【技术实现步骤摘要】
本专利技术涉及医疗，涉及对疾病相关因素评分参数分析建立预测模型的方法，具体而言，涉及一种建立皮肌炎预后不良风险动态预测模型的方法及系统。
技术介绍
1、皮肌炎是一种常见的自身免疫性结缔组织病，主要累及皮肤和骨骼肌，也可累及内脏器官如肺、心脏、胃肠道等，且伴发恶性肿瘤的机率显著高于正常人。迄今为止，皮肌炎的发病机制仍不清楚，发病率逐年升高。皮肌炎患者的异质性较大，部分患者病情进展快，预后差。列线图预测模型是一种可靠的风险评价方法，能直观地反映相关预测因素出现时患者发生某种结局的概率，对于医生作出临床决策具有重要的指导价值，近年来愈来愈多地被应用于疾病转归的预测。通过logistic回归分析或cox回归分析可得到某个结局事件的预测因素，但无法可视化地分析这些预测因素对结局事件的影响程度。。
技术实现思路
1、本专利技术构建皮肌炎预后不良的动态列线图预测模型，为临床医生预判皮肌炎患者的不良预后提供直观的参考工具。列线图预测模型适于个体化预测某疾病的预后不良风险，它根据筛选出的自变量回归系数的大小制定评分标准，为自变量的实际值计算评分。将患者自变量的数值代入模型公式后计算出总分，再通过总分与结局事件(如死亡)的发生概率之间的转换函数，来计算该患者发生该结局事件的概率，从而将预测因素对结局的影响可视化，同时利用r语言软件建立动态列线图预测模型系统，并通过网页版的方式呈现。
2、本专利技术具体的方案为：一种建立皮肌炎预后不良风险动态预测模型的方法，步骤1.确定独立预测因子，创建皮肌
3、进一步地，所述独立预测因子为男性、恶性肿瘤、恶性红斑、发热、间质性肺炎、铁蛋白、涎液化糖链抗原6(kl-6)；根据所述独立预测因子在回归模型中的回归系数在r语言软件中利用rms包创建皮肌炎不良预后的普通列线图，并在r语言中利用dynnom包建立皮肌炎预后的网页版动态列线图模型。
4、进一步地，采用自助抽样法(bootstrap)制备模型的内部验证曲线，采用重复抽样法抽取数据代入模型，多次计算其预测概率，制备模型的外部验证曲线，包括建模组及验证组的roc曲线及校准曲线。
5、进一步地，在r语言中利用rmda包制备预测模型的临床决策曲线(decision curveanalysis,dca)及临床影响曲线(clinical impact curve,cic)。
6、进一步地，建立皮肌炎患者不良预后的列线图动态预测模型，按照逐步logistic回归模型筛选的独立预测因子比值比(or)确定权重及其评分，计算最终得分，得到皮肌炎不良预后的发生概率。
7、进一步地，利用r语言的dynnom包建立所述动态预测模型的网页版。
8、基于上述方法，建立的皮肌炎预后不良风险动态预测模型系统，包括预测因子输入单元、不良预后预测结果输出单元。
9、进一步地，输出单元输出的预测结果0.5为临界概率，向右跨过0.5提示可能发生不良预后，预测值越大提示发生不良预后的概率越大。
10、本专利技术具有如下优点：1.本专利技术创建了皮肌炎患者不良预后的列线图预测模型，所建立的模型可用于分析初诊的皮肌炎患者或病情有进展的皮肌炎患者发生潜在不良预后的风险，并以直观易懂的列线图网页方式呈现，这有助于临床医生对皮肌炎患者实行早期快速预测，并根据得到的结果做出相应的临床决策。
11、2.在开发模型的原始数据集里，应用自助抽样法(bootstrap)进行模型的内部验证，并通过来自同级其他医疗机构的数据对模型进行外部验证。通过内外部校准图看出：黑色实线与45°斜虚线拟合较好，表明本模型的预测效果较好(附图7-8)；通过内外部临床决策曲线看出：在模型内部，该模型适用于约83％患者，在cic中可见该模型又较好的临床净效益，表明该模型在临床中有较好的实用性(附图9-10)。
12、3.本专利技术的思路来源于实际临床工作，皮肌炎患者的病情严重程度异质性大，部分患者病情进展很快，死亡率高，但当前缺乏对皮肌炎患者不良预后的有效且可靠的预测方法，特别是无法及早识别高风险病人并作出相应干预。基于此，本专利技术的技术人员开发了皮肌炎的不良预后风险预测列线图模型，极大地提升了对具有不良预后风险的皮肌炎患者的预测准度和效度。只要在动态列线图预测模型网页中代入患者7个预测因子变量的数值，即可快速得到其发生预后不良风险的概率，具有广泛的适用性。目前国内外尚无文献报道预测皮肌炎患者死亡的列线图模型，因此本专利技术具有实质性的创新性。。
本文档来自技高网...【技术保护点】
1.一种建立皮肌炎预后不良风险动态预测模型的方法，其特征在于，包括步骤1.确定独立预测因子，创建皮肌炎不良预后的普通列线图，并建立网页版动态列线图模型；步骤2.对建模组数据制备模型的内部验证曲线，制备模型的外部验证曲线；步骤3.制备预测模型的临床决策曲线(Decision Curve Analysis,DCA)及临床影响曲线(Clinical ImpactCurve,CIC)；步骤4.按照逐步Logistic回归模型筛选的独立预测因子比值比(OR)确定权重及其评分，计算最终得分，得到皮肌炎不良预后的发生概率。
2.根据权利要求1所述的建立皮肌炎预后不良风险动态预测模型的方法，其特征在于，所述独立预测因子为男性、恶性肿瘤、恶性红斑、发热、间质性肺炎、铁蛋白、涎液化糖链抗原6(KL-6)；根据所述独立预测因子在回归模型中的回归系数在R语言软件中利用Rms包创建皮肌炎不良预后的普通列线图，并在R语言中利用DynNom包建立皮肌炎预后的网页版动态列线图模型。
3.根据权利要求2所述的方法，其特征在于，采用自助抽样法(Bootstrap)制备模型的内部验证曲线，采用
4.根据权利要求3所述的方法，其特征在于，在R语言中利用Rmda包制备预测模型的临床决策曲线及临床影响曲线。
5.根据权利要求4所述的方法，其特征在于，建立皮肌炎患者不良预后的列线图动态预测模型，按照逐步Logistic回归模型筛选的独立预测因子比值比(OR)确定权重及其评分，计算最终得分，得到皮肌炎不良预后的发生概率。
6.根据权利要求5所述的方法，其特征在于，利用R语言的DynNom包建立所述动态预测模型的网页版。
7.一种皮肌炎预后不良风险动态预测模型系统，其特征在于，包括预测因子输入单元、不良预后预测结果输出单元。
8.根据权利要求7所述的方法，其特征在于，输出单元输出的预测结果0.5为临界概率，向右跨过0.5提示可能发生不良预后，预测值越大提示发生不良预后的概率越大。
...【技术特征摘要】
1.一种建立皮肌炎预后不良风险动态预测模型的方法，其特征在于，包括步骤1.确定独立预测因子，创建皮肌炎不良预后的普通列线图，并建立网页版动态列线图模型；步骤2.对建模组数据制备模型的内部验证曲线，制备模型的外部验证曲线；步骤3.制备预测模型的临床决策曲线(decision curve analysis,dca)及临床影响曲线(clinical impactcurve,cic)；步骤4.按照逐步logistic回归模型筛选的独立预测因子比值比(or)确定权重及其评分，计算最终得分，得到皮肌炎不良预后的发生概率。
2.根据权利要求1所述的建立皮肌炎预后不良风险动态预测模型的方法，其特征在于，所述独立预测因子为男性、恶性肿瘤、恶性红斑、发热、间质性肺炎、铁蛋白、涎液化糖链抗原6(kl-6)；根据所述独立预测因子在回归模型中的回归系数在r语言软件中利用rms包创建皮肌炎不良预后的普通列线图，并在r语言中利用dynnom包建立皮肌炎预后的网页版动态列线图模型。
3.根据权利要求2所述的方法，其特征在于...
【专利技术属性】
技术研发人员：朱鹭冰，刘世颖，鲁静浩，刘超凡，周行，唐嘉萱，
申请(专利权)人：复旦大学附属中山医院，
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。