CN117954098B - 一种糖尿病肾病鉴别诊断系统 - Google Patents
一种糖尿病肾病鉴别诊断系统 Download PDFInfo
- Publication number
- CN117954098B CN117954098B CN202410346501.9A CN202410346501A CN117954098B CN 117954098 B CN117954098 B CN 117954098B CN 202410346501 A CN202410346501 A CN 202410346501A CN 117954098 B CN117954098 B CN 117954098B
- Authority
- CN
- China
- Prior art keywords
- patient
- module
- kidney disease
- data
- differential diagnosis
- 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.)
- Active
Links
- 208000007342 Diabetic Nephropathies Diseases 0.000 title claims abstract description 32
- 208000033679 diabetic kidney disease Diseases 0.000 title claims abstract description 32
- 238000003748 differential diagnosis Methods 0.000 title claims abstract description 23
- 208000017169 kidney disease Diseases 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000013480 data collection Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 201000010099 disease Diseases 0.000 claims abstract description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 14
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 22
- 239000008280 blood Substances 0.000 claims description 18
- 210000004369 blood Anatomy 0.000 claims description 18
- 238000012502 risk assessment Methods 0.000 claims description 18
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 9
- 239000008103 glucose Substances 0.000 claims description 9
- 206010012601 diabetes mellitus Diseases 0.000 claims description 8
- 230000003345 hyperglycaemic effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000002641 glycemic effect Effects 0.000 claims description 4
- 201000001421 hyperglycemia Diseases 0.000 claims description 4
- 210000002700 urine Anatomy 0.000 claims description 4
- 208000038001 non-diabetic kidney disease Diseases 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000036541 health Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000005353 urine analysis Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种糖尿病肾病鉴别诊断系统，所述系统包括数据收集模块、分析处理模块、鉴别诊断模块、交互模块和数据存储模块；所述数据收集模块用于收集患者的基础信息和关键生理指标；所述分析处理模块用于分析评估患者的肾病患病风险；所述鉴别诊断模块用于进一步鉴别患者所患肾病类型；所述交互模块用于为医生和患者提供交互界面；所述数据存储模块用于存储患者信息和病情分析结果；本发明在对患者肾病风险进行综合评估的同时，进一步结合患者健康的动态状况和遗传因素鉴别肾病类型，从而实现个性化的医疗决策支持，提高了诊断的准确性和效率。
Description
技术领域
本发明涉及肾病鉴别系统领域，尤其涉及一种糖尿病肾病鉴别诊断系统。
背景技术
在当前医疗领域，糖尿病肾病作为一种常见的慢性并发症，对患者的生活质量和健康造成了显著影响；随着医学技术的进步，对这种并发症的早期诊断和有效管理变得日益重要；然而，传统的诊断方法往往依赖于复杂的医疗测试和长时间的数据分析，这不仅耗时而且成本高昂；鉴于此，开发一个能够快速、准确地评估和鉴别糖尿病肾病的系统显得尤为重要；该系统应能够处理大量的健康数据，并为患者提供精确的诊断。
查阅相关已公开技术方案，公开号为CN117038091A的技术提出提供了一种通过预测模型对糖尿病性肾病的快速诊断系统及方法，包括云端处理器，所述云端处理器连接有数据采集和整理模块，所述数据采集和整理模块用于收集患者的信息，并进行整理和存储，所述云端处理器连接有特征提取和选择模块，所述特征提取和选择模块用于提取患者相关的检测数据，所述云端处理器连接有模型构建和训练模块，所述模型构建和训练模块用于构建和训练糖尿病性肾病的预测模型；通过模型构建和训练模块、诊断对比模块和肾内科云平台模块的配合，使得系统在运行时赋予预测模型自主更新和学习的能力，并保证诊断模型的权威性和准确性，提高对各个类别的糖尿病性肾病的诊断能力；但该方案缺少在监测患者长期健康状况及其变化方面的功能，对于糖尿病肾病和非糖尿病肾病之间的细致鉴别不够准确。
发明内容
本发明的目的在于，针对目前所存在的不足，提出了一种糖尿病肾病鉴别诊断系统。
本发明采用如下技术方案：
一种糖尿病肾病鉴别诊断系统，所述系统包括数据收集模块、分析处理模块、鉴别诊断模块、交互模块和数据存储模块；
所述数据收集模块用于收集患者的基础信息和关键生理指标；所述分析处理模块用于分析评估患者的肾病患病风险；所述鉴别诊断模块用于进一步鉴别患者所患肾病类型；所述交互模块用于为医生和患者提供交互界面；所述数据存储模块用于存储患者信息和病情分析结果；
所述数据收集模块包括基础信息收集单元和生理指标收集单元，所述基础信息收集单元用于收集患者的基础信息，所述基础信息包括年龄、性别、病史和家族病史信息；所述生理指标收集单元用于收集患者的关键生理指标信息，所述关键生理指标信息包括各项与糖尿病肾病风险评估相关的血液和尿液生理指标信息；
所述分析处理模块包括数据预处理单元和风险评估单元，所述数据预处理单元用于对数据收集模块收集的数据进行清洗和格式化，以便后续分析；所述风险评估单元用于评估患者的肾病患病风险；
进一步的，所述风险评估单元具体包括样本数据库、特征选择子单元、预测模型子单元和输出子单元；所述样本数据库中存储有用于训练预测模型的训练数据，所述特征选择子单元用于从训练数据中提取对肾病预测最具影响力的相关特征数据；所述预测模型子单元使用特征选择子单元选出的特征数据来训练预测模型，并使用训练好的预测模型完成对于患者肾病患病风险的预测；所述输出子单元用于输出患者肾病患病风险预测结果；
进一步的，所述鉴别诊断模块对于患者所患肾病类型的鉴别包括对于患者所患糖尿病肾病和非糖尿病肾病的鉴别，鉴别过程具体满足：
；
其中，为鉴别判断参数，/>为病情影响因子，/>为遗传影响因子，/>和为预设的权重系数，满足/>：当鉴别判断参数大于设定阈值时，判定患者所患肾病为糖尿病肾病；
进一步的，所述病情影响因子满足：
；
其中，为糖尿病判断因子，/>为患者存在高血糖情况的持续时间，/>为血糖控制因子，/>为患者存在高血糖情况持续时间内的平均血糖水平；
对于糖尿病判断因子满足：
；
对于血糖控制因子满足：
；
其中，为患者存在高血糖情况随持续时间/>变化的血糖水平的导函数；
进一步的，所述遗传影响因子满足：
；
；
；
；
。
本发明所取得的有益效果是：
本发明通过数据收集模块全面的获取了患者的基础信息和关键生理指标，为后续分析提供了全面的数据基础；通过分析处理模块中的预测模型可准确预测出患者肾病患病风险；通过鉴别诊断模块结合患者血糖水平动态变化、遗传因素和病情特征，为每位患者提供个性化的诊断支持，动态的获取到患者的健康水平，从而更加精确的完成了对于患者糖尿病肾病的诊断鉴别。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1为本发明整体模块示意图。
图2为本发明风险评估单元工作流程示意图。
图3为本发明预测模型的建立及训练流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明；对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见；旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内；包括在本发明的范围内，并且受所附权利要求书的保护；在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位，以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一：如图1所示，本实施例提供一种糖尿病肾病鉴别诊断系统，所述系统包括数据收集模块、分析处理模块、鉴别诊断模块、交互模块和数据存储模块；
所述数据收集模块用于收集患者的基础信息和关键生理指标；所述分析处理模块用于分析评估患者的肾病患病风险；所述鉴别诊断模块用于进一步鉴别患者所患肾病类型；所述交互模块用于为医生和患者提供交互界面；所述数据存储模块用于存储患者信息和病情分析结果；
所述数据收集模块包括基础信息收集单元和生理指标收集单元，所述基础信息收集单元用于收集患者的基础信息，所述基础信息包括年龄、性别、病史和家族病史信息；所述生理指标收集单元用于收集患者的关键生理指标信息，所述关键生理指标信息包括各项与糖尿病肾病风险评估相关的血液和尿液生理指标信息；
所述分析处理模块包括数据预处理单元和风险评估单元，所述数据预处理单元用于对数据收集模块收集的数据进行清洗和格式化，以便后续分析；所述风险评估单元用于评估患者的肾病患病风险；
进一步的，所述风险评估单元具体包括样本数据库、特征选择子单元、预测模型子单元和输出子单元；所述样本数据库中存储有用于训练预测模型的训练数据，所述特征选择子单元用于从训练数据中提取对肾病预测最具影响力的相关特征数据；所述预测模型子单元使用特征选择子单元选出的特征数据来训练预测模型，并使用训练好的预测模型完成对于患者肾病患病风险的预测；所述输出子单元用于输出患者肾病患病风险预测结果；
进一步的，所述鉴别诊断模块对于患者所患肾病类型的鉴别包括对于患者所患糖尿病肾病和非糖尿病肾病的鉴别，鉴别过程具体满足：
；
其中，为鉴别判断参数，/>为病情影响因子，/>为遗传影响因子，/>和为预设的权重系数，满足/>：当鉴别判断参数大于设定阈值时，判定患者所患肾病为糖尿病肾病；
进一步的，所述病情影响因子满足：
；
其中，为糖尿病判断因子，/>为患者存在高血糖情况的持续时间，/>为血糖控制因子，/>为患者存在高血糖情况持续时间内的平均血糖水平；
对于糖尿病判断因子满足：
；
对于血糖控制因子满足：
；
其中，为患者存在高血糖情况随持续时间/>变化的血糖水平的导函数；
进一步的，所述遗传影响因子满足：
；
；
；
；
。
实施例二：本实施例应当理解为至少包含前述任一一个实施例的全部特征，并在其基础上进一步改进；
本实施例提供一种糖尿病肾病鉴别诊断系统，所述系统包括数据收集模块、分析处理模块、鉴别诊断模块、交互模块和数据存储模块；
所述数据收集模块用于收集患者的基础信息和关键生理指标；所述分析处理模块用于分析评估患者的肾病患病风险；所述鉴别诊断模块用于进一步鉴别患者所患肾病类型；所述交互模块用于为医生和患者提供交互界面；所述数据存储模块用于存储患者信息和病情分析结果；
所述数据收集模块包括基础信息收集单元和生理指标收集单元，所述基础信息收集单元用于收集患者的基础信息，所述基础信息包括年龄、性别、病史和家族病史信息；所述生理指标收集单元用于收集患者的关键生理指标信息，所述关键生理指标信息包括各项与糖尿病肾病风险评估相关的血液和尿液生理指标信息；
具体地，所述关键生理指标信息包括但不限于血糖水平、血压、肾功能指标、尿液分析结果和电解质平衡信息；
所述分析处理模块包括数据预处理单元和风险评估单元，所述数据预处理单元用于对数据收集模块收集的数据进行清洗和格式化，以便后续分析；所述风险评估单元用于评估患者的肾病患病风险；
进一步的，如图2所示，所述风险评估单元具体包括样本数据库、特征选择子单元、预测模型子单元和输出子单元；所述样本数据库中存储有用于训练预测模型的训练数据，所述特征选择子单元用于从训练数据中提取对肾病预测最具影响力的相关特征数据；所述预测模型子单元使用特征选择子单元选出的特征数据来训练预测模型，并使用训练好的预测模型完成对于患者肾病患病风险的预测；所述输出子单元用于输出患者肾病患病风险预测结果；
进一步的，所述样本数据库中存储的训练数据包括全部特征数据与标签数据，所述全部特征数据包括与数据收集模块收集的患者所有信息对应维度的数据，所述标签数据为全部特征数据对应的预计输出结果，即患者患有肾病的概率，所述标签数据通过医生人为标注或已有的医疗记录获取；
进一步的，所述特征选择子单元的工作方式为首先为每个维度的特征数据计算一个选择参数，并将这些选择参数从大到小排序，并据此选择预设数量的相关特征数据；这些选定的特征数据随后被用作输入到预测模型的训练过程中；所述选择参数满足：
；
其中，为选择参数，/>为某种特征数据/>与标签数据/>的协方差，/>为特征数据/>的标准差，/>为标签数据/>的标准差，满足：
；
；
；
其中，为特征数据/>中第/>个观测值，/>为标签数据/>中第/>个观测值，/>为特征数据/>的平均值，/>为标签数据的平均值，/>为观测值的数量；
进一步的，如图3所示，所述预测模型子单元中的预测模型具体为多层感知器，即MLP模型，所述预测模型的建立及训练流程如下；
S1：建立预测模型：设定本预测模型为三层结构，包括输入层、隐藏层和输出层，所述输入层的神经元数量对应于特征选择子单元选择出的特征数量，所述输出层的神经元数量为1个，对应于患者患肾病的概率，所述隐藏层的神经元数量满足：
；
其中，为输入层的神经元数量，/>为取值范围在/>内的常数；
S2：确定激活函数：设定本预测模型中隐藏层的激活函数为RELU函数，输出层的激活函数为Sigmoid函数；
S3：训练优化模型参数：初始化模型的权重和偏置，并使用特征选择子单元提取的特征数据和标签数据完成对于预测模型的训练优化；预测模型中使用二元交叉熵损失函数来迭代调整权重，从而最小化预测误差；
进一步的，在所述预测模型建立训练完成后，所述风险评估单元将数据获取模块获取的患者信息经特征选择子单元提取后输入至预测模型中从而完成对于患者肾病患病风险的预测；
进一步的，所述鉴别诊断模块对于患者所患肾病类型的鉴别包括对于患者所患糖尿病肾病和非糖尿病肾病的鉴别，鉴别过程具体满足：
；
其中，为鉴别判断参数，/>为病情影响因子，/>为遗传影响因子，/>和为预设的权重系数，满足/>：当鉴别判断参数大于设定阈值时，判定患者所患肾病为糖尿病肾病；
进一步的，对于病情影响因子满足：
；
其中，为糖尿病判断因子，/>为患者存在高血糖情况的持续时间，/>为血糖控制因子，/>为患者存在高血糖情况持续时间内的平均血糖水平；
进一步的，对于糖尿病判断因子满足：
；
进一步的，对于血糖控制因子满足：
；
其中，为患者存在高血糖情况随持续时间/>变化的血糖水平的导函数；
进一步的，对于遗传影响因子满足：
；
；
；
；
；
进一步的， 所述交互模块通过交互界面为医生和患者提供患者的肾病患病风险和肾病类型鉴别结果，并允许医生或患者查询历史评估记录、修改患者信息或重新进行风险评估和疾病鉴别。
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的保护范围，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的保护范围内，此外，随着技术发展其中的元素可以更新的。
Claims (1)
1.一种糖尿病肾病鉴别诊断系统，其特征在于，所述系统包括数据收集模块、分析处理模块、鉴别诊断模块、交互模块和数据存储模块；
所述数据收集模块用于收集患者的基础信息和关键生理指标；所述分析处理模块用于分析评估患者的肾病患病风险；所述鉴别诊断模块用于进一步鉴别患者所患肾病类型；所述交互模块用于为医生和患者提供交互界面；所述数据存储模块用于存储患者信息和病情分析结果；
所述数据收集模块包括基础信息收集单元和生理指标收集单元，所述基础信息收集单元用于收集患者的基础信息，所述基础信息包括年龄、性别、病史和家族病史信息；所述生理指标收集单元用于收集患者的关键生理指标信息，所述关键生理指标信息包括各项与糖尿病肾病风险评估相关的血液和尿液生理指标信息；
所述分析处理模块包括数据预处理单元和风险评估单元，所述数据预处理单元用于对数据收集模块收集的数据进行清洗和格式化，以便后续分析；所述风险评估单元用于评估患者的肾病患病风险；
所述风险评估单元具体包括样本数据库、特征选择子单元、预测模型子单元和输出子单元；所述样本数据库中存储有用于训练预测模型的训练数据，所述特征选择子单元用于从训练数据中提取对肾病预测最具影响力的相关特征数据；所述预测模型子单元使用特征选择子单元选出的特征数据来训练预测模型，并使用训练好的预测模型完成对于患者肾病患病风险的预测；所述输出子单元用于输出患者肾病患病风险预测结果；
所述鉴别诊断模块对于患者所患肾病类型的鉴别包括对于患者所患糖尿病肾病和非糖尿病肾病的鉴别，鉴别过程具体满足：
；
其中，为鉴别判断参数，/>为病情影响因子，/>为遗传影响因子，/>和/>为预设的权重系数，满足/>：当鉴别判断参数大于设定阈值时，判定患者所患肾病为糖尿病肾病；
所述病情影响因子满足：
；
其中，为糖尿病判断因子，/>为患者存在高血糖情况的持续时间，/>为血糖控制因子，/>为患者存在高血糖情况持续时间内的平均血糖水平；
对于糖尿病判断因子满足：
；
对于血糖控制因子满足：
；
其中，为患者存在高血糖情况随持续时间/>变化的血糖水平的导函数；
所述遗传影响因子满足：
；
；
；
；
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410346501.9A CN117954098B (zh) | 2024-03-26 | 2024-03-26 | 一种糖尿病肾病鉴别诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410346501.9A CN117954098B (zh) | 2024-03-26 | 2024-03-26 | 一种糖尿病肾病鉴别诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117954098A CN117954098A (zh) | 2024-04-30 |
| CN117954098B true CN117954098B (zh) | 2024-06-07 |
Family
ID=90798304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410346501.9A Active CN117954098B (zh) | 2024-03-26 | 2024-03-26 | 一种糖尿病肾病鉴别诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117954098B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000050637A1 (en) * | 1999-02-26 | 2000-08-31 | Hibergen Limited | Identification of genes having a role in the presentation of diabetic nephropathy |
| CN1683555A (zh) * | 2004-04-15 | 2005-10-19 | 香港中文大学 | 应用遗传标记和芯片预测糖尿病肾病危险的方法 |
| WO2014067447A1 (en) * | 2012-10-30 | 2014-05-08 | The Chinese University Of Hong Kong | Novel biomarkers for diabetic kidney diseases and use thereof |
| CN110634563A (zh) * | 2019-06-21 | 2019-12-31 | 中国人民解放军总医院 | 一种糖尿病肾病-非糖尿病肾病鉴别诊断装置 |
| CN113012148A (zh) * | 2021-04-14 | 2021-06-22 | 中国人民解放军总医院第一医学中心 | 一种基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置 |
| CN113539470A (zh) * | 2020-04-14 | 2021-10-22 | 郑州大学第一附属医院 | 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 |
| CN114242245A (zh) * | 2021-12-23 | 2022-03-25 | 中国人民解放军总医院第一医学中心 | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、系统和装置 |
| CN116913508A (zh) * | 2023-09-13 | 2023-10-20 | 中国人民解放军总医院第一医学中心 | 一种基于白睛特征预测糖尿病肾病的方法和系统 |
| CN117038091A (zh) * | 2023-08-14 | 2023-11-10 | 宁波市鄞州区第二医院 | 一种通过预测模型对糖尿病性肾病的快速诊断系统及方法 |
| CN117147672A (zh) * | 2023-05-10 | 2023-12-01 | 杭州汇健科技有限公司 | 用于糖尿病肾病风险判别的生物标志物组合及其应用 |
| CN117457217A (zh) * | 2023-12-22 | 2024-01-26 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种糖尿病肾病风险评估方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007056587A2 (en) * | 2005-11-09 | 2007-05-18 | The General Hospital Corporation | Predicting diabetic nephropathy (dn) |
-
2024
- 2024-03-26 CN CN202410346501.9A patent/CN117954098B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000050637A1 (en) * | 1999-02-26 | 2000-08-31 | Hibergen Limited | Identification of genes having a role in the presentation of diabetic nephropathy |
| CN1683555A (zh) * | 2004-04-15 | 2005-10-19 | 香港中文大学 | 应用遗传标记和芯片预测糖尿病肾病危险的方法 |
| WO2014067447A1 (en) * | 2012-10-30 | 2014-05-08 | The Chinese University Of Hong Kong | Novel biomarkers for diabetic kidney diseases and use thereof |
| CN110634563A (zh) * | 2019-06-21 | 2019-12-31 | 中国人民解放军总医院 | 一种糖尿病肾病-非糖尿病肾病鉴别诊断装置 |
| CN113539470A (zh) * | 2020-04-14 | 2021-10-22 | 郑州大学第一附属医院 | 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 |
| CN113012148A (zh) * | 2021-04-14 | 2021-06-22 | 中国人民解放军总医院第一医学中心 | 一种基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置 |
| CN114242245A (zh) * | 2021-12-23 | 2022-03-25 | 中国人民解放军总医院第一医学中心 | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、系统和装置 |
| CN117147672A (zh) * | 2023-05-10 | 2023-12-01 | 杭州汇健科技有限公司 | 用于糖尿病肾病风险判别的生物标志物组合及其应用 |
| CN117038091A (zh) * | 2023-08-14 | 2023-11-10 | 宁波市鄞州区第二医院 | 一种通过预测模型对糖尿病性肾病的快速诊断系统及方法 |
| CN116913508A (zh) * | 2023-09-13 | 2023-10-20 | 中国人民解放军总医院第一医学中心 | 一种基于白睛特征预测糖尿病肾病的方法和系统 |
| CN117457217A (zh) * | 2023-12-22 | 2024-01-26 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种糖尿病肾病风险评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117954098A (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132800B (zh) | 基于深度学习的肺纤维化检测与严重度评估方法及系统 | |
| CA3134081A1 (en) | Method and system for identifying subjects who are potentially impacted by a medical condition | |
| CN111080643A (zh) | 基于眼底图像的糖尿病及相关疾病的分类方法及设备 | |
| CN112991320B (zh) | 脑出血患者血肿扩大风险预测系统及方法 | |
| 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 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN111028232A (zh) | 基于眼底图像的糖尿病分类方法及设备 | |
| CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
| CN114582496A (zh) | 一种常见妇科疾病预测模型构建方法和预测系统 | |
| KR20230166054A (ko) | 딥러닝 학습 모델을 이용한 당뇨병 발병 위험도 예측 시스템, 방법 및 프로그램 | |
| CN116959715B (zh) | 一种基于时序演进过程解释的疾病预后预测系统 | |
| Nimmagadda et al. | Kidney failure detection and predictive analytics for ckd using machine learning procedures | |
| CN117954098B (zh) | 一种糖尿病肾病鉴别诊断系统 | |
| CN116453694A (zh) | 基于有放回欠采样集成框架的疾病风险预测方法及系统 | |
| CN114783607B (zh) | 一种手术输血风险预测模型及其网络计算器的构建方法 | |
| CN115719625A (zh) | 融合知识图谱和深度学习的糖尿病预测方法及系统 | |
| CN113948203A (zh) | 一种基于卷积神经网络的快速预测方法 | |
| Yördan et al. | Hybrid AI-Based Chronic Kidney Disease Risk Prediction | |
| CN117976236A (zh) | 一种个性化体检套餐推荐的方法 | |
| Mohebbi et al. | Fast assessment of glycemic control based on continuous glucose monitoring data | |
| US20230282333A1 (en) | Deep learning-assisted approach for accurate histologic grading and early detection of dysplasia | |
| Raju et al. | An advanced learning approach for early stage diabetes detection | |
| Ajay et al. | An Aquila-optimized SVM classifier for Diabetes prediction | |
| KR102511516B1 (ko) | 인공지능을 이용한 ct 조영제 유발 신독성 예측 장치 및 그 방법 | |
| Nigam et al. | 13 Role of AI Applications in Diagnosis of Renal Diseases: A Systematic Review |
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 |