CN113180609B - 一种预测帕金森病dbs术后运动症状改善的系统 - Google Patents
一种预测帕金森病dbs术后运动症状改善的系统 Download PDFInfo
- Publication number
- CN113180609B CN113180609B CN202110500066.7A CN202110500066A CN113180609B CN 113180609 B CN113180609 B CN 113180609B CN 202110500066 A CN202110500066 A CN 202110500066A CN 113180609 B CN113180609 B CN 113180609B
- Authority
- CN
- China
- Prior art keywords
- mds
- patient
- score
- dbs
- updrs iii
- 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
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 51
- 208000024891 symptom Diseases 0.000 title claims abstract description 24
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 23
- 230000006872 improvement Effects 0.000 title claims abstract description 16
- 229940079593 drug Drugs 0.000 claims abstract description 58
- 239000003814 drug Substances 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 238000001356 surgical procedure Methods 0.000 claims description 20
- 206010044565 Tremor Diseases 0.000 claims description 17
- 230000001419 dependent effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 206010006100 Bradykinesia Diseases 0.000 claims description 8
- 208000006083 Hypokinesia Diseases 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 3
- 210000001905 globus pallidus Anatomy 0.000 claims description 2
- 238000012274 Preoperative evaluation Methods 0.000 claims 1
- 208000027089 Parkinsonian disease Diseases 0.000 abstract description 10
- 206010034010 Parkinsonism Diseases 0.000 abstract description 10
- WTDRDQBEARUVNC-LURJTMIESA-N L-DOPA Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-LURJTMIESA-N 0.000 description 7
- WTDRDQBEARUVNC-UHFFFAOYSA-N L-Dopa Natural products OC(=O)C(N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-UHFFFAOYSA-N 0.000 description 7
- 229960004502 levodopa Drugs 0.000 description 7
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000007659 motor function Effects 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 208000006218 bradycardia Diseases 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 229960003638 dopamine Drugs 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000036471 bradycardia Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 210000004281 subthalamic nucleus Anatomy 0.000 description 2
- 238000011477 surgical intervention Methods 0.000 description 2
- 101800004538 Bradykinin Proteins 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- QXZGBUJJYSLZLT-UHFFFAOYSA-N H-Arg-Pro-Pro-Gly-Phe-Ser-Pro-Phe-Arg-OH Natural products NC(N)=NCCCC(N)C(=O)N1CCCC1C(=O)N1C(C(=O)NCC(=O)NC(CC=2C=CC=CC=2)C(=O)NC(CO)C(=O)N2C(CCC2)C(=O)NC(CC=2C=CC=CC=2)C(=O)NC(CCCN=C(N)N)C(O)=O)CCC1 QXZGBUJJYSLZLT-UHFFFAOYSA-N 0.000 description 1
- 102100035792 Kininogen-1 Human genes 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- QXZGBUJJYSLZLT-FDISYFBBSA-N bradykinin Chemical compound NC(=N)NCCC[C@H](N)C(=O)N1CCC[C@H]1C(=O)N1[C@H](C(=O)NCC(=O)N[C@@H](CC=2C=CC=CC=2)C(=O)N[C@@H](CO)C(=O)N2[C@@H](CCC2)C(=O)N[C@@H](CC=2C=CC=CC=2)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)CCC1 QXZGBUJJYSLZLT-FDISYFBBSA-N 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000036542 oxidative stress Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Neurology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Developmental Disabilities (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及帕金森智能诊断领域,尤其涉及一种预测帕金森病DBS术后运动症状改善的系统;包括:采集患者的诊断数据、患者手术前MDS‑UPDRSIII的子项以及总项得分以及患者手术后药物开关期情况下DBS机器开关的总分样本;计算患者手术后在DBS机器开启以及关闭状态下的的得分变化值;基于获取的诊断数据、MDS‑UPDRSIII的子项以及总项得分以及的得分变化值建立逐步回归预测模型;输出用于预测患者手术效果的预测公式;利用预测公式在手术前对患者的手术后的评分进行计算预测;将变化值与术前得分整合得到预测的手术后总得分,能够在临床上在手术前预测病人是否适合进行手术,对帕金森的治疗具有重要意义。
Description
技术领域
本发明涉及帕金森智能诊断领域,尤其涉及一种预测帕金森病DBS术后运动症状改善的系统。
背景技术
帕金森病(PD)是第二常见的神经退行性疾病,老年人多见,平均发病年龄为60岁左右,40岁以下起病的青年帕金森病较少见。我国65岁以上人群PD的患病率大约是1.7%,而世界平均水平为1%,大部分帕金森病患者为散发病例,仅有不到10%的患者有家族史。帕金森病最主要的病理改变是中脑黑质多巴胺(dopamine,DA)能神经元的变性死亡,由此而引起纹状体DA含量显著性减少而致病。导致这一病理改变的确切病因目前仍不清楚,遗传因素、环境因素、年龄老化、氧化应激等均可能参与PD多巴胺能神经元的变性死亡过程。近年来,深部脑刺激(DBS)已发展成为一种有效缓解帕金森运动症状的手术手段。目前,丘脑下核(STN)和苍白球内侧核(GPi)是帕金森病DBS的两个主要靶点。
根据帕金森病外科介入治疗的核心评估方案(CAPSIT-PD protocol),左多巴药物诱导的运动症状减少达到MDS-UPDRS III(统一帕金森病分级量表III)30%的被认为是确定最佳手术候选者的标准。然而,对左旋多巴的反应并不总是与DBS的效果一致,左旋多巴试验的预测价值仍有争议。因此,开发新的预测模型来可靠地预测术后运动反应和评估DBS是否适合个体患者是至关重要的。
发明内容
针对上述技术中存在的不足之处,本发明提供一种预测帕金森病DBS术后运动症状改善的系统,通过逐步回归预测模型的建立,输出用于预测帕金森病人术后MDS-UPDRSIII得分的公式,将数据输入预测公式内进行计算以得到MDS-UPDRS III变化值,将MDS-UPDRS III变化值与术前MDS-UPDRS III得分整合得到预测的手术后MDS-UPDRS III总得分,能够在临床上在手术前预测病人是否适合进行手术,对帕金森的治疗具有重要意义。
为实现上述目的,本发明提供一种预测帕金森病DBS术后运动症状改善的方法,包括以下步骤:
采集患者的诊断数据、患者手术前MDS-UPDRS III的子项以及总项得分以及患者手术后药物开关期情况下DBS机器开关的MDS-UPDRS III总分样本;
计算患者手术后在DBS机器开启以及关闭状态下的MDS-UPDRS III的得分变化值;
基于获取的诊断数据、MDS-UPDRS III的子项以及总项得分以及MDS-UPDRS III的得分变化值建立逐步回归预测模型;
输出用于预测患者手术效果的预测公式;
利用预测公式在手术前对患者的手术后MDS-UPDRS III评分进行计算预测。
具体的:患者的诊断数据包括:患者做手术时的年龄、患者症状首发时的年龄、患者做手术时的病程以及患者术后回访的月份数。
具体的:患者手术前MDS-UPDRS III的子项得分包括:在药物开关期情况下的四肢运动迟缓得分、中轴症状得分、强直得分以及震颤得分。
具体的:患者手术后药物开关期情况下DBS机器开关的MDS-UPDRS III总分包括:患者手术后药物关期DBS机器开启的MDS-UPDRS III总分以及患者收术后药物开期DBS机器关闭时的MDS-UPDRS III总分。
作为优选:在计算患者手术后在DBS机器开启以及关闭状态下的MDS-UPDRS III的得分变化值的步骤中,计算公式为:
MDS-UPDRSIII变化值=PostON-PostOFF
其中,PostON为患者手术后药物关期DBS机器开启的MDS-UPDRS III总分;PostOFF为患者收术后药物开期DBS机器关闭时的MDS-UPDRS III总分。
作为优选:在建立逐步回归预测模型的步骤中,将诊断数据以及MDS-UPDRS III的子项以及总项得分的独立因子以及交叉因子均作为样本加入逐步回归预测模型中。
作为优选:在建立逐步回归预测模型的步骤中,模型将以MDS-UPDRS III变化值作为因变量,将诊断数据以及MDS-UPDRS III的子项以及总项得分的独立因子以及交叉因子作为自变量,并对所有样本进行训练。
作为优选:在建立逐步回归预测模型的步骤中,采用五倍交叉验证进行逐步预测选择,将数据样本随机分成5个大小相等的子样本,在这5个子样本中,保留一个单独的子样本作为模型检验的验证数据,剩下的4个子样本作为训练数据。
作为优选:在逐步预测选择的过程中,以回归模型的调整后的最大拟合优度(Adjusted R2)为准则,当一个新的变量被放入,一个新的回归模型与新的Adjusted R2被生成,在逐步测试所有变量后,选择Adjusted R2最大的模型作为最终的模型,Adjusted R2将由R2换算而得,R2的计算公式为:
其中yi为因变量的真实值,为因变量真实值的均值,fi为因变量的预测值。
Adjusted R2的计算公式为:
其中n表示的为数据中的样本个数,k为自变量的个数。
具体的:在利用预测公式在手术前对患者的手术后MDS-UPDRS III评分进行计算预测的步骤中,将数据输入预测公式内进行计算以得到MDS-UPDRS III变化值,将MDS-UPDRS III变化值与术前MDS-UPDRS III得分整合得到预测的手术后MDS-UPDRS III总得分。
本发明的有益效果是:与现有技术相比,本发明提供的一种预测帕金森病DBS术后运动症状改善的系统,包括以下步骤:采集患者的诊断数据、患者手术前MDS-UPDRS III的子项以及总项得分以及患者手术后药物开关期情况下DBS机器开关的MDS-UPDRS III总分样本;计算患者手术后在DBS机器开启以及关闭状态下的MDS-UPDRS III的得分变化值;基于获取的诊断数据、MDS-UPDRS III的子项以及总项得分以及MDS-UPDRS III的得分变化值建立逐步回归预测模型;输出用于预测患者手术效果的预测公式;利用预测公式在手术前对患者的手术后MDS-UPDRS III评分进行计算预测;通过逐步回归预测模型的建立,输出用于预测帕金森病人术后MDS-UPDRS III得分的公式,将数据输入预测公式内进行计算以得到MDS-UPDRS III变化值,将MDS-UPDRS III变化值与术前MDS-UPDRS III得分整合得到预测的手术后MDS-UPDRS III总得分,能够在临床上在手术前预测病人是否适合进行手术,对帕金森的治疗具有重要意义。
附图说明
图1为本发明的GPi-DBS对运动功能的影响示意图;
图2为本发明的散点图和线性回归分析显示术前预测因子和术后DBS反应之间的关系示意图;
图3为本发明的MDS-UPDRS III总分的变化值简化公式图;
图4为本发明的方法步骤流程图。
具体实施方式
为了更清楚地表述本发明,下面结合附图对本发明作进一步地描述。
根据帕金森病外科介入治疗的核心评估方案(CAPSIT-PD protocol),左多巴药物诱导的运动症状减少达到MDS-UPDRS III(统一帕金森病分级量表III)30%的被认为是确定最佳手术候选者的标准。然而,对左旋多巴的反应并不总是与DBS的效果一致,左旋多巴试验的预测价值仍有争议。因此,开发新的预测模型来可靠地预测术后运动反应和评估DBS是否适合个体患者是至关重要的。
为解决现有技术中的缺陷和不足,本发明具体的提供一种预测帕金森病DBS术后运动症状改善的系统,请参阅图1-4,该方法包括以下步骤:采集患者的诊断数据、患者手术前MDS-UPDRS III的子项以及总项得分以及患者手术后药物开关期情况下DBS机器开关的MDS-UPDRS III总分样本;
计算患者手术后在DBS机器开启以及关闭状态下的MDS-UPDRS III的得分变化值;
基于获取的诊断数据、MDS-UPDRS III的子项以及总项得分以及MDS-UPDRS III的得分变化值建立逐步回归预测模型;
输出用于预测患者手术效果的预测公式;
利用预测公式在手术前对患者的手术后MDS-UPDRS III评分进行计算预测;
在进行模型的建立之前,对患者的一些诊断数据样本进行采集,其中收集的数据包括以下三大类:
第一类为患者的基础病情数据,包含患者做手术时的年龄,患者症状首发时的年龄,患者做手术时的病程,患者术后回访的月份数,
第二类为患者术前药物开关期情况下的MDS-UPDRS III总分及子项得分
包含在药物开关期情况下的四肢运动迟缓得分(3.2,3.4~3.8,3.14),中轴症状得分(3.1,3.9~3.13),强直得分(3.3),震颤得分(3.15~3.18)及UPDRSI II总分。
第三类为患者术后药物开关期情况下DBS机器开关的MDS-UPDRS III总分
包含患者术后药物关期DBS机器开启的MDS-UPDRS III总分(简称为PostO N),患者术后药物开期DBS机器关闭时的MDS-UPDRS III总分(简称为PostOFF)。
在本实施例中,本发明采用MDS-UPDRS III(包括震颤、强直、轴性运动迟缓和肢体运动迟缓的总分和分项评分)对患者进行术前(有无药物治疗)和术后(无药物治疗或刺激,仅刺激)评估。基线特征(包括手术时的年龄、发病年龄和病程)、术后评估时间以及用MDS-UPDRS III测量的运动性帕金森病症状“停药”和“开药”的严重程度被纳入可能与GPi DBS结果相关的潜在单变量。新的基于术前变量的机器学习预测模型可以预测运动功能的总分(调整后的R平方=0.84,RMSE=3.58)和震颤分项(调整后的R平方=0.85,RMSE=1.72),并通过5倍交叉验证进行评;最终输出用于预测的公式,如下表达式:
MDS-UPDRS III变化值=21.231+(10.891×患者手术时年龄)+(-11.337×患者首发年龄)+(-0.891×患者病程(月))+(0.601×术前药物关期中轴运动迟缓)+(-0.34×术前药物开期中轴运动迟缓)+(-0.587×术前药物关期强直)+(0.381×术前药物关期四肢运动迟缓)+(0.941×术前药物关期震颤)+[-0.199×(患者术后回访时间(月)-11.8421)×(术前药物开期四肢运动迟缓-11.6842)]+[-0.005×(患者手术时年龄-64.607)×(患者病程(月)-160.14)]+[-1.294×(患者手术时年龄-64.607)×(术前药物开期UPDRSIII总分-26)]+[0.06×(患者手术时年龄-64.607)×(术前药物关期四肢运动迟缓-18.2105)]+[1.325×(患者首发年龄-51.4561)×(术前药物开期UPDRSIII总分-26)]+[0.08×(患者首发年龄-51.4561)×(术前药物开期四肢运动迟缓-11.6842)]+[0.101×(患者病程(月)-160.14)×(术前药物开期UPDRSIII总分-26)]+[0.248×(术前药物开期UPDRSI II总分-26)×(术前药物关期中轴运动迟缓-14.1754)]+[-0.165×(术前药物开期UPDRSIII总分-26)×(术前药物关期强直-9.70175)]+[0.284×(术前药物开期UPDRSIII总分-26)×(术前药物开期强直-5.5614)]+[-0.142×(术前药物开期UPDRSIII总分-26)×(术前药物开期四肢运动迟缓-11.6842)]+[0.073×(术前药物开期UPDRSIII总分-26)×(术前药物关期震颤-5.96491)]+[-0.202×(术前药物关期强直-9.70175)×(术前药物关期震颤-5.96491)]+[0.186×(术前药物关期四肢运动迟缓-18.2105)×(术前药物关期震颤-5.96491)]+[-0.279×(术前药物开期四肢运动迟缓-11.6842)×(术前药物关期震颤-5.96491)]
通过在将术前数据输入预测公式内进行计算以得到MDS-UPDRS III变化值,将MDS-UPDRS III变化值与术前MDS-UPDRS III得分整合得到预测的手术后MDS-UPDRS III总得分,从而有效的评估患者是否适合进行手术。
在本实施例中提及:患者的诊断数据包括:患者做手术时的年龄、患者症状首发时的年龄、患者做手术时的病程以及患者术后回访的月份数。
在本实施例中提及:患者手术前MDS-UPDRS III的子项得分包括:在药物开关期情况下的四肢运动迟缓得分、中轴症状得分、强直得分以及震颤得分。
在本实施例中提及:患者手术后药物开关期情况下DBS机器开关的MDS-UPDRS III总分包括:患者手术后药物关期DBS机器开启的MDS-UPDRS III总分以及患者收术后药物开期DBS机器关闭时的MDS-UPDRS III总分。
在一个优选的实施例中提及:在计算患者手术后在DBS机器开启以及关闭状态下的MDS-UPDRS III的得分变化值的步骤中,计算公式为:
MDS-UPDRSIII变化值=PostON-PostOFF
其中,PostON为患者手术后药物关期DBS机器开启的MDS-UPDRS III总分;PostOFF为患者收术后药物开期DBS机器关闭时的MDS-UPDRS III总分。
在一个优选的实施例中提及:在建立逐步回归预测模型的步骤中,将诊断数据以及MDS-UPDRS III的子项以及总项得分的独立因子以及交叉因子均作为样本加入逐步回归预测模型中;除了包含在前面实施例中提及的第一类和第二类的单个指标加入模型以外,以上两类指标的交叉因子都将被处理并且加入模型当中进行逐步分析;模型将以MDS-UPDRS III变化值作为因变量,第一类及第二类的独立因子和交叉因子作为自变量,并对所有样本进行训练。
在一个优选的实施例中提及:在建立逐步回归预测模型的步骤中,模型将以MDS-UPDRS III变化值作为因变量,将诊断数据以及MDS-UPDRS III的子项以及总项得分的独立因子以及交叉因子作为自变量,并对所有样本进行训练。
在一个优选的实施例中提及:在建立逐步回归预测模型的步骤中,采用五倍交叉验证进行逐步预测选择,将数据样本随机分成5个大小相等的子样本,在这5个子样本中,保留一个单独的子样本作为模型检验的验证数据,剩下的4个子样本作为训练数据;在五个子样本中,每一个单独的子样本被保留作为检验模型的验证数据,其余四个子样本被用作训练数据。这个过程重复五次,对五个子样本进行完全操作,以避免随机抽样对最终结果的影响。
在一个优选的实施例中提及:在逐步预测选择的过程中,以回归模型的调整后的最大拟合优度(Adjusted R2)为准则,当一个新的变量被放入,一个新的回归模型与新的Adjusted R2被生成,在逐步测试所有变量后,选择Adjusted R2最大的模型作为最终的模型,Adjusted R2将由R2换算而得,R2的计算公式为:
其中yi为因变量的真实值,为因变量真实值的均值,fi为因变量的预测值。
Adjusted R2的计算公式为:
其中n表示的为数据中的样本个数,k为自变量的个数;
每个特征最初都是为简单的单变量模型构建的;然后选取调整方差最大、贡献度最大的模型,逐步输入其他特征,检验各模型的拟合度;最后,筛选出适合度最好、特征显著的模型作为最优模型;通过与空白模型的比较,对总模型进行F检验;预测因子系数采用T检验;调整后的R平方用于测量适应度;RMSE用于测量误差。
在一个优选的实施例中提及:在利用预测公式在手术前对患者的手术后MDS-UPDRS III评分进行计算预测的步骤中,将数据输入预测公式内进行计算以得到MDS-UPDRSIII变化值,将MDS-UPDRS III变化值与术前MDS-UPDRS III得分整合得到预测的手术后MDS-UPDRS III总得分。
以下通过一个具体的实施例,来对本发明的技术方案进行一个阐述,当然本申请的保护范围不仅仅于此,任何在本申请的基础上,在没有付出任何创造性劳动的前提下所做的改变,都属于本申请的保护范围。
在进行患者的选择时,我们选择60名资料完整的帕金森病患者;基线检查时患者的主要临床和人口统计学特征如表1所示;男性38例(63.33%),女性22例(36.67%);所有患者的平均发病年龄为51.41±7.7岁;手术时接受双侧GPi刺激器植入的平均年龄为64.36±7.92岁;GPi-DBS时平均病程157.63±57.86个月;术后平均随访11.84±6.02个月;
表1:基线检查时患者特征
数据用数字表示,括号内用百分比表示,或用平均值±标准差表示。
GPi-DBS手术能够明显改善帕金森患者术后运动功能,如图1所示(随访12个月左右对患者进行评估;用代表标准偏差的误差条绘制平均值;p<0.0001表示条件之间的显著差异),运动功能(包括MDS-UPDRS III总分和各节段的分项得分)均显示出PostON与PostOFF状态后相比状态的显著改善。
GPi刺激使MDS-UPDRS III总分显著提高30.02%。震颤改善74.41%,僵硬改善27.13%,轴性运动迟缓改善21.76%,肢体运动迟缓改善27.32%。特别是,震颤表现出最显著的改善。
请参阅图2,通过回归分析(表2和图2,图2中:术前预测因子与MDS-UPDRS III总评分和震颤分项评分的变化显著相关;单个数据点用黑点表示;黑线表示最佳拟合线)测量MDS-UPDRS III总分和分项得分的术前预测因子和术后结果之间的相关性;在剔除预测能力低的因素后,选择了调整R平方最大的模型,得到了公式(表2):
表2:预测GPi-DBS运动结局的多元线性模型
/>
/>
缩写:PreOFF:在不服药的情况下进行的术前评分,PreON:在服用一定剂量左旋多巴的情况下进行的术前评分。
请参阅图3,关于MDS-UPDRS III总分变化预测:总得分或小计得分将计算为表2中团队栏和系数栏的相应条目的乘积之和。例如,MDS-UPDRS III总分的变化按简化公式估算如图3所示。
在整个样本中,使用术前变量建立的多变量模型对MDS-UPDRS III总分的绝对变化进行了令人满意的预测(调整后的R平方=0.84,RMSE=3.58)。特别是,单变量包括发病年龄、手术年龄、病程,以及前震颤分量表的预测值最为显著(p<0.001)。相关分析表明,手术年龄越小、发病年龄越大、病程越长、震颤程度越低的患者术后获益可能越大。
基于这种模型,我们可以为临床应用开发一个预测工具;患者完成术前评估后,临床医生可以将患者的信息输入到预测工具中,预测术后DBS的效果。如果将此工具集成到临床信息系统中,临床医生可以在输入患者信息后,将相关的患者数据加载到预测工具中,以便进行更方便的预测。除了预测总分的变化外,该工具还有潜力成为一种实用的临床工具,与帕金森病管理中的其他临床知识相结合,可以指示手术后症状的改善或恶化。进一步的研究和在临床实践中实际使用这一工具将证实这种情况是否属实。
本发明的优势在于:
以上公开的仅为本发明的几个具体实施例,但是本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (3)
1.一种预测帕金森病DBS术后运动症状改善的系统,其特征在于,包括:
采集患者的诊断数据、患者手术前MDS-UPDRS III的子项以及总项得分以及患者手术后药物开关期情况下DBS机器开关的MDS-UPDRS III总分样本;
计算患者手术后在DBS机器开启以及关闭状态下的MDS-UPDRS III的得分变化值;基于获取的诊断数据、MDS-UPDRS III的子项以及总项得分以及MDS-UPDRS III的得分变化值建立逐步回归预测模型;
输出用于预测患者手术效果的预测公式;
利用预测公式在手术前对患者的手术后MDS-UPDRS III评分进行计算预测;
患者的诊断数据包括:患者做手术时的年龄、患者症状首发时的年龄、患者做手术时的病程以及患者术后回访的月份数;
患者手术前MDS-UPDRS III的子项得分包括:在药物开关期情况下的四肢运动迟缓得分、中轴症状得分、强直得分以及震颤得分;
患者手术后药物开关期情况下DBS机器开关的MDS-UPDRS III总分包括:患者手术后药物关期DBS机器开启的MDS-UPDRS III总分以及患者收术后药物关期DBS机器关闭时的MDS-UPDRS III总分;
DBS手术中选取苍白球内侧核GPi作为靶点,患者完成术前评估后,临床医生可以将患者的信息输入到预测工具中,预测术后DBS的效果;
在建立逐步回归预测模型的步骤中,将诊断数据以及MDS-UPDRS III的子项以及总项得分的独立因子以及交叉因子均作为样本加入逐步回归预测模型中;
在建立逐步回归预测模型的步骤中,模型将以MDS-UPDRS III变化值作为因变量,将诊断数据以及MDS-UPDRS III的子项以及总项得分的独立因子以及交叉因子作为自变量,并对所有样本进行训练;
在逐步预测选择的过程中,以回归模型的调整后的最大拟合优度(Adjusted R2)为准则,当一个新的变量被放入,一个新的回归模型与新的Adjusted R2被生成,在逐步测试所有变量后,选择Adjusted R2最大的模型作为最终的模型,Adjusted R2将由R2换算而得,R2的计算公式为::
其中yi为因变量的真实值,为因变量真实值的均值,fi为因变量的预测值;
Adjusted R2的计算公式为:
其中n表示的为数据中的样本个数,k为自变量的个数。
2.根据权利要求1所述的一种预测帕金森病DBS术后运动症状改善的系统,其特征在于,在计算患者手术后在DBS机器开启以及关闭状态下的MDS-UPDRS III的得分变化值的步骤中,计算公式为:
MDS-UPDRSIII变化值=PostON-PostOFF
其中,PostON为患者手术后药物关期DBS机器开启的MDS-UPDRS III总分;PostOFF为患者收术后药物关期DBS机器关闭时的MDS-UPDRS III总分。
3.根据权利要求1所述的一种预测帕金森病DBS术后运动症状改善的系统,其特征在于,在利用预测公式在手术前对患者的手术后MDS-UPDRS III评分进行计算预测的步骤中,将数据输入预测公式内进行计算以得到MDS-UPDRS III变化值,将MDS-UPDRS III变化值与术前MDS-UPDRS III得分整合得到预测的手术后MDS-UPDRS III总得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500066.7A CN113180609B (zh) | 2021-05-08 | 2021-05-08 | 一种预测帕金森病dbs术后运动症状改善的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500066.7A CN113180609B (zh) | 2021-05-08 | 2021-05-08 | 一种预测帕金森病dbs术后运动症状改善的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113180609A CN113180609A (zh) | 2021-07-30 |
CN113180609B true CN113180609B (zh) | 2024-02-09 |
Family
ID=76984519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110500066.7A Active CN113180609B (zh) | 2021-05-08 | 2021-05-08 | 一种预测帕金森病dbs术后运动症状改善的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113180609B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114188018A (zh) * | 2021-11-30 | 2022-03-15 | 中山大学附属口腔医院 | 一种显微根尖手术预后的预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609588A (zh) * | 2017-09-12 | 2018-01-19 | 大连大学 | 一种基于语音信号的帕金森患者updrs得分预测方法 |
WO2021048514A1 (en) * | 2019-09-10 | 2021-03-18 | Oxford University Innovation Limited | Predicting clinical outcomes in parkinson's disease |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050234309A1 (en) * | 2004-01-07 | 2005-10-20 | David Klapper | Method and apparatus for classification of movement states in Parkinson's disease |
US9764136B2 (en) * | 2014-06-06 | 2017-09-19 | Case Western Reserve University | Clinical decision support system |
-
2021
- 2021-05-08 CN CN202110500066.7A patent/CN113180609B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609588A (zh) * | 2017-09-12 | 2018-01-19 | 大连大学 | 一种基于语音信号的帕金森患者updrs得分预测方法 |
WO2021048514A1 (en) * | 2019-09-10 | 2021-03-18 | Oxford University Innovation Limited | Predicting clinical outcomes in parkinson's disease |
Non-Patent Citations (5)
Title |
---|
BP神经网络在高危儿发病率联合预测中的应用研究;卢婷婷;胡成安;;社区医学杂志(第07期);全文 * |
不同运动功能障碍对帕金森病患者日常生活活动能力的影响;唐勇;叶瑞东;屈秋民;;脑与神经疾病杂志(第02期);全文 * |
帕金森叠加综合征患者生存质量影响因素;王冰;张芳;;郑州大学学报(医学版)(第02期);全文 * |
帕金森病患者行下腹或下肢手术全麻苏醒质量及认知功能的变化;刘志永;丁翠青;姚长青;王晓莉;杜永君;王忠义;王福朝;;临床麻醉学杂志(第05期);全文 * |
最大拟合度参数估计法;李文莉等;陕西工学院学报;第18卷(第4期);第46-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113180609A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sanfilippo et al. | The heritability of ocular traits | |
Lundström et al. | Questionnaires for measuring cataract surgery outcomes | |
Ishii et al. | The impact of cataract surgery on cognitive impairment and depressive mental status in elderly patients | |
Polhemus et al. | Walking on common ground: a cross-disciplinary scoping review on the clinical utility of digital mobility outcomes | |
CN113180609B (zh) | 一种预测帕金森病dbs术后运动症状改善的系统 | |
Sandhu et al. | Brief pain inventory–facial minimum clinically important difference | |
CN107391941A (zh) | 一种提高用药依从性的方法和系统 | |
Barnes et al. | Examination of the factor structure of a global cognitive function battery across race and time | |
Aref et al. | Detecting visual field progression | |
Kalloniatis et al. | Equating spatial summation in visual field testing reveals greater loss in optic nerve disease | |
Dragašević-Mišković et al. | Impact of depression on gait variability in Parkinson’s disease | |
CN111834017A (zh) | 一种精神药物治疗效果预测方法,系统和装置 | |
CN114999656B (zh) | 一种阿尔兹海默病风险评估系统及模块 | |
Almkvist et al. | Cognitive decline from estimated premorbid status predicts neurodegeneration in Alzheimer's disease. | |
Larner | Speed versus accuracy in cognitive assessment when using CSIs | |
Rabiei et al. | Factor structure analysis, validity and reliability of the health anxiety inventory short form | |
Andreopoulou et al. | Walking measures to evaluate assistive technology for foot drop in multiple sclerosis: a systematic review of psychometric properties | |
CN114360728A (zh) | 一种用于糖尿病轻度认知功能障碍的预测模型和诺模图的构建方法 | |
Shin et al. | The nutritional status and the clinical outcomes of patients with a spinal cord injury using nutritional screening tools | |
Fransen et al. | Validity of the disease activity score in undifferentiated arthritis | |
Schafer et al. | Discrepancy index relative to age, sex, and the probability of completing treatment by one resident in a 2-year graduate orthodontics program | |
EP3588513A1 (en) | Apparatus and method for statistical processing of patient s test results | |
Osman et al. | Patients with Parkinson's disease learn to control complex systems via procedural as well as non-procedural learning | |
Song et al. | Noninvasive machine learning screening model for dacryocystitis based on ocular surface indicators | |
Hu et al. | Sex differences in the association between different obesity parameters and cognitive function in older adults: a cross-sectional study in rural China |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |