CN114267451A - 一种心血管病风险评估方法 - Google Patents
一种心血管病风险评估方法 Download PDFInfo
- Publication number
- CN114267451A CN114267451A CN202111609473.8A CN202111609473A CN114267451A CN 114267451 A CN114267451 A CN 114267451A CN 202111609473 A CN202111609473 A CN 202111609473A CN 114267451 A CN114267451 A CN 114267451A
- Authority
- CN
- China
- Prior art keywords
- risk
- cardiovascular disease
- information
- modeling
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012502 risk assessment Methods 0.000 title claims abstract description 14
- 230000002526 effect on cardiovascular system Effects 0.000 title description 11
- 208000024172 Cardiovascular disease Diseases 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 206010020772 Hypertension Diseases 0.000 claims description 29
- 239000008280 blood Substances 0.000 claims description 16
- 210000004369 blood Anatomy 0.000 claims description 16
- 208000024891 symptom Diseases 0.000 claims description 14
- 208000008589 Obesity Diseases 0.000 claims description 13
- 235000020824 obesity Nutrition 0.000 claims description 13
- 230000008816 organ damage Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 208000032928 Dyslipidaemia Diseases 0.000 claims description 7
- 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 7
- 208000017170 Lipid metabolism disease Diseases 0.000 claims description 7
- 239000008103 glucose Substances 0.000 claims description 7
- 108010023302 HDL Cholesterol Proteins 0.000 claims description 6
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 5
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 5
- 208000004611 Abdominal Obesity Diseases 0.000 claims description 4
- 206010065941 Central obesity Diseases 0.000 claims description 4
- 206010019280 Heart failures Diseases 0.000 claims description 4
- 208000033892 Hyperhomocysteinemia Diseases 0.000 claims description 4
- 230000035622 drinking Effects 0.000 claims description 4
- 230000003225 hyperhomocysteinemia Effects 0.000 claims description 4
- 208000019116 sleep disease Diseases 0.000 claims description 4
- 208000020685 sleep-wake disease Diseases 0.000 claims description 4
- 230000000391 smoking effect Effects 0.000 claims description 4
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 claims description 3
- 108010028554 LDL Cholesterol Proteins 0.000 claims description 3
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 claims description 3
- 206010027525 Microalbuminuria Diseases 0.000 claims description 3
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 3
- 208000018262 Peripheral vascular disease Diseases 0.000 claims description 3
- 208000017442 Retinal disease Diseases 0.000 claims description 3
- 206010038923 Retinopathy Diseases 0.000 claims description 3
- 210000003423 ankle Anatomy 0.000 claims description 3
- 210000001715 carotid artery Anatomy 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 230000035487 diastolic blood pressure Effects 0.000 claims description 3
- 235000012054 meals Nutrition 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 201000001474 proteinuria Diseases 0.000 claims description 3
- 210000001525 retina Anatomy 0.000 claims description 3
- 230000036262 stenosis Effects 0.000 claims description 3
- 208000037804 stenosis Diseases 0.000 claims description 3
- 230000035488 systolic blood pressure Effects 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006378 damage Effects 0.000 claims description 2
- 208000027418 Wounds and injury Diseases 0.000 claims 1
- 208000014674 injury Diseases 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 230000001631 hypertensive effect Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000034994 death Effects 0.000 description 6
- 231100000517 death Toxicity 0.000 description 6
- 208000017667 Chronic Disease Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 238000013058 risk prediction model Methods 0.000 description 3
- 230000036996 cardiovascular health Effects 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000002705 Glucose Intolerance Diseases 0.000 description 1
- 108090001030 Lipoproteins Proteins 0.000 description 1
- 102000004895 Lipoproteins Human genes 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010033307 Overweight Diseases 0.000 description 1
- 241000152727 Salix caprea subsp. caprea Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003276 anti-hypertensive effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000008242 dietary patterns Nutrition 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 208000006575 hypertriglyceridemia Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000009104 prediabetes syndrome Diseases 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种心血管病风险评估方法，涉及医学数据处理领域。本发明包括以下步骤，获取病人信息作为变量；将变量分为两部分，一部分用于建模得到评估模型，一部分用于直接评估；综合建模结果与直接评估，得到心血管病评估结果。本发明提供了一种心血管病风险评估方法，有效将病人信息通过建模的方式进行很好的融合，以实现对心血管病风险的科学准确的预测。
Description
技术领域
本发明涉及医学数据处理领域，更具体的说是涉及一种心血管病风险评估方法。
背景技术
全球疾病负担研究的最新数据证明，心血管疾病(cardiovascular disease,CVD)是导致死亡和生活质量下降的主要原因，而且在全球范围内的流行程度只增不减。据2017年数据表明，CVD在全球造成约1780万人死亡，给各国造成了巨大的经济和社会负担。心血管疾病亦是威胁我国居民健康的重大公共卫生问题之一，已经成为导致我国居民预期寿命受损、因病致贫、因病返贫的主要疾病。心血管疾病起病隐匿、病程长且迁延不愈、严重影响生活质量的疾病，《中国心血管病报告2018》指出，我国心血管病现患人数约为2.9亿，今后10年患病率和病亡率仍将急剧增长。全球疾病负担研究表明，中国心血管病死亡率居首位，远高于肿瘤和其它疾病，占居民疾病死亡构成的40％以上，且呈持续上升趋势，是我国居民死亡的首要原因。
影响心血管疾病发生、发展的危险因素越来越多，据美国心脏病协会(AmericanHeart Association,AHA)最新统计数据显示，影响心血管健康的7项因素包括：运动量不足、超重与肥胖、血脂异常、吸烟、膳食结构不合理、控高血压、高血糖。高血压影响着全球31.1％的人口，它是世界范围内一个主要的公共卫生问题。高血压与许多重大心血管疾病(CVD)事件的风险增加密切相关，包括中风、冠心病(CHDS)和心力衰竭。高血压是世界范围内心血管疾病的主要可预防原因，然而并不是所有的高血压患者都有同样的心血管并发症风险。高血压治疗的临床实践指南通常侧重于血压水平来指导药物的使用，而没有充分评估相关的总体心血管风险。相反，越来越多的其他指南建议使用整体多变量心血管风险评估，而不是任何单一风险因素的绝对值。最近的一项研究表明，基于心血管疾病风险预测的降压治疗策略比仅基于血压水平的降压治疗策略更有效。这强调了正确识别高危患者的重要性，即使在高血压人群中也是如此，高血压人群本身就是高危亚群。因此，应该综合考虑一系列个人因素来指导高血压人群的临床治疗决策。在过去的几十年里，许多多变量预测模型已经被广泛开发来估计个体患心血管疾病的总体风险。高血压患者存在一定数量的心血管危险预测模型，如：Pocock 2001模型、Bastuji-Garin 2002模型、Kjeldsen 2009模型、Nelson 2012模型、Bavry 2013模型、Prieto-Merino 2013模型、Ayyagari 2014模型、Huynh2015模型、Teramukai 2016模型、Runge 2017模型、Sahle 2017模型等，在发展研究和验证研究中，偏差评估的风险在方法学质量和报告方面都显示出几个缺陷。在高血压人群中开发的大多数模型都没有经过外部验证,与为普通人群和其他特定人群开发的模型相比，为高血压人群开发的模型在高血压患者中验证时并没有表现出更好的表现。因此，了解现阶段高血压群体和个体心脑血管风险因素和预测模型，开展高血压人群的心脑血管风险新的的危险因素筛选，建立高血压人群的心脑血管风险新的预测模型，推动高血压人群的心脑血管疾病群体风险评估及个体风险评估和预测，是防治心脑血管疾病的首要环节。
如何正确的发现、识别、分析、判断并采集影响高血压人群心血管健康的危险因素是目前的难题。为了解决此问题，一系列简易预测模型的出现可以早期识别心血管疾病各危险因素所占比重以及各相关危险因素对心血管疾病发展的影响，可以快速有效的识别出高危人群，帮助制定干预措施；同时促使患者了解心血管疾病的发病风险、疾病等级，提高对疾病的认知和治疗的依从性。发达国家在慢病防控积累了相关成熟的经验，包括：建立相关队列研究及注册研究，发现慢病危险因素；对高危人群进行预测预警及干预等，然而由于种族、环境、社会文化、生活方式等方面的差异，这些成果并不能直接照搬应用于指导我国和我省的慢病防控。各国学者一直在研发了适合本国人群的心血管等慢病的风险预测模型。在高血压人群中，预测心血管疾病发生率的模型同样很多，但由于方法上的缺陷、陈述的不完整、缺乏外部验证和模型影响的研究，大多数模型的有用性仍然不清楚，因此，在大数据时代，应该将研究集中于外部验证和比较已经存在的心血管风险预测模型，并结合本地环境，进行模型的研究和算法的开发。
发明内容
有鉴于此，本发明提供了一种心血管病风险评估方法。
为了实现上述目的，本发明采用如下技术方案：
一种心血管病风险评估方法，包括以下步骤，
获取病人信息作为变量；
将变量分为两部分，一部分用于建模得到评估模型，一部分用于直接评估；
综合建模结果与直接评估，得到心血管病评估结果。
可选的，所述变量包括基本信息、危险因素、测量信息、靶器官损害信息、合并临床症状信息；其中建模部分为基本信息、危险因素和测量信息；直接评估部分为靶器官损害信息和合并临床症状信息。
可选的，所述评估模型如下：
1、根据权利要求1所述的一种心血管病风险评估方法，其特征在于，所述直接评估具体如下，
建模部分：利用传统患病危险因素数据进行建模。
直接评估部分总分100分：总分(100)＝(高血压＝1)*24.7+(年龄＝1)*22.3+(妊娠糖尿病病史＝1)*11.6+(腹型肥胖＝1)*10.1+(肥胖＝1)*9.4+(血糖异常＝1)*5.9+(高同型半胱氨酸血症＝1)*5.2+(心率变异性降低＝1)*1.2+(睡眠障碍＝1)*1.2+(抑郁＝1)*1.2+(吸烟＝1)*1.2+(饮酒＝1)*1.2+(早发心脑血管疾病家族史＝1)*1.2+(妊娠高血压病史＝1)*1.2+(血脂异常＝1)*1.2+(糖尿病家族史＝1)*1.2
其中，年龄＝1时，男性>55岁，女性>65岁，否则年龄＝0；血脂异常＝1：总胆固醇>＝5.7mmol/L或低密度脂蛋白胆固醇>＝3.3mmol/L或者高密度脂蛋白胆固醇(HDL-C)<1.0mmol/L，否则血脂异常＝1；高血压＝1：收缩压>＝140或舒张压>＝90，否则高血压＝0；血糖异常＝1：空腹血糖6.1-6.9，或者餐后2h血糖7.8～11.1mmol/L；否则血糖异常＝0；肥胖＝1：BMI>＝28kg/m2，计算公式为体重除以身高的平方，否则肥胖＝0。
直接评估部分：临床症状和靶器官损伤部分，有任意一项为100分，否或者不详为0分。
其中临床症状为：脑血管病；心血管病；外周血管病；颈动脉狭窄；CKD4-5期；大量蛋白尿；心力衰竭；视网膜病变。
靶器官损害为：左心室肥厚；冠状动脉硬化；颈动脉超声IMT；肱-踝脉搏波传导速度；踝/臂血压指数；CKD1-3期；微量白蛋白尿。
可选的，评估模型的评分低于35.7为低危，大于等于35.7小于49.8为中危，大于等于49.8为高危，最高分为200分。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种心血管病风险评估方法，有效将病人信息通过建模的方式进行很好的融合，以实现对心血管病风险的科学准确的预测。
此外，本发明根据我国高血压人群存在的遗传因素和环境特点，改良了Framingham模型针对美国一般人群、China-PAR模型针对我国一般人群和其他模型种族区域局限性、危险因素不全等缺点，补充了根据最新指南提出的饮酒、腹型肥胖、早发心血管疾病家族史、高甘油三脂、低高密度脂蛋白、高同型半胱氨酸血症、糖耐量受损或空腹血糖异常、心率变异性降低、抑郁、睡眠障碍等指标，共计28项危险因素。通过数据采集与分析，有助于高血压人群的心血管病高危人群的早期发现，为高血压人群带来更安全的服务和指导，降低心血管疾病风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例公开了一种心血管病风险评估方法，如图1所示，包括以下步骤，
获取病人信息作为变量；
将变量分为两部分，一部分用于建模得到评估模型，一部分用于直接评估；
综合建模结果与直接评估，得到心血管病评估结果。
进一步的，变量包括基本信息、危险因素、测量信息、靶器官损害信息、合并临床症状信息；其中建模部分为基本信息、危险因素和测量信息；直接评估部分为靶器官损害信息和合并临床症状信息。
进一步的，评估模型如下：
总分(100)＝(高血压＝1)*24.7+(年龄＝1)*22.3+(妊娠糖尿病病史＝1)*11.6+(腹型肥胖＝1)*10.1+(肥胖＝1)*9.4+(血糖异常＝1)*5.9+(高同型半胱氨酸血症＝1)*5.2+(心率变异性降低＝1)*1.2+(睡眠障碍＝1)*1.2+(抑郁＝1)*1.2+(吸烟＝1)*1.2+(饮酒＝1)*1.2+(早发心脑血管疾病家族史＝1)*1.2+(妊娠高血压病史＝1)*1.2+(血脂异常＝1)*1.2+(糖尿病家族史＝1)*1.2
其中，年龄＝1时，男性>55岁，女性>65岁，否则年龄＝0()；血脂异常＝1：总胆固醇>＝5.7mmol/L或低密度脂蛋白胆固醇>＝3.3mmol/L或者高密度脂蛋白胆固醇(HDL-C)<1.0mmol/L，否则血脂异常＝1；高血压＝1：收缩压>＝140或舒张压>＝90，否则高血压＝0；血糖异常＝1：空腹血糖6.1-6.9，或者餐后2h血糖7.8～11.1mmol/L；否则血糖异常＝0；肥胖＝1：BMI>＝28kg/m2，计算公式为体重除以身高的平方，否则肥胖＝0。
进一步的，直接评估部分：临床症状和靶器官损伤部分，有任意一项为100分，否或者不详为0分。
其中临床症状为：脑血管病；心血管病；外周血管病；颈动脉狭窄；CKD4-5期；大量蛋白尿；心力衰竭；视网膜病变。
靶器官损害为：左心室肥厚；冠状动脉硬化；颈动脉超声IMT；肱-踝脉搏波传导速度；踝/臂血压指数；CKD1-3期；微量白蛋白尿。
进一步的，评估模型的评分低于35.7为低危，大于等于35.7小于49.8为中危，大于等于49.8为高危，最高分为200分。
在另一实施例中，还包括医生建议：
低危：您的的心血管病健康风险为低危，建议您继续保持健康的生活方式，保持自身的低风险状况。
中危：您的的心血管病健康风险为中危，应积极改变不良生活方式，必要时在临床医生的指导下进行相关的治疗
高危：您的的心血管病健康风险为高危，请密切注意相关的危险因素，采取必要干预措施。(如有靶器官损伤或临床症状，则提示相关的)
鉴于您有靶器官损伤(或相关临床症状)，请积极治疗，避免心血管病发生。
还包括如表1所示的一般人群风险评估软件极端值界定
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种心血管病风险评估方法，其特征在于，包括以下步骤，
获取病人信息作为变量；
将变量分为两部分，一部分用于建模得到评估模型，一部分用于直接评估；
综合建模结果与直接评估，得到心血管病评估结果。
2.根据权利要求1所述的一种心血管病风险评估方法，其特征在于，所述变量包括基本信息、危险因素、测量信息、靶器官损害信息、合并临床症状信息；其中建模部分为基本信息、危险因素和测量信息；直接评估部分为靶器官损害信息和合并临床症状信息。
3.根据权利要求1所述的一种心血管病风险评估方法，其特征在于，所述直接评估具体如下，
3.1建模部分：利用传统患病危险因素数据进行建模。
直接评估部分总分100分：总分(100)＝(高血压＝1)*24.7+(年龄＝1)*22.3+(妊娠糖尿病病史＝1)*11.6+(腹型肥胖＝1)*10.1+(肥胖＝1)*9.4+(血糖异常＝1)*5.9+(高同型半胱氨酸血症＝1)*5.2+(心率变异性降低＝1)*1.2+(睡眠障碍＝1)*1.2+(抑郁＝1)*1.2+(吸烟＝1)*1.2+(饮酒＝1)*1.2+(早发心脑血管疾病家族史＝1)*1.2+(妊娠高血压病史＝1)*1.2+(血脂异常＝1)*1.2+(糖尿病家族史＝1)*1.2
其中，年龄＝1时，男性>55岁，女性>65岁，否则年龄＝0；血脂异常＝1：总胆固醇>＝5.7mmol/L或低密度脂蛋白胆固醇>＝3.3mmol/L或者高密度脂蛋白胆固醇(HDL-C)<1.0mmol/L，否则血脂异常＝1；高血压＝1：收缩压>＝140或舒张压>＝90，否则高血压＝0；血糖异常＝1：空腹血糖6.1-6.9，或者餐后2h血糖7.8～11.1mmol/L；否则血糖异常＝0；肥胖＝1：BMI>＝28kg/m2，计算公式为体重除以身高的平方，否则肥胖＝0。
3.2直接评估部分：临床症状和靶器官损伤部分：有任意一项为100分，否或者不详为0分。
其中临床症状为：脑血管病；心血管病；外周血管病；颈动脉狭窄；CKD4-5期；大量蛋白尿；心力衰竭；视网膜病变。
靶器官损害为：左心室肥厚；冠状动脉硬化；颈动脉超声IMT；肱-踝脉搏波传导速度；踝/臂血压指数；CKD1-3期；微量白蛋白尿。
4.根据权利要求3所述的一种心血管病风险评估方法，其特征在于，评估模型的评分低于35.7为低危，大于等于35.7小于49.8为中危，大于等于49.8为高危，最高分为200分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111609473.8A CN114267451A (zh) | 2021-12-24 | 2021-12-24 | 一种心血管病风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111609473.8A CN114267451A (zh) | 2021-12-24 | 2021-12-24 | 一种心血管病风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114267451A true CN114267451A (zh) | 2022-04-01 |
Family
ID=80830101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111609473.8A Pending CN114267451A (zh) | 2021-12-24 | 2021-12-24 | 一种心血管病风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114267451A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115458172A (zh) * | 2022-11-11 | 2022-12-09 | 中山大学附属第一医院 | 一种心脏风险评估系统、设备及介质 |
| CN115862853A (zh) * | 2022-08-12 | 2023-03-28 | 内蒙古自治区综合疾病预防控制中心 | 一种前列腺癌患者的心血管疾病发生风险的评估方法 |
| CN116052877A (zh) * | 2022-12-19 | 2023-05-02 | 李珊珊 | 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法 |
| CN116246744A (zh) * | 2023-02-23 | 2023-06-09 | 江苏盖睿健康科技有限公司 | 一种量化的高血压患者心血管水平识别方法 |
-
2021
- 2021-12-24 CN CN202111609473.8A patent/CN114267451A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115862853A (zh) * | 2022-08-12 | 2023-03-28 | 内蒙古自治区综合疾病预防控制中心 | 一种前列腺癌患者的心血管疾病发生风险的评估方法 |
| CN115862853B (zh) * | 2022-08-12 | 2023-11-21 | 内蒙古自治区综合疾病预防控制中心 | 一种前列腺癌患者的心血管疾病发生风险的评估方法 |
| CN115458172A (zh) * | 2022-11-11 | 2022-12-09 | 中山大学附属第一医院 | 一种心脏风险评估系统、设备及介质 |
| CN115458172B (zh) * | 2022-11-11 | 2023-04-28 | 中山大学附属第一医院 | 一种心脏风险评估系统、设备及介质 |
| CN116052877A (zh) * | 2022-12-19 | 2023-05-02 | 李珊珊 | 一种糖尿病患者抑郁风险评估方法及评估系统的构建方法 |
| CN116246744A (zh) * | 2023-02-23 | 2023-06-09 | 江苏盖睿健康科技有限公司 | 一种量化的高血压患者心血管水平识别方法 |
| WO2024175130A1 (zh) * | 2023-02-23 | 2024-08-29 | 江苏盖睿健康科技有限公司 | 一种量化的高血压患者心血管水平识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114267451A (zh) | 一种心血管病风险评估方法 | |
| CN111297329B (zh) | 预测糖尿病患者心血管并发症动态发病风险的方法及系统 | |
| Iseki et al. | Changes in the demographics and prevalence of chronic kidney disease in Okinawa, Japan (1993 to 2003) | |
| Zhang et al. | [Retracted] The Correlation between Type 2 Diabetes Mellitus and Cardiovascular Disease Risk Factors in the Elderly | |
| US20070060821A1 (en) | Screening for early detection of cardiovascular disease in asymptomatic individuals | |
| CN117079810A (zh) | 一种心血管疾病非计划再住院风险预测方法 | |
| CN117238522A (zh) | 一种非布司他的疗效预测系统、设备及介质 | |
| Xiaoxue et al. | Risk prediction model of metabolic syndrome in perimenopausal women based on machine learning | |
| CN112820397A (zh) | 一种冠状动脉旁路移植术围术期风险预测模型的建立方法 | |
| Yun et al. | Construction of risk prediction model of type 2 diabetic kidney disease based on deep learning | |
| Moraney et al. | Thrombolytic therapy in ischemic stroke patients with pre-stroke depression in the telestroke vs non-telestroke | |
| Huang et al. | Using Chinese body constitution concepts and measurable variables for assessing risk of coronary artery disease | |
| Pan et al. | Correlation between cardiac ultrasound index and cardiovascular risk in healthy obese and overweight populations | |
| US20240266062A1 (en) | Disease risk evaluation method, disease risk evaluation system, and health information processing device | |
| Minnick et al. | Prescriber implementation of guideline-directed medical therapy remains poor in the peripheral artery disease population | |
| Lin et al. | Association of echocardiographic parameters with all-cause and cardiovascular mortality in patients with type 2 diabetes | |
| Hsueh et al. | Automatic summarization of risk factors preceding disease progression an insight-driven healthcare service case study on using medical records of diabetic patients | |
| Han et al. | Prediction model for asymptomatic carotid atherosclerosis using retinal microvascular intelligent analysis: A retrospective study | |
| García et al. | Allostatic Load as a Short‐Term Prognostic and Predictive Marker | |
| Guo et al. | Incidence and Associated Factors of Postoperative Delirium in Adults Undergoing Cardiac Surgery With Cardiopulmonary Bypass: A Prospective Cohort Study | |
| Mao et al. | Machine Learning Models Have Better Performance than Traditional Logistic Regression Models in Predicting the Risk of Diabetes | |
| US8636660B1 (en) | System and method for dynamic multi-stage test administration for detection of cardiovascular disease | |
| Zheng et al. | Risk prediction of stroke: A prospective statewide study on patients in Maine | |
| VARATHARAJAN | AN EFFICIENT EARLY DIAGNOSIS FOR DIABETIC RETINOPATHY USING QUICK CONVOLUTIONAL DIAGNOSIS | |
| Morrow et al. | 0628 Distribution of Cardiometabolic Complications in US Veterans Before and After Sleep Testing |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yuan Hong Inventor after: Zhao Ligang Inventor after: Zhou Zan Inventor after: Li Yan Inventor after: Li Jingle Inventor after: Lu Yao Inventor after: Cai Jingjing Inventor after: He Ye Inventor after: Liu Shuangshuang Inventor after: Lu Chuang Inventor before: Yuan Hong Inventor before: Zhao Ligang Inventor before: Zhou Zan Inventor before: Li Yan Inventor before: Li Yanle Inventor before: Lu Yao Inventor before: Cai Jingjing Inventor before: He Ye Inventor before: Liu Shuangshuang Inventor before: Lu Chuang |
|
| CB03 | Change of inventor or designer information | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220401 |
|
| WD01 | Invention patent application deemed withdrawn after publication |