一种用于新冠肺炎患者加重风险预测模型系统技术方案

本发明专利技术提供一种用于新冠肺炎患者加重风险预测模型系统，所述系统由以下六个变量联合判断：呼吸困难、潜伏期、年龄、淋巴细胞计数、C反应蛋白和半定量CT评分。对于人群普遍易感，传染性强的新冠肺炎，感染人口基数大，应用新冠肺炎患者加重风险预测模型有利于分流患者，避免过度医疗，利于优化医疗资源的配置。本发明专利技术采用的模型变量筛选方法，避免预测模型变量潜在共线性和过度拟合，剔除中间变量，调整混杂变量；本发明专利技术应用诺莫图和网络计数平台，便于医疗工作者计数每例新冠肺炎患者加重风险预测值，为新冠肺炎患者的积极精准处理提供参考。考。考。

【技术实现步骤摘要】
一种用于新冠肺炎患者加重风险预测模型系统


[0001]本专利技术属于生物医学
，涉及一种新冠肺炎加重需住院治疗的风险预测模型及网络平台的应用。

技术介绍

[0002]众所周知，SARS
‑
CoV
‑
2具有高度传染性和易感性，导致高感染率和高流行率。疫情早期的病死率超过7.0%。不同严重程度的临床结局参差不齐，轻度或常见病例往往依靠自身免疫能力恢复，仅需医学观察。然而，大多数重症或危重新冠肺炎患者早期表现为轻微临床症状，从发病到脓毒症的中位时间为10.0d(IQR7.0
‑
14.0)。其中，死亡病例从症状起病到首次就医、症状发作到入院的时间均长于恢复出院的病例。因此，早期积极治疗是有可能改善临床预后的。
[0003]因此，及早发现有加重风险需要住院治疗的新冠肺炎病例是最有效的疾病管理方法。已经发表了许多关于新冠肺炎的预测模型，常侧重于诊断和预后，很少有模型被用于预测患者加重而需住院治疗的风险。有研究开发并验证了一个包含24个变量的住院风险预测模型；然而，套索回归（LASSO）筛选出的所有变量都包含在该模型中，有存在过度拟合的风险。此外，这些变量对临床医生来说太复杂了。本专利技术构建简易的危险预测模型显得尤为重要。在初诊时，通过诺模图和网络计算平台用于计算每个新冠肺炎加重需住院的风险值；临床医生可以根据风险值和当地的医疗情况来确定患者是住院还是仅进行医疗隔离观察。

技术实现思路

[0004]本专利技术的目的在于提供一种用于新冠肺炎患者加重风险预测模型系统。
[0005]为实现上述目的，本专利技术所提供的技术方案为：一种用于新冠肺炎患者加重风险预测模型系统，由以下六个变量的联合判断：呼吸困难、潜伏期、年龄、淋巴细胞计数、C反应蛋白和半定量CT评分，其中，上述模型的构建方法包括有以下步骤：第一步骤：数据获取：从电子病例系统，收集每例有症状的新冠肺炎患者首次就诊时的临床资料，包括临床症状、流行病学资料、人口学资料和试验室影像资料；第二步骤：变量筛选：应用R软件的glmnet数据包，通过LASSO回归，由于L1惩罚，采用10倍交叉验证，选取λ最小绝对值筛选出回归系数不为0的变量，再利用有向无环和效应改变法筛选最终变量；第三步骤：预测模型构建：应用R软件rms数据包进行二分类logistic回归开发模型，建立诺莫图直观呈现模型，见附图，DynNom数据包生成网络计数器，见附图；第四步骤：模型的预后效能评价：应用ROC曲线，根据AUC评价模型的判断能力的准确性，并对比社区获得性肺入院标准模型CURB
‑
65对新冠肺炎入院标准的判断能力；Hosmer
‑ꢀ
lemeshow法，利用1000个bootstrap重采样进行拟合优度检测，对新冠肺炎住院模型进行内部验证；评估模型预测能力的风险与真实的风险一致性，制作校准曲线；评估模型
的临床价值，通过制作决策曲线和临床影响曲线，进行直观显示，了解临床实用价值；第五步骤：统计分析：使用R软件进行统计分析；统计分析使用的软件包为glmnet、rms、DynNom、pROC、caret和rmda中的一种或多种。
[0006]六个变量与其相应回归系数的加权之和构成风险评分进行评估，计算公式为：风险评分=
‑
5.606+（1.376
×
呼吸困难）+（
‑
0.193
×
潜伏期）+（0.072
×
年龄）+（
‑
2.141
×
淋巴细胞计数）+（0.021
×
C反应蛋白）+（0.461
×
半定量CT评分）。
[0007]上述第二步骤的数据变量筛选方法，联合应用LASSO回归，及使用10倍交叉验证的方法，并联合有向无环和效应改变的变量筛选方法。
[0008]上述第三步骤的预测模型的表达方法，应用彩色诺莫图，并联合网络计算平台的方法。
[0009]上述第四步骤的模型效能的联合验证方案，ROC曲线验证模型的区分度；校准曲线验证模型的的准确度；以及决策曲线和临床影响曲线进行临床适用性评价。
[0010]与现有技术相比，本专利技术的优点和积极效果在于：一、本专利技术收集的数据是有症状的新冠肺炎患者首次就诊时的临床数据，并联合应用LASSO回归、有向无环和效应改变法筛选出变量的方法；二、本专利技术所构建的预测模型和网络计算平台，可以更加直观精准预测单个病例加重需住院治疗的风险值，更好的指导临床决策，为每例新冠肺炎患者选择住院积极治疗，还是仅仅隔离医学观察提供参考，减少不必要的治疗，对于新冠肺炎的精准诊疗具有重要的意义。
[0011]三、鉴于目前的新冠肺炎感染人口多，医疗压力大，能有效分流不需治疗的低风险病例，能优化医疗资源配置。本专利技术能对患者的加重住院治疗风险情况进行精准评估，具有很强的实用性和指导性。
附图说明
[0012]图1：LASSO回归筛选变量，两竖线表示λ最小绝对值lamda.min和lamda.1se。
[0013]图2：诺莫图和网络平台：每个变量都被投影到第1行以获得分数。得分总和在倒数第二条线上，一条到底线的垂直线代表风险得分的最终预测。网络平台，直接输入相应的变量值，就能计数出预测风险值和95%CI，并能图像直接显现。
[0014]图3：模型评价 a比较新冠肺炎加重住院风险评分诺模图的受试者
‑
操作特征曲线；本专利技术的住院风险评分与CRECT
‑
65评分系统的判别能力(0.980比0.833)。两种评分系统的比较采用德隆法(P<0.001)。b.新冠肺炎标准图的校正曲线。如果风险得分高于30%，则预测、现实和理想的概率相同；在20%时，预测率高于实测率；在10%时，预测率低于实测率。在实际操作过程中，可以减少漏诊和过度治疗。c.新冠肺炎的诺莫图决策曲线；红线：风险评分。轻线：假设所有患者都住院治疗。横向细线：假设没有病人住院。该图表显示了每个患者相对于任何患者未住院的预期净收益。曲线离水平细线越远，临床获益越大。d.新冠肺炎诺莫图的临床影响曲线。在1000名患者中，实心红线代表在每个风险阈值下被认为是高风险的住院总数。蓝色虚线显示了实际需要住院的人数。
具体实施方式
[0015]下面对本专利技术作进一步说明，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0016]本专利技术的步骤如下：1、数据获取从电子病例系统调取已经明确诊断有临床症状的新冠肺炎患者的病例资料，这些资料是患者时首诊时（包括发热门诊或住院时）收集，人口统计学资料包括：年龄、性别、来源、潜伏期(能确认的第一次接触时间到发病时间)；共患病信息：共患病个数、冠心病、高血压病、糖尿病、慢性肺部疾病（慢性阻塞性肺疾病、慢性支气管炎、肺气肿、哮喘及支气管扩张）、恶性肿瘤和慢性消化系统疾病（病毒性肝炎、肝硬化、脂肪肝和药物性肝损伤）；入院时的症本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于新冠肺炎患者加重风险预测模型系统，其特征在于：由以下六个变量的联合判断：呼吸困难、潜伏期、年龄、淋巴细胞计数、C反应蛋白和半定量CT评分，其中，上述模型的构建方法包括有以下步骤：第一步骤：数据获取：从电子病例系统，收集每例有症状的新冠肺炎患者首次就诊时的临床资料，包括临床症状、流行病学资料、人口学资料和试验室影像资料；第二步骤：变量筛选：应用R软件的glmnet数据包，通过LASSO回归，由于L1惩罚，采用10倍交叉验证，选取λ最小绝对值筛选出回归系数不为0的变量，再利用有向无环和效应改变法筛选最终变量；第三步骤：预测模型构建：应用R软件rms数据包进行二分类logistic回归开发模型，建立诺莫图直观呈现模型，见附图，DynNom数据包生成网络计数器，见附图；第四步骤：模型的预后效能评价：应用ROC曲线，根据AUC评价模型的判断能力的准确性，并对比社区获得性肺入院标准模型CURB
‑
65对新冠肺炎入院标准的判断能力；Hosmer
‑ꢀ
lemeshow法，利用1000个bootstrap重采样进行拟合优度检测，对新冠肺炎住院模型进行内部验证；评估模型预测能力的风险与真实的风险一致性，制作校准曲线；评估模型的临床价值，通过制作决策曲线和临床影响曲线，进行直观显示，了解临床实用价值；第五步骤：统计分析：使用R软件进行统计分析。2.根据权利要求1所述的一种用于新冠肺炎患者加重风险预测模型系统，其特...

【专利技术属性】
技术研发人员：李红辉，彭红兵，黄小英，
申请(专利权)人：娄底市中心医院，
类型：发明
国别省市：