CN114898878A - 一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法 - Google Patents

一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法 Download PDF

Info

Publication number
CN114898878A
CN114898878A CN202210508135.3A CN202210508135A CN114898878A CN 114898878 A CN114898878 A CN 114898878A CN 202210508135 A CN202210508135 A CN 202210508135A CN 114898878 A CN114898878 A CN 114898878A
Authority
CN
China
Prior art keywords
model
nomogram
risk
predicting
clinical
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
CN202210508135.3A
Other languages
English (en)
Inventor
毕玉娜
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.)
Shandong Maternal And Child Health Hospital
Original Assignee
Shandong Maternal And Child Health Hospital
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 Shandong Maternal And Child Health Hospital filed Critical Shandong Maternal And Child Health Hospital
Priority to CN202210508135.3A priority Critical patent/CN114898878A/zh
Publication of CN114898878A publication Critical patent/CN114898878A/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
    • G16H50/30—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
    • G16H50/50—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
    • 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

  • 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)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一种预测紫癜性肾炎发生风险的临床预测模型及其Nomogram图的构建方法，通过数学统计方法获得4个独立风险因素，其风险独立因素包括年龄、皮疹持续时间、D‑二聚体和IgG，并依据风险独立因素建立4个对应的临床预测模型，并通过数学分析方法得到包含三个预测因子的最优预测模型，三个预测因子分别为患儿年龄、D‑二聚体和IgG，通过建立的Nomogram图能够预测紫癜性肾炎发生风险。本发明为临床医生评估HSP患儿发生HSPN的风险提供了一种方便、有效的工具，血中IgG和D‑二聚体水平的测定在社区诊所也能够实现。

Description

一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建 方法
技术领域
本发明涉及紫癜性肾炎医学技术领域，具体涉及一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法
背景技术
过敏性紫癜(HSP)是一类主要以小血管炎为主要病理改变的全身综合征，其临床表现为非血小板减少性皮肤紫癜，并伴或不伴腹痛、消化道出血、关节痛、肾损害等症状。约20％～60％的过敏性紫癜(HSP)患儿在病程6个月内出现肾脏累及，引起紫癜性肾炎(HSPN)，表现为镜下血尿和(或)蛋白尿，严重者可出现急性肾衰竭。紫癜性肾炎(HSPN)及时诊断和积极治疗，多数预后良好，但少数患儿仍进展成慢性肾脏病，成为发生终末期肾病的重要病因之一。尽管目前有一部分关于紫癜性肾炎(HSPN)发生危险因素的研究显示：患儿年龄、皮疹持续及复发、血小板降低、血清白蛋白降低、高密度脂蛋白降低及纤维蛋白原升高等均为紫癜性肾炎发生的独立危险因素，然而临床可用的有效临床预测模型特别是预测效率较高的预测模型尚未见报道。因此，寻找过敏性紫癜患儿发生紫癜性肾炎的预测方法，这对紫癜性肾炎的及时诊断和治疗，加强过敏性紫癜患儿的随访管理有着重要的意义。
发明内容
针对上述问题，本发明提供一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，通过本发明临床预测模型中的过敏性紫癜患儿年龄、D-二聚体水平和IgG三个预测因子的评分进行评估HSP患儿发生HSPN的风险，操作简单，结果直观，同时三个独立风险因素中的D-二聚体和IgG的测定在社区诊所中也能够实现，简单方便。
本发明的技术方案如下：
本发明提供了一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，其构建步骤包括：
S1：将若干名HSP患儿和HSPN患儿分为训练组和内部验证组，同时将外部医院的若干名HSP患儿和HSPN患儿设置为外部验证组；
S2：收集所述步骤1中HSP患儿和HSPN患儿的信息，其信息包括一般人口信息(性别、年龄、体重)、皮疹持续时间(Dor)、外周血细胞计数及分布、C反应蛋白(CRP)、免疫球蛋白分类及补体、淋巴细胞亚群分析、凝血功能、D-二聚体；
S3：根据步骤S2中所获取的信息建立临床预测模型，对模型进行检验，获得最优预测模型；
S4：根据最优预测模型构建预测紫癜性肾炎发生风险的Nomogram图，包括三个预测因子，分别为患儿年龄、D-二聚体和IgG。
如上所述的一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，所述步骤S3还包括：
S31：采用统计检验方式，比较训练组HSP患儿和HSPN患儿队列，筛选出有显著性差别的指标；
S32：将步骤S31中的带有显著性差别的指标，应用单因素logistic回归，进一步筛选候选出预测指标，其预测指标包括：年龄、体重、皮疹持续时间、PLT、CRP、D-二聚体、IgG和C3。
S33：将步骤S32中的预测指标经过多因素logistic回归分析，确定出独立风险因素，其独立风险因素包括年龄、皮疹持续时间、D-二聚体和IgG；
S34：利用步骤S33中的独立风险因素构建4个在HSP患儿中预测HSPN发生风险的临床预测模型，分别为基于患儿年龄、IgG、D-二聚体和皮疹持续时间的临床预测模型(AIDD)、基于患儿年龄、IgG和D-二聚体的临床预测模型(AIDi)、基于年龄、IgG和皮疹持续时间的临床预测模型(AIDo)和基于患儿年龄、D-二聚体和皮疹持续时间的临床预测模型(ADD)；
S35：将步骤S34中得到的临床预测模型，利用受试者工作曲线(ROC)、Hosmer-Lemeshow拟合优度检验、临床决策分析曲线(DCA)、净重新分类指数(NRI)和综合判别指数(IDI)筛选最佳预测模型。
最终分析得到模型AIDi为最佳临床预测模型，并应用R语言为统计工具，运行得到临床预测模型AIDi的Nomogram图。
如上所述的一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建过程，其中所述的统计检验方式包括T-test、Mann-Whitney U检验和卡方检验方式。
本技术方案还包括通过上述构建步骤所建立的一种预测紫癜性肾炎发生风险的模型及其Nomogram图。
本发明的有益效果在于：
AIDi临床预测模型及其Nomogram图为临床医生评估HSP患儿发生HSPN的风险提供了一种方便、有效的工具。采用常规静脉采血方式即可采集过敏性紫癜患儿血液中的IgG和D-二聚体水平，快速检测，实验室结果准确，IgG和D-二聚体水平的测定即使在社区诊所也普遍可用。基于临床预测模型AIDi的Nomogram图易于应用于临床，有助于早期评估HSP患儿发生HSPN的风险，且操作简单、结果直观，为临床医生优化临床治疗提供了一个契机。
附图说明
通过阅读下文优选实施方式的详细描述，本申请的方案和优点对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
在附图中：
图1为本发明模型的Nomogram图；
图2为本发明中模型及其Nomogram图的构建路线图；
图3为4个独立危险因素及4个临床预测模型的ROC分析；
图4为4个临床预测模型在训练组和内部验证组的概率校准图；
图5为4个临床预测模型在训练组和内部验证组的净获益图；
图6为临床预测模型AIDi与临床预测模型AIDD的预测效应图；
图7为临床预测模型AIDi在外部验证组、不同组织学分级及不同性别中的受试者工作曲线下面积(AUROC)；
图8为本发明基于临床预测模型AIDi的Nomogram图的使用方法。
具体实施方式
下面将结合附图更详细地描述本公开的示例性实施方式。需要说明，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员，可以以各种形式实现本公开，而不应被这里阐述的实施方式所限制。
本发明中提及的方位“前后”、“左右”等，仅用来表达相对的位置关系，而不受实际应用中任何具体方向参照的约束。
参见图1，本实施例中一种预测紫癜性肾炎发生风险的临床预测模型，模型中包括过敏性紫癜患儿年龄、D-二聚体水平和IgG水平三个独立风险因素，通过该临床预测模型能够预测HSP患儿的HSPN发生风险。
参见图2，本实施例中一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法如下：
S1：将山东省立医院中266名研究对象，包括174名HSP患儿和92名HSPN患儿分为训练组(研究对象138例，包括HSP患儿90例和HSPN患儿48例)和内部验证组(研究对象128例，包括HSP患儿84例和HSPN患儿44例)，同时将苏州大学附属儿童医院的72名HSP患儿和50名HSPN患儿设置为外部验证组，通过设立内部验证组和外部验证组两种不同环境下的验证对照，这样能够对经过数学统计得出的预测模型进行进一步的验证，保证预测模型预测过敏性紫癜患儿发生紫癜性肾炎的准确性；
在本实施例中，所述患儿的纳入和排除标准见下表。
Figure BDA0003636891210000041
S2：收集所述步骤1中HSP患儿和HSPN患儿的信息，其信息包括一般人口信息(性别、年龄、体重)、皮疹持续时间(Dor)、外周血细胞计数及分布、C反应蛋白(CRP)、免疫球蛋白分类及补体、淋巴细胞亚群分析、凝血功能、D-二聚体；其中个别缺失数据通过应用统计学进行补充。所收集到的患儿信息见下表。
Figure BDA0003636891210000051
Figure BDA0003636891210000061
S3：根据步骤S2中所获取的信息建立临床预测模型，对模型进行Hosmer-Lemeshow拟合优度检验，获得最优预测模型；
在本实施例中，步骤S3还包括下述步骤：
S31：采用T-test、Mann-Whitney U检验和卡方检验方式三种检验方式，比较训练组HSP患儿队列(n＝90)和HSPN患儿(n＝48)，筛选出有显著性差别的指标，具体指标见下表中数据。
Figure BDA0003636891210000062
S32：将步骤S31中的带有显著性差别的指标，应用单因素logistic回归，进一步筛选候选出预测指标，其预测指标包括：年龄、体重、皮疹持续时间、血小板计数(PLT)、D-二聚体、IgG和C3。
S33：将步骤S32中的预测指标经过多因素logistic回归分析，确定出独立风险因素，其风险独立因素包括年龄、皮疹持续时间、D-二聚体、IgG。
步骤S32和步骤S33中单因素和多因素logistic回归分析结果见下表。
Figure BDA0003636891210000071
S34：利用步骤S33中的独立风险因素构建4个在HSP患儿中预测HSPN发生风险的临床预测模型，分别为基于患儿年龄、IgG、D-二聚体和皮疹持续时间的临床预测模型(AIDD)、基于患儿年龄、IgG和D-二聚体的临床预测模型(AIDi)、基于年龄、IgG和皮疹持续时间的临床预测模型(AIDo)和基于患儿年龄、D-二聚体和皮疹持续时间的临床预测模型(ADD)；
ROC曲线是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线。受试者工作曲线下面积(AUROC)越接近于1，诊断的准确性越高。参见图3，在训练集中，上述4中临床预测模型的AUROC对HSPN患儿和HSP患儿具有较好的鉴别能力，通过图中数据可以看出4种预测模型的AUROC对紫癜性肾炎患儿具有较好的鉴别能力，4种临床预测模型的AUROC分别为AIDD:0.931,95％CI:0.890-0.972；AIDi:0.920,95％CI:0.876-0.965；AIDo:0.856,95％CI:0.792-0.920；ADD:0.907,95％CI:0.860-0.954。
S35：将步骤S34中得到的4个临床预测模型，以训练组和内部验证组中的HSP患儿和HSPN患儿为研究对象，利用ROC分析、校准曲线和临床决策曲线筛选最佳预测模型，通过训练组与内部验证组研究对象之间的对比，能够更好地从4个临床预测模型中筛选最佳预测模型。
具体的，在本实施例中，先通过临床决策分析曲线(DCA)评估4个临床预测模型的净获益，临床决策曲线是一种用于评价诊断模型诊断准确率的方法相比于传统的ROC曲线，在DCA中，我们还能够考虑到实际临床中假阳性和假阴性对预测模型带来的影响，在DCA中净获益的计算公式为：
Figure BDA0003636891210000081
参见图4和图5，结果表明临床预测模型AIDD和临床预测模型AIDi在训练组和内部验证组上的净获益最高。
再利用净重新分类指数(NRI)和综合判别指数(IDI)评价临床预测模型AIDi能否提高临床预测模型AIDD的效率。
净重新分类指数(NRI)通常被使用来评价诊断试验中新的诊断指标较旧的诊断指标把研究对象进行正确分类在数量上的变化，既然NRI可以用来诊断试验预测的准确度，那自然也可以用于判断预测模型的准确度，从已发表的临床研究文献来看，NRI这个指标更广泛应用于比较两个预测模型的准确度。
同时通过净重新分类指数，使用临床预测模型AIDi和临床预测模型AIDD重新将患儿进行分类，而作为两种不同的临床预测模型来说，就会有一部分的患儿在两种预测模型中出现不同的分类，因此我们利用这种重新分类的变化来计算净重新分类指数NRI，对两种模型进行相比，判断两个模型的预测能力。
同样的，综合判别指数(IDI)也可以反映两个模型预测概率差距上的变化，来判断两个模型的整体预测能力。
IDI＝(Pmodel1,events-Pmodel2,noevents)-(Pmodel1,noevents-Pmodel2,nonevents)
其中，Pmodel1,events和Pmodel2,nonevents表示在患病组中，两个模型对于每个个体预测疾病发生概率的均值，两者相减便是预测概率的提高量，对于患病组来说，预测患病的概率越高，表示模型越准确，因此Pmodel1,events和Pmodel2,noevents差值越大，则表示前者模型1越好，反之则表示后者模型2越好。
而Pmodel1,noevents和Pmodel2,nonevents，表示在未患病组中，两个模型对于每个个体预测疾病发生概率的均值，两者相减表示预测概率减少的量，对于未患病组来说，预测患病的概率越低，表示模型越准确，因此Pmodel1,nonevents和Pmodel2,nonevents的差值越小，则表示前者模型1越好，相反则表示后者模型2越好。
最后，将上述两部分相减即可得到IDI，总体来说，IDI>0，表示模型1的预测能力好于模型2，若IDI<0，表示模型2的预测能力好于模型1。
以临床预测模型AIDD作为HSPN风险预测的标准模型，临床预测模型AIDi是在标准模型AIDD的基础上去除Dor独立风险因素得到的，参见图6，在图中，可以发现临床预测模型AIDi相比于标准模型AIDD其在高危患儿中准确诊断出HSPN的数量更多，因此，临床预测模型AIDi对HSPN的高危预测效应更显著，最后，应用R语言为统计工具，运行得到基于临床预测模型AIDi的Nomogram图。
参见图7，临床预测模型AIDi对内外部验证组、不同组织学分级和不同性别的HSPN有较好的预测效果为优化AIDi列线图的临床应用，采用ROC分析对HSPN进行性别分层分析和组织学分级分层分析。
AUROC在外部验证组为0.897(95％CI:0.840-0.953)，在内部验证组为0.920(95％CI:0.886-0.954)；
AUROC在HSPN组织学分级(Ⅰ、Ⅱ)组为0.933(95％CI:0.889-0.977)，在HSPN组织学分级(Ⅲ、Ⅳ)组为0.939(95％CI:0.908-0.970)；
AUROC在女性患儿组为0.949(95％CI:0.907-0.990)，在男性患儿组为0.926(95％CI:0.885-0.967)；
通过ROC分析可以看出，AUROC都在0.7以上，通过上述结果表明，AIDi临床预测模型对HSPN患儿，无论性别和组织学等级，都有很高的预测效果。
具体的，基于AIDi临床预测模型的Nomogram图使用方法:
1、临床医师应根据诊断标准对HSP进行诊断；同时测定血中IgG和D-二聚体水平；
2、将每个预测因子在“指数”标度上识别出的点相加，计算出总分。通过“总指数”量表与“风险”量表的比较，可以得到HSPN的个体风险；
3、如果患儿风险大于0.7，强烈建议密切随访，监测HSPN的发生。
参见图8，通过一个例子来详细说明本发明中临床预测模型及其Nomogram图的使用方法，从Nomogram图中可以看出，病人年龄的评分为80，IgG的评分为92分，D-二聚体的评分为100分，通过上述三个评分相加之和，对照总指数与风险参照图来看，说明该病人发生HSPN的风险为95.8％。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或增减替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，其特征在于，其构建步骤包括：
S1：将若干名过敏性紫癜(HSP)患儿和紫癜性肾炎(HSPN)患儿分为训练组和内部验证组，同时将外部医院的若干名过敏性紫癜(HSP)患儿和紫癜性肾炎(HSPN)患儿设置为外部验证组；
S2：收集步骤1中过敏性紫癜(HSP)患儿和紫癜性肾炎(HSPN)患儿的信息；
S3：根据步骤S2中所获取的信息建立临床预测模型，对模型进行检验，获得最优预测模型；
S4：根据最优预测模型构建出预测紫癜性肾炎(HSPN)发生风险的Nomogram图。
2.根据权利要求1所述的一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，其特征在于，步骤S4中，构建的模型及其Nomogram图，包括三个预测因子，三个预测因子分别为患者年龄、D-二聚体和IgG。
3.根据权利要求1所述的一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，其特征在于，所述步骤S3中包括：
S31：采用统计学检验方式，比较训练组HSP患儿和HSPN患儿队列，筛选出有显著性差别的指标；
S32：将步骤S31中的带有显著性差别的指标，应用单因素logistic回归，进一步筛选出候选预测指标，其候选预测指标包括：年龄、体重、皮疹持续时间(Dor)、血小板计数(PLT)、C反应蛋白(CRP)、D-二聚体、免疫球蛋白G(IgG)和补体C3；
S33：将步骤S32中的候选预测指标经过多因素logistic回归分析，确定出独立风险因素，其独立风险因素包括年龄、皮疹持续时间、D-二聚体和IgG；
S34：利用步骤S33中的独立风险因素构建4个在HSP患儿中预测HSPN发生风险的临床预测模型：基于患儿年龄、IgG、D-二聚体和皮疹持续时间的临床预测模型(AIDD)、基于患儿年龄、IgG和D-二聚体的临床预测模型(AIDi)、基于年龄、IgG和皮疹持续时间的临床预测模型(AIDo)和基于患儿年龄、D-二聚体和皮疹持续时间的临床预测模型(ADD)；
S35：将步骤S34中得到的4个临床预测模型通过分析方法筛选出最佳预测模型。
4.根据权利要求1所述的一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，其特征在于，步骤S4中的临床预测模型及其Nomogram图通过R语言为统计工具进行构建的。
5.根据权利要求3所述的一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，其特征在于，在步骤S31中，所述统计学检验方式包括T-test、Mann-Whitney U检验和卡方检验方式中的任意一种或几种检验方式。
6.根据权利要求3所述的一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，其特征在于，在步骤S35中，所述分析方法包括受试者工作曲线(ROC)、Hosmer-Lemeshow拟合优度检验、临床决策分析曲线(DCA)、净重新分类指数(NRI)和综合判别指数(IDI)中的任意一种或几种。
7.根据权利要求1所述的一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法，其特征在于，在步骤S2中收集患儿的信息包括但不仅限于一般人口信息、皮疹持续的时间、外周血细胞计数及分布、C反应蛋白(CRP)、免疫球蛋白分类及补体、淋巴细胞亚群分析、凝血功能、D-二聚体。
CN202210508135.3A 2022-05-10 2022-05-10 一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法 Pending CN114898878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210508135.3A CN114898878A (zh) 2022-05-10 2022-05-10 一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210508135.3A CN114898878A (zh) 2022-05-10 2022-05-10 一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法

Publications (1)

Publication Number Publication Date
CN114898878A true CN114898878A (zh) 2022-08-12

Family

ID=82721192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210508135.3A Pending CN114898878A (zh) 2022-05-10 2022-05-10 一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法

Country Status (1)

Country Link
CN (1) CN114898878A (zh)

Similar Documents

Publication Publication Date Title
RU2640568C2 (ru) Способы и системы для оценки риска рака желудочно-кишечного тракта
Hall et al. Risk of poor outcomes with novel and traditional biomarkers at clinical AKI diagnosis
Geng et al. The value of kidney injury molecule 1 in predicting acute kidney injury in adult patients: a systematic review and Bayesian meta-analysis
CN103403549B (zh) 败血症的预后的预测方法
Woo et al. Monocyte distribution width compared with C-reactive protein and procalcitonin for early sepsis detection in the emergency department
Tang et al. A nomogram based on age, prostate-specific antigen level, prostate volume and digital rectal examination for predicting risk of prostate cancer
Lehner et al. Oliguria and biomarkers of acute kidney injury: star struck lovers or strangers in the night?
CN112017791B (zh) 一种基于人工神经网络模型确定肝癌患者预后情况的系统
Tong et al. Presepsin as a diagnostic marker for sepsis: evidence from a bivariate meta-analysis
US20230263477A1 (en) Universal pan cancer classifier models, machine learning systems and methods of use
CN113539497A (zh) 一种基于随机森林模型的孤立肺结节恶性风险预测系统
JP2015522173A (ja) 信頼性のある非侵襲的診断検査を提供するための方法
CN115099331A (zh) 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统
Bao et al. A modified prognostic score for critically ill patients with cirrhosis: an observational study
Kim et al. Delta neutrophil index and symptomatic time are effective factors for predicting perforated appendicitis
Wisse et al. The multitarget faecal immunochemical test for improving stool-based colorectal cancer screening programmes: a Dutch population-based, paired-design, intervention study
Taheriyan et al. Prediction of COVID-19 patients’ survival by deep learning approaches
CN116978582A (zh) 一种前列腺癌预测模型的建模方法及预测系统
CN114898878A (zh) 一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法
Chen et al. Predictive value of fibrinogen in identifying inflammatory bowel disease in active stage
US20220390467A1 (en) Methods relating to sepsis associated acute kidney injury
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
Cheng et al. Performance evaluation of explainable machine learning on non-communicable diseases
Matysek et al. Influence of Co-morbidities During SARS-CoV-2 Infection in an Indian Population

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