CN116500179A - 一种急性冠状综合征的风险预测系统 - Google Patents
一种急性冠状综合征的风险预测系统 Download PDFInfo
- Publication number
- CN116500179A CN116500179A CN202310437695.9A CN202310437695A CN116500179A CN 116500179 A CN116500179 A CN 116500179A CN 202310437695 A CN202310437695 A CN 202310437695A CN 116500179 A CN116500179 A CN 116500179A
- Authority
- CN
- China
- Prior art keywords
- cer
- interval
- risk
- score
- risk prediction
- 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.)
- Granted
Links
- 208000004476 Acute Coronary Syndrome Diseases 0.000 title claims abstract description 95
- YDNKGFDKKRUKPY-JHOUSYSJSA-N C16 ceramide Natural products CCCCCCCCCCCCCCCC(=O)N[C@@H](CO)[C@H](O)C=CCCCCCCCCCCCCC YDNKGFDKKRUKPY-JHOUSYSJSA-N 0.000 claims abstract description 94
- 229940106189 ceramide Drugs 0.000 claims abstract description 66
- CRJGESKKUOMBCT-VQTJNVASSA-N N-acetylsphinganine Chemical compound CCCCCCCCCCCCCCC[C@@H](O)[C@H](CO)NC(C)=O CRJGESKKUOMBCT-VQTJNVASSA-N 0.000 claims abstract description 62
- ZVEQCJWYRWKARO-UHFFFAOYSA-N ceramide Natural products CCCCCCCCCCCCCCC(O)C(=O)NC(CO)C(O)C=CCCC=C(C)CCCCCCCCC ZVEQCJWYRWKARO-UHFFFAOYSA-N 0.000 claims abstract description 62
- VVGIYYKRAMHVLU-UHFFFAOYSA-N newbouldiamide Natural products CCCCCCCCCCCCCCCCCCCC(O)C(O)C(O)C(CO)NC(=O)CCCCCCCCCCCCCCCCC VVGIYYKRAMHVLU-UHFFFAOYSA-N 0.000 claims abstract description 62
- ZJVVOYPTFQEGPH-UHFFFAOYSA-N 102917-80-6 Natural products CCCCCCCCCCCCCCCCCCCCCCCC(=O)NC(CO)C(O)C=CCCCCCCCCCCCCC ZJVVOYPTFQEGPH-UHFFFAOYSA-N 0.000 claims abstract description 48
- ZJVVOYPTFQEGPH-AUTSUKAISA-N N-tetracosanoylsphingosine Chemical compound CCCCCCCCCCCCCCCCCCCCCCCC(=O)N[C@@H](CO)[C@H](O)\C=C\CCCCCCCCCCCCC ZJVVOYPTFQEGPH-AUTSUKAISA-N 0.000 claims abstract description 48
- 238000013058 risk prediction model Methods 0.000 claims abstract description 37
- YDNKGFDKKRUKPY-TURZORIXSA-N N-hexadecanoylsphingosine Chemical compound CCCCCCCCCCCCCCCC(=O)N[C@@H](CO)[C@H](O)\C=C\CCCCCCCCCCCCC YDNKGFDKKRUKPY-TURZORIXSA-N 0.000 claims abstract description 32
- VODZWWMEJITOND-NXCSZAMKSA-N N-octadecanoylsphingosine Chemical compound CCCCCCCCCCCCCCCCCC(=O)N[C@@H](CO)[C@H](O)\C=C\CCCCCCCCCCCCC VODZWWMEJITOND-NXCSZAMKSA-N 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 28
- VJSBNBBOSZJDKB-KPEYJIHVSA-N N-(15Z)-tetracosenoylsphingosine Chemical compound CCCCCCCCCCCCC\C=C\[C@@H](O)[C@H](CO)NC(=O)CCCCCCCCCCCCC\C=C/CCCCCCCC VJSBNBBOSZJDKB-KPEYJIHVSA-N 0.000 claims abstract description 26
- 238000001819 mass spectrum Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 54
- 230000000875 corresponding effect Effects 0.000 description 24
- 206010008479 Chest Pain Diseases 0.000 description 5
- 239000000090 biomarker Substances 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 208000000770 Non-ST Elevated Myocardial Infarction Diseases 0.000 description 4
- 208000007814 Unstable Angina Diseases 0.000 description 4
- 150000001783 ceramides Chemical class 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- BDAGIHXWWSANSR-UHFFFAOYSA-N methanoic acid Natural products OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 description 4
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical compound CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 description 3
- 102000007330 LDL Lipoproteins Human genes 0.000 description 3
- 108010007622 LDL Lipoproteins Proteins 0.000 description 3
- 208000006117 ST-elevation myocardial infarction Diseases 0.000 description 3
- 102000004987 Troponin T Human genes 0.000 description 3
- 108090001108 Troponin T Proteins 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000004949 mass spectrometry Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 150000003408 sphingolipids Chemical class 0.000 description 3
- OSWFIVFLDKOXQC-UHFFFAOYSA-N 4-(3-methoxyphenyl)aniline Chemical compound COC1=CC=CC(C=2C=CC(N)=CC=2)=C1 OSWFIVFLDKOXQC-UHFFFAOYSA-N 0.000 description 2
- 206010008469 Chest discomfort Diseases 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 2
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 2
- 238000000585 Mann–Whitney U test Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000019253 formic acid Nutrition 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- KEPQASGDXIEOIL-UHFFFAOYSA-N (2S,3R)-N-(docosanoate)-1,3-dihydroxy-2-amino-octadeca-4-(E)-ene Natural products CCCCCCCCCCCCCCCCCCCCCC(=O)NC(CO)C(O)C=CCCCCCCCCCCCCC KEPQASGDXIEOIL-UHFFFAOYSA-N 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 241000599985 Beijerinckia mobilis Species 0.000 description 1
- 102000004420 Creatine Kinase Human genes 0.000 description 1
- 108010042126 Creatine kinase Proteins 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 description 1
- 108010044467 Isoenzymes Proteins 0.000 description 1
- ZKRPGPZHULJLKJ-JHRQRACZSA-N N-(tetradecanoyl)sphing-4-enine Chemical compound CCCCCCCCCCCCC\C=C\[C@@H](O)[C@H](CO)NC(=O)CCCCCCCCCCCCC ZKRPGPZHULJLKJ-JHRQRACZSA-N 0.000 description 1
- KEPQASGDXIEOIL-GLQCRSEXSA-N N-docosanoylsphingosine Chemical compound CCCCCCCCCCCCCCCCCCCCCC(=O)N[C@@H](CO)[C@H](O)\C=C\CCCCCCCCCCCCC KEPQASGDXIEOIL-GLQCRSEXSA-N 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 102000013394 Troponin I Human genes 0.000 description 1
- 108010065729 Troponin I Proteins 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000104 diagnostic biomarker Substances 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 229940124645 emergency medicine Drugs 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008289 pathophysiological mechanism Effects 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006920 protein precipitation Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/62—Detectors specially adapted therefor
- G01N30/72—Mass spectrometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8693—Models, e.g. prediction of retention times, method development and validation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
-
- 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
-
- 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)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种急性冠状综合征的风险预测系统,属于医学诊断技术领域。本发明的风险预测系统包括用于运行急性冠状综合征的风险预测模型,以神经酰胺分子Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z))的质谱检测浓度值进行运算。预测风险等级越高,发生急性冠脉综合征的可能性越高。本发明的结果合理可靠,可以用于人群急性冠脉综合征初筛,具有临床应用前景。
Description
技术领域
本发明属于医学诊断技术领域,具体涉及一种急性冠状综合征的风险预测系统。
背景技术
急性冠状综合征(Acute coronary syndromes,ACS)即急性冠状动脉综合征,又称急性冠脉综合征,是冠心病的一种严重类型,死亡率高。ACS是指冠状动脉内不稳定的粥样硬化斑块破裂或糜烂继发新鲜血栓形成所导致的心脏急性缺血综合征,涵盖了ST段抬高型心肌梗死(ST elevation myocardial infarction,STEMI)、非ST段抬高型心肌梗死(nonST elevation myocardial infarction,NSTEMI)和不稳定性心绞痛(unstable angina,UA),其中NSTEMI与UA合称非ST段抬高型急性冠脉综合征(NSTE-ACS)[1]。休息时胸部不适是ACS最常见的症状,约79%的ACS男性和74%的ACS女性会出现胸部不适,约40%的男性和48%的女性表现为非特异性症状,如呼吸困难,有些或合并胸痛出现[2]。最终约10%的急性胸痛患者诊断为急性冠脉综合征(ACS)[3]。更早更准确地识别患者的ACS发生风险,可以确保高危患者得到及时有效的治疗,同时减少低风险患者对医疗资源的占用。
目前的诊断方法多侧重于确认特定的变化,如使用心电图确定ST段抬高或降低,或评估生物标志物,如肌酸激酶同工酶(CK-MB)、肌钙蛋白I和肌钙蛋白T等,但以上方法都存在一定的局限性:心电图检查通常用于诊断是否存在心脏病,但其敏感度仅为50%;而肌钙蛋白T等生物标志物也并不理想,无法在症状出现后做出准确判断;此外,由于胸痛是ACS的典型症状,也是其他疾病的常见症状,在报告有胸痛的患者中也很难诊断ACS。现有的生物标志物也无法诊断UA的存在[4]。因此,识别具有高特异度和敏感度的新型ACS诊断生物标志物是很有必要的。
神经酰胺是鞘氨脂类的一个家族,由鞘氨脂和脂肪酸头部的长链碱基组成。既往研究结果表明,神经酰胺和其他鞘脂调节细胞对细胞外刺激和应激的反应,它们参与了许多疾病的病理生理机制。有研究提出并证实了,在高水平低密度脂蛋白(Low densitylipoprotein,LDL)存在时,血浆神经酰胺水平也会升高。血浆神经酰胺参与动脉粥样硬化的形成,并与冠心病的风险有关[5]。Tu等选取553例确诊或疑似冠心病的患者进行血管造影,对4种血浆神经酰胺Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:1)和Cer(d18:1/24:0)的含量进行测定,并计算Cer(d18:1/16:0)、Cer(d18:1/18:0)与Cer(18:1/24:0)的比值,作为评价血浆神经酰胺水平与冠状动脉狭窄的相关性指标,发现冠状动脉狭窄的严重程度与Cer(d18:1/24:1)/Cer(d18:1/24:0)比值相关[6]。Yao等分析了2773例胸痛患者血浆中12种神经酰胺分子的水平,在调整了传统危险因素和肌钙蛋白T后,Cer(d18:1/24:1(15Z))/Cer(d18:1/24:0)比值、Cer(d18:1/14:0)和Cer(d18:1/22:0)显示是ACS的独立预测因子[7]。一些特定的血浆神经酰胺可作为潜在的生物标志物,在预测冠心病患者心血管不良结局或健康队列发生ACS的风险方面,它们可能会优于传统的生物标志物,但现有技术对于这个方向上的挖掘有限。
参考文献:
[1]中国医师协会急诊医师分会,国家卫健委能力建设与继续教育中心急诊学专家委员会与中国医疗保健国际交流促进会急诊急救分会,急性冠脉综合征急诊快速诊治指南(2019)。中国急救医学,2019.39(4):第301-308页。
[2]Bhatt,D.L.,R.D.Lopes and R.A.Harrington,Diagnosis and Treatment ofAcute Coronary Syndromes:A Review.JAMA,2022.327(7):p.662-675.
[3]Fanaroff,A.C.,et al.,Does This Patient With Chest Pain Have AcuteCoronary Syndrome:The Rational Clinical Examination Systematic Review.JAMA,2015.314(18):p.1955-1965.
[4]Shin,M.,et al.,Biomarker Discovery of Acute Coronary SyndromeUsing Proteomic Approach.Molecules,2021.26(4):p.1136.
[5]Cao,R.,et al.,Circulating Ceramide:A New Cardiometabolic Biomarkerin Patients With Comorbid Acute Coronary Syndrome and Type 2DiabetesMellitus.Front Physiol,2020.11:p.1104.
[6]Tu,C.,et al.,Association between Ceramides and coronary arterystenosis in patients with coronary artery disease.Lipids Health Dis,2020.19(1):p.151.
[7]Yao,K.,et al.,Effect of combined testing of Ceramides with high-sensitive troponin T on the detection of acute coronary syndrome in patientswith chest pain in China:a prospective observational study.BMJ Open,2019.9(7):p.e028211.
发明内容
实现早期、准确的ACS筛查诊断,能够提高ACS筛查诊断对于患者的有效治疗和生存率,本发明旨在分析血浆神经酰胺在中国ACS患者中的表达水平,评估神经酰胺在早期筛查诊断ACS患者中的临床意义及其在预测ACS患者长短期临床预后中的应用价值,提高临床检测的敏感性和特异性。
一方面,本发明提供了一种风险预测模型运行模块。
所述的风险预测模型运行模块用于运行急性冠状综合征的风险预测模型。
所述的风险预测模型以4个神经酰胺分子的检测浓度值数据进行运算,所述的神经酰胺分子为Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z));
所述的风险预测模型运行模块包括计算组件、分析组件;
所述的计算组件用于计算所述的4个神经酰胺分子的检测浓度值数据的比值,所述的比值为:Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0);
所述的分析组件用于分析6个神经酰胺相关因子,所述的神经酰胺相关因子为Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z))、Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0)的值;
所述的分析组件中包括程序(1):预测样本原始得分的程序,和程序(2):原始得分转换程序,和程序(3):风险判定程序。
所述的程序(1)用于运行原始得分计算方法;
所述的计算方法包括以下步骤:
A、人群中单个神经酰胺相关因子的值划分为分位数区间,即赋值区间:检测值由低到高进行顺序划分为赋值区间1-3,赋值区间1包括前50%人群数据,赋值区间2包括中间25%数据,赋值区间3包括后25%数据,即赋值区间1中的数据值小于赋值区间2中的数据值,赋值区间2中的数据值小于赋值区间3中的数据值;
B、赋值:样本值低于赋值区间1数据范围或样本值在赋值区间1范围得分记为0;样本值在赋值区间2得分记为X;样本值在赋值区间3得分记为Y且Y=2X;
C、6个神经酰胺相关因子各自按照步骤A和B进行记分,得分的和即为原始得分;原始得分区间为[0,6Y];所述的原始得分区间为整数区间,共包括13个数值,以X表示为:0、X、2X、3X、4X、5X、6X、7X、8X、9X、10X、11X、12X。
所述的程序(2)用于运行原始得分转换方法,由于原始得分区间中得分数目较少,转换方法根据原始范围区间放大为精准的标记值区间形成对应关系,程序(2)将原始得分根据标记值区间转换为实际得分;
所述的程序(3)根据程序(2)的转换结果按照设定的风险范围进行风险判断。
具体地,所述的程序(2)运行的转换方法为:
D、将原始得分区间转换为标记值区间[1,Z],[1,Z]为整数区间,Z为整数,Z大于4倍的12X;
E、标记值区间划分:将[1,Z]从小到大依次划分为12个整数区间,记为区间4.1-4.12,且每个区间中的整数数量相差≤1,每个区间中的整数数量以N表示;
F、原始得分与标记值区间的映射关系:
1-区间4.1;X-区间4.2;...;12X-区间4.12;运行程序根据原始得分的数值确定实际得分,程序运行的方法为:
1)确定原始得分的神经酰胺相关因子来源,当某个神经酰胺相关因子赋值为0时,其不属于原始得分来源;
2)属于原始得分来源的每个神经酰胺相关因子分别进行独立实际得分的计算:神经酰胺相关因子的赋值根据步骤F确定标记值区间并确定其对应的N值;再根据步骤B确定赋值区间,将确定出的赋值区间参照步骤A由低到高进行顺序划分为N个范围相同的分位数区间,每个分位数区间顺序对应标记值区间由小到大的N个数;根据神经酰胺相关因子的赋值所在分位数区间确定标记值;
3)最终以标记值平均数作为最终的实际得分。
优选地,所述的X为1,Y为2。
优选地,所述的Z为100。
优选地,所述的区间4.1-4.12分别为[1,8]、[9,17]、[18,25]、[26,34]、[35,42]、[43,51]、[52,59]、[60,68]、[69,76]、[77,84]、[85,92]、[93,100]。
优选地,所述的设定的风险范围包括ACS低风险、ACS轻度风险、ACS中度风险、ACS高度风险。
优选地,所述的ACS低风险范围为[0,17],所述的ACS轻度风险范围为[18,51],所述的ACS中度风险范围为[52,76],所述的ACS高度风险范围为[77,100]。
另一方面,本发明提供了前述的风险预测模型运行模块在构建急性冠状综合征的风险预测系统中的应用。
再一方面,本发明提供了一种急性冠状综合征的风险预测系统。
所述的风险预测系统包括前述的风险预测模型运行模块。
具体地,所述的风险预测系统还包括数据采集模块,所述的数据采集模块用于测定样本中4个神经酰胺分子的质谱检测浓度值。
进一步具体地,所述的样本为血液样本。
具体地,所述的风险预测系统还包括数据输入模块,所述的数据输入模块将数据采集模块采集的数据输入至风险预测模型运行模块。
具体地,所述的风险预测系统还包括数据输出模块,所述的数据输出模块用于输出风险预测模型运行模块的运算结果。
优选地,所述的数据输出形式为急性冠状综合征的风险预测报告。
具体地,具体地,所述的风险预测系统操作流程为:
(1)使用数据采集模块检测4个神经酰胺分子的浓度值,即Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z))的浓度值;
(2)使用数据输入模块将步骤(1)的结果输入风险预测模型运行模块;
(3)风险预测模型运行模块运行得到风险评估结果;
(4)数据输出模块输出急性冠状综合征的风险预测报告。
本发明的有益效果:
本发明提供的风险预测系统可以运行风险预测模型,根据样本的实际得分来预测样本发生ACS的风险,高度风险和急性冠脉综合征关联度最大,其次是中度风险和轻度风险。风险等级越高,发生急性冠脉综合征的可能性越高。本发明的模型合理可靠,可以用于人群急性冠脉综合征初筛。
附图说明
图1为PCA的第一主成分和第二主成分解释所有样本结果。
图2为神经酰胺分子在Non-ACS和ACS组中分布的箱线图(现有技术z-score方法)。
具体实施方式
下面结合具体实施例,对本发明作进一步详细的阐述,下述实施例不用于限制本发明,仅用于说明本发明。以下实施例中所使用的实验方法如无特殊说明,实施例中未注明具体条件的实验方法,通常按照常规条件,下述实施例中所使用的材料、试剂等,如无特殊说明,均可从商业途径得到。
实施例1
(1)样本的收集
2mL EDTA紫头管采血,采血后30min内4℃离心得血浆,转移血浆样本至EP管中,置于-80℃冰箱冻存待用。
(2)质谱前样本的处理
血浆样本经蛋白沉淀后,振荡、离心取上清进样。
(3)质谱条件
A.色谱柱:Kinetex CER(d18:1/16:0)8(3.0×50mm,2.6μm);
B.流动相:
流动相A:水(含0.1%甲酸);
流动相B:乙腈/异丙醇(4/3,v/v;含0.1%甲酸);
C.色谱梯度:
E.离子源参数:
项目 | 参数 |
毛细管电压(V) | 3000(ESI+) |
喷嘴电压(V) | 500(ESI+) |
加热气温度(℃) | 300 |
加热气流速(L/min) | 7 |
雾化气压力(psi) | 45 |
鞘气温度(℃) | 320 |
鞘气流速(L/min) | 11 |
F.质谱参数:
G.仪器参数:
Qlife Lab 9000plus三重四极杆质谱仪(品生医学);
Qlife Lab 9000高效液相色谱系统(配G7167A自动进样器,品生医学);系统工作软件为MS quantitative analysis 10.0。
(4)质谱的数据处理
本实施例共收取3739个样本,包括非ACS(Non-ACS)样本2799个,ACS样本940个。
所有样本,Non-ACS样本和ACS样本的临床信息统计见表1.1。
表1.1样本临床信息统计表
注:数值型指标(比如年龄,总胆固醇,甘油三酯等等)采用中位数(25%分位数-75%分位数)格式表示,比如所有样本年龄中位数为64,25%分位数为58,71%分位数为71,在表格中表示为64(58-71)。missing:23表示所有样本组中有23个样本年龄信息缺失。
检测3739个样本的4个神经酰胺分子:Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z))。4个神经酰胺分子在Non-ACS的RSD(RelativeStandard Deviation,变异系数)的中位数为0.407,25%分位数为0.381,75%分位数为0.428。4个神经酰胺分子在ACS的RSD的中位数为0.405,25%分位数为0.372,75%分位数为0.439。
基于4个神经酰胺分子的检测浓度值再计算3个比值,分别是Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0)。所以,样本数据共有7个神经酰胺相关因子,分别是Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z))、Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0)。7个神经酰胺相关因子在样本中的统计信息见表1.2。
表1.2 7个神经酰胺相关因子在样本中的统计信息
在Non-ACS样本和ACS样本的显著性差异统计方法为使用非参数统计方法曼-惠特尼u检验(Mann-Whitney U Test),P值小于0.05说明分子具有统计显著性。表1.2中Non-ACS和ACS样本的统计p值为0表明是无限接近0,即非常显著。
基于7个神经酰胺相关因子的数据,使用PCA(Principal Component Analysis,主成分分析)方法对数据降维,提取最重要的2个主成分,也就是第一主成分和第二个主成分,使用这2个主成分可视化所有样本,见图1-2。第一主成分对数据的可解释度为47.8%,第二个主成分对数据可介绍度为36.2%,2个主成分对数据可解释度为84%,可解释度较高。
(5)模型构建及分析
使用6个神经酰胺相关因子构建急性冠脉综合征的风险预测模型,6个神经酰胺相关因子分别是Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:1(15z))、Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0)。Cer(d18:1/24:0)是作为分母计算得到3个神经酰胺相关因子比值,不直接加入风险预测模型。对所有人群样本分别计算6个神经酰胺相关因子的5个分位数值,分别是0%分位数(最小值),25%分位数,50%分位数(中位数),75%分位数,100%分位数(最大值)。结果见下表1.3。
表1.3 3739个人群大样本的6个神经酰胺相关因子的分位数值
神经酰胺相关因子 | 0% | 25% | 50% | 75% | 100% |
Cer(d18:1/16:0) | 0.07 | 0.171 | 0.21 | 0.258 | 0.66 |
Cer(d18:1/18:0) | 0.01 | 0.037 | 0.052 | 0.07 | 0.236 |
Cer(d18:1/24:0) | 0.245 | 1.669 | 2.168 | 2.804 | 8.603 |
Cer(d18:1/24:1(15z)) | 0.105 | 0.46 | 0.593 | 0.778 | 2.201 |
Cer(d18:1/16:0)/Cer(d18:1/24:0) | 0.041 | 0.079 | 0.095 | 0.116 | 0.669 |
Cer(d18:1/18:0)/Cer(d18:1/24:0) | 0.005 | 0.018 | 0.024 | 0.032 | 0.181 |
Cer(d18:1/24:1(15z))/Cer(d18:1/24:0) | 0.066 | 0.211 | 0.266 | 0.353 | 3.847 |
表1.3是基于3739个大样本数据的结果,可以反映真实人群样本这些神经酰胺分子的分布情况。
将表1.3作为神经酰胺相关因子的分子值参考区间,6个神经酰胺相关因子的风险预测模型构建过程如下:
定义n为人群样本总数,i=1,...,n,i表示第i个样本。首先,参考大样本数据,对样本i的6个分子值分别进行打分。每个神经酰胺相关因子打分结果是根据分子值落在参考区间位置计算得来的,具体步骤如下:
1)如果样本i的Cer(d18:1/16:0)分子的检测值小于参考区间Cer(d18:1/16:0)分子的50%分位数,赋予样本i得分为0;如果样本i的Cer(d18:1/16:0)分子的检测值大于等于50%分位数且小于75%分位数,赋予样本i得分为1;如果样本i的Cer(d18:1/16:0)分子的检测值大于等于参考区间Cer(d18:1/16:0)分子的75%分位数,赋予样本i得分为2。
2)如果样本i的Cer(d18:1/18:0)分子的检测值小于参考区间Cer(d18:1/18:0)分子的50%分位数,赋予样本i得分为0;如果样本i的Cer(d18:1/18:0)分子的检测值大于等于50%分位数且小于75%分位数,赋予样本i得分为1;如果样本i的Cer(d18:1/18:0)分子的检测值大于等于参考区间Cer(d18:1/18:0)分子的75%分位数,赋予样本i得分为2。
3)参照步骤1和步骤2依次计算样本i的Cer(d18:1/24:1(15z))、Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0)分子对应的得分。
实际上,得分0说明样本i的某个分子值低于50%人群,得分1说明某个分子值介于50%到75%人群,i得分2说明某个分子值高于75%人群。那么每个分子值只能取得分0,得分1和得分2中的一个值。对于样本i的6个分子最低得分是均为0分,最高得分是均为2分。
计算出样本i的6个分子得分后,将这些得分相加,相加的结果表示样本i的原始得分,公式如下:
原始得分=Cer(d18:1/16:0)score+Cer(d18:1/18:0)score
+Cer(d18:1/24:1(15z))score
+Cer(d18:1/16:0)/Cer(d18:1/24:0)score
+Cer(d18:1/18:0)/Cer(d18:1/24:0)score
+Cer(d18:1/24:1(15z))/Cer(d18:1/24:0)score
原始得分最小值为0,最大值为12,取值范围在[0,12]之间。定义原始风险区间范围:得分在[0,2](表示包括0-12的所有整数值,包括0和12)为ACS低风险,[3,6]为ACS轻度风险,[7,9]为ACS中度风险,[10,12]为ACS高度风险。上述划分范围实际上只考虑到2个临届点50%和75%分位数,每个风险区间得分数目较少,但是即使同一风险区间的2个样本其分子检测值可以有较大的差异,[0,12]无法反映这种差异。所以考虑加入更多的分位数临届点,将同一风险区间不同检测值更精准评估得分,继续将原始得分转换为0-100得分,记为实际得分。
将原始得分转换为0-100得分构建步骤是:
原始得分为0不做任何转换,实际得分为0。
首先对原始得分[1,12]中12个整数值赋予一个整数区间范围,1对应的区间范围为[1,8],2对应的区间范围为[9,17],3对应的区间范围为[18,25],4对应的区间范围为[26,34],5对应的区间范围为[35,42],6对应的区间范围为[43,51],7对应的区间范围为[52,59],8对应的区间范围为[60,68],9对应的区间范围为[69,76],10对应的区间范围为[77,84],11对应的区间范围为[85,92],12对应的区间范围为[93,100]。每个区间范围基本相同。
如果原始得分只来自一个神经酰胺相关因子,首先在步骤2找到当前原始得分对应的区间范围,比如1对应的区间范围[1,8]包括8个整数,其次在参考大样本区间表找到原始得分对应的区间检测值,比如得分1对应50%和75%分位数的检测值,对2个检测值由低(最小为50%分位数检测值)到高(最大为75%分位数检测值)划分8个相同的分位数区间,每个区间依次标记为[1,8]中的8个整数,最后观察当前分子检测值落在哪个区间,该区间的标记就是样本i最终的实际得分。
如果原始得分来自k(k>=2)个神经酰胺相关因子,首先在步骤2找到当前原始得分对应的区间范围,比如k=2时对应的区间范围为[9,17]包括9个整数。假设原始得分来自2个得分为1的神经酰胺相关因子(k=2),那么分别对参考区间表的2个神经酰胺相关因子50%-75%区间检测值由低到高划分9个相同分位数区间,并依次标记为[9,17]中9个整数,将2个分子检测值落在对应区间的标记值相加除以k(这里k=2),就是样本i的实际得分。
按照上述步骤可以将原始得分[0,12]转换为[0-100],这个过程实际上是对得分1和2的参考区间进一步划分相等区间范围,也可以理解为划分为相同的分位数,可以更好的衡量每个神经酰胺相关因子的检测值。
在[0-100]实际得分中,重新定义风险区间:得分在[0,17]为ACS低风险,[18,51]为ACS轻度风险,[52,76]为ACS中度风险,[77,100]为ACS高度风险。
实施例2风险预测模型的验证
参照实施例1风险预测模型预测的步骤,对3739个大样本重新计算所有样本的实际得分,并统计各组风险区间结果,见表2.1。
表2.1大样本4个风险区间对应的总样本数和ACS数目
总样本数 | ACS数目 | ACS在总样本数的占比 | |
低度风险 | 1267 | 137 | 0.108 |
轻度风险 | 1241 | 263 | 0.212 |
中度风险 | 739 | 272 | 0.368 |
高度风险 | 492 | 268 | 0.545 |
由表2.1可知,3739个样本中,低度风险样本数有1267个,其中ACS有137个,占比10.8%。轻度风险样本数有1241个,其中ACS有263个,占比21.2%。中度风险样本数有739个,其中ACS有272个,占比36.8%。高度风险样本数有492个,其中ACS有268个,占比54.5%。从4个风险区间和ACS占比来看,高度风险的ACS占比最大,其次是中度风险,轻度风险,低度风险。可见,风险预测模型可以根据样本的实际得分来预测样本发生ACS的风险,也进一步验证风险预测模型的可靠性。低度风险作为参考组,计算其余3个分组和急性冠脉综合征的关联度优势比(Odds Ratio,OR),轻度风险的OR为2.218,中度风险的OR为4.804,高度风险的OR为9.868。从OR结果也看出,高度风险和急性冠脉综合征关联度最大,其次是中度风险和轻度风险。进一步表明风险等级越高,发生急性冠脉综合征的可能性越高。综上,本文基于大样本神经酰胺数据提出的急性冠脉综合征风险预测模型合理可靠,可以作为人群急性冠脉综合征初筛的一种方法。并据此提供了急性冠状综合征的风险预测系统实体。
未来对新样本预测的风险等级过程:
1)检测4个神经酰胺分子,即Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z)),然后计算3个比值分子,即Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0)。
2)按照风险预测模型构建步骤预测新样本的原始得分;
3)将原始得分转换为实际得分;
4)根据实际得分,确定该样本所属风险区间。
实施例3无关样本验证
选择模型构建时所采用的样本以外的无关样本进行验证,分别选取28个ACS患者,41个健康人的数据,通过实施例1-2的方法进行运算,判断风险值,最终结果:28个ACS患者样本有21个高度风险,5个中度风险,2个轻度风险;41个健康样本有19个低度风险,15个轻度风险,7个中度风险。
表3.1无关样本4个风险区间对应的总样本数和ACS数目
总样本数 | ACS数目 | ACS在总样本数的占比 | |
低度风险 | 19 | 0 | 0 |
轻度风险 | 17 | 2 | 0.118 |
中度风险 | 12 | 5 | 0.417 |
高度风险 | 21 | 21 | 1 |
Claims (10)
1.一种风险预测模型运行模块,其特征在于,用于运行急性冠状综合征的风险预测模型;
所述的风险预测模型以4个神经酰胺分子的检测浓度值数据进行运算,所述的神经酰胺分子为Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z));
所述的风险预测模型运行模块包括计算组件、分析组件;
所述的计算组件用于计算所述的4个神经酰胺分子的检测浓度值数据的比值,所述的比值为:Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0);
所述的分析组件用于分析6个神经酰胺相关因子,所述的神经酰胺相关因子为Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z))、Cer(d18:1/16:0)/Cer(d18:1/24:0)、Cer(d18:1/18:0)/Cer(d18:1/24:0)和Cer(d18:1/24:1(15z))/Cer(d18:1/24:0)的值;
所述的分析组件中包括程序(1):预测样本原始得分的程序,和程序(2):原始得分转换程序,和程序(3):风险判定程序。
2.根据权利要求1所述的风险预测模型运行模块,其特征在于,所述的程序(1)用于运行原始得分计算方法;
所述的原始得分计算方法包括以下步骤:
A、人群中单个神经酰胺相关因子的值划分为分位数区间,即赋值区间:检测值由低到高进行顺序划分为赋值区间1-3,赋值区间1包括前50%人群数据,赋值区间2包括中间25%数据,赋值区间3包括后25%数据,即赋值区间1中的数据值小于赋值区间2中的数据值,赋值区间2中的数据值小于赋值区间3中的数据值;
B、赋值:样本值低于赋值区间1数据范围或样本值在赋值区间1范围得分记为0;样本值在赋值区间2得分记为X;样本值在赋值区间3得分记为Y且Y=2X;
C、6个神经酰胺相关因子各自按照步骤A和B进行记分,得分的和即为原始得分;原始得分区间为[0,6Y];所述的原始得分区间为整数区间,共包括13个数值,以X表示为:0、X、2X、3X、4X、5X、6X、7X、8X、9X、10X、11X、12X;
所述的程序(2)用于运行原始得分转换方法,由于原始得分区间中得分数目较少,转换方法根据原始范围区间放大为精准的标记值区间形成对应关系,程序(2)将原始得分根据标记值区间转换为实际得分;
所述的程序(3)根据程序(2)的转换结果按照设定的风险范围进行风险判断。
3.根据权利要求2所述的风险预测模型运行模块,其特征在于,所述的程序(2)运行的原始得分转换方法为:
D、将原始得分区间转换为标记值区间[1,Z],[1,Z]为整数区间,Z为整数,Z大于4倍的12X;
E、标记值区间划分:将[1,Z]从小到大依次划分为12个整数区间,记为区间4.1-4.12,且每个区间中的整数数量相差≤1,每个区间中的整数数量以N表示;
F、原始得分与标记值区间的映射关系:
1-区间4.1;X-区间4.2;...;12X-区间4.12;运行程序(2)根据原始得分的数值确定实际得分,程序(2)运行的方法为:
1)确定原始得分的神经酰胺相关因子来源,当某个神经酰胺相关因子赋值为0时,其不属于原始得分来源;
2)属于原始得分来源的每个神经酰胺相关因子分别进行独立实际得分的计算:神经酰胺相关因子的赋值根据步骤F确定标记值区间并确定其对应的N值;再根据步骤B确定赋值区间,将确定出的赋值区间参照步骤A由低到高进行顺序划分为N个范围相同的分位数区间,每个分位数区间顺序对应标记值区间由小到大的N个数;根据神经酰胺相关因子的赋值所在分位数区间确定标记值;
3)最终以标记值平均数作为最终的实际得分。
4.根据权利要求3所述的风险预测模型运行模块,其特征在于,所述的X为1,Y为2,Z为100。
5.根据权利要求3所述的风险预测模型运行模块,其特征在于,所述的区间4.1-4.12分别为[1,8]、[9,17]、[18,25]、[26,34]、[35,42]、[43,51]、[52,59]、[60,68]、[69,76]、[77,84]、[85,92]、[93,100]。
6.根据权利要求5所述的风险预测模型运行模块,其特征在于,所述的设定的风险范围包括ACS低风险、ACS轻度风险、ACS中度风险和ACS高度风险,所述的ACS低风险范围为[0,17],所述的ACS轻度风险范围为[18,51],所述的ACS中度风险范围为[52,76],所述的ACS高度风险范围为[77,100]。
7.权利要求1-6任一项所述的风险预测模型运行模块在构建急性冠状综合征的风险预测系统中的应用。
8.一种急性冠状综合征的风险预测系统,其特征在于,包括权利要求1-6任一项所述的风险预测模型运行模块。
9.根据权利要求8所述的风险预测系统,其特征在于,还包括:
数据采集模块,所述的数据采集模块用于测定样本中4个神经酰胺分子的质谱检测浓度值;
数据输入模块,所述的数据输入模块将数据采集模块采集的数据输入至风险预测模型运行模块;
数据输出模块,所述的数据输出模块用于输出风险预测模型运行模块的运算结果。
10.根据权利要求9所述的风险预测系统,其特征在于,操作流程为:
(1)使用数据采集模块检测4个神经酰胺分子浓度值,即Cer(d18:1/16:0)、Cer(d18:1/18:0)、Cer(d18:1/24:0)、Cer(d18:1/24:1(15z))的浓度值;
(2)使用数据输入模块将步骤(1)的结果输入风险预测模型运行模块;
(3)风险预测模型运行模块运行得到风险评估结果;
(4)数据输出模块输出急性冠状综合征的风险预测报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310437695.9A CN116500179B (zh) | 2023-04-21 | 2023-04-21 | 一种血浆中神经酰胺相关因子的原始得分计算及转换方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310437695.9A CN116500179B (zh) | 2023-04-21 | 2023-04-21 | 一种血浆中神经酰胺相关因子的原始得分计算及转换方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116500179A true CN116500179A (zh) | 2023-07-28 |
CN116500179B CN116500179B (zh) | 2023-12-26 |
Family
ID=87322426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310437695.9A Active CN116500179B (zh) | 2023-04-21 | 2023-04-21 | 一种血浆中神经酰胺相关因子的原始得分计算及转换方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116500179B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010034011A1 (en) * | 2000-02-09 | 2001-10-25 | Lisa Bouchard | System for aiding the selection of personnel |
CN104572989A (zh) * | 2015-01-06 | 2015-04-29 | 苏州智甄测评技术软件科技有限公司 | 一种辅助高中生选择大学专业的信息推荐方法及系统 |
US20150362513A1 (en) * | 2014-06-16 | 2015-12-17 | Zora Biosciences, Oy | Ceramides and their use in diagnosing cvd |
KR20210026711A (ko) * | 2019-09-02 | 2021-03-10 | 가톨릭대학교 산학협력단 | 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치 |
CN113533754A (zh) * | 2021-07-12 | 2021-10-22 | 北京市心肺血管疾病研究所 | 神经酰胺在制备用于评估高血压患者发生不良事件风险的试剂盒中的应用 |
CN113782177A (zh) * | 2020-12-02 | 2021-12-10 | 北京市心肺血管疾病研究所 | 一种用于鉴别诊断冠心病患者斑块稳定性的数据处理装置、系统 |
CN114062581A (zh) * | 2017-12-14 | 2022-02-18 | 江苏豪思生物科技有限公司 | 一种用于评估冠状动脉疾病的试剂盒 |
-
2023
- 2023-04-21 CN CN202310437695.9A patent/CN116500179B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010034011A1 (en) * | 2000-02-09 | 2001-10-25 | Lisa Bouchard | System for aiding the selection of personnel |
US20150362513A1 (en) * | 2014-06-16 | 2015-12-17 | Zora Biosciences, Oy | Ceramides and their use in diagnosing cvd |
CN104572989A (zh) * | 2015-01-06 | 2015-04-29 | 苏州智甄测评技术软件科技有限公司 | 一种辅助高中生选择大学专业的信息推荐方法及系统 |
CN114062581A (zh) * | 2017-12-14 | 2022-02-18 | 江苏豪思生物科技有限公司 | 一种用于评估冠状动脉疾病的试剂盒 |
KR20210026711A (ko) * | 2019-09-02 | 2021-03-10 | 가톨릭대학교 산학협력단 | 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치 |
CN113782177A (zh) * | 2020-12-02 | 2021-12-10 | 北京市心肺血管疾病研究所 | 一种用于鉴别诊断冠心病患者斑块稳定性的数据处理装置、系统 |
CN113533754A (zh) * | 2021-07-12 | 2021-10-22 | 北京市心肺血管疾病研究所 | 神经酰胺在制备用于评估高血压患者发生不良事件风险的试剂盒中的应用 |
Non-Patent Citations (1)
Title |
---|
FANGHUI LI ET AL: "Association Between Plasma Ceramides and One- Year Mortality in Patients with Acute Coronary Syndrome: Insight from the PEACP Study", CLINICAL INTERVENTIONS IN AGING, vol. 18, pages 571 - 584 * |
Also Published As
Publication number | Publication date |
---|---|
CN116500179B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10564146B2 (en) | Detection of risk of pre-eclampsia | |
Mian et al. | Serum proteomic fingerprinting discriminates between clinical stages and predicts disease progression in melanoma patients | |
Slot et al. | Heart-type fatty acid-binding protein in the early diagnosis of acute myocardial infarction: a systematic review and meta-analysis | |
JP2020515993A (ja) | 初期ステージの肺がん診断のための血漿ベースのタンパク質プロファイリング | |
JP4951752B2 (ja) | 易動度の正規化装置、正規化方法、正規化プログラムおよび自己組織化マップ、並びに、物質の検出方法、検出プログラム、検出ルール生成方法およびデータ構造 | |
JP6554087B2 (ja) | 測定分析物を使用する、疾患診断を改善するための方法 | |
CN112786204A (zh) | 一种机器学习糖尿病发病风险预测方法及应用 | |
US20180299448A1 (en) | Colorectal cancer screening method | |
CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
Lee et al. | Evaluation of coronary artery calcium progression in asymptomatic individuals with an initial score of zero | |
CN117074698B (zh) | 用于急性心肌梗死早期诊断的标志物组合、试剂盒、系统和用途 | |
CN112986454A (zh) | 急性心肌梗死的血清标志物、试剂盒和用途 | |
CN116500179B (zh) | 一种血浆中神经酰胺相关因子的原始得分计算及转换方法和系统 | |
US20110136241A1 (en) | Type ii diabetes molecular bioprofile and method and system of using the same | |
Shin et al. | Limitations of current screening methods for lipid disorders in Korean adolescents and a proposal for an effective detection method: a nationwide, cross-sectional study | |
CN113314211A (zh) | 一种基于粪便微生物标志物和人dna含量的结直肠癌风险评估的方法及应用 | |
JP2011007686A (ja) | 臨床検査結果の分析装置及び分析方法 | |
US20230253109A1 (en) | Cancer screening device and cancer screening method | |
WO2020112149A1 (en) | Methods and compositions for the assessment of acute myocardial infarction (ami) | |
CN116469541B (zh) | 一种抑郁症标志物及其在抑郁症预后中的应用、评估装置 | |
Luo et al. | Favorable factors for the survival of ST-segment elevation myocardial infarction patients with medium-and high-risk thrombolysis in myocardial infarction scores | |
Jiang et al. | Accelerated biological aging, cardiovascular risks, and cardiometabolic multimorbidity: a cohort study | |
JP2007240326A (ja) | 波形解析装置 | |
WO2023153635A1 (ko) | 머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치 | |
Yu et al. | The TriAGe+ score for vertigo or dizziness: A validation study in a university hospital emergency department in Hong Kong |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |