CN113053528A - 一种冠心病缺血风险评估方法和系统 - Google Patents
一种冠心病缺血风险评估方法和系统 Download PDFInfo
- Publication number
- CN113053528A CN113053528A CN202110439266.6A CN202110439266A CN113053528A CN 113053528 A CN113053528 A CN 113053528A CN 202110439266 A CN202110439266 A CN 202110439266A CN 113053528 A CN113053528 A CN 113053528A
- Authority
- CN
- China
- Prior art keywords
- person
- evaluated
- risk
- numerical value
- history
- 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
- 208000029078 coronary artery disease Diseases 0.000 title claims abstract description 44
- 208000028867 ischemia Diseases 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012502 risk assessment Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 206010020772 Hypertension Diseases 0.000 claims description 21
- 208000007502 anemia Diseases 0.000 claims description 19
- 208000010125 myocardial infarction Diseases 0.000 claims description 18
- 208000032382 Ischaemic stroke Diseases 0.000 claims description 17
- 108060006698 EGF receptor Proteins 0.000 claims description 14
- 230000003907 kidney function Effects 0.000 claims description 12
- 230000000302 ischemic effect Effects 0.000 abstract description 25
- 102000004903 Troponin Human genes 0.000 description 13
- 108090001027 Troponin Proteins 0.000 description 13
- 201000010099 disease Diseases 0.000 description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 238000013077 scoring method Methods 0.000 description 8
- 230000007774 longterm Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 102000001554 Hemoglobins Human genes 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 4
- 208000000770 Non-ST Elevated Myocardial Infarction Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000034994 death Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 208000001647 Renal Insufficiency Diseases 0.000 description 3
- 208000006117 ST-elevation myocardial infarction Diseases 0.000 description 3
- 206010000891 acute myocardial infarction Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000006370 kidney failure Diseases 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 102000013394 Troponin I Human genes 0.000 description 2
- 108010065729 Troponin I Proteins 0.000 description 2
- 102000004987 Troponin T Human genes 0.000 description 2
- 108090001108 Troponin T Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 206010049993 Cardiac death Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 206010061876 Obstruction Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 230000002253 anti-ischaemic effect Effects 0.000 description 1
- 238000013176 antiplatelet therapy Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000026758 coronary atherosclerosis Diseases 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 231100001160 nonlethal Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000009863 secondary prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000005239 tubule Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012795 verification Methods 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种冠心病缺血风险评估方法和系统，该方法包括：获取待评估者的多项参数，其中，多项参数包括：用于表征待评估者的身体特征的第一参数、用于指示待评估者的既往病史的第二参数以及对待评估者进行医疗检测得到的第三参数；将多项参数输入到预先配置的算法中得到待评估者的数值，其中，算法用于根据多项参数得到待评估者的数值；根据对应关系获取待评估者的数值对应的风险等级，其中，对应关系为数字与风险等级的对应关系。通过本申请解决了如何对冠心病缺血风险进行评估问题，提高了冠心病缺血风险评估的准确性。
Description
技术领域
本申请涉及到医疗评估领域，具体而言，涉及一种冠心病缺血风险评估方法和系统。
背景技术
作为心血管疾病的重要组成部分，冠状动脉粥样硬化性心脏病，简称冠心病，是指由冠状动脉粥样硬化使得血管腔狭窄、痉挛或阻塞导致心肌缺血、缺氧或坏死而引发的心脏疾病。据推算我国冠心病患病人数已超过2200万。2018年《中国卫生健康统计年鉴》显示，近十年来我国城市和农村居民的冠心病死亡率均呈上升的趋势，其中2017年的死亡率分别为115.32/10万和122.04/10万人。近期的一项全球疾病负担研究显示，1990-2017年间，全球的冠心病相关的死亡病例中，我国所占的比例超过了三分之一。与其他国家相比，我国在这一时期的死亡人数的增速位居首位。卫生经济学方面，2016年一年冠心病治疗费用高达1400亿元。如此繁重的医疗压力，无疑会造成资源的过度消耗，给国家和人民带来了巨大的负担。
当前国内外的相关医疗指南均建议，对于冠心病患者应进行早期的风险评价，并根据患者的疾病风险个体化选择合理的治疗策略。如何进行全面准确的风险评价是临床工作中亟待解决的问题之一。
发明内容
本申请实施例提供了一种冠心病缺血风险评估方法和系统，以至少解决如何对冠心病缺血风险进行评估问题。
根据本申请的一个方面，提供了一种冠心病缺血风险评估方法，包括：获取待评估者的多项参数，其中，所述多项参数包括：用于表征所述待评估者的身体特征的第一参数、用于指示所述待评估者的既往病史的第二参数以及对所述待评估者进行医疗检测得到的第三参数；将所述多项参数输入到预先配置的算法中得到所述待评估者的数值，其中，所述算法用于根据多项参数得到待评估者的数值；根据对应关系获取所述待评估者的数值对应的风险等级，其中，所述对应关系为数字与风险等级的对应关系。
进一步地，在所述预先配置的算法中，所述多项参数中的每一项均对应一个数值；所述预先配置的算法用于根据所述每一项对应的数值得到所述待评估者的数值。
进一步地，根据所述每一项对应的数值得到所述待评估者的数值包括：将所述多项参数中的每一项参数对应的数值进行求和或者进行加权求和得到所述待评估者的数值。
进一步地，用于表征所述待评估者的身体特征的第一参数包括：年龄和心率；和/或，用于指示所述待评估者的既往病史的第二参数包括：高血压病史、心肌梗死病史、缺血性卒中病史和贫血病史；和/或，对所述待评估者进行医疗检测得到的第三参数包括：肾功能eGFR、射血分数、肌钙蛋白是否升高和心电图ST段是否改变。
进一步地，所述风险等级包括三个等级：低危等级、中危等级和高危等级。
根据本申请的另一个方面，还提供了一种冠心病缺血风险评估系统，包括：第一获取模块，用于获取待评估者的多项参数，其中，所述多项参数包括：用于表征所述待评估者的身体特征的第一参数、用于指示所述待评估者的既往病史的第二参数以及对所述待评估者进行医疗检测得到的第三参数；得到模块，用于将所述多项参数输入到预先配置的算法中得到所述待评估者的数值，其中，所述算法用于根据多项参数得到待评估者的数值；第二获取模块，用于根据对应关系获取所述待评估者的数值对应的风险等级，其中，所述对应关系为数字与风险等级的对应关系。
进一步地，在所述预先配置的算法中，所述多项参数中的每一项均对应一个数值；所述得到模块用于根据所述每一项对应的数值得到所述待评估者的数值。
进一步地，所述得到模块，用于将所述多项参数中的每一项参数对应的数值进行求和或者进行加权求和得到所述待评估者的数值。
进一步地，用于表征所述待评估者的身体特征的第一参数包括：年龄和心率；和/或，用于指示所述待评估者的既往病史的第二参数包括：高血压病史、心肌梗死病史、缺血性卒中病史和贫血病史；和/或，对所述待评估者进行医疗检测得到的第三参数包括：肾功能eGFR、射血分数、肌钙蛋白是否升高和心电图ST段是否改变。
进一步地，所述风险等级包括三个等级：低危等级、中危等级和高危等级。
在本申请实施例中，采用了获取待评估者的多项参数，其中，所述多项参数包括：用于表征所述待评估者的身体特征的第一参数、用于指示所述待评估者的既往病史的第二参数以及对所述待评估者进行医疗检测得到的第三参数；将所述多项参数输入到预先配置的算法中得到所述待评估者的数值，其中，所述算法用于根据多项参数得到待评估者的数值；根据对应关系获取所述待评估者的数值对应的风险等级，其中，所述对应关系为数字与风险等级的对应关系。通过本申请解决了如何对冠心病缺血风险进行评估问题，提高了冠心病缺血风险评估的准确性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的冠心病缺血风险评估方法的流程图；
图2是根据本申请实施例的用于冠心病缺血风险评价的OPT-CAD评分方法流程示意图；
图3是根据本申请实施例的采用本发明OPT-CAD评分方法进行冠心病风险评价的患者分布和缺血事件的发生率示意图；
图4是根据本申请实施例的OPT-CAD评分方法与现有的GRACE评分方法的预测能力对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
冠心病患者的临床预后与其自身存在的心血管风险因素具有很强的相关性。使用危险积分的方法，将风险因素整合能够综合的进行风险预测。建立一个能够协助临床医生准确评估冠心病患者出院后长期缺血风险的评分模型，并依此给予患者充足、有效的二级预防用药方案，理应能够使冠心病患者获得更好的生存质量和临床预后。当前临床工作中所使用的冠心病相关的风险评分主要包括GRACE评分、CRUSADE评分等。这些评分的推导和验证过程均来自于欧美人群。虽然，近些年来上述评分在国人中也得到了一定验证，然而其准确性和区分度仍有待提升。与此同时，上述评分的建立人群的数据均来自于上世纪的注册研究，难以与当前大幅改善的医疗水平所匹配。因此，建立一个基于我国临床实践现状、符合我国冠心病患者疾病特征的风险预测评价体系就显得尤为重要。
在本实施例中，提供了一种冠心病缺血风险评估方法，图1是根据本申请实施例的冠心病缺血风险评估方法的流程图，如图1所示，该流程包括如下方法步骤：
步骤S102，获取待评估者的多项参数，其中，多项参数包括：用于表征待评估者的身体特征的第一参数、用于指示待评估者的既往病史的第二参数以及对待评估者进行医疗检测得到的第三参数；
步骤S104，将多项参数输入到预先配置的算法中得到待评估者的数值，其中，算法用于根据多项参数得到待评估者的数值；
步骤S106，根据对应关系获取待评估者的数值对应的风险等级，其中，对应关系为数字与风险等级的对应关系。
在该步骤中，风险等级可以包括三个等级：低危等级、中危等级和高危等级。作为可选的方式，也可以设置更多的等级，例如，可以设置五个等级。对于不同的等级还可以预先保存对应的生活注意事项或者医疗信息，当获取到待评估者的等级之后，还可以对该评估者输出对应的生活注意事项或者医疗信息。
上述步骤可以通过软件或者应用或者服务实现，例如，用户可以安装一个应用或者程序在自己的移动终端上，通过该移动终端输入用户的上述参数，然后将参数传递给服务器，服务器将风险等级再发送给移动终端，或者还可以将生活注意事项或医疗信息也发送移动终端。
在医院中可以医生或者护士可使用电脑中的浏览器上传上述参数，然后服务器得到风险等级之后，将风险等级或者生活注意事项、医疗信息等发送给浏览器。
作为另一个可选的实施方式，在得到相关的风险等级之后，将待评估者的参数和对应的数值以及对应的风险等级保存作为训练数据进行使用。训练数据的数量超过阈值的时候，将这些训练数据分为两部分，一部分作为训练数据进行机器学习模型的训练，另一个部分作为验证数据对训练好的模型进行验证。
在上述步骤中，使用了三类参数最终确定待评估者的风险等级，这三类参数能够更加合理的进行评估。因此通过上述步骤解决了如何对冠心病缺血风险进行评估问题，提高了冠心病缺血风险评估的准确性。
在一个优选实施例中，在预先配置的算法中，多项参数中的每一项均对应一个数值；预先配置的算法用于根据每一项对应的数值得到待评估者的数值。例如，将多项参数中的每一项参数对应的数值进行求和或者进行加权求和得到待评估者的数值。
这种实现方式是一种比较容易的实现方式，还可以使用机器学习模型的方式来进行实现。例如，可以选择一个开源的机器学习模型，获取多组训练数据，每组训练数据均包括待评估者的多个参数以及一个标签，该标签就用于标识待评估者的数值或者等级，通过训练之后，就可以得到一个模型。将来在使用的时候，只要将待评估者的多个参数输入到该训练好的模型中，该模型会输出用于标识待评估者的数值或者等级了。
在一个优选实施例中，用于表征待评估者的身体特征的第一参数包括：年龄和心率；和/或，用于指示待评估者的既往病史的第二参数包括：高血压病史、心肌梗死病史、缺血性卒中病史和贫血病史；和/或，对待评估者进行医疗检测得到的第三参数包括：肾功能eGFR、射血分数、肌钙蛋白是否升高和心电图ST段是否改变。
上述三种类型的参数有很多种，经过研究发现，如上十种参数时比较关键的参数。
找到这十个参数重要程度，即可分配对应数值范围。例如，可以通过软件进行比对，找到这十项参数中的第一项不同，其余参数的差值误差均在预定范围内的所有的待评估者,找到其中最终患病结果不同的占比，并记录该占比，如果占比比较小则说明该参数影响对患病风险的影响程度小。依次类推，找到所有参数对应的占比，按照占比的不同为各项参数分配不同的数值范围。
采用患者的10个临床常规指标作为风险评分的元素进行风险评分，将10个预测因素对应的分值相加，即得到患者相应的总分，并根据总分对中国冠心病患者的长期缺血事件风险进行预测，并根据事件率将患者分为三组：低危组，中危组和高危组；
患者的10个临床常规指标包括：1)年龄；2)心率；3)高血压病史；4)心肌梗死病史；5)缺血性卒中病史；6)肾功能eGFR；7)贫血病史；8)射血分数；9)肌钙蛋白是否升高；10)心电图ST段是否改变。
总分的分值范围从0分到257分，分值分配的内容为：1)年龄：0-71分；2)心率：0-36分；3)高血压病史：0-20分；4)心肌梗死病史：0-16分；5)缺血性卒中病史：0-16分；6)肾功能eGFR：0-21分；7)贫血病史：0-19分；8)射血分数：0-22分；9)肌钙蛋白是否升高：0-23分；10)心电图ST段是否改变：0-13分。
将患者分为三组的具体内容为：
低危组，评分分值在0-95分；
中危组，评分分值在96-130分；
高危组，评分分值在131分以上。
各风险评分元素的评分标准为：
年龄的风险评分标准：小于30岁，分值为0分；30-39岁，分值为6分；40-49岁，分值为19分；50-59岁，分值为32分；60-69岁，分值为45分；70-79岁，分值为58分；大于等于80岁，分值为71分；
心率的风险评分标准为：小于50次/分，分值为24分；50-79次/分，分值为0分；80-99次/分，分值为12分；100-119次/分，分值为22分；大于等于120次/分，分值为36分；
高血压病史的风险评分标准为：没有高血压病史和1级高血压，分值均为0分；2级高血压，分值均为11分；3级高血压，分值均为20分；
心肌梗死病史的风险评分标准为：没有心肌梗死病史，分值为0分；有心肌梗死病史，分值均为16分；
缺血性卒中病史的风险评分标准为：没有缺血性卒中病史，分值为0分；有缺血性卒中病史，分值均为16分；
肾功能eGFR的风险评分标准为：小于60ml/min/1.73m，分值为21分；大于等于60ml/min/1.73m，分值为0分；
贫血病史的风险评分标准为：没有贫血病史，分值为0分；有贫血病史，分值均为19分；
射血分数的风险评分标准为：小于50％，分值为22分；大于等于50％，分值为0分；
肌钙蛋白是否升高的风险评分标准为：否，分值为0分；是，分值为23分；
心电图ST段是否改变：否，分值为0分；是，分值为13分。
上述评分方式可以使用软件的方式来实现，该软件也可以称为一种计算机程序。在本实施例中，还提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
该电子装置中还可以包括一个软件模块构成的装置或系统，该装置或系统中的模块与上述实施例中的步骤相对应，例如，在本实施例中该软件模块构成的装置或系统，可以称为一种冠心病缺血风险评估系统，包括：第一获取模块，用于获取待评估者的多项参数，其中，所述多项参数包括：用于表征所述待评估者的身体特征的第一参数、用于指示所述待评估者的既往病史的第二参数以及对所述待评估者进行医疗检测得到的第三参数；得到模块，用于将所述多项参数输入到预先配置的算法中得到所述待评估者的数值，其中，所述算法用于根据多项参数得到待评估者的数值；第二获取模块，用于根据对应关系获取所述待评估者的数值对应的风险等级，其中，所述对应关系为数字与风险等级的对应关系。
在一个优选实施例中，在所述预先配置的算法中，所述多项参数中的每一项均对应一个数值；所述得到模块用于根据所述每一项对应的数值得到所述待评估者的数值。
在一个优选实施例中，所述得到模块，用于将所述多项参数中的每一项参数对应的数值进行求和或者进行加权求和得到所述待评估者的数值。
在一个优选实施例中，用于表征所述待评估者的身体特征的第一参数包括：年龄和心率；和/或，用于指示所述待评估者的既往病史的第二参数包括：高血压病史、心肌梗死病史、缺血性卒中病史和贫血病史；和/或，对所述待评估者进行医疗检测得到的第三参数包括：肾功能eGFR、射血分数、肌钙蛋白是否升高和心电图ST段是否改变。
在一个优选实施例中，所述风险等级包括三个等级：低危等级、中危等级和高危等级。
在上述实施例中，10个非常重要的预测因素都是能够从住院患者的常规住院过程中得到的，更易得到一个具有稳定预测能力的风险评分，且该风险评分更加注重采用一个宏观地、全面地视角去评估患者的长期缺血风险，能够对患者出院后长期的缺血风险进行评估，在预测患者长期缺血事件能力上，优于GRACE风险评分，可以使临床医生更好地了解患者预后，从而更有针对性地给予中国患者个性化的干预措施。
下面结合附图对本申请的优选实施例进行说明。
图2是本发明用于冠心病缺血风险评价的OPT-CAD评分方法流程示意图，所述冠心病缺血风险评价的OPT-CAD评分方法，包括：
OPT-CAD((Optimal antiPlatelet Therapy for Chinese patients withCoronary Artery Disease，适用于中国冠心病患者的缺血风险)评分模型，采用10个临床常规指标作为风险评分的元素进行风险评分，对中国冠心病患者的长期缺血事件风险进行预测，并根据事件率，将患者分为三组：
低危组，评分在0-95分，缺血事件的发生率为1.6％；
中危组，评分在96-130分，缺血事件的发生率为5.5％；
高危组，评分在131分以上，缺血事件的发生率为12.7％。
所述患者的10个临床常规指标包括：1)年龄；2)心率；3)高血压病史；4)心肌梗死病史；5)缺血性卒中病史；6)肾功能eGFR；7)贫血病史；8)射血分数；9)肌钙蛋白是否升高；10)心电图ST段是否改变。
所述10个风险评分元素的分数总计257分，分数分配为：1)年龄：0-71分；2)心率：0-36分；3)高血压病史：0-20分；4)心肌梗死病史：0-16分；5)缺血性卒中病史：0-16分；6)肾功能eGFR：0-21分；7)贫血病史：0-19分；8)射血分数：0-22分；9)肌钙蛋白是否升高：0-23分；10)心电图ST段是否改变：0-13分。
各所述风险评分元素的评分标准为：
所述年龄的风险评分标准：小于30岁，分值为0分；30-39岁，分值为6分；40-49岁，分值为19分；50-59岁，分值为32分；60-69岁，分值为45分；70-79岁，分值为58分；大于等于80岁，分值为71分；
所述心率的风险评分标准为：小于50次/分，分值为24分；50-79次/分，分值为0分；80-99次/分，分值为12分；100-119次/分，分值为22分；大于等于120次/分，分值为36分；
所述高血压病史的风险评分标准为：没有高血压病史和1级高血压，分值均为0分；2级高血压，分值均为11分；3级高血压，分值均为20分；
所述心肌梗死病史的风险评分标准为：没有心肌梗死病史，分值为0分；有心肌梗死病史，分值均为16分；
所述缺血性卒中病史的风险评分标准为：没有缺血性卒中病史，分值为0分；有缺血性卒中病史，分值均为16分；
所述肾功能eGFR的风险评分标准为：小于60ml/min/1.73m，分值为21分；大于等于60ml/min/1.73m，分值为0分；
所述贫血病史的风险评分标准为：没有贫血病史，分值为0分；有贫血病史，分值均为19分；
所述射血分数的风险评分标准为：小于50％，分值为22分；大于等于50％，分值为0分；
所述肌钙蛋白是否升高的风险评分标准为：否，分值为0分；是，分值为23分；
所述心电图ST段是否改变：否，分值为0分；是，分值为13分。
在该OPT-CAD评分方法的研究中全部患者12个月缺血事件共发生了502例(占3.6％)，其中，推导队列中发生了342例(占3.4％)；验证队列中发生了160例(占4.0％)。经过Logistic回归，推导队列中共有10个风险因素纳入到最终的风险模型中。相关风险因素的定义为：(1)肾功能不全定义为估计的肾小管滤过率(eGFR)<60ml/min/1.73m2；(2)左室射血分数(LVEF)<50％定义为心脏超声检查中测量的每搏输出量占心室舒张末期容积量的百分比；(3)肌钙蛋白升高定义为肌钙蛋白T值大于0.01ng/ml和/或肌钙蛋白I值大于0.05ng/ml。(4)贫血定义为成年男性血红蛋白<130g/L，成年女性血红蛋白<120g/L。参见表1。
表1、推导队列12个月缺血事件的Logistic回归模型
注：1、肾功能不全定义为eGFR<60ml/min/1.73m2；2、LVEF：左室射血分数；3、肌钙蛋白升高定义为肌钙蛋白T值大于0.01ng/ml和/或肌钙蛋白I值大于0.05ng/ml。4、贫血定义为成年男性血红蛋白<130g/L，成年女性血红蛋白<120g/L。5、OR：比值比；6、CI：置信区间。
随后，依据每个预测因子的在多因素Logistic回归中的比值比(OR)值，对其进行赋值，其中年龄分为7档，分值从0到71分，心率分为5档，分值从0到36分，高血压病史分为4档，分值从0分到20分；剩余的预测因子为二分类变量，根据其是否符合，给予其对应的分值，既往心肌梗死为16分，既往卒中为16分，肾功能不全为21分，贫血为19分，LVEF<50％为22分，肌钙蛋白升高为23分，心电图ST段改变为13分。将10个预测因子对应的分值相加，即得到患者相应的总分，总的分值范围从0分到257分。参见表2。
表2、OPT-CAD风险评分的组成和分值
注：缩略语同表1。
根据风险评分的分值和12个月缺血风险事件率，将患者分为：低危组(评分在0-95分)，缺血事件的发生率为1.6％；中危组(评分在96-130分)，缺血事件的发生率为5.5％；高危组(评分在131分以上)，缺血事件的发生率为12.7％。在预测1年的缺血事件效力上，推导队列的受试者工作特征曲线(ROC)的曲线下面积(AUC)为0.73。
在验证队列中，使用该评分预测的事件率和真实的事件率，在低危组分别为1.8％和2.2％，中危组为5.3％和6.6％，高危组为11.8％和10.4％，三组患者预测的事件率和真实事件率之间均无统计学差异(P>0.05)。在全部人群中，低、中、高危三组患者的缺血事件发生率分别为1.9％，5.7％，11.4％，有显著的统计学差异(P<0.05)。
OPT-CAD风险模型在不同冠心病诊断分型的患者中的，对缺血事件及其各个二级终点中的预测能力上依然有良好的稳定性，其中，对非ST段抬高型心肌梗死患者(C统计值，0.74-0.85)和稳定型冠心病患者(C统计值，0.76-0.82)尤为出色。
表3、OPT-CAD评分在不同冠心病诊断患者中的预测能力
| 全部人群 | STEMI | NSTEMI | UAP | 稳定型冠心病 | |
| 缺血事件 | 0.72 | 0.73 | 0.74 | 0.70 | 0.76 |
| 心性死亡 | 0.80 | 0.79 | 0.85 | 0.80 | 0.82 |
| 非致死性心肌梗死 | 0.71 | 0.71 | 0.75 | 0.73 | 0.78 |
| 缺血性卒中 | 0.70 | 0.74 | 0.74 | 0.69 | 0.76 |
注：1、STEMI：ST段抬高型心肌梗死；2.NSTEMI：非ST段抬高型心肌梗死；3、UAP：不稳定型心绞痛。
OPT-CAD风险评分的患者整体分布以及对应的缺血事件发生率，通过计算出患者10个预测因子总的风险积分后，即可在图3中对应出该患者12个月缺血事件发生的风险。从表中可看到，患者的风险评分分值主要集中在61-90分区间，该区间人数占全部人数的37.7％，缺血事件发生率为2.0％。
与当前临床工作中常用的GRACE风险评分相比，如图4所示，在预测12个月缺血事件中，OPT-CAD评分的ROC曲线的AUC为0.72(95％CI，0.71-0.73)，GRACE评分的AUC为0.65(95％CI,0.64-0.65),两者之间比较有统计学差异(P<0.05)。在预测12个月全因死亡事件中，OPT-CAD评分的AUC为0.79(95％CI,0.78-0.79),GRACE评分的AUC为0.72(95％CI,0.71-0.73),两者之间比较亦有统计学差异(P<0.05)。
综上所述，OPT-CAD评分是一个基于我国当前临床实践的，包含了患者人口学特征、实验室指标以及辅助检查在内的10个风险预测因素的风险预测工具。该评分能够预测各个冠心病诊断分型患者出院后12个月缺血事件的发生风险，且预测的准确性优于传统的GRACE风险评分。OPT-CAD风险评分能够帮助临床医师准确的预测患者预后，为实现个体化的长期抗缺血治疗提供依据。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种冠心病缺血风险评估方法，其特征在于，包括：
获取待评估者的多项参数，其中，所述多项参数包括：用于表征所述待评估者的身体特征的第一参数、用于指示所述待评估者的既往病史的第二参数以及对所述待评估者进行医疗检测得到的第三参数；
将所述多项参数输入到预先配置的算法中得到所述待评估者的数值，其中，所述算法用于根据多项参数得到待评估者的数值；
根据对应关系获取所述待评估者的数值对应的风险等级，其中，所述对应关系为数字与风险等级的对应关系。
2.根据权利要求1所述的方法，其特征在于，
在所述预先配置的算法中，所述多项参数中的每一项均对应一个数值；
所述预先配置的算法用于根据所述每一项对应的数值得到所述待评估者的数值。
3.根据权利要求2所述的方法，其特征在于，根据所述每一项对应的数值得到所述待评估者的数值包括：
将所述多项参数中的每一项参数对应的数值进行求和或者进行加权求和得到所述待评估者的数值。
4.根据权利要求1至3中任一项所述的方法，其特征在于，
用于表征所述待评估者的身体特征的第一参数包括：年龄和心率；和/或，
用于指示所述待评估者的既往病史的第二参数包括：高血压病史、心肌梗死病史、缺血性卒中病史和贫血病史；和/或，
对所述待评估者进行医疗检测得到的第三参数包括：肾功能eGFR、射血分数、肌钙蛋白是否升高和心电图ST段是否改变。
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述风险等级包括三个等级：低危等级、中危等级和高危等级。
6.一种冠心病缺血风险评估系统，其特征在于，包括：
第一获取模块，用于获取待评估者的多项参数，其中，所述多项参数包括：用于表征所述待评估者的身体特征的第一参数、用于指示所述待评估者的既往病史的第二参数以及对所述待评估者进行医疗检测得到的第三参数；
得到模块，用于将所述多项参数输入到预先配置的算法中得到所述待评估者的数值，其中，所述算法用于根据多项参数得到待评估者的数值；
第二获取模块，用于根据对应关系获取所述待评估者的数值对应的风险等级，其中，所述对应关系为数字与风险等级的对应关系。
7.根据权利要求6所述的系统，其特征在于，
在所述预先配置的算法中，所述多项参数中的每一项均对应一个数值；
所述得到模块用于根据所述每一项对应的数值得到所述待评估者的数值。
8.根据权利要求7所述的系统，其特征在于，
所述得到模块，用于将所述多项参数中的每一项参数对应的数值进行求和或者进行加权求和得到所述待评估者的数值。
9.根据权利要求6至8中任一项所述的系统，其特征在于，
用于表征所述待评估者的身体特征的第一参数包括：年龄和心率；和/或，
用于指示所述待评估者的既往病史的第二参数包括：高血压病史、心肌梗死病史、缺血性卒中病史和贫血病史；和/或，
对所述待评估者进行医疗检测得到的第三参数包括：肾功能eGFR、射血分数、肌钙蛋白是否升高和心电图ST段是否改变。
10.根据权利要求6至8中任一项所述的系统，其特征在于，所述风险等级包括三个等级：低危等级、中危等级和高危等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110439266.6A CN113053528A (zh) | 2021-04-23 | 2021-04-23 | 一种冠心病缺血风险评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110439266.6A CN113053528A (zh) | 2021-04-23 | 2021-04-23 | 一种冠心病缺血风险评估方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113053528A true CN113053528A (zh) | 2021-06-29 |
Family
ID=76519995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110439266.6A Pending CN113053528A (zh) | 2021-04-23 | 2021-04-23 | 一种冠心病缺血风险评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113053528A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115458172A (zh) * | 2022-11-11 | 2022-12-09 | 中山大学附属第一医院 | 一种心脏风险评估系统、设备及介质 |
| CN115602330A (zh) * | 2022-12-15 | 2023-01-13 | 北京鹰瞳科技发展股份有限公司（Cn） | 对评估冠心病危险级别的评估模型进行训练的方法和设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2321336C1 (ru) * | 2007-02-22 | 2008-04-10 | Юрий Николаевич Федулаев | Способ формирования группы риска больных безболевой ишемией миокарда |
| CN101645142A (zh) * | 2008-08-04 | 2010-02-10 | 香港理工大学 | 用于心血管疾病和中风的风险评估的模糊系统 |
| CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
| CN108577883A (zh) * | 2018-04-03 | 2018-09-28 | 上海交通大学 | 一种冠心病筛查装置、筛查系统以及信号特征提取方法 |
| CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
-
2021
- 2021-04-23 CN CN202110439266.6A patent/CN113053528A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2321336C1 (ru) * | 2007-02-22 | 2008-04-10 | Юрий Николаевич Федулаев | Способ формирования группы риска больных безболевой ишемией миокарда |
| CN101645142A (zh) * | 2008-08-04 | 2010-02-10 | 香港理工大学 | 用于心血管疾病和中风的风险评估的模糊系统 |
| CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
| CN108577883A (zh) * | 2018-04-03 | 2018-09-28 | 上海交通大学 | 一种冠心病筛查装置、筛查系统以及信号特征提取方法 |
| CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115458172A (zh) * | 2022-11-11 | 2022-12-09 | 中山大学附属第一医院 | 一种心脏风险评估系统、设备及介质 |
| CN115458172B (zh) * | 2022-11-11 | 2023-04-28 | 中山大学附属第一医院 | 一种心脏风险评估系统、设备及介质 |
| CN115602330A (zh) * | 2022-12-15 | 2023-01-13 | 北京鹰瞳科技发展股份有限公司（Cn） | 对评估冠心病危险级别的评估模型进行训练的方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Playford et al. | Diastolic dysfunction and mortality in 436 360 men and women: the National Echo Database Australia (NEDA) | |
| Stamate et al. | A metabolite‐based machine learning approach to diagnose Alzheimer‐type dementia in blood: Results from the European Medical Information Framework for Alzheimer disease biomarker discovery cohort | |
| CN111430029B (zh) | 基于人工智能的多维度脑卒中预防筛查方法 | |
| van den Ham et al. | Comparative performance of ATRIA, CHADS2, and CHA2DS2-VASc risk scores predicting stroke in patients with atrial fibrillation: results from a national primary care database | |
| Yan et al. | Risk scores for risk stratification in acute coronary syndromes: useful but simpler is not necessarily better | |
| Lee et al. | Prediction of heart failure mortality in emergent care: a cohort study | |
| Leening et al. | Methods of data collection and definitions of cardiac outcomes in the Rotterdam Study | |
| Brieger et al. | Predicting freedom from clinical events in non-ST-elevation acute coronary syndromes: the Global Registry of Acute Coronary Events | |
| Allan et al. | Net clinical benefit of warfarin in individuals with atrial fibrillation across stroke risk and across primary and secondary care | |
| Ekerstad et al. | Hospitalized frail elderly patients–atrial fibrillation, anticoagulation and 12 months’ outcomes | |
| CN107153774A (zh) | 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统 | |
| Griffith et al. | Predicting 5-and 10-year mortality risk in older adults with diabetes | |
| Pekkala et al. | Development of a late-life dementia prediction index with supervised machine learning in the population-based CAIDE study | |
| CN114724716A (zh) | 进展为2型糖尿病的风险预测的方法、模型训练及装置 | |
| CN113053528A (zh) | 一种冠心病缺血风险评估方法和系统 | |
| Ji et al. | Risk prediction models for out-of-hospital cardiac arrest outcomes in England | |
| Jalili et al. | Validation of the Vancouver Chest Pain Rule: a prospective cohort study | |
| Rezaee et al. | Development and validation of risk prediction models for multiple cardiovascular diseases and Type 2 diabetes | |
| Shah et al. | Effect of variation in published stroke rates on the net clinical benefit of anticoagulation for atrial fibrillation | |
| Contreras et al. | Anticoagulation in patients with atrial fibrillation and heart failure: Insights from the NCDR PINNACLE‐AF registry | |
| Namasivayam et al. | Predicting outcomes in patients with aortic stenosis using machine learning: the Aortic Stenosis Risk (ASteRisk) score | |
| Puymirat et al. | Atherothrombotic risk stratification after acute myocardial infarction: the Thrombolysis in Myocardial Infarction Risk Score for Secondary Prevention in the light of the French registry of acute ST elevation or non‐ST elevation myocardial infarction registries | |
| Deng et al. | Machine learning to predict no reflow and in-hospital mortality in patients with ST-segment elevation myocardial infarction that underwent primary percutaneous coronary intervention | |
| KR102042824B1 (ko) | 류마티스관절염 예후 예측용 snp 마커 세트 | |
| Khan et al. | Classification performance of clinical risk scoring in suspected acute coronary syndrome beyond a rule-out troponin profile |
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 |