CN117954102A - 一种预测单纯宫缩乏力性产后出血的系统和方法 - Google Patents

一种预测单纯宫缩乏力性产后出血的系统和方法 Download PDF

Info

Publication number
CN117954102A
CN117954102A CN202410356546.4A CN202410356546A CN117954102A CN 117954102 A CN117954102 A CN 117954102A CN 202410356546 A CN202410356546 A CN 202410356546A CN 117954102 A CN117954102 A CN 117954102A
Authority
CN
China
Prior art keywords
concentration
proteins
metabolites
postpartum hemorrhage
uterine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410356546.4A
Other languages
English (en)
Other versions
CN117954102B (zh
Inventor
陈练
曲江雪
姜海
石慧峰
赵扬玉
曾帅
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.)
Peking University Third Hospital Peking University Third Clinical Medical College
Original Assignee
Peking University Third Hospital Peking University Third Clinical Medical College
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 Peking University Third Hospital Peking University Third Clinical Medical College filed Critical Peking University Third Hospital Peking University Third Clinical Medical College
Priority to CN202410356546.4A priority Critical patent/CN117954102B/zh
Publication of CN117954102A publication Critical patent/CN117954102A/zh
Application granted granted Critical
Publication of CN117954102B publication Critical patent/CN117954102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6848—Methods of protein analysis involving mass spectrometry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02042—Determining blood loss or bleeding, e.g. during a surgical procedure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4356—Assessing uterine contractions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/573—Immunoassay; Biospecific binding assay; Materials therefor for enzymes or isoenzymes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/705—Assays involving receptors, cell surface antigens or cell surface determinants
    • G01N2333/70596—Molecules with a "CD"-designation not provided for elsewhere in G01N2333/705
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/90—Enzymes; Proenzymes
    • G01N2333/902—Oxidoreductases (1.)
    • G01N2333/90206—Oxidoreductases (1.) acting on the CH-CH group of donors (1.3)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/36—Gynecology or obstetrics
    • G01N2800/368—Pregnancy complicated by disease or abnormalities of pregnancy, e.g. preeclampsia, preterm labour

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Biotechnology (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Pregnancy & Childbirth (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)

Abstract

本发明涉及一种预测单纯宫缩乏力性产后出血的系统和方法，该系统包括检测样本获取单元、检测样本注入单元、靶向代谢物和蛋白的浓度获取单元、数据分析及风险预测模型构建单元和判断标准设定单元；基于鉴定出的组间显著差异的代谢物和蛋白质，对其绝对浓度的log2转换值进行二项逻辑斯特回归分析以计算单纯宫缩乏力性产后出血发病概率；以代谢物和蛋白质的绝对浓度为自变量X，逻辑斯特回归概率函数为：P(Y=1|X)=；其中：X=[x1,x2,x3]为自变量矩阵；z=WX+w0；W=[w1,w2,w3]为权重系数矩阵；w0为常数项；设定最佳判定阈值，若概率大于最佳判定阈值，则判定会发生单纯宫缩乏力性产后出血。

Description

一种预测单纯宫缩乏力性产后出血的系统和方法
技术领域
本发明涉及医学检测技术领域，具体涉及一种分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统和方法。
背景技术
产后出血（Postpartum hemorrhage，PPH）是指产后24小时内，阴道分娩后出血量超过500ml或剖宫产术后出血超过1000ml。在2014年WHO对全球孕产妇死亡原因的统计分析中发现源于PPH死亡的孕产妇高约18%，是全球孕产妇死亡的主要原因。PPH的四大病因包括胎盘异常、软产道损伤、凝血功能障碍和子宫收缩乏力，其中子宫收缩乏力是PPH的主要原因，约占70%。目前，前三大病因促进产后出血发生的机制较明确，并且可以有效预测和预防。但是，子宫收缩乏力导致PPH发生的机制仍然不清，临床中子宫收缩乏力性PPH的发生不能做到及时预测、处理和预防，最后造成PPH高发生率和高死亡率的现状，为产科医生的临床管理带来了更多挑战。
随着组学的快速发展，蛋白质组学和代谢组学的联合应用等多组学方法已被广泛用于揭示疾病的发病机制，并为疾病预测提供指标。对氨基酸代谢与疾病进展之间关系的研究表明，代谢组学中与氨基酸相关的代谢可能导致疾病预测标志物的发现。既往针对子宫收缩乏力性产后出血的研究关注到免疫-炎症失衡与子宫收缩乏力的关系。而氨基酸代谢在免疫细胞激活过程中起到协调能量代谢产生ATP和维持氧化还原平衡的作用，从而维持免疫炎症系统的平衡。当免疫细胞被感染和组织环境变化引起的异常代谢状态激活时，氨基酸代谢对维持能量代谢稳态的免疫细胞功能有着深远的影响；在应激状态下，免疫细胞重新编程其代谢以支持能量需求的急剧增加，氨基酸代谢促进糖酵解、三羧酸循环（TCA）和线粒体脂肪酸氧化（FAO），从而促进线粒体代谢和ATP产生。一旦平衡能量代谢、氧化还原和免疫炎症平衡被打破，可能导致子宫收缩乏力，出现产后出血的情况。
目前尚未有相关研究报道预测子宫收缩乏力性产后出血的相关生物标志物。因此亟需一种能辅助临床筛查子宫收缩乏力性产后出血的高效生物标志物，以达到及时筛查、及时防治的目的，为优生优育保驾护航。而宫颈-阴道分泌物（cervicovaginal fluid，CVF）作为能在第一产程中临床检查时提取的样本，可以有效反映母胎界面的局部免疫炎症代谢环境。与血液样本相比，提取分泌物的过程是无创的，更容易实现临床转化。因此，本申请针对患有或不患有PPH的孕妇的CVF样本，通过代谢组学和蛋白质组学联合筛选出的预测生物标志物，构建有效预测模型，实现宫缩乏力性产后出血的高效能预测。
发明内容
本发明旨在提供一种分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统和方法，所要解决的技术问题至少包括如何实现单纯宫缩乏力性产后出血发生风险的筛查，筛查出临床检验无法预测的不明原因的产后出血以便进行早期干预，改善临床预后。
为了实现上述目的，本发明提供一种分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，包括检测样本获取单元、检测样本注入单元、靶向代谢物的浓度获取单元、靶向蛋白质的浓度获取单元、数据分析及风险预测模型构建单元和判断标准设定单元；
所述的检测样本获取单元用于获取孕妇分娩第一产程潜伏期的宫颈-阴道分泌物作为检测样本；
所述的检测样本注入单元用于将所述的检测样本注入UHPLC-QqQ MS 系统和ELISA试剂盒系统；
所述的靶向代谢物的浓度获取单元用于获取所述宫颈-阴道分泌物中的靶向代谢物和蛋白质的浓度的定量信息；
所述的靶向蛋白质的浓度获取单元用于获取所述宫颈-阴道分泌物中的靶向蛋白质的浓度的定量信息；
所述的数据分析及风险预测模型构建单元用于进行组间显著差异代谢物和蛋白质鉴定，并通过逻辑斯特回归分析构建单纯宫缩乏力性产后出血发生风险的预测模型；
所述的组间显著差异代谢物和蛋白质鉴定包括采用独立样本t检验进行正态分布的代谢物和蛋白质浓度数据的组间比较，采用曼-惠特尼U检验进行非正态分布的代谢物和蛋白质浓度数据的组间非参数比较；
所述的通过逻辑斯特回归分析构建单纯宫缩乏力性产后出血发生风险的预测模型包括基于鉴定出的具有显著组间差异的一个代谢物和两个蛋白质，对所选组间显著差异代谢物和蛋白质的绝对浓度的log2转换值进行二项逻辑斯特回归分析以计算单纯宫缩乏力性产后出血发生风险的概率；其中，以一个代谢物和两个蛋白质的绝对浓度为自变量X，逻辑斯特回归概率函数为：P(Y=1|X)=；
概率函数表示在给定的X的情况下，单纯宫缩乏力性产后出血发生（Y=1）的概率；
其中，X=[x1, x2, x3]为自变量矩阵；z=WX+w0；W=[w1, w2, w3]为X对应的权重系数矩阵；w0为常数项；
所述的判断标准设定单元用于设定最佳判定阈值，如果概率大于该最佳判定阈值，则判定会发生单纯宫缩乏力性产后出血。
优选地，所述的分娩第一产程潜伏期是指临产时宫颈开始扩张至扩张到3cm的时期。
优选地，所述的靶向代谢物是组氨酸，靶向蛋白质是二氢嘧啶脱氢酶（Dihydropyrimidine dehydrogenase [NADP(+)]，DPYD）和清道夫受体富含半胱氨酸的1型蛋白M130（Scavenger receptor cysteine-rich type 1 protein M130，CD163）。
优选地，P值小于0.05的靶向代谢物和靶向蛋白质定义为组间显著差异代谢物和蛋白质。
优选地，所述的靶向代谢物的浓度获取单元采用UHPLC-QqQ MS 系统软件，定量检测宫颈-阴道分泌物中的靶向代谢物的浓度；所述的靶向蛋白质的浓度获取单元采用ELISA试剂盒系统软件，定量检测宫颈-阴道分泌物中的靶向蛋白质的浓度。
优选地，所述的数据分析及风险预测模型构建单元使用SPSS中的“Shapiro-Wilktest”进行正态性检验，并通过独立样本t检验和曼-惠特尼U检验进行组间差异分析比较。
优选地，所述的数据分析及风险预测模型构建单元使用R软件包“stats”中的“glm”函数进行逻辑斯特回归分析。
优选地，所述的数据分析及风险预测模型构建单元使用R软件包MASS中的“stepAIC”函数对单纯宫缩乏力性产后出血发生预测模型进行优化。
优选地，所述的一个代谢物为组氨酸。
优选地，所述的两个蛋白质为二氢嘧啶脱氢酶DPYD和清道夫受体富含半胱氨酸的1型蛋白CD163。
优选地，所述的权重系数矩阵为W=[-6.067, -29.928, -5.345]；常数项 w0为7.699。
优选地，所述的最佳判定阈值为0.212。
本发明还提供一种分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的方法，其实质上是一种能够实现不明原因的难治性产后出血发病风险筛查的方法，包括如下步骤：
S1、获取孕妇分娩第一产程潜伏期的宫颈-阴道分泌物，4°C、1650rcf(g)离心后取上清液作为检测样本；
S2、将所述的检测样本注入UHPLC-QqQ MS 系统和ELISA试剂盒系统；
S3、获取所述宫颈-阴道分泌物中的靶向代谢物（组氨酸）和靶向蛋白质（DPYD和CD163）的浓度的定量信息；
S4、数据分析及风险预测模型构建：
S4.1、组间显著差异代谢物和蛋白质鉴定：采用独立样本t检验进行正态分布的代谢物和蛋白质浓度数据的组间比较，采用曼-惠特尼U检验进行非正态分布的代谢物和蛋白质浓度数据的组间非参数比较；P值小于0.05的代谢物和蛋白质定义为组间显著差异代谢物和蛋白质；
S4.2、逻辑斯特回归分析构建单纯宫缩乏力性产后出血发生预测模型：
单纯宫缩乏力性产后出血发生预测模型的构建中的两个比较组分别为单纯宫缩乏力性产后出血组和非产后出血组；基于鉴定出的具有显著组间差异的一个代谢物和两个蛋白质，对所选组间显著差异代谢物和蛋白质的绝对浓度的log2转换值进行二项逻辑斯特回归分析以计算单纯宫缩乏力性产后出血发病概率；
以一个代谢物和三个蛋白质的绝对浓度为自变量X，逻辑斯特回归概率函数为：P(Y=1|X)=；逻辑斯特回归概率函数表示在给定的X的情况下，发生子宫收缩乏力性产后出血即Y=1的概率；其中，X=[x1, x2, x3]为自变量矩阵；z=WX+w0；W=[w1, w2, w3]为X对应的权重系数矩阵；w0为常数项。
S4.3、判断标准：设定最佳判定阈值，如果概率大于该最佳判定阈值，则判定会发生单纯宫缩乏力性产后出血。
优选地，上述步骤S2中采用UHPLC-QqQ MS 系统和ELISA试剂盒系统。
优选地，上述步骤S3中采用UHPLC-QqQ MS 系统和ELISA试剂盒系统，定量检测血浆中的靶向代谢物（组氨酸）和蛋白质（DPYD和CD163）的浓度。
优选地，上述步骤S4.1中使用SPSS中的“Shapiro-Wilktest”进行正态性检验，独立样本t检验和曼-惠特尼U检验（Mann-Whitney U检验）进行组间差异分析比较。
优选地，上述步骤S4.2中用于逻辑斯特回归分析的软件为R软件包“stats”中的“glm”函数。
优选地，上述步骤S4.2中用于单纯宫缩乏力性产后出血发生预测模型的优化选择的软件为R软件包MASS中的“stepAIC”函数。
优选地，上述步骤S4.2中所述的一个代谢物和三个蛋白质组合为：三个分娩第三产程潜伏期宫颈-阴道分泌物（组氨酸）和蛋白质（DPYD和CD163）。
优选地，上述步骤S4.2中所述权重系数矩阵为W=[-6.067, -29.928, -5.345];w0为7.699。
优选地，上述步骤S4.3中所述的最佳判定阈值为0.212。
与现有技术相比，本发明的有益效果是：
本发明所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统和方法能够用于实现不明原因的难治性产后出血发病风险的筛查，使用LC-MS/MS靶向代谢组学和ELISA蛋白检测法辅助临床实现分娩第一产程提前预测第二产程发生不明原因的难治性产后出血的风险，以筛查出临床检验无法预测的不明原因的产后出血以便进行早期干预，改善临床预后。
相对于现有技术本发明获得了如下显著的进步：
1. 本发明中公开的方法可以提前预测不明原因的难治性产后出血，为高发病率的宫缩乏力性产后出血的早期干预提供了时间窗，从而降低了孕产妇死亡率。
2.本发明提供的方法适用于对单纯宫缩乏力性产后出血进行预测，目前临床上未有预测单纯宫缩乏力性产后出血的生物预测指标，现有的用以预测宫缩乏力性产后出血的临床检验指标模型存在效能和效率低下的问题，导致临床上不能对单纯宫缩乏力性产后出血进行预测，早期干预难以实施。
3.本发明首次纳入了临床中真实的单纯宫缩乏力性产后出血孕妇分娩期间的宫颈-阴道分泌物，宫颈-阴道分泌物具有便于提取（在产时宫口检查时提取）、无创、易于实现临床转化的优点。
4.本发明应用仅三种生物标志物构建了预测模型，在单纯宫缩乏力性产后出血的预测中均具有较高的成功率，在实际临床应用中也取得了良好效果。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的具体实施方式一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的方法的流程示意图。
图2是实施例1对应的ROC曲线图。
具体实施方式
在下文中更详细地描述了本发明以有助于对本发明的理解。
实施例1 检测方法和预测模型构建
本发明的检测方法技术路线如图1所示。具体描述如下：
1. 样品采集
本实验纳入13个宫缩乏力性产后出血和18个正常分娩孕妇，在分娩第一产程潜伏期开始时采集孕妇宫颈-阴道分泌物样本，并在4℃下以1650 rcf（g）离心10分钟，取上清液送检。
2. 代谢物——组氨酸检测
2.1 标准品与试剂
标准品：组氨酸（histidine，His）购于Sigma（St. Louis, MO, USA, Lot：BCBT9895），内标：4-DL-Chlorophenylalanine（4-Cl-Phe），购于Sigma（St. Louis, MO,USA）。
甲醇（MeOH），乙腈（ACN）：Fisher Chemical，均为HPLC级别
甲酸（Formic acid，FA）：Fisher Scientific，LC-MS级别
水：屈臣氏蒸馏水
替代基质（代宫颈液）：羟乙基淀粉氯化钠溶液
2.2溶液配制
内标溶液：配制1 mg/mL 4-Cl-Phe的甲醇溶液。移取0.5 mL1mg/mL 4-Cl-Phe甲醇溶液，加入29.5 mL甲醇，得到含内标的甲醇混合液。
His储备液：配制2 mg/mL His储备液，用甲醇做溶剂、逐级稀释制备浓度为0.2、0.5、1、2、5、8、10、15 mg/mL的His系列工作液。
His标准曲线溶液：移取90 mL替代基质，分别加入10 mL His系列工作液，混匀后，参照“2.3样本处理”步骤，制备终浓度为20、50、100、200、500、800、1000、1500 ng/mL的标准曲线溶液。
质控样本溶液：移取90 mL替代基质，分别加入10 mL His系列工作液，混匀后，参照“2.3样本处理”步骤，制备终浓度为100和1000 ng/mL的质控样本（QC1, QC2）。
2.3 样本处理
移取100 mL宫颈液样本（或90 mL替代基质+10 mL标曲工作液），加入300 mL含内标（1 mg/mL 4-Cl-Phe）的甲醇混合液，涡旋5 min混匀，以15000 g离心5 min（4°C），移取上清液310 mL，低温浓缩仪旋干，分别用50 mL 85%甲醇复溶，涡旋4 min，离心5 min（15000g，4°C），移取上清进行LC-MS分析。
2.4 LC-MS分析条件
仪器：应用UHPLC-QqQ MS进行代谢物定量分析。质谱系统：UHPLC-QqQ MS 三重四级杆串联质谱仪(AB Sciex，USA)，配备电喷雾离子源（ESI源，美国AB Sciex公司），液相色谱系统（日本Shimadzu公司），包括DGU-20A5R脱气机、LC-30AC液相色谱泵、SIL-30AC自动进样器，CTO-30A柱温箱，Analyst 1.5.2 定量处理软件。
2.4.1 LC分析条件
色谱柱：BEH Amide柱（1.7 mm, 2.1×100 mm，Water, USA）
柱温：35 °C
自动进样器温度：6 °C
流动相：流动相A为含0.1% FA乙腈溶液，流动相B为0.1% FA的水溶液
进样量：2 mL
流速：0.3 mL/min
梯度洗脱条件：
2.4.2 MS条件
检测模式：正离子、MRM 模式（Multiple reaction monitoring，多反应离子对监测）
CAD：10; CUR: 30 psi; GS1:45 psi; GS2: 30 psi; IS: 4500 V; TEM: 550 °C。
定量离子通道信息如下：
备注：各化合物-1为定量离子，化合物-2为定性离子。
以标准曲线工作液各待测物浓度为横坐标，待测物与内标物的峰面积比值为纵坐标。用加权（1/C2）最小二乘法进行线性回归运算，以各样本的待测物与内标物的峰面积比值计算各样本待测物浓度。
对照组与疾病组样本随机乱序进样，每8-9个样本插入2个质控样本。
2.5 靶向代谢物绝对浓度数据获取：应用Analyst1.5.2软件进行峰面积积分，最小二乘法（1/x2权重）线性回归分析计算检测物浓度，以ng/mL作为计量单位。样本分析过程中，2个浓度的QC样本监测浓度值RSD%为10.4%、5.2%，不大于15%，准确度在85%-115%之间，说明样本分析过程中仪器稳定、结果可靠。
3. DPYD和CD163蛋白检测
（1）加标准品或者待测样品 100μL，加样时将样品加于酶标板孔底部，轻轻晃动混匀，酶标板加上盖或覆膜，37°C 孵育 80 分钟。
（2）弃去孔内液体，甩干，洗板 3 次。每孔用 200μL 的洗涤液洗涤，浸泡 1-2 分钟，甩掉酶标板内的液体（或用洗板机进行洗板）。最后一次洗涤完成后，在吸水纸上将酶标板拍干。
（3）每孔加生物素抗体工作液 100μL（可提前 15 分钟配制），酶标板加上覆膜，37°C 孵育 50 分钟。
（4）弃去孔内液体，洗板 3 次。每孔用 200μL 的洗涤液洗涤，浸泡 1-2 分钟，甩掉酶标板内的液体（或用洗板机进行洗板）。最后一次洗涤完成后，在吸水纸上将酶标板拍干。
（5）每孔加酶结合物工作液 100μL（可提前 15 分钟配制），37°C 孵育 50 分钟。
（6）弃去孔内液体，洗板 5 次。每孔用 200μL 的洗涤液洗涤，浸泡 1-2 分钟，甩掉酶标板内的液体（或用洗板机进行洗板）。最后一次洗涤完成后，在吸水纸上将酶标板拍干。
（7）每孔加入 TMB 显色底物溶液 90μL，37°C 避光孵育 20 分钟（根据实际显色情况酌情缩短或延长，但不可超过 30 分钟。当标准孔出现明显梯度蓝色时，即可终止）。
（8）每孔加入终止液 50μL，终止反应（此时蓝色立转黄色）。终止液的加入顺序应尽量与显色剂的加入顺序相同。
（9）立即用酶标仪在 450nm 波长的情况下测量各孔的光密度值（OD 值）。根据OD值计算浓度。
4.构建单纯宫缩乏力性产后出血预测模型
（1）组间显著差异代谢物和蛋白质鉴定：针对临床中获得的18个正常分娩孕妇和13个发生宫缩乏力性产后出血的孕妇在分娩第一产程潜伏期宫颈-阴道分泌物的1个靶向代谢物浓度和2个蛋白质浓度，采用独立样本t检验进行正态分布的代谢物浓度和蛋白质浓度数据的宫缩乏力性产后出血组间比较，采用Mann-Whitney U进行非正态分布的代谢物浓度和蛋白质浓度数据的宫缩乏力性产后出血组间非参数比较；p值小于0.05的代谢物和蛋白质定义为组间显著差异代谢物。1个靶向代谢物浓度和2个蛋白质的绝对浓度水平可以较好地指示宫缩乏力性产后出血的发生与否（如表1和表2所示）。
表1：所鉴定的高指示度的组间显著差异代谢物和蛋白质
表2：31个孕妇的1个代谢物浓度和2个蛋白质浓度（单位为μM，数值为log2(绝对浓度+1)）
样本 DPYD CD163 Histidine 组别
15704 0.428137 -1.59551 2.572872 PPH
15813 0.451749 -1.30582 2.149219 PPH
16236 0.450922 -0.44524 2.82866 PPH
16314 0.6283 -0.48934 2.622214 PPH
16351 0.427922 -0.54691 2.570543 PPH
16859 -0.22254 -0.91654 2.4843 PPH
17115 0.377845 -0.50639 2.517196 PPH
17171 0.820471 -0.36223 2.378398 PPH
15787 0.869191 -0.93363 2.694605 PPH
17147 0.441434 -0.34786 2.220108 PPH
17474 0.833031 -0.41696 2.898725 PPH
17894 0.281741 -0.73705 2.103804 PPH
18890 0.946765 -0.35547 2.10721 PPH
18728 0.394659 0.107137 2.348305 CTRL
18729 0.569218 0.361442 3.146128 CTRL
18709 1.412837 0.54538 2.921686 CTRL
18641 0.542091 0.209008 2.11059 CTRL
18637 1.418621 0.069157 3.123852 CTRL
18627 1.288807 -0.47791 2.716838 CTRL
18741 0.21991 0.355888 2.972203 CTRL
18740 0.9375 -0.21448 2.356026 CTRL
18759 1.370262 0.335402 2.247973 CTRL
18669 1.589163 0.277583 2.235528 CTRL
18692 1.262608 0.230441 2.651278 CTRL
18720 0.903403 0.355888 2.993436 CTRL
18768 0.444056 0.321768 2.742725 CTRL
18821 0.518924 0.277583 2.953276 CTRL
18807 1.068121 0.221571 3.021189 CTRL
18804 0.090242 0.032658 2.890421 CTRL
18843 0.56549 -0.34881 2.547775 CTRL
18845 0.931382 -0.22088 2.815578 CTRL
（3）进一步，使用上述18个正常分娩孕妇和13个发生宫缩乏力性产后出血的孕妇分娩第一产程潜伏期宫颈-阴道分泌物为样本，使用表1中所示的1个代谢物和2个蛋白质的绝对浓度作为变量，构建logistic回归模型。具体为：设定X=[ x1, x2, x3]为自变量矩阵，W=[ w1, w2, w3]为权重系数矩阵，则得到线性函数 z=WX+w0。进一步得到概率函数P(Y=1|X)=。其中权重系数矩阵W由此前20个正常分娩孕妇和16个发生宫缩乏力性产后出血的孕妇分娩第一产程潜伏期宫颈-阴道分泌物样本数据拟合获得，矩阵为W=[-6.067, -29.928, -5.345]；常数项 w0为7.699。
（4）将所用数据纳入本发明所述的子宫收缩乏力性产后出血预测模型，获得数据本身的预测值并且利用R包“pROC的“roc”和“ggroc”函数构建roc对象，计算ROC曲线下的面积并绘制ROC曲线，ROC曲线下面积AUC为0.991，95% CI: 0.959-1 (DeLong), 具体见图2。图2中的圆点代表最佳知识临界值（cut0ff值），后缀括号为该值对应的真阳性率（（TruePositive Rate, TPR））和假阳性率（False Positive Rate, FPR）。
其中95% CI（Confidence Interval）表示95%置信区间，是AUC估计的不确定性范围,意味着基于样本数据，估计AUC的真实值有95%的把握落在这个区间内。通常，置信区间越窄表示对AUC估计的精确性越高。AUC表示ROC曲线下与坐标轴围成的面积。
DeLong方法是用于估计AUC的95%置信区间的一种常用非参数方法。这种方法不依赖于对数据分布的假设，其通过Bootstrap采样生成多个AUC值，然后通过这些值的分布来计算AUC的置信区间。
依据约登指数(Youden index，敏感度和特异度之和减去1) 确定最佳截断值为0.212，且根据最佳截断值0.212进行预测分类，此时本发明所述的双胎妊娠胎儿脑损伤预测模型对因变量正确分类的准确性为93.5%，敏感度为100%、特异度为88.9%。
基于以上实施例，本发明提供一种分娩第一产程潜伏期三因子预测宫缩乏力性产后出血的方法，其实质上是一种能够实现不明原因的难治性产后出血发病风险筛查的方法，包括如下步骤：
S1、获取孕妇分娩第一产程潜伏期的宫颈-阴道分泌物作为检测样本；
S2、将宫颈-阴道分泌物样本注入Sciex TripleTOF 6600 LC-MSUHPLC-QqQ MS 系统和ELISA试剂盒系统；
S3、获取所述宫颈-阴道分泌物中的靶向代谢物（组氨酸）和蛋白质（二氢嘧啶脱氢酶DPYD和CD163）的浓度的定量信息；
S4、数据分析及风险预测模型构建：
S4.1、组间显著差异代谢物和蛋白质鉴定：采用独立样本t检验进行正态分布的代谢物和蛋白质浓度数据的组间比较，采用曼-惠特尼U检验（Mann-Whitney U检验）进行非正态分布的代谢物和蛋白质浓度数据的组间非参数比较；P值小于0.05的代谢物和蛋白质定义为组间显著差异代谢物和蛋白质。
S4.2、逻辑斯特（logistic）回归分析构建子宫收缩乏力性产后出血发生预测模型：
子宫收缩乏力性产后出血发生预测模型的构建中的两个比较组分别为正常分娩组和子宫收缩乏力性产后出血组。基于鉴定出的具有显著组间差异的一个代谢物和两个蛋白质，对所选组间显著差异代谢物的绝对浓度的log2转换值进行二项逻辑斯特（logistic）回归分析以计算子宫收缩乏力性产后出血发病概率。
以一个代谢物和两个蛋白质的绝对浓度为自变量X，逻辑斯特（logistic）回归概率函数为：P(Y=1|X)=。逻辑斯特回归概率函数表示在给定的X的情况下，发生选择性生长受限（Y=1）的概率。其中，X=[x1, x2,x3]为自变量矩阵；z=WX+w0；W=[w1, w2,w3]为X对应的权重系数矩阵；w0为常数项（也称截距或者随机误差项）。
S4.3、判断标准：设定最佳判定阈值，如果概率大于该最佳判定阈值，则判定会发生子宫收缩乏力性产后出血。
在一种实施方式中，上述步骤S2中采用UHPLC-QqQ MS系统和ELISA试剂盒系统。
在一种实施方式中，上述步骤S2中采用UHPLC-QqQ MS系统，定量检测宫颈-阴道分泌物中的代谢物（组氨酸）和蛋白质（DPYD和CD163）的浓度。
在一种实施方式中，上述步骤S4.1中使用SPSS中的“Shapiro-Wilktest”进行正态性检验，独立样本t检验和曼-惠特尼U检验（Mann-Whitney U检验）进行组间差异分析比较。
在一种实施方式中，上述步骤S4.2中用于逻辑斯特回归分析的软件为R软件包“stats”中的“glm”函数。
在一种实施方式中，上述步骤S4.2中用于单纯宫缩乏力性产后出血发生预测模型的优化选择的软件为R软件包MASS中的“stepAIC”函数。
在一种实施方式中，上述步骤S4.2中所述的一个代谢物和两个蛋白质组合为：三个分娩第三产程潜伏期宫颈-阴道分泌物（组氨酸）和蛋白质（二氢嘧啶脱氢酶DPYD和CD163）。
在一种实施方式中，上述步骤S4.2中所述权重系数矩阵为W=[-6.067, -29.928,-5.345]; w0为7.699。
在一种实施方式中，上述步骤S4.3中所述的最佳判定阈值为0.212。
本发明还提供一种分娩第一产程潜伏期三因子预测宫缩乏力性产后出血的系统，该系统实质上是一种能够实现不明原因的难治性产后出血发病风险筛查的系统，包括检测样本获取单元、检测样本注入单元、靶向代谢物的浓度获取单元、靶向蛋白质的浓度获取单元、数据分析及风险预测模型构建单元和判断标准设定单元；
所述的检测样本获取单元用于获取分娩第一产程潜伏期孕妇（临产时宫颈开始扩张至扩张到3cm）的宫颈-阴道分泌物作为检测样本；
所述的检测样本注入单元用于将所述的检测样本注入UHPLC-QqQ MS系统和ELISA试剂盒系统；
所述的靶向代谢物浓度获取单元用于获取所述宫颈-阴道分泌物中的靶向代谢物的浓度的定量信息；
所述的靶向蛋白质的浓度获取单元用于获取所述宫颈-阴道分泌物中的靶向蛋白质（组氨酸，DPYD和CD163）的浓度的定量信息；
所述的数据分析及风险预测模型构建单元用于进行组间显著差异代谢物和蛋白质鉴定，并通过逻辑斯特（logistic）回归分析构建宫缩乏力性产后出血发生预测模型；
所述的组间显著差异代谢物和蛋白质鉴定包括采用独立样本t检验进行正态分布的代谢物和蛋白质浓度数据的组间比较，采用曼-惠特尼U检验（Mann-Whitney U检验）进行非正态分布的代谢物和蛋白质浓度数据的组间非参数比较；P值小于0.05的代谢物定义为组间显著差异代谢物和蛋白质；
所述的通过逻辑斯特回归分析构建单纯宫缩乏力性产后出血发生预测模型包括基于鉴定出的具有显著组间差异的一个代谢物和两个蛋白质，对所选组间显著差异代谢物的绝对浓度的log2转换值进行二项逻辑斯特回归分析以计算单纯宫缩乏力性产后出血发病概率；其中，以一个代谢物的绝对浓度为自变量X，逻辑斯特回归概率函数为：P(Y=1|X)=；
X=[x1, x2, x3]为自变量矩阵；z=WX+w0；W=[w1, w2，w3]为X对应的权重系数矩阵；w0为常数项；
所述的判断标准设定单元用于设定最佳判定阈值，如果概率大于该最佳判定阈值，则判定会发生单纯宫缩乏力性产后出血。
优选地，所述的逻辑斯特回归概率函数表示在给定的X的情况下，发生单纯宫缩乏力性产后出血即Y=1的概率。
本发明所述的分娩第一产程潜伏期三因子预测宫缩乏力性产后出血的方法可以仅通过检测分娩第一产程潜伏期母体宫颈-阴道分泌物代谢物和蛋白质的变化，完成不明原因的难治性产后出血发生发病预测，以筛查出临床检验无法预测的不明原因的产后出血以便进行早期干预，预测模型与临床实际情况接近，在宫缩乏力性产后出血风险预测中均具有较高的成功率，在实际临床应用中也取得良好效果，具有极高的推广价值。
以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。

Claims (10)

1.一种分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统包括检测样本获取单元、检测样本注入单元、靶向代谢物的浓度获取单元、靶向蛋白质的浓度获取单元、数据分析及风险预测模型构建单元和判断标准设定单元；
所述的检测样本获取单元用于获取孕妇第一产程潜伏期的宫颈和阴道分泌物作为检测样本；
所述的检测样本注入单元用于将所述的检测样本注入UHPLC-QqQ MS系统和ELISA试剂盒系统；
所述的靶向代谢物的浓度获取单元用于获取所述宫颈-阴道分泌物中的靶向代谢物的浓度的定量信息；
所述的靶向蛋白质的浓度获取单元用于获取所述宫颈-阴道分泌物中的靶向蛋白质的浓度的定量信息；
所述的数据分析及风险预测模型构建单元用于进行组间显著差异代谢物和蛋白质的鉴定，并通过逻辑斯特回归分析构建单纯宫缩乏力性产后出血发生风险的预测模型；
所述的组间显著差异代谢物和蛋白质的鉴定包括采用独立样本t检验进行正态分布的靶向代谢物和蛋白质浓度数据的组间比较，采用曼-惠特尼U检验进行非正态分布的靶向代谢物和蛋白质浓度数据的组间非参数比较；
所述的通过逻辑斯特回归分析构建单纯宫缩乏力性产后出血发生风险的预测模型包括基于鉴定出的具有显著组间差异的一个靶向代谢物和两个蛋白质，对所选组间显著差异靶向代谢物和蛋白质的绝对浓度的log2转换值进行二项逻辑斯特回归分析以计算单纯宫缩乏力性产后出血发生风险的概率；其中，以一个靶向代谢物和两个蛋白质的绝对浓度为自变量X，逻辑斯特回归概率函数为：
P(Y=1|X)=；
X=[x1, x2, x3]为自变量矩阵；z=WX+w0；W=[w1, w2, w3]为X对应的权重系数矩阵；w0为常数项；
所述的判断标准设定单元用于设定最佳判定阈值，如果计算得到的单纯宫缩乏力性产后出血发生风险的概率大于该最佳判定阈值，则判定会发生单纯宫缩乏力性产后出血。
2.根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的分娩第一产程潜伏期是指临产时宫颈开始扩张至扩张到3cm的时期。
3.根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的靶向代谢物是组氨酸，所述的靶向蛋白质是二氢嘧啶脱氢酶和清道夫受体富含半胱氨酸的1型蛋白M130。
4.根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，P值小于0.05的靶向代谢物和蛋白质定义为组间显著差异代谢物和蛋白质。
5. 根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的靶向代谢物的浓度获取单元采用UHPLC-QqQ MS系统软件，定量检测宫颈和阴道分泌物中的靶向代谢物的浓度；所述的靶向蛋白质的浓度获取单元采用ELISA试剂盒系统软件，定量检测宫颈和阴道分泌物中的靶向蛋白质的浓度。
6.根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的数据分析及风险预测模型构建单元使用SPSS中的“Shapiro-Wilktest”进行正态性检验，并通过独立样本t检验和曼-惠特尼U检验进行组间差异分析比较。
7.根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的数据分析及风险预测模型构建单元使用R软件包“stats”中的“glm”函数进行逻辑斯特回归分析。
8.根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的数据分析及风险预测模型构建单元使用R软件包MASS中的“stepAIC”函数对单纯宫缩乏力性产后出血发生预测模型进行优化。
9. 根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的权重系数矩阵为W=[-6.067, -29.928, -5.345]；常数项w0为7.699。
10.根据权利要求1所述的分娩第一产程潜伏期三因子预测单纯宫缩乏力性产后出血的系统，其特征在于，所述的最佳判定阈值为0.212。
CN202410356546.4A 2024-03-27 2024-03-27 一种预测单纯宫缩乏力性产后出血的系统和方法 Active CN117954102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410356546.4A CN117954102B (zh) 2024-03-27 2024-03-27 一种预测单纯宫缩乏力性产后出血的系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410356546.4A CN117954102B (zh) 2024-03-27 2024-03-27 一种预测单纯宫缩乏力性产后出血的系统和方法

Publications (2)

Publication Number Publication Date
CN117954102A true CN117954102A (zh) 2024-04-30
CN117954102B CN117954102B (zh) 2024-06-18

Family

ID=90804117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410356546.4A Active CN117954102B (zh) 2024-03-27 2024-03-27 一种预测单纯宫缩乏力性产后出血的系统和方法

Country Status (1)

Country Link
CN (1) CN117954102B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2425641C1 (ru) * 2010-04-19 2011-08-10 Юлия Анатольевна Орлова Способ прогнозирования риска развития аномальных маточных кровотечений периода пубертата у девочек-подростков
US20130190585A1 (en) * 2008-08-06 2013-07-25 Alexandre Mebazaa Novel method of prognosis associated with cases of postpartum hemorrhage
CN113611419A (zh) * 2021-08-09 2021-11-05 暨南大学 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统
WO2023200073A1 (ko) * 2022-04-11 2023-10-19 의료법인 성광의료재단 기계학습을 이용한 고위험 임신 질환 예측을 위한 질량 스펙트럼 분석 방법
CN117079823A (zh) * 2023-10-17 2023-11-17 北京大学第三医院（北京大学第三临床医学院） 早期预测选择性胎儿生长受限发病风险筛查的系统和方法
CN117079822A (zh) * 2023-10-17 2023-11-17 北京大学第三医院（北京大学第三临床医学院） 一种妊娠早中期四因子预测胎儿脑损伤的系统和方法
CN117747106A (zh) * 2023-12-20 2024-03-22 国科宁波生命与健康产业研究院 一种高血压人群脑卒中风险预测模型的构建方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130190585A1 (en) * 2008-08-06 2013-07-25 Alexandre Mebazaa Novel method of prognosis associated with cases of postpartum hemorrhage
RU2425641C1 (ru) * 2010-04-19 2011-08-10 Юлия Анатольевна Орлова Способ прогнозирования риска развития аномальных маточных кровотечений периода пубертата у девочек-подростков
CN113611419A (zh) * 2021-08-09 2021-11-05 暨南大学 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统
WO2023200073A1 (ko) * 2022-04-11 2023-10-19 의료법인 성광의료재단 기계학습을 이용한 고위험 임신 질환 예측을 위한 질량 스펙트럼 분석 방법
CN117079823A (zh) * 2023-10-17 2023-11-17 北京大学第三医院（北京大学第三临床医学院） 早期预测选择性胎儿生长受限发病风险筛查的系统和方法
CN117079822A (zh) * 2023-10-17 2023-11-17 北京大学第三医院（北京大学第三临床医学院） 一种妊娠早中期四因子预测胎儿脑损伤的系统和方法
CN117747106A (zh) * 2023-12-20 2024-03-22 国科宁波生命与健康产业研究院 一种高血压人群脑卒中风险预测模型的构建方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
蔡乐 等: "130名妊娠滋养细胞疾病患者的二氢嘧啶脱氢酶活性分布及其与该酶基因多态性的关系", 中国药物应用与监测, vol. 6, no. 6, 2 March 2010 (2010-03-02) *
赵扬玉 等: "低风险初产妇产后出血风险预测", 中国生育健康杂志, vol. 32, no. 2, 16 March 2021 (2021-03-16) *
赵扬玉 等: "阴道分娩前后血红蛋白与出血量的关系研究", 中国妇产科临床杂志, vol. 20, no. 1, 13 March 2019 (2019-03-13) *

Also Published As

Publication number Publication date
CN117954102B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
Coutinho et al. New biomarkers in endometriosis
CN113249491A (zh) 用于诊断子宫内膜癌的生物标志物及其产品和应用
JP2009524829A (ja) ヒトｉｖｆ由来胚のプロテオームフィンガープリンティング：発生能のバイオマーカーの同定法
CN109762899A (zh) 一种利用尿液外泌体进行非侵入式检测患膀胱癌的概率的试剂盒
Jing et al. Two novel serum biomarkers for endometriosis screened by surface-enhanced laser desorption/ionization time-of-flight mass spectrometry and their change after laparoscopic removal of endometriosis
CN117954102B (zh) 一种预测单纯宫缩乏力性产后出血的系统和方法
KR102233909B1 (ko) 임신성 당뇨 및 임신 중 고혈압 예측을 위한 바이오마커
CN116516008B (zh) 胃粘膜肠上皮化生标志物jun及其应用
Campbell et al. Biomarkers of ovulation, endometrial receptivity, fertilisation, implantation and early pregnancy progression
Kashyap et al. Unravelling the oxygen factor-An investigation of transcriptional activation of hypoxia associated placental angiogenesis in recurrent pregnancy loss (RPL) patients from Assam, India
CN112946299B (zh) 定量ftl的产品在制备子痫前期诊断工具中的应用
KR102497167B1 (ko) miR-155-5p 및 miR-1290-3p의 발현수준 비율을 이용한 임신중독증 진단 방법
CN111521814B (zh) 分泌性白细胞蛋白酶抑制因子slpi作为糖尿病肾病dn预后标志物的用途
RU2719581C1 (ru) Способ прогнозирования риска рецидивирования у ВПЧ16-позитивных больных с плоскоклеточным интраэпителиальным поражением тяжелой степени на основе определения физического статуса вируса
CN113667735A (zh) Alkbh5在糖尿病视网膜病变的早期诊断、风险评估或预后程度预测中的应用
KR101978401B1 (ko) 자궁경부무력증 진단용 마커 및 이의 용도
KR101879499B1 (ko) 후성유전학적 바이오마커 hyp2 및 이를 포함하는 임신 중 고혈압성 장애 진단용 조성물
RU2731203C1 (ru) Способ оценки рецептивности эндометрия в секреторную фазу у женщин с первичным бесплодием, обусловленным гипоплазией эндометрия
Dasgupta et al. PI3K/AKT signaling alters glucose metabolism in uterine microenvironment of women with idiopathic recurrent spontaneous miscarriage
KR102326813B1 (ko) 임신중독증의 예측 또는 진단을 위한 바이오마커로서의 miRNA-214-3p 및 miRNA-1290-3p
KR102494583B1 (ko) miR-31-5p 및 miR-1290-3p의 발현수준 비율을 이용한 임신중독증 진단 방법
WO2024188292A1 (en) Method for predicting success rate of pregnancy in infertility treatment
KR101879498B1 (ko) 바이오마커를 포함하는 임신 중 고혈압성 장애 진단용 조성물
SU1273799A1 (ru) Способ диагностики эндометриоза
WO2024196872A1 (en) Methods and compositions for diagnosis of ectopic pregnancy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant