一种基于代谢组学的脓毒症预后模型建立方法技术

本发明专利技术公开了一种基于代谢组学的脓毒症预后模型建立方法，属于医疗大数据技术领域，包括通过液相色谱/质谱法检测所纳入患者的血浆代谢物变化，然后，使用脓毒症诊断后24h内的差异代谢物和临床指标进行多因素logistic回归建模，建立脓毒症预后模型，解决了通过液相色谱/质谱法检测所纳入患者的血浆代谢物变化，使用脓毒症诊断后24h内的差异代谢物和临床指标进行多因素logistic回归建模的技术问题，本发明专利技术将血浆代谢物作为重要因素构建预后模型，使预后模型对数据的灵敏度提高，从而提高了预后模型的数据价值。高了预后模型的数据价值。高了预后模型的数据价值。

【技术实现步骤摘要】
一种基于代谢组学的脓毒症预后模型建立方法


[0001]本专利技术属于医疗大数据
，涉及一种基于代谢组学的脓毒症预后模型建立方法。

技术介绍

[0002]脓毒症(Sepsis)是宿主对感染的反应失调而导致危及生命的器官功能障碍的综合征，一旦发病，进展十分迅速。尽管过去几年关于脓毒症的诊断和治疗已取得巨大进步，但脓毒症的发病率和病死率仍居高不下。此外，与脓毒症相关医疗及护理的费用也在逐年上升，例如，在美国每年治疗脓毒症花费超过240亿美元。大量研究表明，及时判断脓毒症患者预后并精准治疗能够显著降低患者的病死率，改善患者的预后。因此，对于脓毒症患者的预后做出及时准确的判断变得尤为重要。目前在临床上，有一些生物标志物，如降钙素原(procalcitonin,PCT)、C反应蛋白(Creactive protein，CRP)、白介素
‑
6(interleukin
‑
6,IL
‑
6)等，可用于脓毒症患者的预后监测，但由于其特异性不强或敏感性不高而受到限制。因此，迫切需要找到一种可用于监测脓毒症患者预后的新方法。
[0003]代谢组学是一个快速发展的生命科学领域，它使用先进的分析化学技术结合复杂的统计方法来全面表征代谢组。代谢组是指在给定的细胞、器官、生物流体或生物体中发现的代谢物或小分子化学物质的完整集合。代谢物包括脂类、氨基酸、核酸、糖、有机酸等内源性化合物，它们对生长、发育和许多关键生理功能至关重要。与其他组学技术不同的是，代谢组学可以直接反映出某一时间段内生物体内细胞的状态和生化活动。近些年来，代谢组学在生物医学的应用也越来越多，例如鉴定生物标志物、鉴定新型药物活性或药物毒性中代谢途径的变化。当周边环境改变或机体遗传修饰改变，则机体代谢物质也会随之变化，这种特性为寻找疾病的生物标志物、探索病理生理机制和研究相关代谢通路提供新思路。

技术实现思路

[0004]本专利技术为解决上述技术问题，本专利技术的目的是提供一种基于代谢组学的脓毒症预后模型建立方法，解决了通过液相色谱/质谱法检测所纳入患者的血浆代谢物变化，使用脓毒症诊断后24h内的差异代谢物和临床指标进行多因素logistic回归建模的技术问题。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于代谢组学的脓毒症预后模型建立方法，包括通过LC/MS方法对数名脓毒症患者诊断后的24小时内的血浆样本分别进行检测和分析，通过数据采集服务器采集血浆样本的分析结果；分析结果包括血浆样本的VIP值、FC值和P值；
[0007]数据采集服务器对分析结果进行筛选，根据患者的状况将分析结果分为存活组和死亡组，并筛选得到存活组和死亡组之间的差异代谢物数据；
[0008]数据采集服务器获取患者的电子临床数据，对电子临床数据进行单因素分析，筛选出存活组和死亡组之间差异具有统计学意义的临床指标数据；
[0009]数据采集服务器将临床指标数据和差异代谢物数据均发送给数据中心进行处理，
数据中心形成历史数据集，并将历史数据集中的数据划分为28天结局指标、院内结局指标和90天结局指标，28天数据包括存活组28天数据28ds和死亡组28天数据28dD，院内数据包括存活组院内数据数据HOS
‑
survival和死亡组院内数据HOS
‑
death，90天数据包括存活组90天数据数据90dS和死亡组90天数据90dD；
[0010]数据中心根据历史数据集中的临床指标数据和差异代谢物数据，根据28天数据、院内数据和90天数据分别构建预后模型：
[0011]以28天结局指标为因变量，选择28d的13种差异代谢物和单因素分析中差异具有统计学意义的7种临床指标为自变量进行多因素Logistic回归分析,筛选出Indoleacetic acid、3
‑
Methylene
‑
indolenine、HR、Respiratory support和Application of pressor drugs为最佳变量组合，根据以下公式构建预后模型PRE：
[0012]PRE＝1
÷
(1+EXP(
‑
(
‑
10.44+0.605
×
Indoleacetic acid+0.615
×3‑
Methylene
‑
indolenine+0.03
×
HR+1.88
×
Respiratory support+1.835
×
Application of pressor drugs)))；
[0013]以院内结局指标为因变量，选择院内的4种差异代谢物和单因素分析中差异具有统计学意义的10种临床指标为自变量进行多因素Logistic回归分析,筛选出Lymph#、ALP、SOFA和L
‑
alpha
‑
Amino
‑
1H
‑
pyrrole
‑1‑
hexanoic
‑
acid为最佳变量组合，根据以下公式构建预后模型PRE：
[0014]PRE＝1
÷
(1+EXP(
‑
(
‑
3.424+1.307
×
Lymph#
‑
0.01
×
ALP+0.182
×
SOFA+0.551
×
L
‑
alpha
‑
Amino
‑
1H
‑
pyrrole
‑1‑
hexanoic
‑
acid)))；
[0015]以90d结局指标为因变量，选择90d的27种差异代谢物和单因素分析中差异具有统计学意义的9种临床指标为自变量进行多因素Logistic回归分析，筛选出Pyrrolidine、Dopamine、HR、Respiratory support和Appl ication of pressor drugs为最佳变量组合，根据以下公式构建预后模型PRE：
[0016]PRE＝1
÷
(1+EXP(
‑
(
‑
11.403
‑
3.983
×
Pyrrol idine+5.613
×
Dopamine+0.025
×
HR+2.499
×
Respiratory support+1.72
×
Application of pressor drugs)))。
[0017]优选的，数据采集服务器采集血浆样本的分析结果包含了收集纳入临床研究的脓毒症患者的28天、院内和90天的结局数据，共分为三个数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于代谢组学的脓毒症预后模型建立方法，其特征在于：包括通过LC/MS方法对数名脓毒症患者诊断后的24小时内的血浆样本分别进行检测和分析，通过数据采集服务器采集血浆样本的分析结果；分析结果包括血浆样本的VIP值、FC值和P值；数据采集服务器对分析结果进行筛选，根据患者的状况将分析结果分为存活组和死亡组，并筛选得到存活组和死亡组之间的差异代谢物数据；数据采集服务器获取患者的电子临床数据，对电子临床数据进行单因素分析，筛选出存活组和死亡组之间差异具有统计学意义的临床指标数据；数据采集服务器将临床指标数据和差异代谢物数据均发送给数据中心进行处理，数据中心形成历史数据集，并将历史数据集中的数据划分为28天结局指标、院内结局指标和90天结局指标，28天数据包括存活组28天数据28ds和死亡组28天数据28dD，院内数据包括存活组院内数据数据HOS
‑
survival和死亡组院内数据HOS
‑
death，90天数据包括存活组90天数据数据90dS和死亡组90天数据90dD；数据中心根据历史数据集中的临床指标数据和差异代谢物数据，根据28天数据、院内数据和90天数据分别构建预后模型：以28天结局指标为因变量，选择28d的13种差异代谢物和单因素分析中差异具有统计学意义的7种临床指标为自变量进行多因素Logistic回归分析,筛选出Indoleacetic acid、3
‑
Methylene
‑
indolenine、HR、Respiratory support和Application of pressor drugs为最佳变量组合，根据以下公式构建预后模型PRE：PRE＝1
÷
(1+EXP(
‑
(
‑
10.44+0.605
×
Indoleacetic acid+0.615
×3‑
Methylene
‑
indolenine+0.03
×
HR+1.88
×
Respiratory support+1.835
×
Application of pressor drugs)))；以院内结局指标为因变量，选择院内的4种差异代谢物和单因素分析中差异具有统计学意义的10种临床指标为自变量进行多因素Logistic回归分析,筛选出Lymph#、ALP、SOFA和L
‑
alpha
‑
Amino
‑
1H
‑
pyrrole
‑1‑
hexanoic
‑
acid为最佳变量组合，根据以下公式构建预后模型PRE：PRE＝1
÷
(1+EXP(
‑
(
‑
3.424+1.307
×
Lymph#
‑
0.01
×
A...

【专利技术属性】
技术研发人员：丁显飞，仝然，孙同文，
申请(专利权)人：郑州大学第一附属医院，
类型：发明
国别省市：