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: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。

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。

目的:利用机器学习预测右向左分流(right-to-left shunt，RLS)人群隐源性卒中(cryptogenic stroke，CS)发病风险，为CS的准确和高效预测提供解决方案。方法:回顾分析2018年1月至2023年9月在青岛大学附属医院崂山院区神经内科治疗的经颅多普勒超声发泡试验(c-TCD)阳性的289例RLS人群的临床数据，包括人口统计学信息、疾病史、实验室检查指标、诊断和治疗等。使用机器学习train_test_split()函数将数据集随机分为训练集和测试集，比例为8∶2。采用Logistic回归、决策树、随机森林、极端梯度提升、人工神经网络、梯度提升、极限树和自适应增强等算法构建RLS人群CS风险预测模型，使用受试者工作特征曲线(receiver operating characteristic，ROC)及曲线下面积(area under curve，AUC)、混淆矩阵、精确率、召回率、准确率、F1值、校准曲线、决策曲线等综合评估模型性能。性能最优的模型使用特征重要性和SHAP值进行可解释性分析。使用SPSS 25.0进行 t检验、Mann-Whitney U检验和 χ2检验。采用Delong检验比较两模型间AUC的差异。 结果:289例RLS人群发生CS 166例(57.5%)，非CS 123例(42.5%)。统计分析结果显示，CS患者D-二聚体、平均血小板体积、纤维蛋白原等血液生化指标高于非CS患者(均 P<0.01)；训练集与测试集各变量均差异无统计学意义(均 P>0.05)。对测试集进行CS风险预测，随机森林模型取得了最高的AUC(0.885)、精确率(0.806)、召回率(0.879)、准确率(0.810)以及F1得分(0.841)。校准曲线显示随机森林模型最接近参考线，决策曲线表明随机森林模型具有更大的净受益。可解释性分析显示高风险因素包括平均血小板体积、D-二聚体、国际标准化比值、体质量指数以及年龄。 结论:基于随机森林的预测工具表现出色，在预测RLS人群CS风险方面准确性较高。

目的:比较血浆置换、半量血浆置换联合双重血浆吸附（DPMAS）、先等量血浆置换再联合DPMAS、先DPMAS再联合等量血浆置换4种人工肝模式治疗肝衰竭的经济学特点。方法:用Treeage pro 2011软件构建决策树模型，针对肝衰竭患者早、中、晚期分别计算并比较4种不同治疗模式的成本效果比值及增量成本效果值，且对该模型进行敏感性分析；数据来自课题组前期研究结果。结果:肝衰竭早期患者的人工肝治疗，半量血浆置换联合DPAMS方案成本效果比值为89 547.79，增量成本效果值为34 665.34，低于人均国内生产总值，增加的成本具有成本效果优势；肝衰竭中、晚期，先DPMAS再联合等量血浆置换的方案，成本效果比值分别为122 865.5、284 334.97，增量成本效果比值分别为70 744.55、75 299.48，小于3倍人均国内生产总值，增加的成本可以接受，有经济学优势。敏感性分析结果显示基础分析结果可靠。结论:对于早期肝衰竭，半量血浆置换联合DPAMS方案最具成本效果优势；而对于肝衰竭中、晚期，采用先DPMAS再联合等量血浆置换是最为经济的人工肝治疗方案。

目的:评估logistic回归模型和卡方自动交互检测决策树模型预测急性胰腺炎复发的价值。方法:回顾分析2021年6月至2022年6月在江南大学附属医院接受治疗的急性胰腺炎患者临床资料。共纳入364例患者，其中男性219例，女性145例，年龄范围19~91岁，中位年龄53岁。364例患者中急性胰腺炎独立发作2次及2次以上者纳入复发组( n＝63)，首次发作纳入首发组( n＝301)。单因素和多因素logistic回归分析急性胰腺炎复发的影响因素，同时决策树模型分析急性胰腺炎复发的影响因素。绘制受试者工作特征(ROC)曲线分析两种模型对急性胰腺炎复发的预测效果。 结果:多因素logistic回归分析显示，年龄( OR＝0.969，95% CI：0.949~0.990， P＝0.004)、体质量指数( OR＝1.142，95% CI：1.059~1.232， P＝0.001)、伴高脂血症( OR＝3.034，95% CI：1.543~5.964， P＝0.001)是急性胰腺炎复发的独立影响因素。模型预测复发的准确率为83.2%(303/364)。决策树模型分析显示，伴高脂血症、体质量指数是急性胰腺炎复发的影响因素，模型预测复发的准确率为82.7%(301/364)。Logistic回归模型预测复发ROC曲线下面积大于决策树模型(0.776比0.730， Z＝2.02， P＝0.043)。 结论:Logistic回归模型及卡方自动交互检测决策树模型可以预测急性胰腺炎复发，建议将两种模型结合使用，更好地指导临床实践。