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 PDFInfo
- 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
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:
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:
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.
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)
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)
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 |
-
2019
- 2019-03-22 BR BR112020019087-0A patent/BR112020019087A2/pt unknown
- 2019-03-22 KR KR1020207030180A patent/KR20200135444A/ko not_active Application Discontinuation
- 2019-03-22 RU RU2020134037A patent/RU2020134037A/ru unknown
- 2019-03-22 EP EP19711391.3A patent/EP3769086A1/en active Pending
- 2019-03-22 WO PCT/EP2019/057297 patent/WO2019180232A1/en unknown
- 2019-03-22 MX MX2020009705A patent/MX2020009705A/es unknown
- 2019-03-22 US US17/040,620 patent/US20210118570A1/en active Pending
- 2019-03-22 AU AU2019238388A patent/AU2019238388A1/en active Pending
- 2019-03-22 CA CA3094294A patent/CA3094294A1/en active Pending
- 2019-03-22 CN CN201980034031.XA patent/CN112105933A/zh active Pending
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 |