RU2020134037A - Способы скрининга субъекта на риск развития хронической болезни почек и компьютерно-реализуемый способ - Google Patents

Способы скрининга субъекта на риск развития хронической болезни почек и компьютерно-реализуемый способ Download PDF

Info

Publication number
RU2020134037A
RU2020134037A RU2020134037A RU2020134037A RU2020134037A RU 2020134037 A RU2020134037 A RU 2020134037A RU 2020134037 A RU2020134037 A RU 2020134037A RU 2020134037 A RU2020134037 A RU 2020134037A RU 2020134037 A RU2020134037 A RU 2020134037A
Authority
RU
Russia
Prior art keywords
measured
subject
albumin
level
creatinine
Prior art date
Application number
RU2020134037A
Other languages
English (en)
Inventor
Александер БЮССЕР
Тони ХУШТО
Вольфганг ПЕТРИХ
Штефан РАВИЦЦА
Бернд ШНАЙДИНГЕР
Original Assignee
Ф. Хоффманн-Ля Рош Аг
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
Priority claimed from EP18163573.1A external-priority patent/EP3543702B1/en
Application filed by Ф. Хоффманн-Ля Рош Аг filed Critical Ф. Хоффманн-Ля Рош Аг
Publication of RU2020134037A publication Critical patent/RU2020134037A/ru

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
    • G16H50/30—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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/34—Genitourinary disorders
    • G01N2800/347—Renal failures; Glomerular diseases; Tubulointerstitial diseases, e.g. nephritic syndrome, glomerulonephritis; Renovascular diseases, e.g. renal artery occlusion, nephropathy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/54—Determining the risk of relapse
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Hematology (AREA)
  • Immunology (AREA)
  • Urology & Nephrology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Biotechnology (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Microbiology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Food Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Cell Biology (AREA)
  • Genetics & Genomics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)

Claims (48)

1. Способ скрининга субъекта на риск развития хронической болезни почек (ХБП), включающий:
получение маркерных данных, характеризующих маркерные параметры, относящиеся к субъекту и показывающие возраст субъекта, измеренный у него уровень креатинина и измеренный у него уровень альбумина для периода измерения, и
определение по маркерным параметрам фактора риска, характеризующего риск развития ХБП у субъекта, включающее:
присвоение возрасту большего веса, чем измеренному уровню альбумина, и
присвоение измеренному уровню креатинина большего веса, чем измеренному уровню альбумина.
2. Способ по п. 1, в котором маркерные параметры показывают уровень креатинина, измеренный в крови субъекта.
3. Способ по п. 1 или 2, в котором маркерные параметры показывают уровень альбумина, измеренный в крови субъекта.
4. Способ по меньшей мере по одному из предыдущих пунктов, в котором субъектом является пациент, больной диабетом.
5. Способ по меньшей мере по одному из предыдущих пунктов, в котором период измерения ограничен двумя годами.
6. Способ по меньшей мере по одному из предыдущих пунктов, в котором субъекту не был поставлен диагноз "диабет" к концу периода измерения.
7. Способ по п. 4 или 5, в котором период измерения исчисляется, по меньшей мере частично, от постановки диагноза "диабет" субъекту.
8. Способ по меньшей мере по одному из предыдущих пунктов, в котором фактор риска указывает на риск развития ХБП у субъекта в течение прогнозного периода, составляющего три года с конца периода измерения.
9. Способ по меньшей мере по одному из предыдущих пунктов, в котором определение фактора риска включает присвоение возрасту большего веса, чем измеренному уровню креатинина.
10. Способ по меньшей мере по одному из предыдущих пунктов, в котором получают маркерные данные, характеризующие маркерные параметры, относящиеся к субъекту с измеренным уровнем HbA1c менее 6,5%.
11. Способ по меньшей мере по одному из предыдущих пунктов, включающий:
использование маркерных параметров, показывающих для субъекта измеренный уровень скорости клубочковой фильтрации, и
определение фактора риска с присвоением каждому из возраста, измеренного уровня альбумина и измеренного уровня креатинина большего веса, чем измеренному уровню скорости клубочковой фильтрации.
12. Способ по меньшей мере по одному из пп. 1-10, в котором фактор риска определяют в соответствии с уравнением:
Figure 00000001
,
где PCKD - фактор риска,
PCKD_Pred=cCKD1⋅age+cCKD2⋅creatinine+cCKD3⋅albumin+cCKD4,
"age" - возраст субъекта,
"creatinine" - измеренный уровень креатинина у субъекта,
"albumin" - измеренный уровень альбумина у субъекта,
cCKD1, cCKD2, cCKD3, cCKD4 - константы.
13. Способ по меньшей мере по одному из пп. 1-11, в котором фактор риска определяют в соответствии с уравнением:
Figure 00000002
,
где P'CKD - фактор риска,
P'CKD_Pred=c'CKD1⋅age+c'CKD2⋅creatinine+c'CKD3⋅albumin+c'CKD4+c'CKD5⋅eGFR,
"age" - возраст субъекта,
"creatinine" - измеренный уровень креатинина у субъекта,
"albumin" - измеренный уровень альбумина у субъекта,
"eGFR" - измеренный уровень оцененной скорости клубочковой фильтрации у субъекта,
c'CKD1, c'CKD2, c'CKD3, c'CKD4, c'CKD5 - константы.
14. Компьютерно-реализуемый способ скрининга субъекта на риск развития хронической болезни почек (ХБП) в системе обработки данных, содержащей процессор и энергонезависимое запоминающее устройство с записанной программой, обеспечивающей выполнение процессором следующего:
получение маркерных данных, характеризующих маркерные параметры, относящиеся к субъекту и показывающие возраст субъекта, измеренный уровень альбумина и измеренный уровень креатинина для периода измерения,
определение по маркерным параметрам фактора риска, характеризующего риск развития ХБП у субъекта, включающее:
присвоение возрасту большего веса, чем измеренному уровню альбумина, и
присвоение измеренному уровню креатинина большего веса, чем измеренному уровню альбумина.
15. Способ скрининга субъекта на риск развития хронической болезни почек (ХБП), включающий:
получение маркерных данных, характеризующих маркерные параметры, показывающие:
возраст субъекта,
измеренный уровень креатинина для периода измерения,
измеренный уровень альбумина для периода измерения,
определение по маркерным параметрам фактора риска, характеризующего риск развития ХБП у субъекта, включающее:
присвоение возрасту большего веса, чем измеренному уровню альбумина,
присвоение измеренному уровню креатинина большего веса, чем измеренному уровню альбумина,
причем по меньшей мере один из измеренных уровней креатинина и альбумина характеризует обобщенное значение измеренных уровней для референсной группы субъектов, не включающей данного субъекта, в течение соответствующего периода измерения для каждого субъекта из этой референсной группы.
RU2020134037A 2018-03-23 2019-03-22 Способы скрининга субъекта на риск развития хронической болезни почек и компьютерно-реализуемый способ RU2020134037A (ru)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP18163573.1 2018-03-23
EP18163573.1A EP3543702B1 (en) 2018-03-23 2018-03-23 Methods for screening a subject for the risk of chronic kidney disease and computer-implemented method
EP19150615 2019-01-07
EP19150615.3 2019-01-07
PCT/EP2019/057297 WO2019180232A1 (en) 2018-03-23 2019-03-22 Methods for screening a subject for the risk of chronic kidney disease and computer-implemented method

Publications (1)

Publication Number Publication Date
RU2020134037A true RU2020134037A (ru) 2022-04-26

Family

ID=65802112

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2020134037A RU2020134037A (ru) 2018-03-23 2019-03-22 Способы скрининга субъекта на риск развития хронической болезни почек и компьютерно-реализуемый способ

Country Status (10)

Country Link
US (1) US20210118570A1 (ru)
EP (1) EP3769086A1 (ru)
KR (1) KR20200135444A (ru)
CN (1) CN112105933A (ru)
AU (1) AU2019238388A1 (ru)
BR (1) BR112020019087A2 (ru)
CA (1) CA3094294A1 (ru)
MX (1) MX2020009705A (ru)
RU (1) RU2020134037A (ru)
WO (1) WO2019180232A1 (ru)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4060347A1 (en) * 2021-03-15 2022-09-21 F. Hoffmann-La Roche AG Method for screening a subject for the risk of chronic kidney disease and computer-implemented method
CN115148375B (zh) * 2022-08-31 2022-11-15 之江实验室 一种高通量真实世界药物有效性与安全性评价方法及系统
CN117711619A (zh) * 2023-12-15 2024-03-15 南方医科大学南方医院 一种糖尿病患者慢性肾脏病发生风险预测系统及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201214440D0 (en) * 2012-08-13 2012-09-26 Randox Lab Ltd Kidney disease biomarker
EP2746769A1 (en) * 2012-12-21 2014-06-25 Stembios Technologies, Inc. Method for evaluating effect of action on subject based on stem celldynamics
GB201404789D0 (en) * 2014-03-18 2014-04-30 Univ Dundee Biomarkers
RU2733471C2 (ru) * 2015-04-24 2020-10-01 Сфинготек Гмбх Способ прогнозирования риска развития хронического заболевания почек

Also Published As

Publication number Publication date
KR20200135444A (ko) 2020-12-02
US20210118570A1 (en) 2021-04-22
BR112020019087A2 (pt) 2020-12-29
AU2019238388A1 (en) 2020-10-15
EP3769086A1 (en) 2021-01-27
CN112105933A (zh) 2020-12-18
WO2019180232A1 (en) 2019-09-26
MX2020009705A (es) 2020-10-07
CA3094294A1 (en) 2019-09-26

Similar Documents

Publication Publication Date Title
RU2020134037A (ru) Способы скрининга субъекта на риск развития хронической болезни почек и компьютерно-реализуемый способ
Somsouk et al. Moderate ascites identifies patients with low model for end‐stage liver disease scores awaiting liver transplantation who have a high mortality risk
CN110428901B (zh) 脑卒中发病风险预测系统及应用
JP2016520192A5 (ru)
AU2014289978A1 (en) Quantifying a blood vessel reflection parameter of the retina
Ćulafić et al. Role of cystatin C and renal resistive index in assessment of renal function in patients with liver cirrhosis
Sinning et al. Association of high-sensitivity assayed troponin I with cardiovascular phenotypes in the general population: the population-based Gutenberg health study
Cogswell et al. A novel model incorporating pectoralis muscle measures to predict mortality after ventricular assist device implantation
JP7543283B2 (ja) 筋肉関連の疾患を評価する方法
JP5774993B2 (ja) 肢切断患者の補正容積区画を量定する方法並びにこの方法を実施する装置及びコンピュータプログラム製品
JP2013504766A5 (ru)
Assadi The growing epidemic of chronic kidney disease: preventive strategies to delay the risk for progression to ESRD
EP3894852A1 (en) Biomarker combinations in ex vivo lung perfusion (evlp) perfusate
JP2019531261A5 (ru)
Suebmee et al. Correlation of glomerular filtration rate between renal scan and estimation equation for patients with scleroderma
FI3543702T3 (fi) Menetelmiä koehenkilön kroonisen munuaissairauden riskin seulomiseksi ja tietokoneella toteutettu menetelmä
JP6727660B2 (ja) 糖尿病性腎症の判定マーカー
RU2641843C2 (ru) Способ прогнозирования риска смерти больных с острой декомпенсацией хронической сердечной недостаточности
US8055051B2 (en) Method and system for selecting the number of gaussian modes for the segmentation of cardiac magnetic resonance (MR) images
CN113782211A (zh) 乙肝肝硬化病患发生慢性肾脏病的风险预警模型建立方法、预测方法
Dimiati et al. Study of NT-proBNP and Hs-Troponin I biomarkers for early detection of children’s heart function of proteinenergy malnutrition
Hori et al. Evaluation of Preoperative Abdominal Adipose Tissue–, Inflammation-, Muscle Mass–, and Nutritional Status–based Prognostic Markers to Assess Renal Dysfunction in Living Kidney Donors
JP6675687B2 (ja) 尿中ＶＥＧＦ−Ａ１６５ｂを指標とした腎機能の検査方法及び検査装置、腎機能の検査装置として機能させるためのプログラム及び記録媒体
RU2809205C1 (ru) Способ оценки выраженности нефросклероза при первичных гломерулопатиях
Jansen et al. Change of Left Ventricular Myocardial Contractility in Speckle Tracking Echocardiography After Transjugular Intrahepatic Portosystemic Shunt Predicts Survival