RU2018127709A - Системы и способы улучшения диагностики заболеваний - Google Patents
Системы и способы улучшения диагностики заболеваний Download PDFInfo
- Publication number
- RU2018127709A RU2018127709A RU2018127709A RU2018127709A RU2018127709A RU 2018127709 A RU2018127709 A RU 2018127709A RU 2018127709 A RU2018127709 A RU 2018127709A RU 2018127709 A RU2018127709 A RU 2018127709A RU 2018127709 A RU2018127709 A RU 2018127709A
- Authority
- RU
- Russia
- Prior art keywords
- points
- samples
- concentration
- proximity
- analyte
- Prior art date
Links
Classifications
-
- 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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- 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
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
- G16B5/20—Probabilistic models
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Claims (82)
1. Компьютеризованный способ создания оценочной модели, которая указывает на вероятность статуса наличия заболевания у исследуемого пациента, причем способ предусматривает следующее:
получение первого набора значений концентрации первого аналита из первого набора образцов от пациентов с диагнозом отсутствия заболевания;
получение второго набора значений концентрации первого аналита из второго набора образцов от пациентов с диагнозом наличия заболевания, причем первый набор и второй набор образцов составляют обучающий набор образцов;
расчет среднего значения концентрации первого аналита из первого набора значений концентрации;
расчет среднего значения концентрации первого аналита из второго набора значений концентрации;
вычисление значения средней точки концентрации между средним значением первого набора значений концентрации и средним значением второго набора значений концентрации;
расчет первого показателя близости в баллах, представляющего среднее значение концентраций первого набора аналитов;
расчет второго показателя близости в баллах, представляющего среднее значение концентрации второго набора аналитов;
получение показателя близости в баллах средней точки, представляющего производную среднюю точку средних значений концентрации первого и второго наборов аналитов; и
отображение концентраций обучающего набора образцов в диапазон показателей близости в баллах между первым показателем близости в баллах и вторым показателем близости в баллах для завершения создания оценочной модели.
2. Компьютеризованный способ по п. 1, где обучающий набор образцов включает в себя по меньшей мере один из образцов крови, образцов мочи и образцов ткани.
3. Компьютеризованный способ по п. 1, где вычисленное среднее значение для концентрации для первого набора образцов и для второго набора образцов корректируют по возрасту.
4. Компьютеризованный способ по п. 1, где обучающий набор образцов включает в себя равное количество образцов наличия заболевания и образцов отсутствия заболевания.
5. Компьютеризованный способ по п. 1, где отображение концентраций обучающего набора образцов включает в себя отображение концентраций в зоны показателей близости в баллах, причем указанные зоны показателей близости дополнительно включают следующее:
первую зону с показателями близости в баллах, соответствующими концентрации первого аналита выше среднего значения концентрации первого набора образцов и ниже средней точки; и
вторую зону с показателями близости в баллах, соответствующими концентрации первого аналита выше средней точки и ниже среднего значения концентрации второго набора образцов.
6. Компьютеризованный способ по п. 1, где расчет диапазона показателей близости в баллах дополнительно предусматривает следующее:
отображение концентраций обучающего набора образцов ниже первого показателя близости в баллах; и
отображение концентраций обучающего набора образцов выше второго показателя близости в баллах,
причем отображение концентраций обучающего набора образцов создает зоны показателей близости в баллах.
7. Компьютеризованный способ по п. 6, где отображение концентраций обучающего набора образцов включает отображение концентраций в зоны показателей близости в баллах, причем указанные зоны показателей близости в баллах дополнительно включают следующее:
первую зону с показателями близости в баллах, соответствующими концентрации первого аналита ниже среднего значения концентрации первого набора образцов;
вторую зону с показателями близости в баллах, соответствующими концентрации первого аналита выше среднего значения первого набора образцов, но ниже значения средней точки концентрации, и при этом вторая зона расположена рядом с первой зоной;
третью зону с показателями близости в баллах, соответствующими концентрации первого аналита выше значения средней точки концентрации и ниже среднего значения второго набора образцов, и при этом третья зона расположена рядом со второй зоной; и
четвертую зону с показателями близости в баллах, соответствующими концентрации первого аналита выше среднего значения концентрации второго набора образцов, и при этом четвертая зона расположена рядом с третьей зоной.
инвертирование диапазона значений концентрации обучающего набора образцов при отображении концентраций в диапазон показателей близости в баллах.
8. Компьютеризованный способ по п. 1, где отображение концентраций обучающего набора образцов в диапазон показателей близости в баллах дополнительно предусматривает:
по меньшей мере одно из сжатия и расширения диапазона значений концентрации обучающего набора образцов при отображении концентраций в диапазон показателей близости в баллах.
9. Компьютеризованный способ индикации вероятности статуса наличия заболевания по п. 1, дополнительно предусматривающий следующее:
нормализацию индикатора вероятности статуса наличия заболевания на основании возраста исследуемого пациента.
10. Компьютеризованный способ по п. 1, дополнительно предусматривающий следующее:
проведение по меньшей мере одного корреляционного анализа из следующего: кластеризация, окрестный поиск, регрессионный анализ, анализ формы сигнала, анализ с помощью нейронной сети, моделирование методом опорных векторов и пространственная близость с использованием биомаркеров со связанной с заболеванием функциональностью для дополнительного отображения измеренной концентрации обучающего набора образцов в диапазон показателей близости в баллах для совпадения с известным диагнозом.
11. Компьютеризованный способ по п. 10,
где выбранный корреляционный анализ представляет собой либо моделирование методом опорных векторов, либо пространственную близость, и
обучающий набор образцов включает в себя одну или несколько изолированных точек, и
при этом способ дополнительно предусматривает:
сжатие значений концентрации для компенсации эффектов одной или нескольких изолированных точек.
12. Компьютеризованный способ по п. 1, где измеренное исходное значение концентрации для первого аналита для исследуемого пациента заменяют определенным средним значением концентрации первого аналита из первого набора значений концентрации и используют для индикации вероятности статуса наличия заболевания для исследуемого пациента.
13. Компьютеризованный способ по п. 1, где измеренное исходное значение концентрации для первого аналита для исследуемого пациента заменяют определенным средним значением концентрации первого аналита из второго набора значений концентрации и используют для индикации вероятности статуса наличия заболевания для исследуемого пациента, при этом заболевание рецидивирует, и при этом измеренный исходный уровень определяют во время первого появления заболевания.
14. Компьютеризованный способ по любому из пп. 1 или 5, где диагноз наличия заболевания выбирают из группы, состоящей из стадий злокачественной опухоли.
15. Компьютеризованный способ, выполняемый одним или несколькими серверными вычислительными устройствами для создания оценочной модели, которая указывает на вероятность статуса наличия заболевания у исследуемого пациента, причем способ предусматривает:
получение, с помощью по меньшей мере одного из серверных вычислительных устройств, из системы анализа образца, первого набора значений концентрации первого аналита из первого набора образцов от пациентов с диагнозом отсутствия заболевания;
получение, с помощью по меньшей мере одного из серверных вычислительных устройств, из системы анализа образца, второго набора значений концентрации первого аналита из второго набора образцов от пациентов с диагнозом наличия заболевания, причем первый набор и второй набор образцов содержат обучающий набор образцов;
расчет, с помощью по меньшей мере одного из серверных вычислительных устройств, среднего значения концентрации первого аналита из первого набора значений концентрации;
расчет, с помощью по меньшей мере одного из серверных вычислительных устройств, среднего значения концентрации первого аналита из второго набора значений концентрации;
вычисление, с помощью по меньшей мере одного из серверных вычислительных устройств, значения средней точки концентрации между средним значением первого набора значений концентрации и средним значением второго набора значений концентрации;
расчет, с помощью по меньшей мере одного из серверных вычислительных устройств, первого показателя близости в баллах, представляющего среднее значение концентрации первого набора аналитов;
расчет, с помощью по меньшей мере одного из серверных вычислительных устройств, второго показателя близости в баллах, представляющего среднее значение концентрации второго набора аналитов;
получение, с помощью по меньшей мере одного из серверных вычислительных устройств, средней точки показателя близости в баллах, представляющей производную среднюю точку средних значений концентрации первого и второго наборов аналитов; и
отображение, с помощью по меньшей мере одного из серверных вычислительных устройств, концентраций обучающего набора образцов в диапазон показателей близости в баллах между первым показателем близости в баллах и вторым показателем близости в баллах для завершения создания оценочной модели.
16. Энергонезависимый машиночитаемый носитель, сохраняющий оценочную модель, созданную с помощью способа по п. 15, которая указывает на вероятность статуса наличия заболевания у исследуемого пациента.
17. Серверное устройство для создания оценочной модели, которая указывает на вероятность статуса наличия заболевания у исследуемого пациента, причем серверное устройство содержит следующее:
один или несколько процессоров; и
запоминающее устройство вычислительной машины, функционально связанное с одним или несколькими процессорами и содержащее инструкции, сохраненные на нем, которые, при выполнении по меньшей мере одним из одного или нескольких процессоров, приводят к тому, что серверное устройство:
получает, из системы анализа образца, первый набор значений концентрации первого аналита из первого набора образцов от пациентов с диагнозом отсутствия заболевания;
получает, из системы анализа образца, второй набор значений концентрации первого аналита из второго набора образцов от пациентов с диагнозом наличия заболевания, причем первый набор и второй набор образцов содержат обучающий набор образцов;
рассчитывает среднее значение концентрации первого аналита из первого набора значений концентрации;
рассчитывает среднее значение концентрации первого аналита из второго набора значений концентрации;
вычисляет значение средней точки концентрации между средним значением первого набора значений концентрации и средним значением второго набора значений концентрации;
рассчитывает первый показатель близости в баллах, представляющий среднее значение концентрации первого набора аналитов;
рассчитывает второй показатель близости в баллах, представляющий среднее значение концентрации второго набора аналитов;
получает показатель близости в баллах средней точки, представляющий производную среднюю точку средних значений концентрации первого и второго наборов аналитов; и
отображает концентрации обучающего набора образцов в диапазон показателей близости в баллах между первым показателем близости в баллах и вторым показателем близости в баллах для завершения создания оценочной модели.
18. Компьютеризованный способ, выполняемый одним или несколькими серверными вычислительными устройствами для индикации вероятности статуса наличия заболевания, существующего у исследуемого пациента, причем способ предусматривает следующее:
получение, с помощью по меньшей мере одного из серверных вычислительных устройств, из системы анализа образца, значения концентрации измеренного первого аналита от исследуемого пациента;
преобразование, с помощью по меньшей мере одного из серверных вычислительных устройств, значения концентрации измеренного первого аналита в показатель близости в баллах для исследуемого пациента;
нанесение на график, с помощью по меньшей мере одного из серверных вычислительных устройств, показателя близости в баллах для исследуемого пациента в оценочную модель по п. 15;
идентификацию, с помощью по меньшей мере одного из серверных вычислительных устройств, положения в отображенном обучающем наборе образцов оценочной модели, которое соответствует показателю близости в баллах для исследуемого пациента;
оценку в баллах, с помощью по меньшей мере одного из серверных вычислительных устройств, идентифицированного положения в отображенном обучающем наборе образцов оценочной модели;
вывод, с помощью по меньшей мере одного из серверных вычислительных устройств, показателя в баллах идентифицированного положения; и
расчет вероятности статуса наличия заболевания на основании выведенного показателя в баллах.
19. Энергонезависимый машиночитаемый носитель, сохраняющий вычисленные результаты, созданные с помощью способа по п. 18, который указывает на вероятность статуса наличия заболевания у исследуемого пациента.
20. Серверное вычислительное устройство для индикации вероятности статуса наличия заболевания, существующего у исследуемого пациента, причем серверное вычислительное устройство содержит следующее:
один или несколько процессоров; и
одно или несколько запоминающих устройств, функционально связанных с одним или несколькими процессорами и содержащих инструкции, сохраненные на них, которые, при выполнении по меньшей мере одним из одного или нескольких процессоров, приводят к тому, что серверное вычислительное устройство:
получает, из системы анализа образца, значение концентрации измеренного первого аналита от исследуемого пациента;
преобразует полученное значение концентрации измеренного первого аналита в показатель близости в баллах для исследуемого пациента;
наносит на график показатель близости в баллах для исследуемого пациента в оценочную модель по п. 18;
идентифицирует положение в отображенном обучающем наборе образцов оценочной модели, которое соответствует показателю близости в баллах для исследуемого пациента;
оценивает в баллах идентифицированное положение в отображенном обучающем наборе образцов оценочной модели;
выводит показатель в баллах идентифицированного положения; и
рассчитывает вероятность статуса наличия заболевания на основании выведенного показателя в баллах.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662281797P | 2016-01-22 | 2016-01-22 | |
| US62/281,797 | 2016-01-22 | ||
| PCT/US2017/014595 WO2017127822A1 (en) | 2016-01-22 | 2017-01-23 | Systems and methods for improving disease diagnosis |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2021137343A Division RU2021137343A (ru) | 2016-01-22 | 2017-01-23 | Системы и способы улучшения диагностики заболеваний |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2018127709A true RU2018127709A (ru) | 2020-02-25 |
Family
ID=59362123
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2021137343A RU2021137343A (ru) | 2016-01-22 | 2017-01-23 | Системы и способы улучшения диагностики заболеваний |
| RU2018127709A RU2018127709A (ru) | 2016-01-22 | 2017-01-23 | Системы и способы улучшения диагностики заболеваний |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2021137343A RU2021137343A (ru) | 2016-01-22 | 2017-01-23 | Системы и способы улучшения диагностики заболеваний |
Country Status (8)
| Country | Link |
|---|---|
| US (2) | US11694802B2 (ru) |
| EP (1) | EP3405896A4 (ru) |
| JP (3) | JP6952056B2 (ru) |
| CN (2) | CN109196593B (ru) |
| CA (1) | CA3011988A1 (ru) |
| IL (1) | IL260678B (ru) |
| RU (2) | RU2021137343A (ru) |
| WO (1) | WO2017127822A1 (ru) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110289092A (zh) | 2013-03-14 | 2019-09-27 | 奥特拉西斯公司 | 使用所测分析物改进疾病诊断的方法 |
| CN109196593B (zh) * | 2016-01-22 | 2021-10-19 | 欧特雷瑟斯有限公司 | 用于改善疾病诊断的系统和方法 |
| EP3665694A4 (en) * | 2017-08-09 | 2021-04-21 | Otraces Inc. | SYSTEMS AND METHODS FOR IMPROVING DISEASE DIAGNOSIS BY MEASUREMENT OF ANALYTES |
| KR102633621B1 (ko) | 2017-09-01 | 2024-02-05 | 벤 바이오사이언시스 코포레이션 | 진단 및 치료 모니터링용 바이오마커로서의 당펩티드의 식별 및 용도 |
| US10747785B2 (en) * | 2017-11-01 | 2020-08-18 | Mad Street Den, Inc. | Method and system for efficient clustering of combined numeric and qualitative data records |
| US20190180381A1 (en) | 2017-12-12 | 2019-06-13 | VFD Consulting, Inc. | Reference interval generation |
| US11010449B1 (en) | 2017-12-12 | 2021-05-18 | VFD Consulting, Inc. | Multi-dimensional data analysis and database generation |
| US11656174B2 (en) | 2018-01-26 | 2023-05-23 | Viavi Solutions Inc. | Outlier detection for spectroscopic classification |
| US11009452B2 (en) * | 2018-01-26 | 2021-05-18 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic quantification |
| US10810408B2 (en) | 2018-01-26 | 2020-10-20 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic classification |
| CA3089818A1 (en) | 2018-01-29 | 2019-08-01 | Stratuscent Inc. | Chemical sensing system |
| WO2020170036A1 (en) | 2019-02-22 | 2020-08-27 | Stratuscent Inc. | Systems and methods for learning across multiple chemical sensing units using a mutual latent representation |
| KR102261474B1 (ko) | 2019-07-12 | 2021-06-07 | 주식회사 젠큐릭스 | 자동 경계화를 이용한 데이터 처리 방법 및 시스템 |
| CA3147270A1 (en) * | 2019-07-13 | 2021-01-21 | Otraces Inc. | Improving diagnosis for various diseases using tumor microenvironment active proteins |
| US11107555B2 (en) | 2019-10-02 | 2021-08-31 | Kpn Innovations, Llc | Methods and systems for identifying a causal link |
| RU2741215C1 (ru) * | 2020-02-07 | 2021-01-22 | Общество с ограниченной ответственностью "АйТи Юниверс" | Система нейрореабилитации и способ нейрореабилитации |
| US11416776B2 (en) | 2020-08-24 | 2022-08-16 | Kpn Innovations, Llc. | Method of and system for identifying and enumerating cross-body degradations |
| US11798652B2 (en) | 2020-08-24 | 2023-10-24 | Kpn Innovations, Llc. | Method of and system for identifying and ameliorating body degradations |
| WO2022047352A1 (en) * | 2020-08-31 | 2022-03-03 | Predomix, Inc | Method for early treatment and detection of women specific cancers |
| US11179110B1 (en) | 2020-08-31 | 2021-11-23 | Kpn Innovations Llc | Method of system for reversing inflammation in a user |
Family Cites Families (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60209177A (ja) | 1984-04-02 | 1985-10-21 | Chugai Pharmaceut Co Ltd | 自動分析装置 |
| US6628809B1 (en) * | 1999-10-08 | 2003-09-30 | Lumidigm, Inc. | Apparatus and method for identification of individuals by near-infrared spectrum |
| US6058322A (en) * | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
| US7713705B2 (en) * | 2002-12-24 | 2010-05-11 | Biosite, Inc. | Markers for differential diagnosis and methods of use thereof |
| US20030032017A1 (en) * | 2001-08-03 | 2003-02-13 | Large Scale Proteomics, Corp. | Quantification of low molecular weight and low abundance proteins using high resolution two-dimensional electrophoresis and mass spectrometry |
| US7042975B2 (en) * | 2002-10-25 | 2006-05-09 | Koninklijke Philips Electronics N.V. | Four-dimensional helical tomographic scanner |
| US7604956B2 (en) * | 2004-03-01 | 2009-10-20 | Biotraces, Inc. | Supersensitive immunoassays |
| US20080133141A1 (en) * | 2005-12-22 | 2008-06-05 | Frost Stephen J | Weighted Scoring Methods and Use Thereof in Screening |
| EP2074224A4 (en) | 2006-10-17 | 2010-07-21 | Synergenz Bioscience Ltd | METHOD AND COMPOSITIONS FOR ASSESSING LUNG FUNCTION AND LUNG RIDING |
| SE532103C2 (sv) * | 2006-12-12 | 2009-10-27 | Knut Johansen | Metod för att bestämma hälsostatus från analyter i vätskeprover |
| US8431011B2 (en) * | 2008-01-31 | 2013-04-30 | Abbott Diabetes Care Inc. | Method for automatically and rapidly distinguishing between control and sample solutions in a biosensor strip |
| US8032308B2 (en) * | 2008-03-13 | 2011-10-04 | Siemens Medical Solutions Usa, Inc. | Modeling lung cancer survival probability after or side-effects from therapy |
| EP2124060A1 (en) * | 2008-05-23 | 2009-11-25 | ETH Zurich | Method for high throughput peptide/protein assay generation and assays generated therewith |
| AU2009270851A1 (en) | 2008-07-16 | 2010-01-21 | Dana-Farber Cancer Institute, Inc. | Signatures and PCDETERMINANTS associated with prostate cancer and methods of use thereof |
| KR20110110247A (ko) * | 2008-12-30 | 2011-10-06 | 센토코 오르토 바이오테크 인코포레이티드 | 강직성 척추염 환자에서 항-ＴＮＦα 항체에 대한 임상적 반응을 예측하는 혈청 마커 |
| US20120022793A1 (en) | 2009-01-19 | 2012-01-26 | Miraculins, Inc. | Biomarkers for the diagnosis of prostate cancer in a non-hypertensive population |
| WO2011046597A2 (en) * | 2009-10-13 | 2011-04-21 | Purdue Research Foundtion | Biomarkers for the detection of breast cancer |
| EP2521920A4 (en) | 2010-01-08 | 2013-06-05 | Univ California | PROTEIN MARKERS FOR DETECTION OF LUNG CANCER AND METHODS OF USE THEREOF |
| KR101530284B1 (ko) * | 2010-07-16 | 2015-06-19 | 삼성전자주식회사 | 영상의 인트라 예측 부호화, 복호화 방법 및 장치 |
| EP3151012B1 (en) | 2010-09-21 | 2018-03-21 | Proteomics International Pty Ltd | Biomarkers associated with diabetic nephropathy |
| EP2434285A1 (en) | 2010-09-22 | 2012-03-28 | IMBA-Institut für Molekulare Biotechnologie GmbH | Breast cancer diagnostics |
| CN103220904B (zh) * | 2010-11-17 | 2016-01-20 | 纳幕尔杜邦公司 | 关联玉米对斐济病毒属的抗性的基因座 |
| CN110444287B (zh) * | 2011-04-29 | 2024-02-06 | 癌症预防和治疗有限公司 | 使用分类系统及其试剂盒识别和诊断肺部疾病的方法 |
| WO2013036754A2 (en) * | 2011-09-09 | 2013-03-14 | The Wistar Institute Of Anatomy And Biology | Methods and compositions for diagnosis of ovarian cancer |
| KR101310534B1 (ko) * | 2011-09-30 | 2013-09-23 | 삼성전기주식회사 | 통신채널의 에너지 레벨 획득방법 |
| US20130261010A1 (en) * | 2012-03-12 | 2013-10-03 | The Board Of Trustees Of The University Of Illinois | Optical analyte detection systems with magnetic enhancement and methods of use |
| CA2871195C (en) * | 2012-04-24 | 2023-01-10 | Rna Diagnostics Inc. | Assays, methods and apparatus for assessing rna disruption |
| US9653272B2 (en) * | 2012-06-26 | 2017-05-16 | Biodesix, Inc. | Mass-spectral method for selection, and de-selection, of cancer patients for treatment with immune response generating therapies |
| US20140045196A1 (en) * | 2012-08-13 | 2014-02-13 | University Of Tokyo | Methods of prognosis and diagnosis of cancer |
| US20140194304A1 (en) * | 2013-01-08 | 2014-07-10 | Battelle Memorial Institute | Process for ultra-sensitive quantification of target analytes in complex biological systems |
| CN110289092A (zh) * | 2013-03-14 | 2019-09-27 | 奥特拉西斯公司 | 使用所测分析物改进疾病诊断的方法 |
| WO2014149629A1 (en) * | 2013-03-15 | 2014-09-25 | Htg Molecular Diagnostics, Inc. | Subtyping lung cancers |
| CN103690176B (zh) * | 2013-12-26 | 2015-10-28 | 苏州大学 | 一种无创血糖检测方法 |
| JP6692358B2 (ja) | 2014-09-16 | 2020-05-13 | リジェネロン・ファーマシューティカルズ・インコーポレイテッドＲｅｇｅｎｅｒｏｎ Ｐｈａｒｍａｃｅｕｔｉｃａｌｓ， Ｉｎｃ． | 転移性結腸直腸癌の抗血管新生療法に関連する予測的及び予後的バイオマーカー |
| AU2016206486A1 (en) | 2015-01-16 | 2017-07-20 | The Board Of Trustees Of The Leland Stanford Junior University | VEGF variant polypeptide compositions |
| CN109196593B (zh) | 2016-01-22 | 2021-10-19 | 欧特雷瑟斯有限公司 | 用于改善疾病诊断的系统和方法 |
| WO2019051266A2 (en) * | 2017-09-08 | 2019-03-14 | Myriad Genetics, Inc. | METHOD OF USING BIOMARKERS AND CLINICAL VARIABLES TO PREDICT THE INTEREST OF CHEMOTHERAPY |
| CA3147270A1 (en) * | 2019-07-13 | 2021-01-21 | Otraces Inc. | Improving diagnosis for various diseases using tumor microenvironment active proteins |
-
2017
- 2017-01-23 CN CN201780015495.7A patent/CN109196593B/zh active Active
- 2017-01-23 CA CA3011988A patent/CA3011988A1/en active Pending
- 2017-01-23 CN CN202111162509.2A patent/CN113903467A/zh active Pending
- 2017-01-23 WO PCT/US2017/014595 patent/WO2017127822A1/en active Application Filing
- 2017-01-23 JP JP2018557294A patent/JP6952056B2/ja active Active
- 2017-01-23 EP EP17742119.5A patent/EP3405896A4/en active Pending
- 2017-01-23 US US16/072,000 patent/US11694802B2/en active Active
- 2017-01-23 RU RU2021137343A patent/RU2021137343A/ru unknown
- 2017-01-23 RU RU2018127709A patent/RU2018127709A/ru unknown
-
2018
- 2018-07-19 IL IL260678A patent/IL260678B/en unknown
-
2021
- 2021-09-27 JP JP2021156267A patent/JP7266076B2/ja active Active
-
2023
- 2023-04-17 JP JP2023067193A patent/JP2023086821A/ja active Pending
- 2023-05-08 US US18/313,726 patent/US20230274839A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| RU2021137343A (ru) | 2022-01-26 |
| US11694802B2 (en) | 2023-07-04 |
| WO2017127822A1 (en) | 2017-07-27 |
| EP3405896A1 (en) | 2018-11-28 |
| CA3011988A1 (en) | 2017-07-27 |
| IL260678A (en) | 2018-10-31 |
| JP7266076B2 (ja) | 2023-04-27 |
| CN113903467A (zh) | 2022-01-07 |
| JP6952056B2 (ja) | 2021-10-20 |
| EP3405896A4 (en) | 2019-09-25 |
| CN109196593A (zh) | 2019-01-11 |
| CN109196593B (zh) | 2021-10-19 |
| JP2022003564A (ja) | 2022-01-11 |
| JP2023086821A (ja) | 2023-06-22 |
| US20190027249A1 (en) | 2019-01-24 |
| IL260678B (en) | 2022-04-01 |
| US20230274839A1 (en) | 2023-08-31 |
| JP2019504432A (ja) | 2019-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2018127709A (ru) | Системы и способы улучшения диагностики заболеваний | |
| JP2019504432A5 (ru) | ||
| CN109069014B (zh) | 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 | |
| Jung et al. | The ACC/AHA 2013 pooled cohort equations compared to a Korean Risk Prediction Model for atherosclerotic cardiovascular disease | |
| Foster et al. | New reference centiles for left ventricular mass relative to lean body mass in children | |
| JP2024074846A (ja) | 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
| Jones et al. | Quantification of multiple-sclerosis-related brain atrophy in two heterogeneous MRI datasets using mixed-effects modeling | |
| JP7124265B2 (ja) | バイオマーカー検出方法、疾病判断方法、バイオマーカー検出装置、及びバイオマーカー検出プログラム | |
| US9883793B2 (en) | Spatial modeling of visual fields | |
| CN116913550A (zh) | 一种ppi相关糖尿病风险预测模型的建模方法和应用 | |
| JP2011501848A (ja) | 診断マーカーの推定 | |
| Moroz et al. | Comparison of the diagnostic efficiency of various noninvasive methods for diagnosing liver fibrosis in patients with chronic viral hepatitis C | |
| RU2697853C1 (ru) | Способ скрининга белково-энергетической недостаточности у пациента, получающего лечение программным гемодиализом | |
| KR20110024917A (ko) | 사상체질 판별 방법 | |
| Herati et al. | SEXUAL HEALTH CARE PRACTITIONER′ S EVALUATION OF MEN WHO HAVE SEX WITH MEN: PD45-12 | |
| Castaldello et al. | A model-based support for diagnosing von willebrand disease | |
| Koumakis et al. | Risk assessment models for diabetes complications: a survey of available online tools | |
| Baitrak et al. | COMPREHENSIVE ASSESSMENT OF INDICATORS OF PHYSICAL DEVELOP-MENT IN CHILDREN OF ETHNIC KHANTY PEOPLE OF MIDDLE PRIOBYE | |
| OKYAR BAŞ et al. | The validation of the Turkish version of the PRISMA-7 questionnaire; a case-finding instrument for detecting older adults living with frailty | |
| RU2718305C1 (ru) | Способ прогнозирования индекса массы миокарда левого желудочка у работников химических производств в зависимости от стажа и уровня психосоциального стресса | |
| Mohammed | Remote Sensing and Geographical Information System to map environmental factors associated with Children Malnutrition Severity in Khartoum State, Sudan | |
| RU2629351C1 (ru) | Способ обоснования биомаркеров производственно обусловленных негативных эффектов от воздействия вредных производственных факторов на работников промышленных производств | |
| Huang et al. | Multivariate Analysis of Cox Regression Model for Oral Squamous Cell Carcinoma Based on SEER Database | |
| RU2568165C1 (ru) | Способ прогнозирования поражения нервной системы в ранней стадии болезни кавасаки | |
| RU2264168C2 (ru) | Способ прогнозирования числа случаев рака щитовидной железы |