The present invention relates to systems and methods for improving the accuracy of disease diagnosis, and to correlation diagnostic tests of the measured analyte with binary results (e.g., non-disease or disease) and higher-order results (e.g., one of the stages of disease). The method of the present invention uses a set of biomarkers to optimize those biomarkers with orthogonal functions in order to obtain the concentration and proximity fraction values of disease and non-disease states. The proximity fraction of the biomarker set is plotted on an orthogonal grid, one dimension for each biomarker. Next, the proximity score and orthogonal gridding are used to calculate the patient's disease status or non-disease status diagnosis.
【技术实现步骤摘要】
【国外来华专利技术】用于改善疾病诊断的系统和方法相关申请的交叉引用本申请要求2016年1月22日提交的美国临时申请第62/281,797号的权益，其整体通过引用并入本文。2014年3月13日提交的相关专利申请PCT/US2014/000041(通过引用以其整体并入本文)描述了使用用于相关性分析的自变量来改善疾病预测的方法，该自变量不是直接测量的分析物的浓度，而是称为“邻近度分数”(ProximityScore)的计算值，该值根据浓度计算得到并且还针对特定年龄(或其他生理参数)被归一化，以消除年龄偏移和当疾病状态从非疾病转变为疾病时浓度值随生理参数(例如，年龄、绝经状态等)偏移或改变的非线性。
本专利技术涉及用于改善疾病诊断准确性的系统和方法，并且涉及所测分析物与二元结果(例如，非疾病或疾病)以及更高阶结果(例如，疾病的多个阶段中的一个)的相关性的关联诊断测试。
技术介绍
诊断医学长期以来一直承诺，蛋白质组学，即与疾病状态相关的多种蛋白质的测量会产生突破性诊断方法，用于迄今为止针对疾病的研究尚未产生简单可行的血液测试的疾病。癌症和阿尔茨海默病便是两个。在很大程度上，一个主要问题归结为样...
【技术保护点】
1.一种用于创建可评估模型的计算机实现的方法，所述可评估模型指示被检查患者中疾病状态的概率，所述方法包括：接收来自第一组样品的第一分析物的第一组浓度值，所述第一组样品来自具有非疾病诊断的患者；接收来自第二组样品的第一分析物的第二组浓度值，所述第二组样品来自具有疾病诊断的患者，其中所述第一组样品和所述第二组样品包括样品训练集；由第一组浓度值计算第一分析物的浓度平均值；由第二组浓度值计算第一分析物的浓度平均值；计算第一组浓度值的平均值与第二组浓度值的平均值之间的浓度中点值；计算表示第一组分析物的浓度平均值的第一邻近度分数；计算表示第二组分析物的浓度平均值的第二邻近度分数；推导表...
【技术特征摘要】
【国外来华专利技术】2016.01.22 US 62/281,7971.一种用于创建可评估模型的计算机实现的方法，所述可评估模型指示被检查患者中疾病状态的概率，所述方法包括：接收来自第一组样品的第一分析物的第一组浓度值，所述第一组样品来自具有非疾病诊断的患者；接收来自第二组样品的第一分析物的第二组浓度值，所述第二组样品来自具有疾病诊断的患者，其中所述第一组样品和所述第二组样品包括样品训练集；由第一组浓度值计算第一分析物的浓度平均值；由第二组浓度值计算第一分析物的浓度平均值；计算第一组浓度值的平均值与第二组浓度值的平均值之间的浓度中点值；计算表示第一组分析物的浓度平均值的第一邻近度分数；计算表示第二组分析物的浓度平均值的第二邻近度分数；推导表示第一组分析物和第二组分析物的浓度平均值的推导中点的中点邻近度分数；和将样品训练集的浓度映射为第一邻近度分数和第二邻近度分数之间的一系列邻近度分数，以完成所述可评估模型。2.根据权利要求1所述的计算机实现的方法，其中所述样品训练集包括血液样品、尿液样品和组织样品中的至少一种。3.根据权利要求1所述的计算机实现的方法，其中所述第一组样品和所述第二组样品的浓度计算平均值是经年龄调整的。4.根据权利要求1所述的计算机实现的方法，其中所述样品训练集包括相等数目的疾病样品和非疾病样品。5.根据权利要求1所述的计算机实现的方法，其中映射所述样品训练集的浓度包括将所述浓度映射到邻近度分数区域中，其中所述邻近度分数区域还包括：第一区域，其具有对应于高于第一组样品的浓度平均值且低于中点的第一分析物浓度的邻近度分数；和第二区域，其具有对应于高于中点且低于第二组样品的浓度平均值的第一分析物浓度的邻近度分数。6.根据权利要求1所述的计算机实现的方法，其中计算一系列邻近度分数还包括：将样品训练集浓度映射到第一邻近度分数以下；和将样品训练集浓度映射到第二邻近度分数以上，其中样品训练集浓度的映射创建了邻近度分数区域。7.根据权利要求6所述的计算机实现的方法，其中映射所述样品训练集的浓度包括将所述浓度映射到邻近度分数区域中，其中所述邻近度分数区域还包括：第一区域，其具有对应于低于第一组样品的浓度平均值的第一分析物浓度的邻近度分数；第二区域，其具有对应于高于第一组样品的平均值但低于浓度的中点值的第一分析物浓度的邻近度分数，且其中所述第二区域紧挨着所述第一区域；第三区域，其具有对应于高于浓度的中点值且低于第二组样品的平均值的第一分析物浓度的邻近度分数，且其中所述第三区域紧挨着所述第二区域；和第四区域，其具有对应于高于第二组样品的浓度平均值的第一分析物浓度的邻近度分数，且其中所述第四区域紧挨着所述第三区域。8.根据权利要求1所述的计算机实现的方法，其中将样品训练集的浓度映射为一系列邻近度分数还包括：当浓度被映射为一系列邻近度分数时，反转样品训练集的一系列浓度值。9.根据权利要求1所述的计算机实现的方法，其中将样品训练集的浓度映射为一系列邻近度分数还包括：当浓度被映射为一系列邻近度分数时，对样品训练集的一系列浓度值进行压缩和扩展中的至少一种。10.根据权利要求1所述的计算机实现的方法，其还包括：对第二分析物进行权利要求1中所述的步骤a至i；将第一分析物和第二分析物的样品训练集的浓度映射到正交多维网格中，其中所述网格的轴包括第一分析物的浓度、第二分析物的浓度以及第一分析物和第二分析物的邻近度分数；将多维网格划分为网格区域框以对疾病进行评分；和基于多维网格中的每个单独的网格区域框与预定数量的训练集样品的邻近度，对每个网格区域框进行评分。11.根据权利要求10所述的计算机实现的方法，其还包括：在每个训练集位置点编译多维网格分数；和基于所编译的多维网格分数计算训练集准确性分数。12.根据权利要求10所述的计算机实现的方法，其中预定数量的训练集样品包括约百分之5至百分之15(5％至15％)的与每个框最接近的训练集样品。13.根据权利要求12所述的计算机实现的方法，其中对多维网格中的每个单独框进行评分包括：计算约百分之5至百分之15(5％至15％)的最接近的训练集样品的计数，该样品是来自具有疾病诊断的患者的样品；计算约百分之5至百分之15(5％至15％)的最接近的训练集样品的计数，该样品是来自具有非疾病诊断的患者的样品；比较所确定的计数；和基于对所确定的计数的比较，将多维网格中的每个单独框评分为疾病或非疾病。14.根据权利要求10所述的计算机实现的方法，其中预定数量的训练集样品包括约百分之3至百分之10(3％至10％)的与每个框最接近的训练集样品。15.根据权利要求10所述的计算机实现的方法，其中对多维网格中的每个单独框进行评分还包括：将多维网格切割成与第一分析物浓度和邻近度分数以及第二分析物浓度和邻近度分数的轴一致的平面；计算约百分之3至百分之10(3％至10％)的最接近的训练集样品的计数，该样品是来自具有确认的疾病诊断的患者的样品；计算约百分之3至百分之10(3％至10％)的最接近的训练集样品的计数，该样品是来自具有非疾病诊断的患者的样品；比较所确定的计数；基于对所确定的计数的比较，将每个平面中的每个二维框评分为疾病或非疾病；基于每个平面中每个二维框的得分计算每个平面的平面分数；和通过组合平面分数来计算疾病状态分数的总概率。16.根据权利要求15所述的计算机实现的方法，其还包括：将加权因子应用于每个平面分数。17.根据权利要求1所述的指示疾病状态概率的计算机实现的方法，其还包括：基于被检查患者的年龄将疾病状态概率的指示归一化。18.根据权利要求17所述的计算机实现的方法，其还包括：对于预定数量的各年龄的具有非疾病诊断的患者和预定数量的各年龄的具有确认的疾病诊断的患者，计算第一分析物的浓度平均值；和将所确定的浓度值转换为邻近度分数，其中所述邻近度分数不具有年龄相关偏差。19.根据权利要求18所述的计算机实现的方法，其中对于预定数量的各年龄的具有非疾病诊断的患者和预定数量的各年龄的具有确认的疾病诊断的患者，确定第一分析物的浓度平均值还包括：以平均值将浓度-年龄偏移归一化；和将具有确认的疾病诊断的患者的第一分析物浓度平均值与具有非疾病诊断的患者的第一分析物浓度平均值之间的浓度中点值归一化。20.根据权利要求19所述的计算机实现的方法，其中所述样品训练集包括来自预定年龄范围内的患者的样品。21.根据权利要求20所述的计算机实现的方法，其中所述样品训练集包括来自绝经前女性、绝经期女性和绝经后女性中的至少一种的样品。22.根据权利要求20所述的计算机实现的方法，其中所述样品训练集包括来自具有在预定分数范围内的Gleason分数的男性的样品。23.根据权利要求1所述的计算机实现的方法，其还包括：使用具有疾病相关功能性的生物标志物进行聚类、邻域搜索、回归分析、小波分析、神经网络分析、支持向量机建模和空间邻近度中的至少一种相关分析，以进一步将样品训练集的测量浓度映射为一系列邻近度分数从而匹配已知诊断。24.根据权利要求23所述的计算机实现的方法，其中所选择的相关分析是支持向量机建模或空间邻近度，并且所述生物标志物是功能上正交的。25.根据权利要求23所述的计算机实现的...
【专利技术属性】
技术研发人员：尤里·富克森科，理查德·索尔，加利纳·克拉西克，穆赫辛·马尔法特，基思·林根费尔特，
申请(专利权)人：欧特雷瑟斯有限公司，
类型：发明
国别省市：美国,US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。