整合血液和富含血小板血浆中的血小板特征建立肺癌模型制造技术

本发明专利技术公开了一种整合血液和富含血小板血浆中的血小板特征建立肺癌模型，包括以下步骤：S01、采集所有参与者的全血样本；S02、计数器测定血常规数据；S02、离心获取剩余血液中的富血小板血浆；S03、测量富血小板血浆中的血常规数据；S04、通过秩和检验对来训练组的数据进行对比得到有差异的变量；S05、通过有差异的变量建立回归开发诊断模型；S06、分析训练组和测试组中的特征(ROC)曲线；S07、选取训练组中的特征(ROC)曲线中的凸显特征，纳入回归开发诊断模型中；S08、通过Nagelkerke的R2统计数据和量化区分度来评估回归开发诊断模型的性能；S09、评估训练组的敏感性、特异性和相应的95％置信区间；S10、在测试组中重复步骤S07‑S09的到测试组的评估数据。

Establishment of lung cancer model by integrating platelet characteristics in blood and platelet rich plasma

【技术实现步骤摘要】
整合血液和富含血小板血浆中的血小板特征建立肺癌模型
本专利技术涉及医疗领域，特别是涉及一种整合血液和富含血小板血浆中的血小板特征建立肺癌模型。
技术介绍
肺癌已经成为全世界癌症相关死亡的主要原因。肺癌已成为中国最常见的癌症之一。肺癌的发病率不断提高，每年诊断出近400万新的肺癌患者。据报道，每年有超过一百万人死于肺癌。尽管如此，使用低剂量计算机断层扫描(LDCT)筛查的高危肺癌患者的死亡率降低了20％。毫无疑问，早期发现癌症可能会伴随着更高的生存率。但是，由于LDCT将良性和癌性均识别为结节，因此使用LDCT仍然存在不确定性。肺癌的早期诊断仍然很困难，而且在血液中尚无公认的生物标记物。
技术实现思路
针对上述问题，本专利技术提供了一种通过血液中血小板的特征诊断肺癌的方法，具有低成本，快速，无创可随时监测的优点。本专利技术的技术方案是：一种整合血液和富含血小板血浆中的血小板特征建立肺癌模型，包括以下步骤：S01、采集所有参与者的全血样本，并对其进行分组，其中组别包括训练组和测试组；S02、计数器测定血小板计数、平均血小板容量、血小板分布宽度和血小板压积；S02、离心获取剩余血液中的富血小板血浆；S03、测量富血小板血浆中的血小板计数、平均血小板容量、血小板分布宽度和血小板压积；S04、通过U检验和秩和检验对来训练组的数据进行对比得到有差异的变量；S05、通过训练组中具有差异的变量建立回归开发诊断模型；S06、分析训练组和测试组中的特征(ROC)曲线；S07、选取训练组中的特征(ROC)曲线中的凸显特征，一旦得到显著报道，即纳入回归开发诊断模型中；S08、通过Nagelkerke的R2统计数据和量化区分度来评估回归开发诊断模型的性能；S09、评估训练组的敏感性、特异性和相应的95％置信区间，并进行组内对比得到患有肺癌的概率；S10、在测试组中重复步骤S07-S09，并将测试组的概率与训练组的数据进行对比验证。在进一步的技术方案中，步骤S02中均通过MindrayCoulter计数器6600测定血小板计数、平均血小板容量、血小板分布宽度和血小板压积。在进一步的技术方案中，步骤S03中均通过MindrayCoulter计数器6600测定富血小板血浆中的血小板计数、平均血小板容量、血小板分布宽度和血小板压积。在进一步的技术方案中，步骤S05中的回归开发诊断模型为逻辑回归模型，其公式为：logit(P)＝-16.30380+血小板计数的系数×血小板计数+平均血小板容量的系数×平均血小板容量-富血小板血浆中的血小板计数的系数×富血小板血浆中的血小板计数-富血小板血浆中的平均血小板容量的系数×富血小板血浆中的平均血小板容量+血小板恢复率的系数×血小板恢复率；所有系数均通过逻辑回归得到。在进一步的技术方案中，步骤S08中的Nagelkerke的R2用于量化回归开发诊断模型的预测强度。本专利技术的有益效果是：1、与影像学和病理学检查相比，无放射性和侵袭性获得血小板特征；2、低成本，模型所需参数容易获取，可减少患者负担；3、快速，从采血到出预测结果，最快只需30分钟；4、准确，目前肺癌和正常人区分的ROC曲线下面积已接近现有文献报道结果。附图说明图1是本专利技术所述的整合血液和富含血小板血浆中的血小板特征建立肺癌模型中训练队列中不同组的血小板参数的箱形图分析；其中(A-C)全血样本中的血小板计数，MPV，PDW水平、(D-F)富含血小板的血浆样品中的血小板计数，MPV，PDW水平、(G)正常和恶性参与者的PRR水平、(H)训练队列中所有血小板参数的性能的接收者工作特征曲线；图2是本专利技术所述的整合血液和富含血小板血浆中的血小板特征建立肺癌模型中ROC曲线分析图，其中(A，C)模型在训练队列(A)和测试队列(C)中的性能的接收者操作特征曲线、(B，D)箱形图表示该模型从正常和恶性组中计算出的预后概率训练组(B)和测试组(D)；图3是本专利技术所述的整合血液和富含血小板血浆中的血小板特征建立肺癌模型中方框图显示了模型从测试队列中计算出的预后概率。其中(队列(A)具有不同肿瘤阶段的参与者的预后概率水平、(阶段(B)有和没有转移的参与者的预后概率水平。((C)不同组织学参与者的预后概率水平(D)结节大小的参与者的预后概率水平*大小*P<0.05，**P<0.01，*0.01，***P<0.001，*0.001，****P<0.0001。具体实施方式下面结合附图对本专利技术的实施例作进一步说明。实施例：一种整合血液和富含血小板血浆中的血小板特征建立肺癌模型，包括以下步骤：S01、采集所有参与者的全血样本，并对其进行分组，其中组别包括训练组和测试组；S02、计数器测定血小板计数(bPLT)、平均血小板容量MPV(bMPV)、血小板分布宽度PDW(bPDW)和血小板压积PCT(bPCT)；S02、离心获取剩余血液中的富血小板血浆(PRP)；S03、测量富血小板血浆(PRP)中的血小板计数(pPLT)、平均血小板容量MPV(pMPV)、血小板分布宽度PDW(pPDW)和血小板压积PCT(pPCT)；S04、通过秩和检验对来训练组的数据进行对比得到有差异的变量；S05、通过训练组中具有差异的变量建立回归开发诊断模型；S06、分析训练组和测试组中的特征(ROC)曲线；S07、选取训练组中的特征(ROC)曲线中的凸显特征，一旦得到显著报道，即纳入回归开发诊断模型中；S08、通过Nagelkerke的R2统计数据和量化区分度来评估回归开发诊断模型的性能；S09、评估训练组的敏感性、特异性和相应的95％置信区间，并进行组内对比得到患有肺癌的概率；S10、在测试组中重复步骤S07-S09，并将测试组的概率与训练组的数据进行对比验证。在另外一个实施例中，步骤S02中均通过MindrayCoulter计数器6600测定血小板计数(bPLT)、平均血小板容量MPV(bMPV)、血小板分布宽度PDW(bPDW)和血小板压积PCT(bPCT)。在另外一个实施例中，步骤S03中均通过MindrayCoulter计数器6600测定富血小板血浆(PRP)中的血小板计数(pPLT)、平均血小板容量MPV(pMPV)、血小板分布宽度PDW(pPDW)和血小板压积PCT(pPCT)。在另外一个实施例中，步骤S05中的回归开发诊断模型为逻辑回归模型，其公式为：logit(P)＝-16.30380+血小板计数的系数×血小板计数+平均血小板容量的系数×平均血小板容量-富血小板血浆中的血小板计数的系数×富血小板血浆中的血小板计数-富血小板血浆中的平均血小板容量的系数×富血小板血浆中的平均血小板容量+血小板恢复率的系数×血小板恢复率；所有系数均通本文档来自技高网...

【技术保护点】
1.一种整合血液和富含血小板血浆中血小板特征建立的肺癌模型，其特征在于，包括以下步骤：/nS01、采集所有参与者的全血样本，并对其进行随机分组，其中组别包括训练组和测试组；/nS02、血细胞分析仪测定血小板计数、平均血小板体积、血小板分布宽度和血小板压积；/nS02、离心获取剩余血液中的富血小板血浆；/nS03、测量富血小板血浆中的血小板计数、平均血小板体积、血小板分布宽度和血小板压积；/nS04、通过秩和检验对来训练组的数据进行变量筛选；/nS05、通过训练组中具有差异的变量，以及文献报道的变量，建立回归开发诊断模型；/nS06、分析训练组和测试组中的特征(ROC)曲线；/nS07、通过Nagelkerke的R

【技术特征摘要】
1.一种整合血液和富含血小板血浆中血小板特征建立的肺癌模型，其特征在于，包括以下步骤：
S01、采集所有参与者的全血样本，并对其进行随机分组，其中组别包括训练组和测试组；
S02、血细胞分析仪测定血小板计数、平均血小板体积、血小板分布宽度和血小板压积；
S02、离心获取剩余血液中的富血小板血浆；
S03、测量富血小板血浆中的血小板计数、平均血小板体积、血小板分布宽度和血小板压积；
S04、通过秩和检验对来训练组的数据进行变量筛选；
S05、通过训练组中具有差异的变量，以及文献报道的变量，建立回归开发诊断模型；
S06、分析训练组和测试组中的特征(ROC)曲线；
S07、通过Nagelkerke的R2统计数据和量化区分度来评估回归开发诊断模型的性能；
S08、评估训练组的敏感性、特异性和相应的95％置信区间，计算组内所有受试者患癌概率；
S10、在测试组中重复步骤S06-S08的到测试组的评估模型泛化性能。


2.根据权利要求1所述的整合血液和富含血小板血浆中的血小板特征建立肺癌模型，其特征在于，步骤S02中均通过...

【专利技术属性】
技术研发人员：罗怀超，朱桂全，王东生，祖瑞玲，杨桂姝，曹邦荣，罗丽萍，余思思，
申请(专利权)人：四川省肿瘤医院，
类型：发明
国别省市：四川;51