CN113851217A - 一种对hcc患者术后早期无复发生存率的预测方法 - Google Patents

一种对hcc患者术后早期无复发生存率的预测方法 Download PDF

Info

Publication number
CN113851217A
CN113851217A CN202111184507.3A CN202111184507A CN113851217A CN 113851217 A CN113851217 A CN 113851217A CN 202111184507 A CN202111184507 A CN 202111184507A CN 113851217 A CN113851217 A CN 113851217A
Authority
CN
China
Prior art keywords
row
score
clinical
early
year
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.)
Withdrawn
Application number
CN202111184507.3A
Other languages
English (en)
Inventor
毛书奇
陆才德
吴胜东
于茜
单钰莹
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.)
Ningbo Medical Center Lihuili Hospital
Original Assignee
Ningbo Medical Center Lihuili Hospital
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 Ningbo Medical Center Lihuili Hospital filed Critical Ningbo Medical Center Lihuili Hospital
Priority to CN202111184507.3A priority Critical patent/CN113851217A/zh
Publication of CN113851217A publication Critical patent/CN113851217A/zh
Withdrawn legal-status Critical Current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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

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

Abstract

本发明适用于计算机领域，提供了一种对HCC患者术后早期无复发生存率的预测方法收集经临床病理确诊的肝细胞癌患者临床资料，并从收集的资料中获取肝细胞癌患者的临床特征数据；将临床特征数据与患者是否1年早期复发通过LASSO回归筛选变量，并通过COX回归模型进行独立危险因素分析，得到列线图所需的临床特征数据；用筛选和分析得到的临床特征数据构建预测肝细胞癌患者早期复发的列线图模型。通过列线图模型能够准确预测HCC患者1年无复发生存率，从而指导临床医生选择适当的治疗方式，如对高复发风险肝癌患者提前更改治疗方案，选择个性化的手段预防患者的早期复发等。具有直观、简便、临床易推广的特点，实现了肝癌患者1年无复发生存率预测的可视化。

Description

一种对HCC患者术后早期无复发生存率的预测方法
技术领域
本发明属于计算机领域，尤其涉及一种对HCC患者术后早期无复发生存率的预测方法。
背景技术
在肝癌患者中，只有部分患者能够得到有效的治疗，对于能够手术的肝癌患者，肿瘤的复发和转移是预后差的主要原因，尤其是肝癌患者的早期复发。
大多数肝细胞癌与肝脏慢性炎症和纤维化有关，而炎症和纤维化病因主要包括肝炎病毒感染、酒精性和非酒精性脂肪肝等。慢性炎症可以引起肝脏免疫系统的改变，比如肝上皮细胞损伤，使肿瘤细胞易逃避机体的免疫监视等。本发明中，炎症相关标志物是通过术前血清血细胞计数和肝功能检查计算得来，并且很多研究表明，这些炎症标记物与肝癌患者术后的生存率相关。相关炎症标志物，比如预后营养指数（PNI）、天冬氨酸转氨酶/血小板比率指数（APRI）、天冬氨酸转氨酶/淋巴细胞比率指数（ALRI）、天冬氨酸转氨酶/中性粒细胞比率指数（ANRI）、全身免疫炎症指数（SII）、中性粒细胞与淋巴细胞比率（NLR），血小板与淋巴细胞比值（PLR）、单核细胞与淋巴细胞比值（MLR）和全身炎症反应指数（SIRI）等是HCC患者的重要预后因素。这些炎症标志物反映了肝癌患者潜在的免疫问题和炎症状态。然而，结合上述炎症标志物构建列线图（nomogram）临床模型预测肝癌早期复发（1年和2年内复发）的研究几乎没有，且缺乏更稳定和精准的预测模型。
目前，精准的肝细胞癌后预评估有助于临床医生根据风险-收益评估来选择准确的治疗措施。但是，如何准确预测并找到一个统一的方案或标准是临床医生面临的共同问题。列线图（nomogram）临床预测模型被认为是整合和量化疾病预后重要危险因素的可靠工具。因此，我们的目的是建立炎性标志物的列线图模型来预测肝癌患者手术切除后的1年无复发（Recurrence Free Survival,RFS）生存率。并评估预后预测的准确性，并根据风险评分将患者分为不同的危险组以指导临床医生诊疗。对1年早期复发的准确预测能够帮助临床医生针对肝癌患者选择更加个性化的治疗方式，从而延长患者生存期，改善肝细胞癌患者的预后。本发明的主要目的是应用血清炎症标记物，通过构建新型的列线图来预测肝细胞癌患者1年早期复发的风险。筛选出高复发风险的肝癌患者是提高预后的关键。现有技术尚无针对性的临床判断肝癌患者早期复发的工具以及合理的手术方式，尤其是针对肝癌患者的1年早期复发。
发明内容
本发明实施例提供一种对HCC患者术后早期无复发生存率的预测方法，旨在解决背景技术中提出的问题。
本发明实施例是这样实现的，一种对HCC患者术后早期无复发生存率的预测方法包括：
收集经临床病理确诊的肝细胞癌患者临床资料，并从收集的资料中获取肝细胞癌患者的临床特征数据；
将临床特征数据与患者是否1年早期复发通过LASSO回归筛选变量，并通过COX回归模型进行独立危险因素分析，得到列线图所需的临床特征数据；
用筛选和分析得到的临床特征数据构建预测肝细胞癌患者早期复发的列线图模型。
优选地，所述临床资料包括一般人口学资料、临床资料、生化指标以及病理学特征。
优选地，所述筛选和分析得到的临床特征数据包括性别、糖尿病、谷丙转氨酶、甲胎蛋白、APRI、SIRI、微血管侵犯、肿瘤个数、肿瘤大小和门脉癌栓。
优选地，所述收集经临床病理确诊的肝细胞癌患者的临床特征数据之前，所述方法还包括：研究对象的选取。
优选地，所述列线图模型中的各行分别为：
第一行“得分”代表单一指标的得分范围从0分至100分；
第二行“性别”代表性别分为男性和女性两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第三行“糖尿病”代表糖尿病分为有糖尿病和无糖尿病两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第四行“谷丙转氨酶”代表丙转氨酶分为了≤50 U/L和>50 U/L两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第五行“甲胎蛋白”代表甲胎蛋白分为了小于等于20ng/ml、20-400 ng/ml和大于400ng/ml三个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第六行“总天冬氨酸转氨酶/血小板比率指数（APRI）”代表炎症标记物APRI从0至5，每一个数值纵向往上画一条线对应第一行的一个得分；
第七行“全身炎症反应指数（SIRI）”代炎症标记物SIRI从0至80，每一个数值纵向往上画一条线对应第一行的一个得分；
第八行“微血管侵犯”代表微血管侵犯分为了有微血管侵犯和无微血管侵犯两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第九行“肿瘤个数”代表肿瘤个数分为了单发和多发两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第十行“肿瘤大小”代表肿瘤大小从0cm至20cm，每一个数值纵向往上画一条线对应第一行的一个得分；
第十一行“门脉癌栓”代表门脉癌栓分为了有门脉癌栓和无门脉癌栓两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第十二行“总得分”代表每一指标的得分加起来的总得分范围从0分至140分，即性别、糖尿病、谷丙转氨酶、甲胎蛋白、APRI、SIRI、微血管侵犯、肿瘤个数、肿瘤大小和门脉癌栓取不同值所对应的得分的合计，“总得分”往下纵向画一条线对应着下一行的1年无早期复生存率；
第十三行“1年无早期复生存率”代表1年无早期复生存率从0.9（百分之九十）至0.1（百分之十）。
优选地，所述用筛选和分析得到的临床特征数据构建预测肝细胞癌患者早期复发的列线图模型之后，所述方法还包括：对所述列线图模型进行验证。
优选地，所述对所述列线图模型进行验证的方法具体包括：对模型进行C-index、校正曲线和DCA曲线验证。
本发明的有益效果：通过列线图模型能够准确预测HCC患者1年无复发生存率，从而指导临床医生选择适当的治疗方式，如对高复发风险肝癌患者提前更改治疗方案，选择个性化的手段预防患者的早期复发等。具有直观、简便、临床易推广的特点，实现了肝癌患者1年无复发生存率预测的可视化。
附图说明
图1为一种对HCC患者术后早期无复发生存率的列线图模型示意图；
图2为列线图模型的校正曲线图；
图3为列线图模型的临床决策曲线（DCA）图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明所要解决的技术问题是针对现有技术的现状，通过炎症标记物计算，并结合影像学检查指标和病理学检查等，构建列线图模型来预测肝细胞癌患者1年无早期复发生存率，指导临床医生针对高早期复发风险的肝癌患者采取个性化肿瘤治疗方案。其中本列线图模型可以复发前准确预测肝癌患者1年早期复发的发生概率，可以作为一种新型的临床工具，以指导临床医生选择合理和个性化的后续治疗。
以下对本发明的具体方案作进一步详细描述。
1、研究对象的选取
回顾性分析本中心2015年12月至2020年1月在我院接受肝癌根治术的新发肝细胞癌患者，入选标准：①患者体检发现或有症状来我院就诊；②病理诊断为HCC；③肝功能Child-Pugh A或B；④无肝外转移的证据；⑤肝癌根治性R0切除术。排除标准：①术前接受抗癌药物治疗；②有其他肿瘤病史；③无MVI病理诊断；剔除标准：无完整的临床或随访资料患者。终止研究标准：患者死亡或到末次随访截止。最终根据以上标准从本中心700多例肝癌患者中，总共纳入360例。
2、临床资料的收集
临床数据库资料包括一般人口学资料及临床资料如性别、年龄、乙肝病史、丙肝病史、高血压、糖尿病、肿瘤家族史等一般情况，生化指标包括乙肝DNA量、甲胎蛋白、谷丙转氨酶（ALT）、天冬氨酸转氨酶（AST）、γ-谷氨酰转肽酶（GGT）、血小板、凝血酶时间（TT）、凝血酶原时间（PT）、总胆红素（TB）、直接胆红素（DB）、白细胞计数、中性粒细胞计数、淋巴细胞计数、血小板计数、单核细胞计数等。病理学特征包括肿瘤大小、数量、肝硬化、门脉癌栓等。炎症标记物通过以上肝功能指标和血细胞计数通过公式计算得到。
白蛋白-胆红素（ALBI）评分通过以下公式计算，-0.085×（白蛋白g/l）+0.66×log（胆红素umol/l）。炎症标记物通过以下公式计算：PNI=血清白蛋白（g/L）+5×淋巴细胞，SII=血小板×中性粒细胞/淋巴细胞，NLR=中性粒细胞/淋巴细胞，PLR=血小板/淋巴细胞，MLR=单核细胞/淋巴细胞，SIRI=单核细胞×中性粒细胞/淋巴细胞，APRI=天冬氨酸转氨酶（U/L）/血小板，ANRI=天冬氨酸转氨酶（U/L）/中性粒细胞，ALRI=天冬氨酸转氨酶（U/L）/淋巴细胞。
3、研究对象的随访
肝癌患者在根治性切除术后每隔3个月随访一次。通过随访确定患者总生存率（OS）和无复发生存率（RFS）。从治愈性切除日期到患者死亡日期或最后一次随访日期测量OS。RFS从HCC切除之日起计算至肿瘤复发诊断之日止。术前诊断和肿瘤复发诊断均以《中国原发性肝癌诊治指南》为依据。
4、回归分析变量筛选
使用R3.6.2软件，通过LASSO回归筛选变量，最终选取性别、糖尿病、谷丙转氨酶、凝血酶原时间、国际标准化率、甲胎蛋白PNI、APRI、ANRI、SIRI、微血管侵犯、肝硬化、肿瘤个数、肿瘤大小和门脉癌栓进入方程。
5、回归方程构建
使用SPSS25.0软件，通过单因素和多因素COX回归逐步法分析，最终得到性别、糖尿病、谷丙转氨酶、甲胎蛋白、APRI、SIRI、微血管侵犯、肿瘤个数、肿瘤大小和门脉癌栓是1年无早期复发的独立危险因素（P<0.05）。
6、构建列线图
根据COX回归逐步法分析，分析结果如表1所示，用性别、糖尿病、谷丙转氨酶、甲胎蛋白、APRI、SIRI、微血管侵犯、肿瘤个数、肿瘤大小和门脉癌栓构建列线图，如图1所示，实现列线图1年无早期复发预测的可视化。
Figure DEST_PATH_IMAGE001
所述列线图模型中的各行分别为：
第一行“得分”代表单一指标的得分范围从0分至100分；
第二行“性别”代表性别分为男性和女性两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第三行“糖尿病”代表糖尿病分为有糖尿病和无糖尿病两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第四行“谷丙转氨酶”代表丙转氨酶分为了≤50 U/L和>50 U/L两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第五行“甲胎蛋白”代表甲胎蛋白分为了小于等于20ng/ml、20-400 ng/ml和大于400ng/ml三个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第六行“总天冬氨酸转氨酶/血小板比率指数（APRI）”代表炎症标记物APRI从0至5，每一个数值纵向往上画一条线对应第一行的一个得分；
第七行“全身炎症反应指数（SIRI）”代炎症标记物SIRI从0至80，每一个数值纵向往上画一条线对应第一行的一个得分；
第八行“微血管侵犯”代表微血管侵犯分为了有微血管侵犯和无微血管侵犯两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第九行“肿瘤个数”代表肿瘤个数分为了单发和多发两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第十行“肿瘤大小”代表肿瘤大小从0cm至20cm，每一个数值纵向往上画一条线对应第一行的一个得分；
第十一行“门脉癌栓”代表门脉癌栓分为了有门脉癌栓和无门脉癌栓两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第十二行“总得分”代表每一指标的得分加起来的总得分范围从0分至140分，即性别、糖尿病、谷丙转氨酶、甲胎蛋白、APRI、SIRI、微血管侵犯、肿瘤个数、肿瘤大小和门脉癌栓取不同值所对应的得分的合计，“总得分”往下纵向画一条线对应着下一行的1年无早期复生存率；
第十三行“1年无早期复生存率”代表1年无早期复生存率从0.9（百分之九十）至0.1（百分之十）。
7、对模型进行C-index、校正曲线和DCA曲线验证
列线图简单、易懂，并且模型的预测能力达C-index=0.809(95%CI:0.766-0.852)。并做内部校正曲线（图2实线与虚线几乎重叠）。DCA曲线显示，使用列线图预测肝癌患者1年无早期复发生存率可获得更多益处（图3所示）。
其中图2为列线图的校正曲线图；图中所示X轴为列线图预测的1年无早期复发生存率，Y轴为实际1年无早期复发生存率，实线越接近虚线，表示开发的列线图模型的性能越好。图3为列线图模型的临床决策曲线（DCA）图；图中所示列线图具有较高的临床获益。
8、统计分析
使用SPSS25.0（IBM公司，2020年，美国）进行COX回归分析。LASSO回归、列线图、校正曲线和DCA曲线使用R3.6.2版本分析和绘制(http://www.r-project.org/)，具体R包：“rms”、“glamet”、“rmda”、“survival”、“survminer”。P<0.05具有统计学意义。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种较佳实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种对HCC患者术后早期无复发生存率的预测方法，其特征在于，所述方法包括：
收集经临床病理确诊的肝细胞癌患者临床资料，并从收集的资料中获取肝细胞癌患者的临床特征数据；
将临床特征数据与患者是否1年早期复发通过LASSO回归筛选变量，并通过COX回归模型进行独立危险因素分析，得到列线图所需的临床特征数据；
用筛选和分析得到的临床特征数据构建预测肝细胞癌患者早期复发的列线图模型。
2.如权利要求1所述的对HCC患者术后早期无复发生存率的预测方法，其特征在于，所述临床资料包括一般人口学资料、临床资料、生化指标以及病理学特征。
3.如权利要求1所述的对HCC患者术后早期无复发生存率的预测方法，其特征在于，所述筛选和分析得到的临床特征数据包括性别、糖尿病、谷丙转氨酶、甲胎蛋白、APRI、SIRI、微血管侵犯、肿瘤个数、肿瘤大小和门脉癌栓。
4.如权利要求1所述的对HCC患者术后早期无复发生存率的预测方法，其特征在于，所述收集经临床病理确诊的肝细胞癌患者的临床特征数据之前，所述方法还包括：研究对象的选取。
5.如权利要求1所述的对HCC患者术后早期无复发生存率的预测方法，其特征在于，所述列线图模型中的各行分别为：
第一行“得分”代表单一指标的得分范围从0分至100分；
第二行“性别”代表性别分为男性和女性两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第三行“糖尿病”代表糖尿病分为有糖尿病和无糖尿病两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第四行“谷丙转氨酶”代表丙转氨酶分为了≤50 U/L和>50 U/L两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第五行“甲胎蛋白”代表甲胎蛋白分为了小于等于20ng/ml、20-400 ng/ml和大于400ng/ml三个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第六行“总天冬氨酸转氨酶/血小板比率指数（APRI）”代表炎症标记物APRI从0至5，每一个数值纵向往上画一条线对应第一行的一个得分；
第七行“全身炎症反应指数（SIRI）”代炎症标记物SIRI从0至80，每一个数值纵向往上画一条线对应第一行的一个得分；
第八行“微血管侵犯”代表微血管侵犯分为了有微血管侵犯和无微血管侵犯两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第九行“肿瘤个数”代表肿瘤个数分为了单发和多发两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第十行“肿瘤大小”代表肿瘤大小从0cm至20cm，每一个数值纵向往上画一条线对应第一行的一个得分；
第十一行“门脉癌栓”代表门脉癌栓分为了有门脉癌栓和无门脉癌栓两个水平，每一个水平纵向往上画一条线对应第一行的一个得分；
第十二行“总得分”代表每一指标的得分加起来的总得分范围从0分至140分，即性别、糖尿病、谷丙转氨酶、甲胎蛋白、APRI、SIRI、微血管侵犯、肿瘤个数、肿瘤大小和门脉癌栓取不同值所对应的得分的合计，“总得分”往下纵向画一条线对应着下一行的1年无早期复生存率；
第十三行“1年无早期复生存率”代表1年无早期复生存率从0.9（百分之九十）至0.1（百分之十）。
6.如权利要求1-5任一所述的对HCC患者术后早期无复发生存率的预测方法，其特征在于，所述用筛选和分析得到的临床特征数据构建预测肝细胞癌患者早期复发的列线图模型之后，所述方法还包括：对所述列线图模型进行验证。
7.如权利要求6所述的对HCC患者术后早期无复发生存率的预测方法，其特征在于，所述对所述列线图模型进行验证的方法具体包括：对模型进行C-index、校正曲线和DCA曲线验证。
CN202111184507.3A 2021-10-12 2021-10-12 一种对hcc患者术后早期无复发生存率的预测方法 Withdrawn CN113851217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111184507.3A CN113851217A (zh) 2021-10-12 2021-10-12 一种对hcc患者术后早期无复发生存率的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111184507.3A CN113851217A (zh) 2021-10-12 2021-10-12 一种对hcc患者术后早期无复发生存率的预测方法

Publications (1)

Publication Number Publication Date
CN113851217A true CN113851217A (zh) 2021-12-28

Family

ID=78978030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111184507.3A Withdrawn CN113851217A (zh) 2021-10-12 2021-10-12 一种对hcc患者术后早期无复发生存率的预测方法

Country Status (1)

Country Link
CN (1) CN113851217A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115985497A (zh) * 2022-12-16 2023-04-18 首都医科大学附属北京地坛医院 主要基于血小板/脾脏长径比值的预测非手术治疗原发性肝癌患者预后的系统
CN118039137A (zh) * 2024-04-12 2024-05-14 南昌大学第二附属医院 一种术后炎症反应预测系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115985497A (zh) * 2022-12-16 2023-04-18 首都医科大学附属北京地坛医院 主要基于血小板/脾脏长径比值的预测非手术治疗原发性肝癌患者预后的系统
CN115985497B (zh) * 2022-12-16 2023-08-08 首都医科大学附属北京地坛医院 基于血小板/脾脏长径比值的预测非手术治疗原发性肝癌患者预后的系统
CN118039137A (zh) * 2024-04-12 2024-05-14 南昌大学第二附属医院 一种术后炎症反应预测系统
CN118039137B (zh) * 2024-04-12 2024-07-12 南昌大学第二附属医院 一种术后炎症反应预测系统

Similar Documents

Publication Publication Date Title
CN113851217A (zh) 一种对hcc患者术后早期无复发生存率的预测方法
Villa et al. Estrogen receptor classification for hepatocellular carcinoma: comparison with clinical staging systems
JP2009535644A (ja) バイオマーカーを使用して疾患状況を同定するための方法および装置
CN113270188B (zh) 食管鳞癌根治术后患者预后预测模型构建方法及装置
Martinez-Garcia et al. Advances in endometrial cancer protein biomarkers for use in the clinic
CN113539497A (zh) 一种基于随机森林模型的孤立肺结节恶性风险预测系统
Li et al. A novel prognostic nomogram based on microvascular invasion and hematological biomarkers to predict survival outcome for hepatocellular carcinoma patients
Liao et al. Prognostic value and association of sarcopenic obesity and systemic inflammatory indexes in patients with hepatocellular carcinoma following hepatectomy and the establishment of novel predictive nomograms
Lv et al. Predictive and diagnostic value of nasal nitric oxide in eosinophilic chronic rhinosinusitis with nasal polyps
CN112946276B (zh) I期肺腺癌患者术后复发风险预测系统及其应用
CN113436673A (zh) 一种用于肝癌预后预测的分子标志物及其应用
CN113470813A (zh) 肝癌患者生存率预后模型
CN113345589A (zh) 肝癌预后模型的构建方法及应用方法、电子设备
CN110501443B (zh) 无创识别/预警脂肪肝奶牛的新型生物标记物
US20160018413A1 (en) Methods of Prognosing Preeclampsia
CN114015773B (zh) 全身炎症反应指数在胃肠道弥漫性大b细胞淋巴瘤预后评估中的应用
Chen et al. A novel noninvasive program for staging liver fibrosis in untreated patients with chronic hepatitis B
CN116013525A (zh) 一种基于铁死亡特征构建的结直肠癌预后模型及其构建方法
CN114252612B (zh) 基于神经细胞粘附分子的肝癌转移预测系统及方法
Ryu et al. Combined morphologic and molecular classification for predicting lymph node metastasis in early-stage colorectal adenocarcinoma
Ma et al. Models based on dynamic clinicopathological indices for predicting prognosis during the perioperative period for patients with colorectal cancer
CN113470754A (zh) 一种用于肿瘤预后评估的基因标志物、评估产品及应用
CN113241181A (zh) 一种用于肝癌患者的预后风险评估模型及评估装置
CN113450917A (zh) 生物标志物在预测肝癌预后中的应用
He et al. Development and validation of a Nomogram for Preoperative Prediction of Central Compartment Lymph Node Metastasis in patients with papillary thyroid carcinoma and type 2 diabetes Mellitus

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211228

WW01 Invention patent application withdrawn after publication