CN113380368A - 一种用于肾移植受者的术后监测装置 - Google Patents
一种用于肾移植受者的术后监测装置 Download PDFInfo
- Publication number
- CN113380368A CN113380368A CN202110694291.9A CN202110694291A CN113380368A CN 113380368 A CN113380368 A CN 113380368A CN 202110694291 A CN202110694291 A CN 202110694291A CN 113380368 A CN113380368 A CN 113380368A
- Authority
- CN
- China
- Prior art keywords
- data
- classifier model
- peripheral blood
- training
- classifier
- 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
- 210000003734 kidney Anatomy 0.000 title claims abstract description 38
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 21
- 238000012806 monitoring device Methods 0.000 title claims abstract description 18
- 238000002054 transplantation Methods 0.000 title description 4
- 210000005259 peripheral blood Anatomy 0.000 claims abstract description 30
- 239000011886 peripheral blood Substances 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000011160 research Methods 0.000 claims abstract description 24
- 238000001574 biopsy Methods 0.000 claims abstract description 15
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 45
- 238000010276 construction Methods 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 15
- 238000013398 bayesian method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 4
- 238000002493 microarray Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 108091032973 (ribonucleotides)n+m Proteins 0.000 claims 3
- 108020004999 messenger RNA Proteins 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000001154 acute effect Effects 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000003907 kidney function Effects 0.000 abstract description 4
- 238000012790 confirmation Methods 0.000 abstract description 3
- 238000013518 transcription Methods 0.000 description 8
- 230000035897 transcription Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 101100056377 Arabidopsis thaliana ARL gene Proteins 0.000 description 1
- 102100024246 Caspase activity and apoptosis inhibitor 1 Human genes 0.000 description 1
- 206010063209 Chronic allograft nephropathy Diseases 0.000 description 1
- 201000001200 Crouzon syndrome-acanthosis nigricans syndrome Diseases 0.000 description 1
- 102100035409 Dehydrodolichyl diphosphate synthase complex subunit NUS1 Human genes 0.000 description 1
- 102100033175 Ethanolamine kinase 1 Human genes 0.000 description 1
- 101000762197 Homo sapiens Caspase activity and apoptosis inhibitor 1 Proteins 0.000 description 1
- 101001023820 Homo sapiens Dehydrodolichyl diphosphate synthase complex subunit NUS1 Proteins 0.000 description 1
- 101000851032 Homo sapiens Ethanolamine kinase 1 Proteins 0.000 description 1
- 101001018552 Homo sapiens MyoD family inhibitor domain-containing protein Proteins 0.000 description 1
- 101000686227 Homo sapiens Ras-related protein R-Ras2 Proteins 0.000 description 1
- 101000577652 Homo sapiens Serine/threonine-protein kinase PRP4 homolog Proteins 0.000 description 1
- 101000703711 Homo sapiens Small integral membrane protein 15 Proteins 0.000 description 1
- 101000703512 Homo sapiens Sphingosine-1-phosphate phosphatase 1 Proteins 0.000 description 1
- 102100033699 MyoD family inhibitor domain-containing protein Human genes 0.000 description 1
- 102100025003 Ras-related protein R-Ras2 Human genes 0.000 description 1
- 102100028868 Serine/threonine-protein kinase PRP4 homolog Human genes 0.000 description 1
- 102100031967 Small integral membrane protein 15 Human genes 0.000 description 1
- 102100030684 Sphingosine-1-phosphate phosphatase 1 Human genes 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000001506 immunosuppresive effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000011862 kidney biopsy Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008085 renal dysfunction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种用于肾移植受者的术后监测装置，包括：数据采集单元，用于采集肾移植受者的外周血转录组数据；数据库单元，用于存储所述外周血转录组数据；支持向量机单元，用于基于所述外周血转录组数据生成监测报告。本发明通过支持向量机单元调用预存储于数据库单元的研究数据，构建并测试分类器模型，分类器模型基于肾移植受者的外周血转录组数据预测肾移植受者发生术后急性排斥的概率并生成检测报告，实现了在非侵入性检测的同时准确的监测肾移植受者的肾功能情况，同时检测报告能够为进一步的移植肾穿刺活检确证诊断提供理论上的必要性依据。
Description
技术领域
本发明涉及医药技术领域，具体涉及一种用于肾移植受者的术后监测装置。
背景技术
急性排斥(AR)目前是肾移植受者的常见并发症，并且对接受者的预后具有负面影响。尽管近年引入了更新的免疫抑制方案，但肾移植受者中AR的发生率仍然很高，约为15％至20％。此外，由于供器官短缺，扩大标准供体(ECD)肾移植手术例数逐年增加；与活体供器官相比，AR率更高的扩大标准供体(ECD)肾移植的AR发生率会增高。移植肾AR的发生与严重的预后不良事件相关，例如移植肾功能障碍和慢性同种异体移植肾病。同时，AR可发生在肾移植后的任意阶段；移植术后90天内发生AR和移植术后90天后发生AR的受者的5年生存率分别为63％和45％。因此，为改善受者的预后，有必要研究及时发现移植肾AR的新手段。
目前，移植术后AR监测常采取肾功能相关非特异性指标，其敏感性、特异性均有限。而移植肾穿刺活检虽然作为AR诊断的金标准，但此项检查为侵入性检查，存在感染等风险，且患者依从性不高。
综上所述，传统的术后监测装置存在准确性与安全性无法并存的问题。
发明内容
有鉴于此，本申请提供一种用于肾移植受者的术后监测装置。
为解决以上技术问题，本发明提供的技术方案如下：
一种用于肾移植受者的术后监测装置，包括：数据采集单元，用于采集肾移植受者的外周血转录组数据；数据库单元，用于存储所述外周血转录组数据；支持向量机单元，用于基于所述外周血转录组数据生成监测报告。
优选的，所述支持向量机单元包括样本构建模块和分类器模块，所述样本构建模块调用预存储于所述数据库单元的研究数据，并基于所述研究数据构建训练集和测试集，所述分类器模块基于所述训练集和所述测试集训练并测试分类器模型，生成最优分类器模型，所述最优分类器模型能够基于所述外周血转录组数据生成所述监测报告。
优选的，所述分类器模块包含的所述分类器模型包括集成PCA-SVM分类器模型、逻辑回归分类器模型和逐步回归分类器模型。
优选的，在所述待训练的分类器模型种类为所述集成PCA-SVM分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，所述分类器模块基于所述训练集，采取多参数和Bagging策略进行集成训练所述集成PCA-SVM分类器模型，并基于所述测试集，采集留一法交叉验证所述集成PCA-SVM分类器模型，直至生成最优集成PCA-SVM分类器模型。
优选的，在所述待训练的分类器模型种类为所述逐步回归分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的多个差异表达RNA数据，并通过逐步回归在所述多个差异表达RNA数据中提取多个权重较高的多个关键mRNA，基于所述多个关键mRNA建立并训练所述逐步回归分类器模型后，基于所述测试集，采集十折交叉验证所述逐步回归分类器模型，直至生成最优逐步回归分类器模型。
优选的，在所述待训练的分类器模型种类为所述逻辑回归分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的多个差异表达RNA数据建立并训练所述逻辑回归分类器模型后，基于所述测试集，采集十折交叉验证所述逻辑回归分类器模型，直至生成最优逻辑回归分类器模型。
优选的，所述数据采集单元为微阵列平台。
优选的，所述数据库单元为GEO数据库。
本发明首要改进之处在于提供的用于肾移植受者的术后监测装置，通过支持向量机单元调用预存储于数据库单元的研究数据，构建并测试分类器模型，分类器模型基于肾移植受者的外周血转录组数据预测肾移植受者发生术后急性排斥的概率并生成检测报告，实现了在非侵入性检测的同时准确的监测肾移植受者的肾功能情况，同时检测报告能够为进一步的移植肾穿刺活检确证诊断提供理论上的必要性依据。
附图说明
图1为本发明实施例提供的用于肾移植受者的术后监测装置的简化结构连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
为实现绝对消光比，如图1所示，本专利提供一种用于肾移植受者的术后监测装置，包括：数据采集单元，用于采集肾移植受者的外周血转录组数据；数据库单元，用于存储所述外周血转录组数据；支持向量机单元，用于基于所述外周血转录组数据生成监测报告。其中，所述数据采集单元可以是微阵列(Microarray)平台GPL570(Affymetrix HumanGenome U133 Plus 2.0Array,HG-U133_Plus_2)。所述数据库单元可以是GEO数据库。
进一步的，所述支持向量机单元包括样本构建模块和分类器模块，所述样本构建模块调用预存储于所述数据库单元的研究数据，并基于所述研究数据构建训练集和测试集，所述分类器模块构建全转录组主成分分析的空间成分得分矩阵，基于所述训练集和所述测试集训练并测试分类器模型，生成最优分类器模型，所述最优分类器模型能够基于所述外周血转录组数据生成所述监测报告。其中，所述分类器模块包含的所述分类器模型包括集成PCA-SVM分类器模型、逻辑回归分类器模型和逐步回归分类器模型。
更进一步的，在所述待训练的分类器模型种类为所述集成PCA-SVM分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，所述分类器模块基于所述训练集，采取多参数和Bagging策略进行集成训练所述集成PCA-SVM分类器模型，并基于所述测试集，采集留一法交叉验证所述集成PCA-SVM分类器模型，直至生成最优集成PCA-SVM分类器模型。
更进一步的，在所述待训练的分类器模型种类为所述逻辑回归分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的24个差异表达RNA数据建立并训练所述逻辑回归分类器模型后，基于所述测试集，采集十折交叉验证所述逻辑回归分类器模型，直至生成最优逻辑回归分类器模型。
更进一步的，在所述待训练的分类器模型种类为所述逐步回归分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的多个差异表达RNA数据，并通过逐步回归在所述24个差异表达RNA数据中提取多个权重较高的10个关键mRNA，基于所述多个关键mRNA建立并训练所述逐步回归分类器模型后，基于所述测试集，采集十折交叉验证所述逐步回归分类器模型，直至生成最优逐步回归分类器模型。其中，10个关键mRNA包括SLC8A1，PRPF4B，MDFIC，RRAS2，CAAP1，SGPP1，SMIM15，NUS1，ETNK1和ARL5A。
本发明通过支持向量机单元调用预存储于数据库单元的研究数据，构建并测试分类器模型，分类器模型基于肾移植受者的外周血转录组数据预测肾移植受者发生术后急性排斥的概率并生成检测报告，实现了在非侵入性检测的同时准确的监测肾移植受者的肾功能情况，同时检测报告能够为进一步的移植肾穿刺活检确证诊断提供理论上的必要性依据。
以上对本发明实施例所提供的用于肾移植受者的术后监测装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (8)
1.一种用于肾移植受者的术后监测装置，其特征在于，包括：
数据采集单元，用于采集肾移植受者的外周血转录组数据；
数据库单元，用于存储所述外周血转录组数据；
支持向量机单元，用于基于所述外周血转录组数据生成监测报告。
2.根据权利要求1所述的术后监测装置，其特征在于，所述支持向量机单元包括样本构建模块和分类器模块，
所述样本构建模块调用预存储于所述数据库单元的研究数据，并基于所述研究数据构建训练集和测试集，
所述分类器模块基于所述训练集和所述测试集训练并测试分类器模型，生成最优分类器模型，
所述最优分类器模型能够基于所述外周血转录组数据生成所述监测报告。
3.根据权利要求2所述的术后监测装置，其特征在于，所述分类器模块包含的所述分类器模型包括集成PCA-SVM分类器模型、逻辑回归分类器模型和逐步回归分类器模型。
4.根据权利要求3所述的术后监测装置，其特征在于，在所述待训练的分类器模型种类为所述集成PCA-SVM分类器模型的情况下，
所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，
所述分类器模块基于所述训练集，采取多参数和Bagging策略进行集成训练所述集成PCA-SVM分类器模型，
并基于所述测试集，采集留一法交叉验证所述集成PCA-SVM分类器模型，直至生成最优集成PCA-SVM分类器模型。
5.根据权利要求3所述的术后监测装置，其特征在于，在所述待训练的分类器模型种类为所述逻辑回归分类器模型的情况下，
所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，
所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的多个差异表达RNA数据建立并训练所述逻辑回归分类器模型后，
基于所述测试集，采集十折交叉验证所述逻辑回归分类器模型，直至生成最优逻辑回归分类器模型。
6.根据权利要求3所述的术后监测装置，其特征在于，在所述待训练的分类器模型种类为所述逐步回归分类器模型的情况下，
所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，
所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的多个差异表达RNA数据，并通过逐步回归在所述多个差异表达RNA数据中提取多个权重较高的多个关键mRNA，基于所述多个关键mRNA建立并训练所述逐步回归分类器模型后，
基于所述测试集，采集十折交叉验证所述逐步回归分类器模型，直至生成最优逐步回归分类器模型。
7.根据权利要求1所述的术后监测装置，其特征在于，所述数据采集单元为微阵列平台。
8.根据权利要求1所述的术后监测装置，其特征在于，所述数据库单元为GEO数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110694291.9A CN113380368A (zh) | 2021-06-22 | 2021-06-22 | 一种用于肾移植受者的术后监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110694291.9A CN113380368A (zh) | 2021-06-22 | 2021-06-22 | 一种用于肾移植受者的术后监测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113380368A true CN113380368A (zh) | 2021-09-10 |
Family
ID=77578396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110694291.9A Pending CN113380368A (zh) | 2021-06-22 | 2021-06-22 | 一种用于肾移植受者的术后监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113380368A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106062208A (zh) * | 2013-09-06 | 2016-10-26 | 伊穆科Gti诊治股份有限公司 | 用于评估肾移植中急性排斥反应的组合物和方法 |
| CN109251970A (zh) * | 2017-07-14 | 2019-01-22 | 中国人民解放军第八医院 | 肾移植术后急性排斥反应受者t细胞抗原受体图谱模型及其构建方法和构建系统 |
| CN109801680A (zh) * | 2018-12-03 | 2019-05-24 | 广州中医药大学(广州中医药研究院) | 基于tcga数据库的肿瘤转移复发预测方法及系统 |
| CN110634571A (zh) * | 2019-09-20 | 2019-12-31 | 四川省人民医院 | 肝移植术后预后预测系统 |
| CN112004462A (zh) * | 2018-02-21 | 2020-11-27 | 帕驰德公司 | 用于受试者监测的系统和方法 |
| CN112236137A (zh) * | 2018-04-16 | 2021-01-15 | 西奈山伊坎医学院 | 利用移植前接受者血液中转录组标志预测急性排斥反应和肾脏同种异体移植物丧失的方法和试剂盒 |
-
2021
- 2021-06-22 CN CN202110694291.9A patent/CN113380368A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106062208A (zh) * | 2013-09-06 | 2016-10-26 | 伊穆科Gti诊治股份有限公司 | 用于评估肾移植中急性排斥反应的组合物和方法 |
| CN109251970A (zh) * | 2017-07-14 | 2019-01-22 | 中国人民解放军第八医院 | 肾移植术后急性排斥反应受者t细胞抗原受体图谱模型及其构建方法和构建系统 |
| CN112004462A (zh) * | 2018-02-21 | 2020-11-27 | 帕驰德公司 | 用于受试者监测的系统和方法 |
| CN112236137A (zh) * | 2018-04-16 | 2021-01-15 | 西奈山伊坎医学院 | 利用移植前接受者血液中转录组标志预测急性排斥反应和肾脏同种异体移植物丧失的方法和试剂盒 |
| CN109801680A (zh) * | 2018-12-03 | 2019-05-24 | 广州中医药大学(广州中医药研究院) | 基于tcga数据库的肿瘤转移复发预测方法及系统 |
| CN110634571A (zh) * | 2019-09-20 | 2019-12-31 | 四川省人民医院 | 肝移植术后预后预测系统 |
Non-Patent Citations (3)
| Title |
|---|
| 刘梓剑: ""基于转录组数据不平衡数据的乳腺癌分类预测模型"", 《现代计算机》 * |
| 廖敏学: ""肝细胞癌中心及侵袭性边缘编码RNA表达谱及其与肝细胞癌预后的初步研究"", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 * |
| 张兴凯 等: ""基于集成学习模型的城市轨道交通车载数据分析与列车停车误差预测"", 《城市轨道交通研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spann et al. | Applying machine learning in liver disease and transplantation: a comprehensive review | |
| Aoki et al. | Predictive model for survival at the conclusion of a damage control laparotomy | |
| Ozsahin et al. | Impact of feature scaling on machine learning models for the diagnosis of diabetes | |
| CN106755415A (zh) | 用于诊断和预测移植物排斥的生物标志物板 | |
| Cowan et al. | The Paris System for Reporting Urinary Cytology: early review of the literature reveals successes and rare shortcomings | |
| CN109599181B (zh) | 一种在治疗前针对t3-larc患者的生存预测系统及预测方法 | |
| Ondrusek et al. | Development of a knowledge scale about breast cancer and heredity (BCHK) | |
| CN107208131A (zh) | 用于肺癌分型的方法 | |
| Ursenbach et al. | Scoring algorithms for a computer-based cognitive screening tool: An illustrative example of overfitting machine learning approaches and the impact on estimates of classification accuracy. | |
| CN113380368A (zh) | 一种用于肾移植受者的术后监测装置 | |
| CN117551760A (zh) | 用于预测进展性结核和非进展性结核的生物标志物及其应用 | |
| Pek et al. | Reperfusion treatment delays amongst patients with painless ST segment elevation myocardial infarction | |
| Roos et al. | Linkable administrative files: family information and existing data | |
| CN110377698B (zh) | 基于阅读理解的任务处理方法及装置、设备及可读介质 | |
| Kumar et al. | Classification of heart diseases patients using data mining techniques | |
| Peddi et al. | Serial peripheral blood gene expression profiling to assess immune quiescence in kidney transplant recipients with stable renal function | |
| Lin et al. | Nonutilization of kidneys from donors after circulatory determinant of death | |
| Whynes et al. | Cost-effective screening strategies for colorectal cancer | |
| Banchhor et al. | Comparative study of ensemble learning algorithms on early stage diabetes risk prediction | |
| De Vries et al. | Natural course of symptoms in Cambodia veterans: a follow-up study | |
| First et al. | The real-life experience of developing and commercializing TruGraf, a validated non-invasive transplant biomarker | |
| Wanvarie et al. | Logistic regression analysis to predict medical licensing examination of thailand (MLET) step 1 success or failure | |
| Sørensen et al. | Registries and medical databases | |
| CN106795481A (zh) | 用于肥胖症相关疾病的生物标记物 | |
| CN115274124B (zh) | 一种基于数据驱动的肿瘤早筛靶向Panel和分类模型的动态优化方法 |
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: 20210910 |