目的:采用Logistic回归与决策树模型分析原发性肝癌患者肝动脉栓塞化疗术后延迟性恶心呕吐的影响因素。方法:本研究为横断面研究，采用便利取样法选取2021年3月至2022年6月在中国人民解放军空军军医大学第二附属医院行肝动脉栓塞化疗的原发性肝癌患者236例为研究对象，收集患者延迟性恶心呕吐相关因素，分别建立Logistic回归与决策树模型，并比较2种模型的差异。结果:原发性肝癌患者肝动脉栓塞化疗术后延迟性恶心呕吐的发生率为45.34%（107/236）。Logistic回归模型显示，年龄、是否焦虑、是否有睡眠障碍、化疗药物致吐风险等级、栓塞剂类型、术后24 h疼痛情况是原发性肝癌患者肝动脉栓塞化疗术后延迟性恶心呕吐的影响因素（均 P<0.05）。决策树模型显示，年龄、是否有睡眠障碍、化疗药物致吐风险等级、栓塞剂类型、术后24 h疼痛情况是原发性肝癌患者肝动脉栓塞化疗术后延迟性恶心呕吐的影响因素（均 P<0.05）。Logistic回归模型、决策树模型、2种模型联合诊断分类正确率分别为72.9%、71.2%、72.0%，ROC曲线下面积分别为0.778、0.781、0.806，三者比较差异均无统计学意义（均 P>0.05）。 结论:Logistic回归与决策树模型对原发性肝癌患者肝动脉栓塞化疗术后延迟性恶心呕吐影响因素的分析结果一致性较高，可联合应用2种模型，为医护人员的评估和干预提供更全面的参考。

目的:探讨基于MRI的深度学习（DL）影像组学机器学习模型在术前区分病理低级别和高级别软组织肉瘤（STS）的价值。方法:回顾性纳入2007年11月至2019年5月青岛大学附属医院经病理证实的151例STS患者为训练集、山东第一医科大学附属山东省立医院和河北医科大学附属第三医院的131例STS患者为外部验证集。根据法国国家癌症研究中心（FNCLCC）肿瘤分级标准，STS病理分级低级别（FNCLCCⅠ和Ⅱ级）161例，高级别（FNCLCCⅢ级）121例。分别提取病灶的手工影像组学（HCR）特征和DL影像组学特征，分别基于HCR特征、DL特征和两者组合特征，建立决策树、逻辑回归、支持向量机（SVM）3种分类器的机器学习模型，采用受试者操作特征曲线下面积（AUC）评价各机器学习模型预测高级别和低级别STS的效能，确定最优机器学习模型。采用单因素和多因素logistic回归筛选临床和影像学特征，建立临床影像学模型。结合最优机器学习模型和临床影像学模型，建立列线图，采用AUC来评估各模型和列线图的预测性能，AUC间比较采用DeLong检验。采用Kaplan-Meier生存曲线和log-rank检验评价最优机器学习模型在STS患者无进展生存期（PFS）风险分层中的表现。结果:基于HCR和DL组合影像组学特征的SVM机器学习模型的AUC最大，在训练集和外部验证集中预测STS分级分别为0.931（95%CI 0.889~0.973）和0.951（95%CI 0.904~0.997），为最优机器学习模型。临床影像学模型在训练集和外部验证集中的AUC分别为0.795（95%CI 0.724~0.867）和0.615（95%CI 0.510~0.720），列线图分别为0.875（95%CI 0.818~0.932）和0.786（95%CI 0.701~0.872）。外部验证集中，最优影像组学机器学习模型预测STS分级的性能优于列线图和临床影像学模型（ Z=3.16、6.07， P=0.002、<0.001）。最优影像组学机器学习模型预测的高级别和低级别STS患者的PFS差异有统计学意义（训练集χ2=43.50， P<0.001；外部验证集χ2=70.50， P<0.001）。 结论:基于MRI的DL影像组学模型可有效预测STS的FNCLCC肿瘤分级，其中HCR和DL组合影像组学特征的SVM分类器模型效能最佳，并有望对患者预后进行风险分层。

目的:探讨基于磁共振高分辨T2WI影像组学方法对预测直肠癌新辅助治疗后病理完全反应(pCR)的价值。方法:回顾性分析我院2018年1月至2019年3月新辅助治疗前接受磁共振高分辨T2WI成像检查并经病理证实的80例直肠癌患者，在高分辨T2WI图像上手动勾画病灶容积感兴趣区(VOI)后提取影像组学特征，采用最小绝对值收缩算子(LASSO)算法进行降维，筛选对肿瘤pCR有价值的特征，利用Random算法将数据随机分为训练集( n＝64)与测试集( n＝16)进行机器学习，建立决策树(DT)、逻辑回归(LR)、随机森林(RF)、极限梯度增强树(XGBoost)4种机器学习模型并绘制ROC曲线，分别计算AUC、敏感性、特异性及95% CI，采用DeLong检验比较ROC曲线差异。 结果:80例直肠癌患者pCR 15例，占18.75%；非pCR 65例，占81.25%。共提取1 409个影像组学特征，经LASSO算法降维后筛选出8个最有价值的特征。测试集DT、LR、RF、XGBoost 4种分类器模型的AUC分别为0.870、0.801、0.912、0.945，其中XGBoost分类器模型的AUC最大，与DT、LR、RF分类器模型相比较，差异具有统计学意义( P＝0.008； P＝0.006； P＝0.009)；其他3种模型两两比较，差异均无统计学意义( PLR-RF＝0.083； PDT-LR＝0.113； PDT-RF＝0.879)。4种分类器模型敏感性分别为78.57%、64.29%、78.57%、85.71%，特异性分别为95.38%、84.62%、92.31%、98.46%，95% CI分别为0.775～0.935、0.696～0.882、0.827～0.964、0.870～0.984。 结论:基于高分辨T2WI图像的影像组学对直肠癌新辅助治疗后pCR有预测价值，其中XGBoost模型预测效能优于DT、LR、RF，可以用于辅助临床制定个体化治疗决策。

目的:探索同一主诊断疾病(儿童单侧腹股沟疝)下的住院费用变异及其影响因素，基于回归树模型进行分组，为该疾病的DRG分组提供参考。方法:提取2016年至2018年某儿童专科医院出院的以单侧腹股沟疝(ICD-10编码亚目K40.3和K40.9)为主要诊断的病案首页数据，以住院费用作为结局变量，性别、年龄、手术类型、住院时间及合并症作为预测变量，构建回归树模型，对患儿进行亚组分类。结果:回归树模型结果显示，对儿童单侧腹股沟疝患者住院费用影响较大的指标为住院时间、手术类型、是否有合并症，年龄和性别对住院费用无显著影响。根据这3个变量将患儿分为5个亚组，其中位住院费用依次为1 190.8、6 387.2、7 037.7、11 413.7、18 499.1元；除1组住院费用变异系数大于1，其余4组变异系数均≤0.5。结论:对于单侧腹股沟疝的患儿，可根据住院时间、手术方式、有无合并症进行分组，分组结果较为合理。

目的:了解人群慢性病共病罹患现状、不同共病模式的全因死亡风险及运动对共病相关死亡风险和寿命损失的影响。方法:研究纳入我国台湾地区美兆健康管理中心437 408名体检者，采用分类决策树对高血压、糖尿病、慢性肾功能不全（CKD）和慢性阻塞性肺疾病（COPD）4种疾病进行组合，使用Cox比例风险回归模型计算共病模式的危险比（ HR）及其95% CI，采用蒋式寿命表法计算人群预期寿命。 结果:人群中共病检出率为8.7%，二元、三元、四元共病组合中检出率最高的分别为“高血压+CKD”（3.6%）、“高血压+糖尿病+CKD”（1.1%）、“高血压+糖尿病+CKD+COPD”（0.1%）；与健康人群相比，全因死亡风险最高的组合分别为“糖尿病+CKD”（ HR=3.80，95% CI：3.45~4.18）、“糖尿病+COPD+CKD”（ HR=4.34，95% CI：3.43~5.49）、“高血压+糖尿病+CKD+COPD”（ HR=4.75，95% CI：4.15~5.43）。与不运动人群相比，进行低强度运动和中高强度运动均降低了由共病升高的死亡风险。单一疾病和共病带来4.6、13.4年的人群寿命损失，运动可分别挽回2.3、4.6年的寿命损失年，低强度和中高强度运动分别挽回1.5、3.7年由慢性病造成的寿命损失。 结论:基于“糖尿病+CKD”的共病模式死亡风险最高。运动能降低共病患者的死亡风险。运动强度越大，降低效果越显著。

目的:探讨急性髓系白血病患者住院费用的影响因素，基于决策树模型进行病例分组，为完善该病种的DRG管理提供参考。方法:提取2020年至2021年福建省血液病研究所临床血液内科出院的以急性髓系白血病为主要诊断(ICD编码前4位为C92.0、C92.4、C92.5、C93.0)的病案首页数据，通过Wilcoxon秩和检验或Kruskal-Wallis秩和检验以及多元线性逐步回归分析确定住院费用的影响因素，并将其作为分类节点，运用 χ2自动交互检验法决策树模型对纳入病例进行分组。同时，按福建省试运行的C-DRG版本对纳入病例进行分组，比较两种分组方法的区别。 结果:住院天数、治疗类型、是否伴有并发症及年龄是急性髓系白血病患者住院费用的影响因素，将其纳入决策树模型形成9个病例组合；该模型的方差减少量为75.77%，组间异质性较高，变异系数为0.33~0.61，组内差异较小。按福建省试运行的C-DRG版本共分为2组，其方差减少量为27.57%，组间异质性不高，变异系数为0.59和1.25，组内差异较大。结论:根据住院天数、治疗类型、是否伴有并发症及年龄进行急性髓系白血病病例分组，分组结果较为合理，可为该病种的DRG管理和成本管控提供参考。

目的:探讨基于 18F－FDG PET/CT的机器学习模型对风湿性多肌痛(PMR)的诊断价值。 方法:回顾性分析2014年11月至2022年12月间入住常州市第一人民医院免疫风湿科，疑似PMR并行 18F－FDG PET/CT检查的177例患者[男119例、女58例，年龄67.0(61.0，72.0)岁]资料。将患者按照7∶3随机等比抽样分为训练集和验证集。利用分类和回归树(CART)、最小绝对收缩和选择算子(LASSO)算法和logistic回归3种机器学习模型对PET/CT影像学特征进行学习。通过ROC曲线分析评估各模型的诊断效能，采用Delong检验比较不同AUC的差异。 结果:PMR患者78例(44.1%，78/177)，非PMR患者99例(55.9%，99/177)；训练集124例，验证集53例。Logistic回归模型(训练集：AUC＝0.961；验证集：AUC＝0.930)在诊断PMR方面优于CART(训练集：AUC＝0.902， z＝2.96， P＝0.003；验证集：AUC＝0.844， z＝2.46， P＝0.014)，与LASSO算法诊断效能相似(训练集：AUC＝0.957， z＝0.95， P＝0.340；验证集：AUC＝0.930， z＝0.00， P＝1.000)，但其评估部位较少。简化后的PMR－Logit评分在总体人群中的AUC为0.951，诊断PMR的灵敏度为89.74%(70/78)，特异性为90.91%(90/99)。 结论:基于 18F－FDG PET/CT影像学特征的机器学习模型有望成为一种有效诊断PMR的工具。

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。

目的:在确认创伤性颈脊髓损伤（TCSCI）气管切开的危险因素的基础上，构建分类与回归树(CART)模型以指导气管切开。方法:回顾性分析2009年1月至2018年12月陆军军医大学新桥医院骨科收治的498例TCSCI患者资料，男403例，女86例；年龄（50.2±13.6）岁。其中气管切开69例，未行气管切开420例。统计患者的性别、年龄、吸烟史、致伤原因、神经损伤平面(NLI)、美国脊髓损伤学会（ASIA）分级、创伤严重程度评分（ISS）、胸部损伤、既往肺部疾病、既往基础疾病、手术入路并进行单因素分析。通过二元logistic回归分析行气管切开的危险因素，并在危险因素的基础上建立预测气管切开的CART。结果:logistic回归分析显示，年龄>50岁（ OR=4.744, 95% CI: 1.802~12.493, P=0.002）、NLI在C 4及以上（ OR=23.662, 95% CI: 8.449~66.268, P<0.001）、ASIA分级A级（ OR=40.007, 95% CI: 12.992~123.193, P<0.001）及ISS>16分（ OR=10.502, 95% CI: 3.909~28.211, P<0.001）是行气管切开的危险因素。CART显示，ASIA分级A级、神经损伤平面在C 4及以上作为第一、第二决策点对行气管切开具有较强的预测作用，ASIA分级A级且神经损伤平面在C 4及以上的TCSCI患者行气管切开的比例为86.84%。 结论:CART模型结果显示神经损伤平面在C 4及以上、ASIA分级A级对气管切开具有较强的指导作用。

目的:探讨围绝经期女性失眠障碍的影响因素，并基于机器学习法构建围绝经期女性失眠障碍的预测模型。方法:采用病例对照研究方法，便利抽样法选取2019年1月至2021年6月于丽水市妇幼保健院进行检查的围绝经期女性140例作为研究对象进行回顾性分析，根据其是否存在失眠障碍将其分为发生组及未发生组，收集患者相关资料，对其进行危险因素分析，基于机器学习的多因素Logistic回归、决策分类回归树（CRT）、反向传播神经网络（BPNN）算法构建围绝经期女性发生失眠障碍的预测模型。结果:最终纳入围绝经期女性140例，发生组88例（62.86%），年龄（50.16 ± 4.73）岁，未发生组52例（37.14%），年龄（47.33 ± 4.54）岁。多因素Logistic回归分析显示，2组的家庭人均月收入（ OR = 0.019，95% CI 0.001 ~ 0.422， P<0.05）、汉密尔顿抑郁量表（HAMD）评分（ OR = 1.665，95% CI 1.108 ~ 2.502， P<0.05）、焦虑自评量表（SAS）评分（ OR = 1.407，95% CI 1.085 ~ 1.826， P<0.05）为影响围绝经期女性发生失眠障碍的独立危险因素。采用CRT法构建的预测模型显示SAS评分、HAMD评分及家庭人均月收入是围绝经期女性出现失眠障碍的影响因素。BPNN模型结果显示，影响因素重要性排序SAS评分>家庭人均月收入>HAMD评分>体质量指数>年龄>工作状态>每日运动累计时间。3种机器学习算法构建的模型中，多因素Logistic回归分析曲线下面积为0.998，敏感度为96.6%，特异度为100.0%，预测效能最佳。 结论:本研究基于机器学习法构建的围绝经期女性发生失眠障碍的预测模型具有较好的预测效能，其中多因素Logistic回归模型诊断效能最佳，建立的预测模型具有良好的预测准确性。