CN114496293A - Covid-19患者重症风险预测模型的构建方法和构建系统 - Google Patents
Covid-19患者重症风险预测模型的构建方法和构建系统 Download PDFInfo
- Publication number
- CN114496293A CN114496293A CN202210054904.7A CN202210054904A CN114496293A CN 114496293 A CN114496293 A CN 114496293A CN 202210054904 A CN202210054904 A CN 202210054904A CN 114496293 A CN114496293 A CN 114496293A
- Authority
- CN
- China
- Prior art keywords
- patient
- covid
- prediction model
- severe
- index
- 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- Withdrawn
Links
- 208000025721 COVID-19 Diseases 0.000 title claims abstract description 35
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 13
- 201000010099 disease Diseases 0.000 claims abstract description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 20
- 208000024891 symptom Diseases 0.000 claims abstract description 18
- 102100032752 C-reactive protein Human genes 0.000 claims abstract description 17
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 claims abstract description 15
- 108010082126 Alanine transaminase Proteins 0.000 claims abstract description 15
- 108010074051 C-Reactive Protein Proteins 0.000 claims abstract description 15
- 108010071390 Serum Albumin Proteins 0.000 claims abstract description 15
- 102000007562 Serum Albumin Human genes 0.000 claims abstract description 15
- 210000000440 neutrophil Anatomy 0.000 claims abstract description 15
- -1 platelet count Proteins 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 14
- 210000004369 blood Anatomy 0.000 claims description 13
- 239000008280 blood Substances 0.000 claims description 13
- 238000000611 regression analysis Methods 0.000 claims description 7
- 230000010100 anticoagulation Effects 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 239000003146 anticoagulant agent Substances 0.000 claims description 3
- 229940127219 anticoagulant drug Drugs 0.000 claims description 3
- 238000010790 dilution Methods 0.000 claims description 3
- 239000012895 dilution Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 claims description 2
- 230000008506 pathogenesis Effects 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 208000015181 infectious disease Diseases 0.000 description 10
- 102100027211 Albumin Human genes 0.000 description 6
- 206010035664 Pneumonia Diseases 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 6
- 241000315672 SARS coronavirus Species 0.000 description 3
- 208000031504 Asymptomatic Infections Diseases 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 206010060891 General symptom Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011119 multifactor regression analysis Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了COVID‑19患者重症风险预测模型的构建方法和构建系统，包括以下步骤：S1、收集COVID‑19患者的基本信息，包括三项信息，即年龄、是否聚集性发病及从普通症发展为重症的天数；S2、收集COVID‑19患者的样本并处理；S3、测定样本的临床指标，包括五项临床指标值，即血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比；S4、采用多因素比例风险回归模型拟合年龄、是否聚集性发病、血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比数据并进行预测模型的构建，预测模型的结果以列线图进行展示。该预测模型具有可读性，方便对普通症患者是否会进展为重症患者进行评估。
Description
技术领域
本发明涉及新冠肺炎患者重症风险预测技术领域，具体涉及一种基于临床指标的COVID-19患者重症风险预测模型的构建方法和构建系统。
背景技术
COVID-19是迄今被发现的第7种可以感染人类的冠状病毒。从已有的流行病学数据看，COVID-19传播速度明显快于SARS-CoV，其感染率比SARS-CoV强。从致病性上看，COVID-19弱于 SARS-CoV，多数人感染COVID-19后症状轻微甚或无症状，仅有约20％感染者有严重的临床表现。但COVID-19传播性更强，感染发病有明显的聚集现象。因此，对新型冠状病毒感染者进行早发现、早隔离、早诊断、早治疗，是当前疫情防控的当务之急。
目前，新冠肺炎患者根据其感染的程度可分为无症状感染、轻度感染、中度感染和重度感染，不同感染程度的患者需要接受不同的治疗方式。如何预测无症状感染患者、轻度感染患者能否发展为重症患者是当前新冠肺炎防控的一大热点和难点。
Cox比例风险回归模型(Coxproportionalhazardmodel)为半参数模型，通常用于医学研究中，以生存结局和生存时间为因变量，可同时分析一个或多个因素对(生存)时间的影响，允许有删失数据的存在，且不要钱估计资料的生存分布类型，是生存分析中最重要的多因素分析方法。若风险比率接近于1，说明预测因子并不影响生存事件；若风险比率小于1，说明预测因子是保护性的；若风险比率大于1，说明预测因子会提高风险。如何将Cox比例风险回归模型引入至COVID-19患者的重症转化风险预测以提供一个可读性好的风险预测模型是本发明所要解决的技术问题。
发明内容
本发明的目的在于提供一种COVID-19患者重症风险预测模型的构建方法，利用Cox比例风险回归模型，构建用于评估新冠重症患者发病的风险模型，该预测模型具有可读性，方便对普通症患者是否会进展为重症患者进行评估，进而为医疗人员为COVID-19患者的下一步防控和治疗提供极具价值的参考。
为了达到上述目的，本发明通过以下技术方案实现的：
COVID-19患者重症风险预测模型的构建方法，包括以下步骤：
S1、收集COVID-19患者的基本信息，包括三项信息，即年龄、是否聚集性发病及从普通症发展为重症的天数；
S2、收集COVID-19患者的样本并处理；
S3、测定样本的临床指标，包括五项临床指标值，即血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比；
S4、采用多因素比例风险回归模型拟合年龄、是否聚集性发病、血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比数据并进行预测模型的构建，预测模型的结果以列线图进行展示。
进一步的，所述步骤S1中，COVID-19患者基本信息收集方法为：收集每位普通症患者入院时的流行病学调查信息，包括年龄、是否聚集性发病及住院期间从普通症发展为重症的天数。
进一步的，所述步骤S2中，收集COVID-19患者的样本并处理的方法为：每位普通症患者入院时、及其发展为重症时第一次抽取的血液，用含有EDTA的紫色抗凝管采集静脉血至2mL，采血后立即上下颠倒混匀5-10次，不可用强力振荡，采血后立即送检，2h内完成检测。
进一步的，所述步骤S3中，血清白蛋白、谷丙转氨酶和C反应蛋白的测定方法为：(a)对全自动生化分析仪进行标准液定标和空白校正，(b)将已经离心好的不含抗凝剂的红色抗凝管放入全自动生化分析仪，设置好后按开始键对样本进行检测，(c)显示并自动打印结果；血小板计数、嗜中性粒细胞百分比的测定方法为：(a)仪器空白校正后选择全血或稀释模式，(b)将吸液管插入混匀的待测试样中，按开始键开始对样本进行计数/检测，(c)进行测量，显示并自动打印结果。
进一步的，所述步骤S4中，所述预测模型的建立及可视化的具体方法为：纳入住院期间从普通症发展为重症的COVID-19患者，除年龄、是否聚集性发病外，血清白蛋白、血小板计数、谷丙转氨酶、 C反应蛋白、嗜中性粒细胞百分比五项指标值均取对数log2，对上述七项指标进行Cox比例风险回归分析，即对普通症发展至重症(结局事件)的影响；接着，根据模型中各个指标对结局事件的贡献程度(回归系数的大小)，给每个指标取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结局发生概率之间的函数转换关系，从而计算出某个体结局事件的预测值，画出可视化列线图。
此外，本发明还公开了COVID-19患者重症风险预测模型的构建系统，包括：
临床指标值采集模块，提供编辑和保存的功能，用以建立 COVID-19患者的指标数据集，指标数据集包括年龄、是否聚集性发病外、血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比且不局限于上述指标数据。
临床指标值处理模块，可调用临床指标值采集模块，从指标数据集中提取可用于构建多因素比例风险回归模型的有效样本；
模型构建模块，将临床指标值处理模块筛选和匹配的有效样本中七项指标值进行Cox比例风险回归分析，即获得各个指标回归系数的大小；
列线图可视化模块，用于显示多因素比例风险模型的结果。
本发明的有益效果是：
本发明测定了新冠普通症患者血液中五项临床指标、其年龄及是否聚集性发病两项信息，利用Cox比例风险回归模型，建立了一种新冠肺炎患者发展为重症的风险预测模型，该模型具有可读性，方便对普通症患者是否会进展为重症患者进行评估。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明实施例中标本五项临床指标含量值的比较图；
图2是本发明实施例中比例风险模型的累积事件发生曲线及其可视化列线图；
图3是本发明实施例中单个临床指标的累积事件发生曲线图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
为了简明易懂，在本发明中使用了以下英文或简单缩写，具体如下表所示：
表1中英文缩略对照表
本实施例选取52例COVID-19患者进行风险预测模型分析，并动态监视上述患者的感染程度变化以验证本发明的有效性，具体过程如下：
COVID-19患者重症风险预测模型的构建方法，包括以下步骤：
S1、收集COVID-19患者的基本信息，包括三项信息，即年龄、是否聚集性发病及从普通症发展为重症的天数。
S2、收集COVID-19患者的样本并处理，收集方法为：每位普通症患者入院时、及其发展为重症时第一次抽取的血液，用含有EDTA 的紫色抗凝管采集静脉血至2mL，采血后立即上下颠倒混匀5-10次，不可用强力振荡，采血后立即送检，2h内完成检测。
S3、测定样本的临床指标，包括五项临床指标值，即血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比；其中，血清白蛋白、谷丙转氨酶和C反应蛋白使用贝克曼全自动生化分析仪检测(广州奥比奥科技有限公司，型号AU-680)，操作方法为：(a)首先仪器需进行标准液定标与空白校正，(b)再将已经离心好的不含抗凝剂的红色抗凝管放入全自动生化分析仪，设置好后按开始键开始对样本进行检测，(c)显示并自动打印结果；血小板计数、嗜中性粒细胞百分比使用全自动血球仪检测(深圳迈瑞生物医疗电子股份有限公司，型号BC-6000)，操作方法为：(a)仪器空白校正后选择全血或稀释模式，(b)将吸液管插入混匀的待测试样中，按开始键开始对样本计数/检测，(c)进行测量，显示并自动打印结果。
S4、采用多因素比例风险回归模型拟合年龄、是否聚集性发病、血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比数据并进行预测模型的构建，预测模型的结果以列线图进行展示。纳入住院期间从普通症发展为重症的COVID-19患者，除年龄、是否聚集性发病外，其余五项临床指标在52例患者中普通症和重症时期的值比较，用小提琴图显示，如图1所示，五项指标分别为ALB、 ALT、CRP、N％和PLT，小提琴图中的箱型图显示各项指标值在不同时期的中位数和25％、75％分位数。结果显示，除ALT变化不大外，普通症时期CRP、N％和PLT中位数均比重症时期低，而ALB则相反。
除年龄及是否聚集性发病外，其余五项临床指标值均取log2对数；计算52位患者从普通症发展为重症的时间(天)，对上述七项指标分别进行单因素和多因素Cox比例风险回归分析。七项指标对应单因素和多因素回归分析的风险比率(HR)如下表所示：
表2七项指标对应单因素和多因素回归分析的风险比率
所建模型的累积事件发生曲线如图2所示，横坐标为普通症发展为重症的时间，曲线代表累积发生概率；随着时间增加，发病事件发生概率越大。
根据模型中各个指标回归系数的大小，画出可视化列线图，如图 3所示。每一线段对应一个指标，刻度代表指标的可取值范围，长度反映其对发病事件的贡献大小。根据每位患者的七项指标对应的得分(Points)及其总和(totalpoints)，即可得出其从普通症发展为重症的天数，若得分总和不在线性预测(linearpredictor)范围内代表不会发展为重症。
从单因素回归分析中得出Age、Agglomeration、PLT、ALT和ALB 具有统计学差异，分别按实施例中52例患者的表达水平为基准，把指标Age、PLT、ALT和ALB按高低各分为高表达组和低表达组两组，绘制各指标的累积事件发生曲线，如图3所示，A-D分别为ALB、ALT、PLT和Age。各指标划分阈值分别为：ALB41.86g/L、ALT27.35IU/L、 PLT159.94/L、Age50。横坐标为普通症发展为重症的时间，曲线代表累积发生概率；随着时间增加，发病事件发生概率越大。结果表明：当患者年龄大于50岁，ALB、ALT和PLT越高，患者从普通症发展至重症风险越高，且时间越短。
以上所述实施例仅表达了本发明的实施方式，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在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
Claims (6)
1.COVID-19患者重症风险预测模型的构建方法，包括以下步骤：
S1、收集COVID-19患者的基本信息，包括三项信息，即年龄、是否聚集性发病及从普通症发展为重症的天数；
S2、收集COVID-19患者的样本并处理；
S3、测定样本的临床指标，包括五项临床指标值，即血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比；
S4、采用多因素比例风险回归模型拟合年龄、是否聚集性发病、血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比数据并进行预测模型的构建，预测模型的结果以列线图进行展示。
2.根据权利要求1所述的COVID-19患者重症风险预测模型的构建方法，其特征在于，所述步骤S1中，COVID-19患者基本信息收集方法为：收集每位普通症患者入院时的流行病学调查信息，包括年龄、是否聚集性发病及住院期间从普通症发展为重症的天数。
3.根据权利要求1所述的COVID-19患者重症风险预测模型的构建方法，其特征在于，所述步骤S2中，收集COVID-19患者的样本并处理的方法为：每位普通症患者入院时、及其发展为重症时第一次抽取的血液，用含有EDTA的紫色抗凝管采集静脉血至2mL，采血后立即上下颠倒混匀5-10次，不可用强力振荡，采血后立即送检，2h内完成检测。
4.根据权利要求1所述的COVID-19患者重症风险预测模型的构建方法，其特征在于，所述步骤S3中，血清白蛋白、谷丙转氨酶和C反应蛋白的测定方法为：(a)对全自动生化分析仪进行标准液定标和空白校正，(b)将已经离心好的不含抗凝剂的红色抗凝管放入全自动生化分析仪，设置好后按开始键对样本进行检测，(c)显示并自动打印结果；血小板计数、嗜中性粒细胞百分比的测定方法为：(a)仪器空白校正后选择全血或稀释模式，(b)将吸液管插入混匀的待测试样中，按开始键开始对样本进行计数/检测，(c)进行测量，显示并自动打印结果。
5.根据权利要求1所述的COVID-19患者重症风险预测模型的构建方法，其特征在于，所述步骤S4中，所述预测模型的建立及可视化的具体方法为：纳入住院期间从普通症发展为重症的COVID-19患者，除年龄、是否聚集性发病外，血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比五项指标值均取对数log2，对上述七项指标进行Cox比例风险回归分析，即对普通症发展至重症(结局事件)的影响；接着，根据模型中各个指标对结局事件的贡献程度(回归系数的大小)，给每个指标取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结局发生概率之间的函数转换关系，从而计算出某个体结局事件的预测值，画出可视化列线图。
6.COVID-19患者重症风险预测模型的构建系统，其特征在于，包括：
临床指标值采集模块，提供编辑和保存的功能，用以建立COVID-19患者的指标数据集，指标数据集包括年龄、是否聚集性发病外、血清白蛋白、血小板计数、谷丙转氨酶、C反应蛋白、嗜中性粒细胞百分比且不局限于上述指标数据；
临床指标值处理模块，可调用临床指标值采集模块，从指标数据集中提取可用于构建多因素比例风险回归模型的有效样本；
模型构建模块，将临床指标值处理模块筛选和匹配的有效样本中七项指标值进行Cox比例风险回归分析，即获得各个指标回归系数的大小；
列线图可视化模块，用于显示多因素比例风险模型的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054904.7A CN114496293A (zh) | 2022-01-18 | 2022-01-18 | Covid-19患者重症风险预测模型的构建方法和构建系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054904.7A CN114496293A (zh) | 2022-01-18 | 2022-01-18 | Covid-19患者重症风险预测模型的构建方法和构建系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114496293A true CN114496293A (zh) | 2022-05-13 |
Family
ID=81512735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210054904.7A Withdrawn CN114496293A (zh) | 2022-01-18 | 2022-01-18 | Covid-19患者重症风险预测模型的构建方法和构建系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114496293A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115201460A (zh) * | 2022-07-18 | 2022-10-18 | 中元汇吉生物技术股份有限公司 | 血液分析仪、血液分析方法及存储介质 |
-
2022
- 2022-01-18 CN CN202210054904.7A patent/CN114496293A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115201460A (zh) * | 2022-07-18 | 2022-10-18 | 中元汇吉生物技术股份有限公司 | 血液分析仪、血液分析方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | A deep learning-based quantitative computed tomography model for predicting the severity of COVID-19: a retrospective study of 196 patients | |
| Eichler et al. | Prediction of first coronary events with the Framingham score: a systematic review | |
| Norlund et al. | Reference intervals for the glomerular filtration rate and cell-proliferation markers: serum cystatin C and serum β2-microglobulin/cystatin C-ratio | |
| Piva et al. | Length of sedimentation reaction in undiluted blood (erythrocyte sedimentation rate): variations with sex and age and reference limits | |
| US4720787A (en) | Methods for coagulation monitoring | |
| Ozcelik et al. | The value of the platelet count and platelet indices in differentiation of COVID‐19 and influenza pneumonia | |
| US20220122739A1 (en) | Ai-based condition classification system for patients with novel coronavirus | |
| Li et al. | B-type natriuretic peptide in predicting the severity of community-acquired pneumonia | |
| Ritchie et al. | Reference distributions for immunoglobulins A, G, and M: a practical, simple, and clinically relevant approach in a large cohort | |
| CN115691807A (zh) | 一种慢加急性肝衰竭感染风险预警模型及其构建方法 | |
| CN114496293A (zh) | Covid-19患者重症风险预测模型的构建方法和构建系统 | |
| Bromiker et al. | Israel transcutaneous bilirubin nomogram predicts significant hyperbilirubinemia | |
| Fu et al. | Accuracy of GFR estimating equations based on creatinine, cystatin C or both in routine care | |
| Gujar et al. | Hematological profiles of COVID-19 patients at the Ratlam district, Madhya Pradesh State, India | |
| Ucciferri et al. | Parameters associated with diagnosis of COVID‐19 in emergency department | |
| Chen et al. | Characteristics of COVID-19 patients based on the results of nucleic acid and specific antibodies and the clinical relevance of antibody levels | |
| Mondejar et al. | Utility of icteric index in clinical laboratories: more than a preanalytical indicator | |
| Gruenberg et al. | Determining the utility of creatinine delta checks: a large retrospective analysis | |
| Aminzadeh et al. | Evaluation of the prognostic value of chest computed tomography scan in COVID-19 patients | |
| CN114944208A (zh) | 质量控制方法、装置、电子设备及存储介质 | |
| Heerink et al. | Are the latest point-of-care D-dimer devices ready for use in general practice? A prospective clinical evaluation of five test systems with a capillary blood feature for suspected venous thromboembolism | |
| JPH07103972A (ja) | 生化学自動分析装置 | |
| De Rop et al. | Accuracy of routine laboratory tests to predict mortality and deterioration to severe or critical COVID-19 in people with SARS-CoV-2 | |
| Zhang et al. | Development and validation of a clinical score combining the sequential organ failure assessment score with inflammation-based markers to predict outcome of patients with sepsis | |
| Cembrowski et al. | Use of anion gap for the quality control of electrolyte analyzers |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220513 |