RU2014140114A - Способы и системы для оценки риска рака желудочно-кишечного тракта - Google Patents

Способы и системы для оценки риска рака желудочно-кишечного тракта Download PDF

Info

Publication number
RU2014140114A
RU2014140114A RU2014140114A RU2014140114A RU2014140114A RU 2014140114 A RU2014140114 A RU 2014140114A RU 2014140114 A RU2014140114 A RU 2014140114A RU 2014140114 A RU2014140114 A RU 2014140114A RU 2014140114 A RU2014140114 A RU 2014140114A
Authority
RU
Russia
Prior art keywords
results
blood tests
analysis
cancer
previous
Prior art date
Application number
RU2014140114A
Other languages
English (en)
Other versions
RU2640568C2 (ru
Inventor
Нир КАЛКСТЕЙН
Иарон КИНАР
Варда ШАЛЕВ
Гэбриел ЧОДИК
Инбал ГОЛДШТЕЙН
Original Assignee
Медиал Рисеч Лтд.
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 Медиал Рисеч Лтд. filed Critical Медиал Рисеч Лтд.
Publication of RU2014140114A publication Critical patent/RU2014140114A/ru
Application granted granted Critical
Publication of RU2640568C2 publication Critical patent/RU2640568C2/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G01N33/483—Physical analysis of biological 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
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57419—Specifically defined cancers of colon
    • 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
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57446—Specifically defined cancers of stomach or intestine
    • 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
    • G16H50/30—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/50—Determining the risk of developing a disease
    • 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
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5091—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing the pathological state of an organism
    • 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
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • 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
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
    • G01N33/57488—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites involving compounds identifable in body fluids
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Biotechnology (AREA)
  • Oncology (AREA)
  • Hospice & Palliative Care (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Computational Linguistics (AREA)

Abstract

1. Компьютеризированный способ оценки риска рака желудочно-кишечного тракта, включающий:создание набора характеристик, включающего множество результатов текущих анализов крови, собранной у целевого индивидуума;обеспечение, по меньшей мере, одного классификатора, созданного в соответствии с анализом множества соответствующих результатов проведенных ранее анализов крови каждого индивидуума из другого множества подвергнутых анализу индивидуумов; иоценку с использованием процессора риска рака желудочно-кишечного тракта у целевого индивидуума с помощью классификации указанного набора характеристик с использованием, по меньшей мере, одного классификатора;где каждое множество результатов проведенных ранее и текущих анализов крови включает результаты, по меньшей мере, одного из следующих анализов крови: анализ на эритроциты (RBC), гемоглобин (HGB) и гематокрит (НСТ), и, по меньшей мере, один результат из следующих анализов крови: анализ на среднее содержание гемоглобина в эритроците (МСН) и среднюю концентрацию гемоглобина в эритроците (МСНС).2. Способ по п. 1, где риск рака желудочно-кишечного тракта представляет собой риск рака, выбранного из группы, состоящей из рака толстой кишки, рака желудка, рака прямой кишки и рака пищевода.3. Способ по п. 1, где набор характеристик включает возраст целевого индивидуума; где, по меньшей мере, один классификатор создан в соответствии с анализом возраста каждого индивидуума из другого множества подвергнутых анализу индивидуумов.4. Способ по п. 1, где каждое множество результатов проведенных ранее и текущих анализов крови включает, по меньшей мере, один результат, выбранный из результата анализа на тромбокри

Claims (25)

1. Компьютеризированный способ оценки риска рака желудочно-кишечного тракта, включающий:
создание набора характеристик, включающего множество результатов текущих анализов крови, собранной у целевого индивидуума;
обеспечение, по меньшей мере, одного классификатора, созданного в соответствии с анализом множества соответствующих результатов проведенных ранее анализов крови каждого индивидуума из другого множества подвергнутых анализу индивидуумов; и
оценку с использованием процессора риска рака желудочно-кишечного тракта у целевого индивидуума с помощью классификации указанного набора характеристик с использованием, по меньшей мере, одного классификатора;
где каждое множество результатов проведенных ранее и текущих анализов крови включает результаты, по меньшей мере, одного из следующих анализов крови: анализ на эритроциты (RBC), гемоглобин (HGB) и гематокрит (НСТ), и, по меньшей мере, один результат из следующих анализов крови: анализ на среднее содержание гемоглобина в эритроците (МСН) и среднюю концентрацию гемоглобина в эритроците (МСНС).
2. Способ по п. 1, где риск рака желудочно-кишечного тракта представляет собой риск рака, выбранного из группы, состоящей из рака толстой кишки, рака желудка, рака прямой кишки и рака пищевода.
3. Способ по п. 1, где набор характеристик включает возраст целевого индивидуума; где, по меньшей мере, один классификатор создан в соответствии с анализом возраста каждого индивидуума из другого множества подвергнутых анализу индивидуумов.
4. Способ по п. 1, где каждое множество результатов проведенных ранее и текущих анализов крови включает, по меньшей мере, один результат, выбранный из результата анализа на тромбокрит (РСТ), результата анализа на ширину распределения эритроцитов по объему (RDW) и результата анализа на средний объем эритроцитов (MCV).
5. Способ по п. 1, где каждое множество результатов проведенных ранее и текущих анализов крови включает результаты обоих анализов на HGB и НСТ.
6. Способ по п. 1, где каждое множество результатов проведенных ранее и текущих анализов крови включает, по меньшей мере, один из результатов анализов одновременно на
процент/уровень нейтрофилов и процент/уровень лимфоцитов и результатов, по меньшей мере, одного из обоих MCV и МСН, обоих RBC и НСТ и обоих RBC и MCV.
7. Способ по п. 1, где каждое множество результатов проведенных ранее и текущих анализов крови включает, по меньшей мере, один из следующих анализов крови: анализ на уровень лейкоцитов - WBC (СВС); средний объем тромбоцитов (MPV); средний... клетки; уровень тромбоцитов (СВС); уровень эозинофилов; процент нейтрофилов; процент моноцитов; процент эозинофилов; процент базофилов; уровень нейтрофилов; уровень моноцитов.
8. Способ по п. 1, где, по меньшей мере, один классификатор включает классификатор, выбранный из группы, состоящей из классификатора на основе взвешенной линейной регрессии, классификатора на основе метода K-ближайщих соседей (KNN) и классификатора на основе алгоритма случайный лес.
9. Способ по п. 1, где указанный набор характеристик включает, по меньшей мере, одну демографическую характеристику целевого индивидуума, и, по меньшей мере, один классификатор создан в соответствии с анализом, по меньшей мере, одной соответствующей демографической характеристики каждого индивидуума из множества подвергнутых анализу индивидуумов.
10. Способ по п. 1, дополнительно включающий выбор, по меньшей мере, одного классификатора, созданного в соответствии, по меньшей мере, с одной демографической характеристикой указанного индивидуума, из множества классификаторов, каждый из которых создан в соответствии с множеством соответствующих результатов проведенных ранее анализов крови подвергнутых анализу индивидуумов, имеющих, по меньшей мере, одну различную демографическую характеристику.
11. Способ по п. 1, где указанное множество результатов анализов крови включает, по меньшей мере, один результат из множества анализов крови, а именно результатов биохимического анализа крови, которые могут включать результаты любого из следующих анализов крови: анализ на альбумин, кальций, хлорид, холестерин, креатинин, липопротеин высокой плотности (HDL), липопротеин низкой плотности (LDL), калий, натрий, триглицериды, мочевину и/или мочевую кислоту.
12. Способ по п. 1, где каждое множество результатов проведенных ранее и текущих анализов крови включает, по меньшей мере, один результат, выбранный из результата анализа на ширину распределения эритроцитов по объему (RDW), результата анализа на тромбокрит (РСТ) и результата, включающего результат анализа на средний объем эритроцитов (MCV).
13. Система оценки рака желудочно-кишечного тракта, включающая: процессор;
блок памяти, который хранит, по меньшей мере, один классификатор, созданный в соответствии с анализом множества результатов проведенных ранее анализов крови каждого индивидуума из другого множества подвергнутых анализу индивидуумов;
блок ввода, который принимает множество результатов текущих анализов крови, взятой у целевого индивидуума; и
блок оценки рака желудочно-кишечного тракта, который оценивает с использованием процессора риск рака желудочно-кишечного тракта у целевого индивидуума с помощью классификации с использованием, по меньшей мере, одного классификатора, набора характеристик, выделенных из множества результатов текущих анализов крови;
где множество результатов проведенных ранее и текущих анализов крови включает результат, по меньшей мере, одного из следующего множества анализов крови: анализ на эритроциты (RBC), гемоглобин (HGB) и гематокрит (НСТ), и, по меньшей мере, один результат следующих анализов крови: анализ на среднее содержание гемоглобина в эритроците (МСН) и среднюю концентрацию гемоглобина в эритроците (МСНС).
14. Система оценки рака желудочно-кишечного тракта по п. 13, где каждое множество результатов проведенных ранее и текущих анализов крови включает результаты анализа на ширину распределения эритроцитов по объему (RDW).
15. Система оценки рака желудочно-кишечного тракта по п. 13, где каждое множество результатов проведенных ранее и текущих анализов крови включает результаты анализа на тромбокрит (РСТ).
16. Система оценки рака желудочно-кишечного тракта по п. 13, где каждое множество результатов проведенных ранее и текущих анализов крови включает результаты анализа на средний объем эритроцитов (MCV).
17. Способ создания классификатора для оценки риска рака желудочно-кишечного тракта, включающий:
обеспечение множества результатов проведенных ранее анализов крови каждого индивидуума из другого множества подвергнутых анализу индивидуумов;
создание набора данных, имеющего множество наборов характеристик, где каждый набор характеристик создан в соответствии с соответствующим множеством результатов проведенных ранее анализов крови индивидуума из другого множества подвергнутых анализу индивидуумов;
создание, по меньшей мере, одного классификатора в соответствии с анализом указанного набора данных; и
вывод, по меньшей мере, одного классификатора.
18. Способ по п. 17, где создание включает расчет и добавление, по меньшей мере, одной обработанной версии результата проведенного ранее анализа крови, взятого из соответствующего множества результатов проведенных ранее анализов крови, как характеристики к соответствующему набору характеристик.
19. Способ по п. 17, где создание включает задание веса каждого набора характеристик в соответствии с датой соответствующего множества результатов проведенных ранее анализов крови.
20. Способ по п. 17, где создание включает фильтрацию множества наборов характеристик для удаления выпадающих значений в соответствии с максимальным пороговым значением стандартного отклонения.
21. Способ по п. 17, где указанному множеству наборов характеристик задают вес в соответствии с датой соответствующего множества результатов проведенных ранее анализов крови.
22. Способ по п. 17, где указанное множество результатов анализа крови включает результат, по меньшей мере, одного из следующих анализов крови: анализ на эритроциты (RBC), гемоглобин (HGB) и гематокрит (НСТ), и, по меньшей мере, один результат следующих анализов крови: анализ на среднее содержание гемоглобина в эритроците (МСН) и среднюю концентрацию гемоглобина в эритроците (МСНС).
23. Способ по п. 17, дополнительно включающий добавление, по меньшей мере, одного демографического параметра каждого индивидуума из множества подвергнутых анализу индивидуумов к соответствующему набору характеристик.
24. Способ по п. 23, где, по меньшей мере, один демографический параметр выбран из группы, состоящий из пола, возраста, места проживания, расы и социально-экономической характеристики.
25. Способ по п. 24, где создание включает расчет и добавление, по меньшей мере, одной обработанной версии, по меньшей мере, одного демографического параметра, как характеристики, к соответствующему набору характеристик.
RU2014140114A 2012-05-03 2013-05-02 Способы и системы для оценки риска рака желудочно-кишечного тракта RU2640568C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261641979P 2012-05-03 2012-05-03
US61/641,979 2012-05-03
PCT/IL2013/050368 WO2013164823A1 (en) 2012-05-03 2013-05-02 Methods and systems of evaluating a risk of a gastrointestinal cancer

Publications (2)

Publication Number Publication Date
RU2014140114A true RU2014140114A (ru) 2016-06-20
RU2640568C2 RU2640568C2 (ru) 2018-01-09

Family

ID=49514271

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2014140114A RU2640568C2 (ru) 2012-05-03 2013-05-02 Способы и системы для оценки риска рака желудочно-кишечного тракта

Country Status (14)

Country Link
US (3) US9474490B2 (ru)
EP (1) EP2844131B1 (ru)
JP (1) JP6267687B2 (ru)
KR (1) KR102094326B1 (ru)
CN (1) CN104271033B (ru)
AU (1) AU2013255401B2 (ru)
CA (1) CA2865892C (ru)
ES (1) ES2655184T3 (ru)
HK (1) HK1205448A1 (ru)
IN (1) IN2014MN01809A (ru)
MX (1) MX347850B (ru)
PL (1) PL2844131T3 (ru)
RU (1) RU2640568C2 (ru)
WO (1) WO2013164823A1 (ru)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2013255401B2 (en) 2012-05-03 2017-02-23 Medial Research Ltd. Methods and systems of evaluating a risk of a gastrointestinal cancer
WO2015195609A1 (en) * 2014-06-16 2015-12-23 Siemens Healthcare Diagnostics Inc. Analyzing digital holographic microscopy data for hematology applications
US10614287B2 (en) 2014-06-16 2020-04-07 Siemens Healthcare Diagnostics Inc. Virtual staining of cells in digital holographic microscopy images using general adversarial networks
US20160110516A1 (en) * 2014-10-20 2016-04-21 Liwei Ma Dynamic monitoring early cancer risk
CN104573410A (zh) * 2015-01-20 2015-04-29 合肥工业大学 基于分子子网与随机森林分类器的癌症化疗敏感性预测方法
CN104615894B (zh) * 2015-02-13 2018-09-28 上海中医药大学 一种基于k近邻标签特定权重特征的中医诊断系统
CN106339569B (zh) * 2015-07-09 2021-01-05 深圳迈瑞生物医疗电子股份有限公司 判断样本检验结果异常的方法及装置
WO2017015234A1 (en) * 2015-07-17 2017-01-26 Albert Joseph Swiston Methods and systems for pre-symptomatic detection of exposure to an agent
JP6100867B1 (ja) * 2015-11-06 2017-03-22 振武 曽 免疫状態の分析のための検査方法
WO2017194431A1 (en) * 2016-05-12 2017-11-16 F. Hoffmann-La Roche Ag System for predicting efficacy of a target-directed drug to treat a disease
US20180000428A1 (en) * 2016-05-18 2018-01-04 Massachusetts Institute Of Technology Methods and Systems for Pre-Symptomatic Detection of Exposure to an Agent
KR101747783B1 (ko) 2016-11-09 2017-06-15 (주) 바이오인프라생명과학 특정 항목이 속하는 클래스를 예측하기 위한 2-클래스 분류 방법 및 이를 이용하는 컴퓨팅 장치
US20170140115A1 (en) * 2017-01-24 2017-05-18 Liwei Ma Intelligent stroke risk prediction and monitoring system
US20170147768A1 (en) * 2017-02-06 2017-05-25 Liwei Ma System and method for detecting and monitoring acute myocardial infarction risk
CN112970067A (zh) * 2018-06-30 2021-06-15 20/20基因系统股份有限公司 癌症分类器模型、机器学习系统和使用方法
WO2020037248A1 (en) * 2018-08-17 2020-02-20 The Regents Of The University Of California Diagnosing hypoadrenocorticism from hematologic and serum chemistry parameters using machine learning algorithm
CN109670526A (zh) * 2018-11-09 2019-04-23 全球能源互联网研究院有限公司 一种电网的干扰源类型辨识方法、装置、设备及存储介质
JP7441853B2 (ja) * 2019-03-28 2024-03-01 エフ・ホフマン－ラ・ロシュ・アクチェンゲゼルシャフト がんの予後
US20210299339A1 (en) * 2020-03-31 2021-09-30 Fresenius Medical Care Holdings, Inc. Blood monitoring system for determining a calibrated hemoglobin concentration value for a patient based on patient-specific mean corpuscular hemoglobin concentration data
TWI763215B (zh) * 2020-12-29 2022-05-01 財團法人國家衛生研究院 篩選用於預測生理狀態的特徵的電子裝置和方法
CN112735606B (zh) * 2021-01-22 2023-04-25 张厚德 结直肠癌风险预测方法、设备及存储介质
CN112908470B (zh) * 2021-02-08 2023-10-03 深圳市人民医院 一种基于rna结合蛋白基因的肝细胞癌预后评分系统及其应用
CN112986446A (zh) * 2021-04-19 2021-06-18 生态环境部华南环境科学研究所 禽蛋类产品中有机磷酸酯及代谢物的同步检测方法及应用
GB202109560D0 (en) * 2021-07-01 2021-08-18 Chancellor Masters And Scholars Of The Univ Of Cambridge Anomaly detection based on complete blood counts
WO2023147472A1 (en) * 2022-01-28 2023-08-03 Freenome Holdings, Inc. Methods and systems for risk stratification of colorectal cancer
CN115620909B (zh) * 2022-11-04 2023-08-04 内蒙古卫数数据科技有限公司 一种基于全血细胞计数融合指标hbi的癌症风险评估系统
CN117524464B (zh) * 2024-01-04 2024-04-05 北京和兴创联健康科技有限公司 一种基于大数据的计算手术后目标血红蛋白的方法及系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5692220A (en) 1993-09-02 1997-11-25 Coulter Corporation Decision support system and method for diagnosis consultation in laboratory hematopathology
US6059724A (en) * 1997-02-14 2000-05-09 Biosignal, Inc. System for predicting future health
US6881548B2 (en) 1997-05-23 2005-04-19 A&G Pharmaceutical, Inc. Methods and kits for diagnosing tumorigenicity and determining resistance to the antineoplastic effects of antiestrogen therapy
US7838296B2 (en) 2002-08-28 2010-11-23 Separation Technology, Inc. Methods and apparatus for ultrasonic determination of red blood cell indices
US20040122703A1 (en) * 2002-12-19 2004-06-24 Walker Matthew J. Medical data operating model development system and method
US7951078B2 (en) * 2005-02-03 2011-05-31 Maren Theresa Scheuner Method and apparatus for determining familial risk of disease
US9075062B2 (en) 2005-03-22 2015-07-07 The United States Of America, As Represented By The Secretary, Department Of Health & Human Services Identification of biomarkers by serum protein profiling
ES2717627T3 (es) * 2005-07-29 2019-06-24 Siemens Healthcare Diagnostics Inc Métodos, kits, sistemas y bases de datos relacionados con enfermedades neoplásicas
JP5746811B2 (ja) 2006-12-21 2015-07-08 味の素株式会社 大腸癌の評価方法、ならびに大腸癌評価装置、大腸癌評価方法、大腸癌評価システム、大腸癌評価プログラムおよび記録媒体
JP5025371B2 (ja) * 2007-07-31 2012-09-12 シスメックス株式会社 血液分析装置
US8512240B1 (en) * 2007-11-14 2013-08-20 Medasense Biometrics Ltd. System and method for pain monitoring using a multidimensional analysis of physiological signals
US20100076787A1 (en) * 2008-09-11 2010-03-25 Stephen Naylor Method for preparing a medical data report
NZ592241A (en) 2008-09-15 2012-11-30 Herlev Hospital Ykl-40 as a marker for gastrointestinal cancers
US8355925B2 (en) 2008-10-21 2013-01-15 Perahealth, Inc. Methods of assessing risk based on medical data and uses thereof
GB2463401B (en) 2008-11-12 2014-01-29 Caris Life Sciences Luxembourg Holdings S A R L Characterizing prostate disorders by analysis of microvesicles
WO2011060098A1 (en) 2009-11-10 2011-05-19 Prometheus Laboratories Inc. Methods for predicting post-surgery risk associated with ileal pouch-anal anastomosis
CA2781549A1 (en) 2009-11-23 2011-05-26 Children's Medical Center Corporation Normalization of platelet biomarkers
AU2013255401B2 (en) 2012-05-03 2017-02-23 Medial Research Ltd. Methods and systems of evaluating a risk of a gastrointestinal cancer

Also Published As

Publication number Publication date
EP2844131A4 (en) 2015-11-18
EP2844131A1 (en) 2015-03-11
WO2013164823A1 (en) 2013-11-07
US11651189B2 (en) 2023-05-16
CN104271033A (zh) 2015-01-07
US20140235956A1 (en) 2014-08-21
KR102094326B1 (ko) 2020-03-30
CA2865892A1 (en) 2013-11-07
JP2015517653A (ja) 2015-06-22
AU2013255401B2 (en) 2017-02-23
KR20150005909A (ko) 2015-01-15
US20170039334A1 (en) 2017-02-09
JP6267687B2 (ja) 2018-01-24
ES2655184T3 (es) 2018-02-19
EP2844131B1 (en) 2017-10-11
US20200050917A1 (en) 2020-02-13
US10452970B2 (en) 2019-10-22
IN2014MN01809A (ru) 2015-07-03
HK1205448A1 (en) 2015-12-18
CA2865892C (en) 2021-08-24
CN104271033B (zh) 2017-05-24
PL2844131T3 (pl) 2018-03-30
US9474490B2 (en) 2016-10-25
AU2013255401A1 (en) 2014-09-18
RU2640568C2 (ru) 2018-01-09
MX2014011202A (es) 2014-11-21
MX347850B (es) 2017-05-16

Similar Documents

Publication Publication Date Title
RU2014140114A (ru) Способы и системы для оценки риска рака желудочно-кишечного тракта
JP2015517653A5 (ru)
US12020783B2 (en) Methods and systems of evaluating a risk of lung cancer
Daghistani et al. Comparison of statistical logistic regression and random forest machine learning techniques in predicting diabetes
Cueto-López et al. A comparative study on feature selection for a risk prediction model for colorectal cancer
Saputra et al. A new artificial intelligence approach using extreme learning machine as the potentially effective model to predict and analyze the diagnosis of anemia
AlAgha et al. Identifying β-thalassemia carriers using a data mining approach: The case of the Gaza Strip, Palestine
Didier et al. Immune correlates of aging in outdoor-housed captive rhesus macaques (Macaca mulatta)
Sadiq et al. Classification of β-thalassemia carriers from red blood cell indices using ensemble classifier
Liu et al. Network assisted analysis to reveal the genetic basis of autism
Dorn et al. Comparison of machine learning techniques to handle imbalanced COVID-19 CBC datasets
JP2017021727A (ja) イベント発生時期予測装置、イベント発生時期予測方法、及びイベント発生時期予測プログラム
Başar et al. Chronic kidney disease prediction with reduced individual classifiers
CN111445991A (zh) 一种基于细胞转录组数据进行临床免疫监测的方法
Pompili et al. Flexible communication between cell assemblies and ‘reader’neurons
Jin et al. CellDrift: inferring perturbation responses in temporally sampled single-cell data
KR20110068083A (ko) 임상진단 결정 규칙 생성 방법
CN109841279A (zh) 一种预测失能者日常生活功能的方法
Ali et al. A review of machine learning techniques and statistical models in anaemia
Yang et al. Establishing a prediction model of severe acute mountain sickness using deep learning of support vector machine recursive feature elimination
Koren et al. The structure of the population code in neural ensembles of V4 shapes pair-wise interactions on different time scales