CN117711619A - 一种糖尿病患者慢性肾脏病发生风险预测系统及存储介质 - Google Patents
一种糖尿病患者慢性肾脏病发生风险预测系统及存储介质 Download PDFInfo
- Publication number
- CN117711619A CN117711619A CN202311725687.0A CN202311725687A CN117711619A CN 117711619 A CN117711619 A CN 117711619A CN 202311725687 A CN202311725687 A CN 202311725687A CN 117711619 A CN117711619 A CN 117711619A
- Authority
- CN
- China
- Prior art keywords
- kidney disease
- protein
- chronic kidney
- risk
- diabetic patient
- 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
- 208000020832 chronic kidney disease Diseases 0.000 title claims abstract description 276
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 253
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 226
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 225
- 238000013058 risk prediction model Methods 0.000 claims abstract description 22
- 210000004369 blood Anatomy 0.000 claims abstract description 21
- 239000008280 blood Substances 0.000 claims abstract description 21
- 230000001939 inductive effect Effects 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims abstract description 10
- 230000006698 induction Effects 0.000 claims abstract description 8
- 235000018102 proteins Nutrition 0.000 claims description 217
- 201000010099 disease Diseases 0.000 claims description 27
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 27
- 208000017169 kidney disease Diseases 0.000 claims description 22
- 230000014509 gene expression Effects 0.000 claims description 15
- 102000005962 receptors Human genes 0.000 claims description 11
- 108020003175 receptors Proteins 0.000 claims description 11
- 108060008683 Tumor Necrosis Factor Receptor Proteins 0.000 claims description 10
- 102000003298 tumor necrosis factor receptor Human genes 0.000 claims description 10
- NYHBQMYGNKIUIF-UUOKFMHZSA-N Guanosine Chemical compound C1=NC=2C(=O)NC(N)=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O NYHBQMYGNKIUIF-UUOKFMHZSA-N 0.000 claims description 8
- 108010078791 Carrier Proteins Proteins 0.000 claims description 5
- 102100036774 Afamin Human genes 0.000 claims description 4
- 102000018623 Apolipoproteins M Human genes 0.000 claims description 4
- 108010027018 Apolipoproteins M Proteins 0.000 claims description 4
- 102100021569 Apoptosis regulator Bcl-2 Human genes 0.000 claims description 4
- 102100025250 C-X-C motif chemokine 14 Human genes 0.000 claims description 4
- 101710098308 C-X-C motif chemokine 14 Proteins 0.000 claims description 4
- 102100027207 CD27 antigen Human genes 0.000 claims description 4
- 102100029382 CMRF35-like molecule 6 Human genes 0.000 claims description 4
- 102100022436 CMRF35-like molecule 8 Human genes 0.000 claims description 4
- 101710157056 CMRF35-like molecule 8 Proteins 0.000 claims description 4
- 108091005471 CRHR1 Proteins 0.000 claims description 4
- 102000000905 Cadherin Human genes 0.000 claims description 4
- 108050007957 Cadherin Proteins 0.000 claims description 4
- 102000014914 Carrier Proteins Human genes 0.000 claims description 4
- 102000011632 Caseins Human genes 0.000 claims description 4
- 108010076119 Caseins Proteins 0.000 claims description 4
- 102100032402 Charged multivesicular body protein 1a Human genes 0.000 claims description 4
- 102100038018 Corticotropin-releasing factor receptor 1 Human genes 0.000 claims description 4
- MIKUYHXYGGJMLM-GIMIYPNGSA-N Crotonoside Natural products C1=NC2=C(N)NC(=O)N=C2N1[C@H]1O[C@@H](CO)[C@H](O)[C@@H]1O MIKUYHXYGGJMLM-GIMIYPNGSA-N 0.000 claims description 4
- NYHBQMYGNKIUIF-UHFFFAOYSA-N D-guanosine Natural products C1=2NC(N)=NC(=O)C=2N=CN1C1OC(CO)C(O)C1O NYHBQMYGNKIUIF-UHFFFAOYSA-N 0.000 claims description 4
- 102100034573 Desmoglein-4 Human genes 0.000 claims description 4
- 101710183213 Desmoglein-4 Proteins 0.000 claims description 4
- 101000971171 Homo sapiens Apoptosis regulator Bcl-2 Proteins 0.000 claims description 4
- 101000990034 Homo sapiens CMRF35-like molecule 6 Proteins 0.000 claims description 4
- 101000836268 Homo sapiens U4/U6.U5 tri-snRNP-associated protein 1 Proteins 0.000 claims description 4
- 108010042653 IgA receptor Proteins 0.000 claims description 4
- 108060003951 Immunoglobulin Proteins 0.000 claims description 4
- 102000004374 Insulin-like growth factor binding protein 3 Human genes 0.000 claims description 4
- 108090000965 Insulin-like growth factor binding protein 3 Proteins 0.000 claims description 4
- 102000004369 Insulin-like growth factor-binding protein 4 Human genes 0.000 claims description 4
- 108090000969 Insulin-like growth factor-binding protein 4 Proteins 0.000 claims description 4
- 102100027237 MAM domain-containing protein 2 Human genes 0.000 claims description 4
- 101710116166 MAM domain-containing protein 2 Proteins 0.000 claims description 4
- 108010076501 Matrix Metalloproteinase 12 Proteins 0.000 claims description 4
- 102000011721 Matrix Metalloproteinase 12 Human genes 0.000 claims description 4
- 108010037255 Member 7 Tumor Necrosis Factor Receptor Superfamily Proteins 0.000 claims description 4
- 108050006579 Metalloproteinase inhibitor 4 Proteins 0.000 claims description 4
- HOKKHZGPKSLGJE-GSVOUGTGSA-N N-Methyl-D-aspartic acid Chemical compound CN[C@@H](C(O)=O)CC(O)=O HOKKHZGPKSLGJE-GSVOUGTGSA-N 0.000 claims description 4
- 102100034014 Prolyl 3-hydroxylase 3 Human genes 0.000 claims description 4
- 102000048176 Prostaglandin-D synthases Human genes 0.000 claims description 4
- 108030003866 Prostaglandin-D synthases Proteins 0.000 claims description 4
- 102100036351 Protein disulfide-isomerase A2 Human genes 0.000 claims description 4
- 101710106238 Protein disulfide-isomerase A2 Proteins 0.000 claims description 4
- 102100028255 Renin Human genes 0.000 claims description 4
- 108090000783 Renin Proteins 0.000 claims description 4
- 102100026386 Ribonuclease K6 Human genes 0.000 claims description 4
- 108700039395 Sodium channel subunit beta-4 Proteins 0.000 claims description 4
- 108010061312 Sphingomyelin Phosphodiesterase Proteins 0.000 claims description 4
- 102000019197 Superoxide Dismutase Human genes 0.000 claims description 4
- 108010012715 Superoxide dismutase Proteins 0.000 claims description 4
- 108010023603 Transcobalamins Proteins 0.000 claims description 4
- 102000011409 Transcobalamins Human genes 0.000 claims description 4
- 102100027065 Translation initiation factor eIF-2B subunit beta Human genes 0.000 claims description 4
- 101710172190 Translation initiation factor eIF-2B subunit beta Proteins 0.000 claims description 4
- 108010037543 Type 3 Cyclic Nucleotide Phosphodiesterases Proteins 0.000 claims description 4
- 102100027244 U4/U6.U5 tri-snRNP-associated protein 1 Human genes 0.000 claims description 4
- 101710087237 Whey acidic protein Proteins 0.000 claims description 4
- 102000010126 acid sphingomyelin phosphodiesterase activity proteins Human genes 0.000 claims description 4
- 108010090535 alpha-albumin Proteins 0.000 claims description 4
- 108091008324 binding proteins Proteins 0.000 claims description 4
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 102100037093 cGMP-inhibited 3',5'-cyclic phosphodiesterase A Human genes 0.000 claims description 4
- 239000005018 casein Substances 0.000 claims description 4
- BECPQYXYKAMYBN-UHFFFAOYSA-N casein, tech. Chemical compound NCCCCC(C(O)=O)N=C(O)C(CC(O)=O)N=C(O)C(CCC(O)=N)N=C(O)C(CC(C)C)N=C(O)C(CCC(O)=O)N=C(O)C(CC(O)=O)N=C(O)C(CCC(O)=O)N=C(O)C(C(C)O)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=O)N=C(O)C(CCC(O)=O)N=C(O)C(COP(O)(O)=O)N=C(O)C(CCC(O)=N)N=C(O)C(N)CC1=CC=CC=C1 BECPQYXYKAMYBN-UHFFFAOYSA-N 0.000 claims description 4
- 235000021240 caseins Nutrition 0.000 claims description 4
- 101150018325 chmp1a gene Proteins 0.000 claims description 4
- 229930195712 glutamate Natural products 0.000 claims description 4
- 229940029575 guanosine Drugs 0.000 claims description 4
- 102000018358 immunoglobulin Human genes 0.000 claims description 4
- -1 kazal Proteins 0.000 claims description 4
- 230000000921 morphogenic effect Effects 0.000 claims description 4
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 4
- 108010054748 ribonuclease k6 Proteins 0.000 claims description 4
- 210000001519 tissue Anatomy 0.000 claims description 4
- 102100034613 Annexin A2 Human genes 0.000 claims description 3
- 108090000668 Annexin A2 Proteins 0.000 claims description 3
- 102100040839 C-type lectin domain family 6 member A Human genes 0.000 claims description 3
- 101710125370 C-type lectin domain family 6 member A Proteins 0.000 claims description 3
- 102000008186 Collagen Human genes 0.000 claims description 3
- 108010035532 Collagen Proteins 0.000 claims description 3
- 241000709721 Hepatovirus A Species 0.000 claims description 3
- 101000928278 Homo sapiens Natriuretic peptides B Proteins 0.000 claims description 3
- 102000016997 Lithostathine Human genes 0.000 claims description 3
- 108010014691 Lithostathine Proteins 0.000 claims description 3
- 102100022680 NKG2-D type II integral membrane protein Human genes 0.000 claims description 3
- 101710106341 NKG2-D type II integral membrane protein Proteins 0.000 claims description 3
- 102100036836 Natriuretic peptides B Human genes 0.000 claims description 3
- 102100030111 Organic solute transporter subunit beta Human genes 0.000 claims description 3
- 108091007633 SLC51B Proteins 0.000 claims description 3
- 101710187622 Tumor necrosis factor receptor superfamily member 6B Proteins 0.000 claims description 3
- 102100035284 Tumor necrosis factor receptor superfamily member 6B Human genes 0.000 claims description 3
- 102100036856 Tumor necrosis factor receptor superfamily member 9 Human genes 0.000 claims description 3
- 101710165434 Tumor necrosis factor receptor superfamily member 9 Proteins 0.000 claims description 3
- 229920001436 collagen Polymers 0.000 claims description 3
- PVGBHEUCHKGFQP-UHFFFAOYSA-N sodium;n-[5-amino-2-(4-aminophenyl)sulfonylphenyl]sulfonylacetamide Chemical compound [Na+].CC(=O)NS(=O)(=O)C1=CC(N)=CC=C1S(=O)(=O)C1=CC=C(N)C=C1 PVGBHEUCHKGFQP-UHFFFAOYSA-N 0.000 claims description 3
- 230000002381 testicular Effects 0.000 claims description 3
- 102100024289 Metalloproteinase inhibitor 4 Human genes 0.000 claims 1
- 102100027181 Sodium channel subunit beta-4 Human genes 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 17
- 238000004458 analytical method Methods 0.000 description 35
- 238000000034 method Methods 0.000 description 21
- 102000004506 Blood Proteins Human genes 0.000 description 16
- 108010017384 Blood Proteins Proteins 0.000 description 16
- 239000003472 antidiabetic agent Substances 0.000 description 12
- 230000024924 glomerular filtration Effects 0.000 description 12
- 229940126904 hypoglycaemic agent Drugs 0.000 description 12
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 10
- 230000001976 improved effect Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 229940109239 creatinine Drugs 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 230000002485 urinary effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008506 pathogenesis Effects 0.000 description 6
- 210000002381 plasma Anatomy 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 108010088751 Albumins Proteins 0.000 description 5
- 102000009027 Albumins Human genes 0.000 description 5
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 5
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000000391 smoking effect Effects 0.000 description 5
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 108091005996 glycated proteins Proteins 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000003907 kidney function Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 102000002322 Egg Proteins Human genes 0.000 description 3
- 108010000912 Egg Proteins Proteins 0.000 description 3
- 102000019251 Metalloproteinase inhibitor 4 Human genes 0.000 description 3
- 102000053749 Sodium channel subunit beta-4 Human genes 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- MUMGGOZAMZWBJJ-DYKIIFRCSA-N Testostosterone Chemical compound O=C1CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 MUMGGOZAMZWBJJ-DYKIIFRCSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 description 1
- 102000003930 C-Type Lectins Human genes 0.000 description 1
- 108090000342 C-Type Lectins Proteins 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 102000002734 Collagen Type VI Human genes 0.000 description 1
- 108010043741 Collagen Type VI Proteins 0.000 description 1
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 108010007712 Hepatitis A Virus Cellular Receptor 1 Proteins 0.000 description 1
- 102100034459 Hepatitis A virus cellular receptor 1 Human genes 0.000 description 1
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 1
- 101001044053 Mus musculus Lithostathine-1 Proteins 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 231100000749 chronicity Toxicity 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 102000035122 glycosylated proteins Human genes 0.000 description 1
- 108091005608 glycosylated proteins Proteins 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000000503 lectinlike effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002331 protein detection Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010863 targeted diagnosis Methods 0.000 description 1
- 229960003604 testosterone Drugs 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及数字医疗技术领域，一种糖尿病患者慢性肾脏病发生风险预测系统，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使所述处理器执行以下步骤：获取糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平以及慢性肾脏病诱发因素；构建糖尿病患者蛋白质评分模型，利用所述糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果；基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数；根据慢性肾脏病风险指数分析糖尿病患者的慢性肾脏病发生风险。本发明对糖尿病患者的蛋白质进行评分，结合蛋白质评分结果和慢性肾脏病诱发因素构建慢性肾脏病发生风险预测模型。
Description
技术领域
本发明涉及数字医疗技术领域，尤其是一种基于糖尿病患者慢性肾脏病发生风险预测系统及存储介质。
背景技术
目前慢性肾脏病是全球性的公共卫生问题，其患病率达到了9.4％，并且仍处于不断持续上升趋势。如果不对慢性肾脏病进行治疗，最终可能导致肾衰竭，并且还会显著增加心血管疾病的风险，如冠心病、心力衰竭和脑卒中等。其中，糖尿病是慢性肾脏病的重要诱发因素，糖尿病患者具有更高的慢性肾脏病发生风险。目前还没有根治慢性肾脏病的策略，因此对糖尿病患者慢性肾脏病的早期风险识别和预防是非常重要的。
其中蛋白质是人体的基本物质之一，其参与了人体所有的生命活动。基因的多态性和环境因素对人体的影响都是通过蛋白质进行的，同时蛋白质也可以反映人体的生理状态。个体的蛋白质水平有助于了解人体的健康状况和疾病风险。然而，目前还没有预测系统利用蛋白质水平对糖尿病患者慢性肾脏病发病风险进行预测。为了实现对糖尿病患者慢性肾脏病的早期识别和预警，亟需一种能够准确预测糖尿病患者慢性肾脏病发生风险的预测系统显得至关重要。从而为患者提供及时的治疗和管理，避免病情恶化。
发明内容
针对现有技术中的不足，第一方面，本发明提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：获取糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平以及慢性肾脏病诱发因素；构建糖尿病患者蛋白质评分模型，利用所述糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果；基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数；根据慢性肾脏病风险指数分析糖尿病患者的慢性肾脏病发生风险。本发明慢性肾脏病发生风险预测系统在疾病早期时就能发现风险，为糖尿病患者提供及时的治疗和管理，可以更好地监控和管理糖尿病相关的慢性肾脏病，提高治疗效果。
可选地，所述获取糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平包括：基于糖尿病患者的血浆样本获得与慢性肾脏病发生风险相关的蛋白质水平，所述蛋白质水平包括：所述获取糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平包括：
基于糖尿病患者的血浆样本获得与慢性肾脏病发生风险相关的蛋白质水平，所述蛋白质水平包括：免疫球蛋白超家族成员16、CD27抗原、C型凝集素结构域家族6成员A、WAP,kazal,免疫球蛋白,kunitz和NTR结构域蛋白1、胰岛素样生长因子结合蛋白4、SART1蛋白、转钴胺素蛋白I、含MAM结构域蛋白2、胞外超氧化物歧化酶、肿瘤坏死因子受体超家族成员10、α白蛋白、前列腺素D2合成酶、酪酪肽、甲型肝炎病毒细胞受体1、载脂蛋白M、VI型胶原蛋白α3链、CMRF35样分子8、CHMP1A蛋白、基质金属蛋白酶12、谷氨酸离子受体NMDA型2B亚单位、钙粘蛋白EGF LAG七经G-型受体2、胰石蛋白1β、组织金属蛋白酶抑制因子4、睾丸蛋白聚糖1、肾素、促肾上腺皮质素释放激素受体1、C-X-C基序趋化因子14、酸性鞘磷脂酶如磷酸二酯酶3A、蛋白二硫化物异构酶A2、凋亡调节因子Bcl-2、B型钠尿肽、粘附分子IgG样结构域蛋白2、桥粒芯糖蛋白-4、有机溶质转运体亚单位β、胰岛素样生长因子结合蛋白3、杀伤细胞凝集素样受体亚家族K成员1、肿瘤坏死因子受体超家族成员9、序列相似家族3成员C、RALBRAS样蛋白B、肿瘤坏死因子受体超家族成员6B、核糖核酸酶K6、肿瘤坏死因子受体超家族成员11、骨形态发生蛋白4、钠通道亚基β4、再生胰岛衍生蛋白3α、翻译启动因子eIF-2B亚基beta、前贴式转运蛋白结合蛋白9、鸟苷蛋白。本发明通过糖尿病患者血液中的蛋白质水平，可以在早期甚至尚未出现明显症状时识别出慢性肾脏病的风险，有助于及时采取干预措施，制定个体化的治疗方案。
可选地，所述构建糖尿病患者蛋白质评分模型包括；根据糖尿病患者与慢性肾脏病发生风险相关的蛋白质水平构建糖尿病患者蛋白质评分模型。本发明通过蛋白质评分模型，可以更准确地预测糖尿病患者慢性肾脏病的发生风险，评分模型考虑与慢性肾脏病相关的蛋白质因素，从而提高预测结果的准确性。
可选地，所述糖尿病患者蛋白质评分模型，满足如下关系：
其中，PSDP表示糖尿病患者蛋白质的评分结果，n表示糖尿病患者的蛋白质数量，Wi代表糖尿病患者第i个蛋白质对慢性肾脏病发生风险的权重系数，CEPi表示糖尿病患者第i个蛋白质所对应的表达量。本发明提供了一个定量的方法来评估糖尿病患者慢性肾脏病的发生风险，基于不同蛋白质的权重系数与对应的表达量得到一个具体的评分结果，有助于更直观地了解疾病的风险程度。
可选地，所述利用所述糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果包括：获取糖尿病患者各蛋白质水平对慢性肾脏病发生风险的权重系数；基于所述权重系数和所述糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果。本发明将权重系数代入糖尿病患者蛋白质评分模型当中，可以快捷地得到糖尿病患者的蛋白质评分结果，简化评估过程的同时，可以更高效地进行风险评估。
可选地，所述基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数包括：依据所述蛋白质评分结果和所述慢性肾脏病诱发因素建立糖尿病患者慢性肾脏病发生风险预测模型。本发明结合蛋白质评分结果和慢性肾脏病诱发因素，可以更准确地预测糖尿病患者的慢性肾脏病发生风险，可以更好地了解患者的风险状况，并制定相应的预防和治疗措施。
可选地，所述基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数包括：所述糖尿病患者慢性肾脏病发生风险预测模型基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数。本发明综合考虑了糖尿病患者蛋白质表达水平和慢性肾脏病诱发因素，能够更全面、准确地评估患者的慢性肾脏病风险，并制定相应的治疗措施。
可选地，所述糖尿病患者慢性肾脏病发生风险预测模型，满足如下关系：
其中，RD表示糖尿病患者肾脏病的发生风险，SO(t)表示糖尿病患者肾脏病预测风险的底数值，μi表示糖尿病患者慢性肾脏病发生风险预测模型目标参数对应的影响系数，Xi表示糖尿病患者慢性肾脏病发生风险预测模型的目标参数。本发明基于慢性肾脏病发生风险预测模型预测糖尿病患者的慢性肾脏病发生风险，有助于早期发现和提前预警。
可选地，所述根据慢性肾脏病风险指数分析糖尿病患者的慢性肾脏病发生风险包括：根据慢性肾脏病风险指数预测糖尿病患者的慢性肾脏病发生风险；利用所述慢性肾脏病发生风险实现糖尿病患者慢性肾脏病的早期风险识别和疾病预警。本发明通过慢性肾脏病风险指数预测慢性肾脏病的发生风险，可以更准确地评估患者的风险状况，并且根据慢性肾脏病风险指数的变化趋势，可以实现糖尿病患者慢性肾脏病的早期预警。
另一方面，本发明还提供一种糖尿病患者慢性肾脏病发生风险预测系统，包括输入设备、处理器、输出设备和存储器，其中，所述输入设备、处理器、输出设备和存储器相互连接，所述存储器包括如本发明第一方面所述的计算机可读存储介质，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令。本发明提供的系统结构紧凑，适用性强，极大程度地提高了运行效率。
附图说明
图1是本发明提供的计算机可读存储介质中程序指令的流程图；
图2是本发明的不同糖尿病患者慢性肾脏病发生风险预测模型的性能对比柱状图；
图3是本发明的糖尿病患者慢性肾脏病发生风险预测系统的结构示意图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
请参见图1，在一个实施例中，本发明提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：
S1、获取糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平以及慢性肾脏病诱发因素，其具体实施步骤及相关内容如下：
为了探究糖尿病患者血浆蛋白质水平与慢性肾脏病发生风险之间的关系，并分析不同蛋白质水平对慢性肾脏病的影响机制，首先需要采集糖尿病患者的基本信息，实施例中使用大规模数据采集方法并进行长期随访，可以为糖尿病患者慢性肾脏病的准确预测提供强有力的数据支持。更进一步地选取了尿白蛋白肌酐比值小于30mg/g，且估计的肾小球滤过率大于等于60mL/(min/1.73m2)的糖尿病患者作为血浆蛋白检测对象，进一步排除自述或医院诊断为慢性肾脏病和非糖尿病的人群后，最终共有2094名糖尿病患者被纳入到血液样本当中，此外还可以通过医疗数据库、社区登记文件以及健康普查等随访信息来完善糖尿病患者的基本信息，包括但不限于年龄、性别、生活习惯、身体质量指数、疾病史等。上述信息有助于更全面地了解糖尿病患者的健康状况和疾病发生风险，为后续的分析和研究提供更准确的数据支持。
然后，对糖尿病患者的血浆蛋白质水平数据以及慢性肾脏病诱发因素的相关数据，进行数据筛选和预处理，可以确保相关数据的质量和可靠性。进一步利用统计分析方法和机器学习算法对筛选和处理后的数据进行深入分析，包括但不限于蛋白质特征提取、回归分析以及相关性分析等处理，可以揭示糖尿病患者不同蛋白质水平对慢性肾脏病的作用机制，进一步探索相关蛋白质与慢性肾脏病发生风险之间的关系。
对糖尿病患者的长期随访，可以获取糖尿病患者血浆蛋白质水平和慢性肾脏病风险情况的相关数据，对于揭示糖尿病患者的慢性肾脏病风险变化趋势和疾病发展过程具有重要意义，还可以将糖尿病患者的数据与健康个体的数据进行比较和分析，更加深入地理解糖尿病患者的慢性肾脏病风险和疾病特征。
在本实施例中，为了深入探究糖尿病患者与慢性肾脏病发生风险之间的关系，为预测和治疗糖尿病患者的慢性肾脏病提供重要依据。为了实现这一目标，实施例中收集了糖尿病患者的人群特征数据，请参见表1糖尿病患者的人群特征数据表格，表中具体列出了糖尿病患者的相关特征信息，包括但不限于人数、年龄、性别、种族、体质指数、吸烟者比例、估计肾小球滤过率、尿白蛋白肌酐比值、糖化血红蛋白、降糖药使用情况以及疾病史等信息。基于上述信息分析糖尿病患者在慢性肾脏病预测方面的特征，为后续的预测分析提供数据支撑。
表1
肾脏病预测参与人群的特征
其中表1通过平均值(标准差)或N(％)对人群特征变量进行展现，可以直观地了解不同变量的分布情况和相对大小，快速分析不同数据的波动范围和不确定性，反映数据的中心趋势和离散程度，便于比较和满足不同的实际需求，可以更好地理解糖尿病患者的慢性肾脏病风险和疾病特征。
在本实施例中，从糖尿病患者数据集中随机抽取了一半的数据作为生成集，而剩余的一半数据则作为测试集。为了确保生成集和测试集在基线特征上具有高度的一致性，首先，对两个数据集的基本特征进行了严格的匹配和比较，生成集和测试集在人口统计学、临床特征、疾病病程等方面都应保持相似性，以确保生成集和测试集在统计学上的可比性；其次，在选择数据时关注相关数据的质量和完整性，排除存在明显错误或缺失的数据，以确保数据的一致性和准确性；此外，还采用了适当的统计分析方法，对两个数据集进行了进一步的平衡和校准，包括倒不至于对潜在的混杂因素进行校正，通过分层抽样等方法来平衡两个数据集中的不同特征分布。进而确保了生成集和测试集在基线特征上具有高度的一致性，从而为后续的模型训练和测试提供了可靠的依据，使得预测结果更加准确可靠。
根据表1可知，2094名糖尿病患者的平均年龄为59.4岁，女性患者占比为62.3％，在后续的随访期间，有229名糖尿病患者，即10.9％的糖尿病患者被诊断为慢性肾脏病。在随访期间糖尿病患者的年龄、性别、种族、从不吸烟比例、估计肾小球滤过率、尿白蛋白肌酐比以及现病史等方面均没有明显差异，基于此为后续蛋白质的验证和分析提供可靠的基础。
在本实施例中糖尿病患者的特征分析方法，仅仅只是本实施例的一个可选条件，人群特征的具体分析方式可以根据实际情况和疾病需求进行调整，可以更好地了解糖尿病患者的人群特征，探究慢性肾脏病的诱导因素和早期危险指标。
然后，对糖尿病患者的相关信息进行分析并获得血浆蛋白质水平。
为了研究糖尿病患者蛋白质水平与慢性肾脏病发生风险之间的联系，对糖尿病患者的血浆蛋白质水平进行分析，基于糖尿病患者的人群特征和疾病状态深入分析并获得血浆蛋白质水平。
在本实施例中利用Olink分析平台对糖尿病患者血浆标本进行深度解析，以探索糖尿病患者血浆蛋白质水平与慢性肾脏病发生风险之间的联系，通过Olink分析平台对糖尿病患者的血浆标本进行全面分析，以揭示糖尿病患者慢性肾脏病的发病机制和潜在的治疗方法，利用Olink分析平台获取糖尿病患者的血浆蛋白质水平，并对比不同糖尿病患者之间的血浆蛋白质水平，以发现潜在生物标志物与慢性肾脏病影响关系。通过深入分析血浆蛋白质水平，探究不同蛋白质水平与糖尿病患者慢性肾脏病发生风险的关系，利用蛋白质水平评估糖尿病患者慢性肾脏病的发生风险，推动慢性肾脏病的早发现和预测方法的改进。
更进一步地，在本实施例中通过Olink分析平台对糖尿病患者血浆标本进行全面分析。并非唯一的蛋蛋白质分析方式，还可以根据疾病发展和现实情况，对个体蛋白质水平的分析方式进行优化，今儿可以更深入地理解糖尿病患者慢性肾脏病的发病机制，为预防和治疗肾脏病提供更为精确的策略和方法。
基于糖尿病患者的特征情况以及蛋白质水平信息，获取糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平，在本实施例中上述蛋白质水平包括：免疫球蛋白超家族成员16、CD27抗原、C型凝集素结构域家族6成员A、WAP,kazal,免疫球蛋白,kunitz和NTR结构域蛋白1、胰岛素样生长因子结合蛋白4、SART1蛋白、转钴胺素蛋白I、含MAM结构域蛋白2、胞外超氧化物歧化酶、肿瘤坏死因子受体超家族成员10、α白蛋白、前列腺素D2合成酶、酪酪肽、甲型肝炎病毒细胞受体1、载脂蛋白M、VI型胶原蛋白α3链、CMRF35样分子8、CHMP1A蛋白、基质金属蛋白酶12、谷氨酸离子受体NMDA型2B亚单位、钙粘蛋白EGF LAG七经G-型受体2、胰石蛋白1β、组织金属蛋白酶抑制因子4、睾丸蛋白聚糖1、肾素、促肾上腺皮质素释放激素受体1、C-X-C基序趋化因子14、酸性鞘磷脂酶如磷酸二酯酶3A、蛋白二硫化物异构酶A2、凋亡调节因子Bcl-2、B型钠尿肽、粘附分子IgG样结构域蛋白2、桥粒芯糖蛋白-4、有机溶质转运体亚单位β、胰岛素样生长因子结合蛋白3、杀伤细胞凝集素样受体亚家族K成员1、肿瘤坏死因子受体超家族成员9、序列相似家族3成员C、RALBRAS样蛋白B、肿瘤坏死因子受体超家族成员6B、核糖核酸酶K6、肿瘤坏死因子受体超家族成员11、骨形态发生蛋白4、钠通道亚基β4、再生胰岛衍生蛋白3α、翻译启动因子eIF-2B亚基beta、前贴式转运蛋白结合蛋白9、鸟苷蛋白。
更进一步地，在本实施例中基于糖尿病患者血液信息得到与慢性肾脏病发生风险相关的蛋白质水平，仅仅只是本实施例的一个可选条件，蛋白质的选择情况可以根据慢性肾脏病的发展情况进行调整，可以提供更多关于慢性肾脏病的发病机制信息、早期发现慢性肾脏病的迹象以及为预防和治疗提供更多线索。
S2、构建糖尿病患者蛋白质评分模型，利用所述糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果，其具体实施步骤及相关内容如下：
在本实施例中基于糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平，将进一步获得各蛋白质水平对慢性肾脏病发生风险的权重系数，其具体实施内容如下：
首先，根据糖尿病患者的数据情况选择一个权重分析模型，用于计算糖尿病患者不同蛋白质水平对慢性肾脏病发生风险的权重系数。上述权重分析模型可以包括逻辑回归模型、决策树模型、随机森林模型等，并且可以根据实际需要和数据特点进行选择或替换。
在构建权重分析模型时，可以使用多种算法和技术来优化权重分析模型的性能。可以使用特征选择技术来筛选与慢性肾脏病发生风险密切相关的蛋白质特征，从而提高模型的预测准确性，还可以使用交叉验证、网格搜索等技术来调整模型的参数，并评估不同参数组合下的预测性能。
为了保证各蛋白质水平所对应权重系数的准确性，本实施例将对权重分析模型进行训练，从糖尿病患者数据集中随机选择一部分数据作为训练集，训练集包括但不限于糖尿病患者的血浆蛋白质水平和其他肾病诱发因素以及与慢性肾脏病有关的其他信息，通过训练权重分析模型可以提高权重分析结果的准确性，进而为保障糖尿病患者慢性肾脏病发生风险的可信度。
权重分析模型训练完成之后，可以将糖尿病患者的血浆蛋白质水平输入到权重分析模型中，得到糖尿病患者各蛋白质水平所对应权重系数。权重系数可以用于量化不同血浆蛋白质水平对慢性肾脏病风险的贡献程度，更进一步地比较不同蛋白质影响权重绝对值的大小，解释不同蛋白质水平对慢性肾脏病的影响程度。
在本实施例中，可以利用统计软件或编程工具，提取各血浆蛋白质水平对慢性肾脏病的权重系数，并建立查阅模型文档或源代码，以获取、整理以及保存权重系数，从而确保提取过程具备可重复性。另外一方面，对模型文档和源代码进行归档和存储，以便后续查阅和验证，基于此可以详细描述权重分析模型的构建过程、参数设置、特征选择等关键信息，可以为慢性肾脏病的研究提供有价值的参考信息。
通过权重分析模型可以获得糖尿病患者不同蛋白质水平对慢性肾脏病发生风险的权重系数，可以了解各蛋白质水平对慢性肾脏病的发生风险影响程度，有利于更好地理解慢性肾脏病的发病机制，并为预防和治疗提供指导。各蛋白质水平的权重系数可以量化和比较不同蛋白质水平对慢性肾脏病发生风险的影响程度，有助于更准确地理解风险程度。另外一方面，根据各蛋白质水平的影响权重，可以了解哪些蛋白质水平对慢性肾脏病的发生风险具有较大的影响，进而针对不同蛋白质提前预警并制定针对性的预防措施，降低患者发生慢性肾脏病的风险。
然后，基于不同蛋白质水平对慢性肾脏病发生风险的权重系数和糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果，其具体实施内容如下：
根据糖尿病患者与慢性肾脏病发生风险相关的蛋白质水平构建糖尿病患者蛋白质评分模型。
根据糖尿病患者不同蛋白质水平对应的权重系数，构建糖尿病患者蛋白质评分模型。可以将各蛋白质指标的权重系数作为该指标在评分模型中的权重，同时根据各指标的测量值计算每个糖尿病患者的蛋白质评分，利用构建好的蛋白质评分模型，对每个糖尿病患者的蛋白质水平进行评估，得到每个患者的蛋白质评分结果。
上述糖尿病患者蛋白质评分模型，满足如下关系：
其中，PSDP表示糖尿病患者蛋白质的评分结果，n表示糖尿病患者的蛋白质数量，Wi代表糖尿病患者第i个蛋白质对慢性肾脏病发生风险的权重系数，CEPi表示糖尿病患者第i个蛋白质所对应的表达量。
糖尿病患者蛋白质的评分结果是指根据糖尿病患者蛋白质水平评估模型计算出的每个糖尿病患者的蛋白质水平得分。此得分可以反映糖尿病患者的蛋白质水平状况，基于此可以更准确地评估糖尿病患者的慢性肾脏病发生风险，并制定相应的预防和治疗措施。
糖尿病患者的蛋白质数量指的是糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质数量。
糖尿病患者蛋白质对慢性肾脏病发生风险的权重系数指的是，在评估慢性肾脏病发生风险时，不同蛋白质在所有考虑的蛋白质中的重要程度。在本实施例中权重系数是通过权重分析模型计算得出的，用于量化每个蛋白质对慢性肾脏病发生风险的影响程度。
权重系数可以反映不同蛋白质在慢性肾脏病发病机制中的作用情况和贡献程度。在一个可选地实施例中，如果糖尿病患者某个蛋白质的权重系数较高，说明此蛋白质在慢性肾脏病的发生和发展中起到较为重要的作用，对糖尿病患者慢性肾脏病发生风险的影响较大；反之，如果糖尿病患者某个蛋白质的权重系数较低，说明此蛋白质在慢性肾脏病的发生和发展中的作用较小，对糖尿病患者慢性肾脏病发生风险的影响相对较小。
糖尿病患者不同蛋白质所对应的表达量，即指的是在糖尿病患者体内不同蛋白质对应不同的实际测量值或表达水平，上述表达量可以反映不同蛋白质在糖尿病患者的身体内的合成和代谢状况，以及与慢性肾脏病发生风险的相关性。
对糖尿病患者蛋白质的表达量进行测量和分析，可以进一步了解相关蛋白质在慢性肾脏病发病机制中的作用情况和贡献程度。在一个可选地实施例中，在糖尿病患者体内，如果某个蛋白质的表达量较高，说明它在糖尿病患者的体内合成和代谢较为活跃，对糖尿病患者慢性肾脏病产生更大的影响；相反，在糖尿病患者体内，如果某个蛋白质的表达量较低，说明它在糖尿病患者的体内合成和代谢表现为抑制，对糖尿病患者的慢性肾脏病产生较小的影响。
根据糖尿病患者各蛋白质对肾脏病发生风险的影响权重计算出的个体蛋白质评分，蛋白质评分结果可以更准确地评估个体患肾脏病的风险，综合考虑到多种蛋白质水平对慢性肾脏病的影响关系，能够提供更全面的慢性肾脏病风险评估结果，从而得到更准确的诊断结果。另外一方面基于蛋白质评分结果预测糖尿病患者的慢性肾脏病发生风险，可以依据蛋白质评分结果制定更具有针对性的预测方案和治疗策略，以降低糖尿病患者慢性肾脏病的发生率。
在一个可选的实施例中，利用糖尿病患者蛋白质评分模型对相关特定蛋白质的影响权重进行分析，具体内容如下：
CEP1代表免疫球蛋白超家族成员16的水平，对应的W1为0.3116；
CEP2代表CD27抗原的水平，对应的W2为0.3036；
CEP3代表C型凝集素结构域家族6成员A的水平，对应的W3为0.2652；
CEP4代表WAP,kazal,免疫球蛋白,kunitz和NTR结构域蛋白1的水平，对应的W4为-0.2424；
CEP5代表胰岛素样生长因子结合蛋白4的水平，对应的W5为0.2222；
CEP6代表SART1蛋白的水平，对应的W6为0.2198；
CEP7代表转钴胺素蛋白I的水平，对应的W7为0.2039；
CEP8代表含MAM结构域蛋白2的水平，对应的W8为0.1776；
CEP9代表胞外超氧化物歧化酶的水平，对应的W9为0.1643；
CEP10代表肿瘤坏死因子受体超家族成员10的水平，对应的W10β10为-0.1253；
CEP11代表α白蛋白的水平，对应的W11为-0.1238；
CEP12代表前列腺素D2合成酶的水平，对应的W12为0.121；
CEP13代表酪酪肽的水平，对应的W13为0.1156；
CEP14代表甲型肝炎病毒细胞受体1的水平，对应的W14为0.1032；
CEP15代表载脂蛋白M的水平，对应的W15为-0.1014；
CEP16代表VI型胶原蛋白α3链的水平，对应的W16为0.094；
CEP17代表CMRF35样分子8的水平，对应的W17为0.0893；
CEP18代表CHMP1A蛋白的水平，对应的W18为-0.0808；
CEP19代表基质金属蛋白酶12的水平，对应的W19为0.0762；
CEP20代表谷氨酸离子受体NMDA型2B亚单位的水平，对应的W20为0.0735；
CEP21代表钙粘蛋白EGF LAG七经G-型受体2的水平，对应的W21为0.0688；
CEP22代表胰石蛋白1β的水平，对应的W22为0.0674；
CEP23代表组织金属蛋白酶抑制因子4的水平对应的W23为0.0649；
CEP24代表睾丸蛋白聚糖1的水平，对应的W24为-0.0641；
CEP25代表肾素的水平，对应的W25为0.0632；
CEP26代表促肾上腺皮质素释放激素受体1的水平，对应的W26为0.0605；
CEP27代表C-X-C基序趋化因子14的水平，对应的W27为0.048；
CEP28代表酸性鞘磷脂酶如磷酸二酯酶3A的水平，对应的W28为-0.0447；
CEP29代表蛋白二硫化物异构酶A2的水平，对应的W29为0.0417；
CEP30代表凋亡调节因子Bcl-2的水平，对应的W30为0.0403；
CEP31代表B型钠尿肽的水平，对应的W31为0.0358；
CEP32代表粘附分子IgG样结构域蛋白2的水平，对应的W32为-0.0298；
CEP33代表桥粒芯糖蛋白-4的水平，对应的W33为-0.0282；
CEP34代表有机溶质转运体亚单位β的水平，对应的W34为0.0263；
CEP35代表胰岛素样生长因子结合蛋白3的水平，对应的W35为-0.0261；
CEP36代表杀伤细胞凝集素样受体亚家族K成员1的水平，对应的W36为0.0234；
CEP37代表肿瘤坏死因子受体超家族成员9的水平，对应的W37为0.0163；
CEP38代表序列相似家族3成员C的水平，对应的W38为0.0161；
CEP39代表RALBRAS样蛋白B的水平，对应的W39为-0.0142；
CEP40代表肿瘤坏死因子受体超家族成员6B的水平，对应的W40为0.0108；
CEP41代表核糖核酸酶K6的水平，对应的W41为0.0084；
CEP42代表肿瘤坏死因子受体超家族成员11的水平，对应的W42为-0.0053；
CEP43代表骨形态发生蛋白4的水平，对应的W43为0.0046；
CEP44代表钠通道亚基β4的水平，对应的W44为0.0036；
CEP45代表再生胰岛衍生蛋白3α的水平，对应的W45为0.0029；
CEP46代表翻译启动因子eIF-2B亚基beta的水平对应的W46为-0.0028；
CEP47代表前贴式转运蛋白结合蛋白9的水平，对应的W47为0.0025；
CEP48代表鸟苷蛋白的水平，对应的W48为0.001。
更进一步地，在本实施例中综合考虑蛋白质对慢性肾脏病发生风险的影响权重和不同蛋白质的表达量得到蛋白质评分结果，仅仅只是本实施例的一个可选条件，蛋白质评分结果的计算模型可以根据糖尿病患者情况和预测需求进行优化，可以更进一步探究相关蛋白质对慢性肾脏病发生风险作用情况，了解糖尿病患者病情的复杂性和严重程度，为预测和治疗提供更准确的指导。
最后，根据糖尿病患者的蛋白质评分结果，进一步分析糖尿病患者蛋白质评分结果与糖尿病患者出现慢性肾脏病的关系，其具体实施内容如下：
深入探索糖尿病患者蛋白质评分结果与其发生慢性肾脏病之间的联系，在本实施例中收集糖尿病患者蛋白质评分结果的相关数据，此外还可以利用医院、诊所、研究机构或其他健康护理机构的患者存档数据对蛋白质评估结果数据进行完善和补充，确保收集到的数据包括患者的年龄、性别、种族等基本信息，以及他们的血糖控制情况和其他可能影响肾脏健康的疾病状态。
根据糖尿病患者蛋白质评分结果的相关数据，使用数据分析方法来探究蛋白质评分结果与慢性肾脏病之间的相关性和内在联系，包括但不限于可以机器学习算法，决策树、向量分析等方法，对蛋白质评分结果和其他影响因素进行分类，此外还可以通过特定的风险评估工具和智能算法，更深入地挖掘蛋白质评分数据中隐藏的信息和规律。同时，利用数据可视化技术，如图表、图形等，将数据分析结果进行可视化展示，以便更直观地展示评分结果数据之间的关系和变化趋势，更好地了解糖尿病患者的蛋白质评分结果对慢性肾脏病的影响和贡献，请参见表2，表中具体呈现了蛋白质风险评分结果与慢性肾脏病风险的影响关系。
表2
糖尿病患者蛋白质风险评分结果与慢性肾脏病风险的相关性分析表格
为了保证分析结果的可靠性，对糖尿病患者数据进行校正和核查，包括但不限于针对糖尿病患者的年龄、性别和种族等因素，基于表2可知蛋白质风险评分结果与慢性肾脏病发生风险之间存在显著的正相关关系，每增加一个标准差的蛋白质风险评分，慢性肾脏病的风险比为2.85，对应的95％置信区间为2.43-3.34。
进一步校正了既往慢性肾脏病风险预测模型所纳入的变量，蛋白质风险评分结果仍然与慢性肾脏病发生风险存在显著的正相关关系，每增加一个标准差的蛋白质风险评分，慢性肾脏病的风险比为2.49，对应的95％置信区间为2.04-3.05，由此可知蛋白质风险评分结果是慢性肾脏病发生风险的一个重要预测因素。在本实施例中既往糖尿病患者的慢性肾脏病预测模型的变量有多种，其中变量包括糖尿病患者的年龄、性别、种族、体质指数、吸烟状况、估计肾小球滤过率、尿白蛋白肌酐比值、疾病史、糖化血红蛋白、降糖药的使用，以及糖化血红蛋白与降糖药使用的交互作用。另外，P值也是表示代表样本结果的可靠性
结合糖尿病患者蛋白质评分结果、表2以及糖尿病患者的相关数据，可以发现糖尿病患者中，蛋白质风险评分与慢性肾脏病发生风险呈显著正相关关系，即具有高蛋白质评分的人群在慢性肾脏病发生风险上明显高于低蛋白质评分的人群。此外，在校正了其他影响因素后，高蛋白质评分与慢性肾脏病发生风险之间的关联仍然具有统计学显著性，进一步支持了蛋白质风险评分作为预测慢性肾脏病发生风险的重要指标的地位。
由此可知，在糖尿病患者中，蛋白质评分可以作为预测慢性肾脏病发生风险的一个重要指标，高蛋白质评分的患者发生慢性肾脏病的风险更高，因此需要更加关注和监测糖尿病患者的肾功能状况。同时，针对高蛋白质评分患者，应该采取更加积极的干预措施，如控制血糖、血压、血脂等危险因素，以降低慢性肾脏病的发生风险。
S3、基于蛋白质评分结果和慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数，其具体实施步骤及相关内容如下：
为了可以识别出糖尿病患者中具有慢性肾脏病风险的患者，通过综合分析蛋白质评分结果和慢性肾脏病诱发因素，获得糖尿病患者的慢性肾脏病风险指数，有助于慢性肾脏病的早期发现和诊断，并且可以提供更全面的患者信息，有助于制定更个性化的治疗方案，提高治疗效果。
在本实施例中，依据蛋白质评分结果和慢性肾脏病诱发因素建立糖尿病患者慢性肾脏病发生风险预测模型，通过使用慢性肾脏病发生风险预测模型，可以更加准确地预测糖尿病患者发生慢性肾脏病的风险程度，从而提前采取预防措施，降低患者慢性肾脏病的发生率。另外一方面，对患者的蛋白质评分结果、慢性肾脏病诱发因素以及慢性肾脏病风险指数进行定期采集、记录以及评估，可以监测糖尿病患者的病情变化情况，及时调整治疗方案，控制慢性肾脏病的进展。
上述糖尿病患者慢性肾脏病发生风险预测模型，满足如下关系：
其中，RD表示糖尿病患者肾脏病的发生风险，SO(t)表示糖尿病患者肾脏病预测风险的底数值，μi表示糖尿病患者慢性肾脏病发生风险预测模型目标参数对应的影响系数，Xi表示糖尿病患者慢性肾脏病发生风险预测模型的目标参数。
糖尿病患者肾脏病的发生风险指的是糖尿病患者发生肾脏疾病的可能性。糖尿病患者的肾脏容易受到高血糖的损害，导致肾功能下降，最终发展为糖尿病肾病。
糖尿病患者肾脏病预测风险底数需要综合考虑多个因素，如糖尿病患者的年龄、性别、病程、血糖控制情况、血压、血脂等，根据糖尿病患者的疾病情况，进行个体化的疾病预测。
糖尿病患者慢性肾脏病发生风险预测模型的目标参数对应的影响系数是指，目标参数在预测模型中的权重或重要性，实施例中通过糖尿病患者蛋白质评分模型计算得出，反映了不同目标参数对预测结果的影响程度。
预测模型可以通过目标参数评估糖尿病患者发生慢性肾脏病的风险。这些参数的选择和权重可能会根据不同的研究或模型而有所不同，本实施例中基于糖尿病患者和肾脏病机理进行目标参数的选择和确定。
更进一步地，在本实施例中将对糖尿病患者慢性肾脏病发生风险预测模型进行训练，其具体实施内容如下：
首先，从糖尿病患者数据集中随机抽取50％的样本作为训练集，从而获得糖尿病患者的最佳蛋白风险评分，随机抽取方法可以确保训练集的多样性和代表性，使得模型能够更好地拟合实际数据。
在完成蛋白风险评分的训练后，使用糖尿病患者数据集的50％作为测试集，对蛋白风险评分是否能够进一步增加现有慢性肾脏病预测模型的效能进行进一步评估。为了比较和分析模型的预测效果，我们将训练集的预测结果、测试集的预测结果与实际数据进行对比。基于此可以了解模型在实际应用中的表现，并评估其C指数、综合判别指数和净重分类指数等指标。上述评估结果可以进一步反映模型预测慢性肾脏病发生风险的能力。
根据预测模型的评估结果，对预测模型进行优化，可以调整预测模型的参数或更改特征选择，以提高预测模型的预测性能，优化之后的模型将再次进行训练和评估，可以采用迭代优化的方法过，对预测模型进行多次参数调整和结果比较，以获得最佳性能并确保模型优化的有效性。
将蛋白质评分结果和慢性肾脏病诱发因素输入到糖尿病患者慢性肾脏病发生风险预测模型当中，获得糖尿病患者的慢性肾脏病风险指数，其具体实施如下：
收集糖尿病患者的蛋白质评分结果和慢性肾脏病诱发因素的相关信息，上述数据包括但不限于糖尿病患者的年龄、性别、血糖水平、高血压等慢性肾脏病诱发因素的信息，以及糖尿病患者的蛋白质评分结果，然后将收集到的数据输入到已经训练优化的慢性肾脏病发生风险预测模型中，实施例中糖尿病患者慢性肾脏病发生风险预测模型可以增添机器学习算法或统计模型等建模方法，以提高预测模型的准确性和可行性，实现糖尿病患者慢性肾脏病发生风险的准确预测。
预测模型通过对输入数据的分析和计算，输出糖尿病患者的慢性肾脏病风险指数，上述指数可以直接反映糖尿病患者在未来发生慢性肾脏病的风险程度，为医生和患者提供更有针对性的预防和治疗建议。此外，风险指数只是评估慢性肾脏病发生风险的一个方面，还需要综合考虑其他因素，如糖尿病患者的病史、家族史、肾功能等信息进行综合分析，才能获得更准确的预测结果，以实现糖尿病患者慢性肾脏病的早期发现和风险控制。
在既往的糖尿病患者的慢性肾脏病预测模型中，加入蛋白质评分结果作为新的预测变量，可以显著提高预测模型的准确性和分析效能。蛋白质评分结果可以完善肾脏病相关的预测信息，帮助预测模型更好地识别出具有高风险的糖尿病患者，从而更好地指导临床决策和预防措施的实施。请参见表3，将既往的糖尿病患者慢性肾脏病预测模型与本实施例的糖尿病患者慢性肾脏病发生风险预测模型进行比较。
表3
糖尿病患者新发慢性肾脏病预测模式的比较
表3中，C指数是衡量预测模型准确程度的指标，值越接近1表示预测模型的准确度越高；综合判别指数则表示预测模型区分糖尿病患者发生肾脏病风险的能力；净重分类指数则衡量了预测模型将糖尿病患者正确分类的能力。
根据表3可知，加入蛋白质风险评分后，糖尿病患者慢性肾脏病预测模型的准确度和区分能力均得到了提高，净重分类指数则进一步强调了预测模型在正确分类患者方面的效能。
更进一步地，慢性肾脏病的原始预测模型的C指数为0.800，对应的95％置信区间为0.762-0.830，既往模型在预测慢性肾脏病的发生方面具有较高的准确性。然而，通过进一步加入蛋白质风险评分作为新的预测变量之后，预测模型的C指数为0.846，对应的95％置信区间为0.813-0.879，此时C指数增加了0.046，对应的95％置信区间为0.029-0.074，综合判别指数为0.089，对应的95％置信区间为0.044-0.153，净重分类指数为0.230，对应的95％置信区间为0.146-0.360。更进一步地说明蛋白质风险评分对模型的预测性能产生了积极的影响，提高了预测模型的预测准确性和效能，从而更好地指导临床决策和预防措施的实施，可以更全面地评估糖尿病患者的慢性肾脏病发生风险。
为了进一步比较糖尿病患者慢性肾脏病预测模型的实际效能，在本实施例中绘制了不同糖尿病患者慢性肾脏病预测模型的C指数对比柱状图。请参见图2，其中Y表示原始慢性肾脏病发生风险预测模型，D表示本实施例的糖尿病患者慢性肾脏病发生风险预测模型。从图中可知原始慢性肾脏病发生风险预测模型的C指数为0.800，更进一步地其对应的95％置信区间为0.762-0.830，而本实施例的糖尿病患者慢性肾脏病发生风险预测模型的C指数为0.846，更进一步地其对应的95％置信区间为0.813-0.879。
基于图2柱状图可以直观地比较不同预测模型的预测性能，本实施例的糖尿病患者慢性肾脏病发生风险预测模型的C指数增加了0.046，则说明本实施例的预测模型具有更好的预测性能，每个模型的95％置信区间，有助于更准确地评估每个模型的预测性能，同时本实施例慢性肾脏病预测模型的95％置信区间也相对更窄，说明本实施例中预测模型的不确定性更小，预测性能更稳定。
更进一步地，在本实施例中预测模型的优化方法，仅仅只是本实施例的一个可选条件，预测模型的特征内容可以根据预测需求进行替换，蛋白质风险评分作为慢性肾脏病预测模型的一个重要补充指标，可以保证糖尿病患者预测模型的全面性，进而更好地评估糖尿病患者慢性肾脏病的发生风险。
S4、根据慢性肾脏病风险指数分析糖尿病患者的慢性肾脏病发生风险，其具体实施步骤及相关内容如下：
根据慢性肾脏病风险指数预测糖尿病患者的慢性肾脏病发生风险；利用所述慢性肾脏病发生风险实现糖尿病患者慢性肾脏病的早期风险识别和疾病预警。
根据慢性肾脏病风险指数预测糖尿病患者的慢性肾脏病发生风险，可以通过慢性肾脏病风险指数模型来评估每个糖尿病患者的慢性肾脏病发生风险。此外还需要结合糖尿病患者的年龄、性别、种族、体质指数、吸烟状况、估计肾小球滤过率、尿白蛋白肌酐比值、疾病史、糖化血红蛋白、降糖药的使用，以及糖化血红蛋白与降糖药使用的交互项等参数进行综合评估。
在一个可选地实施例中，对糖尿病患者进行10年的持续观察、记录、监测和随访，上述糖尿病患者慢性肾脏病发生风险预测模型的目标参数包括；年龄、性别、种族、估计肾小球滤过率、估计肾小球滤过率的函数、心血管病史、吸烟史、高血压病史、体重质量指数、尿白蛋白-肌酐比值取自然对数值、糖化蛋白水平、降糖药的哑变量1、糖化蛋白水平和降糖药的哑变量1的乘积、糖化蛋白水平和降糖药的哑变量2的乘积、蛋白质风险评分。
然后，获得各目标参数所得对应的影响系数，其具体内容如下：
对糖尿病患者进行10年的监测和随访，此时糖尿病患者肾脏病预测风险的底数SO(t)为0.47761；
X1表示预测个体的年龄，对应的μ1为0.02065；
X2表示预测个体的性别，当预测个体性别为男性时，赋值X2为1，当预测个体性别为女性时，赋值X2为0，对应的μ2为0.02221；
X3表示预测个体的种族，当预测个体为黑人时，赋值X3为1，当预测个体非黑人时，赋值X3为0，对应的μ3为1.20737；
X4表示预测个体的估计肾小球滤过率，对应的μ4为-0.05427；
X5表示预测个体的估计肾小球滤过率的函数max(eGFR-90,0)，当预测个体的估计肾小球滤过率大于90ml/min/1.73m2时，赋值X5为估计肾小球滤过率和90的差值，当表示预测个体的估计肾小球滤过率小于90ml/min/1.73m2时，赋值X5为0，对应的μ5为0.0691；
X6表示预测个体的心血管病史，当预测个体有心血管病史时，赋值X6为1，当预测个体无心血管病史时，赋值X6为0，对应的μ6为0.14151；
X7表示预测个体既往是否从不吸烟，当预测个体从不吸烟时，赋值X7为1，当预测个体既往有吸烟时，赋值X7为0，对应的μ7为-0.29798；
X8表示预测个体的高血压病史，当预测个体有高血压病史时，赋值X8为1，当预测个体无高血压病史时，赋值X8为0，对应的μ8为-0.17409；
X9表示预测个体的体重质量指数，X9为体重(kg)除于身高(m)平方的商，对应的μ9为-0.02952；
X10表示为预测个体的尿白蛋白-肌酐比值取自然对数值，对应的μ10为0.53639；
X11表示为预测个体的糖化蛋白水平(mmol/mol)，对应的μ11为0.01236；
X12表示为预测个体降糖药的哑变量1，如果预测个体只口服降糖药，赋值X12为1，否则为0，对应的μ12为0.2111；
X13表示预测个体降糖药的哑变量2，如果预测个体不使用降糖药，赋值X13为1，否则为0，对应的μ13为-0.19089；
X14表示预测个体糖化蛋白水平和降糖药哑变量1的乘积，对应的μ14为-0.00419；
X15表示预测个体糖化蛋白水平和降糖药哑变量2的乘积，对应的μ15为-0.00229；
X16表示预测个体的蛋白质风险评分，对应的μ16为1.21347。
基于各目标参数的所对应的影响系数获得糖尿病患者慢性肾脏病的风险指数，考虑多种目标参数及其对应的影响系数，可以更全面地评估糖尿病患者慢性肾脏病的发生风险，并且可以定期监测各目标参数的变化情况，以及时发现潜在的风险因素，有助于慢性肾脏病的早期发现和及时干预，减缓慢性肾脏病进展，降低并发症的发生概率。
在另外一个可选的实施例中，可以根据每个糖尿病患者的慢性肾脏病风险指数，判断糖尿病患者患慢性肾脏病的风险程度，可以根据风险指数的大小识别出具有高风险的糖尿病患者。对于高风险的糖尿病患者，医生可以采取更积极的干预措施，如加强血糖控制、管理血压和血脂等危险因素，以及定期监测糖尿病患者的肾功能等，以降低慢性肾脏病的发生风险。此外，通过慢性肾脏病风险指数，还可以及时发现慢性肾脏病的早期迹象，并进行早期治疗和管理，以实现慢性肾脏病的早期疾病预警。
在另外一个可选的实施例中，可以根据慢性肾脏病风险指数将慢性肾脏病发生风险分为不同等级，可以为临床医生和患者提供更加清晰和具体的风险评估结果。分数等级种分类方法，由此医生可以根据慢性肾脏病发生风险的等级情况，制定个性化的治疗方案和干预措施，以降低糖尿病患者慢性肾脏病的发生风险，有助于医生更好地了解糖尿病患者的风险状况，并采取针对性的诊断、治疗和干预措施。
更进一步地，在本实施例中对糖尿病患者的疾病预测模型，仅仅只是本实施例的一个可选条件，预测模型的建立方法和分析方式可以根据糖尿病患者的具体情况和预测需求进行调整，有助于更准确地预测糖尿病患者的病情，进而对采取针对性的治疗措施，利于糖尿病患者慢性肾脏病的早期发现和提前干预。
在实际应用中，可以定期监测糖尿病患者的血浆蛋白质水平和其他肾病诱发因素，并使用慢性肾脏病发生风险模型来预测和评估糖尿病患者慢性肾脏病的发生风险。根据预测结果，医生可以适宜糖尿病患者的疾病干预措施或治疗策略，以降低糖尿病患者慢性肾脏病的发生风险。
更进一步地，可以根据糖尿病患者的监测数据和预测结果，对慢性肾脏病发生风险预测模型进行不断更新和改进，以提高预测结果的准确性和有效性。进而可以更好地了解糖尿病患者慢性肾脏病的发展趋势和疾病情况，从而为预防和治疗模型肾脏病提供更可靠的指导。
进一步地，如图3所示，在一个可选的实施例中，基于糖尿病患者慢性肾脏病发生风险预测系统还包括输入设备、输出设备以及处理器，其中，所述输入设备、所述处理器、所述存储器和所述输出设备相互连接，以实现信息交换和数据处理。
在本实施例中，所述输入设备用于向本系统提供输入相关数据或指令。在糖尿病患者慢性肾脏病发生风险预测系统中，输入设备可以包括键盘、鼠标、触摸屏等常见的人机交互界面设备。通过输入设备，医生或研究人员可以输入待评估者的特征基因表达数据、相关临床信息或其他必要的输入参数。
所述处理器是系统的核心组件，负责执行计算机程序指令，进行数据处理和分析。在糖尿病患者慢性肾脏病发生风险预测系统中，处理器通过运行预先编程的算法和模型，对输入的特征蛋蛋白质表达数据进行分析和解释，计算糖尿病患者的蛋白质水平，以及根据预测模型进行分数评估。处理器可以是中央处理器(CPU)、图形处理器(GPU)或其他专用的处理单元。
所述存储器用于存储系统所需的计算机程序、数据和参数。它可以包括随机存取存储器(RAM)用于临时数据存储和处理，以及持久性存储器(如硬盘或固态硬盘)用于长期存储和保存数据。在预后评估系统中，存储器可以存储糖尿病患者的蛋白质数据集、特征蛋白质相关的预测模型、预测分析值以及糖尿病患者特征蛋白质的表达数据等。
所述输出设备用于向用户或外部设备呈现系统处理和分析的结果。在预后评估系统中，输出设备可以是显示器、打印机、图表绘制设备等。通过输出设备，系统可以展示预测分析结果，可以供医生、研究人员或患者参考，以辅助决策和沟通。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：
获取糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平及慢性肾脏病诱发因素；
构建糖尿病患者蛋白质评分模型，利用所述糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果；
基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数；
根据慢性肾脏病风险指数分析糖尿病患者的慢性肾脏病发生风险。
2.根据权利要求1所述的计算机可读存储介质，其特征在于，所述获取糖尿病患者血液中与慢性肾脏病发生风险相关的蛋白质水平包括：
基于糖尿病患者的血浆样本获得与慢性肾脏病发生风险相关的蛋白质水平，所述蛋白质水平包括：免疫球蛋白超家族成员16、CD27抗原、C型凝集素结构域家族6成员A、WAP,kazal,免疫球蛋白,kunitz和NTR结构域蛋白1、胰岛素样生长因子结合蛋白4、SART1蛋白、转钴胺素蛋白I、含MAM结构域蛋白2、胞外超氧化物歧化酶、肿瘤坏死因子受体超家族成员10、α白蛋白、前列腺素D2合成酶、酪酪肽、甲型肝炎病毒细胞受体1、载脂蛋白M、VI型胶原蛋白α3链、CMRF35样分子8、CHMP1A蛋白、基质金属蛋白酶12、谷氨酸离子受体NMDA型2B亚单位、钙粘蛋白EGF LAG七经G-型受体2、胰石蛋白1β、组织金属蛋白酶抑制因子4、睾丸蛋白聚糖1、肾素、促肾上腺皮质素释放激素受体1、C-X-C基序趋化因子14、酸性鞘磷脂酶如磷酸二酯酶3A、蛋白二硫化物异构酶A2、凋亡调节因子Bcl-2、B型钠尿肽、粘附分子IgG样结构域蛋白2、桥粒芯糖蛋白-4、有机溶质转运体亚单位β、胰岛素样生长因子结合蛋白3、杀伤细胞凝集素样受体亚家族K成员1、肿瘤坏死因子受体超家族成员9、序列相似家族3成员C、RALBRAS样蛋白B、肿瘤坏死因子受体超家族成员6B、核糖核酸酶K6、肿瘤坏死因子受体超家族成员11、骨形态发生蛋白4、钠通道亚基β4、再生胰岛衍生蛋白3α、翻译启动因子eIF-2B亚基beta、前贴式转运蛋白结合蛋白9、鸟苷蛋白。
3.根据权利要求1所述的计算机可读存储介质，其特征在于，所述构建糖尿病患者蛋白质评分模型包括；
根据糖尿病患者与慢性肾脏病发生风险相关的蛋白质水平构建糖尿病患者蛋白质评分模型。
4.根据权利要求3所述的计算机可读存储介质，其特征在于，所述糖尿病患者蛋白质评分模型，满足如下关系：
其中，PRC表示糖尿病患者蛋白质水平的评分结果，N表示糖尿病患者的蛋白质数量，βi代表第i个蛋白质对肾脏病发生风险的影响权重，NPXi表示第i个蛋白质所对应的表达量。
5.根据权利要求1所述的计算机可读存储介质，其特征在于，所述利用所述糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果包括：
获取糖尿病患者各蛋白质水平对慢性肾脏病发生风险的权重系数；
基于所述权重系数和所述糖尿病患者蛋白质评分模型得到糖尿病患者的蛋白质评分结果。
6.根据权利要求1所述的计算机可读存储介质，其特征在于，所述基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数包括：
依据所述蛋白质评分结果和所述慢性肾脏病诱发因素建立糖尿病患者慢性肾脏病发生风险预测模型。
7.根据权利要求6所述的计算机可读存储介质，其特征在于，所述基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数包括：
所述糖尿病患者慢性肾脏病发生风险预测模型基于所述蛋白质评分结果和所述慢性肾脏病诱发因素获得糖尿病患者的慢性肾脏病风险指数。
8.根据权利要求6所述计算机可读存储介质，其特征在于，所述糖尿病患者慢性肾脏病发生风险预测模型，满足如下关系：
其中，RD表示糖尿病患者肾脏病的发生风险，SO(t)表示糖尿病患者肾脏病预测风险的底数值，μi表示糖尿病患者慢性肾脏病发生风险预测模型目标参数对应的影响系数，Xi表示糖尿病患者慢性肾脏病发生风险预测模型的目标参数。
9.根据权利要求8所述的计算机可读存储介质，其特征在于，所述根据慢性肾脏病风险指数分析糖尿病患者的慢性肾脏病发生风险包括：
根据慢性肾脏病风险指数预测糖尿病患者的慢性肾脏病发生风险；
利用所述慢性肾脏病发生风险实现糖尿病患者慢性肾脏病的早期风险识别和疾病预警。
10.一种糖尿病患者慢性肾脏病发生风险预测系统，其特征在于，包括输入设备、处理器、输出设备和存储器，其中，所述输入设备、处理器、输出设备和存储器相互连接，所述存储器包括如权利要求1-9任一项所述的计算机可读存储介质，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311725687.0A CN117711619A (zh) | 2023-12-15 | 2023-12-15 | 一种糖尿病患者慢性肾脏病发生风险预测系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311725687.0A CN117711619A (zh) | 2023-12-15 | 2023-12-15 | 一种糖尿病患者慢性肾脏病发生风险预测系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117711619A true CN117711619A (zh) | 2024-03-15 |
Family
ID=90160172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311725687.0A Pending CN117711619A (zh) | 2023-12-15 | 2023-12-15 | 一种糖尿病患者慢性肾脏病发生风险预测系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117711619A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014142649A1 (en) * | 2013-03-15 | 2014-09-18 | Biomarker Design Forschungsgesellschaft Mbh | Biomarkers for improved diagnosis and prognosis of chronic kidney disease |
| US20150204874A1 (en) * | 2012-07-26 | 2015-07-23 | Joslin Diabetes Center, Inc. | Predicting and treating diabetic complications |
| US20170153249A1 (en) * | 2014-07-01 | 2017-06-01 | Bio-Rad Innovations | Early prediction markers of diabetic nephropathy |
| US20210118570A1 (en) * | 2018-03-23 | 2021-04-22 | Roche Diabetes Care, Inc. | Methods for screening a subject for the risk of chronic kidney disease and computer-implemented method |
| CN114220540A (zh) * | 2021-12-10 | 2022-03-22 | 首都医科大学附属北京潞河医院 | 一种糖尿病肾病风险预测模型的构建方法及应用 |
| US20230137242A1 (en) * | 2020-01-31 | 2023-05-04 | Warszawski Uniwersytet Medyczny | Method of screening for a chronic kidney disease or glomerulopathy method of monitoring a response to treatment of a chronic kidney disease or glomerulopathy in a subject and a method of treatment of a chronic kidney disease or glomerulopathy |
| CN117116463A (zh) * | 2022-05-17 | 2023-11-24 | 徐州市中心医院 | 2型糖尿病进展为糖尿病肾病的风险预测模型及构建方法 |
-
2023
- 2023-12-15 CN CN202311725687.0A patent/CN117711619A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150204874A1 (en) * | 2012-07-26 | 2015-07-23 | Joslin Diabetes Center, Inc. | Predicting and treating diabetic complications |
| WO2014142649A1 (en) * | 2013-03-15 | 2014-09-18 | Biomarker Design Forschungsgesellschaft Mbh | Biomarkers for improved diagnosis and prognosis of chronic kidney disease |
| US20170153249A1 (en) * | 2014-07-01 | 2017-06-01 | Bio-Rad Innovations | Early prediction markers of diabetic nephropathy |
| US20210118570A1 (en) * | 2018-03-23 | 2021-04-22 | Roche Diabetes Care, Inc. | Methods for screening a subject for the risk of chronic kidney disease and computer-implemented method |
| US20230137242A1 (en) * | 2020-01-31 | 2023-05-04 | Warszawski Uniwersytet Medyczny | Method of screening for a chronic kidney disease or glomerulopathy method of monitoring a response to treatment of a chronic kidney disease or glomerulopathy in a subject and a method of treatment of a chronic kidney disease or glomerulopathy |
| CN114220540A (zh) * | 2021-12-10 | 2022-03-22 | 首都医科大学附属北京潞河医院 | 一种糖尿病肾病风险预测模型的构建方法及应用 |
| CN117116463A (zh) * | 2022-05-17 | 2023-11-24 | 徐州市中心医院 | 2型糖尿病进展为糖尿病肾病的风险预测模型及构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210041440A1 (en) | Methods and apparatus for identifying disease status using biomarkers | |
| EP2844131B1 (en) | Methods and systems of evaluating a risk of a gastrointestinal cancer | |
| Lagani et al. | A systematic review of predictive risk models for diabetes complications based on large scale clinical studies | |
| US11664126B2 (en) | Clinical predictor based on multiple machine learning models | |
| Neuvirth et al. | Toward personalized care management of patients at risk: the diabetes case study | |
| US20070026365A1 (en) | Defining virtual patient populations | |
| 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 | |
| EP3433614A1 (en) | Use of clinical parameters for the prediction of sirs | |
| CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| CN115602325A (zh) | 一种基于多模型算法的慢性病风险评估方法及其系统 | |
| JP2023548253A (ja) | 医学検査値分析を実行するためのコンピュータ実装された方法、及び、装置 | |
| CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
| Hosseini Sarkhosh et al. | Development and validation of a risk score for diabetic kidney disease prediction in type 2 diabetes patients: a machine learning approach | |
| Contreras et al. | A hybrid clustering prediction for type 1 diabetes aid: towards decision support systems based upon scenario profile analysis | |
| CN111798992A (zh) | 一种肥胖与非慢性传染病发病风险的分析方法及系统 | |
| CN117711619A (zh) | 一种糖尿病患者慢性肾脏病发生风险预测系统及存储介质 | |
| Noori et al. | A comparative analysis for diabetic prediction based on machine learning techniques | |
| CN113096815A (zh) | 一种基于logistic回归的慢性肾病预测方法 | |
| Kavya et al. | Heart Disease Prediction Using Logistic Regression | |
| Ceh-Varela et al. | Machine learning analysis of factors contributing to Diabetes Development | |
| TWI826081B (zh) | 癌症進展評估方法及其系統 | |
| CN117711620A (zh) | 一种基于蛋白质的房颤发生风险预测系统及存储介质 | |
| Roth Cardoso | Enabling cardiovascular multimodal, high dimensional, integrative analytics | |
| CN116913550A (zh) | 一种ppi相关糖尿病风险预测模型的建模方法和应用 |
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 |