CN113707295A - 老年人术后全身炎症反应综合征的预测方法及系统 - Google Patents

老年人术后全身炎症反应综合征的预测方法及系统 Download PDF

Info

Publication number
CN113707295A
CN113707295A CN202110972382.4A CN202110972382A CN113707295A CN 113707295 A CN113707295 A CN 113707295A CN 202110972382 A CN202110972382 A CN 202110972382A CN 113707295 A CN113707295 A CN 113707295A
Authority
CN
China
Prior art keywords
inflammatory response
systemic inflammatory
response syndrome
postoperative
risk score
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
Application number
CN202110972382.4A
Other languages
English (en)
Inventor
陈潮金
卢娅欣
刘子锋
周少丽
黑子清
陈静静
陈小瑞
李晓月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Third Affiliated Hospital Sun Yat Sen University
Original Assignee
Third Affiliated Hospital Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Third Affiliated Hospital Sun Yat Sen University filed Critical Third Affiliated Hospital Sun Yat Sen University
Priority to CN202110972382.4A priority Critical patent/CN113707295A/zh
Publication of CN113707295A publication Critical patent/CN113707295A/zh
Pending legal-status Critical Current

Links

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
    • G16H50/20—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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种老年人术后全身炎症反应综合征的预测方法，包括以下步骤：获取患者相关的临床数据；根据所述临床数据计算总风险分值；根据所述总风险分值计算老年人术后全身炎症反应综合征发生概率的预测值；输出全身炎症反应综合征发生概率的预测值。本发明还提供了利用该预测方法的预测系统。本发明利用了术前和术中常规测量的变量来建立一个在临床实践中易于实施的预测模型，适用于全身麻醉下行手术治疗的老年患者，能够有效地帮助麻醉医生和外科医生识别SIRS高危的老年患者，并实施早期干预，预防SIRS和随后的严重感染性休克等致命的并发症，对于强化围手术期处理、改善老年患者预后、降低老年患者术后死亡率具有极其重要的意义。

Description

老年人术后全身炎症反应综合征的预测方法及系统
技术领域
本发明涉及临床医学技术领域，具体涉及一种老年人术后全身炎症反应综合征的预测方法及系统。
背景技术
全身炎症反应综合征(systemic inflammatory response syndrome，SIRS)是由感染或非感染因素引起的一种过度的全身性炎症反应，过度的炎症因子继而转向攻击自身的组织和细胞，从而导致多器官功能衰竭。全身炎症反应综合征的发展变化迅速，目前对于全身炎症反应综合征重症患者的治疗手段却相对有限，是造成该疾病死亡率居高不下的一个重要原因。
术后SIRS在外科重症监护病房(ICU)患者发生率达80％以上，其中约三分之一的SIRS患者出现严重脓毒症和感染性休克，且会导致严重的并发症，包括多器官功能障碍综合征(MODS)和增加术后死亡率。值得注意的是，据报道，75岁以上患者的SIRS发病率明显高于40岁以下患者。且合并SIRS的老年人群更容易感染败血症、多器官功能障碍综合征，容易因各种与年龄相关的器官功能障碍、先前存在的共病而死亡，因此，利用有限的生理储备来应对全身麻醉相关的血流动力学变化，这在全球老龄化的背景下带来了巨大的医疗挑战。术后SIRS的早期预测对于围手术期处理、改善老年患者预后具有极其重要的意义，临床医生可以进行早期干预，降低患者发生严重并发症的风险，减轻医疗负担。
目前，科研人员已经确定了多种危险因素以促进术后SIRS的预测。Mehmet et al.报道术前血小板与淋巴细胞比率是预测术后SIRS的有效且廉价的生物标记物。Tang K etal.报道淋巴细胞与单核细胞比率和中性粒细胞与淋巴细胞比率都是经皮肾镜取石术后SIRS的有效预测因子。Wang ZM等人还开发了一个诺模图，用于预测经直肠超声引导前列腺活检术后的SIRS。然而，由于不同的人群、手术类型和年龄组，这些危险因素和模型的准确性和特异性差异很大，目前尚无证据表明它们可以推广到老年人群。到目前为止，还没有一个有效实用的预测老年患者术后SIRS的模型。
因此，建立一种针对老年人有效的老年人术后全身炎症反应综合征的预测方法及系统，对于围手术期处理、改善老年患者预后具有极其重要的意义，对于降低老年患者死亡率有着十分重要的意义。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种老年人有效的老年人术后全身炎症反应综合征的预测方法及系统，提供一种在临床实践中易于实施的预测方法，以帮助麻醉师和临床医生快速识别SIRS高危的老年患者，并实施早期干预，预防SIRS和随后的严重感染性休克等致命的并发症。
本发明采取的技术方案是，一种老年人术后全身炎症反应综合征的预测方法，包括如下步骤：
获取患者相关的临床数据；
根据所述临床数据计算总风险分值；
根据所述总风险分值计算老年人术后全身炎症反应综合征发生概率的预测值；
输出全身炎症反应综合征发生概率的预测值。
其中，所述临床数据包括：术前发热情况、术前白蛋白水平、ASA分级、术中总输注量、手术持续时间以及术后重转入症监护病房情况。
同时，本发明还提供了一种老年人术后全身炎症反应综合征的预测系统，包括：
获取模块，用于获取患者术后发生全身炎症反应综合征相关的临床数据；
解析模块，与所述获取模块连接，用于根据所述获取模块获取的临床数据建立术后全身炎症反应综合征发生概率的列线图并计算总风险分值，根据所述总风险分值计算老年人术后全身炎症反应综合征发生概率的预测值；
输出模块，与所述解析模块连接，用于输出患者术后全身炎症反应综合征发生概率的预测值。
与现有技术相比，本发明的有益效果为：本发明利用了术前和术中常规测量的变量来建立一个在临床实践中易于实施的预测模型，适用于全身麻醉下行手术治疗的老年患者，能够有效地帮助麻醉医生和外科医生识别SIRS高危的老年患者，并实施早期干预，预防SIRS和随后的严重感染性休克等致命的并发症，对于强化围手术期处理、改善老年患者预后、降低老年患者术后死亡率具有极其重要的意义。
附图说明
图1为患者选择的流程图。
图2为预测因子和SIRS结果之间的单变量关联示意图。
图3为逻辑回归模型的ROC图和校准图。
包括训练集(图A)和验证集(图B)的ROC图以及用于预测患者SIRS的校正曲线(图C)。
图4为预测老年人术后SIRS发生概率的列线图。
图5为基于浏览器开发的可用于临床辅助预测老年患者术后SIRS潜在风险的应用程序。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本实施例提供了一种老年人术后全身炎症反应综合征的预测方法，具体包括如下步骤：
获取患者相关的临床数据；
根据所述临床数据计算总风险分值；
根据所述总风险分值计算老年人术后全身炎症反应综合征发生概率的预测值；
输出全身炎症反应综合征发生概率的预测值。
本实施例结合术前和术中常规测量的变量作为临床数据，具体包括：术前发热情况、术前白蛋白水平、ASA分级、术中总输注量、手术持续时间以及术后转入重症监护病房情况。这些临床数据将更加全面准确地为麻醉医生和外科医生预测合并术后SIRS的老年患者提供风险量化值，让麻醉医生和外科医生能够有效实施早期干预，预防并减少SIRS和随后的严重感染性休克等致命的并发症出现，对于强化围手术期处理、改善老年患者预后、降低老年患者术后死亡率具有极其重要的意义。
在一些实施方式中，根据所述临床数据计算总风险分值具体为：通过Logistic回归模型建立术后全身炎症反应综合征发生概率的列线图，根据列线图计算总风险分值。其中，总风险分值为术前发热情况、术前白蛋白水平、ASA分级、术中总输注量、手术持续时间和术后转入重症监护病房情况的风险分值的累加和。
其中，所述的Logistic回归模型具体为：
总风险分值＝(-1.891)+(-0.177)×Xa+0.178×Xb+0.517×Xc+0.867×Xd +2.251×Xe+0.534×Xf；
其中，Xa表示术前白蛋白水平，单位为g/L；Xb表示手术持续时间，单位为min；Xc表示ASA分级,包含1-5级；Xd表示术前发热情况，0为否；1为是；Xe表示术后转入重症监护病房情况，0为否；1为是；Xf表示术中总输注量，单位为ml。
在一些实施方式中，根据所述总风险分支计算老年人术后全身炎症反应综合征发生概率的预测值，具体为：在发生概率的列线图中总风险分值的位置画垂直线，该垂直线与列线图中的发生概率线的交点为老年人术后全身炎症反应综合征发生概率的预测值；
所述发生概率的列线图，具体通过以下公式计算得出：
预测值＝1/(1+e^总风险分值)。
本实施例还提供一种应用上述方法的老年人术后全身炎症反应综合征的预测系统，包括：
获取模块，用于获取患者术后发生全身炎症反应综合征相关的临床数据；
解析模块，与所述获取模块连接，用于根据所述获取模块获取的临床数据建立术后全身炎症反应综合征发生概率的列线图并计算总风险分值，根据所述总风险分值计算老年人术后全身炎症反应综合征发生概率的预测值；
输出模块，与所述解析模块连接，用于输出患者术后全身炎症反应综合征发生概率的预测值。
在一些实施方式中，所述获取模块包括：第一获取子模块，用于获取术前发热情况；第二获取子模块，用于获取术前白蛋白水平；第三获取子模块，用于获取ASA分级；第四获取子模块，用于获取术中总输注量；第五获取子模块，用于获取手术持续时间；第六获取子模块，用于获取术后重症监护病房入院情况。
在一些实施方式中，所述解析模块为电脑主机、中央处理器或网络服务器。
在一些实施方式中，所述输出模块为显示器、打印机或音频输出装置。
在一些实施方式中，所述获取模块与所述解析模块的连接方式为有线连接和/或无线连接。
在一些实施方式中，所述解析模块与所述输出模块的连接方式为有线连接和/或无线连接。
在一些实施方式中，所述无线连接为无线局域网、蓝牙或红外线；所述有线连接为固话网络。
在一些实施方式中，所述列线图为应用Stata统计软件完成Logistic回归模型的列线图。
为了筛选出影响老年人术后全身炎症反应综合征的变量以及得出Logistic回归模型，发明人做了如下研究：
数据提取与研究人群
本研究由中山大学附属第三医院的机构伦理委员会批准，并于2021年5月14日通过医院伦理审查(编号[2019]02-609-02)。
在这项回顾性研究中，从电子健康记录(EHR)系统中检索从2015年1月至2020年9月在中山大学附属第三医院的天河及萝岗院区接受手术的16141名≥65岁老年患者。2015年1月至2019年12月的患者被纳入训练集，而2020年1月至2020年9月的患者则被纳入验证集。
在回顾性研究中，纳入标准包括：(1)年龄≥65岁；(2)气管插管或喉罩全麻病人。
排除标准包括：(1)术前SIRS患者；(2)接受局麻、表麻、神经阻滞或腰硬联合麻醉方式的患者；(3)未记录术中总输注量、体液丢失或ASA分类的患者。
排除标准的详细说明见表1。
表1排除标准的详细说明
Figure BDA0003226183710000051
Figure BDA0003226183710000061
SIRS的定义
根据2003年美国胸科医师学会(American College of Chest Inspectors)的研究，当患者表现出以下四个标准中的两个时，符合SIRS的临床定义：(1)体温≥38℃或<36℃，(2)心率≥90次/min，(3)呼吸频率≥20次/分钟或动脉二氧化碳分压<32mmHg和(4)白细胞计数≥12×109/L或<4×109/L。
变量定义
发明人使用描述性统计来描述训练和验证集中有无SIRS的患者。根据先前发表的文献和临床经验，从电子健康记录中选择了20个变量。这些包括人口统计变量，如年龄和性别；共病，包括糖尿病和高血压；吸烟史；术前实验室指标；术前情况，包括术前发热、术前插管、术前白蛋白水平(以下称“白蛋白”)、ASA分级及手术分级；术中事件包括总输液量、体液丢失总量、失血量、手术持续时间和术后转入重症监护病房(以下称“术后转入ICU”)。变量的详细定义见表2。
表2变量的详细定义
Figure BDA0003226183710000062
Figure BDA0003226183710000071
研究队列
2015年1月至2020年9月期间，共有16141名年龄≥65岁的老年患者。如图1所示，533名术前SIRS患者、7835名接受区域麻醉或无插管全身麻醉的患者、76名麻醉数据缺失的患者、650名输液或体液丢失总量为0的患者，以及35名ASA分级缺失的患者被排除在外。最终，2015年1月至2019年12月期间接受气管插管全身麻醉的5904名患者被纳入训练集，而2020年1月至2020年9月期间的1105名患者被纳入验证集。两组患者术后SIRS的发生率分别为24.6％和20.2％。
开发和验证队列的特征
表3显示了本次研究的7009例患者的人口统计学数据和临床特征。321例(43.1％)患者为女性，平均年龄为70.0(67.0-75.0)岁。训练和验证集中SIRS患者的数量分别为1451和882。高血压、糖尿病和吸烟史的患病率分别为58.7％(4113)、30.4％(2131)和11.4％(802)。889例(12.7％)患者术前出现发热，573例(9.74％)被转移到ICU。大多数(65.0％)患者被分类为ASA I/II级。两组患者的特征没有显著差异(表3)。
表3训练和验证集中的患者特征
Figure BDA0003226183710000072
Figure BDA0003226183710000081
aexpressed as No.(％)；bexpressed as median[Q1,Q3]；
缩写：WBC，白细胞计数；ALT，丙氨酸氨基转移酶；hs-CRP，超敏-C反应蛋白；SIRS，全身炎症反应综合征。
非SIRS组和SIRS组的特征差异。
训练集的每位患者共收集了20个指标(表4)。在比较术后出现或未出现SIRS患者的特征后，发明人发现出现术后SIRS的患者年龄较大(71.0[67.0,76.0]对70.0[67.0,75.0]，p<0.001，表4)；更有可能在ASA III/IV/V级的老年患者中发生(54.3％对28.0％，p<0.001)；且好发于合并糖尿病、吸烟史、术前发热和术前插管的患者(均p<0.001，表4)。SIRS组IV级手术比例更大(74.9％对55.5％，p<0.001)。同时，SIRS患者术前白细胞计数、丙氨酸转氨酶、hs-CRP和肌酐水平高于非SIRS患者；而SIRS患者的血红蛋白和白蛋白水平较低(均p<0.001)。此外，SIRS患者术中输注量、体液丢失量和失血量较大；与非SIRS患者相比，手术时间更长(均p<0.001)。
表4非SIRS和SIRS组的患者特征
Figure BDA0003226183710000091
Figure BDA0003226183710000101
1expressed as n(％)；2expressed as median[Q1,Q3]；×训练集中的非SIRS组与SIRS组,p<0.001；WBC数,白细胞数；ALT,丙氨酸氨基转移酶；hs-CRP,高敏c反应蛋白；SIRS,全身炎症反应综合征。
非SIRS组和SIRS组的预后
如表5所示，与非SIRS组相比，SIRS组患者更容易出现术后并发症，包括躁动和谵妄、出血、肺炎、急性肾损伤、低血压、昏迷和心脏骤停。SIRS患者的院内生存率明显低于无SIRS患者(均p≤0.001，表5)。与非SIRS的患者相比，SIRS患者的住院和手术费用更高，术后和总住院时间更长(均p<0.001，表5)。
表5两组患者术后预后情况
Figure BDA0003226183710000111
aexpressed as No.(％)；bexpressed as median[Q1,Q3]；
变量选择
对于连续变量，数据以平均值(标准差)或中位数(四分位间距)表示，而分类变量以频率表示。缺失数据采用连续变量的平均值和分类变量的众数进行插补。在建模之前，使用Yeo-Johnson正态变换将原始数据放置在分布近似对称的尺度上，并对数据进行归一化和中心化处理。
对于单变量选择，发明人使用重采样技术，用5次重复10折交叉验证计算每个变量的均值AUC。发明人为每个变量建立了两个logistic回归模型：一个只包含截距项的空模型和一个具有单一预测因子的模型。计算每个模型的受试者操作特征下面积(AUC)，并使用单侧t检验(p<0.05)比较模型之间的AUC差异。
单变量分析的结果表明，所有20个候选变量在单侧t检验中具有统计学差异(均p<0.05)，因此均被纳入到暴力算法(见表6)。每个预测因子和SIRS之间的单变量关联由方框图表示，百分比如图2中的堆叠条形图所示。发明人根据暴力算法的结果和临床经验选择的六变量组合模型包括术前发热、术前白蛋白水平、ASA分类，术中总输液量、手术持续时间和术后转入ICU。在随后的研究中，这些变量被用于构建逻辑回归模型，并用于诺模图和在线风险计算器的开发。
表6.使用重采样方法对全身炎症反应综合征进行单变量特征筛选
Figure BDA0003226183710000121
Figure BDA0003226183710000131
模型构建与外部验证
对于最终模型组合的选择，发明人使用暴力算法(考虑每个候选变量结果组合的预测效果)，在训练集中进行10折交叉验证，AUC的平均值作为模型选择的指标。用Hosmer-Lemeshow检验评价模型的拟合优度。
在测试集中，使用6个选定预测因子建立的逻辑回归模型具有较高的AUC(0.800[95％CI，0.787–0.813])，用于区分SIRS患者和非SIRS患者，敏感性为71.8％，特异性为71.8％(图3A，表1)。外部验证结果表明，模型的AUC为0.823(95％可信区间，0.791，0.855)，敏感性为74.0％，特异性为74.0％(图3B，表1)。由于Hosmer-Lemeshow试验p值为0.01(图3C)，用于预测SIRS的校准曲线运行良好。
此外，发明人还使用六变量模型，根据SIRS的潜在混杂因素，分层分析验证队列。发明人未发现年龄、性别、糖尿病、高血压、失血量和手术分级等亚组之间存在显著差异(表7)，表明所开发模型在每个亚组中的预测性能相对稳定，并说明其在每个亚组中的高准确性和普遍性。
表7验证集中分层分析的模型效果
Figure BDA0003226183710000132
Figure BDA0003226183710000141
预测模型
基于上述的分析验证，术后SIRS的预测风险概率可通过以下模型计算：
总风险分值＝(-1.891)+(-0.177)×Xa+0.178×Xb+0.517×Xc+0.867×Xd+2.251×Xe+0.534×Xf；
其中，Xa表示术前白蛋白水平，单位为g/L；Xb表示手术持续时间，单位为min；Xc表示ASA分级,包含1-5级；Xd表示术前发热情况，0为否；1为是；Xe表示术后转入重症监护病房情况，0为否；1为是；Xf表示术中总输注量，单位为ml。
预测概率＝1/(1+e^总风险分值)。
根据敏感性和特异性的平衡，训练集的高风险组和低风险组的临界值为0.216，如表8所示。
表8训练集和验证集的逻辑回归模型的性质
Figure BDA0003226183710000151
预测列线图和在线风险计算器
在最终回归分析的基础上，构建了一个列线图，纳入了预测术后SIRS的6个重要危险因素(图4)。如前所述，与列线图相对应的每个变量根据其对发明人的逻辑回归模型的贡献在点标度轴上进行评分。与术后SIRS风险相对应的总分可以很容易地计算出来，与术后SIRS风险相对应的总分可以很容易地通过添加每个单项得分来计算。可访问在线风险计算器(也就是本实施例所提供的预测系统中的一种，如图5所示)，以进一步促进外部验证。
由于SIRS对脓毒症和脓毒症休克的炎症反应的不同阶段之间的连续性，以及严重脓毒症的一致定义要求符合SIRS标准的体征，老年患者术后SIRS的早期诊断是及时干预预防感染性休克和改善临床预后的关键。在这项研究中，发明人根据TRIPOD中的type2b开发并验证了模型，并确定了6个特征变量，它们对SIRS具有很强的独立判别能力，AUC值最大(训练组和验证组分别为0.800和0.823)。发明人还构建了一个列线图(如图4)和一个基于浏览的风险计算器(如图5)，以区分老年患者术后SIRS的高风险，并提醒临床医生提供早期干预。
虽然之前的一些研究已经公开了一些与术后SIRS有关的危险因素，包括甘露糖结合凝集素缺乏、循环GM-CSF+CD4+T细胞水平高、菌尿和肾结石大小、术中使用主动脉内球囊泵。然而，它们的预测值是有限的，因为这些参数的测量通常不可用或通过常规测试不容易获得，或只适用于特定的外科手术，这些局限性导致这些变量在老年人群中的难以普遍应用。在本实施例所提供的预测模型中，术前指标包括术前发热、术前白蛋白水平和ASA分级，可以对我国择期手术患者和急诊手术患者进行常规、准确的测量，术中指标包括总输注量、手术持续时间和术后转入ICU也为每位患者进行常规记录。发明人的研究结果显示，结合术前发热、术前低白蛋白血症、ASA分级升高、输液量增加、手术时间延长、术后转入ICU等因素，老年患者术后SIRS的发生率增加。
本实施例所提供的预测模型对公共卫生政策、临床实践和知情同意过程具有重要的意义。首先，该模型能够识别老年患者术后发生SIRS的风险，从而为老年患者提供更好的术中、术后管理措施和医疗资源配置，最终改善高危患者尤其是外科ICU患者的预后。其次，在围手术期管理过程中，对纳入预测模型的所有变量进行常规测量，提高了模型的实用性和通用性，便于不同地区、不同类型医院对患者进行评估。为了进一步促进其外部验证和应用，发明人建立了一个在线风险计算器(如图5所示)，所有医务人员在日常临床实践中都可以使用，实用方便且预测准确。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种老年人术后全身炎症反应综合征的预测方法，其特征在于，包括以下步骤：
获取患者相关的临床数据；
根据所述临床数据计算总风险分值；
根据所述总风险分值计算老年人术后全身炎症反应综合征发生概率的预测值；
输出全身炎症反应综合征发生概率的预测值。
2.根据权利要求1所述的老年人术后全身炎症反应综合征的预测方法，其特征在于，所述临床数据包括：术前发热情况、术前白蛋白水平、ASA分级、术中总输注量、手术持续时间以及术后转入重症监护病房情况。
3.根据权利要求2所述的老年人术后全身炎症反应综合征的预测方法，其特征在于，根据所述临床数据计算总风险分值具体为：通过Logistic回归模型建立术后全身炎症反应综合征发生概率的列线图，根据列线图计算总风险分值。
4.根据权利要求3所述的老年人术后全身炎症反应综合征的预测方法，其特征在于，所述总风险分值为术前发热情况、术前白蛋白水平、ASA分级、术中总输注量、手术持续时间和术后转入重症监护病房情况的风险分值的累加和。
5.根据权利要求3所述的老年人术后全身炎症反应综合征的预测方法，其特征在于，所述Logistic回归模型具体为：
总风险分值=（-1.891）+（-0.177）×Xa+0.178×Xb +0.517×Xc +0.867×Xd +2.251×Xe+0.534×Xf；
其中，Xa表示术前白蛋白水平，单位为g/L；Xb表示手术持续时间，单位为min；Xc表示ASA分级, 包含1-5级；Xd表示术前发热情况，0为否；1为是；Xe表示术后转入重症监护病房情况，0为否；1为是；Xf表示术中总输注量，单位为ml。
6.根据权利要求1~5任一项所述的老年人术后全身炎症反应综合征的预测方法，其特征在于，根据所述总风险分值计算老年人术后全身炎症反应综合征发生概率的预测值，具体为：
在发生概率的列线图中总风险分值的位置画垂直线，该垂直线与列线图中的发生概率线的交点为老年人术后全身炎症反应综合征发生概率的预测值；
所述发生概率的列线图，具体通过以下公式计算得出：
预测值=1/（1+e^总风险分值）。
7.一种老年人术后全身炎症反应综合征的围术期预测系统，其特征在于，包括：
获取模块，用于获取患者术后发生全身炎症反应综合征相关的临床数据；
解析模块，与所述获取模块连接，用于根据所述获取模块获取的临床数据建立术后全身炎症反应综合征发生概率的列线图并计算总风险分值，根据所述总风险分值计算老年人术后全身炎症反应综合征发生概率的预测值；
输出模块，与所述解析模块连接，用于输出患者术后全身炎症反应综合征发生概率的预测值。
8.根据权利要求7所述的老年人术后全身炎症反应综合征的围术期预测系统，其特征在于，所述获取模块包括：
第一获取子模块，用于获取术前发热情况；
第二获取子模块，用于获取术前白蛋白水平；
第三获取子模块，用于获取ASA分级；
第四获取子模块，用于获取术中总输注量；
第五获取子模块，用于获取手术持续时间；
第六获取子模块，用于获取术后转入重症监护病房情况。
9.根据权利要求7所述的老年人术后全身炎症反应综合征的围术期预测系统，其特征在于，所述总风险分值为术前发热情况、术前白蛋白水平、ASA分级、术中总输注量、手术持续时间和术后转入重症监护病房情况的风险分值的累加和。
10.根据权利要求7所述的老年人术后全身炎症反应综合征的围术期预测系统，其特征在于，所述解析模块为电脑主机、中央处理器或网络服务器；和/或，所述输出模块为显示器、打印机或音频输出装置。
CN202110972382.4A 2021-08-24 2021-08-24 老年人术后全身炎症反应综合征的预测方法及系统 Pending CN113707295A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110972382.4A CN113707295A (zh) 2021-08-24 2021-08-24 老年人术后全身炎症反应综合征的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110972382.4A CN113707295A (zh) 2021-08-24 2021-08-24 老年人术后全身炎症反应综合征的预测方法及系统

Publications (1)

Publication Number Publication Date
CN113707295A true CN113707295A (zh) 2021-11-26

Family

ID=78654202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110972382.4A Pending CN113707295A (zh) 2021-08-24 2021-08-24 老年人术后全身炎症反应综合征的预测方法及系统

Country Status (1)

Country Link
CN (1) CN113707295A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775630A (zh) * 2023-02-10 2023-03-10 北京海思瑞格科技有限公司 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995030765A1 (en) * 1994-05-06 1995-11-16 Slotman Gus J Method for identifying and monitoring patients at risk for systemic inflammatory conditions
US20030211518A1 (en) * 1994-05-06 2003-11-13 Slotman Gus J. Methods for identifying and monitoring patients at risk for systemic inflammatory conditions, methods for selecting treatments for these patients and apparatus for use in these methods
CN109727679A (zh) * 2018-07-30 2019-05-07 中国医学科学院肿瘤医院 一种颈部吻合食管癌切除术手术部位感染风险预测评分及系统
WO2019110706A1 (en) * 2017-12-08 2019-06-13 INSERM (Institut National de la Santé et de la Recherche Médicale) Methods for predicting the risk of developing a sepsis or a systemic inflammatory response syndrome (sirs)
US20190336085A1 (en) * 2018-04-10 2019-11-07 Hill-Rom Services, Inc. Patient risk assessment based on data from multiple sources in a healthcare facility
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置
CN112017783A (zh) * 2020-09-14 2020-12-01 华中科技大学同济医学院附属协和医院 一种心脏术后肺部感染的预测模型及其构建方法
CN113160986A (zh) * 2021-04-23 2021-07-23 桥恩(北京)生物科技有限公司 用于预测全身炎症反应综合征发展的模型构建方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995030765A1 (en) * 1994-05-06 1995-11-16 Slotman Gus J Method for identifying and monitoring patients at risk for systemic inflammatory conditions
US20030211518A1 (en) * 1994-05-06 2003-11-13 Slotman Gus J. Methods for identifying and monitoring patients at risk for systemic inflammatory conditions, methods for selecting treatments for these patients and apparatus for use in these methods
WO2019110706A1 (en) * 2017-12-08 2019-06-13 INSERM (Institut National de la Santé et de la Recherche Médicale) Methods for predicting the risk of developing a sepsis or a systemic inflammatory response syndrome (sirs)
US20190336085A1 (en) * 2018-04-10 2019-11-07 Hill-Rom Services, Inc. Patient risk assessment based on data from multiple sources in a healthcare facility
CN109727679A (zh) * 2018-07-30 2019-05-07 中国医学科学院肿瘤医院 一种颈部吻合食管癌切除术手术部位感染风险预测评分及系统
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置
CN112017783A (zh) * 2020-09-14 2020-12-01 华中科技大学同济医学院附属协和医院 一种心脏术后肺部感染的预测模型及其构建方法
CN113160986A (zh) * 2021-04-23 2021-07-23 桥恩(北京)生物科技有限公司 用于预测全身炎症反应综合征发展的模型构建方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汤庆峰等: "老年患者经皮肾镜碎石术后全身炎症反应综合征危险因素分析及列线图预测模型的建立", 《微创泌尿外科杂志》, vol. 10, no. 4, pages 227 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775630A (zh) * 2023-02-10 2023-03-10 北京海思瑞格科技有限公司 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法

Similar Documents

Publication Publication Date Title
Asaari Value of shock index in prognosticating the short term outcome of death for patients presenting with severe sepsis and septic shock in the emergency department
Lee et al. Risk factors for medical complication after spine surgery: a multivariate analysis of 1,591 patients
Atabai et al. The pulmonary physician in critical care• 5: Acute lung injury and the acute respiratory distress syndrome: definitions and epidemiology
de Lassence et al. Pneumothorax in the intensive care unit: incidence, risk factors, and outcome
CN110827993A (zh) 基于集成学习的早期死亡风险评估模型建立方法及装置
Kartal et al. ETCO2: a predictive tool for excluding metabolic disturbances in nonintubated patients
Marshall et al. The association between sodium fluctuations and mortality in surgical patients requiring intensive care
Abdullah et al. Prognostic accuracy of SOFA, qSOFA, and SIRS for mortality among emergency department patients with infections
Tang et al. Outcome of adult critically ill patients mechanically ventilated on general medical wards
Zhang et al. Performance of three mortality prediction scores and evaluation of important determinants in eight pediatric intensive care units in China
Padilla et al. Critical care in obstetrics
CN115240855A (zh) 一种胃癌切除术后严重并发症护理风险预测模型及其构建方法
Nardi et al. Lactate arterial‐central venous gradient among COVID‐19 patients in ICU: A potential tool in the clinical practice
Berg et al. Mortality risk prediction in cardiac surgery: comparing a novel model with the EuroSCORE
Ng et al. An audit of mortality by using ECMO specific scores and APACHE II scoring system in patients receiving extracorporeal membrane oxygenation in a tertiary intensive care unit in Hong Kong
CN113707295A (zh) 老年人术后全身炎症反应综合征的预测方法及系统
Song et al. Hypertriglyceridemia as a risk factor for complications of acute pancreatitis and the development of a severity prediction model
WO2021253484A1 (zh) 预测患者死亡风险的系统
CN116580836A (zh) 一种评估高龄患者院内不良结局风险的装置、系统和介质
Freundlich et al. A predictive model of reintubation after cardiac surgery using the electronic health record
Villodre et al. aLicante sUrgical Community Emergencies New Tool for the enUmeration of Morbidities: a simplified auditing tool for community-acquired gastrointestinal surgical emergencies
Li et al. Development and validation of a routine blood parameters-based model for screening the occurrence of retinal detachment in high myopia in the context of PPPM
Esmaeili Tarki et al. Serial SOFA‐score trends in ICU‐admitted COVID‐19 patients as predictor of 28‐day mortality: A prospective cohort study
Niknam et al. eccSOFA: SOFA illness severity score adapted to predict in-hospital mortality in emergency critical care patients
Nawazani et al. Case of COVID-19 infection and polycythaemia presenting with massive acute pulmonary embolism

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