CN112820410A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112820410A CN112820410A CN202110127283.6A CN202110127283A CN112820410A CN 112820410 A CN112820410 A CN 112820410A CN 202110127283 A CN202110127283 A CN 202110127283A CN 112820410 A CN112820410 A CN 112820410A
- Authority
- CN
- China
- Prior art keywords
- risk
- score
- patient
- cerebral infarction
- submodule
- 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
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 156
- 206010008118 cerebral infarction Diseases 0.000 title claims abstract description 150
- 238000012800 visualization Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 title abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 108010060159 Apolipoprotein E4 Proteins 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 52
- 238000003205 genotyping method Methods 0.000 claims description 50
- 201000010099 disease Diseases 0.000 claims description 49
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 49
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 48
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 48
- 230000023555 blood coagulation Effects 0.000 claims description 42
- 101150003340 CYP2C19 gene Proteins 0.000 claims description 33
- 102000019057 Cytochrome P-450 CYP2C19 Human genes 0.000 claims description 21
- 108010026925 Cytochrome P-450 CYP2C19 Proteins 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 230000015271 coagulation Effects 0.000 claims description 4
- 238000005345 coagulation Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 abstract description 6
- 238000012795 verification Methods 0.000 abstract description 6
- 238000007619 statistical method Methods 0.000 abstract description 4
- 239000003814 drug Substances 0.000 description 17
- 229940079593 drug Drugs 0.000 description 13
- 238000012216 screening Methods 0.000 description 8
- 238000007477 logistic regression Methods 0.000 description 7
- 208000006011 Stroke Diseases 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000011088 calibration curve Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 230000000302 ischemic effect Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 206010053567 Coagulopathies Diseases 0.000 description 2
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 2
- 102000004895 Lipoproteins Human genes 0.000 description 2
- 108090001030 Lipoproteins Proteins 0.000 description 2
- 239000003146 anticoagulant agent Substances 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 208000006170 carotid stenosis Diseases 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 208000028659 discharge Diseases 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000011337 individualized treatment Methods 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009863 secondary prevention Effects 0.000 description 2
- 201000002859 sleep apnea Diseases 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 206010060965 Arterial stenosis Diseases 0.000 description 1
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 239000005552 B01AC04 - Clopidogrel Substances 0.000 description 1
- 206010007687 Carotid artery stenosis Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000033892 Hyperhomocysteinemia Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000032109 Transient ischaemic attack Diseases 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000000702 anti-platelet effect Effects 0.000 description 1
- 229940127219 anticoagulant drug Drugs 0.000 description 1
- 239000000935 antidepressant agent Substances 0.000 description 1
- 229940005513 antidepressants Drugs 0.000 description 1
- 229940127218 antiplatelet drug Drugs 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- GKTWGGQPFAXNFI-HNNXBMFYSA-N clopidogrel Chemical compound C1([C@H](N2CC=3C=CSC=3CC2)C(=O)OC)=CC=CC=C1Cl GKTWGGQPFAXNFI-HNNXBMFYSA-N 0.000 description 1
- 229960003009 clopidogrel Drugs 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000024924 glomerular filtration Effects 0.000 description 1
- 239000003862 glucocorticoid Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000002471 hydroxymethylglutaryl coenzyme A reductase inhibitor Substances 0.000 description 1
- 230000003225 hyperhomocysteinemia Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 239000000106 platelet aggregation inhibitor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009862 primary prevention Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000004224 protection Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000009861 stroke prevention Effects 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 201000010875 transient cerebral ischemia Diseases 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 229940124549 vasodilator Drugs 0.000 description 1
- 239000003071 vasodilator agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (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
本发明公开了一种临床脑梗患者复发风险预警评分可视化模型系统，包括输入模块、分析模块和结果输出模块。本发明还公开了一种临床脑梗患者复发风险预警评分可视化模型系统的评价方法。本发明中的评价临床脑梗患者复发风险列线图简明扼要，通俗易懂，便于临床医生以及患者自身进行操作，预测患者目前的脑梗复发风险；同时根据本发明的模型中风险评分公式计算出的患者风险评分可以很明确的区分出高危、中危及低危的人群，从而协助临床医生制定出高效的治疗方案。本发明结合统计方法指导医生和患者评价临床脑梗患者复发风险预警评分，并通过相应的数学统计方法和对患者数据采集进行验证，能够让医生和患者快速掌握患者的临床脑梗患者复发风险提供预警信息。
Description
技术领域
本发明属于脑梗患者复发风险评估技术领域，具体涉及一种临床脑梗患者复发风险预警评分可视化模型系统。本发明还涉及该预警评分可视化模型系统的评价方法。
背景技术
脑血管病已经成为我国人口死亡和致残的首位原因，其中缺血性脑血管病占据脑血管病总比例85％以上。《2017年中国脑卒中防治》提出我国40岁以上人群现患和曾患脑卒中人数1242万，存活病人中70％留有不同程度残疾，即使治愈，脑卒中第一年的复发率仍高达17.7％，因而缺血性脑血管病的高发病率、高死亡率、高致残率和高复发率，给个人和社会的健康和经济带来沉重负担。然而在临床调研中发现，即使遵医嘱服用卒中二级预防药物，包括抗血小板和他汀类药物，仍有患者再次发生脑梗，很难有一种方法可以较准确地预测遵医嘱服用药物患者脑梗再次复发的情况，而筛选高风险脑梗复发患者，对于药物治疗的时机和给予药物的强度都可进行干预，从而降低脑梗患者高复发的风险。
中国缺血性脑卒中和短暂性脑缺血发作二级预防指南(2014)和2015中国脑血管病一级预防指南等相关指标中推荐年龄、血压、吸烟、饮酒、心脏病、颈动脉狭窄、颅内动脉狭窄、睡眠呼吸暂停等近20种因素均可作为患者危险因素，均与患者脑梗发病和复发风险相关。然而在患者众多的基础、临床检查和检验信息中，哪一种或者哪几种才是患者脑梗复发的根本风险因素，实际上需要一种可靠的预测系统来评估脑梗患者复发的风险，以帮助优化治疗决策。
目前针对脑梗复发人群，仍没有专门的预测模型。根据卒中一级或二级指南，若单纯以脑梗患者某一信息进行预后判断不够全面，以指南推荐的近20种风险因素来评估，又过于繁琐，且无法对患者患者目前疾病状态进行有效分级和评估。因此，构建一个可有效用于预测脑梗患者复发的系统具有重要意义。本研究中的预测系统包括输入模块、分析模块和输出模块。输入模块为患者的临床基本信息、检查和检验信息，分析模块是基于所述变量输入模块的输入变量建立的列线图(Nomogra,Alignment Chart)，输出模块用于输出脑梗患者复发风险值。输出模块中包括了Lasso回归、Logistics回归、列线图模型，均常被用作简单的统计学预测模型，多用于可量化癌症等临床事件所带来的风险。特别是近年来列线图更多用于为患者的依从性、疾病出现概率等事件进行预测取得了良好的结果，为临床个体化治疗提供依据。本研究依据脑梗患者的临床信息和检验结果，建立了用于脑梗患者复发风险的预测系统，以期为临床医师制定防治脑梗患者复发的临床处理策略提供参考。
发明内容
基于上述问题，本发明的目的在于提供一种依据脑梗患者的临床信息和检验结果对临床脑梗患者复发风险进行预警评分的可视化模型系统。
一种临床脑梗患者复发风险预警评分可视化模型系统，其特征在于，包括输入模块、分析模块和结果输出模块；
所述输入模块包括三个信息变量输入单元，所述三个信息变量输入单元分别为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元，
所述患者基本信息变量输入单元包括年龄子模块和基础疾病子模块；
所述临床检查信息变量输入单元包括CYP2C19基因分型子模块和ApoE4基因分型子模块；
所述检验信息变量输入单元包括低密度脂蛋白子模块和凝血功能子模块；
所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图并计算总风险分值，所述总风险分值为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元分值的累加和；并根据所述总风险分值计算脑梗患者的复发风险预测值；
所述结果输出模块用于输出脑梗患者的复发风险预测值；所述脑梗患者的复发风险预测值包括低危、中危和高危；
所述患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元中的各子模块分值分别为，
年龄子模块中，患者年龄<55岁，得分0分；患者年龄≧55岁，得分56分；
基础疾病子模块中，患者基础疾病种类<3，得分0分；患者基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块中，患者为野生型CYP2C19基因，得分0分；患者为杂合突变型CYP2C19基因，得分32分；患者为纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块中，患者为E2型ApoE4基因，得分0分；患者为E3型ApoE4基因，得分26分；患者为E4型ApoE4基因，得分100分；
低密度脂蛋白子模块中，患者LDL异常，得分10分；患者LDL正常，得分0分；
凝血功能子模块中，患者凝血功能异常，得分17分；患者凝血功能正常，得分0分。
为了获得更好的技术效果，基于患者基本信息变量输入单元输入的信息变量建立预测规律性服药脑梗患者复发风险因素的列线图模型的方法为应用R语言RMS运算包完成Logistics回归模型的列线图可视化。
为了获得更好的技术效果，所述输入模块、分析模块和结果输出模块之间通过有线方式和/或无线方式连接。
为了获得更好的技术效果，所述结果输出模块为显示器、打印机或音频输出装置。
为了获得更好的技术效果，所述分析模块为电脑主机、中央处理器或网络服务器。
本发明还提供一种临床脑梗患者复发风险预警评分可视化模型系统的评价方法，其步骤包括，
(1)向输入模块输入实施例1筛选出的六个信息变量，包括年龄子模块、合并基础疾病子模块、CYP2C19基因分型子模块、ApoE4基因分型子模块、低密度脂蛋白子模块和凝血功能子模块；
其中，年龄子模块的分值为，年龄<55岁，得分0分；年龄≧55岁，得分56分；
合并基础疾病子模块的分值为，合并基础疾病种类<3，得分0分；合并基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块的分值为，野生型CYP2C19基因，得分0分；杂合突变型CYP2C19基因，得分32分；纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块的分值为，E2型ApoE4基因，得分0分；E3型ApoE4基因，得分26分；E4型ApoE4基因，得分100分；
低密度脂蛋白子模块的分值为，LDL异常，得分10分；LDL正常，得分0分；
凝血功能子模块的分值为，凝血功能异常，得分17分；凝血功能正常，得分0分；
(2)所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图并计算总风险分值，所述总风险分值为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元分值的累加和；所有六个信息变量分值的总分即为所述总风险分值，对应倒数第二行总分值，总分260；并根据所述总风险分值计算脑梗患者的复发风险预测值；
所述总风险分值评分公式为：
年龄(0或56)+合并基础疾病种类(0或42)+CYP2C19基因分型(0或32或43)+ApoE4基因分型(0或26或100)+LDL(0或10)+凝血功能(0或17)＝总风险分值；
其中，143分为低危组截断值，156分为中危组截断值，
(2.1)低危组：所述总风险分值≦143分为低危组病人，获得复发风险预测值为低危；
(2.2)中危组：所述总风险分值>143分且≦156分为中危组病人，获得复发风险预测值为中危；
(2.3)高危组：所述总风险分值>156分为高危组病人，获得复发风险预测值为高危；
(3)所述结果输出模块用于输出脑梗患者的复发风险预测值；
所述结果输出模块为C语言下win系统下窗口化，使预测系统有了更易操作的界面，每个患者信息仅需选择相应按钮，程序自动将六个信息与相应分数进行匹配，输出组别为低危组、中危组和高危组。
本发明还提供另一种临床脑梗患者复发风险预警评分可视化模型系统的评价方法，其步骤包括，
(1)向输入模块输入实施例1筛选出的六个信息变量，包括年龄子模块、、合并基础疾病子模块、CYP2C19基因分型子模块、ApoE4基因分型子模块、低密度脂蛋白子模块和凝血功能子模块；
其中，年龄子模块的分值为，年龄<55岁，得分0分；年龄≧55岁，得分56分；
合并基础疾病子模块的分值为，合并基础疾病种类<3，得分0分；合并基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块的分值为，野生型CYP2C19基因，得分0分；杂合突变型CYP2C19基因，得分32分；纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块的分值为，E2型ApoE4基因，得分0分；E3型ApoE4基因，得分26分；E4型ApoE4基因，得分100分；
低密度脂蛋白子模块的分值为，LDL异常，得分10分；LDL正常，得分0分；
凝血功能子模块的分值为，凝血功能异常，得分17分；凝血功能正常，得分0分；
(2)所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图，见图4规律性服药脑梗患者复发风险因素的列线图；所述列线图还包括倒数第二行分值标尺，对应脑梗复发风险的概率，其中分为三种风险概率，分别为低危组、中危组和高危组；
所述脑梗复发风险的概率判断标准为：
(2.1)低危组：脑梗复发风险的概率≤3e-01；
(2.2)中危组：3e-01<脑梗复发风险的概率≤6e-01；
(2.3)高危组：脑梗复发风险的概率>6e-01；
(3)所述结果输出模块用于输出脑梗复发风险的概率；
所述结果输出模块为C语言下win系统下窗口化，使预测系统有了更易操作的界面，每个患者信息仅需选择相应按钮，程序自动将六个信息与相应分数进行匹配，输出组别为低危组、中危组和高危组。
本发明的有益效果为：首先，本发明中的临床脑梗患者复发风险预警评分列线图，是针对临床脑梗危险人群首次建立的预警评分系统，列线图从理论上能更准确预测这类患者的脑梗复发风险；其次，本发明中的评价临床脑梗患者复发风险列线图简明扼要，通俗易懂，便于临床医生以及患者自身进行操作，预测患者目前的脑梗复发风险；同时根据本发明的模型中风险评分公式计算出的患者风险评分可以很明确的区分出高危、中危及低危的人群，从而协助临床医生制定出高效的治疗方案。本发明通过统计历史数据，结合统计方法指导医生和患者评价临床脑梗患者复发风险预警评分，并通过相应的数学统计方法和对患者数据采集进行验证，能够让医生和患者快速掌握患者的临床脑梗患者复发风险提供预警信息，属于对医疗数据进行快速处理的信息化新方法。
附图说明
图1为本发明实施例结构流程图；
图2为本发明实施例LASSO特征信息筛选图；
图3为本发明实施例三十个特征的激光系数剖面图；
图4为本发明实施例规律性服药脑梗患者复发风险因素的列线图；
图5为本发明实施例脑梗复发列线图预测的校正曲线；
图6为本发明实施例列线图的决策分析曲线；
图7为本发明实施例在win系统下预警脑梗患者复发风险窗口。
具体实施方式
本发明涉及临床医学领域，是基于临床收集的脑梗复发患者的基础、检查和检验数据，建立的一个脑梗患者复发风险的预测系统，可用来评估既往有明确脑梗病史患者其脑梗复发风险评分公式。预测系统能对脑梗人群进行脑梗复发风险评分，为临床治疗决策提供有力的参考依据。以下对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
为更好的说明本发明的目的、技术方案和优点，下面将结合附图和具体实施例对本发明作进一步说明。
实施例1数据筛选
在构建模型前需要对数据进行筛选，筛选方法步骤为，
(1)建模输入模块选择
回顾性收集2018年1月至2018年12月在南昌大学第一附属医院神经内科住院的患者的30项信息，包括患者的基础信息，包括年龄(年)、性别、基础疾病(种数)、吸烟、饮酒、上次脑梗发作入院时mRS评分和NIHSS评分，还包括患者服用药物及相关检验信息，如CYP2C19基因分型、ApoE4基因分型、使用糖皮质激素药物、使用非甾体类药物、使用PPI制剂、使用脑血管扩张药、使用抗抑郁药、使用了抗凝药、使用营养神经药物，以及患者此次入院时的检查检验结果，包括肥胖(BMI>24kg/m2)、其它心脏病、房颤、颅内动脉狭窄、颈动脉狭窄、睡眠呼吸暂停、高同型半胱氨酸血症、血压、肾小球滤过率、肝酶指标、低密度脂蛋白、血糖、凝血功能；具体见表1，
表1 输入模块中输入的患者特征信息
(2)建模人群筛选
回顾性分析2018年1月至2018年12月在南昌大学第一附属医院神经内科住院的脑梗复发患者的临床资料，患者均在入院前有过脑梗的明确病史；
纳入标准为：
①脑梗复发患者定义为患者(入院)均通过头部CT或者磁共振明确诊断有急性或亚急性脑梗塞灶，并在影像学或入院诊断中明确有脑梗诊断；
②未复发脑梗患者为来医院门诊参与体检或者复查患者，来医院复查头部CT或者磁共振明确无诊断有急性或亚急性脑梗塞灶；
③脑梗复发患者此次急性或亚急性脑梗塞患者入院前脑梗诊断需大于3个月，连续两次脑梗诊断小于3个月患者排除；
④所有研究对象必须规律性服用脑血管病治疗性药物，包括抗血小板药物、他汀类药物，通过询问患者服用种类、服药时间、服药频次来确定患者是否为遵医嘱服用患者，如果患者为未服药患者或未遵医嘱服药患者，则不纳入此研究中(不遵医嘱服药患者脑梗复发概率极大，对脑梗复发模型的危险因素预测无意义)；
⑤患者其纳入的基础和检验和检查资料收集必须完整，包括入院后的检查和检验结果完善，如果检查和检验结果至出院时尚不完善，则暂不纳入；
最终共200例患者纳入分析，男114例，女86例，年龄40-80岁，其中脑梗复发者162例，未复发者38例；录入所述输入模块包括30个变量输入子模块，见表2；
表2 两组患者的所有信息
(3)建模输入模块筛选
(3.1)Lasso回归分析
(3.1.1)将患者编码后的数据存成csv格式，在R软件中，读取患者的编码数据，然后将数据转成矩阵形式；
(3.1.2)采用最小绝对压缩算法Lasso(Least absolute shrinkage andselection operator)进行数据处理，在R软件上加载glmnet包，确定Cp值最小的步数，多变量回归，筛选出具有非零系数特征的变量，值设定为95％双侧置信区间CI(ConfidenceInterval，可信区间)，见图2LASSO特征信息筛选图，图中LASSO模型中的最佳参数(lambda)采用了最低标准进行的五倍交叉验证，以最佳值绘制垂直虚线；
(3.1.3)分别用不同的lambda值来观察模型误差，横轴是lambda值的对数，纵轴是模型误差，参见图3三十个特征的激光系数剖面图，图中2条虚线对应的最佳的lambda取值都表示简洁模型，这两个lambda对应的模型误差变化不大，靠近红色曲线的最低点处lambda取值代表更简洁的模型，取最低点处lambda取值，对应变量确定为六个；
(3.2)Logistics回归分析
(3.2.1)采用单因素和多因素logistics回归分析，分析患者信息的风险比和P值；Logistic回归是一种广义线性回归，公式为w’x+b，其中w和b是待求参数，Logistic通过函数L将w’x+b对应一个隐状态p，p＝L(w’x+b)，然后根据p与1-p的大小决定因变量的值。如果函数L对应函数是二分类的，就是二分类Logistic回归，如果L是多项式函数就是多项式回归；
(3.2.2)再在R软件中，安装rms、glm软件包，并将患者的信息转换为factor因子格式，进行单因素Logistic回归glm运算，设置：Status～单个因素，family＝binomial(link＝"logit")，结果见表3的第二列、第三列和第四列。单因素分析的主要作用是起到筛选的作用，选取p<0.01的因素进入多因素回归模型；本发明筛选出年龄、基础疾病、CYP2C19基因分型、ApoE4基因分型、低密度脂蛋白和凝血功能六个因素；
(3.2.3)单因素分析时，将选取的单个指标作为常量，排除了计算环境的混杂影响，而实际中分析指标受到环境的影响较大，多因素将多个指标放在一起进行分析，多个指标间会有相互作用和影响，也同时受到环境因素的影响，所得到的结果在单因素中显著，却在多因素分析中不一定显著，因此需要对步骤(3.2.2)选取的因素再进行多因素Logistic回归glm运算，具体设置为：Status～因素1+因素2+因素3+其它因素，family＝binomial(link＝"logit")，结果见表3的第五列和第六列，提示年龄、基础疾病、CYP2C19基因分型、ApoE4基因分型、低密度脂蛋白和凝血功能六个因素在多因素回归中也具有显著性差异，即p<0.01，与单因素回归结果一致；若有参数在多因素回归中p>0.01，则删除该参数，仅保留多因素回归中p<0.01的结果；
表3 分析模块中患者特征信息的Logistics回归分析
本实施例中，使用Logistics回归分析后，实施例1表1中列出的患者所有的30个信息中，P<0.01的6个特征信息被降维为潜在预测因子，并且在Lasso回归模型中具有非零系数，因此表1中的1-年龄、3-基础疾病，9-CYP2C19基因分型，10-ApoE4基因分型，28-低密度脂蛋白，30-凝血功能，六个特征信息为具有差异性变量；
(3.3)列线图构建
使用步骤(3.2)筛选的1-年龄、3-合并基础疾病，9-CYP2C19基因分型，10-ApoE4基因分型，28-低密度脂蛋白，30-凝血功能这六个特征信息在R软件(版本3.1.2；https://www.r-project.org)中构建列线图；应用R软件画列线图建立预测规律性服药脑梗患者复发风险因素的列线图模型，见图4规律性服药脑梗患者复发风险因素的列线图，图中X轴代表预测的脑梗复发事件，Y轴表示实际脑梗复发事件，虚线代表了理想模型的预测，实线表示列线图的实际预测能力，包含了使用年龄、合并基础疾病、CYP2C19基因分型、ApoE4基因分型、低密度脂蛋白LDL((Low Density Lipoprotein，LDL)、凝血功能六项独立危险因素获得的多因素逻辑回归分析结果；
由图4规律性服药脑梗患者复发风险因素的列线图中构建的列线图模型表明，年龄≥55岁、合并基础疾病≥3种、CYP2C19基因分型为纯和突变型、ApoE4基因分型为E4型、LDL和凝血功能异常时，列线图模型评分较高，当多个独立危险因素合并存在于某患者时，列线图总分越高，说明相对应的患者脑梗再次复发的风险越大。
实施例2
一种临床脑梗患者复发风险预警评分可视化模型系统，包括输入模块、分析模块和结果输出模块，结构流程见图1；
所述输入模块包括三个信息变量输入单元，所述三个信息变量输入单元分别为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元，
所述患者基本信息变量输入单元包括年龄子模块和合并基础疾病子模块；
所述临床检查信息变量输入单元包括CYP2C19基因分型子模块和ApoE4基因分型子模块；
所述检验信息变量输入单元包括低密度脂蛋白子模块和凝血功能子模块；
所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图并计算总风险分值，所述总风险分值为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元分值的累加和；并根据所述总风险分值计算脑梗患者的复发风险预测值；
所述结果输出模块用于输出脑梗患者的复发风险预测值；所述脑梗患者的复发风险预测值包括低危、中危和高危；
所述患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元中的各子模块分值分别为，
年龄子模块中，患者年龄<55岁，得分0分；患者年龄≧55岁，得分56分；
合并基础疾病子模块中，患者合并基础疾病种类<3，得分0分；患者合并基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块中，患者为野生型CYP2C19基因，得分0分；患者为杂合突变型CYP2C19基因，得分32分；患者为纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块中，患者为E2型ApoE4基因，得分0分；患者为E3型ApoE4基因，得分26分；患者为E4型ApoE4基因，得分100分；
低密度脂蛋白子模块中，患者LDL异常，得分10分；患者LDL正常，得分0分；
凝血功能子模块中，患者凝血功能异常，得分17分；患者凝血功能正常，得分0分。
基于患者基本信息变量输入单元输入的信息变量建立预测规律性服药脑梗患者复发风险因素的列线图模型的方法为应用R语言RMS运算包完成Logistics回归模型的列线图可视化；
所述输入模块、分析模块和结果输出模块之间通过有线方式和/或无线方式连接；
所述结果输出模块为显示器、打印机或音频输出装置；
所述分析模块为电脑主机、中央处理器或网络服务器。
实施例3获得脑梗患者的复发风险预测值
一种临床脑梗患者复发风险预警评分可视化模型系统的评价方法，其步骤包括，
(1)向输入模块输入实施例1筛选出的六个信息变量，包括年龄子模块、合并基础疾病子模块、CYP2C19基因分型子模块、ApoE4基因分型子模块、低密度脂蛋白子模块和凝血功能子模块；
其中，年龄子模块的分值为，年龄<55岁，得分0分；年龄≧55岁，得分56分；
合并基础疾病子模块的分值为，合并基础疾病种类<3，得分0分；合并基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块的分值为，野生型CYP2C19基因，得分0分；杂合突变型CYP2C19基因，得分32分；纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块的分值为，E2型ApoE4基因，得分0分；E3型ApoE4基因，得分26分；E4型ApoE4基因，得分100分；
低密度脂蛋白子模块的分值为，LDL异常，得分10分；LDL正常，得分0分；
凝血功能子模块的分值为，凝血功能异常，得分17分；凝血功能正常，得分0分；
(2)所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图并计算总风险分值，所述总风险分值为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元分值的累加和；所有六个信息变量分值的总分即为所述总风险分值，对应倒数第二行总分值，总分260；并根据所述总风险分值计算脑梗患者的复发风险预测值；
所述总风险分值评分公式为：
年龄(0或56)+合并基础疾病种类(0或42)+CYP2C19基因分型(0或32或43)+ApoE4基因分型(0或26或100)+LDL(0或10)+凝血功能(0或17)＝总风险分值；
其中，143分为低危组截断值，156分为中危组截断值，
(2.1)低危组：所述总风险分值≦143分为低危组病人，获得复发风险预测值为低危；
(2.2)中危组：所述总风险分值>143分且≦156分为中危组病人，获得复发风险预测值为中危；
(2.3)高危组：所述总风险分值>156分为高危组病人，获得复发风险预测值为高危；
(3)所述结果输出模块用于输出脑梗患者的复发风险预测值；
所述结果输出模块为C语言下win系统下窗口化，使预测系统有了更易操作的界面，每个患者信息仅需选择相应按钮，程序自动将六个信息与相应分数进行匹配，输出组别为低危组、中危组和高危组。
实施例4获得脑梗复发风险的概率
一种临床脑梗患者复发风险预警评分可视化模型系统的评价方法，其步骤包括，
(1)向输入模块输入实施例1筛选出的六个信息变量，包括年龄子模块、、合并基础疾病子模块、CYP2C19基因分型子模块、ApoE4基因分型子模块、低密度脂蛋白子模块和凝血功能子模块；
其中，年龄子模块的分值为，年龄<55岁，得分0分；年龄≧55岁，得分56分；
合并基础疾病子模块的分值为，合并基础疾病种类<3，得分0分；合并基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块的分值为，野生型CYP2C19基因，得分0分；杂合突变型CYP2C19基因，得分32分；纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块的分值为，E2型ApoE4基因，得分0分；E3型ApoE4基因，得分26分；E4型ApoE4基因，得分100分；
低密度脂蛋白子模块的分值为，LDL异常，得分10分；LDL正常，得分0分；
凝血功能子模块的分值为，凝血功能异常，得分17分；凝血功能正常，得分0分；
(2)所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图，见图4规律性服药脑梗患者复发风险因素的列线图；所述列线图还包括倒数第一行分值标尺，对应脑梗复发风险的概率，其中分为三种风险概率，分别为低危组、中危组和高危组；
所述脑梗复发风险的概率判断标准为：
30％为低危组截断值，60％分为中危组截断值；
≦30％分为低危组病人，≦60％分为中危组病人，>60％分为高危组病人；
即，
(2.1)低危组：脑梗复发风险的概率≤3e-01；
(2.2)中危组：3e-01<脑梗复发风险的概率≤6e-01；
(2.3)高危组：脑梗复发风险的概率>6e-01；
在本实施例中，脑梗复发风险的概率与总风险分值相对应的，根据图4规律性服药脑梗患者复发风险因素的列线图，脑梗复发风险的概率对应的总风险分值具体见表4，
表4 win系统下窗口图形化软件组别划分
(3)所述结果输出模块用于输出脑梗复发风险的概率；
所述结果输出模块为C语言下win系统下窗口化，使预测系统有了更易操作的界面，每个患者信息仅需选择相应按钮，程序自动将六个信息与相应分数进行匹配，输出组别为低危组、中危组和高危组。
本发明临床脑梗患者复发风险预警评分可视化模型系统是针对脑梗人群首次建立的唯一脑梗复发风险预测系统。通过向输入模块中输入所述六个信息变量，经分析输出，可以快速准确的获得脑梗患者复发风险级别。本发明实现了在windows系统下的可视化界面，简明扼要，方便操作，便于临床医生、护士、药师以及病人自身进行操作。其中输出模块，用于预测脑梗患者复发风险，可评价高危、中危及低危的人群，从而协助临床医生制定出高效的个体化治疗方案，降低脑梗复发风险。
实施例5临床脑梗患者复发风险预警评分可视化模型系统评估
本实施例对临床脑梗患者复发风险预警评分可视化模型系统进行评估，其步骤包括，
(1)分析模块
列线图的可通过C指数(C-index)及校准曲线进行评估。将患者信息转为factor因子格式，在R软件中安装Hmisc软件，运行Cindex<-rcorrcens因变量$Status～predict(mylog))。C指数范围为0至1，C指数＝0.5表示模型没有任何预测能力，大于0.5提示模型有较好区分度，越接近1提示模型区分度越好，其中，C指数在0.5-0.7范围表示比差的准确性，C指数在0.71-0.9范围表示中等的准确性，C指数＞0.9表示高准确性，经验证后，C指数为0.955，提示对本发明模型的区分度好。对本发明模型进行内部验证，发明人使用Bootstrap方法，其中500个随机样本从原始数据集中替换1000次，并且重新计算C指数，并用1000次迭代校正；经验证后，内部验证C指数为0.900，提示对本发明模型的区分度好。
(2)使用校正曲线评估模型
在R软件中运行ROCR软件包，曲线就是以假阳性概率(False positive rate)为横轴，击中概率为纵轴所组成的坐标图，ROC曲线下的面积大小计为AUC(Area under rocCurve)面积，计算AUC值只需要沿着ROC横轴做积分，拟合度较好的场景中ROC曲线一般都会沿着y＝x直线趋势，AUC的值越大，真实线和假性线拟合度越好，说明该模型的性能越好。经验证，本发明模型真实线与假性线拟合度较好，表明模型预测能力好，见图5脑梗复发列线图预测的校正曲线，图中Y轴为净效益，虚线表示药物脑梗复发的风险列线图，细实线代表所有患者有脑梗复发风险，细-粗实线代表无患者脑梗复发，决策曲线表明阈值概率在1％和92％间，那么使用该列线图预测脑梗复发风险有益处；
(3)使用决策曲线预测临床净收益
决策曲线(Calibration curve)在R软件中使用calibrate软件包，运算公式为mycal<-calibrate(mylog,method＝"boot",B＝1000)，绝大多数B拟合参数设置1000。用预测模型对事件发生的可能性进行预测，0到1表示发生事件可能性是0到100％，横坐标是预测概率，纵坐标是实际概率。本发明模型中，黑色实线表示所有患者有脑梗复发风险，其它细粗实线代表无患者脑梗复发，两条线与黑色实线的交叉点为概率阈值，在1％和92％间，那么使用该列线图预测脑梗复发风险有益处，在这一范围内，基于脑梗复发风险列线图为净效益，见图6列线图的决策分析曲线；
(4)输出
C语言将预测系统win系统下窗口化，经C语言编程实现的预测系统有了更易操作的界面，预测系统中每个患者的归类信息仅需选择相应按钮，程序自动将6个信息与相应分数进行匹配，并计算出总分数，列线图总分为260，不同总分数对应了不同的概率，人为将≤143分(≤30％)以下设定为低危组，＞143分(＞30％)且≤156分(≤60％)设定为中危组，＞156分(＞60％)以上设定为高危组(见表2和图7)；
操作界面见图7在win系统下预警脑梗患者复发风险窗口。
实施例6临床选样验证
临床随机选取一名患者，年龄65岁，合并基础疾病大于3种，出院诊断包括糖尿病、高血压、颈部斑块、糖尿病合并周围神经损害、高血脂，CYP2C19基因分型为杂合突变型，ApoE4基因分型为E3，LDL异常、凝血功能异常。
总评分为183分，判断为高危组患者。
患者上次诊断脑梗为1年前，出院后1个月停用双抗(阿司匹林+氯吡格雷)，此次患者LDL异常、凝血功能异常，并且总评分为183分，建议其立即启动双抗治疗。
2个月后患者复查头颅核磁共振，未发现患者有急性或者亚急性梗塞灶，患者神经体征也正常，并且患者未发生不良反应，评分降至157分，属于中危组界限边缘，提示预测系统评估良好，临床干预有效。
以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
另外需要说明的是，以上详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外还需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (7)
1.一种临床脑梗患者复发风险预警评分可视化模型系统，其特征在于，包括输入模块、分析模块和结果输出模块；
所述输入模块包括三个信息变量输入单元，所述三个信息变量输入单元分别为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元，
所述患者基本信息变量输入单元包括年龄子模块和基础疾病子模块；
所述临床检查信息变量输入单元包括CYP2C19基因分型子模块和ApoE4基因分型子模块；
所述检验信息变量输入单元包括低密度脂蛋白子模块和凝血功能子模块；
所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图并计算总风险分值，所述总风险分值为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元分值的累加和；并根据所述总风险分值计算脑梗患者的复发风险预测值；
所述结果输出模块用于输出脑梗患者的复发风险预测值；所述脑梗患者的复发风险预测值包括低危、中危和高危；
所述患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元中的各子模块分值分别为，
年龄子模块中，患者年龄<55岁，得分0分；患者年龄≧55岁，得分56分；
基础疾病子模块中，患者基础疾病种类<3，得分0分；患者基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块中，患者为野生型CYP2C19基因，得分0分；患者为杂合突变型CYP2C19基因，得分32分；患者为纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块中，患者为E2型ApoE4基因，得分0分；患者为E3型ApoE4基因，得分26分；患者为E4型ApoE4基因，得分100分；
低密度脂蛋白子模块中，患者LDL异常，得分10分；患者LDL正常，得分0分；
凝血功能子模块中，患者凝血功能异常，得分17分；患者凝血功能正常，得分0分。
2.如权利要求1所述临床脑梗患者复发风险预警评分可视化模型系统，其特征在于，基于患者基本信息变量输入单元输入的信息变量建立预测规律性服药脑梗患者复发风险因素的列线图模型的方法为应用R语言RMS运算包完成Logistics回归模型的列线图可视化。
3.如权利要求1所述临床脑梗患者复发风险预警评分可视化模型系统，其特征在于，所述输入模块、分析模块和结果输出模块之间通过有线方式和/或无线方式连接。
4.如权利要求1所述临床脑梗患者复发风险预警评分可视化模型系统，其特征在于，所述结果输出模块为显示器、打印机或音频输出装置。
5.如权利要求1所述临床脑梗患者复发风险预警评分可视化模型系统，其特征在于，所述分析模块为电脑主机、中央处理器或网络服务器。
6.一种如权利要求1-5任一权利要求所述临床脑梗患者复发风险预警评分可视化模型系统的评价方法，其步骤包括，
(1)向输入模块输入实施例1筛选出的六个信息变量，包括年龄子模块、合并基础疾病子模块、CYP2C19基因分型子模块、ApoE4基因分型子模块、低密度脂蛋白子模块和凝血功能子模块；
其中，年龄子模块的分值为，年龄<55岁，得分0分；年龄≧55岁，得分56分；
合并基础疾病子模块的分值为，合并基础疾病种类<3，得分0分；合并基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块的分值为，野生型CYP2C19基因，得分0分；杂合突变型CYP2C19基因，得分32分；纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块的分值为，E2型ApoE4基因，得分0分；E3型ApoE4基因，得分26分；E4型ApoE4基因，得分100分；
低密度脂蛋白子模块的分值为，LDL异常，得分10分；LDL正常，得分0分；
凝血功能子模块的分值为，凝血功能异常，得分17分；凝血功能正常，得分0分；
(2)所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图并计算总风险分值，所述总风险分值为患者基本信息变量输入单元、临床检查信息变量输入单元和检验信息变量输入单元分值的累加和；所有六个信息变量分值的总分即为所述总风险分值，对应倒数第二行总分值，总分260；并根据所述总风险分值计算脑梗患者的复发风险预测值；
所述总风险分值评分公式为：
年龄(0或56)+合并基础疾病种类(0或42)+CYP2C19基因分型(0或32或43)+ApoE4基因分型(0或26或100)+LDL(0或10)+凝血功能(0或17)＝总风险分值；
其中，143分为低危组截断值，156分为中危组截断值，
(2.1)低危组：所述总风险分值≦143分为低危组病人，获得复发风险预测值为低危；
(2.2)中危组：所述总风险分值>143分且≦156分为中危组病人，获得复发风险预测值为中危；
(2.3)高危组：所述总风险分值>156分为高危组病人，获得复发风险预测值为高危；
(3)所述结果输出模块用于输出脑梗患者的复发风险预测值；
所述结果输出模块为C语言下win系统下窗口化，使预测系统有了更易操作的界面，每个患者信息仅需选择相应按钮，程序自动将六个信息与相应分数进行匹配，输出组别为低危组、中危组和高危组。
7.一种如权利要求1-5任一权利要求所述临床脑梗患者复发风险预警评分可视化模型系统的评价方法，其步骤包括，
(1)向输入模块输入实施例1筛选出的六个信息变量，包括年龄子模块、、合并基础疾病子模块、CYP2C19基因分型子模块、ApoE4基因分型子模块、低密度脂蛋白子模块和凝血功能子模块；
其中，年龄子模块的分值为，年龄<55岁，得分0分；年龄≧55岁，得分56分；
合并基础疾病子模块的分值为，合并基础疾病种类<3，得分0分；合并基础疾病种类≧3，得分42分；
CYP2C19基因分型子模块的分值为，野生型CYP2C19基因，得分0分；杂合突变型CYP2C19基因，得分32分；纯合突变型CYP2C19基因，得分43分；
ApoE4基因分型子模块的分值为，E2型ApoE4基因，得分0分；E3型ApoE4基因，得分26分；E4型ApoE4基因，得分100分；
低密度脂蛋白子模块的分值为，LDL异常，得分10分；LDL正常，得分0分；
凝血功能子模块的分值为，凝血功能异常，得分17分；凝血功能正常，得分0分；
(2)所述分析模块基于所述输入模块输入的信息变量建立脑梗患者复方风险列线图，见图4规律性服药脑梗患者复发风险因素的列线图；所述列线图还包括倒数第二行分值标尺，对应脑梗复发风险的概率，其中分为三种风险概率，分别为低危组、中危组和高危组；
所述脑梗复发风险的概率判断标准为：
(2.1)低危组：脑梗复发风险的概率≤3e-01；
(2.2)中危组：3e-01<脑梗复发风险的概率≤6e-01；
(2.3)高危组：脑梗复发风险的概率>6e-01；
(3)所述结果输出模块用于输出脑梗复发风险的概率；
所述结果输出模块为C语言下win系统下窗口化，使预测系统有了更易操作的界面，每个患者信息仅需选择相应按钮，程序自动将六个信息与相应分数进行匹配，输出组别为低危组、中危组和高危组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110127283.6A CN112820410A (zh) | 2021-01-29 | 2021-01-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110127283.6A CN112820410A (zh) | 2021-01-29 | 2021-01-29 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112820410A true CN112820410A (zh) | 2021-05-18 |
Family
ID=75860258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110127283.6A Pending CN112820410A (zh) | 2021-01-29 | 2021-01-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112820410A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114242244A (zh) * | 2021-12-21 | 2022-03-25 | 广州海思医疗科技有限公司 | 一种个性化用药风险预测及风险分层系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180322955A1 (en) * | 2017-05-03 | 2018-11-08 | Koninklijke Philips N.V. | Visually indicating contributions of clinical risk factors |
| CN109493969A (zh) * | 2018-09-11 | 2019-03-19 | 中山大学孙逸仙纪念医院 | 评估Paget`s病伴浸润性导管癌患者预后的模型及其应用 |
| 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 |
-
2021
- 2021-01-29 CN CN202110127283.6A patent/CN112820410A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180322955A1 (en) * | 2017-05-03 | 2018-11-08 | Koninklijke Philips N.V. | Visually indicating contributions of clinical risk factors |
| CN109493969A (zh) * | 2018-09-11 | 2019-03-19 | 中山大学孙逸仙纪念医院 | 评估Paget`s病伴浸润性导管癌患者预后的模型及其应用 |
| 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 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114242244A (zh) * | 2021-12-21 | 2022-03-25 | 广州海思医疗科技有限公司 | 一种个性化用药风险预测及风险分层系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110634573A (zh) | 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 | |
| US20090093686A1 (en) | Multi Automated Severity Scoring | |
| CN107103207B (zh) | 基于病例多组学变异特征的精准医学知识搜索系统及实现方法 | |
| JP2006500075A (ja) | 肺がん判別のための患者データマイニング | |
| CN112201330A (zh) | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 | |
| CN112270988A (zh) | 一种罕见病辅助诊断的方法及系统 | |
| Matsuhashi et al. | A simple prediction score for in-hospital mortality in patients with nonvariceal upper gastrointestinal bleeding | |
| Wang et al. | A time-series feature-based recursive classification model to optimize treatment strategies for improving outcomes and resource allocations of COVID-19 patients | |
| Zhang et al. | Analysis of conversion of Alzheimer’s disease using a multi-state Markov model | |
| CN112820410A (zh) | 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 | |
| KR101595784B1 (ko) | 패혈증 고위험군 예측 방법 및 시스템 | |
| Walling et al. | Dementia and electronic health record phenotypes: a scoping review of available phenotypes and opportunities for future research | |
| CN113160985A (zh) | 一种covid-19临床不良预后风险的预测方法及系统 | |
| Huang et al. | Radiomics for prediction of intracerebral hemorrhage outcomes: A retrospective multicenter study | |
| Andreotti et al. | Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units | |
| CN115346674A (zh) | 一种肌萎缩侧索硬化患者便秘风险预测模型及其应用 | |
| Young et al. | The frequency of gene variant reclassification and its impact on clinical management in the inherited arrhythmia clinic | |
| Shapiro et al. | Evaluation of a machine learning tool for the early identification of patients with undiagnosed psoriatic arthritis–A retrospective population-based study | |
| CN112562857A (zh) | 基于k均值聚类实现高危手术预测的方法、装置、处理器及其存储介质 | |
| Gu et al. | Development and validation of a RASS-related nomogram to predict the in-hospital mortality of neurocritical patients: a retrospective analysis based on the MIMIC-IV clinical database | |
| LU504548B1 (en) | Intelligent early screening model and construction method thereof for alzheimer's disease | |
| Huang et al. | Radiomics to Predict the Outcome of Intracerebral Hemorrhage: A Retrospective, Multicentre Study | |
| CN113488123B (zh) | 建立基于诊断时效的covid-19分诊系统的方法、该系统及分诊方法 | |
| Ma et al. | Deep learning to predict rapid progression of Alzheimer’s disease from pooled clinical trials: A retrospective study | |
| CN117409960A (zh) | 一种基于大数据的智慧医院高质量运营管理方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210518 |
|
| WD01 | Invention patent application deemed withdrawn after publication |