143B (zh) * 2021-04-12 2024-03-01 重庆大学 一种考虑延迟强化核磁影像的心肌梗死危险程度评估系统
CN113327679A (zh) * 2021-05-27 2021-08-31 上海市闵行区中心医院 一种肺栓塞临床风险及预后评分方法与系统
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
CN114242252A (zh) * 2022-02-09 2022-03-25 山东第一医科大学附属省立医院(山东省立医院) 一种预测痴呆发生风险的模型及其应用
CN116913456A (zh) * 2023-09-12 2023-10-20 四川省医学科学院·四川省人民医院 一种基于临床指标的介入诊疗评价方法和系统
CN116913456B (zh) * 2023-09-12 2023-12-12 四川省医学科学院·四川省人民医院 一种基于临床指标的介入诊疗评价方法和系统
CN117153377A (zh) * 2023-10-11 2023-12-01 中山大学附属第一医院 一种中重度主动脉瓣狭窄成年患者死亡风险的预测模型
CN117747100A (zh) * 2023-12-11 2024-03-22 南方医科大学南方医院 一种预测阻塞性睡眠呼吸暂停发生风险的系统
CN117747100B (zh) * 2023-12-11 2024-05-14 南方医科大学南方医院 一种预测阻塞性睡眠呼吸暂停发生风险的系统

Similar Documents

Publication Publication Date Title
CN112420196A (zh) 急性心肌梗死患者5年内生存率的预测方法和系统
Januzzi Jr et al. High-sensitivity troponin I and coronary computed tomography in symptomatic outpatients with suspected CAD: insights from the PROMISE trial
Myers A short history of automated office blood pressure–15 years to SPRINT
Malouf et al. Aortic valve stenosis in community medical practice: determinants of outcome and implications for aortic valve replacement
Atisha et al. A prospective study in search of an optimal B-natriuretic peptide level to screen patients for cardiac dysfunction
Clavel et al. B-type natriuretic peptide clinical activation in aortic stenosis: impact on long-term survival
Kelder et al. Quantifying the added value of BNP in suspected heart failure in general practice: an individual patient data meta-analysis
Persson et al. Diastolic dysfunction in heart failure with preserved systolic function: need for objective evidence: results from the CHARM Echocardiographic Substudy–CHARMES
Leeming et al. Pro-C5, a marker of true type V collagen formation and fibrillation, correlates with portal hypertension in patients with alcoholic cirrhosis
McCullough et al. Performance of multiple cardiac biomarkers measured in the emergency department in patients with chronic kidney disease and chest pain
Berthelot et al. A clinical and echocardiographic score to identify pulmonary hypertension due to HFpEF
Totaro et al. Arterial stiffness is increased in young normotensive subjects with high central blood pressure
Piccari et al. Association between systemic and pulmonary vascular dysfunction in COPD
Shu et al. Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases
Turan et al. Left ventricular global longitudinal strain in low cardiac risk outpatients who recently recovered from coronavirus disease 2019
Barrett et al. The AFFORD clinical decision aid to identify emergency department patients with atrial fibrillation at low risk for 30-day adverse events
Zhu et al. Serum level of lactate dehydrogenase is associated with cardiovascular disease risk as determined by the framingham risk score and arterial stiffness in a health-examined population in China
Gallone et al. Impact of computed-tomography defined sarcopenia on outcomes of older adults undergoing transcatheter aortic valve implantation
De Filippo et al. Machine learning‐based prediction of in‐hospital death for patients with takotsubo syndrome: The InterTAK‐ML model
Mavrea et al. Causes and predictors of hospital readmissions in patients older than 65 years hospitalized for heart failure with preserved left ventricular ejection fraction in western Romania
Huang et al. Using Chinese body constitution concepts and measurable variables for assessing risk of coronary artery disease
Fu et al. A novel risk score for predicting left atrial and left atrial appendage thrombogenic milieu in patients with non-valvular atrial fibrillation
Reichlin et al. Initial clinical evaluation of cardiac systolic murmurs in the ED by noncardiologists
Nistri et al. Tissue Doppler indices of diastolic function as prognosticator in patients without heart failure in primary care
Sincer et al. Significant correlation between uric acid levels and flow-mediated dilatation in patients with masked hypertension

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
CB03 Change of inventor or designer information

Inventor after: Cai Jingjing

Inventor after: Tang Yan

Inventor after: Yuan Hong

Inventor after: Bai Yuanyuan

Inventor after: Lu Yao

Inventor after: Sun Xuejing

Inventor after: Chen Yuanyuan

Inventor after: Shi Yunmin

Inventor before: Cai Jingjing

Inventor before: Yuan Hong

Inventor before: Tang Yan

Inventor before: Bai Yuanyuan

Inventor before: Lu Yao

Inventor before: Sun Xuejing

Inventor before: Chen Yuanyuan

Inventor before: Shi Yunmin

CB03 Change of inventor or designer information