CN115116611A - 糖尿病患者周围血管病变的预测方法、装置及存储介质 - Google Patents

糖尿病患者周围血管病变的预测方法、装置及存储介质 Download PDF

Info

Publication number
CN115116611A
CN115116611A CN202210743493.2A CN202210743493A CN115116611A CN 115116611 A CN115116611 A CN 115116611A CN 202210743493 A CN202210743493 A CN 202210743493A CN 115116611 A CN115116611 A CN 115116611A
Authority
CN
China
Prior art keywords
clinical
group
dpvd
factor
module
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
CN202210743493.2A
Other languages
English (en)
Inventor
郑少秋
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210743493.2A priority Critical patent/CN115116611A/zh
Publication of CN115116611A publication Critical patent/CN115116611A/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
    • G16H50/70—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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种糖尿病患者周围血管病变的预测方法、装置及存储介质，属于疾病预测技术领域，其方法包括获取，获取足够量的2型糖尿病患者的病例，把病例分为DPVD组和非DPVD组，采用单因素对比分析的方式将述DPVD组和非DPVD组中的各项临床因素进行分析，获取有统计学意义的临床因素，再通过多因素logist ic逐步回归分析找出独立相关因素找到独立相关因素，使用R软件的DynNom、shiny及rsconnect软件包生成临床诊断预测模型，由此，用户通过输入找到与独立相关因素对应的临床因素，代入该临床诊断预测模型中，可以输出预测结果，本发明开发了一种有效的外周血管病变预测工具，可以快速准确地帮助临床医生高危识别、早期诊断患有糖尿病性周围血管疾病的老年2型糖尿病患者。

Description

糖尿病患者周围血管病变的预测方法、装置及存储介质
技术领域
本发明属于疾病预测技术领域，具体涉及糖尿病患者周围血管病变的预测方法、装置及存储介质。
背景技术
近年来，糖尿病已成为全世界范围内严重的公共卫生问题。随着世界范围内人口老龄化的不断加剧以及人民生活水平的不断提高，2型糖尿病人群日益增多，同时该病及其并发症也带来了沉重的社会负担和家庭负担。作为2型糖尿病的常见慢性并发症之一，周围血管疾病是导致腿部溃疡、下肢坏疽甚至截肢的重要原因。糖尿病患者周围血管疾病的早期诊断、严格预防和危险因素的积极管理可以对截肢的高发率产生重大影响，并能降低心血管疾病的发病率和死亡率。但是，到目前为止，尚无方便有效的临床诊断预测方法或系统来帮助识别老年高危2型糖尿病患者的周围血管病变。
发明内容
本发明的目的是提供一种糖尿病患者周围血管病变的预测方法、装置及存储介质，分析了2型糖尿病患者周围血管疾病的相关因素，并构建了临床诊断预测系统，为该疾病的早期发现和早期诊断提供依据，解决目前对临床诊断预测识别2型糖尿病患者的周围血管病变的问题。
为了实现上述目的，本发明采用以下技术方案：
本发明提供一种糖尿病患者周围血管病变的预测方法，包括以下步骤：
获取多份2型糖尿病患者的病例；多个所述病例中包括糖尿病周围血管病变患者的病例和非糖尿病周围血管病变患者的病例；每个病例中具有多项与2型糖尿病患者相关的临床因素；
根据患者是否出现糖尿病周围血管病变将多个病例分为DPVD组和非DPVD组，所述DPVD组为糖尿病周围血管病变患者病例组，对应的，所述非DPVD组为非糖尿病周围血管病变患者病例组；
对所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素；
对有统计学意义的临床因素进行多因素logistic回归分析找出独立相关因素；
对所述独立相关因素使用R软件的DynNom、shiny及rsconnect软件包生成临床诊断预测模型；
获取待测用户信息，所述待测用户信息为与独立相关因素对应的临床因素，将待测用户信息代入临床诊断预测模型中，从而输出预测结果。
根据上述技术内容，通过对病例分组，即分为DPVD组和非DPVD组，采用单因素对比分析的方式将述DPVD组和非DPVD组中的各项临床因素进行分析，获取有统计学意义的临床因素，即排除掉没有统计学意义的临床因素，由此，精简各类因素，再通过多因素logistic逐步回归分析找出独立相关因素，进一步找到独立相关因素，即为可直接依据的临床因素，由此，通过使用R软件的DynNom、shiny及rsconnect软件包生成临床诊断预测模型，由此，用户通过输入找到与独立相关因素对应的临床因素，代入该临床诊断预测模型中，可以输出预测结果，助力2型糖尿病患者周围血管病变的高危筛查及早期诊断。
在一种可能的设计中，所述获取多份2型糖尿病患者的病例时，对所述病例设置有入排标准。通过设置入排标准得到的病例，可以使获得的数据更加严谨和科学。
在一种可能的设计中，对所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素的方法包括：
分别对每一项临床因素采用p值检验法进行分析，所述P值小于0.05，获取有统计学意义的临床因素。
在一种可能的设计中，所述步骤还包括将所述临床诊断预测模型上传至服务器中，获取所述临床诊断预测模型对应的服务器中的网址信息，将网址信息转换成二维码；
响应于用户终端的扫码操作，向用户终端发送基础信息表；
用户终端基于基础信息表进行信息填写，响应于用户终端人机交互的提交操作，确定待测用户信息，将所述待测用户信息代入所述临床诊断预测模型获得预测结果，并将所述预测结果发送至所述用户终端。
通过将模型上传至服务器中，并将对应的网址信息转换成二维码，用户通过扫码即可进行在线预测，预测更加方便。
在第二方面，本发明提供了一种糖尿病患者周围血管病变的预测装置，包括
病例获取模块，用于获取多份2型糖尿病患者的病例，并将多份病例传给病例分组模块；多份所述病例中包括糖尿病周围血管病变患者的病例和非糖尿病周围血管病变患者的病例；每个病例中具有多项与2型糖尿病患者相关的临床因素；
病例分组模块，用于接收所述病例获取模块传来的多份病例，并根据患者是否出现糖尿病周围血管病变将多个病例分为DPVD组和非DPVD组，所述DPVD组为糖尿病周围血管病变患者病例组，对应的，所述非DPVD组为非糖尿病周围血管病变患者病例组；
临床因素初筛模块，用于对病例分组模块分好的所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素；并将有统计学意义的临床因素传给临床因素精筛模块；
临床因素精筛模块，用于接收所述临床因素初筛模块传来的有统计学意义的临床因素，并对有统计学意义的临床因素进行多因素logistic回归分析找出独立相关因素；并将所述独立相关因素传给模型生成模块；
模型生成模块，用于接收所述临床因素精筛模块传来的独立相关因素，并对所述独立相关因素使用R软件的DynNom、shiny及rsconnect软件包生成临床诊断预测模型；
第一用户信息获取模块，用于获取待测用户信息，所述待测用户信息为与独立相关因素对应的临床因素，并将待测用户信息传给所述临床诊断预测模型；以及
结果输出模块，用于从所述临床诊断预测模型中获取预测结果，从而输出预测结果。
在一种可能的设计中，还包括入排标准设置模块，用于对所述病例设置有入排标准。
在一种可能的设计中，还包括
模型上传模块，将所述临床诊断预测模型上传至服务器中；
网址信息获取模块，用于获取所述临床诊断预测模型对应的服务器中的网址信息；并将网址信息传给转换模块；
转换模块，用于接收所述网址信息获取模块传来的网址信息，将所述网址信息转换成二维码；
基础信息表发送模块，用于响应于用户终端对所述二维码的扫码操作，向用户终端发送基础信息表；
第二用户信息获取模块，用户终端基于所述基础信息表进行信息填写后，用于响应于用户终端人机交互的提交操作，确定待测用户信息；并将待测用户信息传给所述临床诊断预测模型；以及
预测结果发送模块，用于当结果输出模块根据所述待测用户信息输出预测结果后，将所述临床诊断预测模型中获得的预测结果发送至所述用户终端。
在第三方面，本发明提供了糖尿病患者周围血管病变的预测装置，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；所述存储器存储计算机执行指令；所述处理器执行存储器存储的计算机执行指令，使得处理器执行如本发明第一方面以及第一方面中任意一项可能的设计中提供的所述糖尿病患者周围血管病变的预测方法。
在第四方面，本发明提供了一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如本发明第一方面以及第一方面中任意一项可能的设计中提供的所述糖尿病患者周围血管病变的预测方法。
有益效果：
1、本发明通过对病例分组，即分为DPVD组和非DPVD组，采用单因素对比分析的方式将述DPVD组和非DPVD组中的各项临床因素进行分析，获取有统计学意义的临床因素，即排除掉没有统计学意义的临床因素，由此，精简各类因素，再通过多因素logistic逐步回归分析找出独立相关因素，进一步找到独立相关因素，即为可直接依据的临床因素，由此，通过使用R软件的DynNom、shiny及rsconnect软件包生成临床诊断预测模型，由此，用户通过输入找到与独立相关因素对应的临床因素，代入该临床诊断预测模型中，可以输出预测结果，助力2型糖尿病患者周围血管病变的高危筛查及早期诊断；
2、本发明通过设置入排标准得到的病例，可以使获得的数据更加严谨和科学；
3、本发明通过将模型上传至服务器中，并将对应的网址信息转换成二维码，用户通过扫码即可进行在线预测，预测更加方便。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，附图如下：
图1为本发明第一方面提供的糖尿病患者周围血管病变的预测方法流程示意图；
图2为本发明第二方面提供的糖尿病患者周围血管病变的预测装置中第三配件的面结构示意图；
图3为本发明具体示例中患者A发生DPVD的概率及其95％置信区间的分析图；
图4为本发明具体示例中患者A发生DPVD的概率实际值及其95％置信区间的数字分析图；
图5为本发明对预测系统进行内部验证时的工作特性曲线下的面积(AUC)图；
图6为本发明对预测系统进行内部验证时的实际观测值和预测概率的校准图；
图7为本发明对预测系统进行外部验证时的工作特性曲线下的面积(AUC)图；
图8为本发明对预测系统进行外部验证时的实际观测值和预测概率的校准图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。
如图1所示，本发明第一方面提供的所述糖尿病患者周围血管病变的预测方法，包括以下步骤：
获取多份2型糖尿病患者的病例；多个所述病例中包括糖尿病周围血管病变患者的病例和非糖尿病周围血管病变患者的病例；每个病例中具有多项与2型糖尿病患者相关的临床因素；具体实施时，为使预测模型的预测效果更加精准，病例的数量应当是足够量的。样本量要求：通过多变量分析筛选变量确定样本量的一种简单可行的原则是，如果在多变量分析结果中包括一个变量，则应有20个端点样本，即“1:20原理”。
根据患者是否出现糖尿病周围血管病变将多个病例分为DPVD组和非DPVD组，所述DPVD组为糖尿病周围血管病变患者病例组，对应的，所述非DPVD组为非糖尿病周围血管病变患者病例组；
对所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素；
对有统计学意义的临床因素进行多因素logistic回归分析找出独立相关因素；logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域；
对所述独立相关因素使用R软件的DynNom、shiny及rsconnect软件包生成临床诊断预测模型；
获取待测用户信息，所述待测用户信息为与独立相关因素对应的临床因素，将待测用户信息代入临床诊断预测模型中，从而输出预测结果。
具体实施时，上述方法中所述的与2型糖尿病相关的临床因素是依据目前临床手段及实验室相关检验指标，具体的，在清晨采集患者静脉血，采血前至少空腹8小时，实验室检验指标的测定采用如下方法：
血常规指标测定：均采用迈瑞BC-5000全自动血液细胞分析仪测定，红细胞平均血红蛋白浓度(MCHC)，平均红细胞血红蛋白量(MCH)，平均红细胞体积(MCV)，血红蛋白(Hb)，淋巴细胞计数(LY)，中性粒细胞计数(NEUT)，单核细胞计数(MONO)，中性粒细胞计数/淋巴细胞计数比值(N/L)，血小板分布宽度(PDW)。
C反应蛋白(CRP):采用日本OLYMPUS2700全自动生化分析仪测定，通过免疫散射比浊法测定，采用罗氏试剂。
凝血五项指标测定：均采用日本Sysmex CS5100全自动凝血分析仪测定，国际标准化比值(INR)，D-二聚体(DD)，纤维蛋白原(FIB)，活化部分凝血活酶时间(APTT)，凝血酶原时间(PT)，凝血酶时间(TT)。
采用OLYMPUS2700全自动生化分析仪，采用氧化酶法检测葡萄糖(GLU)。
高效液相色谱法(HPLC)测定糖化血红蛋白(HbA1c)，使用Varient II全自动HbAlc分析仪及HbAlc检测试剂盒(美国Bio-Rad公司)。
C肽(C-PEP)的检测:选择放免法，采用Linco Reserch公司的试剂盒。
采用OLYMPUS2700(日本)全自动生化分析仪测定，血清游离脂肪酸(FFA)采用酶学比色法(血清FFA酶法试剂盒)。
血脂测定:采用OLYMPUS2700(日本)自动生化分析仪检测，采用氧化酶法测定总胆固醇(TC)，采取直接法测定高密度脂蛋白胆固醇(HDL-C)及低密度脂蛋白胆固醇(LDL-C)。
肾功能测定：采用日本OLYMPUS2700全自动生化分析仪测定，血清尿酸(UA)、血清肌酐(Cr)测定均采用酶法。
采用OLYMPUS2700全自动生化分析仪测定，血清白蛋白(ALB)及血清总蛋白(TP)采用免疫比浊法，例如科华生化试剂。
采用OLYMPUS2700全自动生化分析仪测定，血清肌红蛋白(MYOG)采用胶乳增强透射比浊法，例如宁波美康试剂。
踝肱指数(ABI)测定，四肢多普勒测踝肱指数(ABI)：使患者在安静状态下保持10min～15min后仰卧位，在双下肢内踝上2cm～3cm处及双上臂的肱动脉处绑上袖带，使用Vista AVS彩色多普勒超声诊断仪测定，仪器会自动给出ABI值。ABI≤0.9为异常，其中ABI≤0.4提示重度动脉病变，0.4～0.7提示中度动脉病变，0.7～0.9提示轻度动脉病变，若ABI>1.3则提示血管弹性受损或出现钙化，ABI正常值一般定义为1.0～1.3。
周围血管多普勒彩色超声检查，采用Philips IU22多普勒彩色超声仪，线阵探头为7.0MHZ，被检查者均仰卧位，探查双侧胭动脉、股动脉、颈动脉、胫后动脉及胫前动脉，测量动脉中膜厚度(IMT)，判断是否有动脉斑块、动脉狭窄或动脉闭塞。
在一种可能的设计中，所述获取多份预设年龄阶段的2型糖尿病患者的病例时，对所述病例设置有入排标准。
具体示例的，所述入排标准包括纳入标准和排除标准，
所述纳入标准为符合2型糖尿病的诊断标准和年龄条件；例如年龄≥65岁，专门针对65岁以上的老年人进行预测；
所述排除标准具体示例有①近1个月内发生过糖尿病急性并发症者；②存在如感染、发热、创伤等急性应激因素；③患有其他内分泌疾病所致血糖、血脂异常者；④确诊心脑血管疾病、严重呼吸系统疾病或合并严重的全身性疾病者，患有慢性肝病及非糖尿病肾病者；⑤有吸毒或酗酒史者；⑥近3个月有服用叶酸、维生素B12及利尿剂者。
根据以上标准，具体示例的，运用SPSS区组随机化把患者按2：1的比例随机分配到训练队列和测试队列中。三分之二的患者被分配到训练队列中以进行老年2型糖尿病患者周围血管病变得相关因素分析和预测系统构建，其他三分之一的患者病例被分配到测试队列以进行预测系统的外部验证。
在一种可能的设计中，对所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素的方法包括：
分别对每一项临床因素采用p值检验法进行分析，所述p值检验法中的P值小于0.05，具体的，p值检验法是统计学的常用技术手段，具体计算内容此处不在赘述，以此，获取有统计学意义的临床因素。
具体的，p值检验法进行分析的过程中，先进行数据处理，所述数据处理的方法是：对于非正态分布的数据经正态得分法不能转化为正态的数据使用非参数Mann-Whitney U检验，从而获得Z值；可转化为正态分布的用t检验，从而获得t值；计数资料采用卡方检验，获得卡方值。然后将各因素的t值或卡方值或Z值进行比较，获得各因素的P值。
具体示例的，通过上述方法，将上述三分之二的患者被分配到训练队列中以进行老年2型糖尿病患者周围血管病变得相关因素分析和预测系统构建，使用上述具体示例的各临床因素进行单因素对比分析，对训练队列中DPVD组和非DPVD组两组数据进行统计学单因素分析，结果显示：两组间性别(Sex)、糖尿病持续时间(Duration)、年龄(Age)、PT、PDW、MONO、HbA1c、LDL-C、TC/HDL、UA及Cr的差异有统计学意义，及P＜0.05，两组间其他变量比较，差异无统计学意义即P＞0.05。具体结果如下表：
Figure BDA0003716012340000071
Figure BDA0003716012340000081
表中a为卡方检验的卡方值；b为非参数Mann-Whitney U检验的Z值，其余均为独立样本t检验获取的t值。
经上述分析后，再进行多因素logistic逐步回归分析找出独立相关因素；
对于多变量分析，回归模型中包括本研究单因素分析结果中的10个差异预测变量。如表2所示，以有无周围血管病为因变量进行的多变量logistic逐步回归(向前法)分析显示性别(Sex)、糖尿病病程、血小板分布宽度(PDW)、糖化血红蛋白(HbA1c)、总胆固醇(TC)和血肌酐(Cr)是老年2型糖尿病患者周围血管病变的独立相关因素。具体结果如下表：
Figure BDA0003716012340000091
优势比(OR值)代表扣除其他自变量的影响后某一自变量对于疾病的作用；β为回归系数，在logistic回归模型中，优势比可以作为估计效应大小(Effect Size)的指标，度量某自变量优势影响程度的大小，优势比的意义：当β＝0时，OR＝1，表示自变量与疾病结局间不存在关联；当β＞0时，OR＞1，表示自变量是疾病的危险因素；当β＜0时，OR＜1，表示暴露因素是疾病的保护因素。
具体的，基于上述独立相关因素，使用R软件的“DynNom”、“shiny”和“rsconnect”软件包生成，临床诊断预测模型。
在一种可能的设计中，所述步骤还包括将所述临床诊断预测模型上传至服务器中，获取所述临床诊断预测模型对应的服务器中的网址信息，将网址信息转换成二维码；
响应于用户终端的扫码操作，向用户终端发送基础信息表；
用户终端基于基础信息表进行信息填写，响应于用户终端人机交互的提交操作，确定待测用户信息，将所述待测用户信息代入所述临床诊断预测模型获得预测结果，并将所述预测结果发送至所述用户终端。
基于上述具体示例，可以动态预测老年2型糖尿病患者发生周围血管病变的概率，具体实施时，在模型在输入界面，访问者可以在该界面中输入患者的性别、糖尿病病程、血小板体积分布宽度、糖化血红蛋白、总胆固醇及血肌酐值。例如，一位老年2型糖尿病的女性，其患有糖尿病病史12年，现空腹静脉血结果为：血小板分布宽度(PDW)为14％，糖化血红蛋白(HbA1c)为9％，总胆固醇(TC)为5mmol/L，血肌酐(Cr)为75umol/L，那么该老年女性患有糖尿病周围血管病的概率约为48.4％(95％CI 39.9-56.9％)。在图3中，图形摘要表示患者发生糖尿病周围血管病变的相应概率和95％置信区间。在图4中，数据摘要表示患者发生糖尿病周围血管病变的相应概率和95％置信区间。具体的，将这一临床诊断预测模型的网址转换在二维码中，方便用于在临床工作中使用，使用者可通过手机扫一扫二维码快速登录该网址。
预测系统的验证如下：在鉴别和校准方面评估了预测系统的性能。辨别力通过工作特性(ROC)曲线下面积(AUC)进行量化。使用Hosmer-Lemeshow拟合优度检验，Hosmer-Lemeshow检验是指一种判断模型拟合优度的检验，通过绘制预测概率值与实际观测概率值之间的关系校准图，以图形方式评估校准。
对所述预测系统的验证部分分为内部验证和外部验证，通过内部验证和外部验证对预测系统进行辨别和校准。
内部验证部分：如图5、图6所示，该绘制了训练集中的接收机工作特性(ROC)曲线，以进行辨别评估。采用训练队列对其预测系统进行内部验证，验证结果如图5、图6所示，如图5表明，对于训练集，预测系统曲线下的面积(AUC)分别为0.735(95％CI 0.692至0.777)，证明了内部验证中该预测系统有良好的预测性能。图6展示了训练集中预测系统的实际观测值和预测概率的校准图。图形中的纵坐标y轴表示实际观测概率值，横坐标x轴表示预测系统所得出预测概率值。垂直线则代表预测概率的频率分布。当预测值与观察值一致时，图中的虚线即是理想的参考线。从校准曲线中可以看出，内部验证中该预测系统在校准方面表现良好。
外部验证部分：如图7至图8所示，对于测试集，预测系统曲线下的面积(AUC)为0.903(95％CI 0.846至0.961)，证明了外部验证中该预测系统出色的预测性能。图8展示了测试集中预测系统的实际观测值和预测概率的校准图。图形中的纵坐标y轴表示实际观测概率值，横坐标x轴表示预测系统所得出预测概率值。垂直线则代表预测概率的频率分布。当预测值与观察值一致时，图中的虚线即是理想的参考线。从校准曲线中可以看出，外部验证中预测系统在校准方面表现优异。
在第二方面，本发明提供了一种糖尿病患者周围血管病变的预测装置，包括
病例获取模块，用于获取多份2型糖尿病患者的病例，并将多份病例传给病例分组模块；多份所述病例中包括糖尿病周围血管病变患者的病例和非糖尿病周围血管病变患者的病例；每个病例中具有多项与2型糖尿病患者相关的临床因素；
病例分组模块，用于接收所述病例获取模块传来的多份病例，并根据患者是否出现糖尿病周围血管病变将多个病例分为DPVD组和非DPVD组，所述DPVD组为糖尿病周围血管病变患者病例组，对应的，所述非DPVD组为非糖尿病周围血管病变患者病例组；
临床因素初筛模块，用于对病例分组模块分好的所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素；并将有统计学意义的临床因素传给临床因素精筛模块；
临床因素精筛模块，用于接收所述临床因素初筛模块传来的有统计学意义的临床因素，并对有统计学意义的临床因素进行多因素logistic回归分析找出独立相关因素；并将所述独立相关因素传给模型生成模块；
模型生成模块，用于接收所述临床因素精筛模块传来的独立相关因素，并对所述独立相关因素使用R软件的DynNom、shiny及rsconnect软件包生成临床诊断预测模型；
第一用户信息获取模块，用于获取待测用户信息，所述待测用户信息为与独立相关因素对应的临床因素，并将待测用户信息传给所述临床诊断预测模型；以及
结果输出模块，用于从所述临床诊断预测模型中获取预测结果，从而输出预测结果。
在一种可能的设计中，还包括入排标准设置模块，用于对所述病例设置有入排标准。
在一种可能的设计中，还包括
模型上传模块，将所述临床诊断预测模型上传至服务器中；
网址信息获取模块，用于获取所述临床诊断预测模型对应的服务器中的网址信息；并将网址信息传给转换模块；
转换模块，用于接收所述网址信息获取模块传来的网址信息，将所述网址信息转换成二维码；
基础信息表发送模块，用于响应于用户终端对所述二维码的扫码操作，向用户终端发送基础信息表；
第二用户信息获取模块，用户终端基于所述基础信息表进行信息填写后，用于响应于用户终端人机交互的提交操作，确定待测用户信息；并将待测用户信息传给所述临床诊断预测模型；以及
预测结果发送模块，用于当结果输出模块根据所述待测用户信息输出预测结果后，将所述临床诊断预测模型中获得的预测结果发送至所述用户终端。
本实施例第三方面提供一种糖尿病患者周围血管病变的预测装置，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；所述存储器存储计算机执行指令；所述处理器执行存储器存储的计算机执行指令，使得处理器执行如本发明第一方面以及第一方面中任意一项可能的实施方式中提供的所述糖尿病患者周围血管病变的预测方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以不限于采用型号为X86、Internet系列的处理器的或其他微处理器；所述收发器可以但不限于为有线收发、无线保真(Wireless Fidelity，WiFi)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器和/或紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器等。此外，所述对商品防伪确权的装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例在第四方面提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如本实施例第一方面以及第一方面中任意一项可能的实施方式中提供的所述糖尿病患者周围血管病变的预测方法。
其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第五方面提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现实本实施例中第一方面以及第一方面中任意一项可能的实施方式中提供的所述糖尿病患者周围血管病变的预测方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本发明的有益效果在于：针对老年2型糖尿病人群，开发了一种有效的外周血管病变预测工具，可以快速准确地帮助临床医生高危识别、早期诊断患有糖尿病性周围血管疾病的老年2型糖尿病患者。尤其是对于数量庞大的因其他原因至医疗卫生机构就诊的已有相应静脉血指标结果的老年2型糖尿病患者，相当于采用了无创、低成本且易获取的指标来精准预测其周围血管病变的患病概率。该临床诊断预测系统践行了疾病的二级预防理念即早发现、早诊断、早治疗，具有重要的卫生经济学意义。
最后应说明的是，以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种糖尿病患者周围血管病变的预测方法，其特征在于，包括以下步骤：
获取多份2型糖尿病患者的病例；每个病例中具有多项与2型糖尿病患者相关的临床因素；多份所述病例中包括多份糖尿病周围血管病变患者的病例和多份非糖尿病周围血管病变患者的病例；
根据患者是否出现糖尿病周围血管病变将这些病例分为DPVD组和非DPVD组，所述DPVD组为糖尿病周围血管病变患者病例组，对应的，所述非DPVD组为非糖尿病周围血管病变患者病例组；
对所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素；
对有统计学意义的临床因素进行多因素logistic回归分析找出独立相关因素；
对所述独立相关因素生成临床诊断预测模型；
获取待测用户信息，所述待测用户信息包括与所述独立相关因素对应的临床因素，将待测用户信息代入临床诊断预测模型中，从而输出预测结果。
2.根据权利要求1所述的糖尿病患者周围血管病变的预测方法，其特征在于，所述获取多份2型糖尿病患者的病例前，对所述病例设置入排标准。
3.根据权利要求1所述的糖尿病患者周围血管病变的预测方法，其特征在于，对所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素的方法包括：
分别对每一项临床因素采用p值检验法进行分析，所述p值检验法中的P值小于0.05，当所述临床因素对应的P值小于0.05时，所述临床因素即为有统计学意义的临床因素。
4.根据权利要求1所述的糖尿病患者周围血管病变的预测方法，其特征在于，还包括以下步骤：
将所述临床诊断预测模型上传至服务器中，获取所述临床诊断预测模型对应的服务器中的网址信息，将网址信息转换成二维码；
响应于用户终端的扫码操作，向用户终端发送基础信息表；
响应于用户终端人机交互的提交操作，获取用户终端基于基础信息表进行信息输入的待测用户信息，将所述待测用户信息代入所述临床诊断预测模型获得预测结果，并将所述预测结果发送至所述用户终端。
5.一种糖尿病患者周围血管病变的预测装置，其特征在于，包括
病例获取模块，用于获取多份2型糖尿病患者的病例，并将多份病例传给病例分组模块；多份所述病例中包括糖尿病周围血管病变患者的病例和非糖尿病周围血管病变患者的病例；每个病例中具有多项与2型糖尿病患者相关的临床因素；
病例分组模块，用于接收所述病例获取模块传来的多份病例，并根据患者是否出现糖尿病周围血管病变将多个病例分为DPVD组和非DPVD组，所述DPVD组为糖尿病周围血管病变患者病例组，对应的，所述非DPVD组为非糖尿病周围血管病变患者病例组；
临床因素初筛模块，用于对病例分组模块分好的所述DPVD组和非DPVD组中的各项临床因素进行单因素对比分析，获取有统计学意义的临床因素；并将有统计学意义的临床因素传给临床因素精筛模块；
临床因素精筛模块，用于接收所述临床因素初筛模块传来的有统计学意义的临床因素，并对有统计学意义的临床因素进行多因素logistic回归分析找出独立相关因素；并将所述独立相关因素传给模型生成模块；
模型生成模块，用于接收所述临床因素精筛模块传来的独立相关因素，并对所述独立相关因素使用R软件的DynNom、shiny及rsconnect软件包生成临床诊断预测模型；
第一用户信息获取模块，用于获取待测用户信息，所述待测用户信息为与独立相关因素对应的临床因素，并将待测用户信息传给所述临床诊断预测模型；以及
结果输出模块，用于从所述临床诊断预测模型中获取预测结果，从而输出预测结果。
6.根据权利要求5所述的糖尿病患者周围血管病变的预测装置，其特征在于，还包括入排标准设置模块，用于对所述病例设置入排标准。
7.根据权利要求5所述的糖尿病患者周围血管病变的预测装置，其特征在于，还包括
模型上传模块，将所述临床诊断预测模型上传至服务器中；
网址信息获取模块，用于获取所述临床诊断预测模型对应的服务器中的网址信息；并将网址信息传给转换模块；
转换模块，用于接收所述网址信息获取模块传来的网址信息，将所述网址信息转换成二维码；
基础信息表发送模块，用于响应于用户终端对所述二维码的扫码操作，向用户终端发送基础信息表；
第二用户信息获取模块，用户终端基于所述基础信息表进行信息填写后，用于响应于用户终端人机交互的提交操作，确定待测用户信息；并将待测用户信息传给所述临床诊断预测模型；以及
预测结果发送模块，用于当结果输出模块根据所述待测用户信息输出预测结果后，将所述临床诊断预测模型获得的预测结果发送至所述用户终端。
8.糖尿病患者周围血管病变的预测装置，其特征在于，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；所述存储器存储计算机执行指令；所述处理器执行存储器存储的计算机执行指令，使得处理器执行如权利要求1至4任意一项所述的糖尿病患者周围血管病变的预测方法。
9.一种存储介质，其特征在于，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1至4任意一项所述的糖尿病患者周围血管病变的预测方法。
CN202210743493.2A 2022-06-27 2022-06-27 糖尿病患者周围血管病变的预测方法、装置及存储介质 Pending CN115116611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210743493.2A CN115116611A (zh) 2022-06-27 2022-06-27 糖尿病患者周围血管病变的预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210743493.2A CN115116611A (zh) 2022-06-27 2022-06-27 糖尿病患者周围血管病变的预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115116611A true CN115116611A (zh) 2022-09-27

Family

ID=83331039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210743493.2A Pending CN115116611A (zh) 2022-06-27 2022-06-27 糖尿病患者周围血管病变的预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115116611A (zh)

Similar Documents

Publication Publication Date Title
Stuart et al. Hypertensive disorders of pregnancy and maternal cardiovascular disease risk factor development: an observational cohort study
Picón et al. Hemoglobin A1c versus oral glucose tolerance test in postpartum diabetes screening
Girndt et al. The prevalence of renal failure: results from the German health interview and examination survey for adults, 2008–2011 (DEGS1)
Wang et al. Prevalence and risk factors for CKD: a comparison between the adult populations in China and the United States
Park et al. Prevalence of chronic kidney disease in Korea: The Korean national health and nutritional examination survey 2011–2013
Schaefer et al. Congenital malformations in offspring of women with hyperglycemia first detected during pregnancy
Ramirez et al. Risk factors for proteinuria in a large, multiracial, southeast Asian population
Hanna et al. Screening for gestational diabetes; past, present and future
Nombo et al. Gestational diabetes mellitus risk score: a practical tool to predict gestational diabetes mellitus risk in Tanzania
Kramer et al. Association between chronic kidney disease and coronary artery calcification: the Dallas Heart Study
Hubbard et al. Prediabetes and risk for cardiovascular disease by hypertension status in black adults: the Jackson Heart Study
Koivula et al. Discovery of biomarkers for glycaemic deterioration before and after the onset of type 2 diabetes: rationale and design of the epidemiological studies within the IMI DIRECT Consortium
Santin et al. Performance of subjective global assessment and malnutrition inflammation score for monitoring the nutritional status of older adults on hemodialysis
Ghosh et al. Plasma glycated CD59, a novel biomarker for detection of pregnancy-induced glucose intolerance
Odsæter et al. Hemoglobin A1c as screening for gestational diabetes mellitus in Nordic Caucasian women
Leong et al. Prediction of type 2 diabetes by hemoglobin A1c in two community-based cohorts
Addepally et al. Hemoglobin A1c has suboptimal performance to diagnose and monitor diabetes mellitus in patients with cirrhosis
Kotzaeridi et al. Performance of early risk assessment tools to predict the later development of gestational diabetes
Kezios et al. Comparing different operationalizations of allostatic load measured in mid-life and their patterning by race and cumulative life course socioeconomic status
Kiefer et al. Association of change in haemoglobin A1c with adverse perinatal outcomes in women with pregestational diabetes
Kim et al. Diagnostic value of haemoglobin A1c in post‐partum screening of women with gestational diabetes mellitus
Mi et al. Parameterization of the mid-trimester drop in blood pressure trajectory during pregnancy and its utility for predicting preeclampsia
Claire et al. Should HbA1C be used to screen pregnant women for undiagnosed diabetes in the first trimester? A review of the evidence
Iseki et al. Risk of developing low glomerular filtration rate or elevated serum creatinine in a screened cohort in Okinawa, Japan
Laz et al. Trends in serum lipids and hypertension prevalence among non-pregnant reproductive-age women: United States National Health and Nutrition Examination Survey 1999–2008

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