DK2443449T3 - Bestemmelse af risiko for koronararteriesygdom - Google Patents

Bestemmelse af risiko for koronararteriesygdom Download PDF

Info

Publication number
DK2443449T3
DK2443449T3 DK10790073.0T DK10790073T DK2443449T3 DK 2443449 T3 DK2443449 T3 DK 2443449T3 DK 10790073 T DK10790073 T DK 10790073T DK 2443449 T3 DK2443449 T3 DK 2443449T3
Authority
DK
Denmark
Prior art keywords
marker
term
algorithm
cad
auc
Prior art date
Application number
DK10790073.0T
Other languages
English (en)
Inventor
Steven Rosenberg
Michael R Elashoff
Philip Beineke
James A Wingrove
Whittemore G Tingley
Susan E Daniels
Original Assignee
Cardiodx Inc
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 Cardiodx Inc filed Critical Cardiodx Inc
Application granted granted Critical
Publication of DK2443449T3 publication Critical patent/DK2443449T3/da

Links

Classifications

    • 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
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • 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
    • G01N33/5308—Immunoassay; Biospecific binding assay; Materials therefor for analytes not provided for elsewhere, e.g. nucleic acids, uric acid, worms, mites
    • 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
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • 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
    • 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
    • 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
    • G16B40/30—Unsupervised 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/112—Disease subtyping, staging or classification
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/158—Expression markers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/16—Primer sets for multiplex assays

Claims (23)

1. Computerimplementeret fremgangsmåde til forudsigelse af koronararteriesygdom (CAD) ved scoring af en prøve opnået fra en person, hvilken fremgangsmåde omfatter: opnåelse af et datasæt forbundet med prøven, hvor datasættet omfatter en kvantitativ ekspressionsniveauværdi for hver markør i mindst én term udvalgt fra gruppen bestående af term 1, term 2, term 3, term 4, term 5, term 6 og term 7; hvor term 1 omfatter markør 1, markør 2 og markør 3, hvor markør 1 omfatter GenBank-accessionsnummer AF161365, hvor markør 2 omfatter HNRPF eller ACBD5, og hvor markør 3 omfatter TFCP2 eller DDX18; hvor term 2 omfatter markør 4, markør 5 og markør 6, hvor markør 4 omfatter AF289562 eller CD248, hvor markør 5 omfatter HNRPF eller ACBD5, og hvor markør 6 omfatter TFCP2 eller DDX18; hvor term 3 omfatter markør 7, markør 8, markør 9 og markør 10, hvor markør 7 omfatter CD79B eller CD 19, hvor markør 8 omfatter SPIB eller BLK, hvor markør 9 omfatter CD3D eller LCK, og hvor markør 10 omfatter TMC8 eller CCT2; hvor term 4 omfatter markør 11, markør 12, markør 13 og markør 14, hvor markør 11 omfatter S100A12 eller MMP9, hvor markør 12 omfatter CLEC4E eller ALOX5AP, hvor markør 13 omfatter S100A8 eller NAMPT, og hvor markør 14 omfatter RPL28 eller SSRP1; hvor term 5 omfatter markør 15, markør 16, markør 17, markør 18 og markør 19, hvor markør 15 omfatter S100A12 eller MMP9, hvor markør 16 omfatter CLEC4E eller ALOX5AP, hvor markør 17 omfatter S100A8 eller NAMPT, hvor markør 18 omfatter AQP9 eller GLT1D1, og hvor markør 19 omfatter NCF4 eller NCF2; hvor term 6 omfatter markør 20, markør 21, markør 22, markør 23, markør 24, markør 25 og markør 26, hvor markør 20 omfatter CASP5 eller H3F3B, hvor markør 21 omfatter IL18RAP eller TXN, hvor markør 22 omfatter TNFAIP6 eller PLAUR, hvor markør 23 omfatter IL8RB eller BCL2A1, hvor markør 24 omfatter TNFRSF10C eller PTAFR, hvor markør 25 omfatter KCNE3 eller LAMP2, og hvor markør 26 omfatter TLR4 eller TYROBP; og hvor term 7 omfatter markør 27, markør 28, markør 29 og markør 30, hvor markør 27 omfatter SLAMF7 eller CX3CR1, hvor markør 28 omfatter KLRC4 eller CD8A, hvor markør 29 omfatter CD3D eller LCK, og hvor markør 30 omfatter TMC8 eller CCT2; og bestemmelse, ved hjælp af en computerprocessor, af en score fra datasættet ved anvendelse af en fortolkningsfunktion, hvor en højere score i forhold til en kontrol med mindre end 50 % stenose i samtlige større kar indikerer, at personen har en større sandsynlighed for CAD.
2. Fremgangsmåde ifølge krav 1, hvor datasættet omfatter en kvantitativ ekspressionsniveauværdi for hver markør i term 1, term 2, term 3, term 4, term 5, term 6 og term 7.
3. Fremgangsmåde ifølge krav 1, hvor fortolkningsfunktionen er baseret på en prædiktiv model.
4. Fremgangsmåde ifølge krav 3, hvor datasættet endvidere omfatter mindst én klinisk faktor, hvor den mindst ene kliniske faktor eventuelt er udvalgt fra gruppen bestående af: alder, køn, type af brystsmerte, antal neutrofiler, etnicitet, sygdomsvarighed, diastolisk blodtryk, systolisk blodtryk, et parameter for familiehistorie, et parameter for medicinsk historie, et parameter for medicinsk symptom, højde, vægt, BMI, hvilepuls og ryger/ikke-ryger-status.
5. Fremgangsmåde ifølge krav 4, hvor den mindst ene kliniske faktor er alder og køn.
6. Fremgangsmåde ifølge krav 3, hvor den prædiktive model er udvalgt fra gruppen bestående af en partiel mindste kvadraters model, en logistisk regressionsmodel, en lineær regressionsmodel, en lineær diskriminant analysemodel, en ridge-regressionsmodel og en træbascrct rckursiv partitioncringsmodcl.
7. Fremgangsmåde ifølge krav 1, hvor opnåelse af datasættet forbundet med prøven omfatter enten: opnåelse af prøven og behandling af prøven for eksperimentelt at bestemme datasættet; eller modtagelse af datasættet fra en tredjepart, der har behandlet prøven for eksperimentelt at bestemme datasættet.
8. Fremgangsmåde ifølge krav 1, hvor prøven omfatter RNA ekstraheret fra perifere blodlegemer.
9. Fremgangsmåde ifølge krav 1, hvor de kvantitative ekspressionsniveauværdier afledes af enten hybridiseringsdata eller polymerasekædereaktionsdata.
10. Fremgangsmåde ifølge krav 1, hvor datasættet opnås lagret i en lagringshukommelse.
11. Computerimplementeret fremgangsmåde til lagring af en prøve opnået fra en person, hvilken fremgangsmåde omfatter: opnåelse af et datasæt forbundet med prøven, hvor datasættet omfatter mindst én klinisk faktor og kvantitative ekspressionsniveauværdier for mindst to markører udvalgt fra gruppen bestående af GenBank-accessionsnummer AF161365, HNRPF, ACBD5, TFCP2, DDX18, GenBank-accessionsnummer AF289562, CD248, CD79B, CD 19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4 og CD8A; og bestemmelse, ved hjælp af en computerprocessor, af scoren fra datasættet ved anvendelse af en fortolkningsfunktion, hvor scoren er prædiktiv for CAD hos personen, og hvor en højere score i forhold til en kontrol med mindre end 50 % stcnosc i samtlige større kar indikerer, at personen har cn større sandsynlighed for CAD.
12. Fremgangsmåde ifølge krav 11, hvor fortolkningsfunktionen er baseret på en
13. Fremgangsmåde ifølge krav 11, hvor den mindst ene kliniske faktor er alder eller køn.
14. Fremgangsmåde ifølge krav 11, hvor den mindst ene kliniske faktor er alder og køn.
15. Fremgangsmåde ifølge krav 1 eller 11, hvor de kvantitative ekspressionsniveauværdier afledes af RT-PCR.
16. Fremgangsmåde ifølge krav 1 eller 11, hvor datasættet omfatter kvantitative ekspressionsniveauværdier for S100A12, CLEC4E, S100A8, CASP5, IL18RAP, TNFAIP6, AQP9, NCF4, CD3D, TMC8, CD79B, SPIB, HNRPF, TFCP2, RPL28, AF161365, AF289562, SLAMF7, KLRC4, IL8RB, TNFRSF10C, KCNE3 og TLR4.
17. Fremgangsmåde ifølge krav 16, hvor datasættet omfatter to kliniske faktorer med alder og køn.
18. Fremgangsmåde ifølge krav 17, hvor fortolkningsfunktionen til bestemmelse af scoren omfatter: 1) Definere Normi = RPL28 2) Definere Norm2 = (,5 * HNRPF + ,5 *TFCP2) 3) Definere NKup = (,5*SLAMF7 + ,5*KLRC4) 4) Definere Tcen = (.5*CD3D + ,5*TMC8) 5) Definere BceU = (2/3 *CD79B + 1/3 * SPIB) 6) Definere Neut = (.5 *AQP9 + ,5 *NCF4) 7) Definere Nup = (1/3 * CASP5 + 1/3*IL18RAP + 1/3*TNFAIP6) 8) Definere Nd0wn = (.25*IL8RB + ,25*TNFRSF10C + ,25*TLR4 + ,25 *KCNE3) 9) Definere SCAi = (1/3*S100A12 + 1/3*CLEC4E + 1/3*S100A8) 10) Definere AF2 = AF289562 11) Definere TSPAN = 1 hvis (AF161365-Norm2 > 6,27 eller 12) Definere SEX= 1 for mænd, 0 for kvinder 13) Definere Intercept a. For mænd, INTERCEPT = 2,672 + 0,0449*Alder b. For kvinder, INTERCEPT = 1,821 + 0,123*(Alder-60), hvis negativ, sæt til 0 14) Definere score = INTERCEPT - 0,755 *(Nup - NdoWn) - 0,406*( NKup - Tcen) - 0,308 *SEX*( SCA1- Nornn)- 0,137* (Bcen- Tceii)- 0,548 *(1-SEX)*( SCAi- Neut)- 0,482 *SEX*(TSPAN)- 0,246 *( AF2-Norm2).
19. Fremgangsmåde ifølge krav 1 eller 11, der endvidere omfatter klassificering af prøven ifølge scoren.
20. Fremgangsmåde ifølge krav 1 eller 11, der endvidere omfatter rating af CAD-risiko baseret på scoren.
21. System til forudsigelse af CAD hos en person, hvilket system omfatter: en lagringshukommelse til lagring af et datasæt forbundet med en prøve opnået fra personen, hvor datasættet omfatter en kvantitativ ekspressionsniveauværdi for hver markør i mindst én term udvalgt fra gruppen bestående af term f, term 2, term 3, term 4, term 5, term 6 og term 7; hvor term 1 omfatter markør 1, markør 2 og markør 3, hvor markør 1 omfatter GenBank-accessionsnummer AF161365, hvor markør 2 omfatter HNRPF eller ACBD5, og hvor markør 3 omfatter TFCP2 eller DDX18; hvor term 2 omfatter markør 4, markør 5 og markør 6, hvor markør 4 omfatter GenBank-accessionsnummer AF289562 eller CD248, hvor markør 5 omfatter HNRPF eller ACBD5, og hvor markør 6 omfatter TFCP2 eller DDX18; hvor term 3 omfatter markør 7, markør 8, markør 9 og markør 10, hvor markør 7 omfatter CD79B eller CD19, hvor markør 8 omfatter SPIB eller BLK, hvor markør 9 omfatter CD3D eller LCK, og hvor markør 10 omfatter TMC8 eller CCT2; hvor term 4 omfatter markør 11, markør 12, markør 13 og markør 14, hvor markør 11 omfatter S100A12 eller MMP9, hvor markør 12 omfatter CLEC4E eller AL0X5AP, hvor markør 13 omfatter S100A8 eller NAMPT, og hvor markør 14 omfatter RPL28 eller SSRP1; hvor term 5 omfatter markør 15, markør 16, markør 17, markør 18 og markør 19, hvor markør 15 omfatter S100A12 eller MMP9, hvor markør 16 omfatter CLEC4E eller ALOX5AP, hvor markør 17 omfatter S100A8 eller NAMPT, hvor markør 18 omfatter AQP9 eller GLT1D1, og hvor markør 19 omfatter NCF4 eller NCF2; hvor term 6 omfatter markør 20, markør 21, markør 22, markør 23, markør 24, markør 25 og markør 26, hvor markør 20 omfatter CASP5 eller H3F3B, hvor markør 21 omfatter IL18RAP eller TXN, hvor markør 22 omfatter TNFAIP6 eller PLAUR, hvor markør 23 omfatter IL8RB eller BCL2A1, hvor markør 24 omfatter TNFRSF10C eller PTAFR, hvor markør 25 omfatter KCNE3 eller LAMP2, og hvor markør 26 omfatter TLR4 eller TYROBP; og hvor term 7 omfatter markør 27, markør 28, markør 29 og markør 30, hvor markør 27 omfatter SLAMF7 eller CX3CR1, hvor markør 28 omfatter KLRC4 eller CD8A, hvor markør 29 omfatter CD3D eller LCK, og hvor markør 30 omfatter TMC8 eller CCT2; og en processor, der forbindelsesmæssigt er koblet til lagringshukommelsen for bestemmelse af en score med en fortolkningsfunktion, hvor en højere score i forhold til en kontrol med mindre end 50 % stenose i samtlige større kar indikerer, at personen har en større sandsynlighed for CAD.
22. System ifølge krav 21, hvor datasættet endvidere omfatter mindst én klinisk faktor, hvor den mindst ene kliniske faktor eventuelt er udvalgt fra gruppen bestående af: alder, køn, type af brystsmerte, antal neutrofiler, etnicitet, sygdomsvarighed, diastolisk blodtryk, systolisk blodtryk, et parameter for familiehistorie, et parameter for medicinsk historie, et parameter for medicinsk symptom, højde, vægt, BMI, hvilepuls og ryger/ikke-ryger-status.
23. Computerlæsbart lagringsmcdium til lagring af computcrcksckvcrbar programkode, hvilken programkode omfatter: programkode til lagring af et datasæt forbundet med en prøve opnået fra personen, hvor datasættet omfatter en kvantitativ ekspressionsniveauværdi for hver markør i mindst én term udvalgt fra gruppen bestående af term 1, term 2, term 3, term 4, term 5, term 6 og term 7; hvor term 1 omfatter markør 1, markør 2 og markør 3, hvor markør 1 omfatter GenBank-accessionsnummer AF161365, hvor markør 2 omfatter HNRPF eller ACBD5, og hvor markør 3 omfatter TFCP2 eller DDX18; hvor term 2 omfatter markør 4, markør 5 og markør 6, hvor markør 4 omfatter GenBank-accessionsnummer AF289562 eller CD248, hvor markør 5 omfatter HNRPF eller ACBD5, og hvor markør 6 omfatter TFCP2 eller DDX18; hvor term 3 omfatter markør 7, markør 8, markør 9 og markør 10, hvor markør 7 omfatter CD79B eller CD19, hvor markør 8 omfatter SPIB eller BLK, hvor markør 9 omfatter CD3D eller LCK, og hvor markør 10 omfatter TMC8 eller CCT2; hvor term 4 omfatter markør 11, markør 12, markør 13 og markør 14, hvor markør 11 omfatter S100A12 eller MMP9, hvor markør 12 omfatter CLEC4E eller ALOX5AP, hvor markør 13 omfatter S100A8 eller NAMPT, og hvor markør 14 omfatter RPL28 eller SSRP1; hvor term 5 omfatter markør 15, markør 16, markør 17, markør 18 og markør 19, hvor markør 15 omfatter S100A12 eller MMP9, hvor markør 16 omfatter CLEC4E eller ALOX5AP, hvor markør 17 omfatter S100A8 eller NAMPT, hvor markør 18 omfatter AQP9 eller GLT1D1, og hvor markør 19 omfatter NCF4 eller NCF2; hvor term 6 omfatter markør 20, markør 21, markør 22, markør 23, markør 24, markør 25 og markør 26, hvor markør 20 omfatter CASP5 eller H3F3B, hvor markør 21 omfatter IL18RAP eller TXN, hvor markør 22 omfatter TNFAIP6 eller PLAUR, hvor markør 23 omfatter IL8RB eller BCL2A1, hvor markør 24 omfatter TNFRSF10C eller PTAFR, hvor markør 25 omfatter KCNE3 eller LAMP2, og hvor markør 26 omfatter TLR4 eller TYROBP; og hvor term 7 omfatter markør 27, markør 28, markør 29 og markør 30, hvor markør 27 omfatter SLAMF7 eller CX3CR1, hvor markør 28 omfatter KLRC4 eller CD8A, hvor markør 29 omfatter CD3D eller LCK, og hvor markør 30 omfatter TMC8 eller CCT2; og programkode til bestemmelse af en score med en fortolkningsfunktion, hvor en højere score i forhold til en kontrol med mindre end 50 % stenose i samtlige større kar indikerer, at personen har en større sandsynlighed for CAD.
DK10790073.0T 2009-06-15 2010-06-15 Bestemmelse af risiko for koronararteriesygdom DK2443449T3 (da)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US18720309P 2009-06-15 2009-06-15
US24519009P 2009-09-23 2009-09-23
PCT/US2010/038712 WO2010148017A1 (en) 2009-06-15 2010-06-15 Determination of coronary artery disease risk.

Publications (1)

Publication Number Publication Date
DK2443449T3 true DK2443449T3 (da) 2017-05-15

Family

ID=43356727

Family Applications (1)

Application Number Title Priority Date Filing Date
DK10790073.0T DK2443449T3 (da) 2009-06-15 2010-06-15 Bestemmelse af risiko for koronararteriesygdom

Country Status (13)

Country Link
US (3) US9122777B2 (da)
EP (1) EP2443449B1 (da)
JP (1) JP2012529914A (da)
KR (1) KR20120046171A (da)
CN (1) CN102803951A (da)
AU (1) AU2010260152A1 (da)
BR (1) BRPI1010693A2 (da)
CA (1) CA2765145A1 (da)
DK (1) DK2443449T3 (da)
EA (1) EA201270020A1 (da)
IL (1) IL216875A0 (da)
SG (2) SG10201403152QA (da)
WO (1) WO2010148017A1 (da)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9122777B2 (en) 2009-06-15 2015-09-01 Cardiodx, Inc. Method for determining coronary artery disease risk
US20130116150A1 (en) 2010-07-09 2013-05-09 Somalogic, Inc. Lung Cancer Biomarkers and Uses Thereof
SG2014007454A (en) 2010-08-13 2014-07-30 Somalogic Inc Pancreatic cancer biomarkers and uses thereof
WO2012094366A1 (en) * 2011-01-06 2012-07-12 Cardiodx, Inc. Circulating mirnas as biomarkers for coronary artery disease
MX2014003153A (es) * 2011-09-30 2014-04-30 Somalogic Inc Prediccion de riesgo de evento cardiovascular y usos del mismo.
CN104101715A (zh) * 2014-07-15 2014-10-15 重庆医科大学附属儿童医院 检测dock8蛋白的试剂盒及非诊断目的检测dock8蛋白的方法
WO2016076899A1 (en) * 2014-11-14 2016-05-19 Medidata Solutions, Inc. System and method for determining subject conditions in mobile health clinical trials
JP6949818B2 (ja) 2015-07-31 2021-10-13 バスキュラー バイオジェニックス リミテッド 運動精子ドメイン含有タンパク質２及びがん
AU2016303472B2 (en) * 2015-07-31 2020-08-27 Immunewalk Therapeutics, Inc. Motile sperm domain containing protein 2 and inflammation
WO2017040676A1 (en) * 2015-09-01 2017-03-09 Cardiodx, Inc. Markers for coronary artery disease and uses thereof
US11056218B2 (en) 2016-05-31 2021-07-06 International Business Machines Corporation Identifying personalized time-varying predictive patterns of risk factors
CN106327476A (zh) * 2016-08-25 2017-01-11 于洋 一种ct图像处理方法及装置
JP2019528706A (ja) 2016-09-01 2019-10-17 ザ ジョージ ワシントン ユニヴァーシティー 冠動脈疾患の血中ｒｎａバイオマーカー
US10832815B2 (en) 2017-05-18 2020-11-10 International Business Machines Corporation Medical side effects tracking
CN107238712B (zh) * 2017-06-05 2018-12-28 中国人民解放军沈阳军区总医院 血浆s100a12在st段抬高型心肌梗死预后中的应用
CN107271681A (zh) * 2017-06-05 2017-10-20 中国人民解放军沈阳军区总医院 血浆s100a12在st段抬高型心肌梗死早期诊断中的应用
CN107292128A (zh) * 2017-06-27 2017-10-24 湖南农业大学 一种配对互作基因检测方法及预测模型
CN107937521B (zh) * 2017-11-19 2019-01-04 武汉迈特维尔生物科技有限公司 用于检测肾上腺皮质癌的试剂盒
CN111789949A (zh) * 2019-04-08 2020-10-20 北京昱嘉科技集团有限公司 基于特异性趋化因子受体的阿尔兹海默病治疗靶点
RU2740246C1 (ru) * 2020-03-20 2021-01-12 Жанна Залкуфовна Отарова Способ определения высокого риска атеросклероза сонных артерий при ревматоидном артрите
WO2022053985A1 (en) 2020-09-10 2022-03-17 Vascular Biogenics Ltd. Motile sperm domain containing protein 2 antibodies and methods of use thereof
CN112835316B (zh) * 2021-01-06 2022-04-19 重庆医科大学 新生儿败血症休克预测系统及监控设备
CN113295874B (zh) * 2021-05-25 2022-03-04 广东源心再生医学有限公司 一种用于瓣膜性心脏病辅助诊断的新型标志物、辅助诊断的产品
CN113667739B (zh) * 2021-08-27 2023-12-26 河北医科大学第二医院 冠状动脉疾病的诊断标志物组合
CN113667740B (zh) * 2021-08-27 2023-12-26 河北医科大学第二医院 分子标志物组合在诊断心血管疾病中的应用

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020151479A1 (en) * 2000-01-31 2002-10-17 Rosen Craig A. Nucleic acids, proteins, and antibodies
US7235358B2 (en) * 2001-06-08 2007-06-26 Expression Diagnostics, Inc. Methods and compositions for diagnosing and monitoring transplant rejection
US20030099958A1 (en) * 2001-09-05 2003-05-29 Vitivity, Inc. Diagnosis and treatment of vascular disease
US20050032066A1 (en) 2003-08-04 2005-02-10 Heng Chew Kiat Method for assessing risk of diseases with multiple contributing factors
EP1675962A2 (en) 2003-10-16 2006-07-05 Novartis AG Differentially expressed genes related to coronary artery disease
US20070238124A1 (en) * 2003-10-16 2007-10-11 Chibout Salah D Differentially expressed genes related to coronary artery disease
US20060099608A1 (en) * 2004-03-29 2006-05-11 Medstar Research Institute Methods of diagnosing cardiovascular disease
JP2008546387A (ja) * 2005-06-13 2008-12-25 ザ リージェンツ オブ ザ ユニバーシティ オブ ミシガン 癌を処置および診断するための組成物および方法
US20070015170A1 (en) 2005-07-12 2007-01-18 Oy Jurilab Ltd Method and kit for detecting a risk of coronary heart disease
US20100035963A1 (en) 2005-09-09 2010-02-11 Ayelet Chajut Oligoribonucleotides and Methods of use Thereof for Treatment of Cardiovascular Disease
EP2924440A3 (en) * 2006-06-07 2016-03-09 Health Diagnostic Laboratory, Inc. Markers associated with arteriovascular events and methods of use thereof
US20080300797A1 (en) * 2006-12-22 2008-12-04 Aviir, Inc. Two biomarkers for diagnosis and monitoring of atherosclerotic cardiovascular disease
CA2679581C (en) 2007-02-21 2020-12-22 Anna Helgadottir Genetic susceptibility variants associated with arterial disease
US7695916B2 (en) 2007-03-22 2010-04-13 Celera Corporation Genetic polymorphisms associated with coronary events and drug response, methods of detection and uses thereof
EP2155907B1 (en) 2007-04-30 2015-05-27 Decode Genetics EHF Genetic variants useful for risk assessment of coronary artery disease and myocardial infarction
US20110184712A1 (en) * 2007-10-11 2011-07-28 Cardiodx, Inc. Predictive models and methods for diagnosing and assessing coronary artery disease
WO2010038104A1 (en) * 2008-10-03 2010-04-08 INSERM (Institut National de la Santé et de la Recherche Médicale) Combination of cardiovascular risk factors for the diagnosis/prognosis of a cardiovascular disease/event.
US9122777B2 (en) 2009-06-15 2015-09-01 Cardiodx, Inc. Method for determining coronary artery disease risk

Also Published As

Publication number Publication date
WO2010148017A1 (en) 2010-12-23
AU2010260152A1 (en) 2012-02-02
US20140156198A1 (en) 2014-06-05
CA2765145A1 (en) 2010-12-23
SG10201403152QA (en) 2014-08-28
EP2443449B1 (en) 2017-04-12
CN102803951A (zh) 2012-11-28
BRPI1010693A2 (pt) 2019-07-16
EP2443449A1 (en) 2012-04-25
KR20120046171A (ko) 2012-05-09
US8914240B2 (en) 2014-12-16
JP2012529914A (ja) 2012-11-29
EA201270020A1 (ru) 2012-07-30
US20110015865A1 (en) 2011-01-20
IL216875A0 (en) 2012-02-29
SG176692A1 (en) 2012-01-30
US9122777B2 (en) 2015-09-01
EP2443449A4 (en) 2012-12-26
US20150315652A1 (en) 2015-11-05

Similar Documents

Publication Publication Date Title
DK2443449T3 (da) Bestemmelse af risiko for koronararteriesygdom
Wright et al. Diagnosis of Kawasaki disease using a minimal whole-blood gene expression signature
Elashoff et al. Development of a blood-based gene expression algorithm for assessment of obstructive coronary artery disease in non-diabetic patients
Taylor et al. Use of whole-exome sequencing to determine the genetic basis of multiple mitochondrial respiratory chain complex deficiencies
Gomatos et al. Prognostic markers in acute pancreatitis
Park et al. Assessment and diagnostic relevance of novel serum biomarkers for early decision of ST-elevation myocardial infarction
US20080300797A1 (en) Two biomarkers for diagnosis and monitoring of atherosclerotic cardiovascular disease
WO2018160548A1 (en) Markers for coronary artery disease and uses thereof
JP2009501318A (ja) アテローム動脈硬化性心血管疾患の診断およびモニタリングのための方法ならびに組成物
JP2014531202A (ja) 喫煙状態を判定するための方法および組成物
Baron et al. Utilization of lymphoblastoid cell lines as a system for the molecular modeling of autism
US20210158894A1 (en) Processes for Genetic and Clinical Data Evaluation and Classification of Complex Human Traits
JP2012501181A (ja) バイオマーカー・プロファイルを測定するためのシステムおよび方法
EP3146077A1 (en) Tissue molecular signatures of kidney transplant rejections
EP4121553A1 (en) Systems and methods of detecting a risk of alzheimer's disease using a circulating-free mrna profiling assay
Chiesa et al. Whole blood transcriptome profile at hospital admission discriminates between patients with ST-segment elevation and non-ST-segment elevation acute myocardial infarction
WO2009049257A2 (en) Predictive models and methods for diagnosing and assessing coronary artery disease
KR20210016373A (ko) 아급성 (subacute) 이식 거부 및 다른 이식 상태들의 검출을 위한 전-게놈 (genome-wide) 분류자
Yang et al. Association between CD24 Ala/Val polymorphism and multiple sclerosis risk: a meta analysis
AU2015263998A1 (en) Gene expression profiles associated with sub-clinical kidney transplant rejection
Li et al. Integrative Genetics Analysis of Juvenile Idiopathic Arthritis Identifies Novel Loci
EP3344986A1 (en) Markers for coronary artery disease and uses thereof
Mikhaylov Integrating Biologic and Clinical Data towards Resolving Heterogeneity in Childhood Inflammatory Diseases
WO2024102199A1 (en) Methods and systems for diagnosis and treatment of lupus based on expression of primary immunodeficiency genes
WO2023009757A1 (en) Methods, systems, and compositions for diagnosing transplant rejection