一种免疫性心肌炎预测模型的构建方法及免疫性心肌炎预测系统技术方案

本发明专利技术公开了一种免疫性心肌炎预测模型的构建方法及免疫性心肌炎预测系统，免疫性心肌炎预测模型的构建方法包括：从使用了免疫检查点抑制剂的非心肌炎患者和心肌炎患者的电子病历中获取数据，对收集到的数据进行数据整理和数据清洗，对经处理后的数据进行

【技术实现步骤摘要】
一种免疫性心肌炎预测模型的构建方法及免疫性心肌炎预测系统


[0001]本专利技术涉及免疫性心肌炎的防治领域，特别涉及一种免疫性心肌炎的
Nomogram
临床预测模型及其构建方法
。

技术介绍

[0002]免疫检查点抑制剂主要通过激活机体免疫系统，重新启动并维持肿瘤
‑
免疫循环，恢复机体正常的抗肿瘤免疫反应
。
与此同时，免疫检查点抑制剂也会引发多器官正常组织的一系列炎症反应，这类炎症反应被统称为免疫相关不良反应
。
值得注意的是，免疫相关心脏毒性虽然罕见，发生率约占所有免疫相关不良反应的
6.3
％，但死亡率高达
35
％，其中心肌炎的死亡率高达
39.7
％～
50
％，在所有免疫相关不良反应中排名第一
。
而免疫相关心肌炎的起始症状可能仅仅表现为乏力
、
气短和心悸等，极易被忽视，进而可能发展为下肢浮肿
、
端坐呼吸，严重时甚至出现猝死
。
因此，提高对免疫性心肌炎的认知，尽早干预，尽早诊断对于提高患者生存率，改善患者临床转归非常必要
。
[0003]但目前针对免疫性心肌炎的研究大多是的机制研究
、
病案报道等
。2021
年，
Heilbroner
等开展了一项利用机器学习预测免疫相关心脏不良事件的研究，对
356
种潜在危险因素进行了全面的汇总与分析，得出
PD
‑1抑制剂可显著增加心脏事件的发生风险，但
PD
‑1抑制剂并不是该研究模型中排名前
40
位以内的预测因素，而且该研究包含整个心脏不良事件，未针对性地研究心肌炎，使用的免疫检查点抑制剂也仅为国外的
PD
‑
1/PD
‑
L1
抑制剂，而不同免疫检查点抑制剂的免疫相关不良反应谱也不同
。
因此，目前缺乏对真实世界免疫性心肌炎的临床特点及发生免疫性心肌炎影响因素的分析，且尚无免疫性心肌炎风险预测模型
。
因此有必要结合使用多个危险因素建立免疫性心肌炎风险预测模型
。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种免疫性心肌炎预测模型的构建方法及免疫性心肌炎预测系统，以解决现有技术中缺乏能对免疫性心肌炎进行预测分析的智能检测系统的技术问题
。
[0005]本专利技术免疫性心肌炎预测模型的构建方法包括以下步骤：
[0006]S1
：从使用了免疫检查点抑制剂的非心肌炎患者和心肌炎患者的电子病历中获取数据；
[0007]S2
：对步骤
S1
收集到的数据进行数据整理和数据清洗；
[0008]S3
：对经步骤
S2
处理后的数据进行分析，包括：
[0009]a.
采用单因素
logistic
回归分析数据，找出与患者发生心肌炎相关的
p<0.05
的危险因素；
[0010]b.
将步骤
a
找出的危险因素纳入多因素
logistic
回归分析，通过多因素
logistic
回归分析确定独立危险因素；
[0011]c.
对步骤
b
中确定的独立危险因素按
OR
值的大小进行排序；
[0012]d.
依照步骤
c
中对独立危险因素的排序结果，逐步剔除
OR
值最小的独立危险因素，每次剔除一个
OR
值最小的独立危险因素后便得到一个模型；
[0013]e.
通过接受者操作特性曲线对步骤
d
得到的全部模型进行分析，选择
AUC
最大的模型作为最优模型；
[0014]S4
：以最优模型中的独立危险因素作为变量，构建检测免疫性心肌炎的
Nomogram
预测模型；
[0015]S5
：基于最大约登指数计算
Nomogram
预测模型的总评分截断值和总评分截断值对应的风险截断值
。
[0016]进一步，所述步骤
b
中通过多因素
logistic
回归分析确定的独立危险因素包括年龄
、
淋巴细胞计数
、
血小板计数
、
谷丙转氨酶
、
β2‑
微球蛋白
、
活化部分凝血酶原时间和
NK
细胞百分比
。
[0017]进一步，步骤
S4
中所述最优模型中的独立危险因素为年龄
、
血小板计数
、
谷丙转氨酶
、
活化部分凝血酶原时间和
NK
细胞百分比
。
[0018]进一步，所述评分截断值为
101.026
，风险截断值为
0.01。
[0019]本专利技术所述免疫性心肌炎预测系统包括存储有前述
Nomogram
预测模型的存储器和执行所述
Nomogram
预测模型的处理器
。
[0020]本专利技术的有益效果：
[0021]本专利技术免疫性心肌炎预测模型的构建方法及免疫性心肌炎预测系统，其提供的
Nomogram
预测模型能较准确的预测接受免疫检查点抑制剂治疗的患者发生心肌炎的风险，具有较好的临床引用价值
。
附图说明
[0022]图1为
Logistic
回归模型分析变量重要性
。
[0023]图2为预测免疫性心肌炎的受试者工作特征曲线分析
。
[0024]图3为预测免疫性心肌炎发生风险的
Nomogram
图
。
[0025]图4为基于
Nomogram
列线图预测模型的校准曲线
。
[0026]图5为基于决策曲线评价
Nomogram
列线图模型的临床应用价值
。
[0027]图6为基于决策曲线的临床影响曲线评价
Nomogram
列线图模型
。
具体实施方式
[0028]下面结合附图和实施例对本专利技术作进一步描述
。
[0029]实施例一：本实施例免疫性心肌炎预测模型的构建方法包括以下步骤：
[0030]S1
：从使用了免疫检查点抑制剂的非心肌炎患者和心肌炎患者的电子病历中获取数据
。
[0031]选取接受免疫检查点抑制剂治疗的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种免疫性心肌炎预测模型的构建方法，其特征在于：包括以下步骤：
S1
：从使用了免疫检查点抑制剂的非心肌炎患者和心肌炎患者的电子病历中获取数据；
S2
：对步骤
S1
收集到的数据进行数据整理和数据清洗；
S3
：对经步骤
S2
处理后的数据进行分析，包括：
a.
采用单因素
logistic
回归分析数据，找出与患者发生心肌炎相关的
p<0.05
的危险因素；
b.
将步骤
a
找出的危险因素纳入多因素
logistic
回归分析，通过多因素
logistic
回归分析确定独立危险因素；
c.
对步骤
b
中确定的独立危险因素按
OR
值的大小进行排序；
d.
依照步骤
c
中对独立危险因素的排序结果，逐步剔除
OR
值最小的独立危险因素，每次剔除一个
OR
值最小的独立危险因素后便得到一个模型；
e.
通过接受者操作特性曲线对步骤
d
得到的全部模型进行分析，选择
AUC
最大的模型作为最优模型；
S4
：以最优模型中的独立危险因素作为变量，构建检测免疫性心肌炎的
...

【专利技术属性】
技术研发人员：汪潇潇，胡小刚，穆莉，潘玲云，陈万一，雷海科，
申请(专利权)人：重庆大学附属肿瘤医院，
类型：发明
国别省市：