用于MODS早期预警的炎症因子组合物、模型及试剂盒

本技术涉及mods发生风险评估，尤其涉及一种用于mods早期预警的炎症因子组合物、模型及试剂盒。

背景技术：

1、创伤是全球性的公共健康问题，随着医疗水平的进步，创伤后出血导致的死亡率已大大降低。然而，止血后创伤带来的继发损伤并未停止。严重创伤导致的全身炎症反应（systemic inflammatory response syndrome，sirs）及多器官功能障碍综合征(multipleorgan dysfunction syndrome，mods)的继发损伤成为此类患者预后不良、治疗效果不佳的主要原因，约占创伤总死亡率的三分之二，但目前临床上尚无有效的mods发生的标志物及风险评估策略。

技术实现思路

1、有鉴于此，本技术的目的在于提出一种用于mods早期预警的炎症因子组合物、模型及试剂盒，以能够对由炎症因子风暴导致的mods进行预警。

2、基于上述目的，本技术提供了一种用于mods早期预警的炎症因子组合物，包括：il_6、il_8、ifn_gama（或称为ifn_γ）、stnf_rii、blc和il_1ra。

3、基于同一种发明构思，本技术还提供了一种用于mods早期预警的风险评估模型，其所述模型的构建方法包括：

4、获取预处理后的原始数据集，所述原始数据集包括多个mods样本，每一所述mods样本中均包括多个细胞因子及其对应的浓度值；

5、基于所述预处理后的原始数据集，分析每个细胞因子与mods之间的关系，并确定多个特征细胞因子；

6、基于多个所述特征细胞因子构建初始mods风险评估模型；

7、对所述初始mods风险评估模型进行训练，并计算该训练过程中的多个所述特征细胞因子的模型纳入频率，将所述模型纳入频率高于预设值的特征细胞因子il_6、il_8、ifn_gama、stnf_rii、blc、il_1ra作为目标细胞因子；

8、基于所述目标细胞因子构建目标mods风险评估模型。

9、进一步，所述获取预处理后的原始数据集，包括：

10、获取原始数据集；

11、将原始数据集中的每一所述细胞因子的浓度值进行标准化处理，得到预处理的数据集。

12、进一步，所述基于所述预处理后的原始数据集，分析每个细胞因子与mods之间的关系，并确定多个特征细胞因子，包括：

13、基于预处理后的原始数据集，应用描述性统计方法确定每种细胞因子与mods发生的初始概率关系，并基于该初始概率关系，确定多种第一细胞因子；

14、应用单变量逻辑回归模型分析每种第一细胞因子与mods发生的第一概率关系，并基于该第一概率关系，确定多种第二细胞因子；

15、应用多变量逻辑回归模型分析多种第二细胞因子与mods发生的第二概率关系，并基于该第二概率关系，确定多个特征细胞因子。

16、进一步，所述应用多变量逻辑回归模型分析多种第二细胞因子与mods发生的第二概率关系，并基于该第二概率关系，确定多个特征细胞因子，包括：

17、在每一所述mods样本中的多个第二细胞因子中确立多个第二细胞因子子集；

18、将每一第二细胞因子子集的因子水平代入所述多变量逻辑回归模型中进行计算，并得到多个过程计算模型，每一所述过程计算模型均用以表示一第二细胞因子子集与mods发生的第二概率关系；

19、基于每一第二细胞因子子集与mods发生的第二概率关系，在多个所述过程计算模型中筛选优化过程计算模型，计算多个优化过程计算模型中涉及的第二细胞因子的模型纳入频率，并将所述模型纳入频率高于预设值的第二细胞因子作为特征细胞因子。

20、进一步，所述基于多个所述特征细胞因子构建初始mods风险评估模型，包括：

21、基于预处理后的原始数据集，采用最大似然估计法计算每一所述特征细胞因子的初始似然估计，将所述初始似然估计作为每一所述特征细胞因子的初始模型参数；

22、基于多个所述特征细胞因子及与每一所述特征细胞因子对应的初始模型参数构建初始mods风险评估模型。

23、进一步，所述对所述初始mods风险评估模型进行训练，并计算该训练过程中的多个所述特征细胞因子的模型纳入频率，将所述模型纳入频率高于预设值的特征细胞因子il_6、il_8、ifn_gama、stnf_rii、blc、il_1ra作为目标细胞因子，包括：

24、对预处理后的原始数据集进行有放回的重抽样，并形成多个样本集，每一所述样本集包括多个mods样本；

25、在每一所述mods样本中的多个特征细胞因子中确立多个特征细胞因子子集；

26、将每一特征细胞因子子集的因子水平代入所述初始mods风险评估模型中进行训练，并得到多个过程训练模型，每一所述过程训练模型均用以表示一特征细胞因子子集与mods发生的关系；

27、基于特征细胞因子子集与mods发生的关系，在多个所述过程训练模型中筛选优化过程训练模型，计算多个优化过程训练模型中涉及的特征细胞因子的模型纳入频率，并将所述模型纳入频率高于预设值的特征细胞因子il_6、il_8、ifn_gama、stnf_rii、blc、il_1ra作为特征细胞因子。

28、进一步，所述基于所述目标细胞因子构建目标mods风险评估模型，包括：

29、基于多个样本集，采用最大似然估计法计算每一所述目标细胞因子的目标似然估计，将所述目标似然估计作为对应的所述目标细胞因子的目标模型参数；

30、基于多个所述目标细胞因子及与每一所述目标细胞因子对应的目标模型参数构建mods目标风险评估模型。

31、进一步， 所述目标mods风险评估模型，包括：

32、；

33、其中，为预测值，x1、x2、x3、x4、x5、x6为模型变量，分别对应il_6、il_8、ifn_gama、stnf_rii、blc、il_1ra的标准浓度值，β0、β1、β2、β3、β4、β5、β6为模型参数。

34、基于同一发明构思，本技术还在于公开一种用于mods早期预警的试剂盒，包括用于检测il_6、il_8、ifn_gama、stnf_rii、blc、il_1ra浓度的配体。

35、从上面所述可以看出，本技术提供的炎症因子组合物il_6、il_8、ifn_gama、stnf_rii、blc、il_1ra能对mods发生起到早期预警作用，其联合预测的roc曲线下面积为0.972，预警效能优异。且从病理生理机制上来看，6个因子“均匀”分布在固有免疫过程中不同的岗位上（中性粒，单核细胞/巨噬细胞，t细胞，b细胞），起着不同的功能（激活，促炎，募集，抑炎），基本没有相互重合。这从一定程度上证明我们的筛选机制是科学合理的，覆盖了严重创伤后过度免疫反应的全过程，正是因为如此，联合后有优异的表现。综上，本发明的炎症因子组合物、模型及试剂盒能够快速精准预测严重创伤患者炎症因子风暴mods的发生，能够极大的改善临床对于严重创伤救治的成功率。