CN114188019A - 一种鉴别缺血性脑卒中的预测模型建立方法及系统 - Google Patents
一种鉴别缺血性脑卒中的预测模型建立方法及系统 Download PDFInfo
- Publication number
- CN114188019A CN114188019A CN202111439204.1A CN202111439204A CN114188019A CN 114188019 A CN114188019 A CN 114188019A CN 202111439204 A CN202111439204 A CN 202111439204A CN 114188019 A CN114188019 A CN 114188019A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- ischemic stroke
- prediction model
- stroke
- 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
- 208000032382 Ischaemic stroke Diseases 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 35
- 210000002966 serum Anatomy 0.000 claims abstract description 60
- 102100037293 Atrial natriuretic peptide-converting enzyme Human genes 0.000 claims abstract description 56
- 101710133555 Atrial natriuretic peptide-converting enzyme Proteins 0.000 claims abstract description 56
- 208000006011 Stroke Diseases 0.000 claims abstract description 43
- 206010008092 Cerebral artery thrombosis Diseases 0.000 claims abstract description 10
- 238000000611 regression analysis Methods 0.000 claims abstract description 6
- 102000015779 HDL Lipoproteins Human genes 0.000 claims description 19
- 108010010234 HDL Lipoproteins Proteins 0.000 claims description 19
- 206010020772 Hypertension Diseases 0.000 claims description 19
- 230000035488 systolic blood pressure Effects 0.000 claims description 18
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 17
- 210000004369 blood Anatomy 0.000 claims description 17
- 239000008280 blood Substances 0.000 claims description 17
- 239000008103 glucose Substances 0.000 claims description 17
- 230000006872 improvement Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 208000029078 coronary artery disease Diseases 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000000391 smoking effect Effects 0.000 claims description 11
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 7
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 7
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 7
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 7
- 206010012601 diabetes mellitus Diseases 0.000 claims description 7
- 229940116269 uric acid Drugs 0.000 claims description 7
- 230000035622 drinking Effects 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 3
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 3
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 238000013517 stratification Methods 0.000 claims description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 abstract description 2
- 230000002490 cerebral effect Effects 0.000 abstract description 2
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 6
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 108020001621 Natriuretic Peptide Proteins 0.000 description 1
- 102000004571 Natriuretic peptide Human genes 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 102000012479 Serine Proteases Human genes 0.000 description 1
- 108010022999 Serine Proteases Proteins 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 201000007201 aphasia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000000692 natriuretic peptide Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 210000002330 subarachnoid space Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000002537 thrombolytic 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种鉴别缺血性脑卒中的预测模型建立方法及系统，包括以下步骤：S1：采集卒中患者以及健康者的临床数据并制作数据集，其中，所述临床数据包括血清corin蛋白；S2：对数据集进行后退法logistics回归分析筛选出缺血性脑卒中发病风险的独立影响因素；S3：将独立影响因素导入提前构建好的Nomogram模型，得到缺血性脑卒中预测模型。本发明快速鉴定脑卒中类型，降低缺血性卒中患者的残疾风险，减少社会的经济负担。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种鉴别缺血性脑卒中的预测模型建立方法及系统。
背景技术
卒中是严重危害人类健康的重大慢性非传染性疾病，是全球第二大死亡原因和第三大残疾原因。最新全球疾病负担研究(Global Burden of Disease Study，GBD)显示，我国总体卒中终生发病风险为39.9％，位居全球首位，具有高发病率、高致残率、高死亡率、高复发率、高经济负担五大特点。出血性卒中是由脑血管破裂出血引起的，直接进入脑实质或进入脑组织周围的蛛网膜下腔，损害了神经系统；缺血性卒中通常是由部分大脑供血减少引起的，导致相应区域的脑组织功能障碍。然而，这两种类型的卒中发病时的临床症状相似，包括突然头痛、意识障碍、失语和偏瘫等，但其临床治疗却完全不同，交叉治疗会使患者的病情恶化，因此尽早有效地识别卒中类型，可以有效提高治愈率。
迄今为止，医生主要依靠CT或MRI来诊断卒中的类型。然而，这些仪器价格昂贵，操作繁琐，不易携带。根据临床指南显示，缺血性卒中发病4.5小时后不建议进行溶栓治疗，如果从发病到治疗的时间过长，即使病人存活下来，也可能留下不同程度的残疾，严重残疾的病人需要终身护理。因此，在患者到达医院之前，能够在急救现场确定卒中类型尤为重要，以确保后续治疗的准确性和针对性。
发明内容
本发明的目的是提供一种鉴别缺血性脑卒中的预测模型建立方法及系统，快速鉴定脑卒中类型，降低缺血性卒中患者的残疾风险，减少社会的经济负担。
为了解决上述技术问题，本发明提供了一种鉴别缺血性脑卒中的预测模型建立方法，包括以下步骤：
S1：采集卒中患者以及健康者的临床数据并制作数据集，其中，所述临床数据包括血清corin蛋白；
S2：对数据集进行后退法logistics回归分析筛选出缺血性脑卒中发病风险的独立影响因素；
S3：将独立影响因素导入提前构建好的Nomogram模型，得到缺血性脑卒中预测模型。
作为本发明的进一步改进，所述步骤S1中卒中患者的筛选条件：年龄大于等于22岁，且经影像学证实的48小时内发病的卒中，以及患者或其直系亲属能够并愿意签署知情同意书；健康者作为对照数据为从未患过心脑血管疾病的志愿者。
作为本发明的进一步改进，所述临床数据还包括：年龄、性别、吸烟、饮酒、卒中家族史、冠心病、高血压、糖尿病、收缩压、低密度脂蛋白、高密度脂蛋白、空腹血糖、血清尿酸、血清corin蛋白。
作为本发明的进一步改进，所述临床数据通过结构化的调查问卷来记录年龄、性别、吸烟、饮酒、卒中家族史、冠心病、高血压和糖尿病，通过标准方法测量收缩压、低密度脂蛋白、高密度脂蛋白、空腹血糖、血清尿酸、血清corin蛋白。
作为本发明的进一步改进，所述步骤S2中筛选出的缺血性脑卒中发病风险的独立影响因素包括独立危险因素和独立保护因素，所述独立危险因素为年龄、有卒中家族史、收缩压、空腹血糖，所述独立保护因素为性别、高血压、高密度脂蛋白及血清corin蛋白。
作为本发明的进一步改进，所述步骤S3具体包括以下步骤：将独立影响因素输入Nomogram模型，计算优势比和95％可信区间，绘制Nomogram模型的列线图，并通过列线图得到预测结果。
一种鉴别缺血性脑卒中的预测模型评估方法，对于如上所述鉴别缺血性脑卒中的预测模型建立方法所建立的预测模型进行评估，包括以下步骤：
S4：将数据集按照1:1随机分为训练集和验证集；
S5：分别对训练集和验证集的模型预测进行绘制受试者操作特征曲线和拟合优度指标评估模型的区分度和准确度。
作为本发明的进一步改进，还包括：
将步骤S1中的数据集为新模型数据集，去除步骤S1中数据集的血清corin蛋白数据，并制作数据集为传统数据集；
分别将新模型数据和传统数据集进行步骤S2-S3，得到新预测模型和传统预测模型；
计算比较新预测模型和传统预测模型的受试者操作特征曲线下面积，同时采用净重分类改善指数和整体鉴别指数来评估血清corin蛋白是否能提高模型的预测效能。
作为本发明的进一步改进，净重分类改善指数表示相较于传统预测模型，引入血清corin蛋白的新预测模型能否改善危险分层结果，若净重分类改善指数大于0则提示引入新标志物后的模型可提升对事件的预测水平；整体鉴别指数表示新旧模型的区分梯度之差，反映与传统预测模型相比，新预测模型区分能力是否提高。
一种鉴别缺血性脑卒中的预测系统，采用如上所述的一种鉴别缺血性脑卒中的预测模型建立方法所建立的预测模型，包括：
数据采集模块，采集患者临床数据并制作预测数据集，其中，所述预测数据集包括年龄、有卒中家族史、收缩压、空腹血糖、性别、高血压、高密度脂蛋白及血清corin蛋白；
预测模块，将预测数据集输入缺血性脑卒中预测模型，绘制预测模型的列线图，通过列线图得到患者是否为缺血性脑卒中的预测结果。
本发明的有益效果：本发明基于Nomogram图快速鉴别缺血性脑卒中的预测模型解决了出血性卒中和缺血性卒中在发病第一时间难以辨别的问题，本预测模型可以有效地识别卒中类型，提高治愈率；血清corin蛋白水平与卒中发病风险及预后有关，在缺血性和出血性卒中患者中的水平也有差异，本预测模型在新增血清corin蛋白后，对缺血性卒中的发病风险的区分度显著提高；本预测模型，通过采集临床数据并进行预处理，采集基本资料数据并记录储存等，能够最大程度获取各项关键有用信息；通过预测模型计算缺血性卒中发生的风险，能够指导临床医生尽早识别患者发病风险，提高治愈率。
附图说明
图1是本发明预测模型建立流程示意图；
图2是本发明实施例缺血性卒中发病风险的Nomogram模型；
图3是本发明实施例训练集列线图模型的ROC曲线图；
图4是本发明实施例图3的校准图分析图；
图5是本发明实施例验证集的ROC曲线图；
图6是本发明实施例图5的校准图分析图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本发明提供了一种鉴别缺血性脑卒中的预测模型建立方法，包括以下步骤：
S1：采集卒中患者以及健康者的临床数据并制作数据集，其中，所述临床数据包括血清corin蛋白；
S2：对数据集进行后退法logistics回归分析筛选出缺血性脑卒中发病风险的独立影响因素；
S3：将独立影响因素导入提前构建好的Nomogram模型，得到缺血性脑卒中预测模型。
具体的，S1中卒中患者的入组标准如下：(1)年龄≥22岁；(2)经影像学证实的48小时内发病的卒中；(3)患者或其直系亲属能够并愿意签署知情同意书。从未患过心脑血管疾病的对照组是随机招募的参与者组成的队列。采用上述的入组标准能够达到确定入组纳入统计时的准确度。S1张工卒中患者的排除标准如下：(1)复发性卒中；(2)目前是孕妇。同样，采用上述的入组排除标准能够达到确定入组纳入统计时的准确度。采集的基本资料数据包括年龄、性别、吸烟、饮酒、卒中家族史、冠心病、高血压、糖尿病、收缩压、低密度脂蛋白、高密度脂蛋白、空腹血糖、血清尿酸、血清corin蛋白。上述的基本资料数据能够囊括需要的各种数据。统计构建预测模型：采用多因素logistics回归方法构建预测模型，并用后退法筛选出最佳的模型参数，S2中筛选出的缺血性脑卒中发病风险的独立影响因素包括独立危险因素和独立保护因素，所述独立危险因素为年龄、有卒中家族史、收缩压、空腹血糖，所述独立保护因素为性别、高血压、高密度脂蛋白及血清corin蛋白，计算优势比和95％可信区间，绘制预测模型的列线图，并通过列线图得到预测结果。
进一步的，通过结构化的调查问卷来记录人口统计学特征(年龄和性别)、生活方式的危险因素(吸烟和饮酒)、病史(卒中家族史、冠心病、高血压、糖尿病)，通过标准方法测量收缩压、空腹血糖，低密度脂蛋白、高密度脂蛋白、血清尿酸和血清corin蛋白由实验室测得。
上述的标准具有良好的实际意义，能够提高预测模型的准确度。
本发明提供了一种鉴别缺血性脑卒中的预测模型评估方法，对于如上所述鉴别缺血性脑卒中的预测模型建立方法所建立的预测模型进行评估，包括以下步骤：
S4：将数据集按照1:1随机分为训练集和验证集；
S5：分别对训练集和验证集的模型预测进行绘制受试者操作特征曲线和拟合优度指标评估模型的区分度和准确度。
进一步的，S1数据集可分为训练集和验证集，构建训练集和验证集是指对采集的数据按照1：1随机分为训练集和验证集。可以保证训练集和验证集数据的随机性，预测模型的可用性。
进一步的，评估还包括：
将步骤S1中的数据集为新模型数据集，去除步骤S1中数据集的血清corin蛋白数据，并制作数据集为传统数据集；
分别将新模型数据和传统数据集进行步骤S2-S3，得到新预测模型和传统预测模型；
计算比较新预测模型和传统预测模型的受试者操作特征曲线下面积，同时采用净重分类改善指数和整体鉴别指数来评估血清corin蛋白是否能提高模型的预测效能。
即计算并比较两种预测模型：仅有传统影响因素与传统影响因素联合血清corin蛋白的受试者操作特征(ROC)曲线下面积，同时采用了净重分类改善指数(NRI)和整体鉴别指数(IDI)来评估血清corin蛋白是否能提高模型的预测效能。计算并比较两种预测模时不仅比较受试者工作特征曲线下面积，还计算了NRI及IDI。NRI表示相较于原有模型，引入新标志物的新模型能否改善危险分层结果，若NRI>0则提示引入新标志物后的模型可提升对事件的预测水平。IDI表示新旧模型的区分梯度之差，反映了与旧模型相比，新模型区分能力是否提高。
corin是一种II型跨膜丝氨酸蛋白酶，在心肌细胞中高度表达，可通过激活利钠肽在调节血容量、血压和心脏功能方面起着关键作用，通过采用上述技术方案，血清corin蛋白的加入是否能提高预测模型的预测效能，即corin蛋白与卒中预后存在关联。
通过采用上述技术方案，可以验证预测模型在应用中的可靠性。
本发明还提供了一种鉴别缺血性脑卒中的预测系统，采用如上所述的一种鉴别缺血性脑卒中的预测模型建立方法所建立的预测模型，包括：
数据采集模块，采集患者临床数据并制作预测数据集，其中，所述预测数据集包括年龄、有卒中家族史、收缩压、空腹血糖、性别、高血压、高密度脂蛋白及血清corin蛋白；
预测模块，将预测数据集输入缺血性脑卒中预测模型，绘制预测模型的列线图，通过列线图得到患者是否为缺血性脑卒中的预测结果。
具体的，通过上述建立好的缺血性脑卒中的预测模型，本预测模型在新增血清corin蛋白后，对缺血性卒中的发病风险的预测效能显著提高：本预测模型，通过采集临床数据并进行预处理，采集基本资料数据并记录储存，然后通过预测模型计算缺血性卒中发生的风险，能够指导临床医生尽早识别患者发病风险，提高治愈率。
实施例
本实施例连续招募了2014年1月至2014年5月期间3家医院的首次缺血性或出血性卒中发病48小时内经脑部计算机断层扫描或磁共振成像确认的597名患者和2498名健康对照，共3095人。按照1：1随机分为训练集和对照集，剔除缺失变量。最终得到训练集1430人，验证集1425人。对训练集数据进行后退法logistics回归分析筛选缺血性卒中发病风险的独立影响因素：年龄、性别、吸烟、卒中家族史、冠心病、高血压、收缩压、高密度脂蛋白、空腹血糖、血清corin蛋白，将这些影响因素导入构建Nomogram模型。分别对训练集和验证集数据绘制ROC(receiver operator characteristic curve)曲线及校正曲线验证评估模型区分度、准确度。为了进一步检验血清corin蛋白是否可以改善传统影响因素(年龄、性别、吸烟、卒中家族史，冠心病、高血压、收缩压、高密度脂蛋白、空腹血糖)对于缺血性卒中发病风险的预测效能，计算并比较了两种预测模型(仅有传统影响因素与传统影响因素联合血清corin蛋白)的受试者操作特征(ROC)曲线下面积，同时采用了净重分类改善指数(Netreclassification index,NRI)和整体鉴别指数(Integrated discriminationimprovement,IDI)来评估血清corin蛋白是否能提高模型的预测效能。
缺血性卒中发病风险影响因素的Logistic回归分析：
以是否发生缺血性卒中为因变量，以年龄、性别、吸烟、饮酒、卒中家族史、冠心病、高血压、糖尿病、收缩压、低密度脂蛋白、高密度脂蛋白、空腹血糖、血清尿酸、血清corin蛋白为自变量，进行后退法Logistic回归分析。结果显示，年龄、有卒中家族史、收缩压、空腹血糖为缺血性卒中的独立危险因素(P<0.05)；性别、高血压、高密度脂蛋白及血清corin蛋白为缺血性卒中发生的独立保护因素(P<0.05)，见表1：
即，得出的logistics预测模型计算公式：
Logit(P)＝-4.456311+0.076601*Age+1.200742*Gender+0.379317*Smoke+1.179466*Fhstroke+17.987074*CHD-0.712472*HBP+0.039150*SBP-3.993673*HDL+0.199663*BG-0.001045*corin。将这些影响因素导入构建Nomogram模型。
缺血性卒中发病风险预测模型的列线图的建立与验证：
依据Logistic回归分析结果，绘制预测缺血性卒中发生风险的列线图模型，如图2。采用ROC曲线下面积和Hosmer-Lemeshow拟合优度检验评估列线图模型的区分度和准确度，见图3和图4，其中ROC曲线下面积：AUC＝0.927(95％CI：0.885-0.967)，提示列线图模型具有较好的区分度，Hosmer-Lemeshow拟合优度检验P＝0.683，提示模型具有较好的预测准确度。图3也显示了两种预测模型ROC曲线的比较：传统模型和传统影响因素联合血清corin蛋白的模型。传统模型的ROC曲线下面积仅为0.919(95％CI：0.877-0.960)。加入血清corin蛋白后，预测模型的ROC曲线下面积为0.927(95％CI：0.885-0.967)。与仅考虑传统危险因素的模型相比，加入血清corin蛋白的预测模型对缺血性卒中的预测效果略有提高，且差异有统计学意义(P＝0.008)。
训练集血清corin蛋白对缺血性卒中发生风险的预测价值，见表2：
表2显示了训练集血清corin蛋白对缺血性卒中发生风险的预测价值。在传统模型的基础上，纳入血清corin蛋白后，模型对缺血性卒中发生风险的预测水平得到提升(NRI0.07％,P<0.05；IDI 0.30％,P<0.001)。其中，传统模型包括年龄、性别、吸烟、卒中家族史，冠心病、高血压、收缩压、高密度脂蛋白、空腹血糖。
进一步的，验证集的验证：图5和图6显示了验证集的ROC曲线及校准图分析，其中ROC曲线下面积：AUC＝0.883(95％CI：0.841-925)，提示列线图模型具有较好的区分度，Hosmer-Lemeshow拟合优度检验P＝0.253，提示模型具有较好的预测准确度。图5也显示了两种预测模型ROC曲线的比较：传统模型和传统影响因素联合血清corin蛋白的模型。传统模型的ROC曲线下面积仅为0.874(95％CI：0.835-0.917)。加入血清corin蛋白后，预测模型的ROC曲线下面积为0.883(95％CI：0.841-925)。与仅考虑传统影响因素的模型相比，加入血清corin蛋白的预测模型对缺血性卒中的预测效果略有提高，且差异有统计学意(P＝0.04)。
验证集血清corin蛋白对缺血性卒中发生风险的预测价值，如表3：
表3显示了验证集血清corin蛋白对缺血性卒中发生风险的预测价值。在传统模型的基础上，纳入血清corin蛋白后，模型对缺血性卒中发生风险的预测水平得到提升(NRI0.09％,P<0.05；IDI 0.02％,P<0.05)。其中，传统模型包括年龄、性别、吸烟、卒中家族史，冠心病、高血压、收缩压、高密度脂蛋白、空腹血糖。
综上，本发明基于Nomogram图快速鉴别缺血性脑卒中的预测模型解决了出血性卒中和缺血性卒中发病第一时间难以辨别的问题，可以有效地识别卒中类型，提高治愈率；其次，血清corin蛋白水平与卒中发病风险及预后有关，在缺血性和出血性卒中患者中的水平也有差异，本预测模型在新增血清corin蛋白后，对缺血性卒中的发病风险的预测效能显著提高。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种鉴别缺血性脑卒中的预测模型建立方法，其特征在于：包括以下步骤：
S1：采集卒中患者以及健康者的临床数据并制作数据集，其中，所述临床数据包括血清corin蛋白；
S2：对数据集进行后退法logistics回归分析筛选出缺血性脑卒中发病风险的独立影响因素；
S3：将独立影响因素导入提前构建好的Nomogram模型，得到缺血性脑卒中预测模型。
2.如权利要求1所述的一种鉴别缺血性脑卒中的预测模型建立方法，其特征在于：所述步骤S1中卒中患者的筛选条件：年龄大于等于22岁，且经影像学证实的48小时内发病的卒中，以及患者或其直系亲属能够并愿意签署知情同意书；健康者作为对照数据为从未患过心脑血管疾病的志愿者。
3.如权利要求1所述的一种鉴别缺血性脑卒中的预测模型建立方法，其特征在于：所述临床数据还包括：年龄、性别、吸烟、饮酒、卒中家族史、冠心病、高血压、糖尿病、收缩压、低密度脂蛋白、高密度脂蛋白、空腹血糖、血清尿酸、血清corin蛋白。
4.如权利要求3所述的一种鉴别缺血性脑卒中的预测模型建立方法，其特征在于：所述临床数据通过结构化的调查问卷来记录年龄、性别、吸烟、饮酒、卒中家族史、冠心病、高血压和糖尿病，通过标准方法测量收缩压、低密度脂蛋白、高密度脂蛋白、空腹血糖、血清尿酸、血清corin蛋白。
5.如权利要求1所述的一种鉴别缺血性脑卒中的预测模型建立方法，其特征在于：所述步骤S2中筛选出的缺血性脑卒中发病风险的独立影响因素包括独立危险因素和独立保护因素，所述独立危险因素为年龄、有卒中家族史、收缩压、空腹血糖，所述独立保护因素为性别、高血压、高密度脂蛋白及血清corin蛋白。
6.如权利要求1所述的一种鉴别缺血性脑卒中的预测模型建立方法，其特征在于：所述步骤S3具体包括以下步骤：将独立影响因素输入Nomogram模型，计算优势比和95％可信区间，绘制Nomogram模型的列线图，并通过列线图得到预测结果。
7.一种鉴别缺血性脑卒中的预测模型评估方法，其特征在于：对于权利要求1-6中任一项所述鉴别缺血性脑卒中的预测模型建立方法所建立的预测模型进行评估，包括以下步骤：
S4：将数据集按照1:1随机分为训练集和验证集；
S5：分别对训练集和验证集的模型预测进行绘制受试者操作特征曲线和拟合优度指标评估模型的区分度和准确度。
8.如权利要求7所述的一种鉴别缺血性脑卒中的预测模型评估方法，其特征在于：还包括：
将步骤S1中的数据集为新模型数据集，去除步骤S1中数据集的血清corin蛋白数据，并制作数据集为传统数据集；
分别将新模型数据和传统数据集进行步骤S2-S3，得到新预测模型和传统预测模型；
计算比较新预测模型和传统预测模型的受试者操作特征曲线下面积，同时采用净重分类改善指数和整体鉴别指数来评估血清corin蛋白是否能提高模型的预测效能。
9.如权利要求8所述的一种鉴别缺血性脑卒中的预测模型建立方法，其特征在于：净重分类改善指数表示相较于传统预测模型，引入血清corin蛋白的新预测模型能否改善危险分层结果，若净重分类改善指数大于0则提示引入新标志物后的模型可提升对事件的预测水平；整体鉴别指数表示新旧模型的区分梯度之差，反映与传统预测模型相比，新预测模型区分能力是否提高。
10.一种鉴别缺血性脑卒中的预测系统，其特征在于：采用如权利要求1-6中任一项所述的一种鉴别缺血性脑卒中的预测模型建立方法所建立的预测模型，其特征在于：包括：
数据采集模块，采集患者临床数据并制作预测数据集，其中，所述预测数据集包括年龄、有卒中家族史、收缩压、空腹血糖、性别、高血压、高密度脂蛋白及血清corin蛋白；
预测模块，将预测数据集输入缺血性脑卒中预测模型，绘制预测模型的列线图，通过列线图得到患者是否为缺血性脑卒中的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111439204.1A CN114188019A (zh) | 2021-11-29 | 2021-11-29 | 一种鉴别缺血性脑卒中的预测模型建立方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111439204.1A CN114188019A (zh) | 2021-11-29 | 2021-11-29 | 一种鉴别缺血性脑卒中的预测模型建立方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114188019A true CN114188019A (zh) | 2022-03-15 |
Family
ID=80541766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111439204.1A Pending CN114188019A (zh) | 2021-11-29 | 2021-11-29 | 一种鉴别缺血性脑卒中的预测模型建立方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114188019A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783606A (zh) * | 2022-04-28 | 2022-07-22 | 北京大学 | 一种易于推广应用的心血管病发病风险预测方法 |
| CN117727444A (zh) * | 2023-12-14 | 2024-03-19 | 成都津铭科技有限公司 | 一种脑卒中智能预警方法及系统、设备、介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634573A (zh) * | 2019-09-27 | 2019-12-31 | 南昌大学第一附属医院 | 一种临床脑梗患者复发风险预警评分可视化模型系统及其评价方法 |
| CN111286534A (zh) * | 2019-08-06 | 2020-06-16 | 苏州大学 | 一组corin基因dna甲基化标志物及其应用 |
| CN112120790A (zh) * | 2020-09-23 | 2020-12-25 | 常州市第一人民医院 | 一种基于指标评分的轻度缺血性脑卒中患者的预测模型 |
| CN112331341A (zh) * | 2020-10-15 | 2021-02-05 | 中国医科大学附属第一医院 | 基于个体化临床特征构建的评估类风湿性关节炎患者脑卒中风险的预测模型 |
-
2021
- 2021-11-29 CN CN202111439204.1A patent/CN114188019A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111286534A (zh) * | 2019-08-06 | 2020-06-16 | 苏州大学 | 一组corin基因dna甲基化标志物及其应用 |
| CN110634573A (zh) * | 2019-09-27 | 2019-12-31 | 南昌大学第一附属医院 | 一种临床脑梗患者复发风险预警评分可视化模型系统及其评价方法 |
| CN112120790A (zh) * | 2020-09-23 | 2020-12-25 | 常州市第一人民医院 | 一种基于指标评分的轻度缺血性脑卒中患者的预测模型 |
| CN112331341A (zh) * | 2020-10-15 | 2021-02-05 | 中国医科大学附属第一医院 | 基于个体化临床特征构建的评估类风湿性关节炎患者脑卒中风险的预测模型 |
Non-Patent Citations (2)
| Title |
|---|
| 张小宁等: "儿童期社会经济地位与中老年脑卒中患病风险的关系", 《中国老年学杂志》 * |
| 张翡 等: "个体化预测重症高血压脑出血患者行有创颅内压监测术后发生颅内感染的风险预测 Nomgram 模型的建立", 《四川医学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783606A (zh) * | 2022-04-28 | 2022-07-22 | 北京大学 | 一种易于推广应用的心血管病发病风险预测方法 |
| CN117727444A (zh) * | 2023-12-14 | 2024-03-19 | 成都津铭科技有限公司 | 一种脑卒中智能预警方法及系统、设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pálsson et al. | The incidence of first-onset depression in a population followed from the age of 70 to 85 | |
| CN114188019A (zh) | 一种鉴别缺血性脑卒中的预测模型建立方法及系统 | |
| US8929625B2 (en) | Method and device for side-effect prognosis and monitoring | |
| JP2013513845A (ja) | 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術 | |
| CN114898873A (zh) | 一种糖尿病前期患者心血管疾病风险的预测方法及系统 | |
| Kimura et al. | Association of modifiable lifestyle factors with cortical amyloid burden and cerebral glucose metabolism in older adults with mild cognitive impairment | |
| Yang et al. | Multimodal assessment using early brain CT and blood pH improve prediction of neurologic outcomes after pediatric cardiac arrest | |
| WO2024109022A1 (zh) | 基于胃肠电信号的认知功能障碍预测系统及构建方法 | |
| 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 | |
| CN113643809A (zh) | 基于人体成分的2型糖尿病预测方法及系统 | |
| CN117831699B (zh) | 一种用于心脏影像检查的结构化报告系统 | |
| Devie et al. | COVID-19: a qualitative chest CT model to identify severe form of the disease | |
| Lee et al. | Early identified risk factors and their predictive performance of brain death in out-of-hospital cardiac arrest survivors | |
| CN103093112A (zh) | 预警方法及装置 | |
| Wu et al. | Research on predicting hematoma expansion in spontaneous intracerebral hemorrhage based on deep features of the VGG-19 network | |
| CN117079810A (zh) | 一种心血管疾病非计划再住院风险预测方法 | |
| CN112951426A (zh) | 一种胰腺导管腺瘤炎性浸润程度判断模型的构建方法及评估系统 | |
| WO2023216293A1 (zh) | 预测痴呆症或轻度认知障碍的系统和方法 | |
| Martinez-Torteya et al. | Improved multimodal biomarkers for Alzheimer's disease and mild cognitive impairment diagnosis: data from ADNI | |
| De Francesco et al. | Norms for automatic estimation of hippocampal atrophy and a step forward for applicability to the Italian population | |
| CN110265118A (zh) | 一种肺部影像诊断报告质量的评估方法和系统 | |
| CN113017572B (zh) | 一种重症预警方法、装置、电子设备及存储介质 | |
| EP3164824B1 (en) | Method for prognosing a risk of occurrence of a disease | |
| CN114005537A (zh) | 一种早期神经功能恶化的预警方法及相关设备 | |
| Liu et al. | The signs of computer tomography combined with artificial intelligence can indicate the correlation between status of consciousness and primary brainstem hemorrhage of patients |
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 |
Application publication date: 20220315 |
|
| RJ01 | Rejection of invention patent application after publication |