【技术实现步骤摘要】
本专利技术涉及风险预测模型，具体为一种预测卵巢功能下降风险的模型。
技术介绍
1、卵巢位于女性盆腔内，为成对的实质性器官，卵巢属女性性腺，呈扁卵圆形，卵巢的主要功能是产生和排出卵细胞，分泌性激素，以促进女性性征的发育并维持之，一般而言，左、右卵巢每月交替排出一成熟卵子，卵巢功能反映女性的生殖内分泌功能，卵巢功能低下在生育期常见于卵巢储备功能下降、卵巢早衰等疾病，这类疾病严重影响了女性的妊娠率，而对卵巢功能产生影响的因素有多种，包括年龄、是否有遗传病史、生活习惯等等，各种因素共同作用于卵巢，对卵巢的功能产生影响。
2、目前临床针对卵巢功能的评估方法通常有以下几类，通过测定血清中的促卵泡生成素（fsh）、促黄体生成素（lh）、雌二醇（e2）、抗苗勒氏管激素（amh）等激素水平来评估卵巢功能；通过经阴道超声测量卵巢的大小、窦卵泡计数等，但临床检测的方法对卵巢功能的测定具有一定的波动性，单次检测结果有时不能完全准确反映卵巢的长期功能状态，可能需要多次检测进行综合判断，并且检测的过程较为繁琐，不便于快速针对患者情况对卵巢功能进行判断。
技术实现思路
1、本专利技术的目的在于提供一种预测卵巢功能下降风险的模型，以解决上述
技术介绍
中提出临床检测评估卵巢功能的过程较为繁琐，从而不便于根据自身情况快速判断卵巢功能的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种预测卵巢功能下降风险的模型，所述预测模型包括危险因素，所述危险因素根据logistic回归方程计算风险概
3、优选的，危险因素包括年龄、体质指数、遗传病史、医源性损伤、内分泌激素、服药史、自身免疫因素以及同种免疫因素，上述所述危险因素依次标记为x1、x2、x3、x4、x5、x6，x7，x8。所述危险因素与标记的对应关系如下：年龄x1、体质指数x2、遗传病史x3、医源性损伤x4、内分泌激素x5、服药史x6，自身免疫因素x7和同种免疫因素x8。
4、采用上述技术方案，通过设置多个危险因素对卵巢的功能进行多参数预测，确保预测模型针对不同个体的特异性预测。
5、优选的，所述预测模型的logistic回归的各个危险因素的系数以及常数量均使用spss估算得出，计算出的所述危险因素的系数依次标记为年龄β1、体质指数β2、遗传病史β3、医源性损伤β4、内分泌激素β5、服药史β6、自身免疫因素β7和同种免疫因素β8，所述logistic回归的常数量标记为k。
6、采用上述技术方案，基于logistic回归方程构建预测模型的计算公式，通过预测模型实现对多参数影响下的卵巢功能进行预测。
7、优选的，针对每个所述危险因素分别设置一个基准风险值d，以基准风险值起始点，以di为递增梯度，将所述危险因素进行递增，计算得出每个所述危险因素的风险得分，所述风险得分记为c，所述基准风险值d的风险得分记为0，每个所述di的递增梯度风险得分加1。
8、采用上述技术方案，利用基准风险值d可以判断各个危险因素的风险得分，从而根据风险得分计算得出卵巢功能的下降程度。
9、优选的，所述预测模型的各个危险因素风险得分和由下述公式计算：
10、
11、其中所述危险因素xi的风险得分c由下述公式计算：
12、
13、所述预测模型中卵巢功能下降风险概率p由下述公式计算：
14、。
15、采用上述技术方案，利用预测模型中的各个计算公式可以计算得出不同个体条件下的卵巢功能下降风险，以及各个条件下的卵巢功能下降概率。
16、优选的，所述预测模型的构建维护步骤如下：
17、数据收集处理步骤：根据临床病例数据，收集足够多的卵巢数据样本，将收集的样本数据进行清理，处理缺失值，异常值以及错误数据，处理后样本数据75%用于构建模型，25%用于评估训练模型；
18、参数确定步骤：利用75%的样本数据计算得出每个危险因素的系数βi，以及logistic回归常数量k，根据临床数据进行估算，确定每个危险因素的基准风险值d以及递增梯度di；
19、模型代入步骤：将上述参数代入预测模型的计算公式内；
20、模型评估训练步骤：将25%的样本数据中各个危险因素利用预测模型进行卵巢功能下降概率计算，得出的结果与样本数据比对分析；
21、模型优化步骤：根据比对结果对预测模型的各项参数进行修正，修正后再次使用样本数据进行重复评估训练。
22、采用上述技术方案，利用样本数据对构建出的预测模型可以进行评估训练，通过预测模型结果与样本数据的比对，可以对预测模型内的各个参数进行修正，保证预测模型的准确度。
23、与现有技术相比，本专利技术的有益效果是：该预测卵巢功能下降风险的模型：
24、1.本专利技术中，通过以logistic回归方程为基础，引入影响卵巢功能的多个危险因素，根据危险因素与卵巢功能之间的线性回归关系，辅以大量的临床数据样本，构建卵巢功能预测模型，通过预测模型的计算，可以得出不同条件的群体卵巢功能下降的风险得分以及风险概率，利用数据样本代入预测模型内，得出的结果与数据样本进行比对，通过比对结果对预测模型内的各项参数进行不断的修正迭代，增加预测模型的准确性和稳定性；
25、2.本专利技术中的预测模型，使得患者可以快速了解自身的卵巢健康风险状况，增强自我保健意识，积极采取健康的生活方式和定期检查，辅助临床决策，有助于在疾病早期甚至症状出现之前，发现潜在的卵巢病变风险，为早期干预和治疗提供可能，并且预测模型设置多危险因素影响，从而使得预测模型可以根据个体的特定危险因素，如遗传因素、生活方式、激素水平等，提供个性化的预防和监测建议，提高医疗的针对性和有效性。
本文档来自技高网...【技术保护点】
1.一种预测卵巢功能下降风险的模型，其特征在于：所述预测模型包括危险因素，所述危险因素根据logistic回归方程计算风险概率。
2.根据权利要求1所述的一种预测卵巢功能下降风险的模型，其特征在于：危险因素包括年龄、体质指数、遗传病史、医源性损伤、内分泌激素、服药史、自身免疫因素以及同种免疫因素，上述所述危险因素依次标记为X1、X2、X3、X4、X5、X6，X7，X8。所述危险因素与标记的对应关系如下：年龄X1、体质指数X2、遗传病史X3、医源性损伤X4、内分泌激素X5、服药史X6，自身免疫因素X7和同种免疫因素X8。
3.根据权利要求1所述的一种预测卵巢功能下降风险的模型，其特征在于：所述预测模型的logistic回归的各个危险因素的系数以及常数量均使用SPSS估算得出，计算出的所述危险因素的系数依次标记为年龄β1、体质指数β2、遗传病史β3、医源性损伤β4、内分泌激素β5、服药史β6、自身免疫因素β7和同种免疫因素β8，所述logistic回归的常数量标记为K。
4.根据权利要求1所述的一种预测卵巢功能下降风险的模型，其特征在于：针对每个所
5.根据权利要求1所述的一种预测卵巢功能下降风险的模型，其特征在于：所述预测模型的各个危险因素风险得分和由下述公式计算：
6.根据权利要求1所述的一种预测卵巢功能下降风险的模型，其特征在于：所述预测模型的构建维护步骤如下：
...【技术特征摘要】
1.一种预测卵巢功能下降风险的模型，其特征在于：所述预测模型包括危险因素，所述危险因素根据logistic回归方程计算风险概率。
2.根据权利要求1所述的一种预测卵巢功能下降风险的模型，其特征在于：危险因素包括年龄、体质指数、遗传病史、医源性损伤、内分泌激素、服药史、自身免疫因素以及同种免疫因素，上述所述危险因素依次标记为x1、x2、x3、x4、x5、x6，x7，x8。所述危险因素与标记的对应关系如下：年龄x1、体质指数x2、遗传病史x3、医源性损伤x4、内分泌激素x5、服药史x6，自身免疫因素x7和同种免疫因素x8。
3.根据权利要求1所述的一种预测卵巢功能下降风险的模型，其特征在于：所述预测模型的logistic回归的各个危险因素的系数以及常数量均使用spss估算得出，计算出的所述危险因素的系数依...
【专利技术属性】
技术研发人员：张碧云，钟兴明，崔蓉，王晓霞，
申请(专利权)人：广东省生殖科学研究所广东省生殖医院，
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。