CN114898859A - 急性主动脉夹层院内预后预测系统 - Google Patents

急性主动脉夹层院内预后预测系统 Download PDF

Info

Publication number
CN114898859A
CN114898859A CN202210280634.1A CN202210280634A CN114898859A CN 114898859 A CN114898859 A CN 114898859A CN 202210280634 A CN202210280634 A CN 202210280634A CN 114898859 A CN114898859 A CN 114898859A
Authority
CN
China
Prior art keywords
index
score
aad
patient
current patient
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
Application number
CN202210280634.1A
Other languages
English (en)
Inventor
韩奕
汤敏
姚晨玲
顾国嵘
周燕南
陈琛
施东伟
童朝阳
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.)
Zhongshan Hospital Fudan University
Original Assignee
Zhongshan Hospital Fudan 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 Zhongshan Hospital Fudan University filed Critical Zhongshan Hospital Fudan University
Priority to CN202210280634.1A priority Critical patent/CN114898859A/zh
Publication of CN114898859A publication Critical patent/CN114898859A/zh
Pending legal-status Critical Current

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
    • G16H50/20—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
    • 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
    • G16H50/30—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种急性主动脉夹层院内预后预测系统，其特征在于，包括：指标获取模块，用于获取患者的年龄指标、A型AAD指标、马凡氏综合征指标、心包积液指标、手术治疗指标、MFL指标；AAD预后列线图预测模型，包括分值计算子模块、总分计算子模块以及预测子模块；分值计算子模块计算得到当前患者每个指标所对应的分值；总分计算子模块，得到当前患者的总得分；预测子模块，依据总得分输出对应的预测分值，预测分值越大，则表示患者的病情越严重。本发明建立了一个基于临床和影像参数的AAD院内预后床旁预测系统，协助急诊医生快速且准确判断AAD患者的院内预后，并给患者提供合适的治疗策略，同时家属可更直观地知晓患者病情的严重程度。

Description

急性主动脉夹层院内预后预测系统
技术领域
本发明涉及一种急性主动脉夹层(下文简称“AAD”)院内预后预测系统。
背景技术
AAD是一种危及生命的临床疾病，发病率和死亡率都很高。据报道，AAD发病后若未及时治疗，每小时死亡率为1％至2％。即使现阶段AAD诊断、治疗策略及临床医生对该疾病的关注度均有不同程度的提升，但AAD患者仍会死于诊断延迟、转运风险及手术本身的风险。对AAD患者进行快速、准确的预后预测对急诊医生来说是极其关键且必须的。
发明内容
本发明的目的是：对AAD患者进行快速、准确的预后预测。
为了达到上述目的，本发明的技术方案是提供了一种急性主动脉夹层院内预后预测系统，其特征在于，包括：
指标获取模块，用于获取患者的如下指标：
年龄指标，用于表示患者的年龄；
A型AAD指标，用于表示患者是否被诊断为A型AAD；
马凡氏综合征指标，用于表示患者是否被诊断为马凡氏综合征；
心包积液指标，用于表示患者是否合并心包积液；
手术治疗指标，用于表示患者是否接受过手术治疗；
MFL指标，用于表示患者的最大假腔直径；
AAD预后列线图预测模型，进一步包括分值计算子模块、总分计算子模块以及预测子模块，其中：
分值计算子模块根据指标获取模块获取得到的各指标的值，计算得到当前患者每个指标所对应的分值，其中：
年龄指标的值越大，所对应的分值越大；
当前患者未被诊断为A型AAD时，A型AAD指标所对应的分值为20；若当前患者被诊断为A型AAD时，A型AAD指标所对应的分值大于60且小于80；
若当前患者被诊断为马凡氏综合征，则马凡氏综合征指标所对应的分值为100；若当前患者未被诊断为马凡氏综合征，则马凡氏综合征指标所对应的分值小于40；
若当前患者未合并心包积液，则心包积液指标所对应的分值小于40；若当前患者合并心包积液，则心包积液指标所对应的分值大于40且小于60；
若当前患者接受过手术治疗，则手术治疗指标所对应的分值小于30；若当前患者未接受过手术治疗，则手术治疗指标所对应的分值为60；
MFL指标的值越大，所对应的分值越大；
总分计算子模块，将分值计算子模块得到的各个指标的分值累加得到当前患者的总得分；
预测子模块，依据总得分输出对应的预测分值，预测分值越大，则表示患者的病情越严重。
优选地，所述年龄指标的数值区间为[20,90]，对应的分值区间为[0,65]。
优选地，若当前患者未被诊断为A型AAD，则A型AAD指标所对应的分值为20；若当前患者被诊断为A型AAD，则A型AAD指标所对应的分值为75。
优选地，若当前患者未被诊断为马凡氏综合征，则马凡氏综合征指标所对应的分值为35；若当前患者被诊断为马凡氏综合征，则马凡氏综合征指标所对应的分值为100。
优选地，若当前患者未合并心包积液，则心包积液指标所对应的分值为35；若当前患者合并心包积液，则心包积液指标所对应的分值为45。
优选地，若当前患者接受过手术治疗，则手术治疗指标所对应的分值为25；若当前患者未接受过手术治疗，则手术治疗指标所对应的分值为60。
优选地，所述MFL指标的数值区间为[0,90]，对应的分值区间为[16,98]。
优选地，所述总得分的数值区间为[140,340]；对应的预测分值的数值区间为[0.005,0.8]。
本发明建立了一个基于临床和影像参数的AAD院内预后床旁预测系统，协助急诊医生快速且准确判断AAD患者的院内预后，并给患者提供合适的治疗策略，同时家属可更直观地知晓患者病情的严重程度。
附图说明
图1示意了AAD列线图；
图2a示意了建模组校准曲线；
图2b示意了建模组AUC；
图2c示意了验证组校准曲线；
图2d示意了验证组AUC。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供的一种急性主动脉夹层院内预后预测系统基于列线图预测模型实现，本发明所提供的系统的构建过程包括：
首先采用logistic回归分析筛选风险因素。先使用单因素逻辑回归筛选AAD建模组中与院内死亡率显著相关的变量，然后，将潜在的预后因素纳入多因素回归分析。后基于多因素分析结果构建AAD预后列线图预测模型。通过一致性指数(C-index)评估AAD预后列线图预测模型的辨别性能，通过校准曲线分析AAD预后列线图预测模型与实际观察之间的一致性，受试者工作特性曲线(AUC)下面积来评估AAD预后列线图预测模型的准确性。
本发明中，AAD预后列线图预测模型的建立包括以下内容：
1)纳排：对2010年1月至2019年12月期间在复旦大学附属中山医院急诊科就诊的疑似AAD的患者数据库中，回顾性纳入符合入组标准的AAD患者，定义为建模组。纳入标准：胸腹主动脉CTA显示典型的双腔主动脉，并可见内膜撕裂；排除标准：①其他医院诊断为AAD，CTA仅提示主动脉壁间血肿(IMH)、穿透性溃疡(PAU)、或局限性AD；②CTA影像数据提取不完整或缺乏CTA的患者；③间接证据(如肺动脉CTA或超声心动图)提示AD；④诊断AD超过14天或AD术后来我院随访者。
2)信息采集：建模组最终纳入449例符合标准的AAD患者。所有入组患者都接受了标准治疗，包括控制血压、心率及必要时止痛治疗，且所有入组患者均在我院进行CTA检查。收集所有入组患者基本信息、既往病史、治疗方案、院内预后、及一系列影像学参数，包括夹层的累及范围、内膜破口位置、破口直径、主动脉各水平直径、最大假腔直径(maximumfalse lumen diameter，MFL)及是否合并心包积液等。
3)统计方法的设计：首先采用logistic回归分析筛选风险因素。先使用单因素逻辑回归筛选AAD建模组中与院内死亡率显著相关的变量，然后，将潜在的预后因素纳入多因素回归分析。后基于多因素分析结果构建AAD预后列线图。通过一致性指数(C-index)评估列线图的辨别性能，通过校准曲线分析列线图与实际观察之间的一致性，受试者工作特性曲线(AUC)下面积来评估AAD预后列线图的准确性。
4)模型建立：多因素逻辑回归分析显示，年龄(优势比(OR)和95％置信区间(CI)分别为1.051(1.009,1.094)；A型AAD(22.354(4.665，107.107)；马凡氏综合征(7.223(1.185,44.033)；P＝0.032)，手术治疗(0.231(0.090,0.594)；心包积液(3.423(1.124,10.428)；P＝0.030)和MFL(1.049(1.009,1.092)；P＝0.017)是AAD患者死亡的联合预测指标。如图1所示，进一步构建了包括上述6个预测因子的列线图，C-index为0.811。图1所示列线图的校准曲线显示，预测和观察到的存活概率之间具有高度一致性，如图2a所示；AUC为0.811(95％CI，0.744-0.877；如图2b所示)。
采用以下方法对本发明所建立的AAD预后列线图预测模型进行验证
1)纳排：对2020年1月至2021年12月期间在复旦大学附属中山医院急诊科就诊的疑似AAD的患者数据库中，前瞻性纳入符合入组标准的AAD患者，定义为验证组。纳排标准同上。
2)信息采集：验证组最终纳入120例符合标准的AAD患者。所有入组患者都接受了标准治疗(同上)，且所有入组患者均进行了CTA检查。信息采集内容同上。
3)验证模型：验证组的C-index为0.793；校准曲线显示预测和观察到的存活概率之间具有高度一致性，如图2c所示；AUC为0.793(95％CI，0.652-0.934；如图2d所示)。
可将本发明嵌入病例系统中，当有AAD患者送至急诊，急诊医生先准确录入患者病史信息，待完善胸腹主动脉CTA后提取夹层类型、MFL和是否合并心包积液3项影像信息，然后启动本发明，快速得出该患者院内死亡风险。

Claims (8)

1.一种急性主动脉夹层院内预后预测系统，其特征在于，包括：
指标获取模块，用于获取患者的如下指标：
年龄指标，用于表示患者的年龄；
A型AAD指标，用于表示患者是否被诊断为A型AAD；
马凡氏综合征指标，用于表示患者是否被诊断为马凡氏综合征；
心包积液指标，用于表示患者是否合并心包积液；
手术治疗指标，用于表示患者是否接受过手术治疗；
MFL指标，用于表示患者的最大假腔直径；
AAD预后列线图预测模型，进一步包括分值计算子模块、总分计算子模块以及预测子模块，其中：
分值计算子模块根据指标获取模块获取得到的各指标的值，计算得到当前患者每个指标所对应的分值，其中：
年龄指标的值越大，所对应的分值越大；
当前患者未被诊断为A型AAD时，A型AAD指标所对应的分值为20；若当前患者被诊断为A型AAD时，A型AAD指标所对应的分值大于60且小于80；
若当前患者被诊断为马凡氏综合征，则马凡氏综合征指标所对应的分值为100；若当前患者未被诊断为马凡氏综合征，则马凡氏综合征指标所对应的分值小于40；
若当前患者未合并心包积液，则心包积液指标所对应的分值小于40；若当前患者合并心包积液，则心包积液指标所对应的分值大于40且小于60；
若当前患者接受过手术治疗，则手术治疗指标所对应的分值小于30；若当前患者未接受过手术治疗，则手术治疗指标所对应的分值为60；
MFL指标的值越大，所对应的分值越大；
总分计算子模块，将分值计算子模块得到的各个指标的分值累加得到当前患者的总得分；
预测子模块，依据总得分输出对应的预测分值，预测分值越大，则表示患者的病情越严重。
2.如权利要求1所述的一种急性主动脉夹层院内预后预测系统，其特征在于，所述年龄指标的数值区间为[20,90]，对应的分值区间为[0,65]。
3.如权利要求1所述的一种急性主动脉夹层院内预后预测系统，其特征在于，若当前患者未被诊断为A型AAD，则A型AAD指标所对应的分值为20；若当前患者被诊断为A型AAD，则A型AAD指标所对应的分值为75。
4.如权利要求1所述的一种急性主动脉夹层院内预后预测系统，其特征在于，若当前患者未被诊断为马凡氏综合征，则马凡氏综合征指标所对应的分值为35；若当前患者被诊断为马凡氏综合征，则马凡氏综合征指标所对应的分值为100。
5.如权利要求1所述的一种急性主动脉夹层院内预后预测系统，其特征在于，若当前患者未合并心包积液，则心包积液指标所对应的分值为35；若当前患者合并心包积液，则心包积液指标所对应的分值为45。
6.如权利要求1所述的一种急性主动脉夹层院内预后预测系统，其特征在于，若当前患者接受过手术治疗，则手术治疗指标所对应的分值为25；若当前患者未接受过手术治疗，则手术治疗指标所对应的分值为60。
7.如权利要求1所述的一种急性主动脉夹层院内预后预测系统，其特征在于，对所述MFL指标进行归一化处理，则所述MFL指标的数值区间为[0,90]，对应的分值区间为[16,98]。
8.如权利要求1所述的一种急性主动脉夹层院内预后预测系统，其特征在于，所述总得分的数值区间为[140,340]；对应的预测分值的数值区间为[0.005,0.8]。
CN202210280634.1A 2022-03-22 2022-03-22 急性主动脉夹层院内预后预测系统 Pending CN114898859A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210280634.1A CN114898859A (zh) 2022-03-22 2022-03-22 急性主动脉夹层院内预后预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210280634.1A CN114898859A (zh) 2022-03-22 2022-03-22 急性主动脉夹层院内预后预测系统

Publications (1)

Publication Number Publication Date
CN114898859A true CN114898859A (zh) 2022-08-12

Family

ID=82715207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210280634.1A Pending CN114898859A (zh) 2022-03-22 2022-03-22 急性主动脉夹层院内预后预测系统

Country Status (1)

Country Link
CN (1) CN114898859A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115831340A (zh) * 2023-02-22 2023-03-21 安徽省立医院(中国科学技术大学附属第一医院) 基于逆强化学习的icu呼吸机与镇静剂管理方法及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115831340A (zh) * 2023-02-22 2023-03-21 安徽省立医院(中国科学技术大学附属第一医院) 基于逆强化学习的icu呼吸机与镇静剂管理方法及介质

Similar Documents

Publication Publication Date Title
Brady et al. The HEART score: A guide to its application in the emergency department
JP4819314B2 (ja) 診断情報システム
KR102237449B1 (ko) 환자 진단 학습 방법, 서버 및 프로그램
WO2019103908A1 (en) Automated information collection and processing of clinical data
RU103209U1 (ru) Клиническая информационная система
JP2001331581A (ja) 自動診断システム、自動診断方法、治療法自動決定システム、治療法自動決定方法及び記録媒体
US20230386669A1 (en) System, apparatus, method, and graphical user interface for screening
Shu et al. Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases
CN114023441A (zh) 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
WO2012057649A1 (ru) Клиническая информационная система
RU106013U1 (ru) Система постановки дифференцированного диагноза по данным диагностики, справочная система результатов клинических исследований для интеграции в автоматизированные медицинские информационные системы, система дифференциации записи результатов клинических исследований для интеграции в автоматизированные медицинские информационные системы и дифференциально-диагностическая матрица для интеграции в автоматизированные медицинские информационные системы
CN114898859A (zh) 急性主动脉夹层院内预后预测系统
Aronsky et al. Automatic identification of patients eligible for a pneumonia guideline.
CN114783587A (zh) 严重急性肾损伤智能预测系统
Zhou et al. A novel laboratory-based model to predict the presence of obstructive coronary artery disease comparison to coronary artery disease consortium 1/2 score, duke clinical score and diamond-forrester score in china
CN114882990A (zh) stanford A型主动脉夹层院内预后预测系统
Tang et al. A neural network to pulmonary embolism aided diagnosis with a feature selection approach
WO2012070982A1 (ru) Система дифференциации и анализа зарегистрированных клинических данных
WO2022130006A1 (en) A prognosis and early diagnosis method and system and choosing the best treatment based on data fusion and information analysis by artificial intelligence, with the ability to modify and improve information and results according to machine learning
CN112420197A (zh) 一种智能公卫服务管理系统及方法
CN110070942A (zh) 一种基于梯度提升树模型的慢性肝病风险评估系统
RU103022U1 (ru) Система дифференциации и анализа зарегистрированных клинических данных
CN116884631B (zh) 基于ai和相似患者分析的综合肝衰竭预测与治疗参考系统
Choi et al. Pre-test probability for coronary artery disease in patients with chest pain based on machine learning techniques

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