CN114550942B - 一种肝脏显著纤维化预测模型及构建方法 - Google Patents

一种肝脏显著纤维化预测模型及构建方法 Download PDF

Info

Publication number
CN114550942B
CN114550942B CN202210142191.XA CN202210142191A CN114550942B CN 114550942 B CN114550942 B CN 114550942B CN 202210142191 A CN202210142191 A CN 202210142191A CN 114550942 B CN114550942 B CN 114550942B
Authority
CN
China
Prior art keywords
liver
index
fibrosis
diabetes
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.)
Active
Application number
CN202210142191.XA
Other languages
English (en)
Other versions
CN114550942A (zh
Inventor
刘昌海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202210142191.XA priority Critical patent/CN114550942B/zh
Publication of CN114550942A publication Critical patent/CN114550942A/zh
Application granted granted Critical
Publication of CN114550942B publication Critical patent/CN114550942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及肝脏纤维化预测技术领域，公开了一种肝脏显著纤维化预测模型及构建方法，通过对脂肪肝患者和非脂肪肝患者的体检数据进行分析，从而找到与肝脏显著纤维化相关的指标，然后利用单因素和多因素回归模型对得到的指标进行筛选，得到的与肝脏显著纤维化最相关的指标，而后利用这部分最相关的指标建立肝脏显著纤维化预测模型，对脂肪肝患者的肝脏纤维化程度进行精准快速的检测。本发明具有提高脂肪肝患者肝脏显著纤维化的大规模筛查范围，提高肝脏显著纤维化无创检测结果准确性的有益效果。

Description

一种肝脏显著纤维化预测模型及构建方法
技术领域
本发明涉及肝脏纤维化预测技术领域，具体涉及一种肝脏显著纤维化预测模型及构建方法。
背景技术
非酒精性脂肪性肝病(NAFLD)是一种与胰岛素抵抗和遗传易感密切相关的代谢应激性肝损伤，其疾病谱包括非酒精性单纯性脂肪肝(NAFL)和非酒精性脂肪性肝炎(NASH)、肝硬化和肝细胞癌。NAFLD的全球发病率高达25％，已成为全球和中国第一大慢性肝脏疾病，也是美国肝移植的首位病因。
肝脏纤维化程度是患者生存的独立预测因素，肝脏纤维化分为F0-F4级；肝脏纤维化F2级是脂肪肝病人称为“肝脏显著纤维化”，也是脂肪肝病人开始治疗的时机。所以，有效的诊断F2级纤维化对脂肪肝病人的患者的预后和生存时间有着重要的意义。肝脏穿刺仍然是诊断肝脏纤维化程度的金标准；然而，潜在的肝脏穿刺活检的出血风险和有创性限制了肝脏穿刺在临床的应用。所以，血液及尿液标记物，以及影像学诊断和预测模型的建立被很多研究推荐用于检测肝脏纤维化程度。
现有技术中，有一种评估乙肝患者肝纤维化程度的模型，所述模型是通过对肝脏ALT、AST、PTA、LSM进行Logistic回归分析获得的回归方程。采用本发明的模型对患者进行肝纤维化程度评估，临床上无需对患者进行肝穿刺，利用肝穿患者的肝穿病理活检的纤维化结果与临床无创检测结果数据的相关性分析明确纤维化的相关性及规律，以评估患者是否出现明显肝纤维化，明确患者是否具有抗病毒指征，及时给予抗病毒治疗。
虽然该方案中的模型能够一定程度上完成对患者的明显肝脏纤维化进行分析评估，但是其最终得到的分析结果的准确性还有待提高。
发明内容
本发明意在提供一种肝脏显著纤维化预测模型及构建方法，以解决患者肝脏显著纤维化预测结果不理想的技术问题。
为达到上述目的，本发明采用如下技术方案：一种肝脏显著纤维化预测模型，首先按照是否有2型糖尿病和慢性乙型肝炎对采集到的血常规数据进行分类计算，
当有2型糖尿病且有慢性乙型肝炎时，模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+1*2.45573718734401+AST*2.92143170276165；
当没有2型糖尿病且没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+AST*2.92143170276165；
当有2型糖尿病但是没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+AST*2.92143170276165；
当没有2型糖尿病但是有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*2.45573718734401+AST*2.92143170276165；
其中，S为年龄，BMI为身体质量指数，AST为谷草转氨酶的异常升高值。
本方案的原理及优点是：实际应用时，通过此模型能够直接利用脂肪肝患者的体检数据，快速准确地分析出脂肪肝患者是否有肝脏显著纤维化，从而准确地判断出脂肪肝患者的身体健康程度，避免脂肪肝患者在采用常规的检测手段，例如肝脏穿刺检验时，由于体内器官环境复杂，可能会有体内出血的风险，威胁患者的生命安全，并且常规的穿刺手段还会给患者身体带来创伤，整体的检测过程繁琐。相比于现有技术，本方案的优点在于没有穿刺的风险和繁琐过程，并且能够极大程度上提高检测的效率，同时还能够有效保证检测结果的准确性，减轻脂肪肝患者对于检测的恐惧心理，便于更多的脂肪肝患者接收此种检测方式，从而大幅提高脂肪肝患者的检测积极性，减小肝脏显著纤维化的风险，保障生命健康。
优选的，作为一种改进，预测结果Y的判断阈值为13.8。
有益效果：通过多次测试数据分析，将预测模型计算结果的判断阈值设置为13.8，不仅能够保证模型判断的准确度，还能够最大程度上保证对肝脏显著纤维化的检测效率，确保不发生漏诊、误诊，从而使脂肪肝患者的身体健康状态得到有效保障。
优选的，作为一种改进，若通过模型计算得到的预测结果值未超过所述判断阈值，但是该值位于预设范围内，则向患者发送定期检测提醒信息。
有益效果：通过此模型对患者的临床特征信息进行计算分析，但是若患者的身体病理发展状况还没有到达确诊的标准，若检测结果还是显示正常的话，很容易误导患者，因此在计算值位于预设范围内的时候，表明患者的肝脏纤维化程度已经快达到显著程度，则通过向患者发送定期检测的提醒信息，提醒患者及时重新做检测，从而得知身体的最新情况，避免因检测时间的差异导致肝脏显著纤维化的确诊延误，从而提高对脂肪肝患者的肝脏纤维化变化的提醒效果。
优选的，作为一种改进，预设范围为10-13.7。
有益效果：由于准确的判断阈值为13.8，而对于10-13.7这个范围的计算值而言，其数值已经处于危险状态了，对应的患者的肝脏纤维化变化情况也已经接近显著程度，因此将预设范围设置在此范围内，对于此范围的值均向对应的患者进行定期检测提醒，从而保证患者检测的及时性和高频率，便于及时发现纤维化程度达到显著，患者也能够及时采取对应的措施手段，保障身体健康。
本发明还提供了一种肝脏显著纤维化预测模型构建方法，包括以下步骤：
步骤S1，采集脂肪肝患者和非脂肪肝患者的体检数据作为分析样本；
步骤S2，对分析样本中脂肪肝患者和非脂肪肝患者的基本临床特征进行分析，找到肝脏显著纤维化的初步指标，所述初步指标包括基础医疗指标和个性化指标；
步骤S3，利用单因素回归模型对初步指标进行分析，并得到与肝脏显著纤维化具有强相关性的第一指标，所述第一指标包括生理指标和病理指标；
步骤S4，将第一指标中具有统计意义的指标纳入多因素回归模型进行相互校正，得到与肝脏显著纤维化直接相关且具有统计意义的第二指标；
步骤S5，对第二指标进行统计分析并建立肝脏显著纤维化预测模型。
通过此方法建立的预测模型，能够利用脂肪肝患者和非脂肪肝患者的体检数据，通过对数据进行单因素回归和多因素回归模型进行检验，从而找到与肝脏显著纤维化最相关的指标，从而建立判断肝脏显著纤维化的预测模型，不仅有效提高了肝脏显著纤维化检测的效率，同时也能够一定程度上保证检测结果的准确性，帮助脂肪肝患者准确判断出自身的肝脏纤维化程度，从而及时采取对应措施，保障生命健康。
优选的，作为一种改进，基础医疗指标包括谷草转氨酶、谷丙转氨酶、谷氨酰转肽酶、肝脏纤维化造影值、代谢综合征、2型糖尿病、高血压、慢性乙型肝炎和幽门螺旋杆菌；个性化指标包括年龄、男性、城市和身体质量指数。
有益效果：通过将用户的这些指标纳入分析范围，从而对肝脏显著纤维化的分析更准确，并且能够保证对病理指标的完整分析度，使对肝脏纤维化的预测分析更准确，从而帮助脂肪肝患者清楚掌握自身的健康情况。
优选的，作为一种改进，生理指标包括年龄和身体质量指数；病理指标包括2型糖尿病、代谢综合征、高血压、慢性乙型肝炎、谷丙转氨酶、谷草转氨酶和谷氨酰转肽酶。
有益效果：通过单因素回归模型的分析，筛选出了上述与肝脏显著纤维化相关性较强的一些指标，从而初步确定了影响肝脏显著纤维化的因素范围，为后续预测模型的分析和建立提供可靠的数据支撑。
优选的，作为一种改进，第二指标包括年龄、身体质量指数、2型糖尿病、慢性乙型肝炎和谷草转氨酶。
有益效果：利用多因素回归模型对第一指标进行深入分析确认，从而确定了与肝脏显著纤维化最相关的几个指标，从而通过这些最相关的指标分析出肝脏显著纤维化的变化规律和影响因子占比程度，为预测模型的建立提供数据支撑。
优选的，作为一种改进，预测模型在建立过程中，利用曲线下受试面积的方法验证建立的预测模型的预测准确度。
有益效果：在预测模型初步完成建立后，要对模型进行验证，从而保证模型的正确性和真实性，并且通过此验证方法，能够准确地测试出预测模型的准确度和判断效率，从而帮助验证预测模型的可行性，提高预测模型的准确性。
优选的，作为一种改进，在利用预测模型进行肝脏显著纤维化预测时，通过实时采集脂肪肝患者的血液样本来进行分析检测。
有益效果：为避免脂肪肝患者的体检数据没有及时更新，以及患者的身体状况发生突变导致体内肝脏纤维化变化速度快，因此在对脂肪肝患者进行检测时，不采用历史的体检数据进行分析，而是通过采集患者的血液样本进行检测后，提取模型中对应的指标的最新数据来进行计算分析，从而保证预测结果的准确性和及时性，给患者提供最新且准确的检查结果，便于患者根据自身的情况采取对应的后续措施。
附图说明
图1为本发明一种肝脏显著纤维化预测模型构建方法实施例一的流程示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一：
本实施例基本如下所示：一种肝脏显著纤维化预测模型，首先按照是否有2型糖尿病和慢性乙型肝炎对采集到的血常规数据进行分类计算，
当有2型糖尿病且有慢性乙型肝炎时，模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+1*2.45573718734401+AST*2.92143170276165；
当没有2型糖尿病且没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+AST*2.92143170276165；
当有2型糖尿病但是没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+AST*2.92143170276165；
当没有2型糖尿病但是有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*2.45573718734401+AST*2.92143170276165；
其中，S为年龄，BMI为身体质量指数，AST为谷草转氨酶的异常升高值，且本预测模型预测结果的判断阈值为13.8，即通过此预测模型计算出来的值大于13.8，则表明对应的检测对象肝脏纤维化程度已经达到了F2级，即肝脏显著纤维化。
如附图1所示，本发明还提供了一种肝脏显著纤维化预测模型构建方法，包括以下步骤：
步骤S1，采集脂肪肝患者和非脂肪肝患者的体检数据作为分析样本；
步骤S2，对分析样本中脂肪肝患者和非脂肪肝患者的基本临床特征进行分析，找到肝脏显著纤维化的初步指标，所述初步指标包括基础医疗指标和个性化指标；
步骤S3，利用单因素回归模型对初步指标进行分析，并得到与肝脏显著纤维化具有强相关性的第一指标，所述第一指标包括生理指标和病理指标；
步骤S4，将第一指标中具有统计意义的指标纳入多因素回归模型进行相互校正，得到与肝脏显著纤维化直接相关且具有统计意义的第二指标；
步骤S5，对第二指标进行统计分析并建立肝脏显著纤维化预测模型。
在预测模型构建时，采集多个脂肪肝患者和非脂肪肝患者的体检数据，探究肝脏显著纤维化与脂肪肝患者和非脂肪肝患者基本临床特征之间的关系，基本临床特征具体为通过对患者的血液进行常规数据分析得到的特征数据，如表1所示，列出脂肪肝患者和非脂肪肝患者的年龄、男性、城市居民、身体质量指数(BMI)、谷丙转氨酶(ALT)、谷草转氨酶(AST)、谷氨酰转肽酶(GGT)、肝脏纤维化造影值(LSM)、代谢综合征、2型糖尿病、高血压、慢性乙型肝炎和幽门螺旋杆菌。
表1：脂肪肝和非脂肪肝患者情况表
Figure BDA0003507518750000061
Figure BDA0003507518750000071
从表1中可知，脂肪肝患者在男性、BMI(身体质量指数)、谷丙转氨酶(ALT)、谷草转氨酶(AST)、谷氨酰转肽酶(GGT)、肝脏纤维化造影值(LSM)、代谢综合征、2型糖尿病、高血压、慢性乙型肝炎、幽门螺旋杆菌等数据上均有显著差异，所有P值均小于0.001，因此纳入脂肪肝患者基本符合临床特征，结果可信度高。
进一步，利用逻辑回归模型筛选脂肪肝患者中可精确预测肝脏显著纤维化(F≥2)的指标，如表2所示，单因素回归模型中发现，年龄(P＝0.039)、BMI指数(P＝0.002)、2型糖尿病(P<0.001)、代谢综合征(P＝0.004)、高血压(P＝0.002)、有慢性乙型肝炎(P<0.001)、ALT异常升高(>40U/L)(P＝0.006)、AST异常升高(>40U/L)(P<0.001)和GGT(>40U/L)异常升高(P＝0.045)与肝脏显著纤维化(F≥2级)相关性强。然后将上述指标中具有统计意义(P<0.05)的指标纳入多因素模型进行相互校正，判断找出与肝脏显著纤维化直接相关的指标，最后分析结果显示年龄(P＝0.003)、BMI指数(P＝0.003)、2型糖尿病(P<0.003)、有慢性乙型肝炎(P<0.001)和AST异常(P<0.001)是与肝脏显著纤维化(F≥2级)相关性最高的具有统计意义的指标。
表2：单因素和多因素回归分析
Figure BDA0003507518750000072
Figure BDA0003507518750000081
据多因素回归模型分析得到的结果，年龄、BMI指数、2型糖尿病、慢性乙型肝炎和AST是与肝脏显著纤维化(F≥2级)相关性最高的几个指标，然后对年龄、BMI指数、2型糖尿病、慢性乙型肝炎和AST进行统计分析，建立肝脏显著纤维化预测模型：按照是否有2型糖尿病和慢性乙型肝炎进行分类，
当有2型糖尿病且有慢性乙型肝炎时，模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+1*2.45573718734401+AST*2.92143170276165；
当没有2型糖尿病且没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+AST*2.92143170276165；
当有2型糖尿病但是没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+AST*2.92143170276165；
当没有2型糖尿病但是有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*2.45573718734401+AST*2.92143170276165；
式中，S为年龄，BMI为身体质量指数，AST为谷草转氨酶的异常升高值。
再通过曲线下受试面积(ROC)的方法(现有技术，具体内容这里不再赘述)比较本预测模型与其他判断纤维化模型的预测能力，本模型对于肝脏显著纤维化的判断能力为0.92，达到了高效判断的目的(ROC>0.90)，判断效力远高于之前的其他判断纤维化模型(ROC0.67-0.75)。
利用肝脏显著纤维化预测模型对患者的分析样本进行分析，若计算得到的模型结果值大于13.8，则判断患者体内发生了肝脏显著纤维化，并通过多次测试分析得知，本预测模型的判断敏感性为82.1％，即不发生漏诊的几率为82.1％，特异性为86.4％，即通过模型确诊的几率为86.4％。
现在对于肝脏纤维化的检测手段常规的就是进行穿刺活检，或者是利用影像化检测手段来进行判断，虽然这些方法都能够一定程度上达成目标，但是其中所花费的经济成本和时间成本较大，甚至整体的风险较大，不利于大面积推广，对于普通的群众而言，在没有明显的表征之前，都是不太乐意花费太多经济和时间成本来完成肝脏纤维化检测，更何况还有意外风险。虽然穿刺、影像等方式大多数人一般都不会用到，但是常规体检、血常规检测，基本是所有人都会完成的事项，而以往对于体检数据或者血常规数据，往往都是针对性地来完成检测对象所要检测的事项，从而忽略了医疗大数据的分析利用，从而导致这种庞大、广泛且真实的数据的价值没有被体现出来。本方案则是充分考虑到了这一点，将体检、血常规等医疗大数据进行了充分利用，通过大数据分析得到了肝脏显著纤维化相关性非常强的指标，从而能够利用此指标来完成对肝脏显著纤维化的快速准确检测，从而为肝脏显著纤维化的检测提供可靠的参考信息，不仅能够保证对肝脏显著纤维化检测结果的准确性，同时相比于之前的手段还能够大幅节约经济和时间成本，利于在普通群众中的推广，从而实现肝脏显著纤维化检测的普及，提高群众身体健康指数。
本实施例的具体实施过程如下：
第一步，采集脂肪肝患者和非脂肪肝患者的体检数据信息，并对体检数据进行临床特征分析，列出脂肪肝患者和非脂肪肝患者的年龄、男性、城市居民、身体质量指数(BMI)、谷丙转氨酶(ALT)、谷草转氨酶(AST)、谷氨酰转肽酶(GGT)、肝脏纤维化造影值(LSM)、代谢综合征、2型糖尿病、高血压、慢性乙型肝炎和幽门螺旋杆菌等数据信息，从而分析上述指标与肝脏明显纤维化的关系。
第二步，将P值小于0.001的指标，包括男性、BMI(身体质量指数)、谷丙转氨酶(ALT)、谷草转氨酶(AST)、谷氨酰转肽酶(GGT)、肝脏纤维化造影值(LSM)、代谢综合征、2型糖尿病、高血压、慢性乙型肝炎和幽门螺旋杆菌纳入脂肪肝患者基本符合临床特征。
第三步，利用单因素回归模型对上述指标进行筛选，发现年龄(P＝0.039)、BMI指数(P＝0.002)、2型糖尿病(P<0.001)、代谢综合征(P＝0.004)、高血压(P＝0.002)、有慢性乙型肝炎(P<0.001)、ALT异常升高(>40U/L)(P＝0.006)、AST异常升高(>40U/L)(P<0.001)和GGT(>40U/L)异常升高(P＝0.045)与肝脏显著纤维化(F≥2级)相关性强。
第四步，将上述单因素回归模型得到的指标中具有统计意义(P<0.05)的指标纳入多因素模型进行相互校正，判断找出与肝脏显著纤维化直接相关的指标，最后分析结果显示年龄(P＝0.003)、BMI指数(P＝0.003)、2型糖尿病(P<0.003)、有慢性乙型肝炎(P<0.001)和AST异常(P<0.001)是与肝脏显著纤维化(F≥2级)相关性最高的具有统计意义的指标。
第五步，利用最后得到的相关性最高的指标进行统计分析，建立肝脏显著纤维化预测模型，按照是否有2型糖尿病和慢性乙型肝炎进行分类，
当有2型糖尿病且有慢性乙型肝炎时，模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+1*2.45573718734401+AST*2.92143170276165；
当没有2型糖尿病且没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+AST*2.92143170276165；
当有2型糖尿病但是没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+AST*2.92143170276165；
当没有2型糖尿病但是有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*2.45573718734401+AST*2.92143170276165；其中，S为年龄，BMI为身体质量指数，AST为谷草转氨酶的异常升高值，然后将检测对象的体检数据导入到该预测模型，若最终计算得到的结果值大于13.8，则判断该检测对象体内发生了肝脏显著纤维化，反之该检测对象体内未发生肝脏显著纤维化。
肝脏纤维化程度是患者生存的独立预测因素，肝脏纤维化达到F2级，也就是肝脏显著纤维化时，是脂肪肝患者开始治疗的时机，能够有效保证脂肪肝患者的预后和生存时间。而传统对于肝脏显著纤维化的检测手段是肝脏穿刺，但是由于肝脏穿刺活检的出血风险和有创性限制了肝脏穿刺在临床的应用，因此，血液以及尿液标记物，以及影像学诊断和预测模型的建立被很多研究推荐用于检测肝脏纤维化程度。而现有的预测方法，虽然能够一定程度上完成对肝脏显著纤维化的检测，但是随着时代的发展，其准确率已经不能满足日常的检测需求了，而若脂肪肝患者的肝脏显著纤维化不能被尽早发现，则患者得不到及时的干预和救治，危及患者的生命。
而本方案中，则是利用大量的脂肪肝患者和非脂肪肝患者的体检数据等中间数据进行统计分析，通过大数据分析找到肝脏显著纤维化的规律和与之相关的特性指标，从而对医学上对于肝脏显著纤维化的判断检测提供辅助性参考，具体而言，则是通过对患者临床特征进行分析，找到与肝脏显著纤维化的相关指标，然后通过单因素和多因素回归模型对相关指标进行分析，找到与肝脏显著纤维化的最相关的指标，然后利用得到的指标建立肝脏显著纤维化的预测模型，从而实现对肝脏显著纤维化的辅助性判断，不仅能够有效提高对肝脏显著纤维化的预测准确性，同时还能够尽早发现脂肪肝患者的病理发展进程，从而保障脂肪肝患者的生命健康。并且通过此方法，不需要再对患者进行血液采集，直接将患者的体检数据指标输入本预测模型，就能够快速完成检测，预测患者是否为肝脏显著纤维化，也能够提醒患者及时预约医院进行就医和后续治疗，将在一定程度上节约医疗资源和成本，同时此种无创且高准确度的检测方法，也能够极大程度上帮助实现脂肪肝患者肝脏显著纤维化的大规模筛查，从而提高民众的身体健康指标。
实施例二：
本实施例基本与实施例一相同，区别在于：在利用该预测模型进行肝脏显著纤维化预测时，通过实时采集脂肪肝患者的血液样本来进行分析检测。
本实施例的具体实施过程与实施例一相同，区别在于：
第五步，利用最后得到的相关性最高的指标进行统计分析，建立肝脏显著纤维化预测模型，按照是否有2型糖尿病和慢性乙型肝炎进行分类，
当有2型糖尿病且有慢性乙型肝炎时，模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+1*2.45573718734401+AST*2.92143170276165；
当没有2型糖尿病且没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+AST*2.92143170276165；
当有2型糖尿病但是没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+AST*2.92143170276165；
当没有2型糖尿病但是有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*2.45573718734401+AST*2.92143170276165；其中，S为年龄，BMI为身体质量指数，AST为谷草转氨酶的异常升高值，然后采集检测对象的血液样本作为分析样本，并对该分析样本进行临床特征分析后，将临床特征分析结果数据导入到该预测模型，若最终计算得到的结果值大于13.8，则判断该检测对象体内发生了肝脏显著纤维化，反之该检测对象体内未发生肝脏显著纤维化。
为避免脂肪肝患者的体检数据没有及时更新，以及患者的身体状况发生突变导致体内肝脏纤维化变化速度快，因此在对脂肪肝患者进行检测时，不采用历史的体检数据进行分析，而是通过实时采集患者的血液样本进行检测后，提取模型中需要用到的指标的最新数据来进行计算分析，从而保证预测结果的准确性和及时性，给患者提供最新且准确的检查结果，便于患者根据自身的健康情况采取对应的后续措施，最大程度上保障患者的生命安全。
实施例三：
本实施例基本与实施例一相同，区别在于：若通过模型计算得到的值未超过判断阈值13.8，但是该值位于预设范围10-13.7内，则向患者发送定期检测提醒信息。
本实施例的具体实施过程与实施例一相同，区别在于：
第五步，利用最后得到的相关性最高的指标进行统计分析，建立肝脏显著纤维化预测模型，按照是否有2型糖尿病和慢性乙型肝炎进行分类，
当有2型糖尿病且有慢性乙型肝炎时，模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+1*2.45573718734401+AST*2.92143170276165；
当没有2型糖尿病且没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+AST*2.92143170276165；
当有2型糖尿病但是没有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+AST*2.92143170276165；
当没有2型糖尿病但是有慢性乙型肝炎时，则模型公式为预测结果Y＝S*0.0872575275809632+BMI*0.267309086985928+1*2.45573718734401+AST*2.92143170276165；其中，S为年龄，BMI为身体质量指数，AST为谷草转氨酶的异常升高值，将检测对象的体检数据导入到该预测模型，若最终计算得到的结果值大于13.8，则判断该检测对象体内发生了肝脏显著纤维化，反之该检测对象体内未发生肝脏显著纤维化，若计算得到的结果值位于10-13.7范围内，则向患者发送定期检测提醒信息“您的分析结果已接近判断阈值，请在两周内再次进行检测”，从而起到提醒患者及时再次检测的作用，全方位保障患者的身体健康状态。
通过此模型对患者的临床特征信息进行计算分析，但是若患者的身体病理发展状况还没有到达确诊的标准，而肝脏的纤维化是一个缓慢的过程，若检测结果还是显示正常的话，很容易误导患者，因此在计算值位于预设范围内的时候，表明患者的肝脏纤维化程度已经快达到F2级程度，则通过向患者发送定期检测的提醒信息，提醒患者及时重新做检测，从而得知身体的最新情况，避免因检测时间的差异导致肝脏显著纤维化的确诊延误，影响患者及时采取预后措施，提高对脂肪肝患者的肝脏纤维化变化的提醒效果，保障患者的身体健康状态。
以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (5)

1.一种肝脏显著纤维化预测模型，其特征在于：首先按照是否有2型糖尿病和慢性乙型肝炎对采集到的血常规数据进行分类计算，
当有2型糖尿病且有慢性乙型肝炎时，模型公式为预测结果Y=S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+1*2.45573718734401+AST*2.92143170276165；
当没有2型糖尿病且没有慢性乙型肝炎时，则模型公式为预测结果Y=S*0.0872575275809632+BMI*0.267309086985928+AST*2.92143170276165；
当有2型糖尿病但是没有慢性乙型肝炎时，则模型公式为预测结果Y=S*0.0872575275809632+BMI*0.267309086985928+1*1.57802929953878+AST*2.92143170276165；
当没有2型糖尿病但是有慢性乙型肝炎时，则模型公式为预测结果Y=S*0.0872575275809632+BMI*0.267309086985928+1*2.45573718734401+AST*2.92143170276165；
其中，S为年龄，BMI为身体质量指数，AST为谷草转氨酶的异常升高值；
所述预测结果Y的判断阈值为13.8；
若通过模型计算得到的预测结果值未超过所述判断阈值，但是该值位于预设范围内，则向患者发送定期检测提醒信息；
所述预设范围为10-13.7。
2.一种肝脏显著纤维化预测模型构建方法，其特征在于：包括以下步骤：
步骤S1，采集脂肪肝患者和非脂肪肝患者的体检数据作为分析样本；
步骤S2，对分析样本中脂肪肝患者和非脂肪肝患者的基本临床特征进行分析，找到肝脏显著纤维化的初步指标，所述初步指标包括基础医疗指标和个性化指标；
步骤S3，利用单因素回归模型对初步指标进行分析，并得到与肝脏显著纤维化具有强相关性的第一指标，所述第一指标包括生理指标和病理指标；
步骤S4，将第一指标中具有统计意义的指标纳入多因素回归模型进行相互校正，得到与肝脏显著纤维化直接相关且具有统计意义的第二指标；
步骤S5，对第二指标进行统计分析并建立肝脏显著纤维化预测模型；
步骤S6，在利用所述预测模型进行肝脏显著纤维化预测时，通过实时采集脂肪肝患者的血液样本来进行分析检测；
所述第二指标包括年龄、身体质量指数、2型糖尿病、慢性乙型肝炎和谷草转氨酶。
3.根据权利要求2所述的一种肝脏显著纤维化预测模型构建方法，其特征在于：所述基础医疗指标包括谷草转氨酶、谷丙转氨酶、谷氨酰转肽酶、肝脏纤维化造影值、代谢综合征、2型糖尿病、高血压、慢性乙型肝炎和幽门螺旋杆菌；所述个性化指标包括年龄、男性、城市和身体质量指数。
4.根据权利要求2所述的一种肝脏显著纤维化预测模型构建方法，其特征在于：所述生理指标包括年龄和身体质量指数；所述病理指标包括2型糖尿病、代谢综合征、高血压、慢性乙型肝炎、谷丙转氨酶、谷草转氨酶和谷氨酰转肽酶。
5.根据权利要求2所述的一种肝脏显著纤维化预测模型构建方法，其特征在于：所述预测模型在建立过程中，利用曲线下受试面积的方法验证建立的预测模型的预测准确度。
CN202210142191.XA 2022-02-16 2022-02-16 一种肝脏显著纤维化预测模型及构建方法 Active CN114550942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210142191.XA CN114550942B (zh) 2022-02-16 2022-02-16 一种肝脏显著纤维化预测模型及构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210142191.XA CN114550942B (zh) 2022-02-16 2022-02-16 一种肝脏显著纤维化预测模型及构建方法

Publications (2)

Publication Number Publication Date
CN114550942A CN114550942A (zh) 2022-05-27
CN114550942B true CN114550942B (zh) 2023-06-30

Family

ID=81675417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210142191.XA Active CN114550942B (zh) 2022-02-16 2022-02-16 一种肝脏显著纤维化预测模型及构建方法

Country Status (1)

Country Link
CN (1) CN114550942B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3078672A1 (en) * 2017-10-20 2019-04-25 Genfit Automated pattern recognition and scoring method of histological images
CN112669960A (zh) * 2020-12-31 2021-04-16 鲁小杰 一种基于机器学习方法的肝脏纤维化预测模型的构建方法、预测系统、设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2282780T3 (es) * 2004-08-12 2007-10-16 F. Hoffmann-La Roche Ag Metodo para el diagnostico de la fibrosis hepatica.
CN109473175A (zh) * 2018-11-07 2019-03-15 中山大学附属第三医院（中山大学肝脏病医院） 一种针对肝纤维化的非侵入性血清学评分模型及其设计方法
CN112837818B (zh) * 2020-12-31 2023-11-17 广东省中医院（广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院） 一种评估乙肝患者肝纤维化程度的模型

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3078672A1 (en) * 2017-10-20 2019-04-25 Genfit Automated pattern recognition and scoring method of histological images
CN112669960A (zh) * 2020-12-31 2021-04-16 鲁小杰 一种基于机器学习方法的肝脏纤维化预测模型的构建方法、预测系统、设备和存储介质

Also Published As

Publication number Publication date
CN114550942A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN112011616B (zh) 预测肝细胞癌肿瘤免疫浸润和术后生存时间的免疫基因预后模型
European Association for the Study of the Liver EASL-ALEH Clinical Practice Guidelines: Non-invasive tests for evaluation of liver disease severity and prognosis
Mehta et al. Exceeding the limits of liver histology markers
Bernet et al. AACE/ACE disease state commentary: molecular diagnostic testing of thyroid nodules with indeterminate cytopathology
Kyrouac et al. Echocardiographic and clinical predictors of cardiac amyloidosis: limitations of apical sparing
CN105705652A (zh) 协助鉴别诊断中风的方法
CN106480170A (zh) 确定供体和受体差异snp的方法及应用
CN117147672A (zh) 用于糖尿病肾病风险判别的生物标志物组合及其应用
CN111710423A (zh) 基于回归模型测定心境障碍发病风险概率的方法
Eigentler et al. Which melanoma patient carries a BRAF-mutation? A comparison of predictive models
Lee et al. Nonalcoholic fatty liver disease and early prediction of gestational diabetes mellitus using machine learning methods
CN114550942B (zh) 一种肝脏显著纤维化预测模型及构建方法
CN112986454A (zh) 急性心肌梗死的血清标志物、试剂盒和用途
CN116949161A (zh) 一组肺结核血清外泌体miRNA标志物及其应用
CN115602319B (zh) 一种无创肝纤维化评估装置
CN108588218B (zh) 一种血清miRNA组合的微创检测试剂盒
Murguía-Romero et al. Insulin and HOMA-IR in healthy young mexicans: A cut-off points proposal
CN110459312B (zh) 类风湿性关节炎易感位点及其应用
CN113990485A (zh) 一种基于常规检验数据与知识图谱联合诊断疾病的方法
Ding et al. FIB-4 is closer to FibroScan screen results to detecting advanced liver fibrosis and maybe facilitates NAFLD warning
WO2011064324A1 (en) Method of diagnosis of fibrotic diseases
Panigrahi et al. A New Machine Learning-Based Complementary Approach for Screening of NAFLD (Hepatic Steatosis)
Yeoman Novel approaches to detect significant liver disease in the general population
TW202030741A (zh) 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法
CN117031042B (zh) 用于筛查诊断先天性心脏病胎儿的生物标志物及其应用

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