CN117373668A - 一种老年期痴呆发病风险预测模型建立方法 - Google Patents
一种老年期痴呆发病风险预测模型建立方法 Download PDFInfo
- Publication number
- CN117373668A CN117373668A CN202311394523.4A CN202311394523A CN117373668A CN 117373668 A CN117373668 A CN 117373668A CN 202311394523 A CN202311394523 A CN 202311394523A CN 117373668 A CN117373668 A CN 117373668A
- Authority
- CN
- China
- Prior art keywords
- risk
- dementia
- probability
- cox regression
- regression model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 29
- 206010039966 Senile dementia Diseases 0.000 title claims abstract description 29
- 238000013058 risk prediction model Methods 0.000 title claims description 6
- 206010012289 Dementia Diseases 0.000 claims abstract description 38
- 230000035945 sensitivity Effects 0.000 claims abstract description 11
- 238000000611 regression analysis Methods 0.000 claims description 9
- 208000001490 Dengue Diseases 0.000 claims description 4
- 206010012310 Dengue fever Diseases 0.000 claims description 4
- 208000025729 dengue disease Diseases 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 208000006011 Stroke Diseases 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003828 downregulation Effects 0.000 description 2
- 210000005259 peripheral blood Anatomy 0.000 description 2
- 239000011886 peripheral blood Substances 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 101150096316 5 gene Proteins 0.000 description 1
- 101150037123 APOE gene Proteins 0.000 description 1
- 102100026882 Alpha-synuclein Human genes 0.000 description 1
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 1
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 1
- 102100029470 Apolipoprotein E Human genes 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 101000834898 Homo sapiens Alpha-synuclein Proteins 0.000 description 1
- 108050006783 Synuclein Proteins 0.000 description 1
- 101150035267 TMEM108 gene Proteins 0.000 description 1
- 102100036709 Transmembrane protein 108 Human genes 0.000 description 1
- 101150062400 WWOX gene Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 201000007197 atypical autism Diseases 0.000 description 1
- 208000029560 autism spectrum disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001808 exosome Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000003827 upregulation Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供的一种老年期痴呆发病风险预测模型建立方法，所述建立方法包括：确定危险因素计分法；Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险；评价两种预测模型。危险因素计分法ROC的曲线下面积大于Cox回归模型概率法，并且危险因素计分法的特异度和灵敏度也优于Cox回归模型概率法。该结果提示危险因素计分法对老年期痴呆风险预测的效能更佳。
Description
技术领域
本发明涉及风险预测领域，尤其涉及一种老年期痴呆发病风险预测模型建立方法。
背景技术
老年痴呆病作为老年人常见的神经退行性疾病，疾病进展因人而异，部分患者随着疾病的进展可出现老年痴呆病认知障碍，其严重影响患者的生活质量，增加个人、家庭和社会的负担。
老年痴呆病轻度认知障碍是PD-CI的早期阶段，研究表明约有20％的PD患者在确诊时出现MCI症状，而在PD确诊5年后，该症状比例上升到40-50％。PD-MCI通常被认为是认知功能正常和老年痴呆病痴呆的过渡阶段，因此，早期预测并干预PD-MCI对减缓或预防患者痴呆具有重要意义。
相关技术中，对于PD-CI的研究相对较少，有研究发现GBA、APOE、RIMS2、TMEM108和WWOX基因突变与PD-CI相关，同时由这5个基因位点突变计算得到的多基因危险分数可用于预测PDD进展；还有研究指出脑脊液β淀粉样蛋白(Aβ42)浓度下调与PD-CI相关；以及外周血突触核蛋白基因(SNCA)表达量下调与PD认知退化相关；外周血血清外泌体miRNAhas-miRNA-451a的上调与PD-CI相关。但均未有任何任何报道指出对于动态预测PD-MCI的有效的标志物，并用于更早的发现或预见PD-CI的发生，增大治疗有效率。
发明内容
鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种老年期痴呆发病风险预测模型建立方法。
根据本发明的一个方面，提供了一种老年期痴呆发病风险预测模型建立方法，所述建立方法包括：
确定危险因素计分法；
Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险；
评价两种预测模型。
可选的，所述确定危险因素计分法具体包括：
以是否发生痴呆作为因变量，以多因素Cox回归分析中筛选出的有统计学意义的危险因素作为自变量；
Cox回归分析输出结果中回归系数的意义为自变量每增加一个等级个体所增加痴呆发病风险的相对危险度；
根据这一原理，确定以各变量的回归系数作为各变量记分的分值，所有变量分值的累加即为风险指数RI，即RI＝β1X1+β2X2+……βiXi，某一个体具有的危险因素越多，其RI越高，理论上其痴呆发生的风险越大。
可选的，所述Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险具体包括：
Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险，个体的发病概率越高，其痴呆发病风险越大；
P＝1－ho(t)exp(RI/100)，其中ho(t)表示X1＝X2＝…＝Xi＝0时t时刻的风险函数。
可选的，所述评价两种预测模型具体包括：
用灵敏度、特异度和ROC曲线的曲线下面积评价两种方法的效果，两种方法预测界值以约登指数最大时的值为标准，约登指数＝灵敏度+特异度-1。
可选的，所述老年期痴呆发病危险因素Cox回归模型分析具体包括：
对所选变量的PH假定用时协变量法检验；
所有入选变量均符合PH假定。
本发明提供的一种老年期痴呆发病风险预测模型建立方法，所述建立方法包括：确定危险因素计分法；Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险；评价两种预测模型。危险因素计分法ROC的曲线下面积大于Cox回归模型概率法，并且危险因素计分法的特异度和灵敏度也优于Cox回归模型概率法。该结果提示危险因素计分法对老年期痴呆风险预测的效能更佳。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。
图1为本发明实施例提供的RI用于痴呆发病风险筛查的ROC曲线图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例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。
本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。
下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。
如图1所示，分别用危险因素计分法和Cox回归模型概率法建立预测模型。
1)危险因素计分法
以是否发生痴呆作为因变量(是＝1，否＝0)，以多因素Cox回归分析中筛选出的有统计学意义的危险因素作为自变量(P<0.05为筛选危险因素的显著性界限)。Cox回归分析输出结果中回归系数的意义为自变量每增加一个等级个体所增加痴呆发病风险的相对危险度。根据这一原理，我们确定以各变量的回归系数(回归系数取小数点后一位)作为各变量记分的分值，所有变量分值的累加即为风险指数(RI)，即RI＝β1X1+β2X2+……βiXi，某一个体具有的危险因素越多，其RI越高，理论上其痴呆发生的风险越大。
2)Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险，个体的发病概率越高，其痴呆发病风险越大。
P＝1－ho(t)exp(RI/100)，其中ho(t)表示X1＝X2＝…＝Xi＝0时t时刻的风险函数。
3)两种预测模型的评价
用灵敏度、特异度和ROC曲线的曲线下面积(AUC)评价两种方法的效果，两种方法预测界值以约登指数最大时的值为标准，约登指数＝灵敏度+特异度-1。
步骤：
1，老年期痴呆发病危险因素Cox回归模型分析
1)比例风险(PH)假定
对所选变量的PH假定用时协变量法检验，结果见表1。经检验，所有入选变量均符合PH假定。
表1时依协变量模型PH假定检验
2，老年期痴呆单因素Cox回归分析
各研究因素及其哑变量的赋值方法见表2，单因素分析显示，老龄、女性、低教育程度、丧偶或未婚、吸烟、高血压、脑卒中史、COGSCORE得分较低、RELSCORE得分较高、较大的腰臀比和缺乏体育锻炼是老年期痴呆的危险因素，统计学检验差异具有显著性。
表2危险因素因素赋值方法
3，老年期痴呆多因素Cox回归分析
将单因素分析中有意义的变量：性别、教育程度、婚姻状态、高血压、脑卒中史、COGSCORE得分、RELSCORE得分、腰臀比和缺乏体育锻炼纳入多因素Cox回归模型。分析结果显示，老龄(90+,HR＝8.03,95％CI,2.36-14.23；70-74,HR＝1.06,95％CI,0.60-1.88,P<0.001)、现在吸烟(HR＝1.98,95％CI,1.53-3.12,P＝0.007)、脑卒中史(HR＝1.65,95％CI,1.19-2.25)、较大的WHR(HR＝1.82,95％CI,1.22-4.51)是老年期痴呆的危险因素，而较多的体育锻炼(HR＝0.98,95％CI,0.96-0.99)和较高的COGSCORE得分(HR＝0.96,95％CI,0.93-0.99)是老年期痴呆的保护因素，性别、婚姻状态、高血压和RELSCORE得分对痴呆发病的影响则不再有统计学意义。
5.老年期痴呆发病风险预测模型
1)危险因素计分法
对上述Cox多因素分析模型中筛选出的六个有意义的变量进行计分，Cox回归分析输出结果中回归系数β的意义为自变量每增加一个等级个体所增加痴呆。
发病的相对危险度。根据这一原理，我们确定以各变量的回归系数作为各变量记分的依据，为方便计算，以10倍的回归系数(回归系数取小数点后一位)作为各变量记分的分值Si。某一个体具有的危险因素越多，其累计的记分值越高，理论上其痴呆发病风险越大。因此，每个个体的累计风险分数(∑Si)，即风险指数，可表示个体罹患痴呆风险大小的一个连续性指标。具体赋值情况见表1-18。
个体风险指数计算公式：RI＝β1X1+β2X2+……βiXi，其中β为回归系数，X1、X2、……Xi为危险因素，本研究用各危险因素的赋分值为β的10倍。根据危险因素计分值，老年期痴呆RI计算公式如下：RI＝2(70-74岁)或10(75-79岁)或13(80-84岁)或16(85-89)或17(90岁及以上)+8(脑卒中病史)+5(吸烟)-5(体育锻炼)+32×腰臀比-6×COGSCORE，分类变量按照危险因素的出现。
情况加分，出现则加相应的因素分值，不出现者为0；连续变量则用因素分值和变量数值直接相乘。
RI分值范围为-283-129，为了计算方便，对RI值统一加400，最终范围为75-429。根据RI的百分位数35％和70％分组，各组样本数较均衡，将1835名样本按照RI分数分低、中、高危三组，痴呆发病风险随着RI的升高而升高，趋势卡方检验发病率差异具有显著性(P<0.001)。该结果提示，RI指数对本研究对象的痴呆发病风险进行分层，对高危人群进行筛查。
图1是RI对痴呆筛查的ROC曲线图，AUC为0.76，标准误为0.02，95％CI：0.73-0.80，AUC面积大于0.5，并且非参数检验有统计学意义(P<0.001)，提示RI可用于对痴呆发病风险的预测。以RI＝246做为判别阈值时(此时约登指数最大)，其筛查灵敏度为72.31％，特异度为63.39％。
2)Cox回归模型概率法
根据六个有统计学意义的危险因素建立Cox回归模型，Cox模型表达式为h(t)＝h0(t)exp(β1X1+β2X2+…+βiXi，式中X1、X2…Xi为协变量影响因素，h(t)为具有协变量X1、X2…Xi的个体在t时刻的风险函数，近似地表示t时刻的个体在t时刻之后一个单位时段内的发病概率；h0(t)为t的未知函数，即X1＝X2＝X3＝…＝Xi＝0时t时刻的风险函数，称为基准风险函数(baseline hazard),β1、β2…βi为各协变量所对应的回归系数。个体自基线以来的发病风险(绝对风险)计算公式为:P＝1－ho(t)exp(RI/100)，P值越大，表示痴呆发病风险概率越大。如表1-20所示，随着发病概率值的增大，痴呆发病率升高(趋势卡方检验，P<0.001)。
Cox回归模型概率法对痴呆筛查的ROC曲线图显示，AUC为0.73，标准误为0.02，95％CI:0.69-0.77，AUC面积大于0.5，并且非参数检验有统计学意义(P<0.001)。以RI＝0.09作为判别阈值时(此时约登指数最大)，其筛查灵敏度为71.62％，特异度为61.23％。
有益效果：综上，危险因素计分法ROC的曲线下面积大于Cox回归模型概率法，并且危险因素计分法的特异度和灵敏度也优于Cox回归模型概率法。该结果提示危险因素计分法对老年期痴呆风险预测的效能更佳。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种老年期痴呆发病风险预测模型建立方法，其特征在于，所述建立方法包括：
确定危险因素计分法；
Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险；
评价两种预测模型。
2.根据权利要求1所述的一种老年期痴呆发病风险预测模型建立方法，其特征在于，所述确定危险因素计分法具体包括：
以是否发生痴呆作为因变量，以多因素Cox回归分析中筛选出的有统计学意义的危险因素作为自变量；
Cox回归分析输出结果中回归系数的意义为自变量每增加一个等级个体所增加痴呆发病风险的相对危险度；
根据这一原理，确定以各变量的回归系数作为各变量记分的分值，所有变量分值的累加即为风险指数RI，即RI＝β1X1+β2X2+……βiXi，某一个体具有的危险因素越多，其RI越高，理论上其痴呆发生的风险越大。
3.根据权利要求1所述的一种老年期痴呆发病风险预测模型建立方法，其特征在于，所述Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险具体包括：
Cox回归模型概率法以Cox回归模型的发病概率P表示个体痴呆发病的风险，个体的发病概率越高，其痴呆发病风险越大；
P＝1－ho(t)exp(RI/100)，其中ho(t)表示X1＝X2＝…＝Xi＝0时t时刻的风险函数。
4.根据权利要求1所述的一种老年期痴呆发病风险预测模型建立方法，其特征在于，所述评价两种预测模型具体包括：
用灵敏度、特异度和ROC曲线的曲线下面积评价两种方法的效果，两种方法预测界值以约登指数最大时的值为标准，约登指数＝灵敏度+特异度-1。
5.根据权利要求1所述的一种老年期痴呆发病风险预测模型建立方法，其特征在于，所述老年期痴呆发病危险因素Cox回归模型分析具体包括：
对所选变量的PH假定用时协变量法检验；
所有入选变量均符合PH假定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311394523.4A CN117373668A (zh) | 2023-10-25 | 2023-10-25 | 一种老年期痴呆发病风险预测模型建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311394523.4A CN117373668A (zh) | 2023-10-25 | 2023-10-25 | 一种老年期痴呆发病风险预测模型建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117373668A true CN117373668A (zh) | 2024-01-09 |
Family
ID=89403726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311394523.4A Pending CN117373668A (zh) | 2023-10-25 | 2023-10-25 | 一种老年期痴呆发病风险预测模型建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117373668A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881591A (zh) * | 2015-06-25 | 2015-09-02 | 贾建平 | 认知障碍数据处理方法以及处理系统 |
| US20200027557A1 (en) * | 2018-02-28 | 2020-01-23 | Human Longevity, Inc. | Multimodal modeling systems and methods for predicting and managing dementia risk for individuals |
| CN114023452A (zh) * | 2021-11-10 | 2022-02-08 | 中国科学院心理研究所 | 一种筛查认知障碍高风险的多维预警模型构建方法及其评估系统 |
| CN114068021A (zh) * | 2021-11-12 | 2022-02-18 | 南京安睡科技有限公司 | 预测痴呆风险的风险因素组合及其构建而成的痴呆风险评分预测模型 |
| CN114242251A (zh) * | 2022-02-09 | 2022-03-25 | 山东第一医科大学附属省立医院(山东省立医院) | 计算痴呆发生风险的简易模型及其应用 |
| CN114242252A (zh) * | 2022-02-09 | 2022-03-25 | 山东第一医科大学附属省立医院(山东省立医院) | 一种预测痴呆发生风险的模型及其应用 |
| CN114822850A (zh) * | 2022-05-11 | 2022-07-29 | 杭州青果医疗科技有限责任公司 | 预测痴呆症或轻度认知障碍的系统 |
| US20230026703A1 (en) * | 2020-02-05 | 2023-01-26 | Eliahu Yosef WERTMAN | System and method for identifying treatable and remediable factors of dementia and aging cognitive changes |
| CN116504403A (zh) * | 2023-04-23 | 2023-07-28 | 青岛市第三人民医院 | 一种预测轻度认知功能障碍的高风险因素的方法 |
-
2023
- 2023-10-25 CN CN202311394523.4A patent/CN117373668A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881591A (zh) * | 2015-06-25 | 2015-09-02 | 贾建平 | 认知障碍数据处理方法以及处理系统 |
| US20200027557A1 (en) * | 2018-02-28 | 2020-01-23 | Human Longevity, Inc. | Multimodal modeling systems and methods for predicting and managing dementia risk for individuals |
| US20230026703A1 (en) * | 2020-02-05 | 2023-01-26 | Eliahu Yosef WERTMAN | System and method for identifying treatable and remediable factors of dementia and aging cognitive changes |
| CN114023452A (zh) * | 2021-11-10 | 2022-02-08 | 中国科学院心理研究所 | 一种筛查认知障碍高风险的多维预警模型构建方法及其评估系统 |
| CN114068021A (zh) * | 2021-11-12 | 2022-02-18 | 南京安睡科技有限公司 | 预测痴呆风险的风险因素组合及其构建而成的痴呆风险评分预测模型 |
| CN114242251A (zh) * | 2022-02-09 | 2022-03-25 | 山东第一医科大学附属省立医院(山东省立医院) | 计算痴呆发生风险的简易模型及其应用 |
| CN114242252A (zh) * | 2022-02-09 | 2022-03-25 | 山东第一医科大学附属省立医院(山东省立医院) | 一种预测痴呆发生风险的模型及其应用 |
| CN114822850A (zh) * | 2022-05-11 | 2022-07-29 | 杭州青果医疗科技有限责任公司 | 预测痴呆症或轻度认知障碍的系统 |
| CN116504403A (zh) * | 2023-04-23 | 2023-07-28 | 青岛市第三人民医院 | 一种预测轻度认知功能障碍的高风险因素的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Garno et al. | Impact of childhood abuse on the clinical course of bipolar disorder | |
| Kivipelto et al. | Midlife vascular risk factors and late-life mild cognitive impairment: a population-based study | |
| Grucza et al. | Personality and depressive symptoms: a multi-dimensional analysis | |
| Galluzzi et al. | Distinctive clinical features of mild cognitive impairment with subcortical cerebrovascular disease | |
| Chui et al. | Cognitive impact of subcortical vascular and Alzheimer's disease pathology | |
| Marengoni et al. | Socioeconomic status during lifetime and cognitive impairment no-dementia in late life: the population-based aging in the Chianti Area (InCHIANTI) Study | |
| Corey‐Bloom et al. | Clinical features distinguishing large cohorts with possible AD, probable AD, and mixed dementia | |
| Kurushima et al. | Genetic and environmental contributions to the association between mood disorder and periodontal disease: A cross‐sectional study among female twins in the UK | |
| He et al. | Long term neuropsychiatric consequences in COVID-19 survivors: Cognitive impairment and inflammatory underpinnings fifteen months after discharge | |
| Sasaki et al. | Prevalence of four subtypes of mild cognitive impairment and APOE in a Japanese community | |
| Hamilton et al. | Factors related to the outcome of depression treated with ECT | |
| Tolea et al. | A modified CAIDE risk score as a screening tool for cognitive impairment in older adults | |
| Song et al. | Association between depression and cardiovascular disease risk in general population of Korea: results from the Korea National Health and Nutrition Examination Survey, 2016 | |
| Zurayk et al. | Measures of social class based on education for use in health studies in developing countries. | |
| Goodwill et al. | Robust norms for neuropsychological tests of verbal episodic memory in Australian women. | |
| Veteleanu et al. | Alzheimer’s disease-associated complement gene variants influence plasma complement protein levels | |
| Sun et al. | Plasma β-amyloid, tau, neurodegeneration biomarkers and inflammatory factors of probable Alzheimer’s disease dementia in Chinese individuals | |
| Ashrafi et al. | Leukocyte telomere length is unrelated to cognitive performance among non-demented and demented persons: an examination of long life family study participants | |
| CN117373668A (zh) | 一种老年期痴呆发病风险预测模型建立方法 | |
| Rovčanin Dragović et al. | Inflammation-related microRNAs-146a and-155 are upregulated in mild cognitive impairment subjects among older age population in Montenegro | |
| Al-Daghri et al. | Association of Type 2 Diabetes Mellitus related SNP genotypes with altered serum adipokine levels and metabolic syndrome phenotypes | |
| Kaprio et al. | Narcolepsy‐like symptoms among adult twins | |
| McDonald et al. | Factors influencing reported rates of treated end-stage renal disease | |
| Mann et al. | Genetic Liability, Exposure Severity, and Post-Traumatic Stress Disorder Predict Cognitive Impairment in World Trade Center Responders | |
| Wang et al. | Smaller head circumference combined with lower education predicts high risk of incident dementia: The Shanghai Aging Study |
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 |