一种用于肾移植受者的术后监测装置的制作方法

1.本发明涉及医药技术领域，具体涉及一种用于肾移植受者的术后监测装置。


背景技术：

2.急性排斥(ar)目前是肾移植受者的常见并发症，并且对接受者的预后具有负面影响。尽管近年引入了更新的免疫抑制方案，但肾移植受者中ar的发生率仍然很高，约为15％至20％。此外，由于供器官短缺，扩大标准供体(ecd)肾移植手术例数逐年增加；与活体供器官相比，ar率更高的扩大标准供体(ecd)肾移植的ar发生率会增高。移植肾ar的发生与严重的预后不良事件相关，例如移植肾功能障碍和慢性同种异体移植肾病。同时，ar可发生在肾移植后的任意阶段；移植术后90天内发生ar和移植术后90天后发生ar的受者的5年生存率分别为63％和45％。因此，为改善受者的预后，有必要研究及时发现移植肾ar的新手段。
3.目前，移植术后ar监测常采取肾功能相关非特异性指标，其敏感性、特异性均有限。而移植肾穿刺活检虽然作为ar诊断的金标准，但此项检查为侵入性检查，存在感染等风险，且患者依从性不高。
4.综上所述，传统的术后监测装置存在准确性与安全性无法并存的问题。


技术实现要素：

5.有鉴于此，本技术提供一种用于肾移植受者的术后监测装置。
6.为解决以上技术问题，本发明提供的技术方案如下：
7.一种用于肾移植受者的术后监测装置，包括：数据采集单元，用于采集肾移植受者的外周血转录组数据；数据库单元，用于存储所述外周血转录组数据；支持向量机单元，用于基于所述外周血转录组数据生成监测报告。
8.优选的，所述支持向量机单元包括样本构建模块和分类器模块，所述样本构建模块调用预存储于所述数据库单元的研究数据，并基于所述研究数据构建训练集和测试集，所述分类器模块基于所述训练集和所述测试集训练并测试分类器模型，生成最优分类器模型，所述最优分类器模型能够基于所述外周血转录组数据生成所述监测报告。
9.优选的，所述分类器模块包含的所述分类器模型包括集成pca
‑
svm分类器模型、逻辑回归分类器模型和逐步回归分类器模型。
10.优选的，在所述待训练的分类器模型种类为所述集成pca
‑
svm分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，所述分类器模块基于所述训练集，采取多参数和bagging策略进行集成训练所述集成pca
‑
svm分类器模型，并基于所述测试集，采集留一法交叉验证所述集成pca
‑
svm分类器模型，直至生成最优集成pca
‑
svm分类器模型。
11.优选的，在所述待训练的分类器模型种类为所述逐步回归分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训
练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的多个差异表达rna数据，并通过逐步回归在所述多个差异表达rna数据中提取多个权重较高的多个关键mrna，基于所述多个关键mrna建立并训练所述逐步回归分类器模型后，基于所述测试集，采集十折交叉验证所述逐步回归分类器模型，直至生成最优逐步回归分类器模型。
12.优选的，在所述待训练的分类器模型种类为所述逻辑回归分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的多个差异表达rna数据建立并训练所述逻辑回归分类器模型后，基于所述测试集，采集十折交叉验证所述逻辑回归分类器模型，直至生成最优逻辑回归分类器模型。
13.优选的，所述数据采集单元为微阵列平台。
14.优选的，所述数据库单元为geo数据库。
15.本发明首要改进之处在于提供的用于肾移植受者的术后监测装置，通过支持向量机单元调用预存储于数据库单元的研究数据，构建并测试分类器模型，分类器模型基于肾移植受者的外周血转录组数据预测肾移植受者发生术后急性排斥的概率并生成检测报告，实现了在非侵入性检测的同时准确的监测肾移植受者的肾功能情况，同时检测报告能够为进一步的移植肾穿刺活检确证诊断提供理论上的必要性依据。
附图说明
16.图1为本发明实施例提供的用于肾移植受者的术后监测装置的简化结构连接图。
具体实施方式
17.为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
18.为实现绝对消光比，如图1所示，本专利提供一种用于肾移植受者的术后监测装置，包括：数据采集单元，用于采集肾移植受者的外周血转录组数据；数据库单元，用于存储所述外周血转录组数据；支持向量机单元，用于基于所述外周血转录组数据生成监测报告。其中，所述数据采集单元可以是微阵列(microarray)平台gpl570(affymetrix human genome u133 plus 2.0array,hg
‑
u133_plus_2)。所述数据库单元可以是geo数据库。
19.进一步的，所述支持向量机单元包括样本构建模块和分类器模块，所述样本构建模块调用预存储于所述数据库单元的研究数据，并基于所述研究数据构建训练集和测试集，所述分类器模块构建全转录组主成分分析的空间成分得分矩阵，基于所述训练集和所述测试集训练并测试分类器模型，生成最优分类器模型，所述最优分类器模型能够基于所述外周血转录组数据生成所述监测报告。其中，所述分类器模块包含的所述分类器模型包括集成pca
‑
svm分类器模型、逻辑回归分类器模型和逐步回归分类器模型。
20.更进一步的，在所述待训练的分类器模型种类为所述集成pca
‑
svm分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将
所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，所述分类器模块基于所述训练集，采取多参数和bagging策略进行集成训练所述集成pca
‑
svm分类器模型，并基于所述测试集，采集留一法交叉验证所述集成pca
‑
svm分类器模型，直至生成最优集成pca
‑
svm分类器模型。
21.更进一步的，在所述待训练的分类器模型种类为所述逻辑回归分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的24个差异表达rna数据建立并训练所述逻辑回归分类器模型后，基于所述测试集，采集十折交叉验证所述逻辑回归分类器模型，直至生成最优逻辑回归分类器模型。
22.更进一步的，在所述待训练的分类器模型种类为所述逐步回归分类器模型的情况下，所述样本构建模块调用预存储于所述数据库单元的研究数据作为训练样本集并将所述训练样本集划分为所述训练集和所述测试集，其中，所述研究数据包括多组肾移植受者的活检数据及其对应的外周血转录组数据，所述分类器模块基于经验贝叶斯法鉴别所述训练集的所述外周血转录组数据中的多个差异表达rna数据，并通过逐步回归在所述24个差异表达rna数据中提取多个权重较高的10个关键mrna，基于所述多个关键mrna建立并训练所述逐步回归分类器模型后，基于所述测试集，采集十折交叉验证所述逐步回归分类器模型，直至生成最优逐步回归分类器模型。其中，10个关键mrna包括slc8a1，prpf4b，mdfic，rras2，caap1，sgpp1，smim15，nus1，etnk1和arl5a。
23.本发明通过支持向量机单元调用预存储于数据库单元的研究数据，构建并测试分类器模型，分类器模型基于肾移植受者的外周血转录组数据预测肾移植受者发生术后急性排斥的概率并生成检测报告，实现了在非侵入性检测的同时准确的监测肾移植受者的肾功能情况，同时检测报告能够为进一步的移植肾穿刺活检确证诊断提供理论上的必要性依据。
24.以上对本发明实施例所提供的用于肾移植受者的术后监测装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
25.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
26.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术
领域内所公知的任意其它形式的存储介质中。