CN116469560A - 一种慢性心力衰竭患者的共病负担评估系统 - Google Patents
一种慢性心力衰竭患者的共病负担评估系统 Download PDFInfo
- Publication number
- CN116469560A CN116469560A CN202310427149.7A CN202310427149A CN116469560A CN 116469560 A CN116469560 A CN 116469560A CN 202310427149 A CN202310427149 A CN 202310427149A CN 116469560 A CN116469560 A CN 116469560A
- Authority
- CN
- China
- Prior art keywords
- disease
- model
- burden
- information
- death
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 91
- 201000010099 disease Diseases 0.000 title claims abstract description 90
- 206010007558 Cardiac failure chronic Diseases 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 title claims description 30
- 230000034994 death Effects 0.000 claims abstract description 48
- 231100000517 death Toxicity 0.000 claims abstract description 48
- 238000003745 diagnosis Methods 0.000 claims description 27
- 208000020832 chronic kidney disease Diseases 0.000 claims description 16
- 208000007502 anemia Diseases 0.000 claims description 14
- 238000013517 stratification Methods 0.000 claims description 14
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 11
- 201000011510 cancer Diseases 0.000 claims description 10
- 238000011282 treatment Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 claims description 9
- 239000002243 precursor Substances 0.000 claims description 9
- 208000017667 Chronic Disease Diseases 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000002604 ultrasonography Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005194 fractionation Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000009533 lab test Methods 0.000 claims 2
- 238000000034 method Methods 0.000 description 12
- 102400001263 NT-proBNP Human genes 0.000 description 10
- 108010008064 pro-brain natriuretic peptide (1-76) Proteins 0.000 description 8
- 206010049993 Cardiac death Diseases 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 206010011906 Death Diseases 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 5
- 206010019280 Heart failures Diseases 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 102000001554 Hemoglobins Human genes 0.000 description 3
- 108010054147 Hemoglobins Proteins 0.000 description 3
- 230000036210 malignancy Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 208000032928 Dyslipidaemia Diseases 0.000 description 2
- 108060006698 EGF receptor Proteins 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 208000017170 Lipid metabolism disease Diseases 0.000 description 2
- 101800001904 NT-proBNP Proteins 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 208000018262 Peripheral vascular disease Diseases 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000013211 curve analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000024924 glomerular filtration Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010020850 Hyperthyroidism Diseases 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 208000009525 Myocarditis Diseases 0.000 description 1
- 208000025584 Pericardial disease Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 208000003532 hypothyroidism Diseases 0.000 description 1
- 230000002989 hypothyroidism Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 201000007170 intrinsic cardiomyopathy Diseases 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G16H50/70—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
-
- 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
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种慢性心力衰竭患者的共病负担评估系统及其在共病评估中的应用,基于老年慢性心力衰竭患者院内死亡的独立危险因素,建立老年慢性心力衰竭患者共病负担评估和院内死亡预测模型,所述预测模型具有简便、易于操作、精准等优点,能够高效评估老年慢性心力衰竭患者的共病负担、病情严重程度,预测院内死亡风险,对老年慢性心力衰竭患者的共病综合评估、加强临床干预及个体化治疗具有重要的指导意义。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种共病负担评估模型及方法,用于评估共病患者的身体状态。
背景技术
共病是指一个患者同时患有2种及以上慢性疾病,该情形在老年人群属于常见的公共卫生问题。慢性心力衰竭(chronic heart failure,CHF)作为心血管疾病的终末阶段,同样也是老年人最常见的致死、致残、反复住院的重要疾病之一,而且老年慢性心力衰竭患者共病现象非常普遍。据报道,86%以上心衰患者存在共病现象,65岁以上心衰患者中同时患有5种以上非心血管疾病的比例高达占40%。多病共存不仅增加了慢性心力衰竭诊治难度,而且严重影响患者生存质量、增加再住院及死亡等不良预后。共病不仅是老年慢性心力衰竭诊疗的“瓶颈”,更是临床研究及指南的“短板”。因此,加强共病负担的评估与综合管理,对提高老年慢性心力衰竭患者的个体化诊疗水平成为重要。
目前,共病负担的评估缺乏有效的方法和统一的标准。国内外关于共病负担评估方法有两类,一类是共病数目,即个体共患慢性疾病的累积数目。此方法应用最多,使用也最为简单,然而,受研究人群、疾病诊断获取来源,共病种类及数量等影响,共病数目的研究结果差异较大,且对不良预后的预测价值尚存在争议,该方法最大的缺陷是忽略了疾病的严重程度评估,而这也是影响预后的最重要因素。另外一类是基于不同临床情境、不同研究目的建立的共病负担评估体系,如Charlson共病指数(aCCI),老年共病指数等。这些共病评估体系涵盖了疾病种类和严重程度的评估,然而,这些共病评估体系评估方法较为复杂,且并非是在老年慢性心力衰竭患者人群中建立的,所涵盖的疾病种类也缺乏针对性,对慢性心力衰竭患者共病负担的评估及预后预测的效能仍不理想。因此,基于死亡终点事件,建立适于老年慢性心力衰竭患者的共病负担评估系统,为老年慢性心力衰竭患者共病的管理提供一种实用工具,具有一定的临床应用价值。
发明内容
本发明的目的是为了克服上述背景技术的不足,建立了一种客观、简便、实用、预测价值更高的、老年慢性心力衰竭患者共病负担评估系统及其应用,易于操作使用。
为达到以上目的,本发明提供一种慢性心力衰竭患者的共病负担评估系统,其特征在于,包括:数据收集模块、共病负担评估模块、评估验证模块、评估预测效能检验模块;
所述数据收集模块,用于收集共病患者患病信息;
所述共病负担评估模块,用Logistic回归分析筛选与死亡相关的共病指标,并以此指标建立共病负担模型;
所述评估验证模块,采用所述共病负担模型对受试者进行预测,并根据实际死亡情况验证所述共病负担模型的预测价值;
所述评估预测效能检验模块,通过采用所述受试者工作特征曲线分析所述共病负担模型的效能,计算所述工作特征曲线下面积值,所述线下面积值越接近1,诊断效果越好。
进一步,所述患病信息包括:病患疾病信息、疾病诊断信息、实验室检查信息。
进一步,所述共病负担模型为危险因素评分模型或者列线图模型。
进一步,所述评估验证模块是采用Bootstrap计算机模拟方式,根据实际死亡情况验证所述危险因素评分模型或列线图模型的预测价值。
进一步,所述共病负担评估模块是以所述实际死亡情况为因变量,共病患者的常见慢性病为自变量,进行单因素或多因素Logistic回归分析,得出慢性肾脏病、贫血、恶性肿瘤和慢性阻塞性肺疾病是造成死亡的独立危险因素,结合年龄分层、NYHA分级以及N末端B型钠尿肽前体指标构建所述共病负担模型。
进一步,所述危险因素评分模型是将年龄分层、NYHA分级以及N末端B型钠尿肽前体指标按照各自比值比OR值进行加权。
进一步,所述列线图模型是通过构建年龄分层、NYHA分级以及N末端B型钠尿肽前体指标多因素Logistic回归模型,根据模型中各因素对结局变量的贡献程度,给每个影响因素的每个取值水平进行赋分,然后再将各个评分相加得到总评分,最后通过总评分与结局事件发生概率之间的函数转换关系,从而计算出该个体结局事件的预测值。
一种慢性心力衰竭患者的共病负担评估系统在共病负担评估中的应用,其特征在于,步骤如下:
步骤1:收集病患疾病信息、疾病诊断信息、实验室检查信息、心脏超声信息、院内治疗结局信息;
步骤2:以所述实际死亡情况为因变量,共病患者的常见慢性病为自变量,进行单因素或多因素Logistic回归分析,得出慢性肾脏病、贫血、恶性肿瘤和慢性阻塞性肺疾病是造成死亡的独立危险因素,结合年龄分层、NYHA分级以及N末端B型钠尿肽前体指标构建所述共病负担模型;
步骤3:采用Bootstrap计算机模拟方式,采用所述共病负担模型对受试者进行预测,并根据实际死亡情况验证所述共病负担模型的预测价值;
步骤4:通过采用所述受试者工作特征曲线分析所述共病负担模型的效能,计算所述工作特征曲线下面积值,所述线下面积值越接近1,诊断效果越好。
本发明的有益效果在于,本系统是基于老年慢性心力衰竭患者院内死亡的危险因素,建立老年慢性心力衰竭患者共病负担评估和死亡预测模型,该系统的预测模型具有简便、易于操作、精准等优点,能够高效评估老年慢性心力衰竭患者的共病负担、病情严重程度,预测院内死亡风险,对老年慢性心力衰竭患者的临床治疗策略、加强临床干预及个体化治疗具有重要的指导意义。
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,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的老年CHF患者共病负担评估系统示意图;
图2为本发明为本发明构建基于院内死亡的老年CHF患者共病负担评估模型的技术路线;
图3为老年CHF住院患者院内死亡的独立危险因素OR值的森林图;
图4为新建共病负担评分模型的ROC曲线分析及95%CI;
图5为老年CHF住院患者院内死亡风险预测列线图模型;
图6为列线图模型的ROC曲线分析及95%CI;
图7为四种共病负担评估模型对院内死亡及心源性死亡的预测效能比较;
图8为列线图模型不同指标评分、总评分及风险率。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示,慢性心力衰竭患者的共病负担评估系统1包括数据收集模块2、共病负担评估模块3、评估验证模块4、评估预测效能检验模块5。数据收集模块2,用于收集共病患者患病信息;共病负担评估模块3,用Logistic回归分析筛选与死亡相关的共病指标,并以此指标建立共病负担模型;评估验证模块4,采用所述共病负担模型对受试者进行预测,并根据实际死亡情况验证所述共病负担模型的预测价值;评估预测效能检验模块5,通过采用所述受试者工作特征曲线分析所述共病负担模型的效能,计算所述工作特征曲线下面积值,所述线下面积值越接近1,诊断效果越好。
图2-8所示的是本发明具体的一个实施例:
1.筛选患者构建患病信息数据库
首先进行患者筛选,入组标准:收集一定期间内(十年左右)于解放军总医院第一医学中心住院的、年龄≥60岁老年慢性心力衰竭(下称CHF)患者的临床资料,构建老年CHF住院患者专病数据库。CHF诊断由专科医师,综合病史、症状、体征、生物标志物[N末端B型钠尿肽前体(N-terminal pro-brain natriuretic peptide,NT-proBNP)],以及心脏超声结构和功能受损等证据,依据国内外CHF指南标准做出的临床诊断。CHF诊断标准包括:(1)具备心力衰竭症状和体征;(2)纽约心脏病协会(New York Heart Association,NYHA)心功能分级≥Ⅱ级;(3)NT-proBNP符合我国老年CHF诊疗共识推荐的诊断标准,即窦性心律患者>220pg/ml,心房颤动患者>660pg/ml。排除标准:(1)年龄<60岁的患者;(2)主要临床资料(如NYHA分级、心脏超声检查、NT-proBNP等)不全者;(3)CHF非主要诊断,或因非心血管疾病住院、心血管用药信息不详者。(4)住院时间短于24小时者。最终形成数据库病例筛选由经过培训的专业心血管内科专科中、高级医师,以及医学工程及大数据管理专业人员共同完成。
然后,获取患者的疾病诊断信息,老年CHF住院患者专病数据库中患者的疾病诊断信息,包括是通过入院记录中初步诊断、既往史及出院记录中最后诊断的文本信息进行收集整理获得的,疾病分类按照ICD-10编码规则,结合临床常用疾病诊断分类方法进行逻辑处理,患者电子病历所有记录的诊断信息收集并分类。本研究中主要纳入与CHF密切相关的、患病率相对较高、对老年人预后影响较大的18种慢性病。具体如下:
(1)心血管疾病:冠状动脉性心脏病(简称冠心病)、高血压、心律失常、瓣膜性心脏病、心肌炎/原发性心肌病、先天性心脏病、心包疾病等。
(2)非心血管疾病:血脂异常、贫血、慢性肾脏病(chronic kidney disease,CKD)、2型糖尿病、脑血管病(Cerebrovascular disease,CVD)、肥胖、外周血管疾病(Peripheralvascular disease,PVD)、恶性肿瘤(包括实体瘤、白血病、淋巴瘤等)、慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)、甲状腺功能亢进、甲状腺功能减低等。
对于血脂异常、CKD、贫血、肥胖等病历中易漏诊的疾病,通过体检、化验及用药信息,结合最新诊断标准进行补充。
2.构建模型指标
以院内死亡为因变量,18种慢性病为自变量,进行单因素及多因素Logistic回归分析,筛选出“CKD、贫血、恶性肿瘤和COPD”这四种共病,为老年CHF患者院内死亡的独立危险因素。在此基础上,加上年龄分层、纽约心脏病协会(New York Heart Association,NYHA)分级≥Ⅲ级以及N末端B型钠尿肽前体(N-terminal pro-brain natriureticpeptide,NT-proBNP)>3000ng/L这三种与死亡或心衰严重程度相关的指标为自变量,以院内死亡为因变量,进行二元Logistic回归分析建模,并绘制森林图,详见图2。
模型中疾病的诊断标准:
CKD:定义为估算的肾小球滤过率(Estimated glomerular filtration rate,eGFR)<60ml·min-1·1.73m2)。其中eGFR根据患者住院的首次生化结果,采用慢性肾脏病流行病公式CKD-EPI公式计算。
贫血:采用WHO的标准,即血红蛋白(hemogobin,HGB)女性<12g/dL,男性<13g/dL。住院首次血常规中HGB的化验结果符合上述诊断标准者,或既往明确有贫血诊断,或正在服务铁剂等纠正贫血者。
恶性肿瘤:包括ICD-10中C00-C97对应的恶性肿瘤疾病。
COPD:ICD-10编码中J44对应的疾病。
3.建立共病负担评估模型并进行内部验证
(1)评分系统模型
模型建立:将上述与院内死亡相关的危险因素指标,按各自OR值进行加权构建模型。受试者用新共病负担评分系统模型计算评分,统计并绘制该模型预测院内死亡的ROC曲线,计算AUC值为0.79,提示新构建共病负担评分模型对老年CHF患者院内死亡的预测价值较高,详见图4。
模型的内部验证:通过Bootstrap计算机模拟方法,从研究人群中内部验证新共病负担评分系统模型,全部变量无缺失(n=4650),重复采样500次,绘制ROC曲线的95%CI,AUC=0.79(95%CI 0.75~0.83),结果提示,新建共病负担评分系统模型对院内死亡的预测较为可靠,详见图4。
(2)列线图模型
模型建立:根据多因素logistics回归分析结果,将年龄、NYHA≥Ⅲ级、NT-proBNP>3000ng/L、CKD、贫血、恶性肿瘤和COPD纳入列线图模型,详见图5。应用列线图模型计算每例患者的共病负担总分,统计得出预测院内死亡的ROC曲线,计算AUC值为0.81。提示,共病负担评估的列线图模型对老年CHF患者院内死亡的预测价值较高,详见图6。
模型的内部验证:通过Bootstrap计算机模拟方法,从研究人群中内部验证新建的共病负担评估列线图模型,变量无缺失(n=4650),重复采样500次,绘制ROC 95%CI曲线,AUC=0.81(95%CI 0.78~0.84),结果提示,列线图模型结果可靠,详见图6。
4.共病负担评估模型对院内死亡及心源性死亡的预测效能比较
将新建共病负担评估的评分系统模型及列线图模型与aCCI评分、共病数目对院内死亡和心源性死亡的预测效能进行对比。分别以这四项指标作为预测因子,统计得出各自预测院内院内死亡的ROC曲线AUC值,分别为0.81、0.79、0.67和0.56,见图7-A;预测心源性死亡的ROC曲线AUC值,分别为0.79、0.77、0.67、0.60,见图7-B。结果提示,列线图模型对老年CHF住院患者院内死亡和心源性死亡的预测价值最佳、新建共病评分系统模型次之,aCCI评分第三,共病数目最低。
5.两种新建模型的使用方法
(1)评分系统模型:收集患者年龄、NYHA心功能分级、NT-proBNP及罹患CKD、贫血、恶性肿瘤和COPD情况。计分方式:年龄60~69岁计1分,70~79岁计3分,80岁以上计7分;NYHA≥Ⅲ级计9分;NT-proBNP>3000pg/ml计4分;CKD和贫血各计3分;恶性肿瘤和COPD各计2分,计算患者的共病负担评分,评分越高,患者共病负担越重,院内死亡风险越高。ROC分析结果示评分系统模型的最佳阈值为19.5分,由于本模型计分均为整数,故取20分为最佳阈值,以此阈值为分界,将患者分为院内死亡低危组和高危组。
(2)列线图模型:列线图模型中各变量对应的线段长度可反映该预测因素对结局的贡献大小,通过垂直线在列线图的顶端的评分线上得到相应的不同积分,每位患者各因素评分相加可得到总分,最后通过总分可以对应找到患者发生院内死亡的概率,详见图5。本模型的总分为148到236分,对应的风险率范围为0.1~0.7。
列线图使用方法举例:如某患者85岁,NYHAⅢ级,合并CKD和贫血,NT-proBNP为35000ng/L。通过列线图的评分线找出对应取值,患者总评分为55+55+9+5+50=174分,因此,预测该患者发生院内死亡的概率为21%。各变量取值对应的评分及总分对应的风险见图8。
综上所述,本发明建立并验证了一个基于院内死亡的老年CHF患者共病负担评估模型。该模型可以用简单的评分系统或列线图模型来评估共病负担的大小。其中评分系统模型以20分为切点,可以将老年CHF住院患者按照共病负担有效分为院内死亡的高危组(≥20分)和低危组(<20分);列线图模型可用于计算患者发生院内死亡发生的概率。两种模型对患者共病负担的评估和院内死亡的预测效能均显著优于传统的共病数目和aCCI评分,对指导老年CHF患者共病负担的评估与管理,临床决策制定、个体化治疗具有重要指导意义。
上述实施例为本发明较佳的实现方案,除此之外,本发明还可以其它方式实现,在不脱离本发明构思的前提下任何显而易见的替换均在本发明的保护范围之内。
Claims (8)
1.一种慢性心力衰竭患者的共病负担评估系统,其特征在于,包括:
数据收集模块、共病负担评估模块、评估验证模块、评估预测效能检验模块;
所述数据收集模块,用于收集共病患者患病信息;
所述共病负担评估模块,用Logistic回归分析筛选与死亡相关的共病指标,并以此指标建立共病负担模型;
所述评估验证模块,采用所述共病负担模型对受试者进行预测,并根据实际死亡情况验证所述共病负担模型的预测价值;
所述评估预测效能检验模块,通过采用所述受试者工作特征曲线分析所述共病负担模型的效能,计算所述工作特征曲线下面积值,所述线下面积值越接近1,诊断效果越好。
2.根据权利要求1所述的慢性心力衰竭患者的共病负担评估系统,其特征在于,所述患病信息包括:病患疾病信息、疾病诊断及病情严重程度信息、实验室检验信息、心脏超声信息、院内治疗结局信息。
3.根据权利要求1所述的慢性心力衰竭患者的共病负担评估系统,其特征在于,所述共病负担模型为危险因素评分模型或者列线图模型。
4.根据权利要求3所述的慢性心力衰竭患者的共病负担评估系统,其特征在于,所述评估验证模块是采用Bootstrap计算机模拟方式,根据实际死亡情况验证所述危险因素评分模型或列线图模型的诊断效能及预测价值。
5.根据权利要求3所述的慢性心力衰竭患者的共病负担评估系统,其特征在于,所述共病负担评估模块是以所述实际死亡情况为因变量,共病患者的常见慢性病为自变量,进行单因素或多因素Logistic回归分析,得出慢性肾脏病、贫血、恶性肿瘤和慢性阻塞性肺疾病是造成死亡的独立危险因素,结合年龄分层、NYHA分级以及N末端B型钠尿肽前体指标构建所述共病负担模型。
6.根据权利要求5所述的慢性心力衰竭患者的共病负担评估系统,其特征在于,所述危险因素评分模型是将年龄分层、NYHA分级以及N末端B型钠尿肽前体指标按照各自比值比OR值进行加权。
7.根据权利要求5所述的慢性心力衰竭患者的共病负担评估系统,其特征在于,所述列线图模型是通过构建年龄分层、NYHA分级以及N末端B型钠尿肽前体指标多因素Logistic回归模型,根据模型中各因素对结局变量的贡献程度,给每个影响因素的每个取值水平进行赋分,然后再将各个评分相加得到总评分,最后通过总评分与结局事件发生概率之间的函数转换关系,从而计算出该个体结局事件的预测值。
8.一种如权利要求1-7任一项所述的慢性心力衰竭患者的共病负担评估系统在共病负担评估中的应用,其特征在于,步骤如下:
步骤1:收集病患疾病信息、疾病诊断信息、实验室化验信息、心脏超声检查信息、院内治疗结局信息;
步骤2:以所述实际死亡情况为因变量,共病患者的常见慢性病为自变量,进行单因素或多因素Logistic回归分析,得出慢性肾脏病、贫血、恶性肿瘤和慢性阻塞性肺疾病是造成死亡的独立危险因素,结合年龄分层、NYHA分级以及N末端B型钠尿肽前体指标构建所述共病负担模型;
步骤3:采用Bootstrap计算机模拟方式,采用所述共病负担模型对受试者进行预测,并根据实际死亡情况验证所述共病负担模型的预测价值;
步骤4:通过采用所述受试者工作特征曲线分析所述共病负担模型的效能,计算所述工作特征曲线下面积值,所述线下面积值越接近1,诊断效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310427149.7A CN116469560A (zh) | 2023-04-20 | 2023-04-20 | 一种慢性心力衰竭患者的共病负担评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310427149.7A CN116469560A (zh) | 2023-04-20 | 2023-04-20 | 一种慢性心力衰竭患者的共病负担评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116469560A true CN116469560A (zh) | 2023-07-21 |
Family
ID=87180262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310427149.7A Pending CN116469560A (zh) | 2023-04-20 | 2023-04-20 | 一种慢性心力衰竭患者的共病负担评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116469560A (zh) |
-
2023
- 2023-04-20 CN CN202310427149.7A patent/CN116469560A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Risk assessment of coronary heart disease based on cloud-random forest | |
CN107153774A (zh) | 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统 | |
CN112259221A (zh) | 基于多种机器学习算法的肺癌诊断系统 | |
CN112201330B (zh) | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 | |
CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
CN112786204A (zh) | 一种机器学习糖尿病发病风险预测方法及应用 | |
CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
CN114724716A (zh) | 进展为2型糖尿病的风险预测的方法、模型训练及装置 | |
CN112017791A (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 | |
CN113539470A (zh) | 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 | |
CN116259410A (zh) | 一种肝癌发生风险预测模型及其网络计算器的构建方法 | |
CN114974585A (zh) | 一种妊娠期代谢综合征早期风险预测评估模型构建方法 | |
CN114188014A (zh) | 一种患者院内不良预后预测模型构建方法、系统及应用 | |
CN117079810A (zh) | 一种心血管疾病非计划再住院风险预测方法 | |
CN113160985A (zh) | 一种covid-19临床不良预后风险的预测方法及系统 | |
CN117198532A (zh) | 一种基于机器学习的icu患者脓毒症风险预测方法及系统 | |
CN117174304A (zh) | 慢性阻塞性肺疾病合并肺动脉高压患者生存预后预测模型 | |
CN116469560A (zh) | 一种慢性心力衰竭患者的共病负担评估系统 | |
Holland et al. | The structure of late-life depressive symptoms across a 20-year span: A taxometric investigation. | |
CN113782197B (zh) | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 | |
CN113936789A (zh) | 无创乙肝肝硬化诊断模型的构建方法及诊断列线图的应用 | |
Luo et al. | Data mining-based detection of rapid growth in length of stay on COPD patients | |
CN113936761A (zh) | 一种基于机器学习的预测新冠肺炎患者风险分层的方法 | |
CN118230962A (zh) | 一种快速脓毒症风险分层评分方法 | |
Huang et al. | Development of a model for predicting mortality of breast cancer admitted to Intensive Care Unit |
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 |