人血浆microRNAs在肺癌预后预测中的价值
发布时间：2021-03-10 12:10
研究目的采用肺癌预后相关的血浆miRNAs,建立预后预测的数据挖掘模型,对肺癌预后进行精准预测,为制定精准的诊疗方案、提高患者的生存质量提供依据。对象与方法1.研究对象:2016年6月至2017年2月在郑州大学第一附属医院呼吸内科、河南省肿瘤医院胸外科、河南省胸科医院呼吸内科和胸外科初诊的原发性肺癌患者。2.研究方法:采用实时荧光定量PCR法检测人外周血血浆中7种miRNAs（miR-125b、miR-146a、miR-92a、miR-25、miR-195、miR-21 和 miR-204）相对表达水平,并分析这些miRNAs对肺癌患者预后的影响;对肺癌患者的临床指标进行预后分析;对肺癌患者进行预后随访,收集预后生存信息。3.统计学分析:利用SPSS21.0统计软件进行数据分析,生存时间以中位数和四分位数表示;定量资料比较时,不符合正态分布的数据采用Mann-Whitney U检验。采用Kaplan-Meier进行生存率计算,采用log-rank检验,进行单因素生存分析。用COX比例风险回归模型,对单因素分析中有统计学意义的因素进行分析。利用R语言中的rms包绘制Nomogram图,对...
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图２．?１各模型数据流??经过反复训练和优化，５个模型在Ｃｌｅｍｅｎｔｉｎｅ?１２．０软件中设置分别为：贝??叶斯模型中模型选项卡：结构类型选Ｍａｒｋｏｖ?Ｂｌａｎｋｅｔ；选中包括特征预处理步骤；??
?研究对象和方法???其他选项均为默认状态。??２．５．３模型评价??计算每个模型的准确度、灵敏度、特异度、阳性预测值、阴性预测值。用受??试者工作特征曲线下面积（Ａｒｅａ?ｕｎｄｅｒ?ｒｅｃｅｉｖｅｒ?ｏｐｅｒａｔｉｎｇ?ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｃｕｒｖｅ，?ＡＵＣ?）??对模型进行评价，当ＡＵＣ＜０．５时，说明预测效果很差。当ＡＵＣ在０．５？０．７时，??说明预测准确性较低，当ＡＵＣ在０．７￣０．９时，说明预测有比较好的准确性，当??ＡＵＣ＞０．９时，说明预测准确性特别好。??２．６技术路线??技术路线如周２．１所示。??｜?血浆ｍｉＲＸＡｓ?｜??Ｉ??肺癌样本?＼??ｔ?ｔ?ｔ??Ｒｅａｌ－Ｔｉｍｅ?ＰＣＲ?临床资料收集?预后随访??Ｉ?￣??单因素生存分析??Ｔ??｜??多因素生存分折?］《１１＂＂??数捤预处理??ｔ?ｔ?＼?ｔ?ｉ??ＢＸＮ?｜?ＡＸＮ?ＬＤＡ?Ｃ５．０?｜?｜?ＳＶ＇Ｉ?｜??ｔ??褅选最佳揆型??图２．?２本研宄技术路线??８??
????３结果??３．１?ｍｉＲＮＡｓ质控结果??以ｍｉＲ－２１为例做标准曲线。图３．１Ａ显示ｃＤＮＡ２倍梯度稀释的扩增曲线比??较平滑。图３．１Ｂ显示ｃＤＮＡ浓度和Ｃｔ值呈反比，具有线性相关关系，扩增效??率为?９１．５９％。??Ａ?????ｓ??｜??■６?＃?■＊?：＊?ｉｔｓ?ｍ?■＞＊?ｔ＊?■？！?ｉｆｃ?Ｍ?ａｍ?ｍ?Ｍ－－?ｉ＆?ｍ?ｍ?＊￡??Ｃｙｔｉ＊??Ｂ?Ｓｔａｎｄａｒｄ?Ｃｕｒｖｅ??■??２ＳＳｉ?Ｋ??Ｓ?２２＇５??獅??ＭＭ??Ｓ２?ｔ?Ｈ?ｉ?＊?．ｉ?？?ｍ?ｘｉ?ｍ??Ｏｕａｎｔｉｔｆ??图３．１?ｍｉＲＮＡｓ的扩増曲线和标准曲线??３．２研究对象一般资料??根据上述研究对象纳入标准，截止到２０２０年３月１号，中位随访时间为??２６．８?（１？４３）月，共有７０例原发性肺癌患者纳入研宄。其中男性４４例（６２％），??女性２６例（３８％）；年龄３９？８７岁，平均年龄为６１．４±９．６６岁；吸烟者３８例??（５４％），不吸烟者３２例（４６％）；饮酒者９例（１５％），不饮酒者６１例（８５％）；??有发热８例（１１％），无发热６２例（８９％）；淋巴结转移者４４例（６３％），无转移??２６例（３７％）；胸闷胸痛者２９例（４１％），无胸闷胸痛者４１例（５９％）；咳嗽３８??例（５４％），无咳嗽３２例（４６％）；有痰中带血者１５例（２１％），无痰中带血５５??例（７９％）；咯血者４例（４％），无咯血６６例（９６％）；?Ｉ期１０例（１４％），?ＩＩ期??９??
【参考文献】：
期刊论文
[1]人工神经网络在数据挖掘中的应用研究[J]. 梁春华. 无线互联科技. 2019(22)
[2]原发性肺癌患者病理特征及预后分析[J]. 马甜甜,万毅新,石磊. 实用癌症杂志. 2019(11)
[3]血清miR-483-5p、miR-21和miR-25检测在非小细胞肺癌诊断中的价值[J]. 李世荣,刘艳,王振明,宋明泽,焦红娟. 山东医药. 2019(23)
[4]基于支持向量机分类算法的多煤种煤自燃危险性预测[J]. 张天宇,鲁义,施式亮,王涛,杨帆,牛会永. 湖南科技大学学报(自然科学版). 2019(02)
[5]基于决策树的肿瘤患者难免性压疮风险预测模型研究[J]. 杨青,王国蓉,江宾,张含凤,卢秀英. 护理学杂志. 2019(13)
[6]同时多原发肺腺癌的CT征象与病理分化程度的关系[J]. 陈山,左敏,刘长华. 癌症进展. 2019(05)
[7]肺腺癌预后相关miRNA生物信息学筛选及其临床意义[J]. 张皓旻,杨波,陈红飞,迟小华,席义博,陈熙勐,郭斌,贺培凤,卢学春. 中国应用生理学杂志. 2018(06)
[8]大数据时代数据库的应用探析[J]. 谢宣霆. 电脑知识与技术. 2018(24)
[9]miR-204过表达抑制成视网膜细胞瘤细胞的增殖与侵袭及其可能的机制[J]. 王建民,张加宾,刘杰慧,高鹏. 中国肿瘤生物治疗杂志. 2018(08)
[10]基于C5.0算法的胃癌生存预测模型研究[J]. 黄志刚,刘虹,刘娟,张岐山. 南京信息工程大学学报(自然科学版). 2017(04)
博士论文
[1]TNM分期之外的临床病理因素与常见胸部恶性肿瘤预后关系的研究[D]. 张湘伟.山东大学 2017
硕士论文
[1]贝叶斯神经网络在信息安全风险评估中的量化研究[D]. 王鑫.贵州大学 2019
[2]基于人血浆microRNAs的数据挖掘技术构建肺癌预测系统[D]. 冯晓蕾.郑州大学 2017
[3]近5年肺癌人群临床特征分析[D]. 丁雪.大连医科大学 2014
[4]基于向量空间模型的文本自动分类算法的研究与改进[D]. 王潇.西北师范大学 2006
[5]决策树技术及其在医学中的应用[D]. 徐蕾.第二军医大学 2004
本文编号：3074636
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图２．?１各模型数据流??经过反复训练和优化，５个模型在Ｃｌｅｍｅｎｔｉｎｅ?１２．０软件中设置分别为：贝??叶斯模型中模型选项卡：结构类型选Ｍａｒｋｏｖ?Ｂｌａｎｋｅｔ；选中包括特征预处理步骤；??
?研究对象和方法???其他选项均为默认状态。??２．５．３模型评价??计算每个模型的准确度、灵敏度、特异度、阳性预测值、阴性预测值。用受??试者工作特征曲线下面积（Ａｒｅａ?ｕｎｄｅｒ?ｒｅｃｅｉｖｅｒ?ｏｐｅｒａｔｉｎｇ?ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｃｕｒｖｅ，?ＡＵＣ?）??对模型进行评价，当ＡＵＣ＜０．５时，说明预测效果很差。当ＡＵＣ在０．５？０．７时，??说明预测准确性较低，当ＡＵＣ在０．７￣０．９时，说明预测有比较好的准确性，当??ＡＵＣ＞０．９时，说明预测准确性特别好。??２．６技术路线??技术路线如周２．１所示。??｜?血浆ｍｉＲＸＡｓ?｜??Ｉ??肺癌样本?＼??ｔ?ｔ?ｔ??Ｒｅａｌ－Ｔｉｍｅ?ＰＣＲ?临床资料收集?预后随访??Ｉ?￣??单因素生存分析??Ｔ??｜??多因素生存分折?］《１１＂＂??数捤预处理??ｔ?ｔ?＼?ｔ?ｉ??ＢＸＮ?｜?ＡＸＮ?ＬＤＡ?Ｃ５．０?｜?｜?ＳＶ＇Ｉ?｜??ｔ??褅选最佳揆型??图２．?２本研宄技术路线??８??
????３结果??３．１?ｍｉＲＮＡｓ质控结果??以ｍｉＲ－２１为例做标准曲线。图３．１Ａ显示ｃＤＮＡ２倍梯度稀释的扩增曲线比??较平滑。图３．１Ｂ显示ｃＤＮＡ浓度和Ｃｔ值呈反比，具有线性相关关系，扩增效??率为?９１．５９％。??Ａ?????ｓ??｜??■６?＃?■＊?：＊?ｉｔｓ?ｍ?■＞＊?ｔ＊?■？！?ｉｆｃ?Ｍ?ａｍ?ｍ?Ｍ－－?ｉ＆?ｍ?ｍ?＊￡??Ｃｙｔｉ＊??Ｂ?Ｓｔａｎｄａｒｄ?Ｃｕｒｖｅ??■??２ＳＳｉ?Ｋ??Ｓ?２２＇５??獅??ＭＭ??Ｓ２?ｔ?Ｈ?ｉ?＊?．ｉ?？?ｍ?ｘｉ?ｍ??Ｏｕａｎｔｉｔｆ??图３．１?ｍｉＲＮＡｓ的扩増曲线和标准曲线??３．２研究对象一般资料??根据上述研究对象纳入标准，截止到２０２０年３月１号，中位随访时间为??２６．８?（１？４３）月，共有７０例原发性肺癌患者纳入研宄。其中男性４４例（６２％），??女性２６例（３８％）；年龄３９？８７岁，平均年龄为６１．４±９．６６岁；吸烟者３８例??（５４％），不吸烟者３２例（４６％）；饮酒者９例（１５％），不饮酒者６１例（８５％）；??有发热８例（１１％），无发热６２例（８９％）；淋巴结转移者４４例（６３％），无转移??２６例（３７％）；胸闷胸痛者２９例（４１％），无胸闷胸痛者４１例（５９％）；咳嗽３８??例（５４％），无咳嗽３２例（４６％）；有痰中带血者１５例（２１％），无痰中带血５５??例（７９％）；咯血者４例（４％），无咯血６６例（９６％）；?Ｉ期１０例（１４％），?ＩＩ期??９??
【参考文献】：
期刊论文
[1]人工神经网络在数据挖掘中的应用研究[J]. 梁春华. 无线互联科技. 2019(22)
[2]原发性肺癌患者病理特征及预后分析[J]. 马甜甜,万毅新,石磊. 实用癌症杂志. 2019(11)
[3]血清miR-483-5p、miR-21和miR-25检测在非小细胞肺癌诊断中的价值[J]. 李世荣,刘艳,王振明,宋明泽,焦红娟. 山东医药. 2019(23)
[4]基于支持向量机分类算法的多煤种煤自燃危险性预测[J]. 张天宇,鲁义,施式亮,王涛,杨帆,牛会永. 湖南科技大学学报(自然科学版). 2019(02)
[5]基于决策树的肿瘤患者难免性压疮风险预测模型研究[J]. 杨青,王国蓉,江宾,张含凤,卢秀英. 护理学杂志. 2019(13)
[6]同时多原发肺腺癌的CT征象与病理分化程度的关系[J]. 陈山,左敏,刘长华. 癌症进展. 2019(05)
[7]肺腺癌预后相关miRNA生物信息学筛选及其临床意义[J]. 张皓旻,杨波,陈红飞,迟小华,席义博,陈熙勐,郭斌,贺培凤,卢学春. 中国应用生理学杂志. 2018(06)
[8]大数据时代数据库的应用探析[J]. 谢宣霆. 电脑知识与技术. 2018(24)
[9]miR-204过表达抑制成视网膜细胞瘤细胞的增殖与侵袭及其可能的机制[J]. 王建民,张加宾,刘杰慧,高鹏. 中国肿瘤生物治疗杂志. 2018(08)
[10]基于C5.0算法的胃癌生存预测模型研究[J]. 黄志刚,刘虹,刘娟,张岐山. 南京信息工程大学学报(自然科学版). 2017(04)
博士论文
[1]TNM分期之外的临床病理因素与常见胸部恶性肿瘤预后关系的研究[D]. 张湘伟.山东大学 2017
硕士论文
[1]贝叶斯神经网络在信息安全风险评估中的量化研究[D]. 王鑫.贵州大学 2019
[2]基于人血浆microRNAs的数据挖掘技术构建肺癌预测系统[D]. 冯晓蕾.郑州大学 2017
[3]近5年肺癌人群临床特征分析[D]. 丁雪.大连医科大学 2014
[4]基于向量空间模型的文本自动分类算法的研究与改进[D]. 王潇.西北师范大学 2006
[5]决策树技术及其在医学中的应用[D]. 徐蕾.第二军医大学 2004
本文编号：3074636
本文链接：https://www.wllwen.com/yixuelunwen/zlx/3074636.html
