系统性硬化病食管动力的评估模型的构建方法技术方案

本发明专利技术涉及医疗技术领域，具体涉及一种系统性硬化病食管动力的评估模型的构建方法，包括：选取患者构建样本集，获取样本集中和系统性硬化病食管动力相关的特征影像学指标、特征临床指标及食管动力参数；基于影像学指标、临床指标与患者的食管动力参数的相关性分析获取影像指标特征数据集和临床指标特征数据集；基于两种特征数据集构建病理特征集，进一步进行LASSO回归分析，获取第一变量集；基于第一变量集优化病理特征集，获取目标病理特征集后进行患者的食管动力异常概率的回归风险预测。本发明专利技术较现有技术的降低了人为因素的干扰和对人体的危害，克服了现有技术不便于推广应用的缺陷，有助于提高评估模型的构建效率和评估精度。度。度。

【技术实现步骤摘要】
系统性硬化病食管动力的评估模型的构建方法


[0001]本专利技术涉及医疗
，具体涉及一种系统性硬化病食管动力的评估模型的构建方法。

技术介绍

[0002]系统性硬化病（systemic sclerosis, SSc），是一种临床上以局限或弥漫性皮肤增厚和纤维化为特征的，可影响多器官的结缔组织疾病；消化道是SSc最常受累的内脏器官，发病率高达90%。尤其是食管受累最为常见，50
‑
90%的患者可出现食管动力异常，病理特征为食管下2/3平滑肌萎缩，表现为食管体部蠕动减弱和/或食管下括约肌压力减低，从而出现反酸、反流和吞咽困难等食管症状。长期的胃内容物反流、吞咽困难不仅影响患者的生活质量，还可导致间质性肺病，甚至加重肺功能恶化。
[0003]然而，目前临床上对于SSc食管动力的评估存在困难：一方面，现有技术中评估食管动力最为精确的检查手段为高分辨率食管测压（high resolution manometry， HRM），该项检查为有创性操作且费用较高，患者接受度差； HRM 准备工作较长，需要借助三维建模，对设备要求较高，难以作为SSc临床实践中的常规检查；另一方面，现有技术中存在利用SSc的常见影像学表现，例如食管扩张等，与放射性核素扫描或钡餐结合评估食管动力异常的模型或方法，该模型或方法存在以下问题：1.毒副作用大，放射性核素诊断具有较大的放射性，钡餐诊断本身有重金属残留问题；2.放射性核素诊断和钡餐诊断具有准备周期长、操作繁琐缺陷，不适用于对SSc患者人群的食管动力大范围筛查和评估；3. 影像学指标和食管动力相关性需要进一步优化，包含影像学指标的模型的预测准确度较低。因而，亟需改进现有技术中SSc患者的食管动力的评估模型的构建方法，构建具有较高预测准确率且对人体危害较小、便于快速操作的SSc患者的食管动力的评估方法。

技术实现思路

[0004]鉴于上述分析，为解决以上至少一个技术问题，进一步改善系统性硬化病的食管动力评估模型的构建方法，提高食管动力评估模型的预测准确率，降低食管动力评估过程对人体的危害，克服食管动力评估过程准备、操作周期长，不利于快速操作和广泛推广的缺陷。
[0005]本专利技术的目的主要是通过以下技术方案实现的：本专利技术提供一种系统性硬化病食管动力的评估模型的构建方法，具有以下步骤：选取SSc患者构建样本集，获取样本集中SSc患者的食管动力参数、影像学指标和临床指标；基于影像学指标、临床指标与SSc患者的食管动力参数的相关性分析，获取样本集中SSc患者的影像指标特征数据集Q
ij
和临床指标特征数据集Q
mn
，其中，i为特征影像学指标序号；j为食管动力状态序号， j=0或1，j=0表示食管动力正常，j=1表示食管动力异常；Q
ij
表示第i个特征影像学指标，在第j个食管动力状态下所有特征影像学指标数值的集合；其中，m为特征临床指标序号；n为食管动力状态序号， n=0或1，n=0表示食管动力正常，n=1表
示食管动力异常；Q
mn
表示第m个特征临床指标，在第n个食管动力状态下所有临床指标数值的集合；基于Q
mn
与Q
ij
构建包含特征影像学指标与特征临床指标的SSc患者病理特征集Q
cd
，以特征影像学指标与特征临床指标为变量对Q
cd
进行LASSO回归分析，获取第一变量集Q
s
；其中， c为特征影像学指标序号；d为食管动力状态序号，其中，d=0或1，d=0表示食管动力正常，d=1表示食管动力异常；s为第一变量集中特征变量数量； Q
s
表示第一变量集中所有特征变量的集合；基于第一变量集Q
s
优化SSc患者病理特征集Q
cd
，获取仅包含第一变量集中变量对应的数据的目标病理特征集；将目标病理特征集进行回归风险预测，获取以第一变量集为变量，以SSc患者食管动力异常概率P为因变量的回归风险预测模型。
[0006]优选的，获取影像指标特征数据集Q
ij
和临床指标特征数据集Q
mn
，包括以下步骤：获取样本集中SSc患者的食管动力参数：采用HRM法诊断SSc患者的食管动力，获得SSc患者的食管动力参数；获取影像指标特征数据集：通过SSc患者胸部CT图像获取影像学指标，对影像学指标和SSc患者的食管动力参数进行非参数检验的相关样本分析获取特征影像学指标，基于SSc患者的食管动力参数对特征影像学指标分类获取影像指标特征数据集Q
ij
；获取临床指标特征数据集：对SSc临床指标和SSc患者的食管动力参数进行非参数检验的独立样本分析获取特征临床指标；基于SSc患者的食管动力参数对特征临床指标分类获取临床指标特征数据集Q
mn
。
[0007]优选的，非参数检验的相关样本分析的显著性水平α满足：α＜0.05；非参数检验的独立样本分析的显著性水平α满足：α＜0.05。
[0008]优选的，所述影像学指标为食管闭合百分比PC、食管扩张百分比PD和食管最大直径MWED中任一种；所述SSc临床指标为：年龄、病程、BMI、dcSSc、雷诺现象、毛细血管扩张、指端溃疡、肌炎、ILD、PAH、心包积液中一种或多种。
[0009]优选的，获取第一变量集Q
s
，包括以下步骤：构建SSc患者病理特征集Q
cd
：将影像指标特征数据集Q
ij
和临床指标特征数据集Q
mn
以j=n的数据置于同一列构建SSc患者病理特征集Q
cd
；对Q
cd
进行LASSO回归分析，获取第一变量集：将SSc患者病理特征集Q
cd
代入分析软件包进行LASSO回归分析，调整LASSO回归分析的惩罚系数，获取LASSO回归模型的二项式偏差最小时惩罚系数，由分析软件包输出最优变量，由最优变量构成第一变量集。
[0010]优选的，所述分析软件包包括PredictABEL函数计算工具包。
[0011]优选的，所述以SSc患者食管动力异常概率P为因变量的回归风险预测模型，满足：P=e
x
/ （1+e
x
），x=a0+a1×
b1+a2×
b2+...+a
s
×
b
s
；其中，b1，...，b
s
为第一变量集中变量数值；a0为截距；a1，...，a
s
为b1，...，b
s
对应的系数，s表示第一变量集中变量数量。
[0012]优选的，所述构建方法还包括构建基准模型和将评估模型相对基准模型改善效果
评估的步骤：基于影像指标特征数据集Q
ij
优化SSc患者病理特征集Q
cd
，获取基准病理特征集；将基准病理特征集进行回归风险预测，获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.系统性硬化病食管动力的评估模型的构建方法，其特征在于，包含以下步骤：选取SSc患者构建样本集，获取样本集中SSc患者的食管动力参数、影像学指标和临床指标；基于影像学指标、临床指标与SSc患者的食管动力参数的相关性分析，获取样本集中SSc患者的影像指标特征数据集Q
ij
和临床指标特征数据集Q
mn
，其中，i为特征影像学指标序号；j为食管动力状态序号，j=0或1，j=0表示食管动力正常，j=1表示食管动力异常；Q
ij
表示第i个特征影像学指标，在第j个食管动力状态下所有特征影像学指标数值的集合；其中，m为特征临床指标序号；n为食管动力状态序号， n=0或1，n=0表示食管动力正常，n=1表示食管动力异常；Q
mn
表示第m个特征临床指标，在第n个食管动力状态下所有临床指标数值的集合；基于Q
mn
与Q
ij
构建包含特征影像学指标与特征临床指标的SSc患者病理特征集Q
cd
，以特征影像学指标与特征临床指标为变量，对Q
cd
进行LASSO回归分析，获取第一变量集Q
s
；其中， c为特征影像学指标序号；d为食管动力状态序号，其中，d=0或1，d=0表示食管动力正常，d=1表示食管动力异常；s为第一变量集中特征变量数量； Q
s
表示第一变量集中所有特征变量的集合；基于第一变量集Q
s
优化SSc患者病理特征集Q
cd
，获取仅包含第一变量集中变量对应的数据的目标病理特征集；将目标病理特征集进行回归风险预测，获取以第一变量集为变量，以SSc患者食管动力异常概率P为因变量的回归风险预测模型。2.根据权利要求1所述的构建方法，其特征在于，获取影像指标特征数据集Q
ij
和临床指标特征数据集Q
mn
，包括以下步骤：获取样本集中SSc患者的食管动力参数：采用HRM法诊断SSc患者的食管动力，获得SSc患者的食管动力参数；获取影像指标特征数据集：通过SSc患者胸部CT图像获取影像学指标，对影像学指标和SSc患者的食管动力参数进行非参数检验的相关样本分析获取特征影像学指标，基于SSc患者的食管动力参数对特征影像学指标分类获取影像指标特征数据集Q
ij
；获取临床指标特征数据集：对SSc临床指标和SSc患者的食管动力参数进行非参数检验的独立样本分析获取特征临床指标，基于SSc患者的食管动力参数对特征临床指标分类获取临床指标特征数据集Q
mn
。3.根据权利要求2所述的构建方法，其特征在于，非参数检验的相关样本分析的显著性水平α满足：α＜0.05；非参数检验的独立样本分析的显著性水...

【专利技术属性】
技术研发人员：穆荣，刘佩玲，夏志伟，徐丹，李照华，李婷，郭苇，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
类型：发明
国别省市：