CN111816245B - 结合mNGS和临床知识库的病原微生物检测方法及系统 - Google Patents
结合mNGS和临床知识库的病原微生物检测方法及系统 Download PDFInfo
- Publication number
- CN111816245B CN111816245B CN202010700387.7A CN202010700387A CN111816245B CN 111816245 B CN111816245 B CN 111816245B CN 202010700387 A CN202010700387 A CN 202010700387A CN 111816245 B CN111816245 B CN 111816245B
- Authority
- CN
- China
- Prior art keywords
- pathogenic microorganism
- pathogenic
- sets
- knowledge base
- positive
- 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
- 244000000010 microbial pathogen Species 0.000 title claims abstract description 276
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 93
- 208000015181 infectious disease Diseases 0.000 claims description 30
- 230000001717 pathogenic effect Effects 0.000 claims description 30
- 208000024891 symptom Diseases 0.000 claims description 28
- 201000010099 disease Diseases 0.000 claims description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 22
- 230000007918 pathogenicity Effects 0.000 claims description 21
- 206010059866 Drug resistance Diseases 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000002558 medical inspection Methods 0.000 claims description 10
- 239000013610 patient sample Substances 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000012790 confirmation Methods 0.000 abstract 1
- 244000005700 microbiome Species 0.000 description 15
- 108090000623 proteins and genes Proteins 0.000 description 12
- 244000052769 pathogen Species 0.000 description 9
- 241000894006 Bacteria Species 0.000 description 7
- 241000700605 Viruses Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 241000233866 Fungi Species 0.000 description 2
- 208000032376 Lung infection Diseases 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 108020004465 16S ribosomal RNA Proteins 0.000 description 1
- 108020004463 18S ribosomal RNA Proteins 0.000 description 1
- 241000606161 Chlamydia Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000204031 Mycoplasma Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 102000029797 Prion Human genes 0.000 description 1
- 108091000054 Prion Proteins 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 208000036071 Rhinorrhea Diseases 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- 241000606701 Rickettsia Species 0.000 description 1
- 241000589970 Spirochaetales Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 208000017574 dry cough Diseases 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 230000008261 resistance mechanism Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 206010041232 sneezing Diseases 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/30—Detection of binding sites or motifs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/30—Data warehousing; Computing architectures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Bioethics (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Crystallography & Structural Chemistry (AREA)
- Physiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种结合mNGS和临床知识库的病原微生物检测方法，包括构建模拟临床知识库、构建真实临床知识库；建立基于mNGS检测结果的病原微生物集合；构建基于神经网络的决策模型以及根据mNGS检测结果和决策模型的输出结果最终完成病原微生物的排序确认。本发明的病原微生物检测方法是将mNGS检测结果和临床信息相结合的检测方法，检测过程中首先构建了临床信息知识库，抽取患者的临床信息并对其进行结构化，基于mNGS检测获得样本中所有病原微生物的集合，再通过预先通过阳性训练集学习得到的多级决策模型，与多个病原微生物集合进行加权运算，最终根据预设权重算法获得将病原微生物的排序结果。
Description
技术领域
本发明涉及生物信息技术领域，具体涉及到一种结合mNGS和临床知识库的病原微生物检测方法。
背景技术
病原微生物是指可以侵犯人体，引起感染甚至传染病的微生物，或称病原体。病原体中，以细菌和病毒的危害性最大。病原微生物指朊毒体、寄生虫（原虫、蠕虫、医学昆虫）、真菌、细菌、螺旋体、支原体、立克次体、衣原体、病毒。病原微生物感染人体后极有可能产生病症，导致感染者出现对应的感染症状。当出现感染症状时，现有技术有多种方法进行检测以判断是哪种病原微生物，进而便于疾病的治疗。
病原微生物的检测方法有生物化学法、血清免疫学法、PCR法以及新兴的mNGS法。
随着分子诊断技术的持续发展，各种新型的基因测序仪持续推出以及随之而来的基因测序成本的持续下降，近几年来，基于基因测序技术的病原微生物检测方法（后文简称mNGS）逐渐应用于临床，以弥补临床上传统检测方法的不足，在一定程度上确实解决了一些问题，但也正是mNGS的本身所具备的特点，使得该技术在临床上大规模使用具有一定缺陷。
例如，在CN201511000616.X 病原微生物的检测方法及装置中，公开了一种病原微生物的检测方法，包括：
创建预设的病原微生物数据库，所述预设的病原微生物数据库中收集的病原微生物包 括真菌18S rDNA序列、细菌16S rDNA序列和病毒基因组；
将测试宏基因组作为查询序列输入到所述预设的病原微生物数据库中；
在所述预设的病原微生物数据库中对所述测试宏基因组进行BLAST运算，得到所述预 设的病原微生物数据库中每种病原微生物的运算结果，所述运算结果包括所述病原微生物 与其在所述测试宏基因组中所匹配到的微生物的相似性和相似的长度，以及包括所述病原 微生物在所述测试宏基因组中所匹配到的微生物的个数、查询序列的ID、搜索数据集的ID、不匹配的碱基数、空缺的碱基、查询序列的起始位置、查询序列的终止位置、搜索数据集的 起始位置、搜索数据集的终止位置；
根据所述运算结果获取每种病原微生物的平均匹配值；
将所述平均匹配值和所述匹配到的微生物的个数最高的病原微生物确定为所述测试 宏基因组的检测结果；
其中，所述根据所述运算结果获取每种病原微生物的平均匹配值包括：
通过(X 1Y 1+X 2Y 2+X 3Y 3+X 4Y 4+X 5Y 5+X 6Y 6+X 7Y 7+……+X nY n)/n计算得到每种病原微生物的平均匹配度，其中，Xi为病原微生物与其在所述测试宏基因组中所匹配到的第i个微生物的相 似度，Yi为病原微生物与其在所述测试宏基因组中所匹配到的第i个微生物的相似的长度，i＝1，2，……n，所述n为病原微生物在所述测试宏基因组中所匹配到的微生物的个数。
从上述案例以及实际情况，本申请人认为：
1、由于mNGS是一网打尽策略，理论上可以把送检标本中的所有微生物都检测出来，所以导致交付给医生的检验报告中会出现多种微生物，使得绝大部分医生不知所措，他们很难判断哪些微生物才是导致患者感染的元凶，所以并没有从根本上解决临床医生试探性和经验性用药的老问题，只不过是缩小了他们的试探范畴或大致锁定了怀疑的方向而已。而且试探性策略需要医生具有丰富的经验和尽可能多的病原微生物知识储备，但并不是每一位有需求的医生都具备丰富的经验和完备的知识，这无疑使得mNGS在临床上的大规模普及推广应用受到了限制。
2、目前的mNGS的检测结果按照病原微生物的静态致病信息以及从标本中检出的基因片段数量从高到低排序。但在真实的临床场景中，检出的基因序列数高不代表一定是致病病原，序列数低也不一定就不是致病微生物。所以亟需结合更多维度的信息对致病病原进行判断的创新方法。
3、要想让mNGS技术在临床上大规模普及使用，必须要解决一个很关键的问题：即在众多检出的微生物中到底哪一个或那几个微生物才是真正的致病原因。而要做到这一点，只依靠标本中所含的微生物信息是不够，必须得同时结合患者的临床信息如实验室检查、影像学检查、感染地的流行病学史、接触史、基础疾病史、手术史、治疗史等等多个维度的信息才能实现。
发明内容
本发明的目的是提供一种结合mNGS和临床知识库的病原微生物检测方法。
为达上述目的，本发明的一个实施例中提供了一种结合mNGS和临床知识库的病原微生物检测方法，包括：
（1）构建临床知识库；
（1-1）构建模拟临床知识库
获取与病原微生物相关的公开资料，从公开资料中获取每种病原微生物致病患者的临床信息，所述临床信息包括病原微生物诱发的疾病症状、医学检验报告、影像检查报告；并将这些临床信息与对应的病原微生物进行关联，关联后每种病原微生物对应一组临床信息；
（1-2）构建真实临床知识库
获取确诊为病原微生物感染的患者病历资料，从病历资料中获取每种病原微生物致病患者的临床信息，所述临床信息包括病原微生物诱发的疾病症状、医学检验报告、影像检查报告；并将这些临床信息与对应的病原微生物进行关联，关联后每种病原微生物对应一组临床信息；
（2）建立基于mNGS检测结果的病原微生物集合；
通过mNGS技术检测患者样本的基因组数据得到mNGS检测结果，从mNGS检测结果中获得患者样本中所有的病原微生物，即病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；
（3）构建基于神经网络的决策模型；
（3-1）将真实临床知识库的临床信息随机分解形成两个子集，分别为第一级阳性训练集和第一级阳性测试集；
（3-2）将模拟临床知识库和真实临床知识库合并后的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集、或者将模拟临床知识库的临床信息分配成M个次级阳性训练集和M个次级阳性测试集；或者真实临床知识库的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集；其中M个次级阳性训练集分别为二级阳性训练集至M+1级次级阳性训练集，M个次级阳性测试集分别为二级阳性训练集至M+1级次级阳性测试集；；
（3-3）构建阴性测试集；所述阴性测试集是确诊为非病原微生物感染的患者的临床信息，阴性测试集所包含的临床信息与病原微生物的临床信息仅部分相同或者相似；
（3-4）：将（3-1）中的第一级阳性训练集对神经网络进行训练，构建出第一级决策模型；将（3-2）中的M个次级阳性训练集分别依次对神经网络进行训练，构建出M个次级决策模型，分别为第二级决策模型至第M+1级决策模型；
第一级决策模型使用第一级阳性测试集和所有次级阳性测试集进行检测时均得到全阳性的结果，使用阴性测试集进行检测得到全阴性的结果；
所有次级决策模型使用第一级阳性测试集进行检测时阳性率为100%，均得到全阳性的结果；
所有次级决策模型使用阴性测试集进行检测时得到的阴性率大于阴性阈值，且级别越靠前，阴性阈值越大；
所有次级决策模型使用对应的次级阳性测试集进行检测时阳性率大于阳性阈值，且级别越靠前，阳性阈值越大；
（4）病原微生物的检测方法
（4-1）获取患者的mNGS检测结果，获得病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；N个病原微生物子集合根据病原微生物的致病性和常见性划分等级，等级越高具有越强的致病性和出现概率；
（4-2）获取某患者的临床信息X，将该组临床信息X通过第一级决策模型得到符合第一级决策模型的病原微生物集合K，将病原微生物集合K分别与患者mNGS检测结果的N个病原微生物子集合进行计算，即分别取病原微生物K与N个病原微生物子集合的交集，得到的满足阈值和模型的病原微生物集合K1至KN；合计N个集合；
以此类推，将该组临床信息X分别输入M个次级决策模型中，每次输出的结果再分别与N个病原微生物子集合进行计算取得交集，即每个次级决策模型分别得到满足阈值和模型的病原微生物集合K1至KN；
（4-3）取第一级决策模型输出的N个病原微生物集合；取每个次级决策模型输出的N个病原微生物集合，M个次级决策模型共计获得M*N个病原微生物集合；将第一级决策模型输出的N个病原微生物集合和M*N个病原微生物集合共计（M+1）*N个集合进行计算取交集P；并对交集P内的每种病原微生物根据每种病原微生物的致病权重进行排序；
（4-4）将病原微生物的排序结果进行展示，并根据用户的指令进行确认和修改。
本发明的优化方案中，步骤（1）获取的公开资料的来源包括书籍、期刊、商业数据库和公开的诊断报告；临床信息是通过计算机自然语言处理或者人工处理的方式从公开资料或者患者病历资料中得到。
本发明的优化方案中，N个病原微生物子集合包括两个子集合；分别为常见高致病微生物集合a1和较常见且致病性较高的病原微生物集合a2。
本发明的优化方案中，病原微生物的致病权重是根据病原微生物的在（M+1）*N个集合中出现的次数以及病原微生物的等级设定的。
本发明的优化方案中，临床知识库还包括耐药数据库、流行病学知识库、感染因素知识库。
综上所述，本发明具有以下优点：
1、本发明的病原微生物检测方法是将mNGS检测结果和临床信息相结合的检测方法，检测过程中首先构建了临床信息知识库，抽取患者的临床信息并对其进行结构化，基于mNGS检测获得样本中所有病原微生物的集合，再通过预先通过阳性训练集学习得到的多级决策模型，与多个病原微生物集合进行加权运算，最终根据预设权重算法获得将病原微生物的排序结果。
2、本发明的方法是结合mNGS检测信息和临床信息得出的，mNGS检测可以从分子层面测出更多的信息来协助区分感染菌和定植菌，在临床信息的支持下，信息更加完备，有利于做出正确的决策。
6、本发明能够使mNGS技术具备了大规模临床推广的条件，大大减轻了医生拿到报告后的试探性和经验性用药的时间和试错成本。能够让患者以更低的成本和更短的治疗周期赢得更佳的治疗效果，不仅减轻了患者的经济负担，提高治疗效果，降低危重患者死亡率，也减轻了医保的负担，符合卫生经济学效益。
7、本发明在增加耐药知识库后可以进一步缓解细菌耐药问题，由传统经验性和试探性的大包围抗生素使用所带来的耐药问题日趋严重，该方案的实施可以进一步缓解耐药问题，让感染检测和用药实现真正意义上的精准医学。
附图说明
图1为本发明一个实施例中检测方法的示意图；
图2为本发明一个实施例中神经网络结构图；
图3为本发明的系统原理框图。
具体实施方式
本发明提供了一种结合mNGS和临床知识库的病原微生物检测方法，包括：
（1）构建临床知识库；
（1-1）构建模拟临床知识库
获取与病原微生物相关的公开资料，从公开资料中获取每种病原微生物致病患者的临床信息，临床信息包括病原微生物诱发的疾病症状、医学检验报告、影像检查报告；并将这些临床信息与对应的病原微生物进行关联，关联后每种病原微生物对应一组临床信息。
步骤（1）获取的公开资料的来源包括书籍、期刊、商业数据库和公开的诊断报告；临床信息是通过计算机自然语言处理或者人工处理的方式从公开资料或者患者病历资料中得到。
每种病原微生物对应的临床信息是关联的，例如，病原微生物感染人体后，在感染部位出现的症状虽有个体差异，但是也是有很多特定的共同的症状的。在患者进行化学检验或者其他形式的实验室检测时，得到的医学检验报告能够反应患者的血项指标或者体液指标；影像检查报告是对部分感染部位进行的检测，病原微生物的检测并不一定均会进行影像检测，影像检测包括B超、彩超、CT、PET/CT、核磁共振等。当该病原微生物引起的疾病需要采用影像检测进行确诊时，临床信息可以包括影像检测结果；当该病原微生物引起的疾病通常不需要进行影像检测时，临床信息可以省略影像检测结果。
当将一组病原微生物信息和临床知识库的资料录入后，该病原微生物和相关的临床知识库数据进行关联，能够进行相应的查询，以及便于决策引擎模型的计算。
（1-2）构建真实临床知识库
获取确诊为病原微生物感染的患者病历资料，从病历资料中获取每种病原微生物致病患者的临床信息，临床信息包括病原微生物诱发的疾病症状、医学检验报告、影像检查报告；并将这些临床信息与对应的病原微生物进行关联，关联后每种病原微生物对应一组临床信息。
真实临床知识库是采集的医院确诊患者的病历资料，因此该数据的可靠度远远大于公开资料获取的临床信息。因此使用真实临床知识库的数据构建一级决策模型，能够具有更好的精度。此外，真实临床知识库的数据也更加完善，一组临床信息能够包括足够多的信息，有利于后续对模型进行训练时获得更好的训练结果。
（2）建立基于mNGS检测结果的病原微生物集合；
通过mNGS技术检测患者样本的基因组数据得到mNGS检测结果，从mNGS检测结果中获得患者样本中所有的病原微生物，即病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合。
本发明并不限定具体的基因测序方法，可以基于二代基因测序，也可以是基于纳米孔的基因测序，总之只要能够实现基因测序目的测序技术均可。
（3）构建基于神经网络的决策模型。
（3-1）将真实临床知识库的临床信息随机分解形成两个子集，分别为第一级阳性训练集和第一级阳性测试集。
本发明的阳性训练集和阳性测试集所包括的信息类别是相同或者相似的。阳性训练集指确实是因为感染了细菌病毒等病原微生物而导致患病的案例的临床信息的集合。相对的，阴性训练集是指临床症状表现和病原微生物感染相似但其实是别的原因导致的病症。例如，咳嗽有可能是由于肺部感染引起的，也有可能是由于肺癌所致的。肺部感染和肺癌的临床症状可能都包括了咳嗽，因此，肺癌的临床信息的集合构成一条阴性训练集。
阳性训练集和阳性测试集均是临床信息中包括的内容，阳性训练集和阳性测试集可以是从不同患者的病历资料获得的临床信息。
（3-2）将模拟临床知识库和真实临床知识库合并后的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集、或者将模拟临床知识库的临床信息分配成M个次级阳性训练集和M个次级阳性测试集；或者真实临床知识库的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集；其中M个次级阳性训练集分别为二级阳性训练集至M+1级次级阳性训练集，M个次级阳性测试集分别为二级阳性训练集至M+1级次级阳性测试集。
所有次级阳性训练集或者阳性测试集的临床信息对应的来源可以均是来源于公开资料。若能够收集到足够多的真实临床信息资料，可以加入更多的真实临床信息资料。不同级别或者不同的阳性训练集训练得到的决策模型，使用同样的测试集进行测试时，可以设计成输出不同病原微生物集。
本发明的一级阳性训练集和测试集与次级阳性训练集和所有次级测试集，包括二级阳性训练集和M+1级次级阳性训练集和测试集，这些数据集所包括的信息类目是相同的，信息类目即为临床信息的类目；但是上述不同数据集的临床信息的噪声程度不相同，具体的，一级阳性训练集或者测试集的噪声最低。
（3-3）构建阴性测试集；阴性测试集是确诊为非病原微生物感染的患者的临床信息，阴性测试集所包含的临床信息与病原微生物的临床信息仅部分相同或者相似。
（3-4）：将（3-1）中的第一级阳性训练集对神经网络进行训练，构建出第一级决策模型；将（3-2）中的M个次级阳性训练集分别依次对神经网络进行训练，构建出M个次级决策模型，分别为第二级决策模型至第M+1级决策模型。
本发明的决策模型的训练方法可以采用现有技术中的神经网络学习方法，神经网络的学习方法可以采用以下方法：
首先为临床症状的术语进行标准化，采用同样的术语描述同一信息。每一个标准化后的临床信息都有一个唯一的标识，每一个唯一标识对应神经网络中输入层的一个节点，最后形成的临床信息库一共有n条，则对应的输入层节点个数就是n个，而输入的值则是感染该病原之后出现不同症状的概率值，最大为1，最小为0。例如：感染了新冠病毒之后一定会导致干咳、发热、全身乏力的症状，则这三个节点的输入值就是1，而有一半的患者可能会有打喷嚏、流鼻涕的症状，则这两个症状对应的输入节点的输入值就是0.5，以此类推，如果一定不会发生的症状如骨折，则对应节点的输入值为0。
隐含层是用来做训练决策的，使用的是非线性激活函数relu。输出层的每一个节点对应一种病原的唯一标识，当该节点的输出结果大于一定阈值时则表明输出的这些症状可能是由于感染该病原所致。本发明的神经网络结构如图2所示。
第一级决策模型使用第一级阳性测试集和所有次级阳性测试集进行检测时均得到全阳性的结果，使用阴性测试集进行检测得到全阴性的结果；
所有次级决策模型使用第一级阳性测试集进行检测时阳性率为100%，均得到全阳性的结果。
所有次级决策模型使用阴性测试集进行检测时得到的阴性率大于阴性阈值，且级别越靠前，阴性阈值越大。
所有次级决策模型使用对应的次级阳性测试集进行检测时阳性率大于阳性阈值，且级别越靠前，阳性阈值越大。
（4）病原微生物的检测方法
（4-1）获取患者的mNGS检测结果，获得病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；N个病原微生物子集合根据病原微生物的致病性和常见性划分等级，等级越高具有越强的致病性和出现概率。
（4-2）获取某患者的临床信息X，将该组临床信息X通过第一级决策模型得到符合第一级决策模型的病原微生物集合K，将病原微生物集合K分别与患者mNGS检测结果的N个病原微生物子集合进行计算，即分别取病原微生物K与N个病原微生物子集合的交集，得到的满足阈值和模型的病原微生物集合K1至KN；合计N个集合。
以此类推，将该组临床信息X分别输入M个次级决策模型中，每次输出的结果再分别与N个病原微生物子集合进行计算取得交集，即每个次级决策模型分别得到满足阈值和模型的病原微生物集合K1至KN。
（4-3）取第一级决策模型输出的N个病原微生物集合；取每个次级决策模型输出的N个病原微生物集合，M个次级决策模型共计获得M*N个病原微生物集合；将第一级决策模型输出的N个病原微生物集合和M*N个病原微生物集合共计（M+1）*N个集合进行计算取交集P；并对交集P内的每种病原微生物根据每种病原微生物的致病权重进行排序。
（4-4）将病原微生物的排序结果进行展示，并根据用户的指令进行确认和修改。
本发明的实施例中，病原微生物的致病权重是根据病原微生物的在（M+1）*N个集合中出现的次数以及病原微生物的等级设定的。
本发明根据病原微生物的实际种类和致病性，将N个病原微生物子集合包括两个子集合；分别为常见高致病微生物集合a1和较常见且致病性较高的病原微生物集合a2。
例如当某一病原微生物在集合中出现的次数越多，表示该病原微生物感染的概率更高，病原微生物的等级可以是预先设置的，根据现有技术对病原微生物的致病情况进行人工划分的。例如，常见高致病微生物集合a1和较常见且致病性较高的病原微生物集合a2中，a1比a2具有更高的等级；当N个病原微生物子集合包括多个子集合时，可以设定a1的等级最高，aN的等级最低。致病权重的计算方法可以根据实际情况进行设计，例如可以以次数和等级的比值P/N值作为致病权重。当然，致病权重的计算方法不构成本发明的技术保护范围，致病权重也可以根据采用其他方法，只要遵循等级越高、出现次数越多的病原微生物的致病权重越大的原则即可。
本发明的实施例中，临床知识库包括原微生物感染后的疾病症状知识库、医学检验报告知识库、影像检查报告知识库、耐药数据库、流行病学知识库、感染因素知识库。知识库或者数据库可以根据医学检验手段的发展和检测项目的优化、增减进行适应性的设计。当医学检验手段增加后，可以配置对应的临床知识库，配置对应的知识库模板和信息。
疾病症状知识库：疾病症状知识库记载了每一种微生物感染后导致的对应的疾病症状。包括每一个症状的受累部位，该部位属于身体的哪一个功能系统，如呼吸道、神经系统、代谢系统等等。
医学检验报告知识库：病原微生物感染后会导致各种实验室检查如生化指标出现异常，临床上经常结合各种实验室检查指标的升高和降低，显示阳性或者阴性来定位可能的感染源。不同的病原微生物感染所导致的实验室指标异常情况并不完全相同，有些指标对某类病原具有较高的识别度，而有的则识别度较低，也有的指标并不会出现明显的异常。在构建这些实验室检查指标的知识库时需要同时构建异常指标出现的时间窗口，因为有的指标只会在感染之后的特定时间段出现异常。
影像检查报告知识库：微生物感染后也可能会导致不同的影像检查特征，部分影像特征具有很高的辨识度，能够为病原微生物的定位提供帮助。
耐药数据库：耐药数据库可以记录不同病原微生物的耐药数据，包括那种细菌产生了哪些耐药基因，可以附带记录其耐药机制和耐药的药物等。耐药数据库有利于为医务人员鉴别病原体和开具处方。
流行病学知识库：病原微生物在全国或者全球范围内的分布情况不完全相同，有些病原微生物具有明显的地域特性。需要构建病原微生物的流行病学知识库，有利于将对应信息供医护人员查询，有利于其结合患者的感染地和接触史进行决策。
感染因素知识库：不同的病原微生物其易感因素不同，有可能某些部位、某些人群、某些具有基础疾病史的患者更容易感染某一类的病原微生物，而有的则容易感染完全不同的另一类病原微生物，有利于将对应信息供医护人员查询，有利于其结合患者的感染地和接触史进行决策。
本发明公开了一种结合mNGS和临床知识库的病原微生物检测系统，包括：
（1）临床知识库，临床知识库根据信息来源分为模拟临床知识库和真实临床知识库；
临床知识库包括病原微生物感染后的疾病症状知识库、医学检验报告知识库、影像检查报告知识库、耐药数据库、流行病学知识库、感染因素知识库；临床知识库的构建方法为：
获取临床信息，临床信息包括病原微生物诱发的疾病症状、医学检验报告、影像检查报告；并将这些临床信息与对应的病原微生物进行关联，关联后每种病原微生物对应一组临床信息；
（2）mNGS检测结果输出单元，用于建立基于mNGS检测结果的病原微生物集合，建立方法为：
通过mNGS技术检测患者样本的基因组数据得到mNGS检测结果，从mNGS检测结果中获得患者样本中所有的病原微生物，即病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；
（3）决策模型构建单元，决策模型的构建方法为：
（3-1）将真实临床知识库的临床信息随机分解形成两个子集，分别为第一级阳性训练集和第一级阳性测试集；
（3-2）将模拟临床知识库和真实临床知识库合并后的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集、或者将模拟临床知识库的临床信息分配成M个次级阳性训练集和M个次级阳性测试集；或者真实临床知识库的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集；其中M个次级阳性训练集分别为二级阳性训练集至M+1级次级阳性训练集，M个次级阳性测试集分别为二级阳性训练集至M+1级次级阳性测试集；；
（3-3）构建阴性测试集；阴性测试集是确诊为非病原微生物感染的患者的临床信息，阴性测试集所包含的临床信息与病原微生物的临床信息仅部分相同或者相似；
（3-4）：将（3-1）中的第一级阳性训练集对神经网络进行训练，构建出第一级决策模型；将（3-2）中的M个次级阳性训练集分别依次对神经网络进行训练，构建出M个次级决策模型，分别为第二级决策模型至第M+1级决策模型；
第一级决策模型使用第一级阳性测试集和所有次级阳性测试集进行检测时均得到全阳性的结果，使用阴性测试集进行检测得到全阴性的结果；
所有次级决策模型使用第一级阳性测试集进行检测时阳性率为100%，均得到全阳性的结果；
所有次级决策模型使用阴性测试集进行检测时得到的阴性率大于阴性阈值，且级别越靠前，阴性阈值越大；
所有次级决策模型使用对应的次级阳性测试集进行检测时阳性率大于阳性阈值，且级别越靠前，阳性阈值越大；
（4）病原微生物的检测单元，该检测单元用于：
（4-1）获取患者的mNGS检测结果，获得病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；N个病原微生物子集合根据病原微生物的致病性和常见性划分等级，等级越高具有越强的致病性和出现概率；
（4-2）获取某患者的临床信息X，将该组临床信息X通过第一级决策模型得到符合第一级决策模型的病原微生物集合K，将病原微生物集合K分别与患者mNGS检测结果的N个病原微生物子集合进行计算，即分别取病原微生物K与N个病原微生物子集合的交集，得到的满足阈值和模型的病原微生物集合K1至KN；合计N个集合；
以此类推，将该组临床信息X分别输入M个次级决策模型中，每次输出的结果再分别与N个病原微生物子集合进行计算取得交集，即每个次级决策模型分别得到满足阈值和模型的病原微生物集合K1至KN；
（4-3）取第一级决策模型输出的N个病原微生物集合；取每个次级决策模型输出的N个病原微生物集合，M个次级决策模型共计获得M*N个病原微生物集合；将第一级决策模型输出的N个病原微生物集合和M*N个病原微生物集合共计（M+1）*N个集合进行计算取交集P；并对交集P内的每种病原微生物根据每种病原微生物的致病权重进行排序；
（4-4）将病原微生物的排序结果进行展示，并根据用户的指令进行确认和修改。
Claims (6)
1.一种结合mNGS和临床知识库的病原微生物检测方法，其特征在于，包括：
（1）构建临床知识库；
（1-1）构建模拟临床知识库
获取与病原微生物相关的公开资料，从公开资料中获取每种病原微生物致病患者的临床信息，所述临床信息包括病原微生物诱发的疾病症状、医学检验报告、影像检查报告；并将这些临床信息与对应的病原微生物进行关联，关联后每种病原微生物对应一组临床信息；
（1-2）构建真实临床知识库
获取确诊为病原微生物感染的患者病历资料，从病历资料中获取每种病原微生物致病患者的临床信息，所述临床信息包括病原微生物诱发的疾病症状、医学检验报告、影像检查报告；并将这些临床信息与对应的病原微生物进行关联，关联后每种病原微生物对应一组临床信息；
（2）建立基于mNGS检测结果的病原微生物集合；
通过mNGS技术检测患者样本的基因组数据得到mNGS检测结果，从mNGS检测结果中获得患者样本中所有的病原微生物，即病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；
（3）构建基于神经网络的决策模型；
（3-1）将真实临床知识库的临床信息随机分解形成两个子集，分别为第一级阳性训练集和第一级阳性测试集；
（3-2）将模拟临床知识库和真实临床知识库合并后的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集、或者将模拟临床知识库的临床信息分配成M个次级阳性训练集和M个次级阳性测试集；或者真实临床知识库的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集；其中M个次级阳性训练集分别为二级阳性训练集至M+1级次级阳性训练集，M个次级阳性测试集分别为二级阳性训练集至M+1级次级阳性测试集；
（3-3）构建阴性测试集；所述阴性测试集是确诊为非病原微生物感染的患者的临床信息，阴性测试集所包含的临床信息与病原微生物的临床信息仅部分相同或者相似；
（3-4）：将（3-1）中的第一级阳性训练集对神经网络进行训练，构建出第一级决策模型；将（3-2）中的M个次级阳性训练集分别依次对神经网络进行训练，构建出M个次级决策模型，分别为第二级决策模型至第M+1级决策模型；
第一级决策模型使用第一级阳性测试集和所有次级阳性测试集进行检测时均得到全阳性的结果，使用阴性测试集进行检测得到全阴性的结果；
所有次级决策模型使用第一级阳性测试集进行检测时阳性率为100%，均得到全阳性的结果；
所有次级决策模型使用阴性测试集进行检测时得到的阴性率大于阴性阈值，且级别越靠前，阴性阈值越大；
所有次级决策模型使用对应的次级阳性测试集进行检测时阳性率大于阳性阈值，且级别越靠前，阳性阈值越大；
（4）病原微生物的检测方法
（4-1）获取患者的mNGS检测结果，获得病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；N个病原微生物子集合根据病原微生物的致病性和常见性划分等级，等级越高具有越强的致病性和出现概率；
（4-2）获取某患者的临床信息X，将该组临床信息X通过第一级决策模型得到符合第一级决策模型的病原微生物集合K，将病原微生物集合K分别与患者mNGS检测结果的N个病原微生物子集合进行计算，即分别取病原微生物K与N个病原微生物子集合的交集，得到的满足阈值和模型的病原微生物集合K1至KN；合计N个集合；
以此类推，将该组临床信息X分别输入M个次级决策模型中，每次输出的结果再分别与N个病原微生物子集合进行计算取得交集，即每个次级决策模型分别得到满足阈值和模型的病原微生物集合K1至KN；
（4-3）取第一级决策模型输出的N个病原微生物集合；取每个次级决策模型输出的N个病原微生物集合，M个次级决策模型共计获得M*N个病原微生物集合；将第一级决策模型输出的N个病原微生物集合和M*N个病原微生物集合共计（M+1）*N个集合进行计算取交集P；并对交集P内的每种病原微生物根据每种病原微生物的致病权重进行排序；
（4-4）将病原微生物的排序结果进行展示，并根据用户的指令进行确认和修改。
2.如权利要求1所述的方法，其特征在于：所述步骤（1）获取的公开资料的来源包括书籍、期刊、商业数据库和公开的诊断报告；临床信息是通过计算机自然语言处理或者人工处理的方式从公开资料或者患者病历资料中得到。
3.如权利要求1所述的方法，其特征在于：所述N个病原微生物子集合包括两个子集合；分别为常见高致病微生物集合a1和较常见且致病性较高的病原微生物集合a2。
4.如权利要求1所述的方法，其特征在于：所述病原微生物的致病权重是根据病原微生物的在（M+1）*N个集合中出现的次数以及病原微生物的等级设定的。
5.如权利要求1所述的方法，其特征在于：所述临床知识库还包括耐药数据库、流行病学知识库、感染因素知识库。
6.一种结合mNGS和临床知识库的病原微生物检测系统，其特征在于，包括：
（1）临床知识库，所述临床知识库根据信息来源分为模拟临床知识库和真实临床知识库；
所述临床知识库包括病原微生物感染后的疾病症状知识库、医学检验报告知识库、影像检查报告知识库、耐药数据库、流行病学知识库、感染因素知识库；所述临床知识库的构建方法为：
获取临床信息，所述临床信息包括病原微生物诱发的疾病症状、医学检验报告、影像检查报告；并将这些临床信息与对应的病原微生物进行关联，关联后每种病原微生物对应一组临床信息；
（2）mNGS检测结果输出单元，用于建立基于mNGS检测结果的病原微生物集合，建立方法为：
通过mNGS技术检测患者样本的基因组数据得到mNGS检测结果，从mNGS检测结果中获得患者样本中所有的病原微生物，即病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；
（3）决策模型构建单元，所述决策模型的构建方法为：
（3-1）将真实临床知识库的临床信息随机分解形成两个子集，分别为第一级阳性训练集和第一级阳性测试集；
（3-2）将模拟临床知识库和真实临床知识库合并后的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集、或者将模拟临床知识库的临床信息分配成M个次级阳性训练集和M个次级阳性测试集；或者真实临床知识库的临床信息随机分配成M个次级阳性训练集和M个次级阳性测试集；其中M个次级阳性训练集分别为二级阳性训练集至M+1级次级阳性训练集，M个次级阳性测试集分别为二级阳性训练集至M+1级次级阳性测试集；
（3-3）构建阴性测试集；所述阴性测试集是确诊为非病原微生物感染的患者的临床信息，阴性测试集所包含的临床信息与病原微生物的临床信息仅部分相同或者相似；
（3-4）：将（3-1）中的第一级阳性训练集对神经网络进行训练，构建出第一级决策模型；将（3-2）中的M个次级阳性训练集分别依次对神经网络进行训练，构建出M个次级决策模型，分别为第二级决策模型至第M+1级决策模型；
第一级决策模型使用第一级阳性测试集和所有次级阳性测试集进行检测时均得到全阳性的结果，使用阴性测试集进行检测得到全阴性的结果；
所有次级决策模型使用第一级阳性测试集进行检测时阳性率为100%，均得到全阳性的结果；
所有次级决策模型使用阴性测试集进行检测时得到的阴性率大于阴性阈值，且级别越靠前，阴性阈值越大；
所有次级决策模型使用对应的次级阳性测试集进行检测时阳性率大于阳性阈值，且级别越靠前，阳性阈值越大；
（4）病原微生物的检测单元，该检测单元用于：
（4-1）获取患者的mNGS检测结果，获得病原微生物总集合a；根据致病性和出现概率从病原微生物总集合a中分解出N个病原微生物子集合；N个病原微生物子集合根据病原微生物的致病性和常见性划分等级，等级越高具有越强的致病性和出现概率；
（4-2）获取某患者的临床信息X，将该组临床信息X通过第一级决策模型得到符合第一级决策模型的病原微生物集合K，将病原微生物集合K分别与患者mNGS检测结果的N个病原微生物子集合进行计算，即分别取病原微生物K与N个病原微生物子集合的交集，得到的满足阈值和模型的病原微生物集合K1至KN；合计N个集合；
以此类推，将该组临床信息X分别输入M个次级决策模型中，每次输出的结果再分别与N个病原微生物子集合进行计算取得交集，即每个次级决策模型分别得到满足阈值和模型的病原微生物集合K1至KN；
（4-3）取第一级决策模型输出的N个病原微生物集合；取每个次级决策模型输出的N个病原微生物集合，M个次级决策模型共计获得M*N个病原微生物集合；将第一级决策模型输出的N个病原微生物集合和M*N个病原微生物集合共计（M+1）*N个集合进行计算取交集P；并对交集P内的每种病原微生物根据每种病原微生物的致病权重进行排序；
（4-4）将病原微生物的排序结果进行展示，并根据用户的指令进行确认和修改。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700387.7A CN111816245B (zh) | 2020-07-20 | 2020-07-20 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700387.7A CN111816245B (zh) | 2020-07-20 | 2020-07-20 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111816245A CN111816245A (zh) | 2020-10-23 |
| CN111816245B true CN111816245B (zh) | 2022-09-09 |
Family
ID=72865056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010700387.7A Active CN111816245B (zh) | 2020-07-20 | 2020-07-20 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111816245B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800245B (zh) * | 2021-03-29 | 2021-07-16 | 微岩医学科技(北京)有限公司 | 一种病原微生物参考知识库的最大多样性聚类构建方法 |
| CN114891870A (zh) * | 2022-06-26 | 2022-08-12 | 杭州奥明医学检验实验室有限公司 | 一种基于mNGS检测致癌病原体的方法、系统及装置 |
| CN117708569B (zh) * | 2024-02-05 | 2024-04-05 | 中国医学科学院北京协和医院 | 一种病原微生物信息的识别方法、装置、终端及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102272601A (zh) * | 2008-10-31 | 2011-12-07 | 生物梅里埃公司 | 采用鉴定剂分离和表征微生物的方法 |
| CN104204803A (zh) * | 2012-02-09 | 2014-12-10 | 米密德诊断学有限公司 | 用于诊断感染的标记和决定因素和其使用方法 |
| CN106951710A (zh) * | 2017-03-22 | 2017-07-14 | 华东师范大学 | 基于特权信息学习支持向量机的cap数据系统及方法 |
| WO2018119105A1 (en) * | 2016-12-20 | 2018-06-28 | Indevr, Inc. | Plug-in expertise for pathogen identification using modular neural networks |
| CN109308525A (zh) * | 2018-07-26 | 2019-02-05 | 南京医科大学第二附属医院 | 基于马尔科夫逻辑网的院内感染定植排查智能推理方法 |
| CN110291037A (zh) * | 2017-02-17 | 2019-09-27 | 卫理公会医院 | 用于确定对象中的感染水平的组合物和方法 |
| CN110415832A (zh) * | 2019-07-31 | 2019-11-05 | 江苏省人民医院 | 基于人工智能的感染控制管理系统和方法 |
| CN110648720A (zh) * | 2019-09-25 | 2020-01-03 | 广州微远基因科技有限公司 | 宏基因组测序质控预测评估方法及模型 |
| CN111063434A (zh) * | 2019-12-26 | 2020-04-24 | 北京中润普达信息技术有限公司 | 一种基于临床症状特征的性病诊断系统 |
| CN111187813A (zh) * | 2020-02-20 | 2020-05-22 | 予果生物科技（北京）有限公司 | 全流程质控的病原微生物高通量测序检测方法 |
| CN111394486A (zh) * | 2020-04-09 | 2020-07-10 | 复旦大学附属儿科医院 | 基于宏基因组测序的儿童感染性疾病病原检测及鉴定方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2998381A1 (en) * | 2015-09-21 | 2017-03-30 | The Regents Of The University Of California | Pathogen detection using next generation sequencing |
| WO2018029690A1 (en) * | 2016-08-10 | 2018-02-15 | Memed Diagnostics Ltd. | System and method for analysis of biological data |
-
2020
- 2020-07-20 CN CN202010700387.7A patent/CN111816245B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102272601A (zh) * | 2008-10-31 | 2011-12-07 | 生物梅里埃公司 | 采用鉴定剂分离和表征微生物的方法 |
| CN104204803A (zh) * | 2012-02-09 | 2014-12-10 | 米密德诊断学有限公司 | 用于诊断感染的标记和决定因素和其使用方法 |
| WO2018119105A1 (en) * | 2016-12-20 | 2018-06-28 | Indevr, Inc. | Plug-in expertise for pathogen identification using modular neural networks |
| CN110291037A (zh) * | 2017-02-17 | 2019-09-27 | 卫理公会医院 | 用于确定对象中的感染水平的组合物和方法 |
| CN106951710A (zh) * | 2017-03-22 | 2017-07-14 | 华东师范大学 | 基于特权信息学习支持向量机的cap数据系统及方法 |
| CN109308525A (zh) * | 2018-07-26 | 2019-02-05 | 南京医科大学第二附属医院 | 基于马尔科夫逻辑网的院内感染定植排查智能推理方法 |
| CN110415832A (zh) * | 2019-07-31 | 2019-11-05 | 江苏省人民医院 | 基于人工智能的感染控制管理系统和方法 |
| CN110648720A (zh) * | 2019-09-25 | 2020-01-03 | 广州微远基因科技有限公司 | 宏基因组测序质控预测评估方法及模型 |
| CN111063434A (zh) * | 2019-12-26 | 2020-04-24 | 北京中润普达信息技术有限公司 | 一种基于临床症状特征的性病诊断系统 |
| CN111187813A (zh) * | 2020-02-20 | 2020-05-22 | 予果生物科技（北京）有限公司 | 全流程质控的病原微生物高通量测序检测方法 |
| CN111394486A (zh) * | 2020-04-09 | 2020-07-10 | 复旦大学附属儿科医院 | 基于宏基因组测序的儿童感染性疾病病原检测及鉴定方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《中草药提取物对蔬菜土传病原真菌的抑制作用》;马欣 等;《安徽农业科学》;20150220;第43卷(第06期);第113-115页 * |
| 《品管圈活动对提高血培养阳性率的效果分析》;陶娅琳 等;《实用检验医师杂志》;20190330;第11卷(第01期);第40-44页 * |
| 《宏基因组学二代测序在免疫功能受损不明原因肺部感染患者病原鉴别中的意义》;张弦 等;《交通医学》;20200620;第34卷(第03期);第242-245页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111816245A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sanghvi et al. | A deep learning approach for classification of COVID and pneumonia using DenseNet‐201 | |
| CN111816245B (zh) | 结合mNGS和临床知识库的病原微生物检测方法及系统 | |
| CN113077873B (zh) | 一种中医临床决策支持系统及方法 | |
| CN106845147B (zh) | 医学经验总结模型的建立方法、装置 | |
| Stokes et al. | The use of artificial intelligence systems in diagnosis of pneumonia via signs and symptoms: A systematic review | |
| CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
| EP1465525A2 (en) | Diagnostic information systems | |
| CN114220549A (zh) | 一种基于可解释机器学习的有效生理学特征选择和医学因果推理方法 | |
| Wilk et al. | Supporting triage of children with abdominal pain in the emergency room | |
| CN106951710A (zh) | 基于特权信息学习支持向量机的cap数据系统及方法 | |
| CN116504392A (zh) | 一种基于数据分析的智能辅助诊断提示系统 | |
| Meyer | Toward precision public health | |
| Lin et al. | Medical concept embedding with variable temporal scopes for patient similarity | |
| CN118762789A (zh) | 一种基于大模型的患者画像构建方法 | |
| CN104462857A (zh) | 基于矩阵的疾病程度区分及检验项目的自我分析方法 | |
| Abid et al. | Using Deep Learning for pneumonia Recognition from Chest X-Ray Images | |
| Priya et al. | Enhancing SVM Classification of Meningitis with Feature-Adaptive Adagrad in CSF Analysis | |
| Robinson et al. | A test of the fit between the Corbin and Strauss Trajectory Model and care provided to older patients after cancer surgery | |
| CN112233806A (zh) | 一种全信息辅助诊疗方法及系统 | |
| Dansy et al. | Expert System for Diagnosis Coronavirus Disease | |
| Priya et al. | Enhancing Meningitis Type Diagnosis through a Novel Hybrid Ensemble of Bagging and Gradient Boosting | |
| Mertz | Comprehensive Database and Machine Learning Put Focus on Gut Microbiome | |
| Rubin et al. | Developing an emergency room diagnostic check list using rough sets-a case study of appendicitis | |
| Yulin et al. | Pneumonia image classification based on convolutional neural network | |
| Mohebbi et al. | Comparing supervised machine learning models for COVID-19 patient detection using a combination of clinical and laboratory dataset |
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 |