CN114141374A - 孤独症发病预测模型构建方法、预测方法及装置 - Google Patents
孤独症发病预测模型构建方法、预测方法及装置 Download PDFInfo
- Publication number
- CN114141374A CN114141374A CN202111482753.7A CN202111482753A CN114141374A CN 114141374 A CN114141374 A CN 114141374A CN 202111482753 A CN202111482753 A CN 202111482753A CN 114141374 A CN114141374 A CN 114141374A
- Authority
- CN
- China
- Prior art keywords
- variable
- autism
- incidence
- candidate
- prediction model
- 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.)
- Granted
Links
- 206010003805 Autism Diseases 0.000 title claims abstract description 128
- 208000020706 Autistic disease Diseases 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 230000035935 pregnancy Effects 0.000 claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims description 55
- 238000007477 logistic regression Methods 0.000 claims description 24
- 238000012217 deletion Methods 0.000 claims description 15
- 230000037430 deletion Effects 0.000 claims description 15
- 230000008774 maternal effect Effects 0.000 claims description 13
- 208000026935 allergic disease Diseases 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 208000023275 Autoimmune disease Diseases 0.000 claims description 9
- 230000000172 allergic effect Effects 0.000 claims description 9
- 206010022004 Influenza like illness Diseases 0.000 claims description 8
- 206010050081 Neonatal hypoxia Diseases 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004393 prognosis Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013399 early diagnosis Methods 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 17
- 201000010099 disease Diseases 0.000 description 16
- 238000012795 verification Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 208000029560 autism spectrum disease Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 208000012113 pregnancy disease Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009984 peri-natal effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000242 Abortion threatened Diseases 0.000 description 1
- 208000012239 Developmental disease Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 208000005985 Threatened Abortion Diseases 0.000 description 1
- 206010046788 Uterine haemorrhage Diseases 0.000 description 1
- 206010046910 Vaginal haemorrhage Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 206010000210 abortion Diseases 0.000 description 1
- 231100000176 abortion Toxicity 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000003433 contraceptive agent Substances 0.000 description 1
- 230000002254 contraceptive effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000004104 gestational diabetes Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000003989 repetitive behavior Effects 0.000 description 1
- 208000013406 repetitive behavior Diseases 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 238000012546 transfer Methods 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
- 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
本申请提供了一种孤独症发病预测模型构建方法、预测方法及装置,其中所构建的孤独症发病预测模型基于样本集的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量构建,基于该预测模型能实现在儿童出生后能尽早筛查或诊断孤独症,以期早期发现、早期诊断,从而尽早开展系统的行为干预及改善预后,以提高预后效果。
Description
技术领域
本申请涉及医疗电子系统领域,尤其涉及一种孤独症发病预测模型构建方法、预测方法及装置。
背景技术
孤独症(自闭症)谱系障碍(Autism Spectrum Disorder,ASD)是常见的致残性神经发育性疾病。据美国疾控中心最新的研究显示患病率已高达1.85%(即1/54),我国的患病率约为0.39%,但该数据很可能低估了真实的患病情况。孤独症谱系障碍通常起病于儿童早期(3岁以前)并会延续终身,主要疾病症状为:持续的社会交流和互动障碍,以及显著的刻板/重复性行为和兴趣。不仅如此,该病还会严重影响儿童的智力和语言发育,且患者通常还会合并多种精神或躯体疾病。除影响个体健康外,孤独症谱系障碍还会对家庭和社会造成沉重的负担。
目前尚无针对孤独症社交障碍等核心症状的治疗药物,仅能通过长期系统的行为干预改善预后。大量临床研究也表明在选择恰当干预方案的基础上,针对ASD患者的干预开展时间越早,其预后改善程度越好。开展早期的干预的关键之一在于早期发现、早期诊断。美国儿科学会(AAP)建议从出生后9个月即开始定期筛查,对可疑患有孤独症等发育障碍的患儿进行更详细的专业评估,并及早进行干预。
但目前临床上孤独症通常在3~4岁甚至更晚才得以诊断,许多患儿存在诊断延误。引起诊断延误的原因之一在于临床现有的筛查或诊断工具仅仅基于儿童的行为表现进行评估判断,而孤独症早期的行为异常有时难以在低龄幼儿中被及时发现或准确识别,这就导致这些工具适用的年龄有限,通常只能对9个月以上的儿童进行筛查,对12-18个月以上的儿童进行诊断,且存在应用年龄越低,假阳性\假阴性率越高的问题。
因此,需要寻找一种儿童出生后尽早筛查或诊断孤独症的有效方法。
申请内容
本申请的目的在于提供一种孤独症发病预测模型构建方法、预测方法及装置,能实现在儿童出生后尽早筛查或诊断孤独症。
为实现上述申请目的,本申请提出了如下技术方案:
第一方面,提供一种孤独症发病预测模型构建方法,所述构建方法包括:
对预先采集的样本集的至少一项候选变量进行筛选获得所述样本集的至少一项危险因素;所述至少一项候选变量包括所述样本集中每一样本的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量;
基于所述至少一项危险因素构建孤独症发病预测模型,并确定所述孤独症发病预测模型的至少一项目标变量。
在一种较佳的实施方式中,所述至少一项候选变量包括至少一项连续变量;所述对预先采集的样本集的至少一项候选变量进行筛选获得所述样本集的至少一项危险因素,包括:
基于所述至少一项连续变量确定相应连续变量的变量参照组,基于所述变量参照组确定至少一项候选变量在所述样本集中的发生率;
根据预先设置的任一候选变量的缺失率阈值对所述至少一项候选变量进行第一次筛选;
对第一次筛选后的所述至少一项候选变量进行数据填补和/或变量合并;
根据预先设置的危险因素发生率阈值对完成数据填补和/或变量合并的所述至少一项候选变量基于相应的发生率进行第二次筛选获得所述样本集的至少一项危险因素。
在一种较佳的实施方式中,所述基于所述至少一项连续变量确定相应连续变量的变量参照组,包括:
根据预设任一连续变量与孤独症发病风险等级对应关系,将相应的所述连续变量划分成至少一个变量区间;
将所述孤独症发病风险等级最低的一个变量区间作为变量参照组。
在一种较佳的实施方式中,所述根据预先设置的任一候选变量的缺失率阈值对所述至少一项候选变量进行第一次筛选,包括:
获取每一候选变量的缺失率;
将缺失率小于相应预设缺失率阈值的候选变量筛除,获得第一次筛选后的所述至少一项候选变量。
在一种较佳的实施方式中,所述对第一次筛选后的所述至少一项候选变量进行数据填补和/或变量合并,包括:
采用期望最大化算法对第一次筛选后的所述至少一项候选变量进行数据填补;
将发生率小于预设危险因素发生率阈值的候选变量与关联候选变量进行合并。
在一种较佳的实施方式中,所述样本集包括预先标记的病例组及样本组;在获得所述样本集的至少一项危险因素之后,所述构建方法还包括:
基于病例-对照匹配法对所述病例组与所述样本组按照入组年龄进行组间1:1人数匹配。
在一种较佳的实施方式中,所述基于所述至少一项危险因素构建孤独症发病预测模型,并确定所述孤独症发病预测模型的至少一项目标变量,包括:
以所述至少一项危险因素为输入,相应的孤独症发病风险评分为输出,通过逐步Logistic回归方程构建孤独症发病预测模型;
基于所构建的孤独症发病预测模型确定相应的至少一项目标变量。
在一种较佳的实施方式中,所述方法还包括:
采用卡方自动交互检测决策树对所构建的所述逐步Logistic回归方程进行变量检测,以对获得的所述至少一项目标变量进行验证。
在一种较佳的实施方式中,所述至少一项目标变量包括孕期流感样症状、母亲过敏性或自身免疫性疾病、新生儿缺氧、孕期经历应激事件及剖腹产事件。
第二方面,提供一种孤独症发病预测方法,所述预测方法包括:
获取待测目标对象的至少一项目标变量;
以所述至少一项目标变量为输入,通过如第一方面任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
第三方面,提供一种孤独症发病预测模型构建装置,所述构建装置包括:
筛选模块,用于对预先采集的样本集的至少一项候选变量进行筛选获得所述样本集的至少一项危险因素;所述至少一项候选变量包括所述样本集中每一样本的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量;
构建模块,用于基于所述至少一项危险因素构建孤独症发病预测模型,并确定所述孤独症发病预测模型的至少一项目标变量。
第四方面,提供一种孤独症发病预测装置,所述预测装置包括:
获取模块,用于获取待测目标对象的至少一项目标变量;
预测模块,用于以所述至少一项目标变量为输入,通过如第一方面任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
第五方面,提供一种电子设备,包括:
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
获取待测目标对象的至少一项目标变量;
以所述至少一项目标变量为输入,通过如第一方面任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
第六方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
获取待测目标对象的至少一项目标变量;
以所述至少一项目标变量为输入,通过如第一方面任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
与现有技术相比,本申请具有如下有益效果:
本申请提供了一种孤独症发病预测模型构建方法、预测方法及装置,其中所构建的孤独症发病预测模型基于样本集的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量构建,基于该预测模型能实现在儿童出生后能尽早筛查或诊断孤独症,以期早期发现、早期诊断,从而尽早开展系统的行为干预及改善预后,以提高预后效果;
进一步,本申请提供的孤独症发病预测模型,其基于逐步Logistic回归方程构建,且在获得至少一项目标变量后,还采用决策树进行变量验证获得同样的至少一项目标变量内容,可见通过逐步Logistic回归方程确定的目标变量有效性较高,且能有效克服变量之间共线性及样本同质性差的问题,以提高模型准确度及精度;
需要说明的是,本申请仅需实现上述至少一种技术效果即可。
附图说明
图1是本实施例中孤独症发病预测模型构建方法的流程图;
图2是本实施例中训练样本孤独症风险评分模型ROC曲线图;
图3是本实施例中孤独症发病预测方法的流程图;
图4是是本实施例中计算机可读存储介质的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
鉴于孤独症谱系障碍通常起病于儿童早期(3岁以前)并会延续终身,目前临床上并无针对性较强的药物,而是多采用干预进行预后改善。而目前临床上需要在患儿3~4岁甚至更晚才能得以确诊,导致部分患儿诊断、干预介入时间延误。为此,本实施例提供一种孤独症发病预测模型构建方法、预测方法、装置、电子设备及计算机可读存储介质,能尽量提早孤独症筛查或诊断时间。
实施例
如图1所示,本实施例提供一种孤独症发病预测模型构建方法,该构建方法包括如下步骤:
S1、对预先采集的样本集的至少一项候选变量进行筛选获得样本集的至少一项危险因素。其中,至少一项候选变量包括样本集中每一样本的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量。
需要说明的是,临床资料调查表中的孕前环境因素变量、孕产期环境因素变量共计73项,当然,所有孕前、孕产期可能存在的环境因素都可以是本实施例中的候选变量,本实施例对比不作限制。示例性的,孕前环境因素变量包括父/母生育年龄、父/母是否患过敏性疾病等;孕期环境因素包括服用避孕药期间怀孕、妊娠期糖尿病等。可以理解的是,如父/母生育年龄这类候选变量存在一定的连续性,为连续变量,父/母是否患过敏性疾病这类候选变量为二分类变量。
示例性的,本实施例中的样本集为中国南方男性。
具体地,步骤S1包括如下子步骤:
S11、基于至少一项连续变量确定相应连续变量的变量参照组,基于变量参照组确定相应候选变量在样本集中的发生率。
其中,基于至少一项连续变量确定相应连续变量的变量参照组,包括:
S111、根据预设任一连续变量与孤独症发病风险等级对应关系,将相应的连续变量划分成至少一个变量区间。
具体地,以母亲生育年龄这一连续变量为例,获取样本集中孤独症发病风险随母亲生育年龄的变化趋势,并根据预先设置的母亲生育年龄与孤独症发病风险等级对应关系将母亲生育年龄划分成至少一个变量区间。
S112、将孤独症发病风险等级最低的一个变量区间作为变量参照组。
通常的,当孤独症发病风险随连续变量呈U型或J型关系时,将U型或J型最低点对应的变量区间作为变量参照组。示例性的,当母亲生育年龄为25~28岁之间时,儿童孤独症发病风险最低,则该年龄区间作为母亲生育年龄这一变量的变量参照组。
在确定变量参照组之后,将变量参照组的候选变量发生率定义为0。在确定变量参照组的发生率之后,进一步确定至少一项候选变量在样本集中的发生率。
S12、根据预先设置的任一候选变量的缺失率阈值对至少一项候选变量进行第一次筛选。具体地,步骤S12包括:
S121、获取每一候选变量的缺失率;
S122、将缺失率小于相应预设缺失率阈值的候选变量筛除,获得第一次筛选后的至少一项候选变量。
示例性的,缺失率阈值设置为5%,若候选变量的缺失率不大于5%,则保留,若大于5%,则筛除。当然,本实施例对于缺失率阈值不作限制,可根据具体实施过程具体设置。
S13、对第一次筛选后的至少一项候选变量进行数据填补和/或变量合并。具体地,步骤S13包括:
S131、采用期望最大化算法(Expectation Maximization,EM)对第一次筛选后的至少一项候选变量进行数据填补。
需要说明的是,在步骤S12控制候选变量满足一定缺失率的前提下,通过数据填补的方法能有效减小样本损失率。
S132、将发生率小于预设危险因素发生率阈值的候选变量与关联候选变量进行合并。
其中,关联候选变量是指相近性质的变量,如“妊娠期阴道流血”和“先兆流产”均为孕产期环境因素变量,且两者均可能导致流产,可作为关联候选变量。当其中任一变量发生率小于预设危险因素发生率阈值时,可将其与另一关联变量合并且计算总的发生率。
S14、根据预先设置的危险因素发生率阈值对完成数据填补和/或变量合并的至少一项候选变量基于相应的发生率进行第二次筛选获得样本集的至少一项危险因素。
在一种优选的实施方式中,在关联候选变量合并过程中,如全部关联候选变量合并之后仍然不满足危险因素发生率阈值,则将该变量舍去。本实施例对于危险因素发生率阈值不作限定,示例性的,危险因素发生率阈值取1%。
在一种优选的实施方式中,本实施例在经过上述步骤S1后所获得的至少一项危险因素为如下表1所示的29项,包括孕前、孕期、围产期三个阶段的环境因素。
表1
本实施例中的样本集包括预先标记的病例组及样本组。因此,在步骤S14之后,该构建方法还包括:
Sa、基于病例-对照匹配法对病例组与样本组按照入组年龄进行组间1:1人数匹配。
病例-对照匹配法就是把患有某种疾病的一组病人作为病例组(case),不患该疾病但是可比的另一组个体作为对照组(control),通过比较两组中我们关心的暴露因素的比例,从而推断暴露因素和疾病之间的关联。示例性的,目前通常采用SPSS实现病例-对照1:1匹配。
在完成上述步骤S1及Sa之后,执行下述步骤S2。
S2、基于至少一项危险因素构建孤独症发病预测模型,并确定孤独症发病预测模型的至少一项目标变量。具体的,步骤S2包括:
S21、以至少一项危险因素为输入,相应的孤独症发病风险评分为输出,通过逐步Logistic回归方程构建孤独症发病预测模型。
具体地,训练样本的至少一项危险因素通过逐步Logistic回归方程确定孤独症相关的至少一项目标变量,并根据最终保留在Logistic回归方程中的至少一项目标变量的权重构建孤独症发病预测模型。
S22、基于所构建的孤独症发病预测模型确定相应的至少一项目标变量。在完成模型构建后,即可确定相关的目标变量。
在一种优选的实施方式中,以上述表1中29项危险因素通过逐步Logistic回归方程构建孤独症发病预测模型后,根据该预测模型最终确定目标变量包括:孕期流感样症状、母亲过敏性或自身免疫性疾病、新生儿缺氧、孕期经历应激事件及剖腹产事件共5项,当然,本实施例并不以此为限。
在一种优选的实施方式中,该预测模型构建方法还包括:获取样本集的至少一项协变量,至少一项协变量包括入组年龄、居住地区、父母受教育程度等。在通过逐步Logistic回归方程进行孤独症发病预测模构建时,将协变量作为逐步Logistic回归方程的第一层输入,将至少一项危险因素作为逐步Logistic回归方程的第二层输入。
在完成孤独症发病预测模型构建后,方法还包括:Sb、采用卡方自动交互检测(Chi-squared Automatic Interaction Detection,CHAID)决策树对所构建的逐步Logistic回归方程进行变量检测,以对获得的至少一项目标变量进行验证。
示例性的,采用CHAID决策树进行变量验证时,父节点最小个案数50,子节点最小个案数25,最大树深度5层,十倍交叉验证(10-fold cross validation)。
CHAID决策树是一种常用的数据挖掘方法,其本质是按各自变量对因变量的关联程度依次逐步分层。CHAID决策树属于非参数检验,相比Logistic回归不要求数据分布类型,CHAID决策树的优点在于可以克服变量之间共线性及样本的同质性差的问题,并以树形图直观展现各自变量与因变量的关系及各自变量之间的相互关系。
本实施例中,逐步回归方程中筛选出的5个自变量均作为关键变量出现于决策树中,即表明使用非参数检验的方法验证了Logistic回归方程筛选出的孤独症危险因素。因此,综合Logistic回归方程及CHAID决策树的结果可以认为,孕期流感样症状、母亲过敏性及自身免疫性疾病、新生儿缺氧、孕期经历应激事件及剖腹产事件这5个孕产期环境危险因素可能增加孤独症的发病风险。
在完成风险能力验证后,根据逐步Logistic回归方程中目标变量的回归系数,计算各目标变量的风险赋分。示例性的,如表2所示为孤独症孕产期危险因素Logistic回归分析结果。
表2
如表2所示,5个目标变量按照比值比(Odds Ratio,OR)大小排序分别为:孕期流感样症状(OR=3.569,95%CI=1.977-6.444)、母亲过敏性及自身免疫性疾病(OR=3.263,95%CI=1.510-7.050)、新生儿缺氧(OR=2.615,95%CI=1.138-6.008)、孕期经历应激事件(OR=2.015,95%CI=1.171-3.467)及剖腹产事件(OR=1.653,95%CI=1.060-2.576)。由此,相应计算获得上述5个目标变量的风险赋分依次为5分、5分、4分、3分、2分,并基于上述风险赋分相加计算获得风险总分。该风险评分模型理论取值范围为0-19分。训练样本病例组风险总分平均为5.34±4.46,最低0分,最高19分,对照组风险总分平均为2.30±2.63,最低0分,最高12分。两组风险总分比较存在显著性差异(t=8.316,p<0.001)。
在完成孤独症发病预测模型构建后,该模型构建方法还包括:Sc、对所构建的孤独症发病预测模型进行预测能力验证。
步骤Sc具体为:采用验证样本通过接受者操作特性曲线(receiver operatingcharacteristic curve,ROC曲线)对所构建的孤独症发病预测模型进行预测能力验证,ROC曲线参照图2所示。其中,验证样本可以为样本集预先划分的子样本集,也可以为外部验证样本集。
示例性的,当采用样本集中预先划分获得的验证样本进行模型预测能力验证时,根据图2可知,该模型预测能力良好,曲线下面积为0.714(95%CI 0.664-0.764),与0.5(随机概率)相比差异具有统计学意义(p<0.001)。根据ROC曲线,该模型最佳分界值为3.5,即约登指数(Youden Index)最大时的分数。约登指数也称诊断正确指数,是敏感性与特异性之和减去1,该指数越大表示模型筛查真正患者与非患者的能力越强。在该分界值下模型敏感性为0.587,特异性为0.244,阳性预测值(PPV)0.707,阴性预测值(NPV)0.647,PLR2.406,NLR0.546。
其中,敏感性表示在在实际有病的人群中,检测出阳性的几率,即代表模型有多大的能力检出真正的患者,即检测出确实有病的能力。特异性表示在实际无病的人群中,检测出阴性的几率,即代表模型有多大能力不误诊患者,即检测出确实没病的能力。PPV表示在所有被模型判断为有病的患者中,实际有病的概率,代表阳性检查的准确性有多高。NPV表示在所有被模型判断为无病的患者中,实际无病的概率,代表阴性检查的准确性有多高。
需要说明的是,对于灵敏度、特异度、PPV、NPV的判断,目前一般无定论,通常根据工具使用的不同目的加以确定。如用于筛查时,需要较高的灵敏度,用于确诊时,需要较高的特异度。从统计学角度,灵敏度、特异的应大于至少0.5,0.3-0.5为较差,0.5-0.7为一般,0.7-0.9为优秀,0.9以上为特别优秀;PPV、NPV也一般需要大于0.5。目前公认用于孤独症筛查、预测的成熟量表工具,一般上述指标都在0.7-0.9左右,相比而言,认为该工具目前相关指标尚可接受。
该孤独症发病预测模型不同预测界值下的预测能力评价指标见表3所示。
表3
*最佳分界值
在上述孤独症发病预测模型构建方法基础上,如图3所示,本实施例还提供一种孤独症发病预测方法,所述预测方法包括:
S10、获取待测目标对象的至少一项目标变量;其中,至少一项目标变量包括孕期流感样症状、母亲过敏性或自身免疫性疾病、新生儿缺氧、孕期经历应激事件及剖腹产事件。
S20、以至少一项目标变量为输入,通过上述构建的孤独症发病预测模型进行预测获得目标对象的孤独症发病风险评分。
上述孤独症发病预测方法在具体的临床应用中包括但不限于下述方式:
1、作为第一阶段筛查工具对普通人群及孤独症高危人群进行筛查。具体地,该筛查方法包括:
S10a、基于患者家长提供的可靠信息或相关医疗记录获取相应全部目标变量;其中,全部目标变量包括孕期流感样症状、母亲过敏性或自身免疫性疾病、新生儿缺氧、孕期经历应激事件及剖腹产事件。
S20a、基于全部目标变量,通过孤独症发病预测模型计算出患者的风险得分。
判定风险的风超过最佳分界值(3.5分)者为筛查阳性,未来再进行针对性的随访。在该最佳分界值下,模型预测的准确性和灵敏性分别为0.756和0.587,阳性预测值和阴性预测值分别为0.707和0.647。上述指标与目前常用于一阶段筛查的成熟量表工具相比,性能接近,但却能大大降低对受检者的年龄限制。
2、预测个体发病风险。具体地,该预测方法包括:
S10b、基于待预测患者家长提供的可靠信息或相关医疗记录获取相应的至少一项目标变量,至少一项目标变量指孕期流感样症状、母亲过敏性或自身免疫性疾病、新生儿缺氧、孕期经历应激事件及剖腹产事件中的至少一项。
S20b、基于至少一项目标变量,通过孤独症发病预测模型计算出患者的风险得分。
需要说明的是,进行发病风险预测时,采用所确定的一项或至少两项目标变量通过模型计算获得风险得分。该模型积累的得分越高,患病风险越高。
通过Logistic回归OR值可以计算出患者每增加1分,其发病风险较参考得分(0分)增加1.31倍,最终估算出大致的发病风险。
综上,本实施例所构建的孤独症发病预测模型基于样本集的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量构建,基于该预测模型能实现在儿童出生后能尽早筛查或诊断孤独症,以期早期发现、早期诊断,从而尽早开展系统的行为干预及改善预后,以提高预后效果;
进一步,本申请提供的孤独症发病预测模型,其基于逐步Logistic回归方程构建,且在获得至少一项目标变量后,还采用决策树进行变量验证获得同样的至少一项目标变量内容,可见通过逐步Logistic回归方程确定的目标变量有效性较高,且能有效克服变量之间共线性及样本同质性差的问题,以提高模型准确度及精度。
此外,本实施例还提供一种孤独症发病预测模型构建装置,所述构建装置包括:
筛选模块,用于对预先采集的样本集的至少一项候选变量进行筛选获得所述样本集的至少一项危险因素;所述至少一项候选变量包括所述样本集中每一样本的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量。
组件匹配模块,用于基于病例-对照匹配法对所述病例组与所述样本组按照入组年龄进行组间1:1人数匹配。
训练模块,用于基于所述至少一项危险因素构建孤独症发病预测模型,并确定所述孤独症发病预测模型的至少一项目标变量。其中,至少一项目标变量包括孕期流感样症状、母亲过敏性或自身免疫性疾病、新生儿缺氧、孕期经历应激事件及剖腹产事件。
变量检测模块,用于采用卡方自动交互检测决策树对所构建的所述逐步Logistic回归方程进行变量检测,以对获得的所述至少一项目标变量进行验证。
具体地,筛选模块包括:
第一处理单元,用于基于所述至少一项连续变量确定相应连续变量的变量参照组,基于所述变量参照组确定至少一项候选变量在所述样本集中的发生率;
第一筛选单元,用于根据预先设置的任一候选变量的缺失率阈值对所述至少一项候选变量进行第一次筛选;
第二处理单元,用于对第一次筛选后的所述至少一项候选变量进行数据填补和/或变量合并;
第二筛选单元,用于根据预先设置的危险因素发生率阈值对完成数据填补和/或变量合并的所述至少一项候选变量基于相应的发生率进行第二次筛选获得所述样本集的至少一项危险因素。
更具体的,第一处理单元具体用于:
根据预设任一连续变量与孤独症发病风险等级对应关系,将相应的所述连续变量划分成至少一个变量区间;
将所述孤独症发病风险等级最低的一个变量区间作为变量参照组。
第一筛选单元具体用于:
获取每一候选变量的缺失率;
将缺失率小于相应预设缺失率阈值的候选变量筛除,获得第一次筛选后的所述至少一项候选变量。
第二处理单元具体用于:
采用期望最大化算法对第一次筛选后的所述至少一项候选变量进行数据填补;
将发生率小于预设危险因素发生率阈值的候选变量与关联候选变量进行合并。
更进一步,训练模块包括:
训练单元,用于以所述至少一项危险因素为输入,相应的孤独症发病风险评分为输出,通过逐步Logistic回归方程构建孤独症发病预测模型;
第三处理单元,用于基于所构建的孤独症发病预测模型确定相应的至少一项目标变量。
需要说明的是:上述实施例提供的孤独症发病预测模型构建装置在触发孤独症发病预测模型构建业务时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的孤独症发病预测模型构建装置与孤独症发病预测模型构建方法的实施例属于同一构思,即该系统是基于该方法的,其具体实现过程详见方法实施例,这里不再赘述。
进一步,本实施例还提供一种孤独症发病预测装置,所述预测装置包括:
获取模块,用于获取待测目标对象的至少一项目标变量;
预测模块,用于以所述至少一项目标变量为输入,通过如第一方面任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
需要说明的是:上述实施例提供的孤独症发病预测装置在触发孤独症发病预测业务时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的孤独症发病预测装置与孤独症发病预测方法的实施例属于同一构思,即该系统是基于该方法的,其具体实现过程详见方法实施例,这里不再赘述。
更进一步,本实施例还提供一种电子设备,包括:
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
获取待测目标对象的至少一项目标变量;
以所述至少一项目标变量为输入,通过所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
关于执行程序指令所实现的孤独症发病预测方法,具体执行细节与前述方法中的描述内容是一致的,此处将不再赘述。
最后,本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
获取待测目标对象的至少一项目标变量;
以所述至少一项目标变量为输入,通过所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
具体地,可以采用一个或多个计算机可读介质的任意组合。计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。
如图4所示,计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
尽管已描述了本发明实施例中的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
当然上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的修饰,都应涵盖在本发明的保护范围之内。
Claims (14)
1.孤独症发病预测模型构建方法,其特征在于,所述构建方法包括:
对预先采集的样本集的至少一项候选变量进行筛选获得所述样本集的至少一项危险因素;所述至少一项候选变量包括所述样本集中每一样本的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量;
基于所述至少一项危险因素构建孤独症发病预测模型,并确定所述孤独症发病预测模型的至少一项目标变量。
2.根据权利要求1所述的构建方法,其特征在于,所述至少一项候选变量包括至少一项连续变量;所述对预先采集的样本集的至少一项候选变量进行筛选获得所述样本集的至少一项危险因素,包括:
基于所述至少一项连续变量确定相应连续变量的变量参照组,基于所述变量参照组确定至少一项候选变量在所述样本集中的发生率;
根据预先设置的任一候选变量的缺失率阈值对所述至少一项候选变量进行第一次筛选;
对第一次筛选后的所述至少一项候选变量进行数据填补和/或变量合并;
根据预先设置的危险因素发生率阈值对完成数据填补和/或变量合并的所述至少一项候选变量基于相应的发生率进行第二次筛选获得所述样本集的至少一项危险因素。
3.根据权利要求2所述的构建方法,其特征在于,所述基于所述至少一项连续变量确定相应连续变量的变量参照组,包括:
根据预设任一连续变量与孤独症发病风险等级对应关系,将相应的所述连续变量划分成至少一个变量区间;
将所述孤独症发病风险等级最低的一个变量区间作为变量参照组。
4.根据权利要求2所述的构建方法,其特征在于,所述根据预先设置的任一候选变量的缺失率阈值对所述至少一项候选变量进行第一次筛选,包括:
获取每一候选变量的缺失率;
将缺失率小于相应预设缺失率阈值的候选变量筛除,获得第一次筛选后的所述至少一项候选变量。
5.根据权利要求2所述的构建方法,其特征在于,所述对第一次筛选后的所述至少一项候选变量进行数据填补和/或变量合并,包括:
采用期望最大化算法对第一次筛选后的所述至少一项候选变量进行数据填补;
将发生率小于预设危险因素发生率阈值的候选变量与关联候选变量进行合并。
6.根据权利要求2所述的构建方法,其特征在于,所述样本集包括预先标记的病例组及样本组;在获得所述样本集的至少一项危险因素之后,所述构建方法还包括:
基于病例-对照匹配法对所述病例组与所述样本组按照入组年龄进行组间1:1人数匹配。
7.根据权利要求1~6任意一项所述的构建方法,其特征在于,所述基于所述至少一项危险因素构建孤独症发病预测模型,并确定所述孤独症发病预测模型的至少一项目标变量,包括:
以所述至少一项危险因素为输入,相应的孤独症发病风险评分为输出,通过逐步Logistic回归方程构建孤独症发病预测模型;
基于所构建的孤独症发病预测模型确定相应的至少一项目标变量。
8.根据权利要求7所述的构建方法,其特征在于,所述方法还包括:
采用卡方自动交互检测决策树对所构建的所述逐步Logistic回归方程进行变量检测,以对获得的所述至少一项目标变量进行验证。
9.根据权利要求1~6、8任意一项所述的构建方法,其特征在于,所述至少一项目标变量包括孕期流感样症状、母亲过敏性或自身免疫性疾病、新生儿缺氧、孕期经历应激事件及剖腹产事件。
10.孤独症发病预测方法,其特征在于,所述预测方法包括:
获取待测目标对象的至少一项目标变量;
以所述至少一项目标变量为输入,通过如权利要求1~9任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
11.孤独症发病预测模型构建装置,其特征在于,所述构建装置包括:
筛选模块,用于对预先采集的样本集的至少一项候选变量进行筛选获得所述样本集的至少一项危险因素;所述至少一项候选变量包括所述样本集中每一样本的至少一项孕前环境因素变量和/或至少一项孕产期环境因素变量;
构建模块,用于基于所述至少一项危险因素构建孤独症发病预测模型,并确定所述孤独症发病预测模型的至少一项目标变量。
12.孤独症发病预测装置,其特征在于,所述预测装置包括:
获取模块,用于获取待测目标对象的至少一项目标变量;
预测模块,用于以所述至少一项目标变量为输入,通过如权利要求1~9任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
获取待测目标对象的至少一项目标变量;
以所述至少一项目标变量为输入,通过如权利要求1~9任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
获取待测目标对象的至少一项目标变量;
以所述至少一项目标变量为输入,通过如权利要求1~9任意一项所构建的孤独症发病预测模型进行预测获得所述目标对象的孤独症发病风险评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111482753.7A CN114141374B (zh) | 2021-12-07 | 2021-12-07 | 孤独症发病预测模型构建方法、预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111482753.7A CN114141374B (zh) | 2021-12-07 | 2021-12-07 | 孤独症发病预测模型构建方法、预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114141374A true CN114141374A (zh) | 2022-03-04 |
CN114141374B CN114141374B (zh) | 2022-11-15 |
Family
ID=80384775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111482753.7A Active CN114141374B (zh) | 2021-12-07 | 2021-12-07 | 孤独症发病预测模型构建方法、预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114141374B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2849313A1 (en) * | 2011-09-30 | 2013-04-04 | Univfy Inc. | Method for generating healthcare-related validated prediction models from multiple sources |
US20140304200A1 (en) * | 2011-10-24 | 2014-10-09 | President And Fellows Of Harvard College | Enhancing diagnosis of disorder through artificial intelligence and mobile health technologies without compromising accuracy |
US20190209097A1 (en) * | 2015-05-15 | 2019-07-11 | The General Hospital Corporation | System and methods for early diagnosis of autism spectrum disorders |
CN110996766A (zh) * | 2017-07-19 | 2020-04-10 | 布鲁姆技术公司 | 监测子宫活动和评估早产风险 |
WO2020206447A2 (en) * | 2019-04-05 | 2020-10-08 | Arizona Board Of Regents On Behalf Of Arizona State University | Diagnostic for maternal risk of having a child with autism spectrum disorder |
CA3142003A1 (en) * | 2019-05-31 | 2020-12-03 | Informed Data Systems Inc. D/B/A One Drop | Systems for biomonitoring and blood glucose forecasting, and associated methods |
CN112668809A (zh) * | 2020-10-30 | 2021-04-16 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
US20210219892A1 (en) * | 2018-10-05 | 2021-07-22 | Hoffmann-La Roche Inc. | Digital biomarkers for assessing schizophrenia or an autism spectrum disorder |
US20210255198A1 (en) * | 2018-06-11 | 2021-08-19 | The United States of America as Represented by the Department of Veterans Affairs Office | Methods for objective assessment of stress, early detection of risk for stress disorders, matching individuals with treatments, monitoring response to treatment, and new methods of use for drugs |
AU2021103835A4 (en) * | 2021-07-02 | 2021-08-26 | .A, Kumaresan | Autism disorder prediction using deep learning approach |
CN113506624A (zh) * | 2021-08-16 | 2021-10-15 | 北京阿叟阿巴科技有限公司 | 基于逐层泛化推送逻辑的孤独症儿童认知能力评估干预系统 |
CN113528650A (zh) * | 2021-08-03 | 2021-10-22 | 长沙艾克曼生物科技有限公司 | Tmp21基因的表达可以作为自闭症早期筛查、早期识别和症状严重程度预测的客观指标 |
CN113611421A (zh) * | 2021-08-20 | 2021-11-05 | 温州医科大学附属第二医院(温州医科大学附属育英儿童医院) | 一种中国南方早产儿视网膜病变预测模型及其构建方法 |
-
2021
- 2021-12-07 CN CN202111482753.7A patent/CN114141374B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2849313A1 (en) * | 2011-09-30 | 2013-04-04 | Univfy Inc. | Method for generating healthcare-related validated prediction models from multiple sources |
US20140304200A1 (en) * | 2011-10-24 | 2014-10-09 | President And Fellows Of Harvard College | Enhancing diagnosis of disorder through artificial intelligence and mobile health technologies without compromising accuracy |
US20190209097A1 (en) * | 2015-05-15 | 2019-07-11 | The General Hospital Corporation | System and methods for early diagnosis of autism spectrum disorders |
CN110996766A (zh) * | 2017-07-19 | 2020-04-10 | 布鲁姆技术公司 | 监测子宫活动和评估早产风险 |
US20210255198A1 (en) * | 2018-06-11 | 2021-08-19 | The United States of America as Represented by the Department of Veterans Affairs Office | Methods for objective assessment of stress, early detection of risk for stress disorders, matching individuals with treatments, monitoring response to treatment, and new methods of use for drugs |
US20210219892A1 (en) * | 2018-10-05 | 2021-07-22 | Hoffmann-La Roche Inc. | Digital biomarkers for assessing schizophrenia or an autism spectrum disorder |
WO2020206447A2 (en) * | 2019-04-05 | 2020-10-08 | Arizona Board Of Regents On Behalf Of Arizona State University | Diagnostic for maternal risk of having a child with autism spectrum disorder |
CA3142003A1 (en) * | 2019-05-31 | 2020-12-03 | Informed Data Systems Inc. D/B/A One Drop | Systems for biomonitoring and blood glucose forecasting, and associated methods |
CN112668809A (zh) * | 2020-10-30 | 2021-04-16 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
AU2021103835A4 (en) * | 2021-07-02 | 2021-08-26 | .A, Kumaresan | Autism disorder prediction using deep learning approach |
CN113528650A (zh) * | 2021-08-03 | 2021-10-22 | 长沙艾克曼生物科技有限公司 | Tmp21基因的表达可以作为自闭症早期筛查、早期识别和症状严重程度预测的客观指标 |
CN113506624A (zh) * | 2021-08-16 | 2021-10-15 | 北京阿叟阿巴科技有限公司 | 基于逐层泛化推送逻辑的孤独症儿童认知能力评估干预系统 |
CN113611421A (zh) * | 2021-08-20 | 2021-11-05 | 温州医科大学附属第二医院(温州医科大学附属育英儿童医院) | 一种中国南方早产儿视网膜病变预测模型及其构建方法 |
Non-Patent Citations (1)
Title |
---|
LARRY BURD,ROBIN SEVERUD, JACOB KERBESHIAN,MARILYN G.KLUG: "《Prenatal and Perinatal risk factors for autism》", 《J.PERINAT.MED》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114141374B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Prenatal, perinatal and neonatal risk factors for intellectual disability: a systemic review and meta-analysis | |
Chowdhury et al. | An early warning tool for predicting mortality risk of COVID-19 patients using machine learning | |
Zhang et al. | Development and validation of a machine learning algorithm for predicting the risk of postpartum depression among pregnant women | |
Kim et al. | An easy-to-use machine learning model to predict the prognosis of patients with COVID-19: retrospective cohort study | |
Mann et al. | Uncovering the complex relationship between pre‐eclampsia, preterm birth and cerebral palsy | |
Sheen et al. | Maternal age and preeclampsia outcomes during delivery hospitalizations | |
Sun et al. | A prediction model based on machine learning for diagnosing the early COVID-19 patients | |
Gebremedhin et al. | Effect of interpregnancy interval on gestational diabetes: a retrospective matched cohort study | |
Zhu et al. | Improving the diagnosis of phenylketonuria by using a machine learning–based screening model of neonatal MRM data | |
Wiehe et al. | Test positivity for chlamydia, gonorrhea, and syphilis infection among a cohort of individuals released from jail in Marion County, Indiana | |
Sabetian et al. | Prediction of patients with COVID-19 requiring intensive care: a cross-sectional study based on machine-learning approach from Iran | |
Kodesh et al. | Maternal health around pregnancy and autism risk: a diagnosis-wide, population-based study | |
Sultan et al. | Pregnancy complications and adverse birth outcomes among women with celiac disease: a population-based study from England | |
Tan et al. | Development and validation of a prediction model on severe maternal outcomes among pregnant women with pre-eclampsia: a 10-year cohort study | |
Huang et al. | Defining longitudinal trajectory of body mass index percentile and predicting childhood obesity: methodologies and findings in the Boston Birth Cohort | |
CN114141374B (zh) | 孤独症发病预测模型构建方法、预测方法及装置 | |
Martínez-Velasco et al. | Machine learning approach for pre-eclampsia risk factors association | |
Moss et al. | Testing competing mediators of the association between pre-conception maternal depression and child health-related quality of life: the MatCH study | |
Luebcke et al. | An integrated review of obstetric admissions in the intensive care unit | |
Tokumasu et al. | Predictive value of clinical chorioamnionitis in extremely premature infants | |
Mia et al. | The use of score for neonatal acute physiology perinatal extention II (SNAPPE II) in predicting neonatal outcome in neonatal intensive care unit | |
Ting et al. | Probabilistic Risk Assessment of COVID-19 Patients at COVID-19 Assessment Centre | |
Sowah et al. | Predictors of in-hospital mortality in a cohort of people living with HIV (PLHIV) admitted to an academic medical intensive care unit from 2009 to 2014: a retrospective cohort study | |
De Blauw et al. | Incidence of childhood meningoencephalitis in children with a suspected meningoencephalitis in the Netherlands | |
van Kuijk et al. | External validation of a model for periconceptional prediction of recurrent early-onset preeclampsia |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240417 Address after: 410083 Hunan province Changsha Lushan Road No. 932 Patentee after: CENTRAL SOUTH University Country or region after: China Address before: 410000 139 people's Middle Road, Furong district, Changsha, Hunan Patentee before: THE SECOND XIANGYA HOSPITAL OF CENTRAL SOUTH University Country or region before: China |
|
TR01 | Transfer of patent right |