CN117672506A - 培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法 - Google Patents

培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法 Download PDF

Info

Publication number
CN117672506A
CN117672506A CN202310838465.3A CN202310838465A CN117672506A CN 117672506 A CN117672506 A CN 117672506A CN 202310838465 A CN202310838465 A CN 202310838465A CN 117672506 A CN117672506 A CN 117672506A
Authority
CN
China
Prior art keywords
chemotherapy
model
regimen
bone marrow
risk
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
CN202310838465.3A
Other languages
English (en)
Inventor
张玉
伍三兰
刘亚妮
黄怡菲
龚卫静
曹鹏
师少军
胡艳珂
杨玉
李强
张蕊
徐双兵
伍钢
董晓荣
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.)
Tongji Medical College of Huazhong University of Science and Technology
Original Assignee
Tongji Medical College of Huazhong University of Science and Technology
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 Tongji Medical College of Huazhong University of Science and Technology filed Critical Tongji Medical College of Huazhong University of Science and Technology
Priority to CN202310838465.3A priority Critical patent/CN117672506A/zh
Publication of CN117672506A publication Critical patent/CN117672506A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/24323Tree-organised classifiers
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)

Abstract

本发明涉及培美曲塞化疗后肾脏与骨髓抑制风预测模型,通过收集历史临床资料,并进行分析,最终建立预测模型;主要步骤依次是采用回顾性队列研究方法收集临床资料并整理筛选、对筛选过的数据进行插补和基线分析,确定影响因素并进行重要性排序,建立风险预测模型公式、对预测模型进行验证。本发明通过收集历史临床数据,科学合理地建立预测模型,预测更精确;通过分析得出化疗后不良反应风险的影响因素,并对其重要性进行排序,便于采取预防性干预措施,选择合适的化疗方案;通过结合风险评估后选择的化疗方案,可以有效减少化疗后不良反应的发生,有利于患者健康,也有利于减少发生不良反应后带来的经济负担。

Description

培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法
本申请是母案申请号为CN202110229968.1,发明名称为培美曲塞化疗后不良反应发生风险预测模型及其构建方法,申请日为2021-03-02的中国发明专利的分案申请。
技术领域
本发明属于医疗安全管理技术领域,尤其涉及培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法。
背景技术
治疗风险预测是医疗安全管理系统中极为重要的一环。根据积累的病况数据进行整理分析,总结出风险预测的方法,可以有效评估和选择治疗手段。
肺癌是世界上最为常见的恶性肿瘤之一,肺癌按照细胞类型分为非小细胞肺癌和小细胞肺癌(15%)。非小细胞肺癌有三个主要的亚型为腺癌(40%)、鳞状细胞癌(30%)和大细胞癌(15%)。依据类型不同其治疗和预后也不同。我国非小细胞肺癌约占所有肺癌的85%,而约75%的患者发现时处于中晚期,已丧失外科手术干预的机会,年龄矫正后的5年生存率只有16.1%。随着肺癌药物治疗的不断进展,分子靶向药物和免疫治疗药物的出现,非小细胞肺癌患者的治疗选择已得到大大改善,但这2类药物对患者有一定的选择,且随着时间的推移,患者也会对靶向药物和免疫治疗药物产生耐药性。因此,化疗仍然是非小细胞肺癌的主要治疗手段,其肿瘤缓解率约为40%-50%。
化疗作为肺癌的常用综合治疗方案之一,起到延长患者生命、改善患者生活治量的作用。但由于化疗药物的固有药理特性,在杀死肿瘤细胞的同时,人体的正常功能细胞也会产生相应的毒副作用。
比如肝脏作为多种药物的代谢靶器官,也是多种药物的毒性靶器官。多种化疗药物均可影响患者的肝功能,部分药物具有剂量依赖性,降低单次化疗剂量可降低其发生率,但同时也会影响其化疗效果。化疗药物导致的肝损伤主要表现为肝细胞功能紊乱与化学性肝炎,慢性肝纤维化等,部分药物可引起急性肝功能异常,进而发展为肝细胞坏死、胆汁淤积等。临床处理化疗所致肝毒性的治疗原则主要为停用引起肝毒性的化疗药物,及使用护肝药物及对症支持治疗,影响化疗效果的同时也额外增加了患者治疗的经济负担。
又比如对于晚期NSCLC患者中EGFR敏感基因突变阴性、ALK融合基因阴性或突变状况不明的患者,应尽早的开始化疗,而含铂双药化疗方案是其首选治疗方案。培美曲塞作为具有同药维持治疗及换药维持治疗循证医学证据的一线化疗药物和二线化疗药物,其联合铂类的化疗方案已成为临床常用的针对晚期NSCLC患者的化疗方案。但培美曲塞是一种多靶点抗叶酸化疗药物,其在抑制肿瘤生长的同时,常常会导致骨髓抑制及肝肾损伤,不仅影响肺癌的治疗,还会降低患者的生存质量,严重者甚至危及生命。铂类药物作为非周期特异性细胞毒药物,在杀灭肿瘤细胞的同时,对人体正常的造血细胞亦有不同程度的损害。因此,如通过真实世界研究,提前预测骨髓抑制及肝肾毒性的发生,降低其风险,将极大的降低患者疾病负担。然而,目前的研究主要集中在肺癌疗效的预测方面,对化疗后肝肾损伤及骨髓抑制毒性的研究及预测相对较少。
如公开号为CN108021941B的一种药物肝毒性预测方法及装置,方法包括获取待测药物数据后,根据预设的分类器组对待测药物数据进行分类,获得多个初始分类结果;再基于多个初始分类结果及预设的投票策略规则,获得分类结果,分类结果表示待测药物数据的肝毒性。通过预设的分类器组和投票策略对药物数据进行分类的方式,获得药物数据的肝毒性,提高预测效率、预测精度,适应了制药行业的未来发展需求,能为制药行业带来开发周期和开发成本的更有效控制。
但是,这种检测肝毒性的方法是直接基于待测药物数据所得的,待测的药物数据并未公开,且直接根据药物的成分、配比等数据判断肝毒性无疑是一种初步的手段,其并未结合临床实验,结果的准确性无法保证;不能针对可能发生的不良反应采取预防性干预措施;无法选择合适的化疗方案或药物来减少不良反应的发生。
发明内容
针对上述问题,本发明提供培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法,主要解决了现有技术中无法准确评估化疗后发生不良反应的风险、无法选择合适的化疗方案、无法针对培美曲塞联合铂类化疗进行选药和用量等问题。
为了解决上述问题,本发明采用如下技术方案:
培美曲塞化疗后肾损伤发生风险的预测模型,基于获得的模型指标,筛出至少9个关键模型指标,分别代入化疗后肾损伤发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=5.832+αx1-0.413x2-0.952x3+0.758x4-0.052x5-0.086x6+0.09x7-0.002x8-0.009x9+mxn
其中x1为化疗方案关联值,x2为肾损伤前使用维生素B12关联值,x3为化疗前使用止痛药物关联值,x4为化疗次数,x5为化疗前eGFR水平值,x6为化疗前白细胞水平值,x7为化疗前中性粒细胞水平值,x8为化疗前天门冬氨酸氨基酸转移酶水平值,x9为化疗前肌酐水平值,xn是第n个模型指标,n≥10,m是第n个模型指标的公式系数;
化疗方案选用奈达铂时,α=0;
化疗方案选用卡铂时,α=-0.382;
化疗方案选用洛铂时,α=-1.147;
化疗方案选用顺铂时,α=0.157。
培美曲塞化疗后肾损伤发生风险的预测模型的构建方法,包括下述步骤
收集病例信息;
数据统计分析:
基于收集的病例信息,进行数据插补和基线分析,获取化疗后发生肾损伤的影响因素,获得模型指标;
建立预测模型:
基于获得的模型指标,筛出至少9个关键模型指标,建立化疗后肾损伤发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=5.832+αx1-0.413x2-0.952x3+0.758x4-0.052x5-0.086x6+0.09x7-0.002x8-0.009x9
其中x1为化疗方案关联值,x2为肾损伤前使用维生素B12关联值,x3为化疗前使用止痛药物关联值,x4为化疗次数,x5为化疗前eGFR水平值,x6为化疗前白细胞水平值,x7为化疗前中心粒细胞水平值,x8为化疗前天门冬氨酸氨基酸转移酶水平值,x9为化疗前肌酐水平值;
化疗方案选用奈达铂时,α=0;
化疗方案选用卡铂时,α=-0.382;
化疗方案选用洛铂时,α=-1.147;
化疗方案选用顺铂时,α=0.157。
其中,数据插补:对于数据缺失>20%的指标删除,缺失<20%的进行数据多重插补;基线分析:分类型数据采用卡方检验,如果有频数≤5则采用Fisher检验;连续性数据如果正态则为方差分析;连续性数据如果非正态则采用秩和检验;双侧检验,获得显著水平。
培美曲塞化疗后骨髓抑制发生风险的预测模型,基于获得的模型指标,筛出至少10个关键模型指标,分别代入化疗后骨髓抑制发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=16.323+αx1+0.388x2+0.525x3-1.067x4-1.105x5+1.322x6-0.063x7-0.003x8+0.002x9-0.06x10+mxn
其中x1为化疗方案关联值,x2为肝功能关联值,x3为骨髓抑制前使用维生素B12关联值,x4为骨髓抑制前使用血液用药关联值,x5为骨髓抑制前使用止痛药关联值,x6为骨髓抑制前就诊次数,x7为化疗前血红蛋白水平值,x8为化疗前血小板水平值,x9为化疗前碱性磷酸酶水平值,x10为化疗前钠水平值,xn是第n个模型指标,n≥11,m是第n个模型指标的公式系数;
化疗方案选用奈达铂时,α=0;
化疗方案选用卡铂时,α=-0.171;
化疗方案选用洛铂时,α=-0.029;
化疗方案选用顺铂时,α=0.454。
培美曲塞化疗后骨髓抑制发生风险的预测模型的构建方法,包括下述步骤
收集病例信息;
数据统计分析:
基于收集的病例信息,进行数据插补和基线分析,获取化疗后发生骨髓抑制的影响因素,获得模型指标;
建立预测模型:
基于获得的模型指标,筛出至少10个关键模型指标,建立化疗后骨髓抑制发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=16.323+αx1+0.388x2+0.525x3-1.067x4-1.105x5+1.322x6-0.063x7-0.003x8+0.002x9-0.06x10+mxn
其中x1为化疗方案关联值,x2为肝功能关联值,x3为骨髓抑制前使用维生素B12关联值,x4为骨髓抑制前使用血液用药关联值,x5为骨髓抑制前使用止痛药关联值,x6为骨髓抑制前就诊次数,x7为化疗前血红蛋白水平值,x8为化疗前血小板水平值,x9为化疗前碱性磷酸酶水平值,x10为化疗前钠水平值,xn是第n个模型指标,n≥11,m是第n个模型指标的公式系数;
化疗方案选用奈达铂时,α=0;
化疗方案选用卡铂时,α=-0.171;
化疗方案选用洛铂时,α=-0.029;
化疗方案选用顺铂时,α=0.454。
其中,数据插补:对于数据缺失>20%的指标删除,缺失<20%的进行数据多重插补;基线分析:分类型数据采用卡方检验,如果有频数≤5则采用Fisher检验;连续性数据如果正态则为方差分析;连续性数据如果非正态则采用秩和检验;双侧检验,获得显著水平。
本发明的有益效果是:
1.根据历史临床数据,科学、合理地建立预测模型,为患者采用培美曲塞联合铂类化疗提供理论和实践参考,准确度更高;
2.针对化疗后的不良反应采取预防性干预措施,选择合适的化疗方案;
3.风险评估后选择的化疗方案可以有效减少不良反应的发生,有利于病人的身体健康,也在一定程度上减少不良反应风险带来的经济负担。
附图说明
图1为本发明中肾损伤预测模型指标重要性的决策树图;
图2为本发明中肾损伤预测模型的训练集和验证集ROC曲线图;
图3为本发明中肾损伤预测模型的列线图;
图4为本发明中肾损伤预测模型的分区散点图;
图5为本发明中骨髓抑制预测模型指标重要性的决策树图;
图6为本发明中骨髓抑制预测模型的训练集和验证集ROC曲线图;
图7为本发明中骨髓抑制预测模型的列线图;
图8为本发明中骨髓抑制预测模型的分区散点图。
具体实施方式
下面结合具体的研究实例对本发明做进一步说明。
实施例1
培美曲塞化疗后肾损伤发生风险预测模型及其构建方法,相关步骤可参考CN112951423A中实施例1,本实施例1主要叙述与CN112951423A中实施例1的不同之处。通过病历资料收集,采用回顾性研究方法,建立肺癌患者临床研究数据库,提取患者基本情况、化疗药物,以及相关的检验检查指标,根据eGFR分级统计发生肾损伤与未发生肾损伤的差异。应用R语言软件统计分析,采用单因素及多因素Logistic回归分析,确定使用培美曲塞化疗肺癌患者发生肾损伤的独立危险因素,并建立风险预测模型,为临床尽早采取干预措施或选择合适的化疗方案,降低不良反应的发生率提供指导。
1.信息收集:
纳入已有肺癌患者病例23805例,筛选出使用培美曲塞+顺铂/卡铂/奈达铂/洛铂方案治疗患者2661例,排除肾损伤评价指标缺失和筛选指标缺失超过35%人群,最后纳入2507例。
2.数据插补:
对于数据缺失>20%的指标删除,缺失<20%的进行数据多重插补。
3.基线分析:
分类型数据采用卡方检验,如果有频数≤5则采用Fisher检验;连续性数据如果正态则为方差分析;连续性数据如果非正态则采用秩和检验;双侧检验,显著水平为0.05。
4.单因素分析:
数据集按照3:1随机拆分为训练集和验证集,并分别做单因素分析。
5.交叉验证指标筛选:
对训练集做10折交叉验证,确定超参数-建模指标个数;当采用4~15个指标建模时,交叉验证错误率都处在较低水平。
6.建立预测模型:
全变量纳入模型后,向前向后逐步回归,得到的模型再去除不显著且对预测结果影响小的指标,得到最终的模型,基于获得的模型指标,筛出至少9个关键模型指标,建立化疗后肾损伤发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=5.832+αx1-0.413x2-0.952x3+0.758x4-0.052x5-0.086x6+0.09x7-0.002x8-0.009x9
其中x1为化疗方案关联值,x2为肾损伤前使用维生素B12关联值,x3为化疗前使用止痛药物关联值,x4为化疗次数,x5为化疗前eGFR水平值,x6为化疗前白细胞水平值,x7为化疗前中心粒细胞水平值,x8为化疗前天门冬氨酸氨基酸转移酶水平值,x9为化疗前肌酐水平值;
其中,x2-x3取值为0或1,具体为使用对应药物取值1,未使用对应药物取0;
x1、x4-x9取具体指标数值;
化疗方案选用奈达铂时,α=0;
化疗方案选用卡铂时,α=-0.382;
化疗方案选用洛铂时,α=-1.147;
化疗方案选用顺铂时,α=0.157;
包含指标有:化疗方案,肾损伤前维生素B12,引起肾损伤的止痛药物,化疗次数,化疗前eGFR,白细胞,中性粒细胞,天门冬氨酸氨基转移酶,肌酐值。
使用培美曲塞化疗肺癌患者发生肾损伤预测模型的多因素分析,具体数值如下表(表1)所示:
7.指标重要性排序:
训练集中,对参与建模的指标排序。
如图1和图3所示,eGFR在建模中最重要,其次为血肌酐值,中性粒细胞数,白细胞数,天门冬氨酸氨基转移酶,化疗次数,化疗方案,维生素B12,合用止痛药物。
8.训练集ROC:
如图2所示,对模型画ROC曲线,AUC=0.844(0.825-0.863)。
9.验证集ROC:
如图2所示,在训练集模型评价ROC基础上,添加验证集的ROC;
其AUC=0.858(0.832-0.884),测试集和验证集ROC两者没有显著差异(p=0.403)。
10.分区散点图,如图4所示。
11.训练集和验证集的人群,模型给出预测概率见下表(表2):
当P值<0.698时,预测不发生肾损伤,当P>0.698时,预测发生肾损伤。该预测模型的准确率为76.1%,误分类率为23.9%,敏感性为73.6%,特异性为81.3%,阳性预测值为89%,阴性预测值为60%,该模型总体准确性良好。
实施例2
培美曲塞化疗后骨髓抑制发生风险预测模型及其构建方法,相关步骤可参考CN112951423A中实施例1,本实施例2主要叙述与CN112951423A中实施例1的不同之处。通过病历资料收集,采用回顾性研究方法,建立肺癌患者临床研究数据库,提取患者基本情况、化疗药物,以及相关的检验检查指标。应用R语言软件统计分析,采用单因素及多因素Logistic回归分析,确定使用培美曲塞化疗肺癌患者发生骨髓抑制的独立危险因素,并建立风险预测模型,为临床尽早采取干预措施或选择合适的化疗方案,降低不良反应的发生率提供指导。骨髓抑制判断标准:白细胞<4×109g/L,中性粒细胞<2×109g/L,血小板<100×109g/L,血红蛋白<110g/L,四者出现其一,即判定为发生骨髓抑制。
1.信息收集:
纳入已有肺癌患者病例,筛选出使用培美曲塞+顺铂/卡铂/奈达铂/洛铂方案治疗患者2661例,排除肾损伤评价指标缺失和筛选指标缺失超过35%人群,最后纳入2507例。
2.数据插补:
对于数据缺失>20%的指标删除,缺失<20%的进行数据多重插补。
3.基线分析:
分类型数据采用卡方检验,如果有频数≤5则采用Fisher检验;连续性数据如果正态则为方差分析;连续性数据如果非正态则采用秩和检验;双侧检验,显著水平为0.05。
4.单因素分析:
数据集按照3:1随机拆分为训练集和验证集,并分别做单因素分析。
5.交叉验证指标筛选:
对训练集做10折交叉验证,确定超参数-建模指标个数;当采用4~15个指标建模时,交叉验证错误率都处在较低水平。
6.建立预测模型:
全变量纳入模型后,向前向后逐步回归,得到的模型再去除不显著且对预测结果影响小的指标,得到最终的模型,基于获得的模型指标,筛出至少10个关键模型指标,建立化疗后骨髓抑制发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=16.323+αx1+0.388x2+0.525x3-1.067x4-1.105x5+1.322x6-0.063x7-0.003x8+0.002x9-0.06x10,其中x1为化疗方案关联值,x2为肝功能关联值,x3为骨髓抑制前使用维生素B12关联值,x4为骨髓抑制前使用血液用药关联值,x5为骨髓抑制前使用止痛药关联值,x6为骨髓抑制前就诊次数,x7为化疗前血红蛋白水平值,x8为化疗前血小板水平值,x9为化疗前碱性磷酸酶水平值,x10为化疗前钠水平值;
其中,x2-x5取值为0或1,具体为使用对应药物或肝功能不全取值1,未使用对应药物或肝功能正常取0;
x1、x6-x10取具体指标数值;
化疗方案选用奈达铂时,α=0;
化疗方案选用卡铂时,α=-0.171;
化疗方案选用洛铂时,α=-0.029;
化疗方案选用顺铂时,α=0.454。
包括指标:化疗方案,肝功能不全,骨髓抑制前维生素B12,骨髓抑制前血液用药,骨髓抑制止吐药,骨髓抑制前就诊次数,化疗前血红蛋白,化疗前血小板,化疗前碱性磷酸酶,化疗前钠。
使用培美曲塞化疗肺癌患者发生骨髓抑制预测模型的多因素分析,具体数值如下表(表3)所示:
7.指标重要性排序:
如图5和图7所示,训练集中,对参与建模的指标排序。骨髓抑制前就诊次数在建模中最重要,其次为化疗前血红蛋白,化疗前血小板,化疗前碱性磷酸酶,骨髓抑制前维生素B12,化疗前钠,骨髓抑制止吐药,化疗方案,肝功能不全,骨髓抑制前血液用药。
8.训练集ROC:
如图6所示,对模型画ROC曲线,AUC=0.91(0.895-0.925)。
9.验证集ROC:
如图6所示,在训练集模型评价ROC基础上,添加验证集的ROC,AUC=0.907(0.885-0.93),测试集和验证集ROC两者没有显著差异(p=0.839)。
10.分区散点图,如图8所示。
11.训练集和验证集的人群,模型给出预测概率见下表(表4):
当P值<0.615时,预测不发生骨髓抑制,当P>0.615时,预测发生骨髓抑制。该预测模型的准确率为83.5%,误分类率为16.5%,敏感性为83.6%,特异性为83.3%,阳性预测值为90.2%,阴性预测值为73.4%,该模型总体准确性良好。
本领域的技术人员可以明确,在不脱离本发明的总体精神以及构思的情形下,可以做出对于以上实施例的各种变型。其均落入本发明的保护范围之内。本发明的保护方案以本发明所附的权利要求书为准。

Claims (6)

1.培美曲塞化疗后肾损伤发生风险的预测模型,其特征在于:基于获得的模型指标,筛出至少9个关键模型指标,分别代入化疗后肾损伤发生风险预测模型公式获得风险评分
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=5.832+αx1-0.413x2-0.952x3+0.758x4-0.052x5-0.086x6+0.09x7-0.002x8-0.009x9+mxn
其中x1为化疗方案关联值,x2为肾损伤前使用维生素B12关联值,x3为化疗前使用止痛药物关联值,x4为化疗次数,x5为化疗前eGFR水平值,x6为化疗前白细胞水平值,x7为化疗前中性粒细胞水平值,x8为化疗前天门冬氨酸氨基酸转移酶水平值,x9为化疗前肌酐水平值,xn是第n个模型指标,n≥10,m是第n个模型指标的公式系数;
化疗方案选用奈达铂时,α=0,
化疗方案选用卡铂时,α=-0.382,
化疗方案选用洛铂时,α=-1.147,
化疗方案选用顺铂时,α=0.157。
2.培美曲塞化疗后肾损伤发生风险的预测模型的构建方法,其特征在于:包括下述步骤
收集病例信息;
数据统计分析:
基于收集的病例信息,进行数据插补和基线分析,获取化疗后发生肾损伤的影响因素,获得模型指标;
建立预测模型:
基于获得的模型指标,筛出至少9个关键模型指标,建立化疗后肾损伤发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=5.832+αx1-0.413x2-0.952x3+0.758x4-0.052x5-0.086x6+0.09x7-0.002x8-0.009x9
其中x1为化疗方案关联值,x2为肾损伤前使用维生素B12关联值,x3为化疗前使用止痛药物关联值,x4为化疗次数,x5为化疗前eGFR水平值,x6为化疗前白细胞水平值,x7为化疗前中心粒细胞水平值,x8为化疗前天门冬氨酸氨基酸转移酶水平值,x9为化疗前肌酐水平值;
化疗方案选用奈达铂时,α=0,
化疗方案选用卡铂时,α=-0.382,
化疗方案选用洛铂时,α=-1.147,
化疗方案选用顺铂时,α=0.157。
3.根据权利要求2所述的培美曲塞化疗后肾损伤发生风险的预测模型的构建方法,其特征在于:
数据插补:对于数据缺失>20%的指标删除,缺失<20%的进行数据多重插补;
基线分析:分类型数据采用卡方检验,如果有频数≤5则采用Fisher检验;连续性数据如果正态则为方差分析;连续性数据如果非正态则采用秩和检验;双侧检验,获得显著水平。
4.培美曲塞化疗后骨髓抑制发生风险的预测模型,其特征在于:基于获得的模型指标,筛出至少10个关键模型指标,分别代入化疗后骨髓抑制发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=16.323+αx1+0.388x2+0.525x3-1.067x4-1.105x5+1.322x6-0.063x7-0.003x8+0.002x9-0.06x10+mxn
其中x1为化疗方案关联值,x2为肝功能关联值,x3为骨髓抑制前使用维生素B12关联值,x4为骨髓抑制前使用血液用药关联值,x5为骨髓抑制前使用止痛药关联值,x6为骨髓抑制前就诊次数,x7为化疗前血红蛋白水平值,x8为化疗前血小板水平值,x9为化疗前碱性磷酸酶水平值,x10为化疗前钠水平值,xn是第n个模型指标,n≥11,m是第n个模型指标的公式系数;
化疗方案选用奈达铂时,α=0;
化疗方案选用卡铂时,α=-0.171;
化疗方案选用洛铂时,α=-0.029;
化疗方案选用顺铂时,α=0.454。
5.培美曲塞化疗后骨髓抑制发生风险的预测模型的构建方法,其特征在于:包括下述步骤
收集病例信息;
数据统计分析:
基于收集的病例信息,进行数据插补和基线分析,获取化疗后发生肝损伤的影响因素,获得模型指标;
建立预测模型:
基于获得的模型指标,筛出至少10个关键模型指标,建立化疗后肝损伤发生风险预测模型公式
P(y=1|x)=π(x)=1/(1+e-g(x)),
g(x)=16.323+αx1+0.388x2+0.525x3-1.067x4-1.105x5+1.322x6-0.063x7-0.003x8+0.002x9-0.06x10+mxn
其中x1为化疗方案关联值,x2为肝功能关联值,x3为骨髓抑制前使用维生素B12关联值,x4为骨髓抑制前使用血液用药关联值,x5为骨髓抑制前使用止痛药关联值,x6为骨髓抑制前就诊次数,x7为化疗前血红蛋白水平值,x8为化疗前血小板水平值,x9为化疗前碱性磷酸酶水平值,x10为化疗前钠水平值,xn是第n个模型指标,n≥11,m是第n个模型指标的公式系数;
化疗方案选用奈达铂时,α=0;
化疗方案选用卡铂时,α=-0.171;
化疗方案选用洛铂时,α=-0.029;
化疗方案选用顺铂时,α=0.454。
6.根据权利要求5所述的培美曲塞化疗后骨髓抑制发生风险的预测模型的构建方法,其特征在于:
数据插补:对于数据缺失>20%的指标删除,缺失<20%的进行数据多重插补;
基线分析:分类型数据采用卡方检验,如果有频数≤5则采用Fisher检验;连续性数据如果正态则为方差分析;连续性数据如果非正态则采用秩和检验;双侧检验,获得显著水平。
CN202310838465.3A 2021-03-02 2021-03-02 培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法 Pending CN117672506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310838465.3A CN117672506A (zh) 2021-03-02 2021-03-02 培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110229968.1A CN112951423B (zh) 2021-03-02 2021-03-02 培美曲塞化疗后不良反应发生风险预测模型及其构建方法
CN202310838465.3A CN117672506A (zh) 2021-03-02 2021-03-02 培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202110229968.1A Division CN112951423B (zh) 2021-03-02 2021-03-02 培美曲塞化疗后不良反应发生风险预测模型及其构建方法

Publications (1)

Publication Number Publication Date
CN117672506A true CN117672506A (zh) 2024-03-08

Family

ID=76247211

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110229968.1A Active CN112951423B (zh) 2021-03-02 2021-03-02 培美曲塞化疗后不良反应发生风险预测模型及其构建方法
CN202310838465.3A Pending CN117672506A (zh) 2021-03-02 2021-03-02 培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110229968.1A Active CN112951423B (zh) 2021-03-02 2021-03-02 培美曲塞化疗后不良反应发生风险预测模型及其构建方法

Country Status (1)

Country Link
CN (2) CN112951423B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744865B (zh) * 2021-07-29 2023-07-18 甘肃省人民医院 基于回归分析的压力性损伤风险预测模型校正方法
CN117476231A (zh) * 2023-11-09 2024-01-30 中山大学孙逸仙纪念医院 基于机器学习的药物性肝损伤风险预测方法、系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2885425B1 (en) * 2012-08-20 2017-07-26 The United States Of America, As Represented By The Secretary, Department Of Health & Human Services Expression of protein-coding and noncoding genes as prognostic classifiers in early stage lung cancer
US10443103B2 (en) * 2015-09-16 2019-10-15 Innomedicine, LLC Chemotherapy regimen selection
CN108021941B (zh) * 2017-11-30 2020-08-28 四川大学 药物肝毒性预测方法及装置
CN108107134B (zh) * 2018-02-06 2020-08-04 中国医学科学院肿瘤医院 预测培美曲塞联合铂类治疗非小细胞肺癌的疗效的新标志物及其应用
EP4018282A4 (en) * 2019-08-22 2023-08-16 Tempus Labs, Inc. UNSUPERVISED LEARNING AND PREDICTION OF THERAPY LINES FROM HIGH DIMENSIONAL LONGITUDINAL MEDICATION DATA
CN111768862A (zh) * 2020-06-16 2020-10-13 上海市第六人民医院 一种自身免疫性肝炎风险预测模型及其构建方法

Also Published As

Publication number Publication date
CN112951423B (zh) 2023-08-29
CN112951423A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
US20210295960A1 (en) Methods and systems of evaluating a risk of lung cancer
Cavalli et al. Intertumoral heterogeneity within medulloblastoma subgroups
WO2006113987A1 (en) System for development of individualised treatment regimens
CN117672506A (zh) 培美曲塞化疗后肾脏与骨髓抑制风预测模型及其构建方法
JP2010508844A (ja) 遺伝子発現プロファイリングに基づく高リスク多発性骨髄腫のゲノムシグネチャーの特定とその使用
Reduzzi et al. A novel circulating tumor cell subpopulation for treatment monitoring and molecular characterization in biliary tract cancer
Kaur et al. An integrated approach for cancer survival prediction using data mining techniques
Moinpour et al. Quality of life in advanced non-small-cell lung cancer: results of a Southwest Oncology Group randomized trial
Li et al. Transcriptome research identifies four hub genes related to primary myelofibrosis: A holistic research by weighted gene co-expression network analysis
Meiseles et al. Explainable machine learning for chronic lymphocytic leukemia treatment prediction using only inexpensive tests
Zhu et al. Effects of immune inflammation in head and neck squamous cell carcinoma: Tumor microenvironment, drug resistance, and clinical outcomes
US20040259764A1 (en) Reticulocyte depletion signatures
AU2021285711A1 (en) Methods of predicting cancer progression
CN113969315A (zh) 用于评估结直肠癌患者对免疫治疗药物响应性的标志物
Zhu et al. Construction of a prognostic model for triple‐negative breast cancer based on immune‐related genes, and associations between the tumor immune microenvironment and immunological therapy
Zhong et al. MLKL and other necroptosis-related genes promote the tumor immune cell infiltration, guiding for the administration of immunotherapy in bladder urothelial carcinoma
Stilgenbauer et al. Genotypic prognostic markers
KR102481624B1 (ko) 환자 맞춤형 만성 골수성 백혈병 항암제 치료 중단 예후 예측 기술
CN111718997A (zh) 一种特征mRNA表达谱组合及胃癌早期预测方法
Jiang et al. Metal ion stimulation-related gene signatures correlate with clinical and immunologic characteristics of glioma
Li et al. Development and experimental verification of a prognosis model for disulfidptosis-associated genes in HNSCC
Kim et al. Analysis of CSF3R mutations in atypical chronic myeloid leukemia and other myeloid malignancies
Katgı et al. Prognostic significance of pretreatment inflammatory response, immune, and nutritional status in small cell lung cancer
Santiago et al. Detecting Methotrexate in Pediatric Patients Using Artificial Neural Networks
Zhu et al. Systematic analysis of apoptosis-related genes in the prognosis of lung squamous cell carcinoma: a combined single-cell RNA sequencing 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