CN1777806A - 疾病预后模型的制作方法、使用该模型的疾病预后预测方法、利用该模型的预后预测装置以及其程序·存储介质 - Google Patents
疾病预后模型的制作方法、使用该模型的疾病预后预测方法、利用该模型的预后预测装置以及其程序·存储介质 Download PDFInfo
- Publication number
- CN1777806A CN1777806A CNA2004800107183A CN200480010718A CN1777806A CN 1777806 A CN1777806 A CN 1777806A CN A2004800107183 A CNA2004800107183 A CN A2004800107183A CN 200480010718 A CN200480010718 A CN 200480010718A CN 1777806 A CN1777806 A CN 1777806A
- Authority
- CN
- China
- Prior art keywords
- disease
- prognosis
- value
- model
- clinical chemistry
- 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
Links
- 238000004393 prognosis Methods 0.000 title claims abstract description 96
- 201000010099 disease Diseases 0.000 title claims abstract description 77
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000000126 substance Substances 0.000 claims abstract description 10
- 108010063628 acarboxyprothrombin Proteins 0.000 claims description 30
- 238000003066 decision tree Methods 0.000 claims description 23
- 238000007689 inspection Methods 0.000 claims description 23
- 208000019423 liver disease Diseases 0.000 claims description 14
- 230000008676 import Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 201000007270 liver cancer Diseases 0.000 description 15
- 208000014018 liver neoplasm Diseases 0.000 description 15
- 208000006454 hepatitis Diseases 0.000 description 6
- 102100023635 Alpha-fetoprotein Human genes 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 231100000283 hepatitis Toxicity 0.000 description 5
- 230000002489 hematologic effect Effects 0.000 description 4
- 230000004083 survival effect Effects 0.000 description 4
- 102100027211 Albumin Human genes 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 108010088751 Albumins Proteins 0.000 description 2
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 102000006395 Globulins Human genes 0.000 description 2
- 108010044091 Globulins Proteins 0.000 description 2
- 208000000857 Hepatic Insufficiency Diseases 0.000 description 2
- 206010019663 Hepatic failure Diseases 0.000 description 2
- 108010026331 alpha-Fetoproteins Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 230000007882 cirrhosis Effects 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- MGSRCZKZVOBKFT-UHFFFAOYSA-N thymol Chemical compound CC(C)C1=CC=C(C)C=C1O MGSRCZKZVOBKFT-UHFFFAOYSA-N 0.000 description 2
- 239000000439 tumor marker Substances 0.000 description 2
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 1
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 1
- 101000856500 Bacillus subtilis subsp. natto Glutathione hydrolase proenzyme Proteins 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010008909 Chronic Hepatitis Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 101710088194 Dehydrogenase Proteins 0.000 description 1
- 206010019799 Hepatitis viral Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 102000002704 Leucyl aminopeptidase Human genes 0.000 description 1
- 108010004098 Leucyl aminopeptidase Proteins 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 239000005844 Thymol Substances 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229960000790 thymol Drugs 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 201000001862 viral hepatitis Diseases 0.000 description 1
- NWONKYPBYAMBJT-UHFFFAOYSA-L zinc sulfate Chemical compound [Zn+2].[O-]S([O-])(=O)=O NWONKYPBYAMBJT-UHFFFAOYSA-L 0.000 description 1
- 229960001763 zinc sulfate Drugs 0.000 description 1
- 229910000368 zinc sulfate Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Child & Adolescent Psychology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及疾病预后预测模型，在使用计算机制作从规定疾病的临床化学检查值预测该疾病预后的模型时，向计算机中输入该疾病的多个临床化学检查实测值和预后的实测值，并利用数据采集程序对其进行处理，确定多个对上述疾病的预后产生影响的临床化学检查项目，而且，确定该多个项目对上述预后的优先程度，基于该优先程度确立规定多个临床化学检查项目和临床化学检查值范围与上述预后预测值的关系的判断程序，将该程序作为上述模型。
Description
技术领域
本发明涉及预测疾病的预后的模型、以及利用该模型的预测方法。
背景技术
在我国约有200万HCV携带者、约100万HBV携带者。这些携带者中的一部分经长时间演变为慢性肝炎和肝硬化，并发肝癌导致死亡。
肝脏疾病和肝癌的诊断首选影像诊断，但药价昂贵，需要特殊的仪器和技术。临床化学检查的血液检查也适用于这些疾病的诊断，但只不过是影像诊断的辅助。
作为肝脏疾病和肝癌的血液检查项目中的一项，有PIVKA的测定。由于发现伴随肝脏疾病在血液中出现PIVKA，而且在以往作为肝癌的良好标志的α-胎蛋白阴性的肝癌患者中，PIVKA-II也高频率出现，所以将PIVKA确立为肝癌的肿瘤标志。
HCV、HBV和进行性肝癌是慢性疾病，其治疗的主体是预后的延长。以往，主治医生根据影像诊断结果，并基于自身的经验来预测这些肝脏疾病患者的预后和剩余寿命。所以，难以准确地预测预后(包括剩余寿命)。
因此，本发明的目的在于构建根据临床化学检查值正确预测疾病预后的模型和提供基于该模型正确预测疾病预后的方法。
发明内容
本发明人通过使用数据采集等数据处理手法分析血液检查结果和疾病预后，例如剩余寿命的实测值，构建上述模型。所谓数据采集是分析过去的数据，从中找到有效的规则性，促进重要的决策支持的先进的信息解析系统，在金融商业流通领域中被确立并被广泛引用的方法。以往的统计方法由于使用有限的样品数来验证假说，因此在包罗性、迅速性方面存在难点，而在数据采集中，利用庞大的数据全面高速地探索，并能进行精密的解析。
比较研究临床化学检查结果和预后(例如剩余寿命)的实测值，求出影响疾病预后的临床化学检查项目的优劣，构建使较优选的临床化学检查项目处于上游侧的判断分支程序，通过将临床化学检查项目的测定值用于该判断分支程序，能得到预后的预测(预后的准确程度)。
本发明是利用这些知识而完成的，提供一种疾病预后预测模型的制作方法，该方法是使用计算机制作根据规定疾病的临床化学检查值预测该疾病预后的模型的方法，其特征为，向计算机输入该疾病的多个临床化学检查实测值和预后的实测值，并利用数据采集程序对其进行处理，确定一个或多个对上述疾病的预后产生影响的临床化学检查项目，而且，在该项目为多个的情况下，确定上述项目对上述预后的优先程度，基于该优先程度确立规定了多个临床化学检查项目和该检查项目的临床化学检查值范围与上述预后预测值的关系的判断程序，将该判断程序作为上述模型。
在本发明的优选方案中，所述判断程序是以多个机会节点作为所述临床化学检查项目和临床化学检查测定值范围、以与该机会节点对应的多个预后预测值作为终端节点的决策树。进而可以基于上述判断程序，根据疾病名称和上述多个临床化学检查化学测定值来预测该疾病的预后。
其他发明涉及一种疾病预后预测方法，该方法是使用计算机，根据临床检查化学数据预测该疾病的预后的方法，其构成包括在计算机中存储权利要求1或2所述的判断程序，向计算机输入预后预测对象的疾病名称、与该疾病对应的临床化学检查测定值，基于上述判断程序，根据该输入值求出上述疾病的预后预测值。进一步，其他发明涉及一种疾病预后预测装置，该装置是备有计算机、根据临床化学检查值预测该疾病预后的装置，其中所述计算机设有以下部分：存储上述判断程序的存储器，输入预后预测对象的疾病名称和与该疾病对应的临床化学检查测定值的输入单元，将该输入值用于上述判断程序求出上述疾病的预后预测值的预后预测值获得单元，使该预后预测值显示于显示单元的显示处理单元。
进一步，其他发明涉及一种用于使上述各单元在计算机中实行的计算机可读程序以及存储该程序的存储介质。
本发明适用的对象之一是肝脏疾病，所述最优先的临床化学检查项目与PIVKA相关。所述判断程序是以多个机会节点作为所述临床化学检查项目和临床化学检查测定值范围、以与该机会节点对应的多个预后预测值作为终端节点的决策树。在上述决策树的机会节点中包含患者信息。而且，本发明的特征在于构成上述决策树的数据组。该数据可以记录在作为存储介质的CD、DVD、HD等之中。
进一步，本发明涉及一种预测预后的方法，该方法利用基于表征疾病的临床检查项目的多个患者的检查结果和各患者对该疾病的实际预后的关系进行统计处理得到的模型，根据罹患该疾病的某患者目前的上述临床检查项目检查值，预测该患者对上述疾病的预后。该检查项目中的一项与PIVKA相关。在所述判断程序的过程中，每次都需要确定所述临床检查项目的优先程度。所述疾病是肝脏疾病，将最上位的机会节点设定为与PIVKA的临床检查值相关的临界值。基于剩余寿命年数中每年的上述模型，进行以PIVKA为最优先节点的剩余寿命预测时，按剩余寿命年数中每年来设定PIVKA的基准值。
根据本发明可知预测肝脏疾病的预后时，最优先的临床化学检查项目(首选的诊断标志)是PIVKA。所以，本发明提供一种预测疾病预后的方法，该方法利用依据对疾病预后的影响程度将患者数据(年龄、体重、性别、MRI等影像数据、临床化学测定值、血液检查结果等)排序的方法，根据患者的实测值，预测疾病预后。
附图说明
图1是用于实施本发明方法的硬件框图。
图2是表示利用本发明得到的决策树的系统图。
图3是与本发明相关的功能框图。
具体实施方式
以1990年至2002年间因肝脏疾病死亡的456名(男性325名，女性131名，平均年龄64岁：25～92岁)肝疾病患者为对象。其中死亡时诊断为肝癌者346名，肝硬化慢性肝功能不全者59名，急性肝功能不全者14名，其他37名。
使用日本IBM公司制数据采集工具“DB2 Intelligent Miner”(商品名)分析患者信息和血液检查结果(Alb，ALT，LDH，CHO、PIVKA等其他多个项目，每个项目约25000个)的信息，制作作为从检查时开始是否能生存1年的1年剩余寿命判定模型的决策树(decisiontree)。
决策树由节点和连接(link)构成，各节点对应于分类属性，连接节点与其下位节点的连接对应于属性值。在下位节点表示从最上位节点中依据连接属性值分类的等级。
所谓属性是由临床化学检查项目、患者个人数据项目的特定和该项目的数值范围的特定(利用＝，＞，≥，＜，≤，≠，等条件符号定义)构成。
基于优先程度决定上位节点和下位节点，在连接处定义范围，在终端节点定义预后预测的准确程度。另外，如果按照此次的认知，可知在肝癌、肝炎的情况下，最上位节点是与PIVKA相关的项目。所以，预测肝癌的预后(剩余寿命)时，PIVKA的血液检查结果成为首选标志。
其他项目如下所示。检查日期、死亡日期、检查年龄、死亡年龄、检查预后、检查开始后的第几日死亡、性别、病毒类型、疾病名称、TP：总蛋白、ALB：白蛋白、GLB：球蛋白、A/G：白蛋白和球蛋白的比、TTT：麝香草酚、ZTT：硫酸锌混浊试验(Kunkel)、T-BIL：总胆红素、D-BIL：直接胆红素、GOT、GPT、LDH：乳酸脱氢酶、ALP：碱性磷酸酶、γGTP：γ-GTP、LAP：亮氨酸氨肽酶、CH-E：胆碱脂酶、BUN：尿中尿素氮、CREA：肌酐、URICA、NA：钠、CL：氯、K：钾、CA：钙、T-CHO：总胆固醇、AFP：α-胎蛋白、PIVKA-II。
图1是用于实施本发明的预后预测模型制作方法、装置的硬件框图，上述硬件由微型计算机构成。微型计算机由输入单元(键盘等)1、输出单元(液晶监视器)2、计算机主机(存储器、CPU、I/O等)3构成，在存储器中存储数据采集用程序。
现在，由输入单元向微型计算机主机输入上述信息，对其进行分析，结果制成了下述模型：如果检查时满足(PIVKA＞8255mAU/ml)的条件，则1年内死亡的机率为93.9％，满足(1034＜PIVKA＜8255)、(AFP＞1215ng/ml)2个条件时1年内死亡的机率为91.7％，而如果满足(PIVKA＜1034)、(CHO＞102mg/dl)、(AFP＜531.5)3个条件，则生存1年或1年以上的机率为85.5％。
该模型由图2所示的决策树构成。在图2中，用圆形表示的各框(20)是机会节点，用四边形表示的各框是终端节点(22)。这些节点分别具有多个(20A、20B......22A、22B......)、由一个机会节点分支成其他机会节点或终端节点。
机会节点的圆的大小对应于N(患者数)，圆中斜线部分表示的区域(例如：机会节点20A中的100)表示剩余寿命为1年或1年以下的N的比例、没有画斜线的区域(例如：机会节点20A中的102)表示剩余寿命为1年以上的N的比例。
由一个机会节点分支成其他机会节点或终端节点的路线中，左侧路线表示相对机会节点的比较值为肯定，右侧路线表示否定。例如，机会节点20A的PIVKA＜586.5mAU/ml如果被肯定，则移至机会节点20B，如果被否定则移至机会节点20G。
上述终端节点表示生存一年和一年以内死亡的比例，标志一年以内的生存概率。而且，在机会节点的双圆内，内侧的斜线部分/无斜线部分的比例相当于该机会节点处能否生存1年的人数的比例，外侧的斜线部分/无斜线部分的比例相当于紧挨其上的机会节点处能否生存1年的人数的比例，将这两个比例相乘得到的数值则为该条件判断后的生存1年/1年以内死亡的比例。
如果利用数据采集的方法分析实际的临床数据以及患者数据(年龄等)和预后(一年后死亡/或生存)，就能得到图2所示的决策树。由图2可知，在肝脏疾病、肝癌的预后预测模型中，优先程度最高的首选标志是PIVKA的测定值。
下面对预后预测方法、装置进行说明。上述预后预测方法、装置是利用与图1相同的硬件实现的。在微型计算机主机的存储器中，存储与上述决策树对应的程序。
图3是说明微型计算机主机运行的功能框图，由以下部分构成：输入预后预测对象的疾病名称(C型肝炎)和与该疾病对应的临床化学检查测定值(上述项目)的输入单元，将该输入值用于上述判断程序(决策树)求出上述疾病的预后预测值的预后预测值获得单元，使该预后预测值显示于显示单元的显示处理单元(液晶监视器)。
对使用决策树的预后预测方法进行说明。使用微型计算机的上述输入单元输入患者姓名、患者ID、患者性别、患者年龄等患者信息和各种临床化学检查值。微型计算机主体的CPU将该输入数据暂时存储在作为存储器的一部分的工作RAM中，同时将图2所示的决策树程序用于该存储数据。
现在，对使用某患者的测定数据实际预测C型肝炎的预后的情形进行说明。利用计算机的输入单元将患者数据和临床检查结果输入计算机主机。计算机主机的CPU根据存储器中相当于决策树的程序，进行剩余寿命预测处理。
在机会节点20A处，如果PIVKA＜586.5(省略单位，下同)被肯定，则移至机会节点20B，如果CH-E＜0.225被肯定，则移至机会节点20J。在机会节点20J处，如果检查年龄＜67.5，则移至机会节点20C，判断CL＜151.5。如果被肯定，则移至终端节点22A，如果被否定，则移至终端节点22B。在终端节点22A处，一年后继续生存(剩余寿命为一年以上)的比例约为70％，在终端节点该比例约为10％。根据患者的血液检查结果，检索决策树的判定路线，到达该终端节点，确定1年后的生存概率，将此作为预后的预测值。
对于决策树，能制作判定C型肝炎2年剩余寿命的决策树、判定C型肝炎5年剩余寿命的决策树等多个判定程序。可以使其扩展到B型肝炎和其他疾病。对于某患者，通过实施全部的判定路线，利用本发明的预后预测方法、装置，能算出每种疾病的剩余寿命年数中每年的预后预测值(生存概率)。
通过使用此处说明的数据采集的方法，确认了肝癌肿瘤标志的绝对值和肝储备功能有助于延长肝疾病患者的生存时间。除Decision tree以外，还可以利用使用旋转对象基底函数(RBF：radial basis function)和类神经网络(neural network)的解析，制作使用随时的检查值预测还能生存多少年的预后预测模型。
基于上述模型，如果针对肝癌患者、并按照生存半年、生存1年、生存2年的顺序求出预后的预测值，则均挑选PIVKA作为最重要的因子，分别求出以下基准值：2028mAU/ml、1035mAU/ml、502mAU/m1。所以，可以确认PIVKA如果是2000mAU/ml，则能预测半年的生命预后，如果是1000mAU/ml，则能预测1年的生命预后，如果是500mAU/ml，则能预测2年的生命预后。该基准值并不限于此，可以适当改变。从该基准值方面大致而言，生存年数的长度与PIVKA的基准值成反比例的关系。
利用使用数据采集的解析能推断疾病的自然过程、预后，该模型非常有助于移植治疗的适应性等肝疾病、肝癌的治疗法的选择。
另外，在图2的模型中，机会节点也可以采用除PIVKA以外的临床检查项目，但单独利用PIVKA就能进行肝癌剩余寿命的预测，该预测与实际的结果基本一致。
Claims (16)
1、一种疾病预后预测模型的制作方法，该方法是使用计算机制作根据规定疾病的临床化学检查值预测该疾病预后的模型的方法，向计算机输入该疾病的多个临床化学检查实测值和预后的实测值，并利用数据采集程序对其进行处理，确定一个或多个对上述疾病的预后产生影响的临床化学检查项目，然后，在该项目为多个的情况下，确定该多个项目对上述预后的优先程度，基于该优先程度确立规定多个临床化学检查项目和该检查项目的临床化学检查值范围与上述预后预测值相关性的判断程序，将该判断程序作为上述模型。
2、如权利要求1所述的疾病预后预测模型的制作方法，其中所述判断程序是以多个机会节点作为所述临床化学检查项目和临床化学检查测定值范围、以与该机会节点对应的多个预后预测值作为终端节点的决策树。
3、一种疾病预后预测方法，该方法基于权利要求1或2中的所述判断程序，根据疾病名称和所述多个临床化学检查化学测定值预测该疾病的预后。
4、一种疾病预后预测方法，该方法是使用计算机，根据临床检查化学数据预测该疾病的预后的方法，其构成包括在计算机中存储权利要求1或2中所述的判断程序，向计算机输入预后预测对象的疾病名称、与该疾病对应的临床化学检查测定值，基于所述判断程序，利用该输入值求出上述疾病的预后预测值。
5、一种疾病预后预测装置，该装置是包括计算机、根据临床化学检查值预测该疾病预后的装置，其中所述计算机具有以下部分：存储权利要求1或2所述的判断程序的存储器，输入预后预测对象的疾病名称和与该疾病对应的临床化学检查测定值的输入单元，将该输入值用于上述判断程序求出上述疾病的预后预测值的预后预测值获得单元，使该预后预测值显示在显示单元上的显示处理单元。
6、一种计算机可读程序，该程序用于使权利要求5所述的各单元在计算机中运行。
7、存储如权利要求6所述的程序的存储介质。
8、如权利要求2所述的方法，其中所述疾病是肝脏疾病，所述最优先的临床化学检查项目与PIVKA相关。
9、如权利要求3或4所述的方法，其中所述判断程序是以多个机会节点作为所述临床化学检查项目和临床化学检查测定值范围，以与该机会节点对应的多个预后预测值作为终端节点的决策树。
10、如权利要求9所述的方法，其中在所述决策树的机会节点中包含患者信息。
11、构成权利要求2所述的决策树的数据组。
12、一种预测预后的方法，该方法利用基于表征疾病的临床检查项目的多个患者检查结果与各患者对该疾病的实际预后的关系进行统计处理得到的模型，根据罹患该疾病的某患者目前的所述临床检查项目的检查值，预测该患者所述疾病的预后。
13、如权利要求12所述的方法，其中所述临床检查项目与PIVKA相关。
14、如权利要求1或4所述的方法，其中在所述判断程序的过程中，需要每次确定所述临床检查项目的优先程度。
15、如权利要求1或4所述的方法，其中所述疾病是肝脏疾病，将最上位的机会节点设定为与PIVKA的临床检查值相关的临界值。
16、如权利要求13所述的方法，基于剩余寿命年数中每年的上述模型，进行以PIVKA为最优先节点的剩余寿命预测时，按剩余寿命年数中每年来设定PIVKA的基准值。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP118496/2003 | 2003-04-23 | ||
| JP2003118496 | 2003-04-23 | ||
| PCT/JP2004/005915 WO2004095021A1 (ja) | 2003-04-23 | 2004-04-23 | 疾患予後モデルの作成方法、このモデルを用いた疾患予後予測方法、このモデルによる予後予測装置、ならびにそのプログラム・記憶媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1777806A true CN1777806A (zh) | 2006-05-24 |
| CN1777806B CN1777806B (zh) | 2010-09-01 |
Family
ID=33308073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2004800107183A Expired - Lifetime CN1777806B (zh) | 2003-04-23 | 2004-04-23 | 疾病预后模型的制作方法、使用该模型的疾病预后预测方法、利用该模型的预后预测装置以及其程序·存储介质 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20070208514A1 (zh) |
| EP (1) | EP1617214A4 (zh) |
| JP (1) | JPWO2004095021A1 (zh) |
| KR (1) | KR100731693B1 (zh) |
| CN (1) | CN1777806B (zh) |
| WO (1) | WO2004095021A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116713A (zh) * | 2013-02-25 | 2013-05-22 | 浙江大学 | 基于随机森林的化合物和蛋白质相互作用预测方法 |
| CN104462857A (zh) * | 2014-12-30 | 2015-03-25 | 天津迈沃医药技术有限公司 | 基于矩阵的疾病程度区分及检验项目的自我分析方法 |
| CN106650284A (zh) * | 2016-12-30 | 2017-05-10 | 深圳先进技术研究院 | 一种疾病康复评价方法及系统 |
| CN111383766A (zh) * | 2018-12-28 | 2020-07-07 | 中山大学肿瘤防治中心 | 计算机数据处理方法、装置、介质及电子设备 |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060154276A1 (en) * | 2004-05-13 | 2006-07-13 | Prometheus Laboratories Inc. | Methods of diagnosing inflammatory bowel disease |
| US7873479B2 (en) | 2005-12-01 | 2011-01-18 | Prometheus Laboratories Inc. | Methods of diagnosing inflammatory bowel disease |
| JP2010231308A (ja) * | 2009-03-26 | 2010-10-14 | Olympus Corp | 生活習慣病予防装置および生活習慣病予防プログラム |
| EP2419529B1 (en) | 2009-04-14 | 2015-05-20 | Nestec S.A. | Inflammatory bowel disease prognostics |
| WO2013009890A2 (en) * | 2011-07-13 | 2013-01-17 | The Multiple Myeloma Research Foundation, Inc. | Methods for data collection and distribution |
| JP2015502740A (ja) | 2011-10-21 | 2015-01-29 | ネステク ソシエテ アノニム | 炎症性腸疾患の診断を改善するための方法 |
| KR101855179B1 (ko) * | 2011-12-21 | 2018-05-09 | 삼성전자 주식회사 | 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법 |
| JP2013148996A (ja) * | 2012-01-18 | 2013-08-01 | Osaka Univ | 重症度判定装置、及び、重症度判定方法 |
| KR101515303B1 (ko) | 2013-10-15 | 2015-04-24 | 제너럴 일렉트릭 캄파니 | 환자 개인정보 히스토리 제공 방법, 서버 및 기록매체 |
| US10153058B2 (en) | 2014-09-11 | 2018-12-11 | The Regents Of The University Of Michigan | Machine learning for hepatitis C |
| CN106022005B (zh) * | 2016-05-21 | 2019-02-05 | 安徽省农业科学院畜牧兽医研究所 | 一种连续性状和阈性状基因组育种值联合估计的贝叶斯方法 |
| KR102172374B1 (ko) * | 2017-03-16 | 2020-10-30 | 사회복지법인 삼성생명공익재단 | 인공신경망을 이용한 활액막 육종의 예후 예측 방법, 장치 및 프로그램 |
| CN110163195A (zh) * | 2018-02-14 | 2019-08-23 | 中国医药大学附设医院 | 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 |
| KR102327062B1 (ko) * | 2018-03-20 | 2021-11-17 | 딜로이트컨설팅유한회사 | 임상시험 결과 예측 장치 및 방법 |
| JP6842628B1 (ja) * | 2019-11-12 | 2021-03-17 | 泉 永井 | 生存率推定システム、生存率推定方法、および、生存率推定プログラム |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0720127A (ja) * | 1993-05-07 | 1995-01-24 | Eisai Co Ltd | 各種ｐｉｖｋａの測定方法および測定試薬 |
| WO1996012187A1 (en) * | 1994-10-13 | 1996-04-25 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
| CN1154432C (zh) * | 1995-11-01 | 2004-06-23 | 精工爱普生株式会社 | 用于测量生理状态的装置 |
| KR19980025157A (ko) * | 1996-09-30 | 1998-07-06 | 스튜어트 알 슈더 | 질병 관리 방법 및 시스템 |
| AU6816998A (en) * | 1997-03-24 | 1998-10-20 | Queen's University At Kingston | Coincidence detection method, products and apparatus |
| EP1034090B1 (en) * | 1997-11-12 | 2003-12-17 | Collins & Aikman Products Co. | Vibration dampening laminate |
| JP3422776B2 (ja) * | 1998-08-04 | 2003-06-30 | ダイアデクスアス・インコーポレーテッド | 乳癌を診断、監視、病期決定、造影及び治療する新規な方法 |
| JP2000067139A (ja) * | 1998-08-25 | 2000-03-03 | Hitachi Ltd | 電子カルテシステム |
| PT1109937E (pt) * | 1998-09-02 | 2009-02-10 | Diadexus Inc | Um novo método de diagnóstico, monitorização, identificação de estágio, imagiologia e tratamento de vários cancros |
| US20040076984A1 (en) * | 2000-12-07 | 2004-04-22 | Roland Eils | Expert system for classification and prediction of generic diseases, and for association of molecular genetic parameters with clinical parameters |
| JP3579032B2 (ja) * | 2001-02-22 | 2004-10-20 | 三洋化成工業株式会社 | 血液中の腫瘍マーカー定量方法 |
| AU2002312565A1 (en) * | 2001-06-19 | 2003-01-02 | University Of Southern California | Therapeutic decisions systems and method using stochastic techniques |
-
2004
- 2004-04-23 US US10/553,426 patent/US20070208514A1/en not_active Abandoned
- 2004-04-23 JP JP2005505806A patent/JPWO2004095021A1/ja active Pending
- 2004-04-23 CN CN2004800107183A patent/CN1777806B/zh not_active Expired - Lifetime
- 2004-04-23 KR KR1020057020055A patent/KR100731693B1/ko active IP Right Grant
- 2004-04-23 EP EP04729294A patent/EP1617214A4/en not_active Ceased
- 2004-04-23 WO PCT/JP2004/005915 patent/WO2004095021A1/ja active Application Filing
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116713A (zh) * | 2013-02-25 | 2013-05-22 | 浙江大学 | 基于随机森林的化合物和蛋白质相互作用预测方法 |
| CN103116713B (zh) * | 2013-02-25 | 2015-09-16 | 浙江大学 | 基于随机森林的化合物和蛋白质相互作用预测方法 |
| CN104462857A (zh) * | 2014-12-30 | 2015-03-25 | 天津迈沃医药技术有限公司 | 基于矩阵的疾病程度区分及检验项目的自我分析方法 |
| CN104462857B (zh) * | 2014-12-30 | 2018-09-07 | 天津迈沃医药技术股份有限公司 | 基于矩阵的疾病程度区分及检验项目的自我分析平台 |
| CN106650284A (zh) * | 2016-12-30 | 2017-05-10 | 深圳先进技术研究院 | 一种疾病康复评价方法及系统 |
| CN106650284B (zh) * | 2016-12-30 | 2019-03-15 | 深圳先进技术研究院 | 一种疾病康复评价系统 |
| CN111383766A (zh) * | 2018-12-28 | 2020-07-07 | 中山大学肿瘤防治中心 | 计算机数据处理方法、装置、介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN1777806B (zh) | 2010-09-01 |
| EP1617214A1 (en) | 2006-01-18 |
| EP1617214A4 (en) | 2008-01-23 |
| KR100731693B1 (ko) | 2007-06-25 |
| JPWO2004095021A1 (ja) | 2006-07-13 |
| US20070208514A1 (en) | 2007-09-06 |
| KR20060009861A (ko) | 2006-02-01 |
| WO2004095021A1 (ja) | 2004-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1777806B (zh) | 疾病预后模型的制作方法、使用该模型的疾病预后预测方法、利用该模型的预后预测装置以及其程序·存储介质 | |
| Abd El-Salam et al. | Performance of machine learning approaches on prediction of esophageal varices for Egyptian chronic hepatitis C patients | |
| Azadifar et al. | Graph-based relevancy-redundancy gene selection method for cancer diagnosis | |
| CN111081381B (zh) | 院内致命性消化道再出血预测关键指标的智能筛选方法 | |
| JP7361187B2 (ja) | 医療データの自動化された検証 | |
| Vyas et al. | Building and analysis of protein-protein interactions related to diabetes mellitus using support vector machine, biomedical text mining and network analysis | |
| Jiang et al. | Prognostic nomogram for acute pancreatitis patients: an analysis of publicly electronic healthcare records in intensive care unit | |
| US20220122739A1 (en) | Ai-based condition classification system for patients with novel coronavirus | |
| CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
| CN115132348A (zh) | 一种预测脓毒血症患者发生急性肾损伤的概率预测系统 | |
| Yan et al. | A clinical decision support system for predicting coronary artery stenosis in patients with suspected coronary heart disease | |
| Di Filippo et al. | A machine learning model to predict drug transfer across the human placenta barrier | |
| Hosseini Sarkhosh et al. | Predicting diabetic nephropathy in type 2 diabetic patients using machine learning algorithms | |
| US11293852B2 (en) | White blood cell population dynamics | |
| CN117690591A (zh) | 慢性肾病进展风险预测方法、装置、设备及存储介质 | |
| CN113782197B (zh) | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 | |
| Gao et al. | Heart failure probability and early outcomes of critically ill patients with COVID-19: a prospective, multicenter study | |
| Mareeswari et al. | Predicting Chronic Kidney Disease Using KNN Algorithm | |
| Nwaneri et al. | Development of a graphical user interface software for the prediction of chronic kidney disease | |
| Yu et al. | Leukemia can be Effectively Early Predicted in Routine Physical Examination with the Assistance of Machine Learning Models | |
| Yördan et al. | Hybrid AI-Based Chronic Kidney Disease Risk Prediction | |
| Slattery | Assessing the Feasibility of Predictive Modeling for HFE-Hereditary Hemochromatosis using Electronic Health Records | |
| Oyelade et al. | Application of physiological network mapping in the prediction of survival in critically ill patients with acute liver failure | |
| You et al. | PBCI-DS: A Benchmark Peripheral Blood Cell Image Dataset for Object Detection | |
| CN117373659A (zh) | 一种糖尿病预测模型及其构建方法、用途 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| ASS | Succession or assignment of patent right |
Owner name: WEI CAI & D MANAGEMENT CO., LTD.; APPLICANT Free format text: FORMER OWNER: EISAI CO., LTD.; APPLICANT Effective date: 20070824 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20070824 Address after: Tokyo, Japan Applicant after: R& D Management Co., Ltd. Co-applicant after: Akiyama Masahiro Co-applicant after: Yatsushiro Hiroshi Address before: Tokyo, Japan Applicant before: Eisai Co.,Ltd. Co-applicant before: Akiyama Masahiro Co-applicant before: Yatsushiro Hiroshi |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CX01 | Expiry of patent term | ||
| CX01 | Expiry of patent term |
Granted publication date: 20100901 |