CN114664441A - 冠心病风险评估系统 - Google Patents
冠心病风险评估系统 Download PDFInfo
- Publication number
- CN114664441A CN114664441A CN202210169406.7A CN202210169406A CN114664441A CN 114664441 A CN114664441 A CN 114664441A CN 202210169406 A CN202210169406 A CN 202210169406A CN 114664441 A CN114664441 A CN 114664441A
- Authority
- CN
- China
- Prior art keywords
- module
- patient
- index
- coronary heart
- heart disease
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了冠心病风险评估系统，包括输入显示模块、计算模块、判定模块及控制模块。输入显示模块具有输入显示画面，用于输入或选择年龄、性别、是否患有糖尿病、高密度脂蛋白胆固醇指标、总胆固醇指标、颈动脉斑块长度，并在评估完毕后显示评估结果；计算模块，提取输入显示模块的指标值，根据下式计算患病概率：判定模块，将计算模块计算得到的患病概率与预存阈值进行比较，得到是否属于高危的结果，并传输给输入显示模块。P＝ey/(1+ey)y＝‑3.738+0.029*年龄0.849*性别指数N+0.692*糖尿病指数M‑1.005*高密度脂蛋白胆固醇(mmol/L)+0.465*总胆固醇(mmol/L)+0.161*颈动脉斑块长度(mm)。
Description
技术领域
本发明属于患病风险评估技术领域，涉及一种冠心病风险评估系统，具体涉及一种基于颈动脉超声指标的冠心病风险评估系统。
背景技术
冠状动脉粥样硬化性心脏病(简称冠心病，CAD)目前发病率和死亡率仍在不断上升，给社会带来沉重负担。CAD一般呈慢性进展，严重时危及患者生命。对高危人群的早期识别和干预有助于冠心病的防治。但是在目前的临床工作中，对于冠心病的诊断常常依赖于冠脉CTA和冠脉造影检查，上述方法有创伤、耗时、有辐射、费用大，并且造影剂对肾功能不好的患者存在一定禁忌，不能作为普通人群的常规筛查方法。此外，目前对可疑CAD患者进行冠状动脉造影，最终确诊为阻塞性CAD的患者仅占可疑病例的1/2～2/3，浪费了一定的医疗资源[1,2]。
临床风险评分是对可疑CAD患者进行风险评估的工具之一[3,4]，Framingham风险评分最初用于预测无症状受试者的心血管事件[5]，也能够预测有症状的受试者是否存在CAD。Gaibazzi N等报道，单纯依靠Framingham评分在可疑胸痛人群中的CAD诊断价值用受试者工作特征曲线(ROC)下面积评估仅仅是0.669(95％CI:0.618–0.720)[6]。
颈动脉斑块是颈动脉粥样硬化的表现，可在一定程度上反映全身心血管病变的情况。目前颈动脉超声是首选的无创性检查手段，可以显示斑块的部位和大小(长度和厚度)。既往研究提示颈动脉斑块和冠心病具有一定的相关性，但这些指标复杂且价值有限，检测成本高，仅适用于科研，不具有推广价值，也不适于筛查。
目前尽管存在多种评分模型，但是主要利用传统危险因素，并且诊断价值仍相对较低。事实上，一些无传统危险因素的人群也会发生CAD。因此，如何更精确的识别CAD患者，同时避免漏诊，有利于辅助诊断，及时采取个体化治疗措施。
发明内容
本发明是为解决上述问题而进行的，基于之前的研究基础，纳入最大颈动脉斑块长度(CPL)这一颈动脉超声指标建立了CAD患病风险评估方程，以无创方式检出高危个体，更好的指导早期治疗干预策略。
本发明提供了一组冠心病风险预测参数的应用，参数包括：年龄、性别、是否患糖尿病、总胆固醇水平、高密度脂蛋白胆固醇水平、最大颈动脉斑块长度，并基于这些参数进行分析，提供了一种冠心病风险评估系统。
本发明的冠心病风险评估系统包括：
输入显示模块，具有输入显示画面，用于输入或选择年龄、性别、是否患有糖尿病、高密度脂蛋白胆固醇指标、总胆固醇指标、颈动脉斑块长度，并在评估完毕后显示评估结果；
计算模块，提取输入显示模块的指标值，根据式I及式II计算患病概率：
P＝ey/(1+ey) 式I
y＝-3.738+0.029*年龄0.849*性别指数N+0.692*糖尿病指数M-1.005*高密度脂蛋白胆固醇(mmol/L)+0.465*总胆固醇(mmol/L)+0.161*颈动脉斑块长度(mm) 式II
其中，P为患病概率，y表示受试者的各项参数与其作用强度乘积的合计值；当患者为男性时N＝1，当患者为女性时，N＝0；当患者患有糖尿病时N＝1，当患者不患糖尿病时，N＝0；
判定模块，将计算模块计算得到的患病概率与预存阈值进行比较，得到是否属于高危的结果，高于阈值时判定为高危风险，低于阈值时判断为低风险，并将判定结果传输给输入显示模块；
控制模块，对输入显示模块、计算模块、判定模块进行控制。
优选的，本发明提供的冠心病风险评估系统还包括：
通信模块，与远程服务器连接，直接获取患者基本信息及当前检验信息，并将检测结果传输至远程服务器进行存储；
提取模块，从患者基本信息以及检测报告中提取上述参数信息，直接匹配进输入显示画面中。
存储模块，对预设天数内的检测结果进行存储，方便临时查询。
优选的，在本发明提供的冠心病风险评估系统中，判定模块采用的预存阈值为50％，当P值≥50％时，列为CAD高危。
对上述风险评估系统进行ROC分析，结果显示曲线下面积AUC为0.832>0.75，提示该预测模型诊断区分能力较好(图1)；采用CAD预测模型Hosmer-Lemeshow检验评价模型的校准度，根据实际观测值(Observed)和模型预测值(Expected)绘制散点图，校准曲线和标准曲线接近，差异没有统计学显著性(P>0.05)，提示模型的校准能力越好(图2)，可用于CAD患病风险无创评估。
发明的作用与效果
本发明针对当前有创式冠心病诊断，提供了一种非有创评估方法，通过简便的CAD患病风险评估系统，输入年龄、性别、是否患有糖尿病、高密度脂蛋白胆固醇指标、总胆固醇指标、颈动脉斑块长度六个参数，系统根据预测公式直接计算出CAD患病概率，既有助于辅助诊断，也可方便患者自行评估，及时启动医疗干预措施。特别适用于对无传统危险因素或者症状不典型、依从性差的患者，根据模型评估也可以识别出CAD高危人群，需要进一步行有创检查，引起医患的重视和实现早期干预，避免漏诊。
此外，本发明系统的评估准确性高，同时避免了繁琐、不实用指标的测量，方法也便于推广和应用。
附图说明
图1是本发明冠心病风险评估系统的ROC分析结果；
图2是采用CAD预测模型Hosmer-Lemeshow检验评价本发明系统的校准度；
图3是本发明冠心病风险评估系统的结构示意图；
图4是本发明输入显示画面的示意图，其中(a)为预测伊始的画面，(b)为预测结束后的结果显示画面。
具体实施方式
下面结合实施例和附图对本发明进行详细描述。但下列实施例不应看作对本发明范围的限制。
1、研究对象
选择住院期间年龄>18岁未确诊过冠心病并且行冠脉造影检查的患者，共有2149名。
2、数据采集
采用问诊、血检验、颈动脉超声、冠脉造影检查的方法获得研究对象的性别、年龄、高血压患病情况、糖尿病患病情况、是否吸烟、血肌酐水平、总胆固醇水平、高密度脂蛋白胆固醇水平、低密度脂蛋白胆固醇水平、最大颈动脉斑块长度、冠状动脉狭窄水平，并将这些参数作为基线特征，对冠心病和非冠心病患者进行比较。
用于建立模型的研究人群的冠心病和非冠心病患者的基线特征比较，见表1：
表1冠心病和非冠心病患者的基线特征
CAD患者与非CAD患者相比，男性、高血压、糖尿病、吸烟发生比例升高差异显著；年龄、身体质量指数、总胆固醇、低密度脂蛋白胆固醇、血肌酐、最大颈动脉斑块长度升高差异明显；高密度脂蛋白胆固醇降低明显。
3、模型的建立与应用
3.1分析方法：采用logistics回归模型建立CAD风险评估模型
(1)纳入分析的变量因素包括：年龄、性别、身体质量指数(kg/m2)、高血压、糖尿病、吸烟、高密度脂蛋白胆固醇(mmol/L)、总胆固醇(mmol/L)、最大颈动脉斑块长度(mm)。
(2)分析中采用逐步回归法进行筛选。采用ROC曲线C统计量评价模型的诊断区分能力，采用Hosmer-Lemeshow检验评价模型的校准能力。规定双侧P<0.05差异有统计学意义。经过筛选后，模型共纳入6个变量，包括：年龄，性别，糖尿病，高密度脂蛋白胆固醇，总胆固醇，最大颈动脉斑块长度，具体参见表2：
表2纳入CAD风险预测模型的变量及参数
患病风险预测模型公式：P＝ey/(1+ey)；y＝-3.738+0.029*年龄(岁)+0.849*性别(男性＝1，女性＝0)+0.692*糖尿病(是＝1，否＝0)-1.005*高密度脂蛋白胆固醇(mmol/L)+0.465*总胆固醇(mmol/L)+0.161*颈动脉斑块长度(mm)。
3.2预测模型准确性验证：
采用ROC曲线C统计量评价方程的诊断区分能力，采用Hosmer-Lemeshow检验评价方程的校准能力，结果分别参见图1和图2。
结果显示曲线下面积AUC为0.832>0.75，提示该预测模型诊断区分能力较好(图1)；采用CAD预测模型Hosmer-Lemeshow检验评价模型的校准度，根据实际观测值(Observed)和模型预测值(Expected)绘制散点图，校准曲线和标准曲线接近，差异没有统计学显著性(P>0.05)，提示模型的校准能力越好(图2)，可用于CAD患病风险无创评估。
3.3冠心病风险预测模型使用举例：
女性，68岁，无高血压、无糖尿病、不吸烟，高密度脂蛋白胆固醇1.6mmol/L，总胆固醇4.8mmol/L，颈动脉斑块长度15mm。
将危险因素水平带入公式，通过计算得出，该患者的CAD患病风险为78.1％，因数值≥50％，属于CAD高危人群。
4、冠心病风险评估系统
根据上述患病风险预测模型形成可安装在智能终端载体上的冠心病风险评估系统(如APP)。根据图3，本实施例中的冠心病风险评估系统100包括输入显示模块1、计算模块2、判定模块3、通信模块4、提取模块5、存储模块6以及控制模块7。
输入显示模块1具有输入显示画面11，预测伊始，输入显示画面11的画面图像参见图4(a)，其上显示有年龄、性别、是否患有糖尿病、高密度脂蛋白胆固醇指标、总胆固醇指标、颈动脉斑块长度输入框，供使用者进行输入或者选择，信息填写无误后，点击确定；预测结束后，输入显示画面11的画面图像参见图4(b)，对预测结果进行显示，点击返回后，进入图4(a)画面，进行下一轮预测。
计算模块2提取输入显示模块的指标值，根据患病风险预测模型公式计算患病概率：
P＝ey/(1+ey) 式I
y＝-3.738+0.029*年龄0.849*性别指数N+0.692*糖尿病指数M-1.005*高密度脂蛋白胆固醇(mmol/L)+0.465*总胆固醇(mmol/L)+0.161*颈动脉斑块长度(mm) 式II
其中，P为患病概率，y表示受试者的各项参数与其作用强度乘积的合计值；当患者为男性时N＝1，当患者为女性时，N＝0；当患者患有糖尿病时N＝1，当患者不患糖尿病时，N＝0；
判定模块3将计算模块计算得到的患病概率P与预存阈值(50％)进行比较，当P≥50％时，判定为高危风险，低于50％时判断为低风险，并将判定结果传输给输入显示模块。
通信模块4用于与远程服务器实现连接，直接获取患者基本信息及当前检验信息，并将检测结果传输至远程服务器进行存储；提取模块5的设置属于输入优化，从患者基本信息以及检测报告中提取上述参数信息，直接匹配进输入显示画面中，避免了人工输入各项参数的麻烦；存储模块6对预设天数内(如一周)的检测结果进行存储，方便临时查询，过期后将结果从系统中删除，只能从远程服务器中调取，避免占用系统的安装载体过多内存。
控制模块6对上述模块进行控制，保证系统正常运行。
本发明中，背景技术所列举的参考文献如下：
[1]Patel MR,Peterson ED,Dai D,Brennan JM,Redberg RF,Anderson HV,Brindis RG,Douglas PS.Low diagnostic yield of elective coronary angiography.NEngl J Med.2010 Mar 11；362(10):886-95.
[2]Borges Santos M,Ferreira AM,de Araújo Goncalves P,Raposo L,Campante Teles R,Almeida M,Mendes M.Diagnostic yield of current referralstrategies for elective coronary angiography in suspected coronary arterydisease-an analysis of the ACROSS registry.Rev Port Cardiol.2013 Jun；32(6):483-8.
[3]Cooney MT,Dudina AL,Graham IM.Value and limitations of existingscores for the assessment of cardiovascular risk:a review for clinicians.J AmColl Cardiol.2009 Sep 29；54(14):1209-27.
[4]Greenland P,Alpert JS,Beller GA,Benjamin EJ,Budoff MJ,Fayad ZA,Foster E,Hlatky MA,Hodgson JM,Kushner FG,Lauer MS,Shaw LJ,Smith SC Jr,TaylorAJ,Weintraub WS,Wenger NK,Jacobs AK,Smith SC Jr,Anderson JL,Albert N,BullerCE,Creager MA,Ettinger SM,Guyton RA,Halperin JL,Hochman JS,Kushner FG,Nishimura R,Ohman EM,Page RL,Stevenson WG,Tarkington LG,Yancy CW；AmericanCollege of Cardiology Foundation；American Heart Association.2010 ACCF/AHAguideline for assessment of cardiovascular risk in asymptomatic adults:areport of the American College of Cardiology Foundation/American HeartAssociation Task Force on Practice Guidelines.J Am Coll Cardiol.2010 Dec 14；56(25):e50-103.
[5]Versteylen MO,Joosen IA,Shaw LJ,Narula J,Hofstra L.Comparison ofFramingham,PROCAM,SCORE,and Diamond Forrester to predict coronaryatherosclerosis and cardiovascular events.J Nucl Cardiol.2011 Oct；18(5):904-11.
[6]Gaibazzi N,Rigo F,Facchetti R,Carerj S,Giannattasio C,Moreo A,Mureddu GF,Salvetti M,Grolla E,Faden G,Cesana F,Faggiano P.Differentialincremental value of ultrasound carotid intima-media thickness,carotidplaque,and cardiac calcium to predict angiographic coronary artery diseaseacross Framingham risk score strata in the APRES multicentre study.Eur HeartJ Cardiovasc Imaging.2016 Sep；17(9):991-1000.
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (6)
1.一种冠心病风险评估系统，其特征在于，包括：
输入显示模块，具有输入显示画面，用于输入或选择年龄、性别、是否患有糖尿病、高密度脂蛋白胆固醇指标、总胆固醇指标、颈动脉斑块长度，并在评估完毕后显示评估结果；
计算模块，提取输入显示模块的指标值，根据式I及式II计算患病概率：
P＝ey/(1+ey) 式I
y＝-3.738+0.029*年龄0.849*性别指数N+0.692*糖尿病指数M-1.005*高密度脂蛋白胆固醇(mmol/L)+0.465*总胆固醇(mmol/L)+0.161*颈动脉斑块长度(mm)式II
其中，P为患病概率，y表示受试者的各项参数与其作用强度乘积的合计值；当患者为男性时N＝1，当患者为女性时，N＝0；当患者患有糖尿病时N＝1，当患者不患糖尿病时，N＝0；
判定模块，将所述计算模块计算得到的患病概率与预存阈值进行比较，得到是否属于高危的结果，并传输给输入显示模块；
控制模块，对所述输入显示模块、计算模块、判定模块进行控制。
2.根据权利要求1所述的冠心病风险评估系统，其特征在于，还包括：
其中，通信模块，与远程服务器连接，直接获取患者基本信息及当前检验信息，并将检测结果传输至远程服务器。
3.根据权利要求1所述的冠心病风险评估系统，其特征在于，还包括：
其中，存储模块，对预设天数内的检测结果进行存储。
4.根据权利要求1所述的冠心病风险评估系统，其特征在于，还包括：
其中，提取模块，从患者基本信息以及检测报告中提取上述参数信息，直接匹配进输入显示画面中。
5.根据权利要求1所述的冠心病风险评估系统，其特征在于：
其中，所述预存阈值为50％。
6.根据权利要求1所述的冠心病风险评估系统，其特征在于：
其中，高密度脂蛋白胆固醇以及总胆固醇检测值的单位均为mmol/L，颈动脉斑块的长度单位为mm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210169406.7A CN114664441A (zh) | 2022-02-23 | 2022-02-23 | 冠心病风险评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210169406.7A CN114664441A (zh) | 2022-02-23 | 2022-02-23 | 冠心病风险评估系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114664441A true CN114664441A (zh) | 2022-06-24 |
Family
ID=82026606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210169406.7A Pending CN114664441A (zh) | 2022-02-23 | 2022-02-23 | 冠心病风险评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114664441A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115831306A (zh) * | 2023-02-23 | 2023-03-21 | 北京康博众联电子科技有限公司 | 一种数据分析装置、方法及计算机存储介质 |
-
2022
- 2022-02-23 CN CN202210169406.7A patent/CN114664441A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115831306A (zh) * | 2023-02-23 | 2023-03-21 | 北京康博众联电子科技有限公司 | 一种数据分析装置、方法及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101818074B1 (ko) | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 | |
| KR102289277B1 (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
| US7653227B2 (en) | Hierarchical modeling in medical abnormality detection | |
| JP4976164B2 (ja) | 類似症例検索装置、方法、およびプログラム | |
| US8306960B2 (en) | Medical image retrieval system | |
| EP3528261A1 (en) | Prediction model for grouping hepatocellular carcinoma, prediction system thereof, and method for determining hepatocellular carcinoma group | |
| US20120290324A1 (en) | Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data | |
| US8121863B2 (en) | Method for detecting abnormalities in medical screening | |
| CA2471858A1 (en) | A system for supporting clinical decision-making | |
| US11915822B2 (en) | Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination | |
| JP2008200373A (ja) | 類似症例検索装置、方法、およびプログラム、ならびに、類似症例データベース登録装置、方法、およびプログラム | |
| CN112562860A (zh) | 分类模型的训练方法及装置、冠心病辅助筛查方法及装置 | |
| Janus et al. | High-sensitivity troponin and the risk of atrial fibrillation in chronic kidney disease: Results from the Chronic Renal Insufficiency Cohort Study | |
| JP2006302222A (ja) | 癌発症リスク予測システム及び方法、並びに癌デリバティブ方法 | |
| CN114664441A (zh) | 冠心病风险评估系统 | |
| US20200111558A1 (en) | Information processing apparatus, medical image display apparatus, and storage medium | |
| CN115762788A (zh) | 基于肿瘤细胞检测的肿瘤复发转移风险评估系统 | |
| KR102469907B1 (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
| US11742072B2 (en) | Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images | |
| KR20140050375A (ko) | 건강검진 리스트 제공 방법 및 장치 | |
| US20210035687A1 (en) | Medical image reading assistant apparatus and method providing hanging protocols based on medical use artificial neural network | |
| CN114898859A (zh) | 急性主动脉夹层院内预后预测系统 | |
| Dundas et al. | Artificial Intelligence–based Coronary Stenosis Quantification at Coronary CT Angiography versus Quantitative Coronary Angiography | |
| US20230099284A1 (en) | System and method for prognosis management based on medical information of patient | |
| US20230268072A1 (en) | CADx DEVICE AND A METHOD OF CALIBRATION OF THE DEVICE |
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 |