CN113192637A - 个体化定量评估进展为2型糖尿病的风险预测方法及装置 - Google Patents

个体化定量评估进展为2型糖尿病的风险预测方法及装置 Download PDF

Info

Publication number
CN113192637A
CN113192637A CN202110424609.1A CN202110424609A CN113192637A CN 113192637 A CN113192637 A CN 113192637A CN 202110424609 A CN202110424609 A CN 202110424609A CN 113192637 A CN113192637 A CN 113192637A
Authority
CN
China
Prior art keywords
risk
t2dm
type 2diabetes
prediction
progression
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110424609.1A
Other languages
English (en)
Inventor
陈丽
侯新国
梁凯
刘金波
王川
闫飞
王令舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu Hospital of Shandong University
Original Assignee
Qilu Hospital of Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qilu Hospital of Shandong University filed Critical Qilu Hospital of Shandong University
Priority to CN202110424609.1A priority Critical patent/CN113192637A/zh
Publication of CN113192637A publication Critical patent/CN113192637A/zh
Priority to CN202210392415.2A priority patent/CN114724716A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请涉及2型糖尿病(T2DM)风险预测领域。个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法包括：采用简单随机化方法将研究对象随机分为建模队列和验证队列，以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能，通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素，纳入有统计学意义的自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型，选取赤池信息准则(AIC)信息量最小的logistic回归模型为最终预测模型，并以此构建进展为2型糖尿病(T2DM)风险的列线图，基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。本申请可以针对个体化定量评估未来T2DM的发病风险，提高针对每一个单独的个体进行定量评估进展为2型糖尿病(T2DM)的风险预测效果，使得风险预测对于个体更有针对性和实践意义。

Description

个体化定量评估进展为2型糖尿病的风险预测方法及装置
技术领域
本申请涉及2型糖尿病(T2DM)风险预测领域，具体而言，涉及一种进展为2型糖尿病(T2DM)的风险预测方法、装置、终端及存储介质。
背景技术
目前，糖尿病前期的诊断标准尚不统一，基于不同标准的糖尿病前期人群差异很大。2019年3月，Science发表了一篇评论员文章，对美国糖尿病学会(American DiabetesAssociation，ADA)制订的糖尿病前期标准提出质疑，认为糖尿病前期是一种“人造的病”。研究显示，在糖尿病前期的各种亚型中，糖耐量异常(impaired glucose tolerance，IGT)及世界卫生组织(World Health Organization，WHO)标准的空腹血糖受损(impairedfasting glucose，IFG)有更高的进展为2型糖尿病(type 2diabetes mellites，T2DM)风险。由此可见，ADA标准的糖尿病前期纳入了更多WHO标准为糖代谢正常的人群，这可能降低了糖尿病高风险人群的漏诊率，同时也降低了该人群未来发生糖尿病的整体风险。因此，如何个体化预测未来T2DM发病风险，是亟待解决的问题。
在预测疾病发生风险的各种模型中，列线图将复杂的回归方程转变为简单且可视化的图形，预测结果可读性强，具有非常高的应用价值。Chung等在韩国人群中进行了一项横断面研究显示，其列线图模型仅可作为评估当前T2DM风险的筛查工具，无法预测未来发生T2DM的风险。Wang等在我国华中地区人群中进行的一项随访研究，其列线图模型的风险因素没有纳入2hPG和HbA1c等糖尿病诊断指标，无法评估研究人群2hPG和HbA1c范围是否符合一般人群特征。
目前已经发布的T2DM风险预测模型中，无论是包含诸多临床危险因素和(或)代谢因素的复杂模型，还是仅包含几个危险因素的简单模型，都被证明是可以甄别未来糖尿病高危人群的有效工具。Abbasi等综合评价了16项研究中的25个T2DM风险预测模型，其中包括12个仅包含无创指标的简易模型和13个包含血液学生化指标的复杂模型，发现大多数预测模型均可在5到10年内识别出罹患T2DM的高风险人群。因此，现有的预测模型可以识别高风险人群，但均无法个体化定量评估未来发生T2DM的实际风险。
发明内容
本申请实施例提供一种能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法、装置、终端及存储介质，可以针对具体的个体进行个体化定量评估未来T2DM的发病风险，进而可以制定相应的预防或干预措施，解决现有技术中仅可以识别高风险人群而无法个体化定量评估未来发生T2DM的实际风险，即无法进行个体化预测、有针对性定量评估的技术问题。
第一方面，本申请实施例提供一种能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法，包括：
采用简单随机化方法将研究对象随机分为建模队列和验证队列；
以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能；
通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素；
选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型；
基于赤池信息准则(AIC)选取信息量最小的logistic回归分析为最终预测模型，并以此构建进展为2型糖尿病(T2DM)风险的列线图；
基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。
根据一些实施例，所述单因素logistic回归分析确定的危险因素为年龄、体质指数BMI、收缩压SBP、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c、肌酐Cr、低密度脂蛋白胆固醇LDL-C、甘油三酯TG、丙氨酸氨基转移酶ALT、天冬氨酸氨基转移酶AST、γ-谷氨酰转肽酶GGT，保护因素为：女性、HDL-C，所述多因素logistic回归分析确定的危险因素为：年龄、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c是T2DM的独立危险因素。
根据一些实施例，所述选取的自变量为年龄、空腹血糖FPG、2hPG、HbA1c。
根据一些实施例，所述预测进展为2型糖尿病(T2DM)风险的预测模型为：Stepwise(stepAIC)selected model：－20.643+0.021×年龄+1.226×FPG+0.139×2hPG+1.501×HbA1c。
第二方面，本申请实施例提供一种能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测装置，包括：
建模单元，用于采用简单随机化方法将研究对象随机分为建模队列和验证队列，以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能；
风险因素确定单元，用于通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素；
预测模型构建单元，用于选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型；
列线图生成单元，用于基于赤池信息准则(AIC)选取信息量最小的logistic回归分析为最终预测模型，并以此构建进展为2型糖尿病(T2DM)风险的列线图；
风险预测单元，用于基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。
根据一些实施例，所述单因素logistic回归分析确定的危险因素为年龄、体质指数BMI、收缩压SBP、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c、肌酐Cr、低密度脂蛋白胆固醇LDL-C、甘油三酯TG、丙氨酸氨基转移酶ALT、天冬氨酸氨基转移酶AST、γ-谷氨酰转肽酶GGT，保护因素为：女性、HDL-C，所述多因素logistic回归分析确定的危险因素为：年龄、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c是T2DM的独立危险因素。
根据一些实施例，所述选取的自变量为年龄、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c。
根据一些实施例，所述预测进展为2型糖尿病(T2DM)风险的预测模型为：Stepwise(stepAIC)selected model：－20.643+0.021×年龄+1.226×FPG+0.139×2hPG+1.501×HbA1c。
第三方面，本申请实施例提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法。
本申请实施例提供一种能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法，采用简单随机化方法将研究对象随机分为建模队列和验证队列，以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能，通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素，选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型，基于赤池信息准则(AIC)选取信息量最小的logistic回归分析为最终预测模型，并以此构建进展为2型糖尿病(T2DM)风险的列线图，基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。本申请可以针对个体化定量评估未来T2DM的发病风险，解决现有技术中仅可以识别高风险人群而无法个体化定量评估未来发生T2DM的实际风险的技术问题，提高针对每一个单独的个体进行定量评估进展为2型糖尿病(T2DM)的风险预测效果，进而可以使得每个单独的个体有针对性的获知自身的风险预测，进而可以制定相应的预防或干预措施，风险预测更有针对性和实践意义。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本申请实施例的能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法的流程示意图；
图2示出本申请实施例的装置示意图；
图3示出本申请实施例的终端的界面示意图；
图4A示出建模队列的临床决策曲线分析；
图4B示出验证队列的临床决策曲线分析；
图5A示出建模队列的ROC曲线；
图5B示出验证队列的ROC曲线；
图6示出应用于本申请实施例的进展为2型糖尿病(T2DM)风险的列线图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅为本申请实施例的一部分，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1示出本申请实施例的能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法的流程示意图。
如图1所示，该能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法包括：
S101，采用简单随机化方法将研究对象随机分为建模队列和验证队列。
本申请所来源的研究基于“中国2型糖尿病患者肿瘤发生风险的流行病学研究(Risk Evaluation of cAncers in Chinese diabeTic Individuals:a lONgitudinalstudy，REACTION)”分中心山东大学齐鲁医院的社区人群资料。选取2012年2月至2015年8月完成基线及3年随访的来自于山东省济南市1个城市社区和济宁市3个城市社区40岁以上的4 788名常驻居民为研究对象，依次排除既往已诊断糖尿病患者1 073例、基线调查新诊断糖尿病患者462例、肝功能不全患者94例、终末期肾病患者68例、癌症患者27例、糖皮质激素治疗患者7例、有手术史患者3例及主要调查数据不全者266例，最终2 788名基线非糖尿病受试者纳入分析，其中女性1 901例，男性887例。
采用简单随机化方法将研究对象随机分为建模队列(75％，2 094例)与验证队列(25％，694例)。
S102，以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能。
以建模队列构建评估进展为T2DM风险的预测模型，再用验证队列验证模型的预测效能。以是否进展为糖尿病分为2组。
S103，通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素。
在建模队列中，与未进展为T2DM的受试者相比，进展为T2DM的受试者平均年龄、BMI、SBP、FPG、2hPG、HbA1c、Cr、LDL-C、TG、ALT、GGT水平较高，而女性比例、HDL-C较低，两组间DBP、心率、TC、AST差异无统计学意义(均P>0.05，表1)。单因素logistic回归分析显示年龄、体质指数BMI、收缩压SBP、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c、肌酐Cr、低密度脂蛋白胆固醇LDL-C、甘油三酯TG、丙氨酸氨基转移酶ALT、天冬氨酸氨基转移酶AST、γ-谷氨酰转肽酶GGT是T2DM的危险因素，女性、HDL-C是T2DM的保护因素；多因素logistic回归分析显示仅年龄、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c是T2DM的独立危险因素(比值比为1.03、1.13、1.01、1.17，均P<0.05，表2)，并被纳入最终的T2DM预测模型。
表1 建模队列中3年后进展为T2DM人群的基线特征
Figure BDA0003029339500000061
Figure BDA0003029339500000071
注：BMI为体质指数；SBP为收缩压；DBP为舒张压；FPG为空腹血糖；2hPG为糖负荷后2h血糖；HbA1c为糖化血红蛋白；HDL-C为高密度脂蛋白胆固醇；LDL-C为低密度脂蛋白胆固醇；TC为总胆固醇；TG为甘油三酯；ALT为丙氨酸氨基转移酶；AST为天冬氨酸氨基转移酶；GGT为γ-谷氨酰转肽酶。1mmHg＝0.133kPa
表2 建模队列中3年后进展为T2DM的单因素、多因素logistic回归分析结果
Figure BDA0003029339500000072
Figure BDA0003029339500000081
注：BMI为体质指数；SBP为收缩压；DBP为舒张压；FPG为空腹血糖；2hPG为糖负荷后2h血糖；HbA1c为糖化血红蛋白；HDL-C为高密度脂蛋白胆固醇；LDL-C为低密度脂蛋白胆固醇；TC为总胆固醇；TG为甘油三酯；ALT为丙氨酸氨基转移酶；AST为天冬氨酸氨基转移酶；GGT为γ-谷氨酰转肽酶；OR为比值比；CI为可信区间
S104，选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型。
如图6所示的预测进展为T2DM风险的列线图，以年龄、FPG、2hPG、HbA1c为自变量构建预测3年后进展为T2DM风险的简易预测模型，其预测方程为Stepwise(stepAIC)selectedmodel：－20.643+0.021×年龄+1.226×FPG+0.139×2hPG+1.501×HbA1c，以此绘制预测进展为T2DM风险的列线图。
S105，基于赤池信息准则(AIC)构建进展为2型糖尿病(T2DM)风险的列线图。
基于赤池信息准则(Akaike information criterion，AIC)，选取AIC信息量最小的logistic回归模型为最终预测模型[Stepwise(stepAIC)selected model]，并构建预测进展为T2DM风险的列线图。列线图是由包括风险因素(自变量)、单项评分、总评分和事件风险(因变量)的图形线组成。列线图中每个风险因素对应的线段上都标注了刻度，代表该因素的可取值范围，而线段的长度反映了该因素对结局事件的贡献大小。
此外，之前我国学者设计的T2DM风险预测模型均采用危险因素的临界点或分段值来赋分，而本申请中列线图的自变量(年龄、FPG、2hPG、HbA1c)均使用了连续的实际测量值，可以提供更准确、更个体化的风险预测。
S106，基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。
如图3所示，用户输入个体化的年龄、FPG、2hPG、HbA1c，基于所述进展为2型糖尿病(T2DM)风险的列线图，得出该个体进展为2型糖尿病(T2DM)的风险预测结果。
针对某个体，如图3所示的绿色部分，输入参数年龄(65岁)、空腹血糖(6.5mmol/L)、糖负荷后2h血糖(11mmol/L)、糖化血红蛋白(6.0％)，然后点击风险预测，如图3所示的红色部分，得到3年后进展为2型糖尿病的概率为32％。
不同于现有技术中仅可以识别高风险人群，通过本申请实施例的个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法能够针对个体进行定量评估，提高针对单独、特定的个体进行定量评估进展为2型糖尿病(T2DM)的风险预测效果。
建模队列与验证队列预测进展为T2DM风险的ROC曲线见图5A和图5B。结果显示，如图5A所示，建模队列中列线图和糖尿病前期预测进展为T2DM风险的ROC曲线AUC[95％可信区间(confidence interval，CI)]分别为0.825(0.787～0.864)、0.693(95％CI 0.652～0.734)。如图5B所示，验证队列中列线图和糖尿病前期预测进展为T2DM风险的ROC曲线AUC(95％CI)分别为0.781 0.716～0.846)、0.628(0.563～0.693)。在建模队列和验证队列中，列线图对进展为T2DM风险的预测价值均优于糖尿病前期，差异具有统计学意义(P<0.01，Delong's test，表3)。
表3 列线图与糖尿病前期对进展为T2DM风险的预测效能比较
Figure BDA0003029339500000091
注：aAUC 95％可信区间(CI)采用计算机模拟重采样方法(Bootstrap resamplingtimes＝500)；b预测方程Y值的最佳切点(Y＝－20.643+0.021×年龄+1.226×FPG+0.139×2hPG+1.501×HbA1c)；c采用建模队列的最佳切点
列线图预测进展为T2DM风险的临床决策曲线结果显示，模型曲线离“None线”和“All线”较远，说明列线图具有较好的临床应用价值(图4A和图4B)。如图4A所示，当选择预测概率为20％界定为T2DM发病高风险时，每100例中大约有25例从中获益而不损伤其他人的利益。
本申请实施例提供一种能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法，采用简单随机化方法将研究对象随机分为建模队列和验证队列，以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能，通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素，选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型，基于赤池信息准则(AIC)构建进展为2型糖尿病(T2DM)风险的列线图，基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。本申请可以针对个体化定量评估未来T2DM的发病风险，解决现有技术中仅可以识别高风险人群而无法个体化定量评估未来发生T2DM的实际风险的技术问题，提高针对每一个单独的个体进行定量评估进展为2型糖尿病(T2DM)的风险预测效果，进而可以使得每个单独的个体有针对性的获知自身的风险预测，进而可以制定相应的预防或干预措施，风险预测更有针对性和实践意义。
图2示出本申请实施例的画面旋转控制装置的结构示意图。
如图2所示，该能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测装置200，包括：建模单元201、风险因素确定单元202、预测模型构建单元203和列线图生成单元204，其中：
建模单元201，用于采用简单随机化方法将研究对象随机分为建模队列和验证队列，以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能；
风险因素确定单元202，用于通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素；
预测模型构建单元203，用于选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型；
列线图生成单元204，用于基于赤池信息准则(AIC)选取信息量最小的logistic回归分析为最终预测模型，并以此构建进展为2型糖尿病(T2DM)风险的列线图；
风险预测单元205，用于基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。
本申请实施例提供一种能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法，采用简单随机化方法将研究对象随机分为建模队列和验证队列，以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能，通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素，选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型，基于赤池信息准则(AIC)选取信息量最小的logistic回归分析为最终预测模型，并以此构建进展为2型糖尿病(T2DM)风险的列线图，基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。本申请可以针对个体化定量评估未来T2DM的发病风险，解决现有技术中仅可以识别高风险人群而无法个体化定量评估未来发生T2DM的实际风险的技术问题，提高针对每一个单独的个体进行定量评估进展为2型糖尿病(T2DM)的风险预测效果，进而可以使得每个单独的个体有针对性的获知自身的风险预测，进而可以制定相应的预防或干预措施，风险预测更有针对性和实践意义。
根据本申请的实施例，提供一种终端，所述终端300可以包括：至少一个处理器，至少一个用户接口，存储器。
其中，用户接口可以包括显示屏(Display)和输入输出设备，用于为用户提供输入的接口，获取用户输入的数据。
其中，处理器可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端300的各种功能和处理数据。
具体地，处理器可以用于调用存储器中存储的能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法的应用程序，并具体执行以下操作：
采用简单随机化方法将研究对象随机分为建模队列和验证队列；
以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能；
通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素；
选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型；
基于赤池信息准则(AIC)构建进展为2型糖尿病(T2DM)风险的列线图；
基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米***(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种画面旋转控制方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
以上描述仅为本公开的示例性实施例，不能以此限定本公开的范围，本领域的普通技术人员在阅读本说明书后对上述实施例作出的各种修改，都属于本发明所保护的范围。

Claims (10)

1.一种能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测方法，其特征在于，所述方法包括：
采用简单随机化方法将研究对象随机分为建模队列和验证队列；
以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能；
通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素；
选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型；
基于赤池信息准则(AIC)选取信息量最小的logistic回归分析为最终预测模型，并以此构建进展为2型糖尿病(T2DM)风险的列线图；
基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。
2.根据权利要求1所述的方法，其特征在于，所述单因素logistic回归分析确定的危险因素为年龄、体质指数BMI、收缩压SBP、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c、肌酐Cr、低密度脂蛋白胆固醇LDL-C、甘油三酯TG、丙氨酸氨基转移酶ALT、天冬氨酸氨基转移酶AST、γ-谷氨酰转肽酶GGT，保护因素为：女性、高密度脂蛋白胆固醇HDL-C，所述多因素logistic回归分析确定的危险因素为：年龄、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c是T2DM的独立危险因素。
3.根据权利要求1所述的方法，其特征在于，所述选取的自变量为年龄、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述预测进展为2型糖尿病(T2DM)风险的预测模型为：Stepwise(stepAIC)selected model：－20.643+0.021×年龄+1.226×FPG+0.139×2hPG+1.501×HbA1c。
5.一种能够个体化定量评估进展为2型糖尿病(T2DM)的风险预测装置，其特征在于，该装置包括：
建模单元，用于采用简单随机化方法将研究对象随机分为建模队列和验证队列，以所述建模队列作为评估进展为2型糖尿病(T2DM)风险的预测模型的数据来源，使用所述验证队列验证模型的预测效能；
风险因素确定单元，用于通过单因素logistic回归分析和多因素logistic回归分析确定2型糖尿病(T2DM)发生的风险因素；
预测模型构建单元，用于选取自变量构建预测进展为2型糖尿病(T2DM)风险的预测模型；
列线图生成单元，用于基于赤池信息准则(AIC)选取信息量最小的logistic回归分析为最终预测模型，并以此构建进展为2型糖尿病(T2DM)风险的列线图；
风险预测单元，用于基于所述进展为2型糖尿病(T2DM)风险的列线图，获得个体进展为2型糖尿病(T2DM)的风险预测结果。
6.根据权利要求5所述的装置，所述单因素logistic回归分析确定的危险因素为年龄、体质指数BMI、收缩压SBP、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c、肌酐Cr、低密度脂蛋白胆固醇LDL-C、甘油三酯TG、丙氨酸氨基转移酶ALT、天冬氨酸氨基转移酶AST、γ-谷氨酰转肽酶GGT，所述多因素logistic回归分析确定的危险因素为：年龄、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c是T2DM的独立危险因素。
7.根据权利要求5所述的装置，其特征在于，所述选取的自变量为年龄、空腹血糖FPG、糖负荷后两小时血糖2hPG、糖化血红蛋白HbA1c。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述预测进展为2型糖尿病(T2DM)风险的预测模型为：Stepwise(stepAIC)selected model：－20.643+0.021×年龄+1.226×FPG+0.139×2hPG+1.501×HbA1c。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-4中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述权利要求1-4中任一项所述的方法。
CN202110424609.1A 2021-04-20 2021-04-20 个体化定量评估进展为2型糖尿病的风险预测方法及装置 Pending CN113192637A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110424609.1A CN113192637A (zh) 2021-04-20 2021-04-20 个体化定量评估进展为2型糖尿病的风险预测方法及装置
CN202210392415.2A CN114724716A (zh) 2021-04-20 2022-04-15 进展为2型糖尿病的风险预测的方法、模型训练及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110424609.1A CN113192637A (zh) 2021-04-20 2021-04-20 个体化定量评估进展为2型糖尿病的风险预测方法及装置

Publications (1)

Publication Number Publication Date
CN113192637A true CN113192637A (zh) 2021-07-30

Family

ID=76977517

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110424609.1A Pending CN113192637A (zh) 2021-04-20 2021-04-20 个体化定量评估进展为2型糖尿病的风险预测方法及装置
CN202210392415.2A Pending CN114724716A (zh) 2021-04-20 2022-04-15 进展为2型糖尿病的风险预测的方法、模型训练及装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210392415.2A Pending CN114724716A (zh) 2021-04-20 2022-04-15 进展为2型糖尿病的风险预测的方法、模型训练及装置

Country Status (1)

Country Link
CN (2) CN113192637A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643809A (zh) * 2021-08-05 2021-11-12 上海市第六人民医院 基于人体成分的2型糖尿病预测方法及***
CN114999639A (zh) * 2022-04-27 2022-09-02 天津大学 一种糖尿病评分模型建立方法及糖尿病风险评分方法
CN116469554A (zh) * 2023-03-21 2023-07-21 天津医科大学 一种2型糖尿病发病综合风险预测模型的构建方法和***

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359916A (zh) * 2022-10-19 2022-11-18 四川大学华西医院 糖尿病风险评估方法及***
CN115831364B (zh) * 2022-12-14 2023-09-08 东北林业大学 基于多模态特征融合的2型糖尿病风险分层预测方法
CN117727459A (zh) * 2024-02-18 2024-03-19 中国人民解放军总医院第一医学中心 慢性肾病5期合并2型糖尿病的透析时机预测方法及***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232975A (zh) * 2019-05-20 2019-09-13 郑州大学第一附属医院 一种对糖尿病肾病患者3年内进入到肾脏替代治疗风险预测的方法
CN110491512A (zh) * 2019-08-08 2019-11-22 郑州大学第一附属医院 一种对肾活检确诊糖尿病肾病患者3年内进入到终末期肾脏病风险预测的方法
CN112120790A (zh) * 2020-09-23 2020-12-25 常州市第一人民医院 一种基于指标评分的轻度缺血性脑卒中患者的预测模型

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643809A (zh) * 2021-08-05 2021-11-12 上海市第六人民医院 基于人体成分的2型糖尿病预测方法及***
CN114999639A (zh) * 2022-04-27 2022-09-02 天津大学 一种糖尿病评分模型建立方法及糖尿病风险评分方法
CN116469554A (zh) * 2023-03-21 2023-07-21 天津医科大学 一种2型糖尿病发病综合风险预测模型的构建方法和***

Also Published As

Publication number Publication date
CN114724716A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN113192637A (zh) 个体化定量评估进展为2型糖尿病的风险预测方法及装置
Castera Diagnosis of non‐alcoholic fatty liver disease/non‐alcoholic steatohepatitis: non‐invasive tests are enough
US10303844B2 (en) Multimarker risk stratification
Huang et al. A 7 gene signature identifies the risk of developing cirrhosis in patients with chronic hepatitis C
Moul et al. Predicting risk of prostate specific antigen recurrence after radical prostatectomy with the Center for Prostate Disease Research and Cancer of the Prostate Strategic Urologic Research Endeavor databases
Ciardullo et al. Exploring the landscape of steatotic liver disease in the general US population
Wong et al. Artificial intelligence in prediction of non‐alcoholic fatty liver disease and fibrosis
Usvyat et al. Interdialytic weight gain, systolic blood pressure, serum albumin, and C-reactive protein levels change in chronic dialysis patients prior to death
Jensen et al. Risk stratification of patients suspected of coronary artery disease: comparison of five different models
Liu et al. Machine learning risk score for prediction of gestational diabetes in early pregnancy in Tianjin, China
KR20160086730A (ko) 심혈관질환 위험 인자를 사용한 심혈관질환 위험의 예측 방법
WO2016181490A1 (ja) 分析システム及び分析方法
WO2018050804A1 (en) Method of diagnosis of non-alcoholic fatty liver diseases
CN102063568A (zh) 个体水平糖尿病预测模型
CN111081334A (zh) 一种基于风险因素概率组合分析的慢性疾病早期预警方法
Abugroun et al. Frailty predicts adverse outcomes in older patients undergoing transcatheter aortic valve replacement (TAVR): from the National Inpatient Sample
Han et al. Determination of the number of observers needed to evaluate a subjective test and its application in two PD‐L1 studies
KR20090027842A (ko) 허혈성 심장질환 발병 위험도 예측 장치 및 예측 방법과허혈성 심장질환 발병 위험도 예측 프로그램이 기록된 매체
Feehally et al. International IgA nephropathy network clinico-pathological classification of IgA nephropathy
Goldie Public health policy and cost-effectiveness analysis
Arya et al. Explainable AI for enhanced interpretation of liver cirrhosis biomarkers
Wong et al. Novel albumin, bilirubin and platelet criteria for the exclusion of high-risk varices in compensated advanced chronic liver disease: A validation study
CN115862856A (zh) 甲状腺癌远端转移风险的预测方法、装置
KR102574826B1 (ko) 갱년기 진단 시스템 및 이를 이용한 갱년기 진단 방법
Asesio et al. Baveno VI criteria as a prognostic factor for clinical complications in patients with compensated cirrhosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210730