CN114613510A - 一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法 - Google Patents
一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法 Download PDFInfo
- Publication number
- CN114613510A CN114613510A CN202210227657.6A CN202210227657A CN114613510A CN 114613510 A CN114613510 A CN 114613510A CN 202210227657 A CN202210227657 A CN 202210227657A CN 114613510 A CN114613510 A CN 114613510A
- Authority
- CN
- China
- Prior art keywords
- model
- gmt
- glomerular
- clinical
- lupus nephritis
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于机器学习技术领域,公开了一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法,所述模型构建方法包括:通过机器学习和logistic逐步回归方法筛选得到联合预测狼疮性肾炎肾小球微血栓形成的五个指标,并通过联合诊断方程和列线图呈现预测模型。并通过临床决策曲线、ROC曲线和校准曲线评价模型的临床意义、区分度和准确度。本发明通过分析确诊的LN患者的临床症状、实验室以及其它指标建立GMT形成的模型,为临床上尤其是在肾穿刺活检之前更好的诊断GMT形成提供参考依据。本发明狼疮性肾炎患者肾小球微血栓形成的模型具有较好的诊断区分度、校准度和临床应用价值且具有较好的临床推广价值。
Description
技术领域
本发明属于机器学习技术领域,尤其涉及一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法。
背景技术
目前,肾小球微血栓(glomellllar microthrombosis,GMT)是狼疮性肾炎(Lupusnephritis,LN)常见的一种血管炎性病变,患病率约为20.2%-33.0%,多见于严重的弥漫性增殖性(Ⅳ型)狼疮性肾炎。LN中伴有GMT形成的患者不仅肾脏病变重于无肾小球微血栓患者,而且治疗疗效和肾脏预后也较无肾小球微血栓患者差。然而,GMT形成的机制目前仍未明确,炎症反应、免疫损伤、血管内皮损伤、抗磷脂酶活性等可能参与促进体内凝血系统的激活,进而导致GMT的形成本发明前期研究也发现血红蛋白、尿蛋白及血清C3等水平与LN患者GMT形成密切相关。因肾穿刺活检为有创操作,且因各种原因导致部分系统性红斑狼疮患者无法行肾穿刺活检,因而在肾穿刺活检之前,通过临床指标诊断GMT形成具有重要的临床意义。目前尚无针对在LN患者中诊断GMT形成的相关诊断模型。
通过上述分析,现有技术存在的问题及缺陷为:目前尚无针对在LN患者中诊断GMT形成的相关模型。而肾小球微血栓形成的患者狼疮活动程度较强,主要出现在增殖性狼疮性肾炎的患者,因增殖性狼疮性肾炎和膜性狼疮性肾炎的治疗方案差异较大,及时诊断GMT形成,对于治疗方案的选择具有重要的临床意义。同时,GMT形成的狼疮性肾炎患者疾病程度较重,患者的治疗效果欠佳,且预后较差。因肾穿刺活检为有创操作,且因各种原因导致部分系统性红斑狼疮患者无法行肾穿刺活检或者不能及时行肾穿刺活检,因此对于此类患者,无法及时诊断是否有GMT形成,影响患者治疗方案的指导,并影响患者治疗疗效和长期肾脏预后。
解决以上问题及缺陷的难度为:目前主要是通过行肾穿刺活检来很多GMT形成,但是因肾穿刺活检为有创操作,因患者常伴有凝血功能异常、血小板减少、贫血、感染等疾病,及其他等各种原因导致部分系统性红斑狼疮患者无法行肾穿刺活检或者不能及时行肾穿刺活检,因此对于此类患者,无法及时诊断是否有GMT形成,影响患者治疗方案的指导,并影响患者治疗疗效和长期肾脏预后。
解决以上问题及缺陷的意义为:通过本模型的构建,可以在肾穿刺活检前精准的预测出患者患者肾小球微血栓病变的风险,进而可以及时指导患者治疗方案的选择,并可评估患者狼疮性肾炎活动情况及患者的肾脏预后。
发明内容
针对现有技术存在的问题,本发明提供了一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法。
本发明是这样实现的,一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法,所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法包括:
通过机器学习和logistic逐步回归方法在众多候选人口学、临床特点、生化指标及免疫指标中筛选得到联合预测狼疮性肾炎肾小球微血栓形成的五个指标,并通过联合诊断方程和列线图呈现预测模型。
进一步,所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法还包括:
分别通过ROC曲线、校准曲线及临床决策曲线和临床影响曲线对模型的区分度、校准度及临床应用价值进行评价,并且通过Bootstrap法重复采样对模型进行内部验证。
进一步,所述联合预测狼疮性肾炎肾小球微血栓形成的五个指标包括:血红蛋白、淋巴细胞计数、血清C3、TT及收缩压。
步骤一,获取满足筛选标准的LN患者的资料数据;确定GMT分组;通过XGBoost机器学习的方法筛选得到预测GMT能力排在前10位的变量;
步骤二,通过非条件Logistic向前逐步回归分析进一步筛选变量,通过筛选出来的变量建立预测LN患者GMT形成的模型,并以列线图的形式呈现模型;
步骤三,通过ROC曲线评价模型的区分度,通过校准曲线评价模型的准确度,通过临床决策曲线和临床意义曲线评价模型;
步骤四,通过Bootstrap法重复采样对模型进行内部验证。
进一步,所述资料数据包括:
LN患者年龄、性别、收缩压、舒张压以及其他基本人口学资料数据;
皮疹、雷诺现象、发热、浆膜腔积液、口腔溃疡、脱发、关节疼痛、光过敏、水肿以及其他临床数据;
白细胞、血红蛋白、血小板、淋巴细胞、血清白蛋白、血清球蛋白、血肌酐、血清尿酸、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、血清IgA、血清IgG、血清IgM、血清C3、血清C4、D-二聚体、凝血酶时间、凝血酶原时间、部分活化凝血酶时间、纤维蛋白原、国际标准化比率以及其它生化指标数据;
ANA滴度、dsDNA、抗Sm抗体、SSA、SSB、抗URNP抗体以及其他免疫指标数据;
SLE活动评估数据以及eGFR数据。
进一步,所述SLE活动情况评估数据包括:利用SLEDAI评分对SLE的疾病活动性进行总体评估,得到总体评估SLE评估数据;所述SLE评估数据0~4分表示基本无活动;所述SLE评估数据5~9分表示轻度活动;所述SLE评估数据10~14分表示中度活动;所述SLE评估数据>14分表示重度活动。
进一步,所述eGFR数据由MDRD方程评估。
进一步,所述确定GMT分组包括:
根据标准分型对LN活检标本进行分类,并判断每个标本中测定是否存在肾小球袢内微血栓;当光学显微镜显示血栓含有染色纤维蛋白阻塞了肾小球毛细血管的管腔,判定肾小球袢内微血栓是存在的;利用免疫荧光和共聚焦显微镜鉴定光镜检测的GMT是否为纤维性血栓;
基于检测与分类结果确定是否存在GMT进行分组。
本发明的另一目的在于提供一种所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法构建的狼疮性肾炎患者肾小球微血栓形成的模型,模型的本质就是在行肾穿刺活检之前或者对于无法行肾穿刺活检有创的诊断方法之前预测出患者患有肾小球微血栓的风险概率,进而指导临床治疗方案的选择,并可协助评估患者肾脏疾病活动、治疗疗效和预后情况。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法包括下列步骤:
步骤一,获取满足筛选标准的LN患者的资料数据;确定GMT分组;通过XGBoost机器学习的方法筛选得到预测GMT能力排在前10位的变量;
步骤二,通过非条件Logistic向前逐步回归分析进一步筛选变量,通过筛选出来的变量建立预测LN患者GMT形成的模型,并以列线图的形式呈现模型;
步骤三,通过ROC曲线评价模型的区分度,通过校准曲线评价模型的准确度,通过临床决策曲线和临床意义曲线评价模型;
步骤四,通过Bootstrap法重复采样对模型进行内部验证。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:目前临床上尚无针对在系统性红斑狼疮患者通过常见临床指标来诊断GMT形成的相关模型。肾小球微血栓形成的患者狼疮活动程度较强,主要出现在增殖性狼疮性肾炎的患者,因增殖性狼疮性肾炎和膜性狼疮性肾炎的治疗方案差异较大,及时诊断GMT形成,对于治疗方案的选择具有重要的临床意义。同时,GMT形成的狼疮性肾炎患者疾病程度较重,患者的治疗效果欠佳,且预后较差。因肾穿刺活检为有创操作,因患者常伴有凝血功能异常、血小板减少、贫血、感染等疾病,及其他等各种原因导致部分系统性红斑狼疮患者无法行肾穿刺活检或者不能及时行肾穿刺活检,因此对于此类患者,无法及时诊断是否有GMT形成,影响患者治疗方案的指导,并影响患者治疗疗效和长期肾脏预后。而通过本模型的构建,可以在肾穿刺活检前精准的预测出患者肾小球微血栓病变的风险,进而可以及时指导临床上患者治疗方案的选择,并可评估患者狼疮性肾炎活动情况及患者的肾脏预后。本发明将填补行业空白。
本发明通过分析确诊的LN患者的临床症状、实验室以及其它指标建立GMT形成的模型,为临床上更好的诊断GMT形成提供参考依据。本发明的模型具有较好的诊断区分度、校准度和临床应用价值且具有较好的临床推广价值。
本发明首次报道在机器学习的基础上筛选临床指标建立狼疮性肾炎患者肾小球微血栓形成的诊断模型,为临床上早期识别GMT的相关危险因素,并在肾穿刺活检之前诊断GMT形成的风险,进而及时进行临床干预,具有重要的临床指导意义。本发明也通过列线图的方式呈现模型,使得模型更易于临床推广;分别通过ROC曲线、校准曲线和临床决策曲线及临床影响曲线对建立的诊断模型进行评价,明确其分区度、准确度和临床使用价值。但是,本发明作为单中心横断面研究,样本量较少,未能进行模型的外部验证,但本发明通过Bootstrap法重复采样500次做内部验证,所得结果与原模型基本一致,也进一步说明本模型具有一定的推广价值。
本发明通过机器学习和logistic逐步回归筛选,发现血红蛋白,血清C3,淋巴细胞、收缩压及凝血酶时间与狼疮性肾炎肾小球微血栓形成密切相关,通过联合这些指标建立诊断GMT形成的联合诊断模型,并通过列线图对模型呈现和临床应用,通过模型评价发现模型具有较好的区分度、准确度及临床应用价值。
附图说明
图1是本发明实施例提供的狼疮性肾炎患者肾小球微血栓形成的模型构建方法流程图。
图2是本发明实施例提供的XGBoost对于诊断GMT形成的指标重要性的排序示意图。
图3是本发明实施例提供的GMT形成的诊断模型的列线图。
图4是本发明实施例提供的GMT联合诊断模型的ROC曲线示意图。
图5是本发明实施例提供的诊断模型的校准曲线示意图。
图6是本发明实施例提供的诊断模型的临床决策曲线和临床影响曲线示意图。
图7是本发明实施例提供的诊断模型Bootstrap法重复采样500次的ROC曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法,下面结合附图对本发明作详细的描述。
本发明通过基于临床上常见的血红蛋白、淋巴细胞计数、血清C3、TT、收缩压这5个变量,建立诊断GMT形成的诊断模型的列线图。通过列线图可以临床上推广使用。对于临床上考虑狼疮性肾炎的患者,在未行肾穿刺活检之前,通过检测血红蛋白、淋巴细胞、血清C3、TT、收缩等5个变量(无创,常用的临床指标,不增加患者的额外费用,且不增加患者医疗风险),就可以根据列线图预测出该患者出现GMT形成的风险。例如,一位患者收缩压为140mmHg,淋巴细胞计数1.5*109/L,血红蛋白80g/L,血清C30.4g/L,TT 24s,通过查找列线图,上述指标总得分280分左右,对应的GMT形成的风险75%左右。另外,还将以公式的形式呈现本模型,可以将此公式制作成电脑程序,直接输入上述五个指标,就可以得出改患者GMT形成的概率,更加方便临床上的使用。
本发明实施例提供的狼疮性肾炎患者肾小球微血栓形成的模型构建方法包括:
通过机器学习和logistic逐步回归方法在众多候选人口学、临床特点、生化指标及免疫指标中筛选得到联合预测狼疮性肾炎肾小球微血栓形成的五个指标,并通过联合诊断方程和列线图呈现预测模型。分别通过ROC曲线、校准曲线及临床决策曲线和临床影响曲线对模型的区分度、校准度及临床应用价值进行评价,并且通过Bootstrap法重复采样对模型进行内部验证。
如图1所示,本发明实施例提供的联合预测狼疮性肾炎肾小球微血栓形成的五个指标包括:血红蛋白、淋巴细胞计数、血清C3、TT及收缩压。
S101,获取满足筛选标准的LN患者的资料数据;确定GMT分组;通过XGBoost机器学习的方法筛选得到预测GMT能力排在前10位的变量;
S102,通过非条件Logistic向前逐步回归分析进一步筛选变量,通过筛选出来的变量建立预测LN患者GMT形成的模型,并以列线图的形式呈现模型;
S103,通过ROC曲线评价模型的区分度,通过校准曲线评价模型的准确度,通过临床决策曲线和临床意义曲线评价模型;通过Bootstrap法重复采样对模型进行内部验证。
本发明实施例提供的资料数据包括:
LN患者年龄、性别、收缩压、舒张压以及其他基本人口学资料数据;
皮疹、雷诺现象、发热、浆膜腔积液、口腔溃疡、脱发、关节疼痛、光过敏、水肿以及其他临床数据;
白细胞、血红蛋白、血小板、淋巴细胞、血清白蛋白、血清球蛋白、血肌酐、血清尿酸、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、血清IgA、血清IgG、血清IgM、血清C3、血清C4、D-二聚体、凝血酶时间、凝血酶原时间、部分活化凝血酶时间、纤维蛋白原、国际标准化比率以及其它生化指标数据;
ANA滴度、dsDNA、抗Sm抗体、SSA、SSB、抗URNP抗体以及其他免疫指标数据;
SLE评估数据以及eGFR数据。
本发明实施例提供的SLE评估数据包括:利用SLEDAI评分对SLE的疾病活动性进行总体评估,得到总体评估SLE评估数据;所述SLE评估数据0~4分表示基本无活动;所述SLE评估数据5~9分表示轻度活动;所述SLE评估数据10~14分表示中度活动;所述SLE评估数据>14分表示重度活动。
本发明实施例提供的eGFR数据由MDRD方程评估。
本发明实施例提供的确定GMT分组包括:
根据标准分型对LN活检标本进行分类,并判断每个标本中测定是否存在肾小球袢内微血栓;当光学显微镜显示血栓含有染色纤维蛋白阻塞了肾小球毛细血管的管腔,判定肾小球袢内微血栓是存在的;利用免疫荧光和共聚焦显微镜鉴定光镜检测的GMT是否为纤维性血栓;
基于检测与分类结果确定是否存在GMT进行分组。
下面结合具体实施例对本发明的技术方案做进一步说明。
实施例1:
1.对象与方法
1.1研究对象
本发明为单中心横断面研究。连续性收集2010年1月至2021年3月间在深圳市第二人民医院肾内科行肾穿刺活检诊断为LN的患者。(1)纳入标准:①符合1997年美国风湿病学会(ACR)修订的SLE分类诊断标准;②肾活检病理检查证实为LN;③年龄≥14岁,肾组织样本肾小球数≥10个。(2)排除标准:①排除其他可致高凝状态及肾脏微血管病变的疾病史如糖尿病肾病、系统性硬化、血栓性血小板减少性紫癜、恶性高血压、溶血性尿毒综合征、人免疫缺陷病毒(HIV)感染、环孢素治疗、口服避孕药等。②无关于是否肾小球微血栓形成的记录。根据纳排标准,共有129例患者纳入研究。本发明得到深圳市第二人民医院伦理委员会批准。
1.2方法
1.2.1临床资料收集
记录患者年龄、性别、收缩压、舒张压等基本人口学资料;皮疹、雷诺现象、发热、浆膜腔积液、口腔溃疡、脱发、关节疼痛、光过敏、水肿等临床症状;白细胞(WBC)、血红蛋白(Hb)、血小板(PLT)、淋巴细胞、血清白蛋白(ALB)、血清球蛋白(GLB)、血肌酐(SCr)、血清尿酸(UA)、总胆固醇(TC)、低密度脂蛋白胆固醇(LDL-c)、高密度脂蛋白胆固醇(HDL)、血清IgA、血清IgG、血清IgM、血清C3、血清C4、D-二聚体、凝血酶时间(TT)、凝血酶原时间(PT)、部分活化凝血酶时间(APTT)、纤维蛋白原(FIB)、国际标准化比率(INR)等生化指标;ANA滴度、dsDNA、抗Sm抗体、SSA、SSB、抗URNP抗体等免疫指标。采用SLEDAI(systemic lupuserythematosus disease activity index)评分对SLE的疾病活动性作总体评估,0~4分基本无活动;5~9分轻度活动;10~14分中度活动;>14分重度活动。eGFR由MDRD方程评估。
1.2.2GMT分组
根据国际肾脏病学会/肾脏病理学会(1SN/RPS)2003标准分型对LN活检标本进行分类,特别是每个标本中测定是否存在肾小球袢内微血栓。当光学显微镜显示血栓含有染色纤维蛋白阻塞了肾小球毛细血管的管腔,定义肾小球袢内微血栓是存在的。且采用免疫荧光和共聚焦显微镜观察,进一步鉴定光镜发现的GMT是否为纤维性血栓。当根据肾活检组织是否存在GMT进行分组,LN伴有GMT共39例(GMT);LN不伴有GMT(非GMT),共90例,所有病理均是由广州金域医学病理检验完成。
1.3机器学习
机器学习越来越多地被用于建立医学领域的风险预测模型。机器学习算法定义为在训练经验的指导下搜索大量候选程序,找到一个优化性能指标的程序。与传统的统计方法相比,它主要应用于迭代学习来自通过计算机算法获得的大量数据。在极限梯度提升(XGBoost)系统中实现的梯度树提升方法是一种有效的机器学习方法,可以组合较弱预测模型以建立更可靠的预测模型。XGBoost目前机器学习的一种新型的常用方法,在训练过程中,它可以在现有决策树的基础上通过梯度提升生成新的决策树,以便更好地预测结果。因此,经过训练,形成了由一系列决策树组成的风险预测系统。在应用过程中,预测的风险输出是每个决策树的累积得分,代表预测结果的概率。XGBoost提供了每个变量的重要性分数,表示该变量用于在所有树中分布数据的相对次数。本发明根据每个变量的预测贡献对这些变量进行排名。
1.4统计学方法
采用R软件(http://www.R-project.org,The R Foundation)和易侕软件(http://www.empowerstats.com,X&Y Solutions,Inc,Boston,MA)软件进行统计学数据分析。服从正态分布的计量资料以均数+-标准差表示,两组间比较采用t检验。不服从正态分布计量资料以M(1/4,3/4)表示,两组间比较采用Wilcoxon秩和检验。计数资料以N(%)表示,组间比较进行卡方检验。首先通过XGBoost机器学习的方法筛选出诊断GMT能力排在前10位的变量,然后在此基础上通过非条件Logistic向前逐步回归分析进一步筛选变量(P<0.1)。通过筛选出来的变量建立诊断LN患者GMT形成的诊断模型,并以列线图的形式呈现诊断模型。通过ROC曲线评价模型的区分度,通过校准曲线评价模型的准确度,通过临床决策曲线和临床意义曲线评价模型的临床应用价值。然后通过Bootstrap法重复采样500次对模型进行内部验证。所有的分析均遵从TRIPOD声明。P<0.05为差异具有统计学意义。
2.结果
2.1一般资料:符合纳排标准的共129例狼疮性肾炎患者,男12例,女117例;年龄14~70岁,平均年龄(33.5±11.4)岁。肾小球微血栓形成的患者39例,占30.23%。
2.1.1GMT组与非GMT组人口学及临床特征的比较。
GMT组与非GMT组之间的性别比例、皮疹、雷诺现象、浆膜腔积液、发热、口腔溃疡、脱发、光过敏、关节疼痛等临床症状差异无统计学意义(P>0.05)与非GMT组相比,GMT组的患者年龄偏大(P=0.011),收缩压及舒张压均偏高(P<0.01)。同时,GMT患者水肿的比例较非GMT组高(P=0.012)。见表1.
表1.微血栓与非微血栓患者人口学及临床特征的比较
2.1.2GMT组与非GMT组生化指标的比较。
GMT组与非GMT组之间的尿白细胞计数、血白细胞计数、血小板计数、淋巴细胞计数、白蛋白、球蛋白、甘油三脂、总胆固醇、高密度脂蛋白、低密度脂蛋白、血清IgA、血清IgG、血清C4、INR、APTT、D-二聚体等生化指标差异无统计学意义(P>0.05)。与非GMT组相比,GMT组的患者尿蛋白水平、尿红细胞计数、血清肌酐、血尿酸等指标偏高,TT时间延长(P<0.05)。而与非GMT组相比,GMT组患者超敏CRP、血红蛋白、eGFR、血IgM、血清C3、FIB等水平偏低,PT时间缩短(P<0.05)。见表2.
表2.微血栓与非微血栓患者生化指标的比较
2.1.3GMT组与非GMT组免疫学指标的比较。
GMT组与非GMT组之间的ANA滴度、SSA抗体、SSB抗体、抗Sm抗体、抗URNP抗体等阳性情况无统计学意义的差异(P0.05)。与非GMT组相比,GMT组患者SLEDAI评分得分较高,抗双链DNA抗体阳性率较高(P<0.05)。见表3.
表3.微血栓与非微血栓患者免疫学指标的比较
2.2通过XGBoost对变量进行筛选
通过机器学习XGBoost的方法对所有人口学、临床特点、生化指标、免疫指标等候选变量进行初步筛选。结果提示,根据诊断GMT形成的重要性进行排序,排在前10位的变量依次为:血红蛋白,收缩压,TT,尿蛋白定量,淋巴细胞计数,PT,血清白蛋白,血清C3,血小板,血清IgA。见图1
2.3Logistic逐步回归方法对诊断GMT形成变量的进一步筛选
对上述机器学习筛选出的10个变量,将通过logistic逐步回归分析的方法继续深入筛选有意义的变量,回归分析结果中,P<0.1的变量被筛出。从表4中可以看出,经logistic逐步回归分析后,共5个变量被筛出,分别为血红蛋白,淋巴细胞计数,血清C3,TT,收缩压。其中血红蛋白、淋巴细胞计数及血清C3与GMT呈负相关,收缩压、TT与GMT呈正相关关系。通过各个回归系数可以得出这五个变量联合诊断GMT形成的方程为:logit(微血栓)=-3.20828+0.02632*收缩压-0.77290*淋巴细胞计数-0.03424*血红蛋白-2.01560*血清C3+0.23079*TT。见表4.
表4.Logistic逐步回归分析对变量的筛选
2.4狼疮性肾炎GMT形成的诊断模型的列线图呈现
基于血红蛋白、淋巴细胞计数、血清C3、TT、收缩压这5个变量,建立诊断GMT形成的诊断模型的列线图。从图3中可以看出,当模型建立后,通过临床考虑狼疮性肾炎的患者,在未行肾穿刺活检之前,通过检测血红蛋白、淋巴细胞、血清C3、TT、收缩等5个变量,就可以根据列线图预测出该患者出现GMT形成的风险。例如,一位患者收缩压为140mmHg,淋巴细胞计数1.5*109/L,血红蛋白80g/L,血清C30.4g/L,TT 24s,通过查找列线图,上述指标总得分280分左右,对应的GMT形成的风险75%左右(图3)。
2.5列线图诊断GMT形成的不同诊断概率切点的灵敏度、特异度及阳性预测值
本发明在列线图的基础上,进一步探索在列线图的不同的诊断GMT发生概率切点的灵敏度、特异度等指标。从表5中可以看出,随着列线图诊断GMT的风险概率切点升高,特异度逐步增加,灵敏度逐步下降;阴性预测值逐步下降,但整体处于较高水平;而阳性预测值也随着诊断概率切点升高而逐步升高,但在诊断风险以55%为切点及以上时,阳性预测值不再继续增加(表5)。
表5.不同诊断概率切点的敏感性、特异性和预测值
2.6诊断模型的评价
2.6.1模型的区分度评价
通过ROC曲线及曲线下面积评价模型的区分度。研究结果发现,血红蛋白、血清C3、淋巴细胞计数、TT及收缩压联合诊断LN患者肾小球微血栓形成的诊断模型的ROC曲线下面积(AUC)为0.823,95%CI(0.7532,0.8926),提示本联合诊断模型诊断CMT形成具有较好的区分度。模型的最佳临界点为-0.7823,最佳临界点的灵敏度82.05%,特异度76.67%,阳性预测值60.38%,阴性预测值90.79%。(图4,表6)
表6.诊断模型的最佳临界点及敏感性、特异性和预测值
项目 | Model |
微血栓 | 39 |
非微血栓 | 90 |
ROC面积(AUC) | 0.8251 |
95%区间下限 | 0.7532 |
95%区间上限 | 0.8926 |
最佳阈值 | -0.7823 |
特异度 | 0.7667 |
灵敏度 | 0.8205 |
准确度 | 0.7829 |
阳性似然比 | 3.5165 |
阴性似然比 | 0.2341 |
诊断比值比 | 15.0204 |
阳性预测值 | 0.6038 |
阴性预测值 | 0.9079 |
2.6.2模型的校准度评价
通过校准曲线评价联合诊断模型预测的GMT风险和GMT真实发生的关系。研究结果提示:联合诊断模型的诊断GMT形成的预测值与GMT形成的实测值有较好的一致性(H-L检验,P=0.16),说明本发明的列线图诊断模型具有较可靠的诊断能力。
2.6.3模型的临床价值评价
本发明通过临床决策曲线和临床影响曲线对诊断模型的临床使用价值进行评价。结果显示:黑线代表当没有患者被认为患有GMT时的净收益。相比之下,浅灰色线代表所有患者都被认为患有GMT时的净收益。模型曲线中“无治疗线”(黑线)和“全部治疗线”(浅灰线)之间的面积表示模型的临床效用。模型曲线离黑色和浅灰色线越远,列线图的临床应用效果越好。具体来说,如果诊断模型中患者的阈值概率为40%,则净收益约为50%,相当于100名患者使用本诊断模型诊断为GMT并进行相应治疗,有50人能从中获益并不损伤任何其他人的利益。临床影响曲线中红色的线表示GMT高风险曲线,蓝色的线表示发生了GMT的高风险曲线,两者越接近,表示模型的诊断高风险与实际风险越接近。结合临床决策曲线和临床影响曲线的结果,提示诊断模型诊断GMT形成概率在0.4-0.6之间,模型的临床意义较大。(图6)
2.7诊断模型的内部验证
因本发明所纳入的样本量较少,且本发明为单中心研究,因此未对研究人群随机分成两部分进行内部验证或者通过住院先后时间分两组进行外部验证。本发明采用Bootstrap法重复采样500次做内部验证。经过Bootstrap法重复采样500次后,得出平均曲线下面积0.825,95%CI(0.753,0.893),与原模型得出的AUC 0.832基本一致,提示本发明所得诊断模型经内部验证后仍然成立,具有就好的临床上推广价值。
3本发明通过机器学习和logistic逐步回归方法在众多候选人口学、临床特点、生化指标及免疫指标中筛选出联合诊断狼疮性肾炎肾小球微血栓形成的五个指标,分别为血红蛋白、淋巴细胞计数、血清C3、TT及收缩压,并通过联合诊断方程和列线图呈现诊断模型,分别通过ROC曲线、校准曲线及临床决策曲线和临床影响曲线对模型的区分度、校准度及临床应用价值进行评价,发现模型具有较好的诊断区分度、校准度和临床应用价值。并且通过Bootstrap法重复采样500次对模型进行内部验证,提示模型具有较好的临床推广价值。
LN是最常见的继发性肾小球疾病之一,也是系统性红斑狼疮患者死亡的重要原因;伴GMT形成的LN患者往往肾组织损伤更严重,对治疗的反应性差,并且其肾功能预后更差。Klein Derer等研究发现GMT形成是狼疮肾炎常见的一种血管性病变,多在严重的弥漫性增殖性(Ⅳ型)狼疮肾炎患者中出现。本发明显示,本发明中129例LN患者中GMT形成有39例,阳性率30.23%,相关文献报道GMT在狼疮肾炎中的患病率约为20.2%-33.0%,本发明GMT患病率与既往报道一致。GMT患者血压偏高,水肿程度高,蛋白尿、血尿水平高,并肾功能较差,SLEDAI评分得分较高,抗双链DNA抗体阳性率较高。上述临床特点及生化、免疫指标的表现提示伴有GMT形成的狼疮性肾炎患者临床表现较为严重,这也与相关研究报道相一致。
本发明通过机器学习和逐步Logistic回归分析的方法筛选,发现血红蛋白、血清C3,收缩压,淋巴细胞计数及TT与狼疮性肾炎GMT形成密切相关,这与本发明前期相关的报道基本一致。LN患者常常合并贫血,贫血与肾功能预后密切相关,是GMT形成的独立影响因素。血红蛋白与GMT的关系的机制可能与贫血导致信号转导与转录激活因子1(signaltransducer and activator of transcription 1,STAT1)水平升高有关。STAT1可导致多种促炎介质的表达增加,破坏血管内皮功能,诱发和加重高凝状态,进而导致GMT形成加重肾脏损害,进而导致GMT形成。同时可以激活补体系统,并出现免疫紊乱,使补体C3水平下降,干扰凝血机制,影响凝血时间。高血压是内皮功能损害的始动因素之一,内皮功能损害是原发性高血压发病机制的关键环节,高血压和内皮功能损害之间有着密不可分的关系。
本发明通过对血红蛋白、血清C3,收缩压,淋巴细胞计数及TT等5个指标的联合,建立GMT的联合诊断模型,模型曲线下面积为0.832,提示该模型具有较好的区分度。本中心既往研究也发现,单用血红蛋白诊断GMT的AUC为0.764,蛋白的AUC为0.651,均比本发明的联合AUC偏低,提示本发明所采用的联合诊断模型较单一指标来诊断GMT形成具有更好的区分GMT和非GMT的能力。同时,本发明也通过校准曲线证实本发明所建立的联合诊断模型预测的GMT形成风险与GMT实际形成风险相一致,提示本模型临床使用具有较好的准确性。
2006年,纪念斯隆凯特琳癌症研究所的AndrewVickers博士在Medical DecisionMaking期刊上发文首次提出了临床决策曲线分析(Decision Curve Analysis,DCA)方法。DCA是一种评估临床预测模型、诊断试验和分子标记物的简单方法。传统的诊断试验指标如:敏感性,特异性和ROC曲线下面积仅测量预测模型的诊断准确性,未能考虑特定模型的临床效用,而DCA的优势在于它将患者或决策者的偏好整合到分析中。这种理念的提出满足了临床决策的实际需要,在临床分析中的应用日益广泛。本发明通过临床决策曲线和临床影响曲线探索本诊断模型的临床应用价值,结果发现本发明建立的GMT诊断模型具有较好的临床应用价值。综合临床决策曲线和临床影响曲线的结果,当模型诊断GMT形成风险概率在0.4-0.6的切点范围,模型的临床意义更为明显较大。在临床诊断中,如果要筛查某种疾病,需要尽可能把可能患者这种疾病的患者都纳入,避免漏诊,因而需要较高的灵敏度;而如为了诊断某种疾病,因为这种疾病一旦被诊断将给予相应的临床处理措施,避免误诊,因而需要较高的特异度。本发明通过不同临界值下列线图诊断GMT形成风险的敏感性、特异性等分析发现,在诊断概率风险0.4以上时,特异度逐步升高。因而也进一步证实本发明所建立的模型的临床价值。
本发明首次报道在机器学习的基础上筛选临床指标建立狼疮性肾炎患者肾小球微血栓形成的诊断模型,为临床上早期识别GMT的相关危险因素,并在肾穿刺活检之前诊断GMT形成的风险,进而及时进行临床干预,具有重要的临床指导意义。本发明也通过列线图的方式呈现模型,使得模型更易于临床推广;分别通过ROC曲线、校准曲线和临床决策曲线及临床影响曲线对建立的诊断模型进行评价,明确其分区度、准确度和临床使用价值。但是,本发明作为单中心横断面研究,样本量较少,未能进行模型的外部验证,但本发明通过Bootstrap法重复采样500次做内部验证,所得结果与原模型基本一致,也进一步说明本模型具有一定的推广价值。将来,可通过多中心合作,通过其他中心的数据资料,对模型进一步进行外部验证,使其获得更好的临床推广。
通过机器学习和logistic逐步回归筛选,发现血红蛋白,血清C3,淋巴细胞、收缩压及凝血酶时间与狼疮性肾炎肾小球微血栓形成密切相关,通过联合这些指标建立诊断GMT形成的联合诊断模型,并通过列线图对模型呈现和临床应用,通过模型评价发现模型具有较好的区分度、准确度及临床应用价值。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本发明领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法,其特征在于,所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法包括:通过机器学习和logistic逐步回归方法筛选得到联合预测狼疮性肾炎肾小球微血栓形成的五个指标,并通过联合诊断方程和列线图呈现预测模型。
2.如权利要求1所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法,其特征在于,所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法还包括:分别通过ROC曲线、校准曲线及临床决策曲线和临床影响曲线对模型的区分度、校准度及临床应用价值进行评价,并且通过Bootstrap法重复采样对模型进行内部验证。
3.如权利要求1所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法,其特征在于,所述联合预测狼疮性肾炎肾小球微血栓形成的五个指标包括:血红蛋白、淋巴细胞计数、血清C3、TT及收缩压。
步骤一,通过XGBoost机器学习的方法筛选得到预测GMT能力排在前10位的变量;
步骤二,通过非条件Logistic向前逐步回归分析进一步筛选变量,通过筛选出来的变量建立预测GMT形成的模型,并以列线图的形式呈现模型;
步骤三,通过ROC曲线评价模型的区分度,通过校准曲线评价模型的准确度,通过临床决策曲线和临床意义曲线评价模型;
步骤四,通过Bootstrap法重复采样对模型进行内部验证。
4.如权利要求3所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法,其特征在于,SLE评估数据包括:利用SLEDAI评分对SLE的疾病活动性进行总体评估,得到总体评估SLE评估数据;所述SLE评估数据0~4分表示基本无活动;所述SLE评估数据5~9分表示轻度活动;所述SLE评估数据10~14分表示中度活动;所述SLE评估数据>14分表示重度活动。
5.如权利要求3所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法,其特征在于,所述eGFR数据由MDRD方程评估。
6.如权利要求3所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法,其特征在于,所述确定GMT分组包括:
根据标准分型对LN活检标本进行分类,并判断每个标本中测定是否存在肾小球袢内微血栓;当光学显微镜显示血栓含有染色纤维蛋白阻塞了肾小球毛细血管的管腔,判定肾小球袢内微血栓是存在的;利用免疫荧光和共聚焦显微镜鉴定光镜检测的GMT是否为纤维性血栓;
基于检测与分类结果确定是否存在GMT进行分组。
7.一种如权利要求1-6任意一项所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法构建的狼疮性肾炎患者肾小球微血栓形成的模型。
8.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行如权利要求1-6任意一项所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法包括下列步骤:
步骤一,获取满足筛选标准的LN患者的资料数据;确定GMT分组;通过XGBoost机器学习的方法筛选得到预测GMT能力排在前10位的变量;
步骤二,通过非条件Logistic向前逐步回归分析进一步筛选变量,通过筛选出来的变量建立预测LN患者GMT形成的模型,并以列线图的形式呈现模型;
步骤三,通过ROC曲线评价模型的区分度,通过校准曲线评价模型的准确度,通过临床决策曲线和临床意义曲线评价模型;
步骤四,通过Bootstrap法重复采样对模型进行内部验证。
9.一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-6任意一项所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法的步骤。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1-6任意一项所述狼疮性肾炎患者肾小球微血栓形成的模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210227657.6A CN114613510A (zh) | 2022-03-08 | 2022-03-08 | 一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210227657.6A CN114613510A (zh) | 2022-03-08 | 2022-03-08 | 一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114613510A true CN114613510A (zh) | 2022-06-10 |
Family
ID=81860231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210227657.6A Pending CN114613510A (zh) | 2022-03-08 | 2022-03-08 | 一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114613510A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116471A (zh) * | 2023-10-23 | 2023-11-24 | 四川大学华西医院 | 建立预测增殖或非增殖狼疮肾炎模型的方法及预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019187413A (ja) * | 2018-04-23 | 2019-10-31 | チャン グァン メモリアル ホスピタル,カオシュン | ループス腎炎の検出またはそのリスクを予測する方法およびその応用 |
CN111986814A (zh) * | 2020-08-21 | 2020-11-24 | 南通大学 | 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法 |
CN112117006A (zh) * | 2020-09-23 | 2020-12-22 | 重庆医科大学 | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 |
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 |
CN113223722A (zh) * | 2021-04-25 | 2021-08-06 | 郑州大学 | 基于列线图的肺结节数据库及预测模型的构建方法及系统 |
CN113539470A (zh) * | 2020-04-14 | 2021-10-22 | 郑州大学第一附属医院 | 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 |
CN113555122A (zh) * | 2021-07-21 | 2021-10-26 | 中南大学湘雅二医院 | 一种重症脓毒症患者一过性和持续性aki的预测模型及其构建方法 |
CN113936761A (zh) * | 2021-10-29 | 2022-01-14 | 常州市第一人民医院 | 一种基于机器学习的预测新冠肺炎患者风险分层的方法 |
-
2022
- 2022-03-08 CN CN202210227657.6A patent/CN114613510A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019187413A (ja) * | 2018-04-23 | 2019-10-31 | チャン グァン メモリアル ホスピタル,カオシュン | ループス腎炎の検出またはそのリスクを予測する方法およびその応用 |
CN113539470A (zh) * | 2020-04-14 | 2021-10-22 | 郑州大学第一附属医院 | 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 |
CN111986814A (zh) * | 2020-08-21 | 2020-11-24 | 南通大学 | 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法 |
CN112117006A (zh) * | 2020-09-23 | 2020-12-22 | 重庆医科大学 | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 |
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 |
CN113223722A (zh) * | 2021-04-25 | 2021-08-06 | 郑州大学 | 基于列线图的肺结节数据库及预测模型的构建方法及系统 |
CN113555122A (zh) * | 2021-07-21 | 2021-10-26 | 中南大学湘雅二医院 | 一种重症脓毒症患者一过性和持续性aki的预测模型及其构建方法 |
CN113936761A (zh) * | 2021-10-29 | 2022-01-14 | 常州市第一人民医院 | 一种基于机器学习的预测新冠肺炎患者风险分层的方法 |
Non-Patent Citations (4)
Title |
---|
ZHI-RUI 等: "In-depth mining of clinical data: the construction of clinical prediction model with R", ANNALS OF TRANSLATIONAL MEDICINE * |
操长春 等: "狼疮性肾炎患者血红蛋白水平与肾小球微血栓形成相关性研究", 中国中西医结合肾病杂志, vol. 20, no. 12, pages 1048 - 1052 * |
谷鸿秋 等: "基于Logistic回归与XGBoost构建缺血性卒中院内复发风险预测模型的初步比较研究", 中国卒中杂志, vol. 15, no. 6, pages 587 - 594 * |
陈建宇 等: "狼疮性肾炎患者24 h尿蛋白水平与肾小球微血栓形成的相关性", 海南医学, vol. 32, no. 1, pages 16 - 21 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116471A (zh) * | 2023-10-23 | 2023-11-24 | 四川大学华西医院 | 建立预测增殖或非增殖狼疮肾炎模型的方法及预测方法 |
CN117116471B (zh) * | 2023-10-23 | 2024-01-23 | 四川大学华西医院 | 建立预测增殖或非增殖狼疮肾炎模型的方法及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shaikh et al. | Procalcitonin, C‐reactive protein, and erythrocyte sedimentation rate for the diagnosis of acute pyelonephritis in children | |
Klomjit et al. | Rate and predictors of finding monoclonal gammopathy of renal significance (MGRS) lesions on kidney biopsy in patients with monoclonal gammopathy | |
Manzi et al. | Measurement of erythrocyte C4d and complement receptor 1 in systemic lupus erythematosus | |
Tesfay et al. | Role of platelet parameters in early detection and prediction of severity of preeclampsia: A comparative cross-sectional study at Ayder comprehensive specialized and Mekelle general hospitals, Mekelle, Tigray, Ethiopia | |
Gomes et al. | The extent of tubulointerstitial inflammation is an independent predictor of renal survival in lupus nephritis | |
Wang et al. | Clinicopathologic characteristics and outcomes of lupus nephritis with positive antineutrophil cytoplasmic antibody | |
Sakaguchi et al. | Serum matrix metalloproteinase‐7 in biliary atresia: a Japanese multicenter study | |
Chen et al. | Diagnostic performance of procalcitonin for hospitalised children with acute pyelonephritis presenting to the paediatric emergency department | |
Lee et al. | The value of delta neutrophil index in young infants with febrile urinary tract infection | |
CN114613510A (zh) | 一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法 | |
Kawaguchi et al. | A nationwide survey on clinical practice patterns and bleeding complications of percutaneous native kidney biopsy in Japan | |
Outinen et al. | Haematuria is a marker for the severity of acute kidney injury but does not associate with thrombocytopenia in acute Puumala hantavirus infection | |
Kawasaki et al. | Differences in clinical findings, pathology, and outcomes between C3 glomerulonephritis and membranoproliferative glomerulonephritis | |
Ollech et al. | Fecal calprotectin is increased in pouchitis and progressively increases with more severe endoscopic and histologic disease | |
Erol et al. | Neutrophil/lymphocyte ratio and mean platelet volume in central serous chorioretinopathy | |
Tang et al. | Combination of serological biomarkers and clinical features to predict mucosal healing in Crohn’s disease: a multicenter cohort study | |
Whittall-Garcia et al. | Identification and validation of a urinary biomarker panel to accurately diagnose and predict response to therapy in lupus nephritis | |
Kim et al. | Delta neutrophil index and symptomatic time are effective factors for predicting perforated appendicitis | |
Cho et al. | Comparison of systemic conditions at diagnosis between central retinal vein occlusion and branch retinal vein occlusion | |
CN116287220B (zh) | 用于快速诊断川崎病的分子生物标志物和分析方法 | |
Ramsey‐Goldman et al. | A Multianalyte Assay Panel With Cell‐Bound Complement Activation Products Predicts Transition of Probable Lupus to American College of Rheumatology–Classified Lupus | |
Wang et al. | Construction of a nomogram discriminating malignancy-associated membranous nephropathy from idiopathic membranous nephropathy: a retrospective study | |
Zhu et al. | Prevalence and associated risk factors of pulmonary embolism in children and young adults with nephrotic syndrome: a Chinese large cohort study | |
Huynh et al. | Validation of a new simple scoring system to predict spontaneous bacterial peritonitis in patients with cirrhosis and ascites | |
RU2684287C1 (ru) | Способ прогнозирования риска развития псориаза 2 типа у женщин в постменопаузе |
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 |