CN117747100B - 一种预测阻塞性睡眠呼吸暂停发生风险的*** - Google Patents
一种预测阻塞性睡眠呼吸暂停发生风险的*** Download PDFInfo
- Publication number
- CN117747100B CN117747100B CN202311686767.XA CN202311686767A CN117747100B CN 117747100 B CN117747100 B CN 117747100B CN 202311686767 A CN202311686767 A CN 202311686767A CN 117747100 B CN117747100 B CN 117747100B
- Authority
- CN
- China
- Prior art keywords
- scoring
- sleep apnea
- obstructive sleep
- risk
- amino acid
- 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.)
- Active
Links
- 208000001797 obstructive sleep apnea Diseases 0.000 title claims abstract description 219
- 150000001413 amino acids Chemical class 0.000 claims abstract description 145
- 230000000694 effects Effects 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 230000009471 action Effects 0.000 claims abstract description 15
- 239000000090 biomarker Substances 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims abstract description 8
- 229940024606 amino acid Drugs 0.000 claims description 140
- DHMQDGOQFOQNFH-UHFFFAOYSA-N Glycine Chemical compound NCC(O)=O DHMQDGOQFOQNFH-UHFFFAOYSA-N 0.000 claims description 55
- AGPKZVBTJJNPAG-WHFBIAKZSA-N L-isoleucine Chemical compound CC[C@H](C)[C@H](N)C(O)=O AGPKZVBTJJNPAG-WHFBIAKZSA-N 0.000 claims description 29
- KZSNJWFQEVHDMF-BYPYZUCNSA-N L-valine Chemical compound CC(C)[C@H](N)C(O)=O KZSNJWFQEVHDMF-BYPYZUCNSA-N 0.000 claims description 29
- KZSNJWFQEVHDMF-UHFFFAOYSA-N Valine Natural products CC(C)C(N)C(O)=O KZSNJWFQEVHDMF-UHFFFAOYSA-N 0.000 claims description 29
- HNDVDQJCIGZPNO-UHFFFAOYSA-N histidine Natural products OC(=O)C(N)CC1=CN=CN1 HNDVDQJCIGZPNO-UHFFFAOYSA-N 0.000 claims description 29
- 229960000310 isoleucine Drugs 0.000 claims description 29
- AGPKZVBTJJNPAG-UHFFFAOYSA-N isoleucine Natural products CCC(C)C(N)C(O)=O AGPKZVBTJJNPAG-UHFFFAOYSA-N 0.000 claims description 29
- 239000004474 valine Substances 0.000 claims description 29
- COLNVLDHVKWLRT-QMMMGPOBSA-N L-phenylalanine Chemical compound OC(=O)[C@@H](N)CC1=CC=CC=C1 COLNVLDHVKWLRT-QMMMGPOBSA-N 0.000 claims description 28
- ZDXPYRJPNDTMRX-UHFFFAOYSA-N glutamine Natural products OC(=O)C(N)CCC(N)=O ZDXPYRJPNDTMRX-UHFFFAOYSA-N 0.000 claims description 28
- COLNVLDHVKWLRT-UHFFFAOYSA-N phenylalanine Natural products OC(=O)C(N)CC1=CC=CC=C1 COLNVLDHVKWLRT-UHFFFAOYSA-N 0.000 claims description 28
- 239000004471 Glycine Substances 0.000 claims description 27
- OUYCCCASQSFEME-QMMMGPOBSA-N L-tyrosine Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-QMMMGPOBSA-N 0.000 claims description 27
- OUYCCCASQSFEME-UHFFFAOYSA-N tyrosine Natural products OC(=O)C(N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-UHFFFAOYSA-N 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 16
- 230000002503 metabolic effect Effects 0.000 claims description 4
- 210000002381 plasma Anatomy 0.000 abstract description 32
- 230000004060 metabolic process Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 235000001014 amino acid Nutrition 0.000 description 128
- 230000002829 reductive effect Effects 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000011282 treatment Methods 0.000 description 16
- 201000010099 disease Diseases 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- ZDXPYRJPNDTMRX-VKHMYHEASA-N L-glutamine Chemical compound OC(=O)[C@@H](N)CCC(N)=O ZDXPYRJPNDTMRX-VKHMYHEASA-N 0.000 description 12
- HNDVDQJCIGZPNO-YFKPBYRVSA-N L-histidine Chemical compound OC(=O)[C@@H](N)CC1=CN=CN1 HNDVDQJCIGZPNO-YFKPBYRVSA-N 0.000 description 12
- 230000036541 health Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 8
- 230000008506 pathogenesis Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- QNAYBMKLOCPYGJ-REOHCLBHSA-N L-alanine Chemical compound C[C@H](N)C(O)=O QNAYBMKLOCPYGJ-REOHCLBHSA-N 0.000 description 5
- ROHFNLRQFUQHCH-YFKPBYRVSA-N L-leucine Chemical compound CC(C)C[C@H](N)C(O)=O ROHFNLRQFUQHCH-YFKPBYRVSA-N 0.000 description 5
- ROHFNLRQFUQHCH-UHFFFAOYSA-N Leucine Natural products CC(C)CC(N)C(O)=O ROHFNLRQFUQHCH-UHFFFAOYSA-N 0.000 description 5
- 235000004279 alanine Nutrition 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 5
- 238000005481 NMR spectroscopy Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 239000002207 metabolite Substances 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000005180 public health Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 2
- 208000031226 Hyperlipidaemia Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 208000006673 asthma Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000004280 healthy diet Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000018102 proteins Nutrition 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XHXXVVZZZPRJNS-QRPNPIFTSA-N (2s)-2-amino-3-phenylpropanoic acid;lead Chemical compound [Pb].OC(=O)[C@@H](N)CC1=CC=CC=C1 XHXXVVZZZPRJNS-QRPNPIFTSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 238000011166 aliquoting Methods 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000036737 immune function Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 235000005985 organic acids Nutrition 0.000 description 1
- 230000004792 oxidative damage Effects 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 230000008289 pathophysiological mechanism Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000001034 respiratory center Anatomy 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及数字医疗技术领域，一种预测阻塞性睡眠呼吸暂停发生风险的***，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使所述处理器执行以下步骤：获取阻塞性睡眠呼吸暂停发生风险的预测数据；对预测数据进行高通量代谢生物标志物分析，得到血浆氨基酸水平；基于血浆氨基酸水平分析不同氨基酸水平与阻塞性睡眠呼吸暂停风险的影响关系，根据影响关系选取出多种氨基酸作为评分参数；根据影响关系分析评分参数对阻塞性睡眠呼吸暂停风险的作用效果；根据作用效果设置评分参数的水平区间并对个体氨基酸水平进行评分，预测阻塞性睡眠呼吸暂停的发生风险。
Description
技术领域
本发明涉及数字医疗技术领域，尤其是一种预测阻塞性睡眠呼吸暂停发生风险的***。
背景技术
阻塞性睡眠呼吸暂停是一种严重的睡眠障碍，影响着全球数亿成年人。这种疾病的特征在于呼吸道在睡眠中反复阻塞，导致呼吸暂停和低通气，主要表现为打鼾、夜间窒息感或憋醒等症状。尽管阻塞性睡眠呼吸暂停普遍存在，但由于认识不足，很多患者并未得到确诊。OSA将导致一系列健康问题，包括心脑血管疾病、心理障碍、神经功能缺损以及社交困扰等。因此，识别引发阻塞性睡眠呼吸暂停的高危因素对于早期风险识别和预防至关重要。
目前研究显示，不良的膳食营养是阻塞性睡眠呼吸暂停发生和发展的重要因素之一。从膳食营养的角度出发，可以帮助识别出容易患阻塞性睡眠呼吸暂停的高危人群，具有重要的临床和公共卫生意义。其中蛋白质是人体生命活动必需的营养物质，其主要代谢成分是氨基酸，不同种类的氨基酸具有不同的生理功能，对阻塞性睡眠呼吸暂停的发生产生不同程度的影响，现亟需一种阻塞性睡眠呼吸暂停发生风险的预测***，基于不同氨基酸的影响情况预测阻塞性睡眠呼吸暂停的风险系数。
发明内容
针对现有技术中的不足，第一方面，本发明提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：获取阻塞性睡眠呼吸暂停发生风险的预测数据，所述预测数据来源于未被诊断为阻塞性睡眠呼吸暂停的人群；对所述预测数据进行高通量代谢生物标志物分析，得到血浆氨基酸水平；基于所述血浆氨基酸水平分析不同氨基酸水平与阻塞性睡眠呼吸暂停风险的影响关系，并根据所述影响关系选取出多种氨基酸作为评分参数；根据所述影响关系分析所述评分参数对阻塞性睡眠呼吸暂停风险的作用效果；根据所述作用效果设置评分参数的水平区间，基于所述水平区间对个体氨基酸水平进行评分，并预测阻塞性睡眠呼吸暂停的发生风险。本发明利用氨基酸组合标志物，预测阻塞性睡眠呼吸暂停的风险，提供了一种新的、重要的补充检测方法，可以更准确地评估和管理阻塞性睡眠呼吸暂停的风险，具有实际的应用价值。
可选地，所述基于所述血浆氨基酸水平分析不同氨基酸水平与阻塞性睡眠呼吸暂停风险的影响关系包括：分析所述血浆氨基酸水平与阻塞性睡眠呼吸暂停风险的相关性，所述相关性包括正相关性、负相关性以及无显著关联性；根据所述相关性分析不同氨基酸水平对阻塞性睡眠呼吸暂停风险的影响关系。本发明探究血浆氨基酸水平与新发阻塞性睡眠呼吸暂停风险的相关性，更深入地了解氨基酸水平与阻塞性睡眠呼吸暂停风险之间的关系，为预防和治疗提供更准确的依据。
可选地，所述根据所述影响关系选取出多种氨基酸作为评分参数包括：根据所述影响关系选取组氨酸作为第一评分参数；根据所述影响关系选取酪氨酸作为第二评分参数；根据所述影响关系选取异亮氨酸作为第三评分参数；根据所述影响关系选取缬氨酸作为第四评分参数；根据所述影响关系选取谷氨酰胺作为第五评分参数；根据所述影响关系选取甘氨酸作为第六评分参数；根据所述影响关系选取苯丙氨酸作为第七评分参数。本发明将多种氨基酸作为评分参数，可以更全面地评估个体的健康状况和阻塞性睡眠呼吸暂停的发生风险，提供更准确的健康管理和预防措施，且氨基酸具有较好的特异性，可以更准确地预测阻塞性睡眠呼吸暂停的风险，提高预测的准确性和效率。
可选地，所述根据所述影响关系分析所述评分参数对阻塞性睡眠呼吸暂停风险的作用效果包括：依据所述影响关系设置阻塞性睡眠呼吸暂停风险的分析规则；基于所述分析规则和所述影响关系得到不同氨基酸水平对阻塞性睡眠呼吸暂停风险的作用效果。本发明设置阻塞性睡眠呼吸暂停风险的分析规则，可以更准确地分析氨基酸水平对阻塞性睡眠呼吸暂停风险的作用效果，提高预测的准确性和效率。
可选地，所述根据所述作用效果设置评分参数的水平区间包括：结合所述评分参数和所述作用效果将评分参数的氨基酸水平四等分；根据所述氨基酸水平四等分的结果设置各评分参数的水平区间。本发明将评分参数的氨基酸水平四等分，可以更直观地了解不同氨基酸水平与阻塞性睡眠呼吸暂停风险的关系，为设置水平区间提供参考依据。
可选地，所述基于所述水平区间对个体氨基酸水平进行评分，并预测阻塞性睡眠呼吸暂停的发生风险包括：依据所述水平区间和所述作用效果获得各评分参数的评分结果；根据所述评分结果预测个体阻塞性睡眠呼吸暂停的发生风险。本发明依据水平区间和作用效果获得各评分参数的评分结果，可以更准确地预测个体阻塞性睡眠呼吸暂停的发生风险，为个体提供更具体的预防和治疗指导。
可选地，所述依据所述水平区间和所述作用效果获得各评分参数的评分结果包括：根据所述评分参数和所述水平区间设置多样性评分模型；依据所述多样性评分模型获得各评分参数的评分结果。本发明依据多样性评分模型获得各评分参数的评分结果，可以更客观、公正地评估个体的健康状况和风险水平，减少主主观因素对评估结果的影响。
可选地，多样性评分模型，满足如下关系：
其中，表示多样性评分结果，n表示评分参数的数量，/>表示评分参数的评分结果。本发明根据评分参数的达标状态计算个体的多样性评分结果，且模型简单易懂，可以快速获得个体的多样性评分结果，提高预测的准确性和效率。
可选地，所述多样性评分模型其中包括：所述参数的评分结果，若评分参数达标记为1，若评分参数不达标记为0；/>表示第一评分参数的评分结果，若符合组氨酸的安全水平区间，此评分参数达标/>；/>表示第二评分参数的评分结果，若符合酪氨酸的安全水平区间，此评分参数达标/>；/>表示第三评分参数的评分结果，若符合异亮氨酸的安全水平区间，此评分参数达标/>；/>表示第四评分参数的评分结果，若符合缬氨酸的安全水平区间，此评分参数达标/>；/>表示第五评分参数的评分结果，若符合谷氨酰胺的安全水平区间，此评分参数达标/>；/>表示第六评分参数的评分结果，若符合甘氨酸的安全水平区间，此评分参数达标/>；/>表示第七评分参数的评分结果，若符合苯丙氨酸的安全水平区间，此评分参数达标/>。另一方面，本发明还提供一种阻塞性睡眠呼吸暂停发生风险预测***，包括输入设备、处理器、输出设备和存储器，其中，所述输入设备、处理器、输出设备和存储器相互连接，所述存储器包括如本发明第一方面所述的计算机可读存储介质，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令。本发明提供的***结构紧凑，适用性强，极大程度地提高了运行效率。
附图说明
图1是本发明提供的计算机可读存储介质中程序指令的流程图；
图2是本发明酪氨酸对阻塞性睡眠呼吸暂停风险的影响关系示意图；
图3是本发明异亮氨酸对阻塞性睡眠呼吸暂停风险的影响关系示意图；
图4是本发明缬氨酸对阻塞性睡眠呼吸暂停风险的影响关系示意图；
图5是本发明苯丙氨酸对阻塞性睡眠呼吸暂停风险的影响关系示意图；
图6是本发明组氨酸对阻塞性睡眠呼吸暂停风险的影响关系示意图；
图7是本发明谷氨酰胺对阻塞性睡眠呼吸暂停风险的影响关系示意图；
图8是本发明甘氨酸对阻塞性睡眠呼吸暂停风险的影响关系示意图；
图9是本发明氨基酸多样性对阻塞性睡眠呼吸暂停风险的影响关系示意图；
图10是本发明的一种预测阻塞性睡眠呼吸暂停发生风险的***的结构示意图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
请参见图1，在一个实施例中，本发明提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：
S1、获取阻塞性睡眠呼吸暂停发生风险的预测数据，上述预测数据来源于未被诊断为阻塞性睡眠呼吸暂停的人群，其具体实施步骤及相关内容如下：
在基线调查时，排除了自述或医院诊断为阻塞性睡眠呼吸暂停的人群，并且选取氨基酸数据完整的参与数据。在本实施例中共有116539名参与者被纳入并采集相关数据。实施例中选取氨基酸数据完整的参与者以确保预测数据的完整性，避免数据缺失对分析结果产生影响，有助于提高数据分析的准确性和可靠性。另外一方面，排除自述或医院诊断为阻塞性睡眠呼吸暂停的人群，可以避免其他干扰因素对预测结果产生影响，只获取无阻塞性睡眠呼吸暂停人群的数据，可以更准确地评估氨基酸水平与阻塞性睡眠呼吸暂停风险的关系。
然后将收集到的数据进行清洗和预处理，包括但不限于异常值处理，缺失值填充、重复值删除，以确保预测数据的完整性和准确性。还可以利用统计学方法和数据分析技术，对预处理后的预测数据进行深入分析，包括但不限于相关性分析、回归分析、机器学***与阻塞性睡眠呼吸暂停风险之间的关联和影响。
更进一步地，在本实施例中排除自述或医院诊断为阻塞性睡眠呼吸暂停的人群，可以直接避免其他因素对预测结果的影响，可以更准确地评估氨基酸水平与阻塞性睡眠呼吸暂停风险的关系，实施例中预测数据的采集方式和预处理方法仅仅只是本实施例的一个可选条件，疾病风险预测数据的获取方式可以根据实际运用需求进行更改，以确保预测数据的完整性和准确性，有助于推动氨基酸与阻塞性睡眠呼吸暂停研究领域的发展和进步，为研究和治疗提供坚实的数据依据和科学指导。
S2、对上述预测数据进行高通量代谢生物标志物分析，得到血浆氨基酸水平，其具体实施步骤及相关内容如下：
在本实施例中采用基于核磁共振（NMR）的高通量代谢生物标志物分析平台来测量个体血浆氨基酸水平。
从参与者的血浆样本中提取出代谢物，包括但不限于氨基酸、酮体、有机酸，需要确保检测样本的质量和稳定性，避免分析结果的偏差和混淆。然后采用高通量代谢生物标志物分析方法，具体可以利用液相色谱-质谱联用技术（LC-MS），对提取出的代谢物进行定性和定量分析，基于此可以同时测定多种代谢物，提高分析效率并降低误差概率；其次对高通量的分析加结果进行处理，包括数据清洗、标准化、缺失数据填补以及数据标记等，进而去除无效数据和异常数值，从而确保相关数据的准确性和可靠性，最后利用统计软件对处理后的数据进行统计分析，可以应用多元线性回归方法、决策树模型、随机森林模型等，上述统计分析模型都是统计和机器学***、人口统计学特征、生活习惯等，提高预测结果的准确性，可以更全面地预测阻塞性睡眠呼吸暂停的发生风险。
在本实施例中利用基于NMR的高通量代谢生物标志物分析平台，对血浆氨基酸水平进行测量和分析，进一步探究不同氨基酸与阻塞性睡眠呼吸暂停发生风险之间的关系，有助于更好地预防和治疗阻塞性睡眠呼吸暂停。
更进一步地，在本实施例中基于NMR的高通量代谢生物标志物分析平台，对血浆氨基酸水平进行测量和分析仅仅只是本实施例的一个可选条件，其分析技术可以根据实际运用需求进行更改，以确保预测数据的完整性和准确性，为研究和治疗提供坚实的数据依据和科学指导。
更进一步地对人群特征进行分析，请参见表1，在本实施例中116539名参与者的平均年龄为56.5岁，其中女性人群占比为53.4%。参与者涵盖了不同性别、年龄、种族和健康状况的人群，具有一定的代表性。与未发生阻塞性睡眠呼吸暂停的人群相比，发生阻塞性睡眠呼吸暂停的人群中，男性、白种人的比例较低，吸烟和肥胖者的占比较高，患有哮喘、高血压、糖尿病和高脂血症的人群比例更高。上述因素对阻塞性睡眠呼吸暂停的发生有一定的影响，需要进一步探讨其背后的原因和机制。
此外，发生阻塞性睡眠呼吸暂停的人群表现出汤普森剥夺的指数更大，然而体力活动水平和健康膳食指数更低的特点，由此可知人群的生活质量和健康状况，对阻塞性睡眠呼吸暂停的发病风险具有一定的影响，具体请参见表1。
表1 人群发生阻塞性睡眠呼吸暂停的特征表格
在本实施例中，预测数据主要包括了血浆中组氨酸、酪氨酸、异亮氨酸、缬氨酸、谷氨酰胺、甘氨酸和苯丙氨酸等氨基酸的水平。同时对收集个体的其他相关信息进行采集和记录，相关信息包括但不限于年龄、性别、体重指数、健康膳食指数以及疾病史。在本实施例中将116539名参与者的基线调查数据作为预测数据，进一步揭示了氨基酸水平与阻塞性睡眠呼吸暂停风险之间的关系。同时，研究结果还提供了关于阻塞性睡眠呼吸暂停发病风险的人群特征和相关因素的深入认识，有助于更好地预防和治疗阻塞性睡眠呼吸暂停。
在本实施例中对血浆氨基酸水平进行分析，可以检测出与特定疾病或病理过程相关的异常变化，上述异常变化早于其他临床症状的出现，有助于早期诊断和及时治疗，还可以区分不同的疾病类型，为精准治疗提供科学依据。另外一方面，通过表格的形式对阻塞性睡眠呼吸暂停人群的汤普森剥夺指数、体力活动水平和健康膳食指数等特征进行研究，可以更直观地了解患者的身体状况和日常活动习惯，制定个性化的治疗方案，有助于及时调整治疗方案和预测患者的健康状况。此外，有助于深入探讨疾病的发病机制和寻找新的治疗方法。
更进一步地，在本实施例中利用表格形式对其他因素进行分析研究，有助于提高疾病的认知水平，制定更加有效的治疗方案，仅仅只是本实施例的一个可选条件，其具体分析方法可以根据实际需求进行调整，可以更好地理解阻塞性睡眠呼吸暂停的发病机制和，从而制定更加有效的治疗方案。
S3、基于血浆氨基酸水平分析不同氨基酸水平与阻塞性睡眠呼吸暂停风险的影响关系，并根据上述影响关系选取出多种氨基酸作为评分参数，其具体实施步骤及相关内容如下：
首先，分析血浆氨基酸水平与阻塞性睡眠呼吸暂停风险的相关性，在本实施例中相关性包括但不限于正相关性、负相关性以及无显著关联性；
对血浆氨基酸水平与阻塞性睡眠呼吸暂停风险的相关性进行分析，可以更好地理解阻塞性睡眠呼吸暂停的发病机制，如果发现某种氨基酸与阻塞性睡眠呼吸暂停的风险呈正相关性或负相关性，上述氨基酸可成为该疾病的治疗靶点或预防措施。另一方面分析血浆氨基酸水平与阻塞性睡眠呼吸暂停风险之间的关联性，可以用于预测患病风险概率，在早期便可以识别出高风险人群，基于此采取更加积极的预防措施，以降低阻塞性睡眠呼吸暂停的发生率。
正相关性、负相关性和无显著关联性，可以全面了解血浆氨基酸水平与阻塞性睡眠呼吸暂停风险之间的关系，有助于更深入地理解疾病的发病机制，为后续研究提供更多线索，从而采取更积极的预防措施。
更进一步地，本实施例中相关性的分类标准和具体内容，仅仅只是本实施例的一个可选条件，相关性的具体内容可以根据实际情况进行优化，有助于调整治疗方案，也有助于推动该疾病与血浆氨基酸水平之间关系的探索和研究。
然后，可以根据上述相关性关系，进一步分析不同氨基酸水平对阻塞性睡眠呼吸暂停风险的影响关系。
根据已有的研究成果和随访资料可知，血浆中酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸的水平升高与阻塞性睡眠呼吸暂停的风险有显著关联。其中，酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸的水平提升，会导致阻塞性睡眠呼吸暂停的发生风险相应增加。即上述血浆氨基酸水平的升高是阻塞性睡眠呼吸暂停发生的危险因素。
具体来说，血浆中酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸的水平增加与阻塞性睡眠呼吸暂停发生风险之间存在显著的正相关关系。即个体患阻塞性睡眠呼吸暂停的风险也会相应增加。
研究还发现血浆中组氨酸、谷氨酰胺和甘氨酸的水平提升与阻塞性睡眠呼吸暂停的风险降低显著相关。具体来说，组氨酸、谷氨酰胺和甘氨酸水平的增加可以降低个体患阻塞性睡眠呼吸暂停的风险系数，从而对个体起到保护作用。基于此为阻塞性睡眠呼吸暂停的病因和预防提供了新的视角和研究方向。
在本实施例中基于研究结果和相关性规则，揭示了血浆氨基酸水平与阻塞性睡眠呼吸暂停发生风险之间的复杂关联，此类分析方法，有利于确保分析结果的准确性和可靠性，有助于深入理解阻塞性睡眠呼吸暂停的发病机制，为治疗策略提供新视角。
最后，根据上述影响关系选取出多种氨基酸作为评分参数，其具体内容如下：
基于不同氨基酸水平对新发阻塞性睡眠呼吸暂停风险的影响关系可知，酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸分别与阻塞性睡眠呼吸暂停发生风险具有正相关性；组氨酸、谷氨酰胺和甘氨酸分别与阻塞性睡眠呼吸暂停发生风险具有负相关性；亮氨酸和丙氨酸分别与阻塞性睡眠呼吸暂停发生风险无显著关联性。
由此根据影响关系选取组氨酸作为第一评分参数、酪氨酸作为第二评分参数、异亮氨酸作为第三评分参数、缬氨酸作为第四评分参数、谷氨酰胺作为第五评分参数、甘氨酸作为第六评分参数、苯丙氨酸作为第七评分参数。
在本实施例中对不同氨基酸进行了解和分析，可以更好地认识不同氨基酸水平与阻塞性睡眠呼吸暂停之间的关系，从而采取积极的措施来预防疾病的发生，降低疾病的发生率。
S4、根据上述影响关系分析不同评分参数对阻塞性睡眠呼吸暂停风险的作用效果，其具体实施步骤及相关内容如下：
为了使不同氨基酸的影响关系更具可比性，在本实施例中氨基酸水平进行四等分，基于此可以提高预测阻塞性睡眠呼吸暂停的准确性。
在本实施中依据影响关系设置阻塞性睡眠呼吸暂停风险的分析规则；然后基于分析规则和影响关系得到不同氨基酸水平对阻塞性睡眠呼吸暂停风险的作用效果。
根据分析选取酪氨酸、异亮氨酸、缬氨酸、苯丙氨酸、组氨酸、谷氨酰胺和甘氨酸作为关键的评分参数，对其进行具体分析并设置对应的分析规则。
其中，酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸与阻塞性睡眠呼吸暂停发生风险具有正相关性。则说明上述氨基酸的水平在体内升高，那么发生阻塞性睡眠呼吸暂停的风险也会相应增加，当酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸升高或者处于异常范围时，将会促使阻塞性睡眠呼吸暂停的发生概率，对应的分析规则设置定此时个体患病的风险系数增加状态。由于上述氨基酸在体内的变化与阻塞性睡眠呼吸暂停的发病机制有关，会影响神经递质的合成和代谢，从而影响睡眠呼吸中枢的功能，导致阻塞性睡眠呼吸暂停的发生。
组氨酸、谷氨酰胺和甘氨酸与阻塞性睡眠呼吸暂停发生风险具有负相关性。则说明上述氨基酸的水平在体内升高，那么发生阻塞性睡眠呼吸暂停的风险可能会降低。当组氨酸、谷氨酰胺和甘氨酸升高或者处于正常范围内时，会降低阻塞性睡眠呼吸暂停的发生概率，对应的分析规则设置定此时个体患病的风险系数减小状态。由于上述氨基酸在体内具有保护细胞、促进修复和调节免疫功能等作用，能够在一定程度上预防或减轻阻塞性睡眠呼吸暂停的发生和病情严重程度，进而可以抑制自由基的产生和保护细胞免受氧化损伤。
基于此分析规则设置如下，其中酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸会促使阻塞性睡眠呼吸暂停的发生，如果血清中相关氨基酸的水平未落入安全水平范围，则视为增加了阻塞性睡眠呼吸暂停的发生风险，为此个体的身体状况减分。其中组氨酸、谷氨酰胺和甘氨酸会抑制阻塞性睡眠呼吸暂停的发生，如果血清中相关氨基酸的水平处于安全水平区间之内，则视为降低了阻塞性睡眠呼吸暂停的发生风险，为此个体的身体状况加分。
更进一步地，也可以为每个氨基酸参数设定一个分析规则，并根据它们与阻塞性睡眠呼吸暂停风险的相关性强度来确定。但在本实施例中，依据相关性对多种氨基酸进行分类获得正相关组和负相关组，并进行个体身体状况的加减法计算，基于此可以更快地确定救济措施和治疗方案，针对正相关组氨基酸水平较高的患者，可以采取措施降低相关氨基酸的水平或抑制其作用，以降低阻塞性睡眠呼吸暂停的风险，或者增加负相关组氨基酸的摄入，再或者减少正相关组氨基酸的摄入可能有助于降低阻塞性睡眠呼吸暂停的风险。
然后对不同氨基酸水平、氨基酸样本数量、阻塞性睡眠呼吸暂停患病人数和比例以及相关氨基酸的风险系数，且在本实施例中根据预测数据以及实际情况，设定分析规则的置信区间为百分之九十五，其中百分之九十五置信区间指的是预测总体数据的真实值有95%的概率会落在测量结果的区间内。
本实施例的分析规则，对不同氨基酸水平、氨基酸样本数量、阻塞性睡眠呼吸暂停患病人数和比例以及相关氨基酸的风险系数进行分析，可以更深入地了解氨基酸与阻塞性睡眠呼吸暂停之间的关系，有助于更好地理解阻塞性睡眠呼吸暂停的发病机制，并为开发新的治疗方法提供线索。
结合评分参数和作用效果将评分参数的氨基酸水平四等分；根据氨基酸水平四等分的结果设置各评分参数的水平区间，其具体所述内容如下：
为了探究不同氨基酸与阻塞性睡眠呼吸暂停发生风险的影响关系，在本实施例中将评分参数的氨基酸水平进行四等分，可以更详细地了解不同氨基酸水平与阻塞性睡眠呼吸暂停之间的作用情况，可更好地理解阻塞性睡眠呼吸暂停的影响机制，从而采取措施调节相关氨基酸的水平或抑制其作用，以降低阻塞性睡眠呼吸暂停的发生风险。
实施例中将氨基酸水平四等分，并分析不同氨基酸水平对阻塞性睡眠呼吸暂停发生风险的作用效果，实施例中作用效果包括但不限于，不同氨基酸水平的等分情况、阻塞性睡眠呼吸暂停患病人数和比例以及相关氨基酸的风险系数。
在一个可选的实施例中，对七种评分参数的氨基酸水平进行四等分，其具体内容如下：
其中Quartile 1表示一等分组，Quartile 2表示二等分组，Quartile 3表示三等分组，Quartile 4表示四等分组，七种评分参数的氨基酸水平四等内容如下：
组氨酸四等分情况：Quartile 1(<0.058 mmol/L)、Quartile 2(0.058 mmol/L-< 0.064 mmol/L)、Quartile 3(0.064 mmol/L-<0.070 mmol/L)、Quartile 4(≥0.070 mmol/ L)；
酪氨酸四等分情况：Quartile 1(<0.052 mmol/L)、Quartile 2(0.052 mmol/L-< 0.060 mmol/L)、Quartile 3(0.060 mmol/L-<0.069 mmol/L)、Quartile 4(≥0.069 mmol/ L)；
异亮氨酸四等分情况：Quartile 1(<0.038 mmol/L)、Quartile 2(0.038 mmol/L -<0.047 mmol/L)、Quartile 3(0.047 mmol/L -<0.058 mmol/L)、Quartile 4(≥0.058 mmol/L)；
缬氨酸四等分情况：Quartile 1(<0.17 mmol/L)、Quartile 2(0.17 mmol/L -< 0.20 mmol/L)、Quartile 3(0.20 mmol/L -<0.23 mmol/L)、Quartile 4(≥0.23 mmol/L)；
谷氨酰胺四等分情况：Quartile 1(<0.48 mmol/L)、Quartile 2(0.48 mmol/L -< 0.53 mmol/L)、Quartile 3(0.53 mmol/L -<0.58 mmol/L)、Quartile 4(≥0.58 mmol/L)；
甘氨酸四等分情况：Quartile 1(<0.12 mmol/L)、Quartile 2(0.12 mmol/L -< 0.15 mmol/L)、Quartile 3(0.15 mmol/L -<0.19 mmol/L)、Quartile 4(≥0.19 mmol/L)；
苯丙氨酸四等分情况：Quartile 1(<0.038 mmol/L)、Quartile 2(0.038 mmol/L -<0.044 mmol/L)、Quartile 3(0.044 mmol/L -<0.051 mmol/L)、Quartile 4(≥0.051 mmol/L)。
为了保证不同氨基酸水平对阻塞性睡眠呼吸暂停发生风险分析结果的准确性，在本实施例中将设置两组预测组进行风险比例测试，其中第一预测组：对年龄、性别进行调整，第二预测组：对年龄、性别、种族、研究中心、汤普森剥夺指数、吸烟、饮酒、体力活动、健康膳食指数、肥胖、哮喘、高血压、糖尿病和高脂血症进行调整。
第二预测组相对于第一预测组进行了更为全面的风险评估，纳入了更多的潜在影响因素，有助于更准确地预测特定人群中阻塞性睡眠呼吸暂停的发生风险。
基于氨基酸水平四等分的结果获得不同情况对对阻塞性睡眠呼吸暂停发生风险的影响情况，请参见表2。
/>
/>
表2 不同氨基酸水平对阻塞性睡眠呼吸暂停发生风险的作用效果表格
基于此可知，血浆酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸水平的升高与阻塞性睡眠呼吸暂停的风险增加显著相关，请参见图2，随着酪氨酸的增加阻塞性睡眠呼吸暂停的风险上升，由表2可知，酪氨酸每增加一个标准差阻塞性，睡眠呼吸暂停的发生风险增加11%，风险比为1.11，对应的95%置信区间为1.06-1.16。
基于此在一个可选地实施例中，请参见图3，随着异亮氨酸的增加阻塞性睡眠呼吸暂停的风险上升，由表2可知，异亮氨酸每增加一个标准差，阻塞性睡眠呼吸暂停的发生风险增加6%，风险比为1.06，对应的95%置信区间为1.01-1.12。
基于此在另外一个可选地实施例中，请参见图4，随着缬氨酸的增加阻塞性睡眠呼吸暂停的风险上升，由表2可知，缬氨酸每增加一个标准差阻，塞性睡眠呼吸暂停的发生风险增加7%，风险比为1.07，对应的95%置信区间为1.02-1.12。
基于此在另外一个可选地实施例中，请参见图5，随着苯丙氨酸的增加阻塞性睡眠呼吸暂停的风险上升，由表2可知，苯丙氨酸每增加一个标准差，阻塞性睡眠呼吸暂停的发生风险增加7%，风险比为1.07，对应的95%置信区间为1.02-1.11。
具体指的是上述血浆氨基酸水平的升高可能是阻塞性睡眠呼吸暂停发生的危险因素，酪氨酸、异亮氨酸、缬氨酸和苯丙氨酸分别与阻塞性睡眠呼吸暂停发生风险呈显著的正相关关系。
另一方面，研究还发现血浆组氨酸、谷氨酰胺和甘氨酸水平的提升与阻塞性睡眠呼吸暂停的风险降低显著相关。
基于此在另外一个可选地实施例中，请参见图6，随着组氨酸的增加阻塞性睡眠呼吸暂停的风险降低，由表2可知，组氨酸每增加一个标准差，阻塞性睡眠呼吸暂停的发生风险降低7%，风险比为0.93，对应的95%置信区间为0.88-0.98。
基于此在另外一个可选地实施例中，请参见图7，随着谷氨酰胺的增加阻塞性睡眠呼吸暂停的风险降低，由表2可知，谷氨酰胺每增加一个标准差，阻塞性睡眠呼吸暂停的发生风险降低6%，风险比为0.94，对应的95%置信区间为0.89-0.99。
基于此在另外一个可选地实施例中，请参见图8，随着甘氨酸的增加阻塞性睡眠呼吸暂停的风险降低，由表2可知，甘氨酸每增加一个标准差，阻塞性睡眠呼吸暂停的发生风险降低14%，风险比为0.86，对应的95%置信区间为0.80-0.92。
基于氨基酸影响关系示意图可知，上述血浆氨基酸水平的提升可能是阻塞性睡眠呼吸暂停发生的保护因素，组氨酸、谷氨酰胺和甘氨酸分别与阻塞性睡眠呼吸暂停发生风险呈显著的负相关关系。
此外，由表2可知，每增加一个标准差的血浆亮氨酸水平，发生阻塞性睡眠呼吸暂停的风险比为1.04，对应的95%置信区间为0.99-1.10；每增加一个标准差的血浆丙氨酸水平，发生阻塞性睡眠呼吸暂停的风险比为1.00，对应的95%置信区间为0.95-1.05。即指的是血浆亮氨酸和丙氨酸水平的改变与阻塞性睡眠呼吸暂停的风险没有显著关联。基于此可知血浆亮氨酸和丙氨酸水平的改变可能不是阻塞性睡眠呼吸暂停发生的危险或保护因素，亮氨酸和丙氨酸分别与阻塞性睡眠呼吸暂停发生风险无显著关联性。
在本实施例中，基于分析规则和不同氨基酸对于阻塞性睡眠呼吸暂停发生风险的相关性，得到不同氨基酸水平对阻塞性睡眠呼吸暂停风险的作用效果。可以更深入地了解氨基酸与阻塞性睡眠呼吸暂停之间的关系，有利于提高预测结果的可信度。
更进一步地，在本实施例中分析不同氨基酸水平对阻塞性睡眠呼吸暂停风险的作用效果，仅仅只是本实施例的一个可选条件，具体分析方法可以根据实际情况进行调整，有助于更准确地预测病情。
S5、根据上述作用效果设置评分参数的水平区间，基于水平区间对个体氨基酸水平进行评分，并预测个体阻塞性睡眠呼吸暂停的发生风险。在本实施例中，首先基于表2设置各评分参数的水平区间，其具体实施内容如下：
基于评分参数的水平区间可以更准确地评估患者的病情严重程度和风险水平。设置各评分参数的水平区间基于此对不同的评分参数进行分析，可以更全面地了解患者的病情和风险因素，另一方面根据各评分参数的水平区间进行疾病风险预测，可以更准确地预测患者未来可能患上疾病的风险系数，且根据多种评分参数的水平区间进行风险预测，比单一参数的预测结果更可靠。
请参见表3，其中表示评分参数的安全水平区间，即指的是安全水平范围，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著降低；/>表示评分参数的危险水平区间，即指的是非安全水平范围，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著增加。
更进一步地，基于表2可知：组氨酸的安全水平区间包括：Quartile 3 (0.064 mmol/L-<0.070 mmol/L)、Quartile 4(≥0.070 mmol/L)；酪氨酸的安全水平区间包括：Quartile 1(<0.052 mmol/L)、Quartile 2(0.052 mmol/L-<0.060 mmol/L)；异亮氨酸的安全水平区间/>包括：Quartile 1(<0.038 mmol/L)、 Quartile 2(0.038 mmol/L -<0.047 mmol/L)；缬氨酸的安全水平区间/>包括：Quartile 1(<0.17 mmol/L)、Quartile 2(0.17 mmol/L -<0.20 mmol/L)；谷氨酰胺的安全水平区间/>包括：Quartile 3(0.53 mmol/L -<0.58 mmol/L)、Quartile 4(≥ 0.58 mmol/L)；甘氨酸的安全水平区间/>包括：Quartile 3(0.15 mmol/L -< 0.19 mmol/L)、Quartile 4(≥0.19 mmol/L)；苯丙氨酸的安全水平区间/>包括：Quartile 1(<0.038 mmol/L)、Quartile 2(0.038 mmol/L -<0.044 mmol/L)，请参见表2。/>
表3 评分参数氨基酸的水平区间表格
在本实施例中，依据评分参数和对应的作用效果，设置各评分参数的水平区间，将评分参数的水区间分为安全水平区间（Quartile A）和危险水平区间（Quartile B），可以明确个体发生阻塞性睡眠呼吸暂停的风险水平，有助于更准确地了解病情，并采取相应的预防和治疗措施。
更进一步地，在本实施例中结合评分参数、不同氨基酸的作用效果以及四等分结果，设置各评分参数的水平区间，仅仅只是本实施例的一个可选条件，评分参数水平区间的设置情况可以根据预测要求进行更改和调整，有助于更准确地预测病情，明确个体发生阻塞性睡眠呼吸暂停的风险程度。
然后，基于各评分参数的水平区间对个体阻塞性睡眠呼吸暂停发生风险进行评分，并预测阻塞性睡眠呼吸暂停的发生风险，其具体实施内容如下：
首先，根据评分参数和对应的水平区间设置多样性评分模型；
上述多样性评分模型，满足如下关系：
其中，表示多样性评分结果，n表示评分参数的数量，/>表示评分参数的评分结果。
在本实施中评分参数包括，组氨酸、酪氨酸、异亮氨酸、缬氨酸、谷氨酰胺、甘氨酸、苯丙氨酸，如果组氨酸在安全水平区间中（），即此时评分参数/>处于达标状态，此个体发生阻塞性睡眠呼吸暂停的风险将会显著降低，此时评分参数达标则/>；反之如果组氨酸在危险水平区间中（/>），即此时评分参数/>处于未达标状态，此个体发生阻塞性睡眠呼吸暂停的风险将会显著增加，此时评分参数未达标记/>。
根据多样性评分模型获得不同评分参数的分数情况，可以对患者的病情和风险进行定量评估，此外还可以提供更加准确和客观的决策依据，有助于提高诊断和治疗的准确性。然后，依据多样性评分模型获得各评分参数的评分结果，具体计算内容如下：在多样性评分模型中，n表示评分参数的数量，其中n=7。在一个可选的实施例中，如果组氨酸≥0.064mmol/L，则说明组氨酸在安全水平区间（Quartile A）中，即评分参数属于达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著降低，那么组氨酸的评分结果；反之如果组氨酸<0.064mmol/L，则表示组氨酸在危险水平区间（Quartile B）中，即评分参数属于未达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著增加，此时组氨酸的评分结果/>；
在另外一个可选的实施例中，如果酪氨酸<0.060mmol/L，则说明酪氨酸在安全水平区间（Quartile A）中，即评分参数属于达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著降低，那么酪氨酸的评分结果；反之如果酪氨酸≥0.060mmol/L，则表示酪氨酸在危险水平区间（Quartile B）中，即评分参数属于未达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著增加，此时酪氨酸的评分结果/>；
在另外一个可选的实施例中，如果异亮氨酸<0.047mmol/L，则说明异亮氨酸在安全水平区间（Quartile A）中，即评分参数属于达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著降低，那么异亮氨酸的评分结果；反之如果异亮氨酸≥0.047mmol/L，则表示异亮氨酸在危险水平区间（Quartile B）中，即评分参数属于未达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著增加，此时异亮氨酸的评分结果；
在另外一个可选的实施例中，如果缬氨酸<0.20mmol/L，则说明缬氨酸在安全水平区间（Quartile A）中，即评分参数属于达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著降低，那么缬氨酸的评分结果；反之如果缬氨酸≥0.20mmol/L，则表示缬氨酸在危险水平区间（Quartile B）中，即评分参数属于未达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著增加，此时缬氨酸的评分结果/>；
在另外一个可选的实施例中，如果谷氨酰胺≥0.53mmol/L，则说明谷氨酰胺在安全水平区间（Quartile A）中，即评分参数属于达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著降低，那么谷氨酰胺的评分结果；反之如果谷氨酰胺<0.53mmol/L，则表示谷氨酰胺在危险水平区间（Quartile B）中，即评分参数属于未达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著增加，此时谷氨酰胺的评分结果；
在另外一个可选的实施例中，如果甘氨酸≥0.15mmol/L，则说明甘氨酸在安全水平区间（Quartile A）中，即评分参数属于达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著降低，那么甘氨酸的评分结果；反之如果甘氨酸<0.15mmol/L，则表示甘氨酸在危险水平区间（Quartile B）中，即评分参数属于未达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著增加，此时甘氨酸的评分结果/>；
在另外一个可选的实施例中，如果苯丙氨酸<0.044mmol/L，则说明苯丙氨酸在安全水平区间（Quartile A）中，即评分参数属于达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著降低，那么苯丙氨酸的评分结果；反之如果苯丙氨酸≥0.044mmol/L，则表示苯丙氨酸在危险水平区间（Quartile B）中，即评分参数属于未达标状态，此时个体发生阻塞性睡眠呼吸暂停的风险将会显著增加，此时苯丙氨酸的评分结果。
最后，依据各评分参数的评分结果预测个体阻塞性睡眠呼吸暂停的发生风险，具体计算内容如下：
在本实施例中根将七种氨基酸的评分结果进行求和，利用评分参数的总数来预测个体阻塞性睡眠呼吸暂停的发生风险，具体实施方法是若评分参数氨基酸在安全水平区间则为1分，在危险水平区间为0分，基于此最后最评分参数总数最低为0分，最高分为7分，实施例的氨多样性评分规则既考虑了安全水平，又考虑了氨基酸种类的多样和全面化。
在一个可选的实施例中，对各评分参数的多样性评分结果进行求和运算，若七个评分参数的氨基酸水平均在安全水平区间之内，那么氨基酸多样性评分结果=1+1+1+1+1+1+1=7：
在另外一个可选的实施例中，对各评分参数的多样性评分结果进行求和运算，若七个评分参数的氨基酸水平均不在安全水平区间之内，那么氨基酸多样性评分结果=0+0+0+0+0+0+0=0。请参见表4，表格将对评分结果进行具体呈现，其中评分结果包括0-7分，一共八种分数情况，请参见表4。
| 氨基酸多样性评分结果 | 样本量 | 病例 | 模型 1：风险比(95%置信区间) | 模型 2：风险比(95%置信区间) |
| 每增加一分 | 116539 | 1655 | 0.76(0.74,0.79) | 0.89(0.86,0.92) |
| 0 | 3445 | 127 | Ref | Ref |
| 1 | 10405 | 298 | 0.78(0.63,0.96) | 0.86(0.70,1.07) |
| 2 | 19227 | 383 | 0.55(0.45,0.67) | 0.72(0.59,0.89) |
| 3 | 25158 | 343 | 0.39(0.32,0.48) | 0.61(0.50,0.76) |
| 4 | 24561 | 258 | 0.32(0.26,0.39) | 0.56(0.45,0.70) |
| 5 | 20114 | 161 | 0.26(0.21,0.33) | 0.55(0.43,0.71) |
| 6 | 10687 | 70 | 0.22(0.16,0.29) | 0.52(0.38,0.71) |
| 7 | 2942 | 15 | 0.17(0.10,0.28) | 0.42(0.24,0.74) |
表4 七种氨基酸的评分结果表格
基于表4和图9可知，氨基酸多样性模型的评分结果每增加一分，新发阻塞性睡眠呼吸暂停的风险比为0.89（95%置信区间为0.86-0.92）。氨基酸多样性评分结果可以作为一种有效的预测指标，有利于快速且准确地评估患者发生阻塞性睡眠呼吸暂停的风险概率，可以更全面地评估患者的风险状况，并提供个性化的预防和治疗建议。同时，还可以进一步地评估氨基酸多样性评分在不同人群中的适用性和预测准确性，以促进其在临床实践中的应用。
在本实施例中，七种特定的氨基酸包括：组氨酸、酪氨酸、异亮氨酸、缬氨酸、谷氨酰胺、甘氨酸和苯丙氨酸，并设置不同的水平区间探究不同氨基酸与阻塞性睡眠呼吸暂停发生风险的关系，可以综合反映氨基酸的多样性和全面性，对评估阻塞性睡眠呼吸暂停风险具有重要意义。
阻塞性睡眠呼吸暂停发生风险预测方法，通过氨基酸预测新发阻塞性睡眠呼吸暂停的风险，揭示了氨基酸与阻塞性睡眠呼吸暂停之间的影响关系和作用效果，具有重要的临床应用价值和公共卫生价值，可以为患者提供更准确的诊断、治疗和健康管理建议，从而提高患者的生活质量和整体健康状况。
基于此可以进一步探索不同氨基酸及其生物活性如何影响阻塞性睡眠呼吸暂停的发生和发展，以揭示潜在的病理生理机制。此外，可以评估氨基酸多样性评分在不同人群中的适用性和预测准确性，以促进其在临床实践中的应用和推广。从而制定针对性的健康促进计划和预防策略，降低阻塞性睡眠呼吸暂停的发生率，提高公众的健康水平和生活质量。
进一步地，如图10所示，在一个可选的实施例中，预测阻塞性睡眠呼吸暂停发生风险的***还包括输入设备、输出设备以及处理器，其中，所述输入设备、所述处理器、所述存储器和所述输出设备相互连接，以实现信息交互和数据处理。
在本实施例中，所述输入设备用于向本***提供输入相关数据或指令。在预测阻塞性睡眠呼吸暂停发生风险的***中，输入设备可以包括键盘、鼠标、触摸屏等常见的人机交互界面设备。通过输入设备，医生或研究人员可以输入待评估者的特征基因表达数据、相关临床信息或其他必要的输入参数。
所述处理器是***的核心组件，负责执行计算机程序指令，进行数据处理和分析。在预测阻塞性睡眠呼吸暂停发生风险的***中，处理器通过运行预先编程的算法和模型，对输入的氨基酸进行分析和解释，计算待评估者的阻塞性睡眠呼吸暂停风险程度。处理器可以是中央处理器（CPU）、图形处理器（GPU）或其他专用的处理单元。
所述存储器用于存储***所需的计算机程序、数据和参数。它可以包括随机存取存储器（RAM）用于临时数据存储和处理，以及持久性存储器（如硬盘或固态硬盘）用于长期存储和保存数据。在预测阻塞性睡眠呼吸暂停发生风险的***中，存储器可以存储高特定氨基酸集、特征氨基酸相关预测模型、预测分析结果以及待评估者的特征氨基酸分数结果等。
所述输出设备用于向用户或外部设备呈现***处理和分析的结果。在预测阻塞性睡眠呼吸暂停发生风险的***中，输出设备可以是显示器、打印机、图表绘制设备等。通过输出设备，***可以展示预测评估结果，如预测分数等级或其他相关信息。这些结果可以供医生、研究人员或患者参考，以辅助决策和沟通。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (5)
1.一种预测阻塞性睡眠呼吸暂停发生风险的***，所述预测阻塞性睡眠呼吸暂停发生风险的***包括计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下步骤：
获取阻塞性睡眠呼吸暂停发生风险的预测数据，所述预测数据来源于未被诊断为阻塞性睡眠呼吸暂停的人群；
对所述预测数据进行高通量代谢生物标志物分析，得到血浆氨基酸水平；
基于所述血浆氨基酸水平分析不同氨基酸水平与阻塞性睡眠呼吸暂停风险的影响关系，并根据所述影响关系选取出多种氨基酸作为评分参数；
根据所述影响关系分析所述评分参数对阻塞性睡眠呼吸暂停风险的作用效果；
根据所述作用效果设置评分参数的水平区间，基于所述水平区间对个体阻塞性睡眠呼吸暂停发生风险进行评分，并预测阻塞性睡眠呼吸暂停的发生风险；
所述根据所述影响关系选取出多种氨基酸作为评分参数，包括如下步骤：
根据所述影响关系选取组氨酸作为第一评分参数；
根据所述影响关系选取酪氨酸作为第二评分参数；
根据所述影响关系选取异亮氨酸作为第三评分参数；
根据所述影响关系选取缬氨酸作为第四评分参数；
根据所述影响关系选取谷氨酰胺作为第五评分参数；
根据所述影响关系选取甘氨酸作为第六评分参数；
根据所述影响关系选取苯丙氨酸作为第七评分参数；
所述根据所述作用效果设置评分参数的水平区间，包括如下步骤：
结合所述评分参数和所述作用效果将评分参数的氨基酸水平四等分；
根据所述氨基酸水平四等分的结果设置各评分参数的水平区间；
所述基于所述水平区间对个体阻塞性睡眠呼吸暂停发生风险进行评分，并预测阻塞性睡眠呼吸暂停的发生风险，包括如下步骤：
依据所述水平区间和所述作用效果获得各评分参数的评分结果；
根据所述评分结果预测个体阻塞性睡眠呼吸暂停的发生风险；
所述依据所述水平区间和所述作用效果获得各评分参数的评分结果，包括如下步骤：
根据所述评分参数和所述水平区间设置多样性评分模型；
依据所述多样性评分模型获得各评分参数的评分结果。
2.根据权利要求1所述的预测阻塞性睡眠呼吸暂停发生风险的***，其特征在于，所述基于所述血浆氨基酸水平分析不同氨基酸水平与阻塞性睡眠呼吸暂停风险的影响关系包括：
分析所述血浆氨基酸水平与阻塞性睡眠呼吸暂停风险的相关性，所述相关性包括正相关性、负相关性以及无显著关联性；
根据所述相关性分析不同氨基酸水平对阻塞性睡眠呼吸暂停风险的影响关系。
3.根据权利要求1所述的预测阻塞性睡眠呼吸暂停发生风险的***，其特征在于，所述根据所述影响关系分析所述评分参数对阻塞性睡眠呼吸暂停风险的作用效果包括：
依据所述影响关系设置阻塞性睡眠呼吸暂停风险的分析规则；
基于所述分析规则和所述影响关系得到不同氨基酸水平对阻塞性睡眠呼吸暂停风险的作用效果。
4.根据权利要求1所述的预测阻塞性睡眠呼吸暂停发生风险的***，其特征在于，所述多样性评分模型，满足如下关系：
，
其中，表示多样性评分结果，n表示评分参数的数量，/>表示评分参数的评分结果。
5.根据权利要求4所述的预测阻塞性睡眠呼吸暂停发生风险的***，其特征在于，所述多样性评分模型其中包括：
所述参数的评分结果，若评分参数达标记为1，若评分参数不达标记为0；
表示第一评分参数的评分结果，若符合组氨酸的安全水平区间，此评分参数达标；
表示第二评分参数的评分结果，若符合酪氨酸的安全水平区间，此评分参数达标；
表示第三评分参数的评分结果，若符合异亮氨酸的安全水平区间，此评分参数达标/>；
表示第四评分参数的评分结果，若符合缬氨酸的安全水平区间，此评分参数达标；
表示第五评分参数的评分结果，若符合谷氨酰胺的安全水平区间，此评分参数达标/>；
表示第六评分参数的评分结果，若符合甘氨酸的安全水平区间，此评分参数达标；
表示第七评分参数的评分结果，若符合苯丙氨酸的安全水平区间，此评分参数达标/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311686767.XA CN117747100B (zh) | 2023-12-11 | 2023-12-11 | 一种预测阻塞性睡眠呼吸暂停发生风险的*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311686767.XA CN117747100B (zh) | 2023-12-11 | 2023-12-11 | 一种预测阻塞性睡眠呼吸暂停发生风险的*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117747100A CN117747100A (zh) | 2024-03-22 |
| CN117747100B true CN117747100B (zh) | 2024-05-14 |
Family
ID=90258526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311686767.XA Active CN117747100B (zh) | 2023-12-11 | 2023-12-11 | 一种预测阻塞性睡眠呼吸暂停发生风险的*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117747100B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106073722A (zh) * | 2016-08-30 | 2016-11-09 | 孟玲 | 用于监测睡眠呼吸暂停综合症的健康分析*** |
| WO2020027392A1 (ko) * | 2018-08-01 | 2020-02-06 | 서울대학교병원 | 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 |
| WO2020197153A1 (ko) * | 2019-03-25 | 2020-10-01 | 삼성전자 주식회사 | 폐쇄성 수면 무호흡 위험도 선별을 위한 전자 장치 및 그것의 동작 방법 |
| CN112420196A (zh) * | 2020-11-20 | 2021-02-26 | 长沙市弘源心血管健康研究院 | 急性心肌梗死患者5年内生存率的预测方法和*** |
| CN113409944A (zh) * | 2021-06-25 | 2021-09-17 | 清华大学深圳国际研究生院 | 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 |
| CN113488170A (zh) * | 2021-07-02 | 2021-10-08 | 温州医科大学 | 急性前葡萄膜炎复发风险预测模型构建方法及相关设备 |
| CN113520343A (zh) * | 2020-04-17 | 2021-10-22 | 华为技术有限公司 | 睡眠风险预测方法、装置和终端设备 |
| WO2022036053A2 (en) * | 2020-08-13 | 2022-02-17 | Mirvie, Inc. | Methods and systems for determining a pregnancy-related state of a subject |
| CN114068021A (zh) * | 2021-11-12 | 2022-02-18 | 南京安睡科技有限公司 | 预测痴呆风险的风险因素组合及其构建而成的痴呆风险评分预测模型 |
| CN114334148A (zh) * | 2021-12-27 | 2022-04-12 | 中国人民解放军总医院第二医学中心 | 用于在手术前评估受试者肝切除术后并发症风险的*** |
| CN114694845A (zh) * | 2022-04-02 | 2022-07-01 | 南方医科大学南方医院 | 基于临床及病理指标的肾小球疾病预后预测***、装置和介质 |
| KR20220096373A (ko) * | 2020-12-31 | 2022-07-07 | 아주대학교산학협력단 | 수면 무호흡 위험의 예측 방법 및 장치 |
| IL280496A (en) * | 2021-01-28 | 2022-08-01 | Yeda Res & Dev | Artificial intelligence for predicting laboratory test results |
| KR102451624B1 (ko) * | 2021-10-05 | 2022-10-11 | 연세대학교 산학협력단 | 수면 무호흡증 인자를 고려한 심혈관 질환 위험도 분석 시스템 및 그 방법 |
| CN115527676A (zh) * | 2022-10-13 | 2022-12-27 | 四川大学华西医院 | 一种osa发病风险评估方法及*** |
| CN115840050A (zh) * | 2021-09-18 | 2023-03-24 | 四川大学 | 检测代谢标志物的试剂在制备睡眠障碍筛查或诊断产品中的用途 |
| CN116798632A (zh) * | 2023-07-13 | 2023-09-22 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于代谢基因的胃癌分子分型及预后预测模型构建方法及应用 |
| CN117012390A (zh) * | 2023-08-03 | 2023-11-07 | 遵义医科大学附属医院 | 一种结核性脑膜炎死亡风险评估模型、构建方法、***和装置 |
| CN117064333A (zh) * | 2023-08-01 | 2023-11-17 | 大连市中心医院 | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016197053A1 (en) * | 2015-06-05 | 2016-12-08 | Beckman Coulter, Inc. | Obstructive sleep apnea (osa) biomarker panel |
| US20220254461A1 (en) * | 2017-02-09 | 2022-08-11 | Cognoa, Inc. | Machine learning algorithms for data analysis and classification |
-
2023
- 2023-12-11 CN CN202311686767.XA patent/CN117747100B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106073722A (zh) * | 2016-08-30 | 2016-11-09 | 孟玲 | 用于监测睡眠呼吸暂停综合症的健康分析*** |
| WO2020027392A1 (ko) * | 2018-08-01 | 2020-02-06 | 서울대학교병원 | 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 |
| WO2020197153A1 (ko) * | 2019-03-25 | 2020-10-01 | 삼성전자 주식회사 | 폐쇄성 수면 무호흡 위험도 선별을 위한 전자 장치 및 그것의 동작 방법 |
| CN113520343A (zh) * | 2020-04-17 | 2021-10-22 | 华为技术有限公司 | 睡眠风险预测方法、装置和终端设备 |
| WO2022036053A2 (en) * | 2020-08-13 | 2022-02-17 | Mirvie, Inc. | Methods and systems for determining a pregnancy-related state of a subject |
| CN112420196A (zh) * | 2020-11-20 | 2021-02-26 | 长沙市弘源心血管健康研究院 | 急性心肌梗死患者5年内生存率的预测方法和*** |
| KR20220096373A (ko) * | 2020-12-31 | 2022-07-07 | 아주대학교산학협력단 | 수면 무호흡 위험의 예측 방법 및 장치 |
| IL280496A (en) * | 2021-01-28 | 2022-08-01 | Yeda Res & Dev | Artificial intelligence for predicting laboratory test results |
| CN113409944A (zh) * | 2021-06-25 | 2021-09-17 | 清华大学深圳国际研究生院 | 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 |
| CN113488170A (zh) * | 2021-07-02 | 2021-10-08 | 温州医科大学 | 急性前葡萄膜炎复发风险预测模型构建方法及相关设备 |
| CN115840050A (zh) * | 2021-09-18 | 2023-03-24 | 四川大学 | 检测代谢标志物的试剂在制备睡眠障碍筛查或诊断产品中的用途 |
| KR102451624B1 (ko) * | 2021-10-05 | 2022-10-11 | 연세대학교 산학협력단 | 수면 무호흡증 인자를 고려한 심혈관 질환 위험도 분석 시스템 및 그 방법 |
| CN114068021A (zh) * | 2021-11-12 | 2022-02-18 | 南京安睡科技有限公司 | 预测痴呆风险的风险因素组合及其构建而成的痴呆风险评分预测模型 |
| CN114334148A (zh) * | 2021-12-27 | 2022-04-12 | 中国人民解放军总医院第二医学中心 | 用于在手术前评估受试者肝切除术后并发症风险的*** |
| CN114694845A (zh) * | 2022-04-02 | 2022-07-01 | 南方医科大学南方医院 | 基于临床及病理指标的肾小球疾病预后预测***、装置和介质 |
| CN115527676A (zh) * | 2022-10-13 | 2022-12-27 | 四川大学华西医院 | 一种osa发病风险评估方法及*** |
| CN116798632A (zh) * | 2023-07-13 | 2023-09-22 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于代谢基因的胃癌分子分型及预后预测模型构建方法及应用 |
| CN117064333A (zh) * | 2023-08-01 | 2023-11-17 | 大连市中心医院 | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 |
| CN117012390A (zh) * | 2023-08-03 | 2023-11-07 | 遵义医科大学附属医院 | 一种结核性脑膜炎死亡风险评估模型、构建方法、***和装置 |
Non-Patent Citations (12)
| Title |
|---|
| Multimodal Hydrogel-Based Respiratory Monitoring System for Diagnosing Obstructive Sleep Apnea Syndrome;Liu Jing，等;ADVANCED FUNCTIONAL MATERIALS;20220731;第32卷(第40期);1-12 * |
| Relationship of serum 25-hydroxyvitamin D, obesity with new-onset obstructive sleep apnea;Zhang Yuanyuan，等;INTERNATIONAL JOURNAL OF OBESITY;20231119;218-22 * |
| Review of Application of Machine Learning as a Screening Tool for Diagnosis of Obstructive Sleep Apnea;Aiyer Ishan，等;MEDICINA-LITHUANIA;20221122;第58卷(第11期);1-10 * |
| The effect of obstructive sleep apnea on peripheral blood amino acid and biogenic amine metabolome at multiple time points overnight;Kiens Ott，等;SCIENTIFIC REPORTS;20210627;第11卷(第1期);1-10 * |
| The evaluation of Nesfatin-1 levels in patients with OSAS associated with metabolic syndrome;Aksu O，等;JOURNAL OF ENDOCRINOLOGICAL INVESTIGATION;20150422;第38卷(第4期);463-469 * |
| 健康管理对阻塞性睡眠呼吸暂停综合征空勤人员睡眠及疗养满意率的影响分析;厉海燕;许秀娟;;心理月刊;20200225(第04期);69 * |
| 睡眠呼吸暂停的人工智能分析;张少杰，等;生物物理学;20200229;第8卷(第1期);1-17 * |
| 老年阻塞性睡眠呼吸暂停低通气综合征患者冠心病发病风险的调查;林文婷;曾敏;陈积雄;何扬利;蒙绪卿;符秀虹;;中华老年心脑血管病杂志;20201231(第02期);47-49 * |
| 赵家军，彭永德.《***内分泌学 下》.中国科学技术出版社,2021,1439-1440. * |
| 阻塞性睡眠呼吸暂停低通气综合征动物模型大鼠小脑和海马组织中谷氨酸水平的变化;徐轶;李向阳;单琳;;中国医学前沿杂志(电子版);20181220(第12期);31-34 * |
| 阻塞性睡眠呼吸暂停综合征和高血压的相关性;陈晓毅，等;深圳中西医结合杂志;20210615;第31卷(第11期);29-31 * |
| 阻塞性睡眠呼吸暂停综合症的代谢组学和微生物组学标志物综述;张小曼，等;中国睡眠研究会第十四届全国学术年会论文汇编;20220902;1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117747100A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wolff-Hughes et al. | Total activity counts and bouted minutes of moderate-to-vigorous physical activity: relationships with cardiometabolic biomarkers using 2003–2006 NHANES | |
| Rattanachaiwong et al. | Comparison of nutritional screening and diagnostic tools in diagnosis of severe malnutrition in critically ill patients | |
| JP2009535644A (ja) | バイオマーカーを使用して疾患状況を同定するための方法および装置 | |
| Park et al. | Validity of muscle-to-fat ratio as a predictor of adult metabolic syndrome | |
| Ridwan et al. | Peak expiratory flow rate and sarcopenia risk in older Indonesian people: A nationwide survey | |
| Tan et al. | Associations between perceived stress and BMI and waist circumference in Chinese adults: data from the 2015 China Health and Nutrition Survey | |
| An et al. | Body fat is related to sedentary behavior and light physical activity but not to moderate-vigorous physical activity in type 2 diabetes mellitus | |
| He et al. | Prevalence and factors influencing sarcopenia among community-dwelling older adults using the Asian Working Group for Sarcopenia Definition | |
| Koskela et al. | Longitudinal HRQoL shows divergent trends and identifies constant decliners in asthma and COPD | |
| CN117747100B (zh) | 一种预测阻塞性睡眠呼吸暂停发生风险的*** | |
| Ravindran et al. | Three contactless sleep technologies compared with Actigraphy and polysomnography in a heterogeneous Group of Older men and Women in a model of mild sleep disturbance: Sleep laboratory study | |
| Saengmolee et al. | Consumer-grade brain measuring sensor in people with long-term kratom consumption | |
| Jeon et al. | Association of Metabolic Syndrome with COVID-19 in the Republic of Korea | |
| Du et al. | Development of a Practical Screening Tool to Predict Sarcopenia in Patients on Maintenance Hemodialysis | |
| Lee et al. | The association of Sasang constitutional types with metabolic syndrome: a pooled analysis of data from three cohorts | |
| Aggarwal et al. | Validation of a Hindi translation of Mini Asthma Quality of Life Questionnaire in north Indian patients with bronchial asthma | |
| Wei et al. | The relationship between Internet addiction and internalizing problems in overweight/obese adolescents: A moderated mediation model | |
| RU2611900C1 (ru) | Способ прогнозирования риска развития сахарного диабета 2 типа | |
| Puig-Navarro et al. | S23. EFFICACY OF COGNITIVE-BEHAVIORAL SOCIAL SKILLS TRAINING IMPROVING SYMPTOMS AND FUNCTIONING IN PATIENTS WITH EARLY-ONSET PSYCHOSIS: A RANDOMIZED CONTROLLED TRAIL | |
| G Ravindran et al. | Three Contactless Sleep Technologies Compared With Actigraphy and Polysomnography in a Heterogeneous Group of Older Men and Women in a Model of Mild Sleep Disturbance: Sleep Laboratory Study | |
| CN117690587A (zh) | 一种基于氨基酸的胰腺癌发生风险预测***及存储介质 | |
| Wang et al. | Depression Status and Longitudinal Changes in Serum Uric Acid Concentration in Chinese Adults | |
| CN118098621B (zh) | 一种中西医结合病症动物模型数据获取***及其处理方法 | |
| Tousi et al. | Comparison of Nearest Neighbor and Caliper Algorithms in Outcome Propensity Score Matching to Study the Relationship between Type 2 Diabetes and Coronary Artery Disease | |
| Suda et al. | Prediction and predictor elucidation of metabolic syndrome onset among young workers using machine learning techniques: A nationwide study in Japan |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |