目的:运用机器学习算法及列线图，构建和验证免疫检查点抑制剂相关性肺炎（CIP）风险预测模型，旨在为更好的辅助临床护理人员筛查CIP的高危人群，提供准确直观的方法。方法:采用回顾性病例对照研究。选取2019年1月至2022年2月南方医科大学珠江医院就诊的230例使用免疫检查点抑制剂治疗的肿瘤患者，使用医院电子病历系统收集患者的资料。应用5种机器学习算法和列线图构建预测模型，在独立测试集进行模型的验证，最后依据评价指标AUC、准确率等评估预测模型的区分度及稳定性。结果:6种模型均提示，肺部基础疾病、吸烟史、血清白蛋白值≤35 g/L、胸部放疗史是促进CIP发生的重要影响因素。K最近邻、支持向量机（SVM）、朴素贝叶斯、决策树和随机森林构建的CIP预测模型的AUC分别为0.647、0.696、0.930、0.870、0.934。列线图构建的模型AUC为0.813，预测性能较好，但低于机器学习算法中表现最佳的随机森林模型（AUC=0.934）。结论:与列线图相比，基于机器学习算法建立的CIP的风险预测模型具有更高的诊断价值，但列线图构建的模型可更直观评估患者风险，建议在列线图基础上，结合机器学习算法，可增加预测模型的准确性及实用性。

目的:建立血液分析检验结果人工智能（AI）审核规则。方法:纳入2019年8月1日至31日吉林大学第一医院住院患者血液分析数据18 474份，作为AI审核规则训练组，采集其对应的患者年龄、镜检结果、临床诊断信息，以血液分析报告参数、研究参数、报警信息等92个实验室参数作为AI审核规则的候选条件；依据镜检的人工审核作为审核标准，标注是否通过或拦截；采用决策树算法，通过高强度、多轮次及五折交叉验证，初步建立AI审核规则，通过设置重要病例必中，以优化AI审核规则。采用卡方检验比较AI审核规则与自动审核规则的假阴性率、精确率、召回率、F1分数、通过率等指标，评价AI审核规则性能。收集2023年11月1日至31日吉林大学第一医院检验科12 475份住院患者血液分析数据作为验证组，将AI审核规则模拟用于结果审核，分析AI审核规则的性能指标，验证AI审核规则的性能。结果:AI审核规则由15项规则、17条参数构成，能够分辨计数和形态异常。与自动审核规则相比，AI审核规则的训练组真阳性率、假阳性率、真阴性率、假阴性率、通过率、正确率、精确率、召回率、F1分数分别为22.7%、1.6%、74.5%、1.3%、75.7%、97.2%、93.5%、94.7%、94.1，均优于自动审核规则，差异具有统计学意义（ P<0.001），且无重要病例漏检。验证组真阳性率、假阳性率、真阴性率、假阴性率、通过率、正确率、精确率、召回率、F1分数分别为19.2%、8.2%、70.1%、2.5%、72.6%、89.2%、70.0%、88.3%、78.1，与自动审核规则相比，假阴性率较低、假阳性率和召回率稍高，差异具有统计学意义（ P<0.001）。 结论:利用机器学习的决策树算法建立并验证的血常规AI审核规则，能较稳定地识别、拦截与提示异常结果，与自动审核相比在血液分析检验结果报告中更加简便、高效、准确。

目的:基于不同监督机器学习算法，构建并验证适用于脓毒性休克患者28 d死亡风险的最佳预测模型。方法:从美国重症监护医学信息数据库Ⅳ v2.0（MIMIC-Ⅳ v2.0）中筛选出符合脓毒症3.0的脓毒性休克患者，随机抽取病例，其中70%作为训练集，30%作为验证集。从人口学特征及基础生命体征、入重症监护病房（ICU）24 h内血清学指标及可能影响指标的合并症、功能评分及高级生命支持3个层面提取相关预测变量。比较基于决策树分类回归树（CART）、随机森林（RF）、支持向量机（SVM）、线性回归（LR）及超级学习器〔SL，综合了CART、RF和极端梯度提升（XGBoost）〕5种主流机器学习算法构建的模型对脓毒性休克患者28 d死亡的预测效能，筛选最佳算法模型。利用LASSO回归、RF和XGBoost算法，通过取交集确定最佳预测变量，构建预测模型。采用受试者工作特征曲线（ROC曲线）验证模型的预测效能；采用校准曲线评估模型的准确性；采用决策曲线分析（DCA）验证模型的实用性。结果:最终共纳入3?295例脓毒性休克患者，28 d存活2?164例，死亡1?131例，病死率为34.32%；其中，训练集2?307例（28 d死亡792例，病死率为34.33%），验证集988例（28 d死亡339例，病死率为34.31%）。基于训练集数据分别建立5种机器学习模型；在纳入3个层面的变量后，RF、SVM、LR 3种机器学习模型在验证集预测脓毒性休克患者28 d死亡的ROC曲线下面积（AUC）依次为0.823〔95%可信区间（95% CI）为0.795～0.849〕、0.823（95% CI为0.796～0.849）、0.810（95% CI为0.782～0.838），高于CART算法模型（AUC＝0.750，95% CI为0.717～0.782）和SL算法模型（AUC＝0.756，95% CI为0.724～0.789），故将以上3种算法模型确定为最佳算法模型。综合3个层面变量后，通过LASSO回归、RF和XGBoost算法筛选并取交集，得出16个最佳预测变量，依次为入ICU 24 h内pH最大值、白蛋白（Alb）最大值、体温最大值、血乳酸（Lac）最小值、Lac最大值、血肌酐（SCr）最大值、Ca 2+最大值、血红蛋白（Hb）最小值、白细胞计数（WBC）最小值、年龄、简化急性生理学评分Ⅲ（SAPSⅢ）、WBC最大值、急性生理学评分Ⅲ（APSⅢ）、Na +最小值、体质量指数（BMI）及活化部分凝血活酶时间（APTT）最小值。ROC曲线分析显示，以上述16个最佳预测变量构建的Logistic回归模型为最佳预测模型，在验证集中的AUC为0.806（95% CI为0.778～0.835）；校准曲线及DCA曲线显示，该模型的精准度较高，且净收益最高可达0.3，其预测效能明显优于传统以单一功能评分〔APSⅢ评分、SAPSⅢ评分、序贯器官衰竭评分（SOFA）〕建立的模型〔AUC（95% CI）分别为0.746（0.715～0.778）、0.765（0.734～0.796）、0.625（0.589～0.661）〕。 结论:以pH值、Alb、体温、Lac、SCr、Ca 2+、Hb、WBC、SAPSⅢ评分、APSⅢ评分、Na +、BMI、APTT等16个最佳变量构建的Logistic回归模型为脓毒性休克患者28 d死亡风险的最佳预测模型，其效能稳定，区分度及精准度均较高。

采用机器学习技术构建布鲁杆菌病（简称：布病）早期预测模型，以辅助提高布病的诊断效率。本文为病例对照研究，收集2011年5月9日至2021年11月29日首都医科大学附属北京地坛医院的布病患者2 381例作为病例组，首都医科大学附属北京朝阳医院表观健康人检验数据13 257例作为对照组。采用患者年龄、性别、临床诊断信息及22项血细胞分析结果，使用机器学习的随机森林、朴素贝叶斯、决策树、逻辑回归和支持向量机5种算法构建布病早期预测模型；其中14 074例（病例组2 143例，对照组11 931名）用于构建布病早期预测模型，1 564例（病例组238例，对照组1 326名）用于测试模型的预测效能。结果显示，通过对5种机器学习模型进行比对，支持向量机模型预测性能最佳，受试者工作曲线（ROC）线下面积（AUC）为0.991，准确度、精确度、特异度和召回率分别可达95.6%、95.5%、95.4%和95.9%。依据SHAP图显示，血小板分布宽度（PDW）和嗜碱粒细胞相对值（BASO%）结果较低，红细胞分布宽度变异系数（R-CV）、红细胞血红蛋白浓度（MCHC）和血小板体积（MPV）结果高的男性被预测为布病风险高。其中，血小板分布宽度（PDW）对预测模型贡献度最大，红细胞分布宽度变异系数（R-CV）次之。综上，基于机器学习技术建立高灵敏度的布病早期预测方法，对布病患者的及早发现、尽快治疗可能具有重要意义。

跌倒已成为全球老年人共同面临的健康问题，是导致我国65岁及以上老年人致命和非致命伤害的主要原因。由于老年人的体内药物代谢动力学及药物敏感性的改变，药物的使用成为致老年人跌倒的重要危险因素。欧洲老年医学会(EuGMS)于2021年发布了老年人跌倒高风险处方筛查工具(STOPP Fall工具)，主要应用于老年患者的增加跌倒风险药物(FRIDs)的处方精简。该筛查工具整理出14类跌倒高风险药物和10类药物的跌倒风险差异要点，同时给出了处方精简的指引及决策树。

目的:构建老年女性骨质疏松症（OP）患者髋关节骨折的风险预测决策树模型，并验证其效能。方法:分析郑州大学第一附属医院2020年1月至2023年6月收治的315例老年女性OP患者的临床资料，采用随机数字表分为建模组（210例）和测试组（105例）。建模组根据是否发生髋关节骨折分为发生组（41例）和未发生组（169例），比较两者的资料，Logistic回归分析影响因素，构建决策树模型；绘制受试者工作特征（ROC）曲线验证模型的效能。结果:髋关节骨折发生率为19.68%，建模组19.52%、测试组20.00%；OP病程[比值比（ OR）＝2.123，95%可信区间（ CI）：1.143～3.945]、合并糖尿病（ OR＝2.018，95% CI：1.116～3.647）、子宫切除手术史（ OR＝1.584，95% CI：1.048～2.395）、平均每天运动时间（ OR＝0.541，95% CI：0.327～0.895）、平均每天光照时间（ OR＝0.547，95% CI：0.379～0.791）、骨折风险评估工具（FRAX）（ OR＝2.261，95% CI：1.241～4.120）、未遵医嘱抗OP治疗（ OR＝1.817，95% CI：1.206～2.736）、外力打击（ OR＝4.607，95% CI：1.193～6.143）均是髋关节骨折的影响因素（ P<0.05）；构建的决策树模型筛选出上述8个解释变量，且外力打击与髋关节骨折最具相关性（ χ2＝10.488， P<0.05）；决策树模型预测测试组髋关节骨折发生的灵敏度和特异度分别为85.71%、88.10%，曲线下面积（AUC）（95% CI）为0.973（0.949～0.998）。 结论:OP病程、合并糖尿病、子宫切除手术史、平均每天运动时间、平均每天光照时间、FRAX、未遵医嘱抗OP治疗、外力打击均是老年女性OP患者髋关节骨折的影响因素，基于此构建的决策树模型效能高。

目的:从全社会角度评价5岁以下婴幼儿人群接种5价轮状病毒疫苗相比不接种疫苗的成本收益。方法:构建决策树-马尔可夫模型，以接种5价轮状病毒疫苗为研究策略，不接种为对照策略，模拟1 000 000名5岁以下婴幼儿人群队列，评估接种5价轮状病毒疫苗相较于不接种的成本-效果、成本-效益、成本-效用，使用伤残调整寿命年（disability adjusted life year，DALY）作为效用指标，并通过敏感性分析评价模型拟合结果的稳定性。结果:模型拟合结果显示，与不接种5价轮状病毒疫苗相比，接种疫苗5年减少22 826例轮状病毒感染病例、14 618例门诊病例、5 243例住院以及1 066例死亡病例，成本-效果比为17 329.36；成本-效益比为1∶3.59；接种疫苗的成本-效用比为799.54元/DALY，不接种疫苗的成本-效用比为1 018.73元/DALY，增量成本-效用比为23 201.05元/DALY。单因素敏感性分析显示，5岁以下婴幼儿轮状病毒感染率、5价疫苗保护率和疫苗价格对模型拟合结果影响较大。概率敏感性分析结果显示，接种疫苗是绝对优势策略。结论:在5岁以下婴幼儿人群中开展5价轮状病毒疫苗接种具有较好的成本收益，值得推广。

目的:探讨基于动态增强MRI（DCE-MRI）和扩散加权成像（DWI）的影像组学模型对小乳腺癌（最大径≤20 mm）的诊断效能，并与放射科医师评估结果进行对比分析。方法:回顾性分析2016年6月至2018年1月上海交通大学医学院附属仁济医院经手术病理证实的乳腺小病灶（最大径≤20 mm）205个，分为训练集（ n=116）和测试集（ n=89）。基于术前DCE-MRI和DWI序列，运用梯度提升决策树（GBDT）建立影像组学模型，预测测试集病灶的良恶性。测试集MRI图像由1名经验丰富的放射科医师评估，判断病灶良恶性。运用受试者操作特征（ROC）曲线分析评估GBDT模型和放射科医师的诊断效能。采用DeLong检验比较ROC曲线下面积，McNemar检验比较灵敏度、特异度和准确度。 结果:GBDT模型鉴别乳腺小病灶良恶性的ROC曲线下面积（0.950），与放射科医师联合DCE-MRI和DWI评估（0.935）相比差异无统计学意义（ Z=0.499， P=0.618），并显著高于单独运用DCE-MRI（0.874）或DWI（0.832）评估（ Z=2.024， P=0.043； Z=2.772， P=0.006）。GBDT模型最佳截断点灵敏度、特异度和准确度分别为90.0%，89.8%和89.9%，DCE-MRI联合DWI最佳截断点灵敏度、特异度和准确度分别为97.5%，79.6%和87.6%，2种方法相比差异均无统计学意义（χ2=0.800，2.286和0.083， P均>0.05）。 结论:基于DCE-MRI和DWI建立的影像组学模型对小乳腺癌具有较高的诊断效能，与经验丰富的放射科医师评估结果一致。

目的:探讨胸段食管鳞癌腹腔淋巴结转移的影响因素，构建胸段食管鳞癌腹腔淋巴结转移的预测模型并进行转移概率的风险亚组分析。方法:采用回顾性病例对照研究方法。收集2015年3月至2019年4月郑州大学第一附属医院收治的443例行胸腹腔镜食管癌根治术联合系统性淋巴结清扫治疗胸段食管鳞癌患者的临床病理资料；男259例，女184例；中位年龄为64岁，年龄范围为41~81岁。基于胸段食管鳞癌腹腔淋巴结转移的多因素分析结果构建列线图预测模型，绘制其校正曲线和决策曲线，预测模型的预测性能采用一致性指数评估。根据列线图模型对胸段食管鳞癌腹腔淋巴结转移预测的总分进一步行递归分割分析，构建决策树模型对患者进行风险亚组分析。观察指标：(1)胸段食管鳞癌腹腔淋巴结转移情况。(2)胸段食管鳞癌腹腔淋巴结转移的影响因素分析。(3)胸段食管鳞癌腹腔淋巴结转移列线图预测模型的构建。(4)胸段食管鳞癌腹腔淋巴结转移决策树模型的构建及转移概率的风险亚组分析。偏态分布的计量资料以 M(范围)表示。计数资料以绝对数和百分比表示，组间比较采用 χ2检验。等级资料组间比较采用非参数秩和检验。多因素分析采用Logistic回归模型。经Logistic回归模型多因素分析后，应用RStudio 3.4软件构建列线图模型。 结果:(1)胸段食管鳞癌腹腔淋巴结转移情况：443例患者中，89例发生腹腔淋巴结转移，腹腔淋巴结转移率为20.09%(89/443)。(2)胸段食管鳞癌腹腔淋巴结转移的危险因素分析：单因素分析结果显示肿瘤位置、肿瘤长度、肿瘤分化程度、病理学T分期、神经侵犯、脉管侵犯和胸部淋巴结转移是胸段食管鳞癌腹腔淋巴结转移的相关因素( χ2=12.177， Z=-2.754，-4.218，-4.254，　 χ2=3.908，33.025，30.387， P<0.05)。多因素分析结果显示：肿瘤位置、脉管侵犯和胸部淋巴结转移是胸段食管鳞癌腹腔淋巴结转移的独立影响因素(优势比=2.165，3.442，2.876，95%可信区间为1.380~3.396，1.787~6.633，1.631~5.071， P<0.05)。(3)胸段食管鳞癌腹腔淋巴结转移列线图预测模型的构建：应用多因素分析结果筛选指标，包括肿瘤位置、脉管侵犯和胸部淋巴结转移，构建胸段食管鳞癌腹腔淋巴结转移列线图预测模型，一致性指数为0.846。校正曲线分析结果显示：列线图预测模型预测胸段食管鳞癌腹腔淋巴结转移概率与实际淋巴结转移概率吻合度较高。决策曲线分析结果显示：胸段食管鳞癌腹腔淋巴结转移概率阈值为0.001~0.819时，应用该列线图预测模型有较好收益。(4)胸段食管鳞癌腹腔淋巴结转移决策树模型的构建及转移概率的风险亚组分析：决策树模型根据腹腔淋巴结转移概率将患者分为6个风险亚组：A组，无脉管侵犯+胸部淋巴结无转移；B组，无脉管侵犯+胸部淋巴结转移1~3枚；C组，无脉管侵犯+胸部淋巴结转移≥4枚；D组，脉管侵犯+胸部淋巴结转移0~2枚+肿瘤位于胸上段或胸中段；E组，脉管侵犯+胸部淋巴结转移0~2枚+肿瘤位于胸下段；F组，脉管侵犯+胸部淋巴结转移≥3枚。A组为低危组，腹腔淋巴结转移概率为11%；B和D组为中低危组，腹腔淋巴结转移概率分别为27%和21%；C和E组为中高危组，腹腔淋巴结转移概率分别为56%和55%；F组为高危组，腹腔淋巴结转移概率为80%。 结论:肿瘤位置、脉管侵犯和胸部淋巴结转移是胸段食管鳞癌腹腔淋巴结转移的独立影响因素。脉管侵犯对腹腔淋巴结转移影响最大，胸部淋巴结转移数目次之，而肿瘤位置最小。构建胸段食管鳞癌腹腔淋巴结转移列线图预测模型及决策树模型可将患者腹腔淋巴结转移概率分为6个风险亚型。

癫痫是一种严重的慢性神经系统疾病，可通过分析由脑神经元产生的脑电信号对其进行检测，因此脑电图成为诊断癫痫的关键工具。应用特异性方法对脑电信号进行处理和分析，在探索大脑工作机制和脑神经系统疾病的诊断方面具有重要意义。本文通过对脑电图信号的特征提取、特征分类等相关分析方法（如主成分分析、独立成分分析、小波变换、线性判别分析、支持向量机、人工神经网络和决策树等）进行总结，阐述了其在癫痫治疗中的应用，概括展示了近年来的研究进展。为癫痫发作的检测和分类以及未来的研究方向提供了一定的借鉴和参考。