CN112820397B - 一种冠状动脉旁路移植术围术期风险预测模型的建立方法 - Google Patents
一种冠状动脉旁路移植术围术期风险预测模型的建立方法 Download PDFInfo
- Publication number
- CN112820397B CN112820397B CN202110077755.1A CN202110077755A CN112820397B CN 112820397 B CN112820397 B CN 112820397B CN 202110077755 A CN202110077755 A CN 202110077755A CN 112820397 B CN112820397 B CN 112820397B
- Authority
- CN
- China
- Prior art keywords
- risk factors
- risk
- prediction
- surgery
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 21
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 12
- 206010019280 Heart failures Diseases 0.000 claims abstract description 16
- 238000001356 surgical procedure Methods 0.000 claims description 51
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 40
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 claims description 28
- 108010082126 Alanine transaminase Proteins 0.000 claims description 28
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 claims description 25
- 102400000667 Brain natriuretic peptide 32 Human genes 0.000 claims description 25
- 101800002247 Brain natriuretic peptide 45 Proteins 0.000 claims description 25
- HPNRHPKXQZSDFX-OAQDCNSJSA-N nesiritide Chemical compound C([C@H]1C(=O)NCC(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CSSC[C@@H](C(=O)N1)NC(=O)CNC(=O)[C@H](CO)NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CCSC)NC(=O)[C@H](CCCCN)NC(=O)[C@H]1N(CCC1)C(=O)[C@@H](N)CO)C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1N=CNC=1)C(O)=O)=O)[C@@H](C)CC)C1=CC=CC=C1 HPNRHPKXQZSDFX-OAQDCNSJSA-N 0.000 claims description 25
- 229940109239 creatinine Drugs 0.000 claims description 20
- 230000002861 ventricular Effects 0.000 claims description 19
- 230000034994 death Effects 0.000 claims description 17
- 231100000517 death Toxicity 0.000 claims description 17
- 230000006016 thyroid dysfunction Effects 0.000 claims description 17
- 230000004217 heart function Effects 0.000 claims description 16
- 238000007675 cardiac surgery Methods 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 11
- 102000001554 Hemoglobins Human genes 0.000 claims description 9
- 108010054147 Hemoglobins Proteins 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 208000031226 Hyperlipidaemia Diseases 0.000 claims description 8
- 230000007213 cerebrovascular event Effects 0.000 claims description 8
- 206010012601 diabetes mellitus Diseases 0.000 claims description 8
- 208000010125 myocardial infarction Diseases 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 5
- 238000002513 implantation Methods 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000000391 smoking effect Effects 0.000 claims description 5
- 206010020772 Hypertension Diseases 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000004083 survival effect Effects 0.000 claims description 4
- 206010003662 Atrial flutter Diseases 0.000 claims description 3
- 238000011119 multifactor regression analysis Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 238000000556 factor analysis Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 10
- 210000001685 thyroid gland Anatomy 0.000 description 6
- 208000029078 coronary artery disease Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000006589 gland dysfunction Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 208000032928 Dyslipidaemia Diseases 0.000 description 1
- 208000017170 Lipid metabolism disease Diseases 0.000 description 1
- 208000005736 Nervous System Malformations Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003516 pericardium Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 208000003663 ventricular fibrillation Diseases 0.000 description 1
- 206010047302 ventricular tachycardia Diseases 0.000 description 1
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/70—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种冠状动脉旁路移植术围术期风险预测模型的建立方法,通过对国内大量患者医院资料的搜集整理,结合单因素和多因素分析方法,并采用logisitic回归二次预测方法进行分析,得到二次预测模型,不仅丰富了建模过程中所考察的风险因素种类,也有效的提高了模型预测的准确性和可靠性,为我国心力衰竭患者冠状动脉旁路移植术的风险预测提供了一种有效的评估预测方法,能有效的降低手术风险,对我国医疗卫生事业的健康发展有着积极意义。
Description
技术领域
本发明属于生物医学领域,特别涉及一种冠状动脉旁路移植术围术期风险预测模型的建立方法。
背景技术
冠心病外科风险预测是识别高危患者、降低手术死亡率,提高外科疗效的关键环节。尤其是在合并心力衰竭的患者当中,手术风险明显提高,更需要精准的术前风险因素预测模型。目前国内外主要心脏手术风险评分模型对于心力衰竭患者行CABG的风险预测模型包括EuroSCORE、EuroSCORE II、STS、SinoSCORE等,研究发现EuroSCORE、EuroSCORE II以及针对中国人群的SinoSCORE对于心衰患者行CABG的院内死亡率不能准确预测,均明显高估死亡率。现有预测模型的主要缺点:(1)建立这些模型的数据年代较为久远(大多是10年前的数据),现如今手术技术的进步和围手术期处理水平的提高已显著地降低了CABG术后死亡率。(2)大多数模型是基于欧美人群的数据建立的,人群特异性不强,例如EuroSCORE II,其覆盖人群主要是欧洲人群,冠心病合并心力衰竭发病特点与我国人群不尽相同,故其对于国人心力衰竭行CABG手术住院期间死亡率有明显的高估。(3)几乎所有现有模型都是针对普通冠心病人群,而非心衰人群,例如SinoSCORE作为基于国人的数据建立的预测模型,其对于EF<50%的心力衰竭人群没有进一步的区分,所以对于该人群死亡率的预测不够准确。因而,开发出一种适合我国人群特点的预测模型,用以预测心力衰竭患者冠状动脉旁路移植术围术期风险,作为治疗方法手段选择的参考和依据,对于提高治疗成功率、减少手术风险具有重要的参考意义。
发明内容
本发明的目的在于提供一种冠状动脉旁路移植术围术期风险预测模型的建立方法,本模型能够更加准确地预测心衰病人的冠状动脉旁路移植手术风险,更适合中国人群,适合在临床实践中推广。
为实现上述目的,本发明采用以下技术方案:
一种冠状动脉旁路移植术围术期风险预测模型的建立方法,其特征在于,所述预测模型通过对冠状动脉旁路移植术围术期风险因素回归分析选择得到相关风险因素,并通过对相关风险因素的多因素回归分析筛选得到最终风险因素,再通过回归分析得到初始预测模型,最后通过二次预测对所述初始预测模型优化得到本预测模型。
进一步地,所述模型的建立包括以下步骤:
(1)收集术前心力衰竭接受冠状动脉旁路移植手术的病人的临床资料建立疾病数据库;
(2)对初始风险因素分别进行相关性分析,选择相关风险因素作为研究对象,选择依据是p值<0.1和出现率>5%;
(3)对步骤(2)中相关性风险因素进行logistic回归分析,进行多因素共线性判断,去除共线性变量;
(4)剔除共线性变量后,得到最终风险因素,采用logistic回归进行模型拟合,获取回归方程偏回归系数βi及回归方程中的常数β0,得到初始预测模型;
(5)设置一次判定值,进行一次预测分析,将样本数据分为三组:死亡组、安全组和不确定组;
(6)设置二次判定值,对步骤(5)所述不确定组进行logistic分析,得到二次预测模型。可实现对初始预测模型的完善,提高预测的准确性和可靠性。
进一步地,步骤(2)所述初始风险因素包括:性别、高血脂、脑钠肽、甲状腺功能异常病史、血红蛋白、丙氨酸氨基转移酶、高血压、身体质量指数、心梗、糖尿病、心脏血管的支架植入、血肌酐升高、心脏手术、吸烟史、外周动脉病变、脑血管事件、术前危重状态、CCS4级、术前房颤或房扑、NYHA心功能III或IV级、左室射血分数(35%<LVEF<45%、LVEF≤35%)、合并瓣膜手术、合并主动脉手术、非择期手术和体外循环手术。
进一步地,步骤(2)所述相关风险因素包括:性别、高血脂、脑钠肽、血红蛋白,丙氨酸氨基转移酶(ALT)升高、身体质量指数、心梗病史、糖尿病、血肌酐升高、既往心脏手术、脑血管事件、甲状腺功能异常病史、术前危重状态、NYHA心功能III或IV级、左室射血分数(35%<LVEF<45%、LVEF≤35%)、合并瓣膜手术和合并主动脉手术。
进一步地,步骤(4)中所述最终风险因素包括:性别、丙氨酸氨基转移酶(ALT)升高、脑钠肽、甲状腺功能异常病史、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术、合并主动脉手术。
进一步地,步骤(4)所述初始预测模型对应的围术期死亡率预测方程为:
进一步地,所述预测方程中Xi为筛选后的风险因素,风险因素出现时,Xi=1,风险因素未出现,则Xi=0。
进一步地,所述预测方程中β0的取值为-3.273。
进一步地,步骤(5)所述的一次判定值为0.7和0.3,当预测概率值达到或者超过0.7时,将其判别为死亡组,预测概率值低于0.3时则判别为存活组,剩下的为不确定组。
进一步地,步骤(6)所述的二次判定值为0.6。
本发明公开的一种冠状动脉旁路移植术围术期风险预测模型的建立方法,与现有其他模型相比,本模型建立过程考察搜集的患病人群基数更大,数据库样本更丰富,考察的风险因素更多,通过初始风险因素、相关性风险因素以及最终风险因素的多步筛选,并通过设定一次判定值和二次判定值,对不确定人群进行二次预测分析,多步筛选以及二次预测方法极大的提高了模型预测的准确性,因而本模型相对于目前其他预测模型,具有更适合中国人群,且预测的准确性更高,对临床实践具有重要的风险指导意义。
本发明通过患病人群数据库的扩大以及单因素和多因素回归分析方法,筛选得到的风险因素脑钠肽、甲状腺功能和丙氨酸氨基转移酶,经实验验证表明,这几种风险因素有效的提高了所建模型预测的准确性,使得模型预测准确性更强,更适合在临床实践中推广。
本发明通过引入新的风险因素,同时结合二次预测的建模方法,有效的提高了模型的预测准确性和可靠性,对临床手术具有重要的指导意义。
风险因素脑钠肽、甲状腺功能和丙氨酸氨基转移酶,为心力衰竭患者冠状动脉旁路移植术围术期风险预测提供了更多的参考和评价依据,也为进一步深入研究心力衰竭患者冠状动脉旁路移植术围术期风险的原因和机理提供了更多的依据和研究方法。
附图说明
图1为本发明一种冠状动脉旁路移植术围术期风险预测模型的建立方法流程示意图。
具体实施方式
下面,结合流程示意图(图1)结合实施例对本发明作进一步的说。
实施例1
整理搜集2010年至2019年,临床资料齐全的国内3659例因心力衰竭接受冠状动脉旁路移植术的病人作为建模研究对象,鉴于患者资料的完整性和实际搜集结果,整理患者包括:性别、高血脂、脑钠肽、甲状腺功能异常病史、血红蛋白、丙氨酸氨基转移酶、高血压、身体质量指数、心梗、糖尿病、心脏血管的支架植入、血肌酐升高、心脏手术、吸烟史、外周动脉病变、脑血管事件、术前危重状态、CCS4级、术前房颤或房扑、NYHA(心力衰竭)心功能III或IV级、左室射血分数(35%<LVEF<45%、LVEF≤35%)、合并瓣膜手术、合并主动脉手术、非择期手术和体外循环手术在内的25种初始风险因素作为研究对象,高血脂判定标准,当符合以下空腹血浆检查指标≥1项,可诊断血脂异常,总胆固醇(TC)≥6.2mmol/L,低密度脂蛋白胆固醇(LDL-C)≥4.1mmol/L,甘油三酯(TG)≥2.3mmol/L,高密度脂蛋白胆固醇(HDL-C)<1.0mmol/L;脑钠肽分类标准为:小于50岁,脑钠肽>450pg/ml,50到75岁之间,脑钠肽>900pg/ml,大于75岁,脑钠肽大于1800pg/ml;甲状腺功能,是否有甲状腺异常病史;血红蛋白,以<90g/L为分界点;丙氨酸氨基转移酶,是否有丙氨酸氨基转移酶升高;高血压,是否有收缩压>140mmHg或舒张压>90mmHg;心梗,是否有心梗病史;糖尿病,是否有糖料病病史;心脏血管的支架植入,既往是否有过心脏血管的支架植入手术;血肌酐,术前血肌酐>176umol/L;心脏手术,是否有过打开心包的心脏手术;吸烟史,是否有过吸烟史;外周动脉病变,既往是否有过外周动脉病变;脑血管事件,有无超过24小时的昏迷或中枢神经系统异常超过72小时;术前危重状态,是否有过以下任一项,室性心动过速或心室颤动或被抢救过来的猝死;CCS4级,CCS心绞痛分级4级;术前房颤或房补,术前两周内有无术前房颤或房补;左室射血分数,分为35%<LVEF<45%和LVEF≤35%两种情况;合并瓣膜手术,是否有合并任何瓣膜手术;合并主动脉手术,是否有任何合并主动脉手术。整理上述患者资料信息,建立患者资料数据库,将3659名患者根据年龄、性别和身体质量指数指标分为两个人群,其中一个人群作为建模组,另一个人群作为验证组,建模组人群数量为2365人,验证组人数为1294人,建模组和验证组的年龄、性别和身体质量指数指标分布情况基本一致,建模组实际死亡率1.47%,验证组实际死亡率1.42%。
实施例2
对实施例1中的建模组,进行单因素分析,分别分析25种初始风险因素中每种单因素与围术期死亡率的关系,筛选p值<0.1的,出现率>5%的风险因素,所述条件筛选得到的相关风险因素有:性别、高血脂、脑钠肽、血红蛋白、丙氨酸氨基转移酶(ALT)升高、身体质量指数、心梗病史、糖尿病、血肌酐升高、既往心脏手术、脑血管事件、甲状腺功能异常病史、术前危重状态、NYHA心功能III或IV级、左室射血分数(35%<LVEF<45%、LVEF≤35%)、合并瓣膜手术和合并主动脉手术17种风险因素,所用统计分析采用SPSS20.0完成。
实施例3
对步骤(2)中的17种相关风险因素,采用logistic回归分析,进行多因素共线性判断,去除共线性变量,去除包括高血脂、血红蛋白、身体质量指数、心梗病史、糖尿病、脑血管事件和术前危重状态在内的7种风险因素,得到包括:性别、丙氨酸氨基转移酶(ALT)升高、脑钠肽、甲状腺功能异常病史、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术、合并主动脉手术在内的10种最终风险因素(11种自变量因子),10种最终风险因素和权重见表1。
表1风险因素回归系数
通过对包括:性别、丙氨酸氨基转移酶(ALT)升高、脑钠肽、甲状腺功能异常病史、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、血红蛋白、合并瓣膜手术、合并主动脉手术在内的10种最终风险因素进行logisitic回归,得到偏回归系数βi和β0,得到初始预测模型,围术期死亡率预测方程为:该方程中所需要的参数见表1,Xi为风险因子(若出现,Xi=1),βi为表1中相应变量的β系数,β0=-3.273,通过该回归方程可进行死亡率预测,从验证组选取1000人,按照年龄、性别和身体质量指数指标分成的5组,确保每组的实际死亡率一致,每200人组中有3位死亡,每组的实际死亡率为1.50%,对5组分别进行模型预测,预测结果为:1.50±0.29%,所用统计分析采用SPSS20.0完成。
实施例4
为了进一步提高模型预测的准确性,建立二次预测模型,在实施例3的基础上,根据实施例3的回归预测结果,确定一次判定值,进行一次预测分析,本模型建立选择0.7和0.3为一次判定值,当预测概率值达到或者超过0.7时,将其判别为死亡组,预测概率值低于0.3时则判别为存活组,剩下的为不确定组,得到的死亡率预测方程β1=-5.915,死亡率方程:然后对不确定组进行二次预测分析,二次预测依据前面的概率信息和损失信息确定新的二次判定值,本模型二次预测新的判定值为0.6,预测概率值达到或者超过0.6时,将其判别为死亡组,预测概率值低于0.6时则判别为存活组,得到的死亡率预测方程β2=-4.173,二次预测模型死亡率方程:/>二次预测分析进一步提高了预测的准确性和可靠性。预测模型中相关回归分析参数参见表2。
表2多因素回归系数
实施例5
从建模组中选取2000人,按照年龄、性别和身体质量指数指标分成的5组,确保每组的实际死亡率一致,每400人组中有6位死亡,每组的实际死亡率为1.50%,采用二次预测模型进行模型预测,预测结果为:死亡率为(1.50±0.18)%,同样从验证组选取1000人,按照年龄、性别和身体质量指数指标分成的5组,确保每组的实际死亡率一致,每200人组中有3位死亡,每组的实际死亡率为1.50%,采用二次预测模型进行模型预测,预测结果为:死亡率为(1.50±0.16)%,建模组和验证组的分组预测结果进一步验证了该二次预测模型的可靠性和稳定性。
用EuroSCORE、EuroSCOREⅡ和SinoSCORE对上述验证组的5组人群进行预测,得到的预测死亡率分别为(3.97±0.45)%、(2.38±0.52)%和(7.82±0.36)%。
通过上述对比,以欧美人种数据基础建立的EuroSCORE、EuroSCOREⅡ和SinoSCORE预测模型对中国人的预测结果与实际死亡率有较大偏差。
实施例6
丙氨酸氨基转移酶升高、脑钠肽、和甲状腺功能异常病史三种风险因素对二次预测模型影响的验证实验:验证对象是实施例5中验证组的5个分组,目的是验证纳入不同风险因素时,验证二次预测模型预测结果的准确性。1)7种风险因素:性别、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术,外加风险因素丙氨酸氨基转移酶升高,共计8种风险因素时,预测结果为:(1.50±0.39)%;2)7种风险因素:性别、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术,外加脑钠肽,共计8种风险因素时,预测结果为:(1.50±0.41)%;3)7种风险因素:性别、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术,外加甲状腺功能异常病史风险因素,共计8种风险因素时,预测结果为:(1.50±0.37)%;4)7种风险因素:性别、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术,外加脑钠肽和丙氨酸氨基转移酶升高两种种风险因素,共计9种风险因素,预测结果为:(1.50±0.33)%;5)7种风险因素:性别、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术,外加脑钠肽和甲状腺功能异常病史两种风险因素,总计9种风险因素时,预测结果为:(1.50±0.37)%;6)7种风险因素:性别、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术,外加丙氨酸氨基转移酶升高和甲状腺功能异常病史两种风险因素,共计9种风险因素时,预测结果为:(1.50±0.40)%;7)只包含7种风险因素:性别、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术时,预测结果为:(1.50±0.48)%;8)7种风险因素:性别、既往心脏手术、血肌酐值升高、心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术,外加脑钠肽、丙氨酸氨基转移酶升高和甲状腺功能异常病史3种风险因素,即本发明10种最终风险因素时,得到模型死亡预测结果为:(1.50±0.16)%。
通过上述三种风险因素的不同组合分析实验,可以得出三种风险因素:丙氨酸氨基转移酶升高、脑钠肽和和甲状腺功能异常病史,缺少其中任何一种或者两种风险因素,对模型的预测准确性都有着直接的影响。
在上述7种风险因素中同时加入丙氨酸氨基转移酶升高、脑钠肽和甲状腺功能异常病史三种风险因素时,建立得到的模型预测效果最好,死亡预测结果为(1.50±0.16)%,置信区间最窄,准确率最高,也进一步说明,这三种风险因素丙氨酸氨基转移酶升高、脑钠肽和甲状腺功能异常病史对于预测模型建立都是不可缺少的,对于本发明所建立模型预测的准确性具有重要意义。
以上实施例对本发明进行了进一步阐述和说明,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,本说明书内容不应理解为对本申请的限制。
Claims (4)
1.一种冠状动脉旁路移植术围术期风险预测模型的建立方法,其特征在于,所述围术期风险预测模型通过对冠状动脉旁路移植术围术期风险因素回归分析选择得到相关风险因素,并通过对相关风险因素的多因素回归分析筛选得到最终风险因素,再通过回归分析得到初始预测模型,最后通过二次预测对所述初始预测模型优化得到所述围术期风险预测模型;
所述围术期风险预测模型的建立包括以下步骤:
(1)收集术前心力衰竭接受冠状动脉旁路移植手术的病人的临床资料建立疾病数据库;
(2)对初始风险因素分别进行相关性分析,选择相关风险因素作为研究对象,选择依据是p值<0.1和出现率>5%;
(3)对步骤(2)中相关风险因素进行logistic回归分析,进行多因素共线性判断,去除共线性变量;
(4)剔除共线性变量后,得到最终风险因素,采用logistic回归进行模型拟合,获取回归方程偏回归系数βi及回归方程中的常数β0,得到初始预测模型;
(5)设置一次判定值,进行一次预测分析,将样本数据分为三组:死亡组、安全组和不确定组;
(6)设置二次判定值,对步骤(5)所述不确定组进行logistic分析,得到所述围术期风险预测模型;
步骤(2)所述初始风险因素包括:性别、高血脂、脑钠肽、甲状腺功能异常病史、血红蛋白、丙氨酸氨基转移酶、高血压、身体质量指数、心梗、糖尿病、心脏血管的支架植入、血肌酐升高、心脏手术、吸烟史、外周动脉病变、脑血管事件、术前危重状态、CCS4级、术前房颤或房扑、NYHA心功能III或IV级、左室射血分数、合并瓣膜手术、合并主动脉手术、非择期手术和体外循环手术;
步骤(2)所述相关风险因素包括:性别、高血脂、脑钠肽、血红蛋白,丙氨酸氨基转移酶升高、身体质量指数、心梗病史、糖尿病、血肌酐升高、既往心脏手术、脑血管事件、甲状腺功能异常病史、术前危重状态、NYHA心功能III或IV级、左室射血分数、合并瓣膜手术和合并主动脉手术;
步骤(4)中所述最终风险因素包括:性别、丙氨酸氨基转移酶升高、脑钠肽、甲状腺功能异常病史、既往心脏手术、血肌酐值升高、NYHA心功能III或IV级、左室射血分数、合并瓣膜手术、合并主动脉手术;
所述最终风险因素的风险因素中同时加入丙氨酸氨基转移酶升高、脑钠肽和甲状腺功能异常病史三种风险因素时,建立得到的所述围术期风险预测模型的死亡预测结果为(1.50±0.16)%。
2.根据权利要求1所述的一种冠状动脉旁路移植术围术期风险预测模型的建立方法,其特征在于,步骤(4)所述初始预测模型的围术期死亡率预测方程为:
所述围术期死亡率预测方程中Xi为筛选后的风险因素,风险因素出现时,Xi=1,风险因素未出现,则Xi=0;所述围术期死亡率预测方程中β0的取值为-3.273,所述围术期死亡率预测方程中βi为偏回归系数。
3.根据权利要求1所述的一种冠状动脉旁路移植术围术期风险预测模型的建立方法,其特征在于,步骤(5)所述的一次判定值为0.7和0.3,当预测概率值等于或者大于0.7时,将所述预测概率值判别为死亡组;预测概率值小于0.3时,将所述预测概率值判别为存活组;预测概率值大于等于0.3且小于0.7时,将所述预测概率值判别为不确定组。
4.根据权利要求1所述的一种冠状动脉旁路移植术围术期风险预测模型的建立方法,其特征在于,步骤(6)所述的二次判定值为0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110077755.1A CN112820397B (zh) | 2021-01-20 | 2021-01-20 | 一种冠状动脉旁路移植术围术期风险预测模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110077755.1A CN112820397B (zh) | 2021-01-20 | 2021-01-20 | 一种冠状动脉旁路移植术围术期风险预测模型的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112820397A CN112820397A (zh) | 2021-05-18 |
CN112820397B true CN112820397B (zh) | 2024-04-05 |
Family
ID=75858756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110077755.1A Active CN112820397B (zh) | 2021-01-20 | 2021-01-20 | 一种冠状动脉旁路移植术围术期风险预测模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112820397B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115910365B (zh) * | 2022-11-16 | 2024-02-13 | 华中科技大学同济医学院附属同济医院 | Eos-CRSwNP术前难治性评估模型的构建方法及预测系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8796948B2 (en) * | 2009-11-10 | 2014-08-05 | Lumenetix, Inc. | Lamp color matching and control systems and methods |
-
2021
- 2021-01-20 CN CN202110077755.1A patent/CN112820397B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (2)
Title |
---|
心力衰竭患者冠状动脉旁路移植术围术期死亡风险评分系统的建立与对比研究;林宏远等;中国循环杂志(第5期);第444-448页 * |
病例对照研究中两阶段抽样设计与参数估计方法;沈其君等;南京铁道医学院学报(第1期);第54-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112820397A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112837819B (zh) | 建立冠状动脉旁路移植术后急性肾损伤预测模型的方法 | |
Wu et al. | An artificial intelligence approach to early predict non-ST-elevation myocardial infarction patients with chest pain | |
CN112820397B (zh) | 一种冠状动脉旁路移植术围术期风险预测模型的建立方法 | |
Semeraro et al. | Predicting the risk of diabetic retinopathy in type 2 diabetic patients | |
CN109378072A (zh) | 一种基于集成学习融合模型的异常空腹血糖值预警方法 | |
WO2021190300A1 (zh) | Ai慢性肾病风险筛查建模方法、慢性肾病风险筛查方法及系统 | |
CN107194138B (zh) | 一种基于体检数据建模的空腹血糖预测方法 | |
CN115019919B (zh) | 基于深度学习的脑卒中早期康复后功能预测模型建立方法 | |
CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
CN114898873A (zh) | 一种糖尿病前期患者心血管疾病风险的预测方法及系统 | |
Fortin et al. | Prognostic value of oxygen kinetics during recovery from cardiopulmonary exercise testing in patients with chronic heart failure | |
Shu et al. | Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases | |
Provenzano et al. | Precision nephrology is a non-negligible state of mind in clinical research: remember the past to face the future | |
Lin et al. | Predicting outcomes using the heart failure survival score in adults with moderate or complex congenital heart disease | |
Jackson et al. | A 20-year population study of peripartum cardiomyopathy | |
CN117079810A (zh) | 一种心血管疾病非计划再住院风险预测方法 | |
Szyguła‑Jurkiewicz et al. | One‑year survival of ambulatory patients with end‑stage heart failure: the analysis of prognostic factors | |
CN114864097A (zh) | 一种主动脉夹层病人术后死亡预测模型的建立方法和装置 | |
Farzi et al. | Predicting serious diabetic complications using hidden pattern detection | |
CN106570346B (zh) | 生理状况评估因子确定方法、生理状况评估因子确定系统 | |
CN111883248B (zh) | 用于儿童肥胖症的预测系统 | |
Zhou et al. | A novel laboratory-based model to predict the presence of obstructive coronary artery disease comparison to coronary artery disease consortium 1/2 score, duke clinical score and diamond-forrester score in china | |
JP7463657B2 (ja) | 心不全患者の心機能回復可能性の評価方法 | |
Choi et al. | Deriving rules for identifying diabetic among individuals with metabolic syndrome. | |
Verreydt et al. | Prognostic parameters of all-cause mortality in heart failure patients from ZOL Genk: a retrospective cohort study |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210826 Address after: 100037 Beijing City, Xicheng District No. 167 North Applicant after: FUWAI HOSPITAL, CHINESE ACADEMY OF MEDICAL SCIENCES Address before: 6-3, 417 Hengshan street, Lushunkou District, Dalian, Liaoning, 116041 Applicant before: Yin Lijun |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |