研究目的采用肺癌預(yù)后相關(guān)的血漿miRNAs,建立預(yù)后預(yù)測的數(shù)據(jù)挖掘模型,對(duì)肺癌預(yù)后進(jìn)行精準(zhǔn)預(yù)測,為制定精準(zhǔn)的診療方案、提高患者的生存質(zhì)量提供依據(jù)。對(duì)象與方法1.研究對(duì)象:2016年6月至2017年2月在鄭州大學(xué)第一附屬醫(yī)院呼吸內(nèi)科、河南省腫瘤醫(yī)院胸外科、河南省胸科醫(yī)院呼吸內(nèi)科和胸外科初診的原發(fā)性肺癌患者。2.研究方法:采用實(shí)時(shí)熒光定量PCR法檢測人外周血血漿中7種miRNAs（miR-125b、miR-146a、miR-92a、miR-25、miR-195、miR-21 和 miR-204）相對(duì)表達(dá)水平,并分析這些miRNAs對(duì)肺癌患者預(yù)后的影響;對(duì)肺癌患者的臨床指標(biāo)進(jìn)行預(yù)后分析;對(duì)肺癌患者進(jìn)行預(yù)后隨訪,收集預(yù)后生存信息。3.統(tǒng)計(jì)學(xué)分析:利用SPSS21.0統(tǒng)計(jì)軟件進(jìn)行數(shù)據(jù)分析,生存時(shí)間以中位數(shù)和四分位數(shù)表示;定量資料比較時(shí),不符合正態(tài)分布的數(shù)據(jù)采用Mann-Whitney U檢驗(yàn)。采用Kaplan-Meier進(jìn)行生存率計(jì)算,采用log-rank檢驗(yàn),進(jìn)行單因素生存分析。用COX比例風(fēng)險(xiǎn)回歸模型,對(duì)單因素分析中有統(tǒng)計(jì)學(xué)意義的因素進(jìn)行分析。利用R語言中的rms包繪制Nomogram圖,對(duì)... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．?１各模型數(shù)據(jù)流??經(jīng)過反復(fù)訓(xùn)練和優(yōu)化，５個(gè)模型在Ｃｌｅｍｅｎｔｉｎｅ?１２．０軟件中設(shè)置分別為：貝??葉斯模型中模型選項(xiàng)卡：結(jié)構(gòu)類型選Ｍａｒｋｏｖ?Ｂｌａｎｋｅｔ；選中包括特征預(yù)處理步驟；??

?研究對(duì)象和方法???其他選項(xiàng)均為默認(rèn)狀態(tài)。??２．５．３模型評(píng)價(jià)??計(jì)算每個(gè)模型的準(zhǔn)確度、靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值。用受??試者工作特征曲線下面積（Ａｒｅａ?ｕｎｄｅｒ?ｒｅｃｅｉｖｅｒ?ｏｐｅｒａｔｉｎｇ?ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｃｕｒｖｅ，?ＡＵＣ?）??對(duì)模型進(jìn)行評(píng)價(jià)，當(dāng)ＡＵＣ＜０．５時(shí)，說明預(yù)測效果很差。當(dāng)ＡＵＣ在０．５？０．７時(shí)，??說明預(yù)測準(zhǔn)確性較低，當(dāng)ＡＵＣ在０．７￣０．９時(shí)，說明預(yù)測有比較好的準(zhǔn)確性，當(dāng)??ＡＵＣ＞０．９時(shí)，說明預(yù)測準(zhǔn)確性特別好。??２．６技術(shù)路線??技術(shù)路線如周２．１所示。??｜?血漿ｍｉＲＸＡｓ?｜??Ｉ??肺癌樣本?＼??ｔ?ｔ?ｔ??Ｒｅａｌ－Ｔｉｍｅ?ＰＣＲ?臨床資料收集?預(yù)后隨訪??Ｉ?￣??單因素生存分析??Ｔ??｜??多因素生存分折?］《１１＂＂??數(shù)捤預(yù)處理??ｔ?ｔ?＼?ｔ?ｉ??ＢＸＮ?｜?ＡＸＮ?ＬＤＡ?Ｃ５．０?｜?｜?ＳＶ＇Ｉ?｜??ｔ??褅選最佳揆型??圖２．?２本研宄技術(shù)路線??８??

????３結(jié)果??３．１?ｍｉＲＮＡｓ質(zhì)控結(jié)果??以ｍｉＲ－２１為例做標(biāo)準(zhǔn)曲線。圖３．１Ａ顯示ｃＤＮＡ２倍梯度稀釋的擴(kuò)增曲線比??較平滑。圖３．１Ｂ顯示ｃＤＮＡ濃度和Ｃｔ值呈反比，具有線性相關(guān)關(guān)系，擴(kuò)增效??率為?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??圖３．１?ｍｉＲＮＡｓ的擴(kuò)増曲線和標(biāo)準(zhǔn)曲線??３．２研究對(duì)象一般資料??根據(jù)上述研究對(duì)象納入標(biāo)準(zhǔn)，截止到２０２０年３月１號(hào)，中位隨訪時(shí)間為??２６．８?（１？４３）月，共有７０例原發(fā)性肺癌患者納入研宄。其中男性４４例（６２％），??女性２６例（３８％）；年齡３９？８７歲，平均年齡為６１．４±９．６６歲；吸煙者３８例??（５４％），不吸煙者３２例（４６％）；飲酒者９例（１５％），不飲酒者６１例（８５％）；??有發(fā)熱８例（１１％），無發(fā)熱６２例（８９％）；淋巴結(jié)轉(zhuǎn)移者４４例（６３％），無轉(zhuǎn)移??２６例（３７％）；胸悶胸痛者２９例（４１％），無胸悶胸痛者４１例（５９％）；咳嗽３８??例（５４％），無咳嗽３２例（４６％）；有痰中帶血者１５例（２１％），無痰中帶血５５??例（７９％）；咯血者４例（４％），無咯血６６例（９６％）；?Ｉ期１０例（１４％），?ＩＩ期??９??

【參考文獻(xiàn)】：
期刊論文
[1]人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用研究[J]. 梁春華.  無線互聯(lián)科技. 2019(22)
[2]原發(fā)性肺癌患者病理特征及預(yù)后分析[J]. 馬甜甜,萬毅新,石磊.  實(shí)用癌癥雜志. 2019(11)
[3]血清miR-483-5p、miR-21和miR-25檢測在非小細(xì)胞肺癌診斷中的價(jià)值[J]. 李世榮,劉艷,王振明,宋明澤,焦紅娟.  山東醫(yī)藥. 2019(23)
[4]基于支持向量機(jī)分類算法的多煤種煤自燃危險(xiǎn)性預(yù)測[J]. 張?zhí)煊?魯義,施式亮,王濤,楊帆,牛會(huì)永.  湖南科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[5]基于決策樹的腫瘤患者難免性壓瘡風(fēng)險(xiǎn)預(yù)測模型研究[J]. 楊青,王國蓉,江賓,張含鳳,盧秀英.  護(hù)理學(xué)雜志. 2019(13)
[6]同時(shí)多原發(fā)肺腺癌的CT征象與病理分化程度的關(guān)系[J]. 陳山,左敏,劉長華.  癌癥進(jìn)展. 2019(05)
[7]肺腺癌預(yù)后相關(guān)miRNA生物信息學(xué)篩選及其臨床意義[J]. 張皓旻,楊波,陳紅飛,遲小華,席義博,陳熙勐,郭斌,賀培鳳,盧學(xué)春.  中國應(yīng)用生理學(xué)雜志. 2018(06)
[8]大數(shù)據(jù)時(shí)代數(shù)據(jù)庫的應(yīng)用探析[J]. 謝宣霆.  電腦知識(shí)與技術(shù). 2018(24)
[9]miR-204過表達(dá)抑制成視網(wǎng)膜細(xì)胞瘤細(xì)胞的增殖與侵襲及其可能的機(jī)制[J]. 王建民,張加賓,劉杰慧,高鵬.  中國腫瘤生物治療雜志. 2018(08)
[10]基于C5.0算法的胃癌生存預(yù)測模型研究[J]. 黃志剛,劉虹,劉娟,張岐山.  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)

博士論文
[1]TNM分期之外的臨床病理因素與常見胸部惡性腫瘤預(yù)后關(guān)系的研究[D]. 張湘?zhèn)?山東大學(xué) 2017

碩士論文
[1]貝葉斯神經(jīng)網(wǎng)絡(luò)在信息安全風(fēng)險(xiǎn)評(píng)估中的量化研究[D]. 王鑫.貴州大學(xué) 2019
[2]基于人血漿microRNAs的數(shù)據(jù)挖掘技術(shù)構(gòu)建肺癌預(yù)測系統(tǒng)[D]. 馮曉蕾.鄭州大學(xué) 2017
[3]近5年肺癌人群臨床特征分析[D]. 丁雪.大連醫(yī)科大學(xué) 2014
[4]基于向量空間模型的文本自動(dòng)分類算法的研究與改進(jìn)[D]. 王瀟.西北師范大學(xué) 2006
[5]決策樹技術(shù)及其在醫(yī)學(xué)中的應(yīng)用[D]. 徐蕾.第二軍醫(yī)大學(xué) 2004



本文編號(hào)：3074636