CN113327679A - 一种肺栓塞临床风险及预后评分方法与系统 - Google Patents
一种肺栓塞临床风险及预后评分方法与系统 Download PDFInfo
- Publication number
- CN113327679A CN113327679A CN202110589016.0A CN202110589016A CN113327679A CN 113327679 A CN113327679 A CN 113327679A CN 202110589016 A CN202110589016 A CN 202110589016A CN 113327679 A CN113327679 A CN 113327679A
- Authority
- CN
- China
- Prior art keywords
- risk
- pulmonary embolism
- scoring
- patients
- prognosis
- 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
- 208000010378 Pulmonary Embolism Diseases 0.000 title claims abstract description 55
- 238000004393 prognosis Methods 0.000 title claims abstract description 28
- 238000013077 scoring method Methods 0.000 title abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000007477 logistic regression Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 210000004369 blood Anatomy 0.000 claims description 20
- 239000008280 blood Substances 0.000 claims description 20
- 210000004698 lymphocyte Anatomy 0.000 claims description 15
- GMOGICAFJFPMNS-UHFFFAOYSA-N 4-(1,4,8,11-tetrazacyclotetradec-1-ylmethyl)benzoic acid Chemical compound C1=CC(C(=O)O)=CC=C1CN1CCNCCCNCCNCCC1 GMOGICAFJFPMNS-UHFFFAOYSA-N 0.000 claims description 12
- 230000003416 augmentation Effects 0.000 claims description 12
- 210000003141 lower extremity Anatomy 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 10
- 102000001554 Hemoglobins Human genes 0.000 claims description 9
- 108010054147 Hemoglobins Proteins 0.000 claims description 9
- 210000001772 blood platelet Anatomy 0.000 claims description 9
- 210000001616 monocyte Anatomy 0.000 claims description 9
- 210000000440 neutrophil Anatomy 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 9
- 230000002861 ventricular Effects 0.000 claims description 9
- 206010030113 Oedema Diseases 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 230000023555 blood coagulation Effects 0.000 claims description 7
- 210000003743 erythrocyte Anatomy 0.000 claims description 7
- 238000004868 gas analysis Methods 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 230000001746 atrial effect Effects 0.000 claims description 6
- 210000003651 basophil Anatomy 0.000 claims description 6
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 6
- 210000003979 eosinophil Anatomy 0.000 claims description 6
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 6
- 206010008479 Chest Pain Diseases 0.000 claims description 4
- 206010011224 Cough Diseases 0.000 claims description 4
- 208000000059 Dyspnea Diseases 0.000 claims description 4
- 206010013975 Dyspnoeas Diseases 0.000 claims description 4
- 208000000616 Hemoptysis Diseases 0.000 claims description 4
- 208000002193 Pain Diseases 0.000 claims description 4
- 206010037660 Pyrexia Diseases 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004820 blood count Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 210000004731 jugular vein Anatomy 0.000 claims description 4
- 210000001147 pulmonary artery Anatomy 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 4
- 206010042772 syncope Diseases 0.000 claims description 4
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 claims description 3
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 claims description 3
- 239000005552 B01AC04 - Clopidogrel Substances 0.000 claims description 3
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 claims description 3
- 102400000667 Brain natriuretic peptide 32 Human genes 0.000 claims description 3
- 101800002247 Brain natriuretic peptide 45 Proteins 0.000 claims description 3
- 108010074051 C-Reactive Protein Proteins 0.000 claims description 3
- 102100032752 C-reactive protein Human genes 0.000 claims description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 3
- 102000004420 Creatine Kinase Human genes 0.000 claims description 3
- 108010042126 Creatine kinase Proteins 0.000 claims description 3
- 239000003154 D dimer Substances 0.000 claims description 3
- 108010049003 Fibrinogen Proteins 0.000 claims description 3
- 102000008946 Fibrinogen Human genes 0.000 claims description 3
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 claims description 3
- HTTJABKRGRZYRN-UHFFFAOYSA-N Heparin Chemical compound OC1C(NC(=O)C)C(O)OC(COS(O)(=O)=O)C1OC1C(OS(O)(=O)=O)C(O)C(OC2C(C(OS(O)(=O)=O)C(OC3C(C(O)C(O)C(O3)C(O)=O)OS(O)(=O)=O)C(CO)O2)NS(O)(=O)=O)C(C(O)=O)O1 HTTJABKRGRZYRN-UHFFFAOYSA-N 0.000 claims description 3
- 102000003855 L-lactate dehydrogenase Human genes 0.000 claims description 3
- 108700023483 L-lactate dehydrogenases Proteins 0.000 claims description 3
- 206010027727 Mitral valve incompetence Diseases 0.000 claims description 3
- 108010048233 Procalcitonin Proteins 0.000 claims description 3
- 108010094028 Prothrombin Proteins 0.000 claims description 3
- 102100027378 Prothrombin Human genes 0.000 claims description 3
- 108010000499 Thromboplastin Proteins 0.000 claims description 3
- 102000002262 Thromboplastin Human genes 0.000 claims description 3
- 201000001943 Tricuspid Valve Insufficiency Diseases 0.000 claims description 3
- 206010044640 Tricuspid valve incompetence Diseases 0.000 claims description 3
- 108090001027 Troponin Proteins 0.000 claims description 3
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 3
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 3
- 229960001138 acetylsalicylic acid Drugs 0.000 claims description 3
- 239000003513 alkali Substances 0.000 claims description 3
- 230000004872 arterial blood pressure Effects 0.000 claims description 3
- 210000001367 artery Anatomy 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- GKTWGGQPFAXNFI-HNNXBMFYSA-N clopidogrel Chemical compound C1([C@H](N2CC=3C=CSC=3CC2)C(=O)OC)=CC=CC=C1Cl GKTWGGQPFAXNFI-HNNXBMFYSA-N 0.000 claims description 3
- 229960003009 clopidogrel Drugs 0.000 claims description 3
- 208000016569 congenital mitral valve insufficiency Diseases 0.000 claims description 3
- 229940109239 creatinine Drugs 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 108010052295 fibrin fragment D Proteins 0.000 claims description 3
- 229940012952 fibrinogen Drugs 0.000 claims description 3
- 238000005534 hematocrit Methods 0.000 claims description 3
- 229960002897 heparin Drugs 0.000 claims description 3
- 229920000669 heparin Polymers 0.000 claims description 3
- 239000004310 lactic acid Substances 0.000 claims description 3
- 235000014655 lactic acid Nutrition 0.000 claims description 3
- 210000000265 leukocyte Anatomy 0.000 claims description 3
- 208000005907 mitral valve insufficiency Diseases 0.000 claims description 3
- 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 3
- 229910001414 potassium ion Inorganic materials 0.000 claims description 3
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 claims description 3
- 229940039716 prothrombin Drugs 0.000 claims description 3
- 210000003456 pulmonary alveoli Anatomy 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 229910001415 sodium ion Inorganic materials 0.000 claims description 3
- 230000002537 thrombolytic effect Effects 0.000 claims description 3
- 229940116269 uric acid Drugs 0.000 claims description 3
- PJVWKTKQMONHTI-UHFFFAOYSA-N warfarin Chemical compound OC=1C2=CC=CC=C2OC(=O)C=1C(CC(=O)C)C1=CC=CC=C1 PJVWKTKQMONHTI-UHFFFAOYSA-N 0.000 claims description 3
- 229960005080 warfarin Drugs 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000015271 coagulation Effects 0.000 claims 1
- 238000005345 coagulation Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 208000028659 discharge Diseases 0.000 description 7
- 230000001684 chronic effect Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 206010051055 Deep vein thrombosis Diseases 0.000 description 1
- 206010013887 Dysarthria Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010070670 Limb asymmetry Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 206010047249 Venous thrombosis Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010968 computed tomography angiography Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G16H50/30—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
- G16H50/20—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
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)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种肺栓塞临床风险及预后评分方法与系统，将医疗数据进行筛选和特征提取，获取死亡对应的影响因子；对影响因子进行单因素logistic回归分析，确定预后模型的变量，建立logistic回归模型；经统计分析，获得结果OR值；基于OR值对每项危险因素进行赋值，建立肺栓塞的风险预测评分系统来预测肺栓塞患者30天内的死亡风险；构建ROC曲线，利用验证组、建模组、建模组+验证组的临床数据比较三种评分系统的曲线下面积；根据最佳截断值预测结果。本发明能评估肺栓塞患者30天内死亡风险的风险及预后评分方法，能够识别出高风险和低风险患者，以供医生参考制定诊断方案。
Description
技术领域
本发明涉及肺栓塞风险检测技术领域，具体涉及一种肺栓塞临床风险及预后评分方法与系统。
背景技术
目前所存在的关于肺栓塞的预后评分有以下几个缺点：
肺动脉CT血管造影术(CTPA)是诊断肺栓塞的金标准。然而，在现有部分预后评分的建立过程中，人们仅仅使用国际疾病分类代码(ICD)来识别肺栓塞患者；使用者不能排除一些与肺栓塞有相似症状和体征的非肺栓塞患者可能也被纳入到模型中。这些评分并不是完全建立在经CTPA客观确诊的肺栓塞患者中。因此，它们可能不能准确预测客观确诊的肺栓塞患者30天内死亡的风险。
现有的风险评分包含许多依赖于病史和问诊的主观性的变量，例如癌症史、心衰史和慢性肺病史等。它们容易受到人为或者潜在影响因素的干扰，在临床的实际应用中受到限制。例如，在一些电子医疗系统不能共享的国家和地区，临床医生不能准确了解患者的病史情况；一些患者在就诊时不知道自己有慢性心肺疾病或者肿瘤，或者由于精神紧张和教育水平低下等因素，他们不能清楚得描述自己的病情。因此，当临床医生使用这些评分评估肺栓塞患者的死亡风险时，可能会有偏差产生。
现有的预后评分包含许多变量，计算方法也比较复杂，在繁忙的临床环境中使用较为不便。
发明内容
为解决上述技术问题，本发明提供一种肺栓塞临床风险及预后评分方法，评估肺栓塞患者30天内死亡风险的风险及预后评分方法，能够识别出高风险和低风险患者，以供医生参考制定诊断方案，例如高风险患者需要在重症监护室接受更密切的监测；低风险患者可以进行门诊治疗或者出院治疗。本发明能够更好的对患者进行个体化管理，同时使有限的医疗资源得到合理的分配。
本发明采用如下技术方案：
一方面，本发明提供一种肺栓塞临床风险及预后评分方法，步骤如下：
步骤一：将预先采集的肺栓塞患者的医疗数据进行筛选和特征提取，获取死亡对应的影响因子；
步骤二：对影响因子进行单因素logistic回归分析，将P＜0.1的所有变量均筛选出来；
步骤三：对筛选出来的所有变量进行多因素logistic回归分析(P＜0.05)，确定最终纳入预后模型的变量，建立logistic回归模型；
步骤四：运用logistic回归模型采用软件SAS 9.4(SAS Institute Inc.，Cary，NC，USA)进行统计分析，获得结果以OR值及其95％置信区间表示；基于OR值对每项危险因素进行赋值，建立肺栓塞的风险预测评分系统来预测肺栓塞患者30天内的死亡风险；
步骤五：构建ROC曲线，利用验证组、建模组、建模组+验证组的临床数据比较三种评分系统的曲线下面积；根据约登指数评估三种评分系统的最佳截断值，并计算比较相应的灵敏性、特异性、阳性预测值和阴性预测值；
步骤六：根据最佳截断值预测结果。
进一步地，所述医疗数据采集过程如下：收集待评估患者的病例，将入组患者随机分为建模组和验证组，详细记录其临床数据资料；对临床数据资料进行数据筛选和特征提取后，获取与死亡显著相关的因素。
进一步地，所述临床数据资料包括入组患者的性别、年龄、症状、体征、既往病史、心超、血气分析、血常规、生化指标、凝血功能、治疗方法等参数。进一步地，所述入组患者符合如下标准：经CTPA客观确诊为肺栓塞；年龄大于18岁；住院治疗的患者，病史资料齐全。进一步地，所述入组患者排出标准如下：未做CTPA或者CTPA结果阴性的患者；未经医生许可患者自动出院；患者病史资料不齐全。进一步地，所述建模组和验证组的人数比为2∶1。进一步地，所述建模组和验证组的基线选自：年龄，性别，症状(呼吸困难，胸痛，咳嗽，发热，咯血，晕厥，意识改变，单侧下肢疼痛)，体征(呼吸频率，心率，收缩压，颈静脉充盈，肺部湿罗音，P2功能亢进，双下肢水肿，下肢不对称性水肿)，既往病史(癌症，慢性心脏病，慢性肺脏病，肺栓塞，深静脉血栓形成，制动，手术，高血压，糖尿病)。
进一步地，所述与死亡显著相关的因素是指与30天内死亡显著相关的因素。
进一步地，所述影响因子包括年龄、性别、症状、体征、超声心动图、血气分析、血常规、生化指标、凝血功能、治疗方法等；
所述症状，包括呼吸困难，胸痛，咳嗽，发热，咯血，晕厥，意识改变，单侧下肢疼痛；
所述体征，包括呼吸频率，心率，血压，颈静脉充盈，肺部湿罗音，P2亢进，双下肢水肿，下肢不对称水肿；
所述超声心动图，包括肺动脉压力，左心室射血分数，右房增大，左房增大，右室增大，左室增大，二尖瓣关闭不全，三尖瓣关闭不全；
所述血气分析，包括血液酸碱度，二氧化碳分压，氧分压，肺泡动脉氧分压差，碱剩余。
所述血常规，包括红细胞计数，白细胞计数，血红蛋白浓度，中性粒细胞百分比，淋巴细胞百分比，单核细胞百分比，嗜酸性粒细胞细胞百分比，嗜碱性粒细胞细胞百分比，中性粒细胞绝对数，淋巴细胞绝对数，单核细胞绝对数，嗜酸性粒细胞细胞绝对数，嗜碱性粒细胞细胞绝对数，血小板计数，红细胞压积，平均红细胞体积，平均血红蛋白量，平均血红蛋白浓度，红细胞分布宽度，平均血小板体积，C反应蛋白，淋巴细胞/单核细胞，中性粒细胞/淋巴细胞，血小板/淋巴细胞；
所述生化指标，包括肌酐，尿酸，乳酸脱氢酶，肌酸激酶，钾离子，钠离子，氯离子，肌钙蛋白，脑钠肽，降钙素原，乳酸；
所述凝血功能，包括凝血酶原时间，活化部分凝血活酶时间，D-二聚体，纤维蛋白原。
所述治疗方法，包括溶栓，取栓，肝素，华法林，拜阿司匹林，氯吡格雷，培达，他汀。
进一步地，所述logistic的回归模型为：logit(P)＝In(P/(1-P))＝β0+β1X1+β2X2+…+βmXm，P的意义为死亡的概率；P＝1表示死亡，P＝0表示好转出院，X为风险因素；采用软件SAS 9.4(SAS Institute Inc.，Cary，NC，USA)进行统计分析，结果以OR值及其95％置信区间表示。
进一步地，步骤五中，根据多因素logistics回归模型分析筛选出的因素，建立自制评分系统PERFORM；然后利用软件SAS 9.4绘制ROC曲线，计算相应的曲线下面积AUC，评价自制评分系统PERFORM与已有评分系统PESI和sPESI的优劣性，比较和评价各评分系统预测肺栓塞患者死亡风险的价值。
进一步地，步骤五中，所述ROC曲线下面积的取值范围为0.5～1。一般来说，ROC曲线下面积在0.5～0.7之间时诊断价值较低，在0.7～0.9之间时诊断价值中等，在0.9以上诊断价值较高。(本发明通过比较AUC得到，自制评分系统PERFORM对肺栓塞死亡风险的诊断价值基本接近甚至优于PESI和sPESI。)
进一步地，步骤五中，以应用软件SAS 9.4绘制ROC曲线并计算最佳截断值、灵敏性、特异性、阳性预测值和阴性预测值等。
最佳截断值即最佳临界点，在此临界点上，可同时满足诊断试验的灵敏度和特异度相对最优。通常为最接近ROC曲线左上角那一点定位最佳临界点。本发明中的最佳截断值(cut-off)由软件SAS 9.4计算得到。
进一步地，步骤五中，以验证组、建模组、建模组+验证组的临床数据检验ROC曲线的预后价值；若ROC曲线下面积小于设定阈值，表示预后模型的预测能力不符合要求，则返回重新进行数据筛选和特征提取，获得预测因素；根据约登指数评估三种ROC曲线对应的评分系统的最佳截断值，并计算比较相应的灵敏性、特异性、阳性预测值和阴性预测值。
进一步地，步骤六，根据所述最佳截断值将研究人群分为高危组和低危组；分析两组人群在10、20、30天的出院百分比和死亡百分比，比较两组人群在30天内的恢复速度和15天内的病死率。
另一方面，本发明提供一种肺栓塞风险预测评估系统，包括：
数据采集模块，用于采集原始临床数据；
预处理模块，对原始临床数据进行筛选，得到相应的影响因子；
风险评估模块：用于建立风险评估模型；
验证模块：用建立的风险评估模型进行训练验证；
预测模块：将验证后的风险评估模型用于预测。
有益效果：
本发明通过收集临床病例信息，构建肺栓塞的风险预测评分系统模型，仅仅包含患者就诊时即可获得的客观检测指标，不依赖于病史和问诊等主观变量；构建一个使用较为方便的预后评分系统，包含的变量更少，计算方法更为简单；可预测肺栓塞患者30天内的死亡风险。
所述系统的预后性能与目前广泛使用的预后评分系统PESI/sPESI相似。此外，根据最佳截断值5分，它能够识别出高风险(≥5分)和低风险(＜5分)患者，识别高风险人群的准确性高，从而方便临床医生对其进行个体化治疗。
在本发明，通过运用构建的模型预测肺栓塞患者的风险，有效降低了风险评估难度，提高分析的效率和准确度；提前给予患者治疗方向。运用本发明方法预测的高风险患者和低风险患者可对症治疗。期望能够在更大的人群中进行前瞻性，多中心的研究来进一步评估它的临床适用性。
本发明用于判断危险风险系数，结论直接反映出患者的结果和专家建议。本发明不但能够准确评估患者的病危情况且能预测危险风险系数，为医院转诊提供量化指标。
具体实施方式
下面结合具体实施例，进一步阐述本发明。这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例1
1.根据ICD出院诊断代码，我们识别了复旦大学附属闵行医院2010-2017年的612名肺栓塞患者。
入组标准：
[1]经CTPA客观确诊为肺栓塞
[2]年龄大于18岁
[3]住院治疗的患者，病史资料齐全
排除标准：
[1]未做CTPA或者CTPA结果阴性的患者
[2]未经医生许可患者自动出院
[3]患者病史资料不齐全
最终只有509名经CTPA客观确诊的肺栓塞患者被纳入到研究中。
2.收集资料：收集整理入组患者的病例资料，包括性别、年龄、症状、体征、超声心动图、血气分析、血常规、生化指标、凝血功能、治疗方法等。
所述症状，包括呼吸困难，胸痛，咳嗽，发热，咯血，晕厥，意识改变，单侧下肢疼痛。
所述体征，包括呼吸频率，心率，血压，颈静脉充盈，肺部湿罗音，P2亢进，双下肢水肿，下肢不对称水肿。
所述超声心动图，包括肺动脉压力，左心室射血分数，右房增大，左房增大，右室增大，左室增大，二尖瓣关闭不全，三尖瓣关闭不全。
所述血气分析，包括血液酸碱度，二氧化碳分压，氧分压，肺泡动脉氧分压差，碱剩余。
所述血常规，包括红细胞计数，白细胞计数，血红蛋白浓度，中性粒细胞百分比，淋巴细胞百分比，单核细胞百分比，嗜酸性粒细胞细胞百分比，嗜碱性粒细胞细胞百分比，中性粒细胞绝对数，淋巴细胞绝对数，单核细胞绝对数，嗜酸性粒细胞细胞绝对数，嗜碱性粒细胞细胞绝对数，血小板计数，红细胞压积，平均红细胞体积，平均血红蛋白量，平均血红蛋白浓度，红细胞分布宽度，平均血小板体积，C反应蛋白，淋巴细胞/单核细胞，中性粒细胞/淋巴细胞，血小板/淋巴细胞。
所述生化指标，包括肌酐，尿酸，乳酸脱氢酶，肌酸激酶，钾离子，钠离子，氯离子，肌钙蛋白，脑钠肽，降钙素原，乳酸。
所述凝血功能，包括凝血酶原时间，活化部分凝血活酶时间，D-二聚体，纤维蛋白原。
所述治疗措施，包括溶栓，取栓，肝素，华法林，拜阿司匹林，氯吡格雷，培达，他汀。
3.试验设计：将研究队列人群随机分为2组(比例约2∶1)，其中一组用于构建模型(建模组)，另一组用于验证模型(验证组)。评估两组人群的基线特征。
4.构建预后模型：利用试验组的临床数据资料探索肺栓塞患者30天内死亡的预测因素。将与30天内死亡显著相关的因素纳入到最终的模型中，并结合各因素的OR值自制肺栓塞患者的风险评估量表。
(1)对影响因子进行单因素logistic回归分析，将P＜0.1的所有变量均筛选出来。
(2)对筛选出来的所有变量进行多因素logistic回归分析(P＜0.05)，确定最终纳入预后模型的变量，建立logistic回归模型
(3)其中logistic的回归模型为：logit(P)＝In(P/(1-P))＝β0+β1X1+β2X2+…+βmXm，P的意义为死亡的概率。P＝1表示死亡，P＝0表示好转出院，X为风险因素。采用软件SAS9.4(SAS Institute Inc.，Cary，NC，USA)进行统计分析，结果以OR值及其95％置信区间表示。
(4)基于OR值对每项危险因素进行赋值，建立肺栓塞的风险预测评分系统来预测肺栓塞患者30天内的死亡风险。
5.验证预后模型：构建ROC曲线，利用验证组和全人群组的临床数据检验该模型的预后价值。
6.比较三种评分系统预后性能：构建ROC曲线，利用验证组、建模组、建模组+验证组的临床数据比较三种评分系统的曲线下面积；根据约登指数评估三种评分系统的最佳截断值，并计算比较相应的灵敏性、特异性、阳性预测值和阴性预测值。
(1)根据多因素logistics回归分析筛选出的因素，建立自制评分系统PERFORM。然后利用软件SAS 9.4绘制ROC曲线，计算相应的曲线下面积AUC，评价自制评分系统PERFORM与已有评分系统PESI和sPESI的优劣性，比较和评价各评分系统预测肺栓塞患者死亡风险的价值。
ROC曲线下面积的取值范围为0.5-1。一般来说，ROC曲线下面积在0.5-0.7之间时诊断价值较低，在0.7-0.9之间时诊断价值中等，在0.9以上诊断价值较高。(本研究通过比较AUC得到，自制评分系统PERFORM的对肺栓塞死亡风险的诊断价值不比PESI和sPESI差)
(2)应用软件SAS 9.4绘制ROC曲线并计算最佳截断值、灵敏性、特异性、阳性预测值和阴性预测值等。
7.生存分析：根据最佳截断值将研究人群分为高危组和低危组。分析两组人群在10，20，30天的出院百分比和死亡百分比，比较两组人群在30天内的恢复速度和15天内的病死率。
最佳截断值即最佳临界点，在此临界点上，可同时满足诊断试验的灵敏度和特异度相对最优。通常为最接近ROC曲线左上角那一点定位最佳临界点。本研究中的最佳截断值(cut-off)由软件SAS 9.4计算得到。
8.运用本发明方法构建的肺栓塞预后评分系统
最终，运用本发明方法所得肺栓塞预后评分系统(0-12分)只包含3个在患者入院就诊时即可快速获得的客观变量(年龄，心率和血氧分压)。这3个变量被临床上常常使用且容易被医生记住的有意义的分界点来划分。通过简单计算，该评分能够准确预测肺栓塞患者30天内死亡的风险，预后性能和PESI/sPESI(肺栓塞风险评分)类似。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种肺栓塞临床风险及预后评分方法，其特征在于，步骤如下：
步骤一：将预先采集的肺栓塞患者的医疗数据进行筛选和特征提取，获取死亡对应的影响因子；
步骤二：对影响因子进行单因素logistic回归分析，将P＜0.1的所有变量均筛选出来；
步骤三：对筛选出来的所有变量进行多因素logistic回归分析，确定最终纳入预后模型的变量，建立logistic回归模型；
步骤四：运用logistic回归模型采用软件SAS 9.4进行统计分析，获得结果以OR值及其95％置信区间表示；基于OR值对每项危险因素进行赋值，建立肺栓塞的风险预测评分系统来预测肺栓塞患者30天内的死亡风险；
步骤五：构建ROC曲线，利用验证组、建模组、建模组+验证组的临床数据比较三种评分系统的曲线下面积；根据约登指数评估三种评分系统的最佳截断值，并计算比较相应的灵敏性、特异性、阳性预测值和阴性预测值；
步骤六：根据最佳截断值预测结果。
2.根据权利要求1所述肺栓塞临床风险及预后评分方法，其特征在于，所述医疗数据采集过程如下：收集待评估患者的病例，将入组患者随机分为建模组和验证组，详细记录其临床数据资料；对临床数据资料进行数据筛选和特征提取后，获取与死亡显著相关的因素。
3.根据权利要求2所述肺栓塞临床风险及预后评分方法，其特征在于，所述临床数据资料包括入组患者的性别、年龄、症状、体征、既往病史、心超、血气分析、血常规、生化指标、凝血功能、治疗方法。
4.根据权利要求3所述肺栓塞临床风险及预后评分方法，其特征在于，所述入组患者符合如下标准：经CTPA客观确诊为肺栓塞；年龄大于18岁；住院治疗的患者，病史资料齐全；所述入组患者排出标准如下：未做CTPA或者CTPA结果阴性的患者；未经医生许可患者自动出院；患者病史资料不齐全。
5.根据权利要求1所述肺栓塞临床风险及预后评分方法，其特征在于，所述影响因子包括年龄、性别、症状、体征、超声心动图、血气分析、血常规、生化指标、凝血功能、治疗方法；
所述症状，包括呼吸困难，胸痛，咳嗽，发热，咯血，晕厥，意识改变，单侧下肢疼痛；
所述体征，包括呼吸频率，心率，血压，颈静脉充盈，肺部湿罗音，P2亢进，双下肢水肿，下肢不对称水肿；
所述超声心动图，包括肺动脉压力，左心室射血分数，右房增大，左房增大，右室增大，左室增大，二尖瓣关闭不全，三尖瓣关闭不全；
所述血气分析，包括血液酸碱度，二氧化碳分压，氧分压，肺泡动脉氧分压差，碱剩余；
所述血常规，包括红细胞计数，白细胞计数，血红蛋白浓度，中性粒细胞百分比，淋巴细胞百分比，单核细胞百分比，嗜酸性粒细胞细胞百分比，嗜碱性粒细胞细胞百分比，中性粒细胞绝对数，淋巴细胞绝对数，单核细胞绝对数，嗜酸性粒细胞细胞绝对数，嗜碱性粒细胞细胞绝对数，血小板计数，红细胞压积，平均红细胞体积，平均血红蛋白量，平均血红蛋白浓度，红细胞分布宽度，平均血小板体积，C反应蛋白，淋巴细胞/单核细胞，中性粒细胞/淋巴细胞，血小板/淋巴细胞；
所述生化指标，包括肌酐，尿酸，乳酸脱氢酶，肌酸激酶，钾离子，钠离子，氯离子，肌钙蛋白，脑钠肽，降钙素原，乳酸；
所述凝血功能，包括凝血酶原时间，活化部分凝血活酶时间，D-二聚体，纤维蛋白原；
所述治疗方法，包括溶栓，取栓，肝素，华法林，拜阿司匹林，氯吡格雷，培达，他汀。
6.根据权利要求1所述肺栓塞临床风险及预后评分方法，其特征在于，所述logistic的回归模型为：logit(P)＝In(P/(1-P))＝β0+β1X1+β2X2+...+βmXm，P的意义为死亡的概率；P＝1表示死亡，P＝0表示好转出院，X为风险因素；采用软件SAS 9.4进行统计分析，结果以OR值及其95％置信区间表示。
7.根据权利要求1所述肺栓塞临床风险及预后评分方法，其特征在于，步骤五中，根据多因素logistics回归模型分析筛选出的因素，建立自制评分系统PERFORM；然后利用软件SAS 9.4绘制ROC曲线，计算相应的曲线下面积AUC，评价自制评分系统PERFORM与已有评分系统PESI和sPESI的优劣性，比较和评价各评分系统预测肺栓塞患者死亡风险的价值。
8.根据权利要求7所述肺栓塞临床风险及预后评分方法，其特征在于，步骤五中，所述ROC曲线下面积的取值范围为0.5～1。
9.根据权利要求8所述肺栓塞临床风险及预后评分方法，其特征在于，步骤五中，以应用软件SAS 9.4绘制ROC曲线并计算最佳截断值、灵敏性、特异性、阳性预测值和阴性预测值；
步骤五中，以验证组、建模组、建模组+验证组的临床数据检验ROC曲线的预后价值；若ROC曲线下面积小于设定阈值，表示预后模型的预测能力不符合要求，则返回重新进行数据筛选和特征提取，获得预测因素；根据约登指数评估三种ROC曲线对应的评分系统的最佳截断值，并计算比较相应的灵敏性、特异性、阳性预测值和阴性预测值；
步骤六，根据所述最佳截断值将研究人群分为高危组和低危组；分析两组人群在10、20、30天的出院百分比和死亡百分比，比较两组人群在30天内的恢复速度和15天内的病死率。
10.一种肺栓塞风险预测评估系统，其特征在于，包括：
数据采集模块，用于采集原始临床数据；
预处理模块，对原始临床数据进行筛选，得到相应的影响因子；
风险评估模块：用于建立风险评估模型；
验证模块：用建立的风险评估模型进行训练验证；
预测模块：将验证后的风险评估模型用于预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110589016.0A CN113327679A (zh) | 2021-05-27 | 2021-05-27 | 一种肺栓塞临床风险及预后评分方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110589016.0A CN113327679A (zh) | 2021-05-27 | 2021-05-27 | 一种肺栓塞临床风险及预后评分方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113327679A true CN113327679A (zh) | 2021-08-31 |
Family
ID=77422139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110589016.0A Pending CN113327679A (zh) | 2021-05-27 | 2021-05-27 | 一种肺栓塞临床风险及预后评分方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113327679A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113517073A (zh) * | 2021-09-13 | 2021-10-19 | 生物岛实验室 | 肺癌手术后生存率预测方法和系统 |
| CN114464320A (zh) * | 2022-02-09 | 2022-05-10 | 北京博富瑞医学检验实验室有限公司 | 一种基于aGVHD biomarker的非复发死亡风险监测模型 |
| CN114708972A (zh) * | 2022-06-06 | 2022-07-05 | 安徽省第二人民医院(安徽医学高等专科学校附属医院、安徽省职业病防治院) | 一种vte风险预警系统 |
| CN115249543A (zh) * | 2022-08-01 | 2022-10-28 | 中日友好医院(中日友好临床医学研究所) | 一种预测ards患者预后的人工智能模型的建立方法 |
| CN115910365A (zh) * | 2022-11-16 | 2023-04-04 | 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 |
| CN117133461A (zh) * | 2023-10-23 | 2023-11-28 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及相关设备 |
| CN117877730A (zh) * | 2024-01-15 | 2024-04-12 | 中山大学附属第一医院 | 一种基于Nomogram模型的HFpEF预后风险预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
| CN108072618A (zh) * | 2017-12-19 | 2018-05-25 | 中国医学科学院阜外医院 | 一种心梗后死亡风险的预测系统 |
| CN110970133A (zh) * | 2019-12-10 | 2020-04-07 | 中国医学科学院肿瘤医院 | 一种crt风险评估方法和风险预测系统 |
| CN112420196A (zh) * | 2020-11-20 | 2021-02-26 | 长沙市弘源心血管健康研究院 | 急性心肌梗死患者5年内生存率的预测方法和系统 |
| CN112820397A (zh) * | 2021-01-20 | 2021-05-18 | 尹丽君 | 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 |
-
2021
- 2021-05-27 CN CN202110589016.0A patent/CN113327679A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
| CN108072618A (zh) * | 2017-12-19 | 2018-05-25 | 中国医学科学院阜外医院 | 一种心梗后死亡风险的预测系统 |
| CN110970133A (zh) * | 2019-12-10 | 2020-04-07 | 中国医学科学院肿瘤医院 | 一种crt风险评估方法和风险预测系统 |
| CN112420196A (zh) * | 2020-11-20 | 2021-02-26 | 长沙市弘源心血管健康研究院 | 急性心肌梗死患者5年内生存率的预测方法和系统 |
| CN112820397A (zh) * | 2021-01-20 | 2021-05-18 | 尹丽君 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 凌美蓉等: "中性粒细胞/淋巴细胞比率和血小板/淋巴细胞比率对急性肺栓塞患者短期死亡率预测作用的研究", 《中国卫生检验杂志》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113517073A (zh) * | 2021-09-13 | 2021-10-19 | 生物岛实验室 | 肺癌手术后生存率预测方法和系统 |
| CN113517073B (zh) * | 2021-09-13 | 2022-04-12 | 生物岛实验室 | 肺癌手术后生存率预测模型构建方法和预测模型系统 |
| CN114464320A (zh) * | 2022-02-09 | 2022-05-10 | 北京博富瑞医学检验实验室有限公司 | 一种基于aGVHD biomarker的非复发死亡风险监测模型 |
| CN114708972A (zh) * | 2022-06-06 | 2022-07-05 | 安徽省第二人民医院(安徽医学高等专科学校附属医院、安徽省职业病防治院) | 一种vte风险预警系统 |
| CN114708972B (zh) * | 2022-06-06 | 2022-09-02 | 安徽省第二人民医院(安徽医学高等专科学校附属医院、安徽省职业病防治院) | 一种vte风险预警系统 |
| CN115249543A (zh) * | 2022-08-01 | 2022-10-28 | 中日友好医院(中日友好临床医学研究所) | 一种预测ards患者预后的人工智能模型的建立方法 |
| CN115910365A (zh) * | 2022-11-16 | 2023-04-04 | 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 |
| 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 |
| CN117133461A (zh) * | 2023-10-23 | 2023-11-28 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及相关设备 |
| CN117133461B (zh) * | 2023-10-23 | 2024-01-30 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及装置 |
| CN117877730A (zh) * | 2024-01-15 | 2024-04-12 | 中山大学附属第一医院 | 一种基于Nomogram模型的HFpEF预后风险预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
| Wu et al. | An artificial intelligence approach to early predict non-ST-elevation myocardial infarction patients with chest pain | |
| Bu et al. | Clinical outcomes from the Assessing Donor-derived cell-free DNA Monitoring Insights of kidney Allografts with Longitudinal surveillance (ADMIRAL) study | |
| Chang et al. | A new hybrid XGBSVM model: application for hypertensive heart disease | |
| Sen et al. | Is a complete blood cell count useful in determining the prognosis of pulmonary embolism? | |
| CN111081381B (zh) | 院内致命性消化道再出血预测关键指标的智能筛选方法 | |
| Shu et al. | Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases | |
| CN109585011A (zh) | 胸痛患者的病症诊断方法及机器可读存储介质 | |
| CN114242245A (zh) | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、系统和装置 | |
| CN113128654B (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
| JP2018072337A (ja) | 主要有害心イベントの再発リスクの予測方法 | |
| CN117612729A (zh) | 基于临床化验指标预判胡蜂蛰伤病人轻症或重症的方法 | |
| Shakeri et al. | Exploring features contributing to the early prediction of sepsis using machine learning | |
| CN117079810A (zh) | 一种心血管疾病非计划再住院风险预测方法 | |
| Begum et al. | A pattern mixture model with long short-term memory network for acute kidney injury prediction | |
| CN113782197B (zh) | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 | |
| CN116564512A (zh) | 心力衰竭合并肾功能不全患者的人工智能预后评估系统 | |
| Liu et al. | Interpretable machine learning model for early prediction of mortality in elderly patients with multiple organ dysfunction syndrome (MODS): a multicenter retrospective study and cross validation | |
| US20220390467A1 (en) | Methods relating to sepsis associated acute kidney injury | |
| RU2733077C1 (ru) | Способ диагностики острого коронарного синдрома | |
| Matheson et al. | Cardiovascular risk prediction using machine learning in a large Japanese cohort | |
| CN112259231A (zh) | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 | |
| Liu et al. | Establishment of machine learning-based tool for early detection of pulmonary embolism | |
| Liang et al. | Association between red blood cell distribution width and the all-cause mortality of patients with aortic stenosis: A retrospective study | |
| Long et al. | Exploration of the shared gene signatures between myocardium and blood in sepsis: evidence from bioinformatics analysis |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |