【技术实现步骤摘要】
本专利技术涉及于分析测试实验，具体来说涉及一种用于优化低密度脂蛋白胆固醇(ldl-c)浓度检测的系统和方法。
技术介绍
1、低密度脂蛋白胆固醇(ldl-c)的含量与心血管疾病的发病率及病变程度相关，被认为是动脉粥样硬化的主要致病因子，也是评价个体冠心病发生的危险因素的一个重要指标。
2、尽管低密度脂蛋白胆固醇(ldl-c)的检测方法在临床实践中相对成熟，但目前的方法中仍存在一些缺陷，例如：friedewald公式的限制、非空腹的检测要求、数据的动态变化、核磁共振的复杂性和成本、以及一些ldl-c测定方法可能受到非ldl颗粒的干扰，人体内的变异性，包括遗传差异和生理差异以及不同实验室使用不同的测定方法和标准，可能导致结果之间的差异。在实用性方面有待提高，这体现了了在结果解释和指标测定时建立多极化判别指标和多层次评估体系的必要性。
3、故而亟需提出一种用于优化低密度脂蛋白胆固醇(ldl-c)浓度检测的方法以解决上述问题。
技术实现思路
1、本专利技术的目的是针对现有技术的缺陷，提供一种用于优化低密度脂蛋白胆固醇(ldl-c)浓度检测的系统和方法。
2、为了实现上述目的，本专利技术采用以下技术方案：一种用于优化低密度脂蛋白胆固醇浓度检测结果的系统，包括：
3、一级影响指标数据库，用于采集同种疾病患者血脂数据的一级影响指标的数据；
4、相关性分析模块，用于将数据库中的数据利用多元线性回归，通过相关性分析，筛选出影响低密度脂蛋白胆固
5、机器学习模块，用于将二级影响指标的数据分为训练集和验证集，利用bp神经网络算法进行机器学习预测，建立基于二级影响指标下的ldl-c浓度预测模型；
6、优化分析模块，用于将患者静脉血样本通过核磁共振质谱法检测的数据，通过分析磁共振信号得出不同脂质颗粒的浓度和类型信息；将核磁共振质谱法所得不同脂质颗粒的浓度数据导入ldl-c浓度预测模型，所得ldl-c浓度的结果与通过核磁共振质谱法实际测定的ldl-c浓度结果，利用熵权法对两种结果加权平均，得到ldl-c浓度的优化结果数据。
7、进一步的，一级影响指标包括：总胆固醇浓度、甘油三酯浓度、高密度脂蛋白胆固醇浓度、非高密度脂蛋白胆固醇浓度、ldl-c/hdl-c比值、tg/hdl-c比值、载脂蛋白a1浓度、载脂蛋白b浓度、低密度脂蛋白颗粒浓度、小而密低密度脂蛋白胆固醇浓度、氧化低密度脂蛋白浓度、残粒样脂蛋白胆固醇浓度、脂蛋白相关磷脂酶a2浓度、性别、年龄以及持续患病时间。
8、进一步的，相关性分析模块采用以下步骤筛选二级影响指标：
9、(1)将一级影响指标数据作为自变量，低密度脂蛋白胆固醇ldl-c浓度作为因变量，采用多元线性回归模型进行相关性分析，多元线性回归模型为式1：
10、y＝β0+β1x1+β2x2+…+βpxp+∈ (2)
11、其中y是因变量，x1、x2、x3、xp是自变量，β0是截距，β1、β2…βp是回归系数，∈是误差项；
12、(2)将数据库中的数据带入式1中的模型，求解每个一级影响指标的回归系数，由大至小进行排序，将排在前十位的回归系数对应的一级影响指标作为二级影响指标。
13、进一步的，步骤(2)中回归系数的求解采用最小二乘法。
14、进一步的，多元线性回归模型采用t检验和f检验进行调整。
15、进一步的，二级影响指标的数据的70％作为训练集，30％作为验证集。
16、进一步的，优化分析模块包括：
17、核磁分析子模块，用于将患者静脉血样本通过核磁共振质谱法检测的数据，通过分析磁共振信号得出不同脂质颗粒的浓度和类型信息；
18、模型预测子模块，用于将核磁共振质谱法所得不同脂质颗粒的浓度数据导入ldl-c浓度预测模型，运行获得ldl-c浓度的结果；
19、优化结果子模块，用于将模型获得ldl-c浓度的结果与通过核磁共振质谱法实际测定的ldl-c浓度结果，利用熵权法对两种结果加权平均，得到ldl-c浓度的优化结果数据。
20、一种根据上述系统用于优化低密度脂蛋白胆固醇浓度检测结果的方法，包括以下步骤：采集并建立同种疾病患者的血脂数据的一级影响指标数据库；
21、将数据库中的数据利用多元线性回归，通过相关性分析，筛选出影响低密度脂蛋白胆固醇浓度的关联性排前的二级影响指标；
22、将二级影响指标的数据分为训练集和验证集，利用bp神经网络算法进行机器学习预测，建立基于二级影响指标下的ldl-c浓度预测模型；
23、将采集的患者静脉血样本，通过利用核磁共振质谱法进行检测，通过分析磁共振信号得出不同脂质颗粒的浓度和类型信息；
24、将核磁共振质谱法所得不同脂质颗粒的浓度数据导入ldl-c浓度预测模型，所得ldl-c浓度的结果与通过核磁共振质谱法实际测定的ldl-c浓度结果，利用熵权法对两种结果加权平均，得到ldl-c浓度的优化结果数据。
25、为了克服现有技术的不足，本专利技术的目的是为了提供一种用于优化低密度脂蛋白胆固醇(ldl-c)浓度检测的系统和方法，
26、(1)通过建立数据库广泛收集并分析同种病例的指标数据，降低了当前ldl-c测定方法的特异性。
27、(2)通过利用机器学习预测将试验统计结果相结合预测ldl-c浓度，减少不同试验方法标准化所带来的差异。
28、(3)通过机器学习预测结合核磁共振质谱检测手段为临床诊断提供更加精确的结果。
本文档来自技高网...【技术保护点】
1.一种用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于包括：
2.根据权利要求1所述的用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于：所述一级影响指标包括：总胆固醇浓度、甘油三酯浓度、高密度脂蛋白胆固醇浓度、非高密度脂蛋白胆固醇浓度、LDL-C/HDL-C比值、TG/HDL-C比值、载脂蛋白A1浓度、载脂蛋白B浓度、低密度脂蛋白颗粒浓度、小而密低密度脂蛋白胆固醇浓度、氧化低密度脂蛋白浓度、残粒样脂蛋白胆固醇浓度、脂蛋白相关磷脂酶A2浓度、性别、年龄以及持续患病时间。
3.根据权利要求1所述的用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于：所述相关性分析模块采用以下步骤筛选二级影响指标：
4.根据权利要求3所述的用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于：所述步骤(2)中回归系数的求解采用最小二乘法。
5.根据权利要求3所述的用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于：所述多元线性回归模型采用t检验和F检验进行调整。
6.根据权利要求1所述的用于优化低密度脂蛋白胆固
7.根据权利要求1所述的用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于：所述优化分析模块包括：
8.一种根据权利1至7任一所述系统用于优化低密度脂蛋白胆固醇浓度检测结果的方法，其特征在于：包括以下步骤：
...【技术特征摘要】
1.一种用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于包括：
2.根据权利要求1所述的用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于：所述一级影响指标包括：总胆固醇浓度、甘油三酯浓度、高密度脂蛋白胆固醇浓度、非高密度脂蛋白胆固醇浓度、ldl-c/hdl-c比值、tg/hdl-c比值、载脂蛋白a1浓度、载脂蛋白b浓度、低密度脂蛋白颗粒浓度、小而密低密度脂蛋白胆固醇浓度、氧化低密度脂蛋白浓度、残粒样脂蛋白胆固醇浓度、脂蛋白相关磷脂酶a2浓度、性别、年龄以及持续患病时间。
3.根据权利要求1所述的用于优化低密度脂蛋白胆固醇浓度检测结果的系统，其特征在于：所述相关性分析模块采用以下步骤筛选二级影响指标：
4....
【专利技术属性】
技术研发人员：黄彦虹，李勇，潘虹旭，孙嘉，戴思涵，刘一凡，王增月，许晨晨，
申请(专利权)人：江苏省人民医院南京医科大学第一附属医院，
类型：发明
国别省市：
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。