一种基于SAA的痛风频繁发作预测方法、设备及介质
本申请涉及医学人工智能,尤其涉及一种基于saa的痛风频繁发作预测方法、设备及介质。
背景技术:
1、痛风是一种由单钠尿酸盐(msu)晶体在关节及周围组织沉积引起的高发性疾病,痛风发作主要可分为频繁发作(frgf,每年发作次数次)和非频繁发作(ingf,每年发作<次)两种类型,频繁痛风发作患者往往面临着更严重的疾病负担和更差的预后,针对于痛风频繁发作患者,降尿酸治疗(ult)是首选的治疗方案。在ult阶段,随着降尿酸药物的使用,平均血清尿酸从基线水平逐渐下降,但即使血清尿酸(ua)控制在目标水平,部分患者在ult初期仍会出现频繁的痛风发作,且ua水平无法准确预测发作风险。因此,亟需建立有效的预测手段对痛风频繁发作患者进行发作风险评估,以指导临床分层管理和抗炎预防策略的优化。
2、淀粉样蛋白a(saa)是痛风炎症活动性的潜在生物标志物,痛风患者发作期saa水平可达非发作期患者的10倍以上。现有技术尚未建立基于saa水平预测ult后频繁发作风险的模型,无法用saa作为发作预测指标进行直观的量化评估。此外,目前缺乏将saa与ua水平、痛风石负荷等多参数整合的预测体系,无法实现ult后频繁发作的个体化风险评估。因此,亟需一种能够基于saa进行痛风频繁发作患者ult后的发作预测方法。
技术实现思路
1、本申请实施例提供了一种基于saa的痛风频繁发作预测方法、设备及介质,解决了现有技术中缺乏针对频繁发作亚型的预测工具,无法通过saa预测痛风患者ult期间痛风频繁发作的技术问题。
2、第一方面,本申请实施例提供了一种基于saa的痛风频繁发作预测方法,其特征在于,方法包括:获取回顾性痛风患者队列的临床变量数据,并对临床变量数据进行数据预处理,以得到预测模型训练集;对预测模型训练集进行单因素cox回归处理,以确定候选预测因子;对候选预测因子进行多变量cox回归处理,以得到痛风患者ult期间痛风频繁发作的独立预测因子saa,并通过最大约登指数,确定独立预测因子saa的截断值;获取前瞻性痛风患者队列的临床变量数据,并基于独立预测因子saa和临床变量数据对应的痛风频繁发作预测因素,通过roc分析,构建对应的预测模型;基于截断值,构建独立预测因子saa和预设痛风频繁发作预测因素对应的列线图,并根据列线图对应痛风患者的变量分值,确定痛风患者的频繁发作风险。
3、在本申请的一种实现方式中,临床变量数据包括:连续型变量、分类变量、随访数据;对临床变量数据进行数据预处理,具体包括:对临床变量数据进行正态性检验,以确定正态分布变量和非正态分布变量;将正态分布变量转化为对应的均值-标准差变量,并将非正态分布变量转化为对应的四分位距变量,以得到第一预测变量数据;将分类变量转化为对应的例数变量,以得到第二预测变量数据;对随访数据进行指标差异统计,以得到第三预测变量数据;基于第一预测变量数据、第二预测变量数据和第三预测变量数据,通过数据随机拆分,以得到预测模型训练集。
4、在本申请的一种实现方式中,对预测模型训练集进行单因素cox回归处理,以确定候选预测因子,具体包括:对预测模型训练集中的各预测变量数据单独拟合预设的cox比例风险模型,以得到cox模型拟合结果;根据cox模型拟合结果,通过最大偏似然估计,确定各预测变量数据对应的风险比和95%置信区间,并计算wald检验对应的p值;基于p值,筛选各预测变量数据中的预测相关变量,并根据风险比和95%置信区间,对预测相关变量进行相关评估,以确定候选预测因子;其中,候选预测因子包括:饮酒史、身体质量指数、皮下痛风石、红细胞沉降率、c反应蛋白、血清尿酸、saa、痛风患者的前一年痛风平均发作次数。
5、在本申请的一种实现方式中,对候选预测因子进行多变量cox回归处理,以得到痛风患者ult期间痛风频繁发作的独立预测因子saa,具体包括:对候选预测因子进行向后逐步回归分析,以确定第一预测因子;将候选预测因子纳入预设的多变量cox模型,以确定第二预测因子;判断第一预测因子和第二预测因子中独立危险因素对应的效应值,以得到独立预测因子saa。
6、在本申请的一种实现方式中,通过最大约登指数,确定独立预测因子saa的截断值,具体包括:将独立预测因子作为检验变量,构建痛风患者频繁发作的roc曲线;基于roc曲线,计算截断值对应的敏感性数据和特异性数据,以确定独立预测因子对应的约登指数;选取约登指数中最大约登指数对应的saa值,以得到独立预测因子saa的截断值。
7、在本申请的一种实现方式中,基于独立预测因子saa和临床变量数据对应的痛风频繁发作预测因素,通过roc分析,构建对应的预测模型,具体包括:基于独立预测因子saa和临床变量数据对应的痛风频繁发作预测因素,绘制对应的roc曲线;根据roc曲线对应的曲线下面积和置信度区间,构建预测模型。
8、在本申请的一种实现方式中,在基于独立预测因子saa和临床变量数据中的痛风频繁发作预测因素,通过roc分析,构建对应的预测模型之后,方法还包括:通过校准曲线和决策曲线,对预测模型进行临床评估,以确定预测模型是否达到预设的临床实用性。
9、在本申请的一种实现方式中,基于截断值,构建独立预测因子saa和预设痛风频繁发作预测因素对应的列线图,具体包括:基于截断值、独立预测因子saa和痛风频繁发作预测因素,构建二元逻辑回归模型;通过最大似然估计法,拟合二元逻辑回归模型,以确定预测变量数据对应的各回归系数和各截距;根据各回归系数和各截距,得到对应的预测回归系数;设定预测回归系数对应的各基础刻度,并基于各基础刻度,计算预测回归系数对应的points分值;基于points分值,通过逆logit函数转换,以得到列线图。
10、第二方面,本申请实施例还提供了一种基于saa的痛风频繁发作预测设备,其特征在于,设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够实现如一种基于saa的痛风频繁发作预测方法。
11、第三方面,本申请实施例还提供了一种基于saa的痛风频繁发作预测的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,计算机可执行指令被执行时能够实现如一种基于saa的痛风频繁发作预测方法。
12、本申请实施例提供了一种基于saa的痛风频繁发作预测方法、设备及介质,通过单因素及多因素cox回归分析,确认saa是降尿酸治疗期间痛风频繁发作效应最强的独立危险因素,并基于saa、皮下痛风石、痛风病程、血清尿酸,构建对应的联合预测模型,预测频繁发作痛风患者的痛风发作概率,解决了现有技术中缺乏针对频繁发作亚型的预测工具,无法通过saa预测痛风患者ult期间痛风频繁发作的技术问题,实现了基于saa的痛风频繁发作患者ult后发作预测和评估。
1.一种基于saa的痛风频繁发作预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于saa的痛风频繁发作预测方法,其特征在于,所述临床变量数据包括:连续型变量、分类变量、随访数据;
3.根据权利要求1所述的一种基于saa的痛风频繁发作预测方法,其特征在于,对所述预测模型训练集进行单因素cox回归处理,以确定候选预测因子,具体包括:
4.根据权利要求1所述的一种基于saa的痛风频繁发作预测方法,其特征在于,对所述候选预测因子进行多变量cox回归处理,以得到所述痛风患者ult期间痛风频繁发作的独立预测因子saa,具体包括:
5.根据权利要求1所述的一种基于saa的痛风频繁发作预测方法,其特征在于,通过最大约登指数,确定所述独立预测因子saa的截断值,具体包括:
6.根据权利要求1所述的一种基于saa的痛风频繁发作预测方法,其特征在于,基于所述独立预测因子saa和所述临床变量数据对应的痛风频繁发作预测因素,通过roc分析,构建对应的预测模型,具体包括:
7.根据权利要求1所述的一种基于saa的痛风频繁发作预测方法,其特征在于,在基于所述独立预测因子saa和所述临床变量数据中的痛风频繁发作预测因素,通过roc分析,构建对应的预测模型之后,所述方法还包括:
8.根据权利要求1所述的一种基于saa的痛风频繁发作预测方法,其特征在于,基于所述截断值,构建所述独立预测因子saa和预设痛风频繁发作预测因素对应的列线图,具体包括:
9.一种基于saa的痛风频繁发作预测设备,其特征在于,所述设备包括:
10.一种基于saa的痛风频繁发作预测的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令被执行时能够实现如权利要求1-8任意一项所述的一种基于saa的痛风频繁发作预测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com