目的 通过非靶向代谢组学研究急性心肌梗死(acute myocardial infarction,AMI)大鼠尿液代谢产物的变化,筛选出可用于AMI法医学鉴定的生物标志物.方法 建立假手术组、AMI组和高脂血症+AMI组(hyperlipidemia+acute myocardial infarction,HAMI)大鼠模型.运用超高效液相色谱-质谱法(ultra-high performance liquid chromatography-mass spectrometry,UPLC-MS)分析AMI大鼠尿液代谢谱的变化.通过主成分分析、偏最小二乘判别分析、正交偏最小二乘判别分析等筛选差异代谢物.使用MetaboAnalyst数据库进行代谢通路富集分析并评估差异代谢物的预测能力.结果 分别筛选出40种和61种与AMI相关和HAMI相关的差异代谢物.其中22种为共同代谢物,这些小分子代谢物主要集中在烟酸和烟酰胺代谢途径中.在95%可信区间内N8-乙酰亚精胺、3-甲基组胺和胸腺嘧啶的受试者操作特征曲线的曲线下面积(area under the curve,AUC)值大于0.95.结论 N8-乙酰亚精胺、3-甲基组胺和胸腺嘧啶可作为诊断AMI的潜在生物标志物,烟酸和烟酰胺代谢的异常可能是AMI的主要原因.本研究可为AMI的作用机制和死因鉴定提供参考.

目的 研究桃红四物汤(Taohong Siwu Tang,TSD)对子宫异常出血(abnormal uterine bleeding,AUB)大鼠血清脂类代谢物的影响,分析TSD改善AUB脂质代谢紊乱的作用机制.方法 采用药物不完全流产法复制AUB大鼠模型,应用UPLC-Q-Exactive Orbitrap/MS技术检测血清的脂质代谢物,结合主成分分析、正交偏最小二乘-判别分析筛选差异脂质,明确TSD干预前后血清中脂质变化.结果 共筛选出11种差异性脂质,主要有磷酯酰肌醇、磷脂酸、磷脂酰乙醇胺、磷脂酰丝氨酸、固醇脂、神经酰胺、丙烯醇脂及脂肪酸.给予TSD干预后,筛选的差异脂质均有回调至正常的趋势.结论 TSD改善AUB可能与磷脂酸、磷酯酰肌醇、磷脂酰乙醇胺、磷脂酰丝氨酸、神经酰胺等脂质代谢有关.

目的 探索CT征象在高危型胸腺瘤及胸腺癌中的鉴别诊断价值,为临床治疗方案的选择及预后提供依据.方法 回顾性分析山东省肿瘤医院2022-06-01-2023-03-01收治的经穿刺或手术病理确诊的60例高危型胸腺瘤及99例胸腺癌患者临床资料,通过logistic回归分析评估判别胸腺肿瘤性质的独立诊断因素,并构建临床判别模型,应用受试者工作特性曲线(ROC)及灵敏度和特异度评价模型判别效果.结果 高危型胸腺瘤患者平均年龄为(52.73±15.21)岁,小于胸腺癌患者的(56.76±13.18)岁,t=1.760,P=0.080;高危型胸腺瘤和胸腺癌患者性别(x2=12.609,P＜0.001)、分叶(x2=6.864,P=0.009)、强化方式(x2=11.234,P=0.001)、心包积液(x2=6.496,P=0.011)、淋巴结转移(x2=40.178,P＜0.001)、侵犯心包(x2=26.157,P＜0.001)、侵犯肺组织(x2=23.964,P＜0.001)、侵犯大血管(x2=9.095,P=0.003)、肺转移(x2=5.464,P=0.019)、膈肌抬高(x2=7.662,P=0.006)、肌无力(x2=10.895,P=0.001)征象差异有统计学意义.Logistic多因素回归分析显示淋巴结转移(OR=20.956,95％CI:5.465～80.349,P＜0.001)、侵犯肺组织(OR=2.841,95％CI:1.024～7.886,P=0.045)、膈肌抬高(OR=4.673,95％CI:1.032～21.173,P=0.045)征象是鉴别高危型胸腺瘤及胸腺癌的独立诊断因素.ROC曲线显示该模型曲线下面积为0.851,95％CI:0.791～0.911,灵敏度为0.636,特异度为0.933.结论 CT征象对于鉴别高危型胸腺瘤及胸腺癌有较大价值.淋巴结转移、侵犯肺组织、膈肌抬高是诊断胸腺癌的重要征象.

傅里叶变换衰减全反射红外(attenuated total reflection Fourier transform infrared,ATR-FTIR)光谱技术以其快速、准确、无创的特点,在生物医学领域尤其是临床血液学检验中显示出巨大潜力.该技术记录样本中分子的振动光谱,提供生物样品内核酸、蛋白质和脂质的化学结构信息,可用于疾病筛查和诊断.ATR-FTIR光谱技术在地中海贫血、艾滋病毒感染、乳腺癌、卵巢癌和脑瘤等疾病中的研究现状和发展情况,提示该技术结合化学计量学方法可实现疾病的快速筛查、诊断与鉴别诊断.ATR-FTIR光谱技术与偏最小二乘法回归模型相结合,以定量法分析人外周血样品中平均红细胞血红蛋白含量、平均红细胞体积和血红蛋白等地中海贫血筛查指标,筛查地中海贫血的灵敏度、特异度分别达到100.0%和95.3%.采用ATR-FTIR光谱技术,基于遗传算法的线性判别分析法,分析血液样本红外图谱中1 653 cm-1(酰胺Ⅰ带)、1 558 cm-1(酰胺Ⅱ带)、1 506 cm-1(环基)和901 cm-1(磷酸二酯伸缩带)处的特征峰,对人类免疫缺陷病毒(human immunodeficiency virus,HIV)感染孕妇血液样本的辨别准确率为89%,灵敏度、特异度分别为83%、92%.采用主成分回归(principal component regression)法对乳腺患者血液ATR-FTIR光谱进行识别,其灵敏度与特异度高达92.3%与87.1%此外,ATR-FTIR光谱技术还可应用于生物医学领域的其他方面,如细胞和组织学样本的检测、疾病严重程度的分类等.ATR-FTIR光谱技术展现出广阔的应用前景,但仍面临环境干扰、样本污染等挑战.未来,随着ATR-FTIR光谱技术的优化、发展,其有望在更多疾病的临床血液学检验中发挥重要作用.

目的 对比列线图与不同机器学习算法构建中老年人龋齿预测模型的效能.方法 采用多阶段分层随机抽样法,选取南宁市、贵港市、崇左市510名中老年人为研究对象,进行问卷调查及口腔检查.采用单因素分析和Lasso回归筛选相关变量,使用多因素logistic回归分析确定最终独立影响因素.基于显著特征,建立列线图预测模型,并运用线性判别分析(LDA)、偏最小二乘算法(PLS)、距离多普勒算法(RDA)、广义线性模型(GLM)、随机森林(RF)、支持向量机(SVM)核函数(SVM-Radial)及SVM线性核函数(SVM-Linear)7种机器学习算法构建7种龋齿风险预测模型.采用受试者工作特征(ROC)曲线下面积(AUC)中位数评价各模型预测性能,以及不同变量筛选方法所构建模型的预测性能.结果 中老年人龋齿检出率为71.18％.经过特征筛选后最终保留5个预测因子,分别是年龄(OR=0.945,95％CI:0.917～0.973)、刷牙频率(OR=0.688,95％CI:0.475～0.997)、过去1年是否洗牙(OR=0.303,95％CI:0.103～0.890)、牙存留数(OR=1.062,95％CI:1.038～1.087)和口腔健康评估量表(OHAT)得分(OR=1.363,95％CI:1.234～1.505).各模型对比结果显示,RF算法所构建的预测模型表现最佳,AUC中位数为0.747,其次为列线图,AUC中位数为0.733.单因素+Lasso+多因素logistic(简称Lasso+logistic)筛选自变量构建预测模型的AUC中位数均高于RF算法筛选自变量构建的预测模型.结论 基于Lasso+logistic筛选变量,RF较列线图及其他机器学习算法在中老年龋齿预测中提供了更可靠的预测性能.

目的 分析缺血性脑卒中患者介入术后颈动脉血管再狭窄的危险因素.方法 收集河北省衡水市人民医院2020年12月至2022年12月接受血管内介入治疗的110例缺血性脑卒中患者的临床资料行回顾性分析.所有患者进行了为期1年的随访,根据复查颈动脉超声的结果将其分为无再狭窄组(42例)和再狭窄组(68例).通过Logistic回归方法分析缺血性脑卒中患者血管内介入术后颈动脉血管再狭窄的危险因素,通过R软件构建列线图预测模型,以Bootstrap法进行内部验证,以Hosmer-Lemeshow进行拟合优度检验,采用受试者工作特征(ROC)曲线评价列线图的预测效能.结果 再狭窄组吸烟史、高同型半胱氨酸血症(HHcy)、术后颈总动脉近端管径＜6.8 mm、术后颈内动脉近端管径＜4.8 mm、术后血清C反应蛋白(CRP)＞10 mg/L比例均高于无再狭窄组(均P＜0.05).单因素Logistic回归分析结果显示,吸烟史、HHcy、术后颈总动脉近端管径小、术后颈内动脉近端管径小、术后血清CRP高均为血管内介入术后颈动脉血管再狭窄的危险因素(比值比=4 158.246、31.064、140.768、295.064和8 286.344,均P＜0.05).基于血管内介入术后颈动脉血管再狭窄的列线图预测模型以及校准曲线预测血管内介入术后颈动脉血管再狭窄发生率与实际发生率的一致性较好,一致性指数为0.913.ROC曲线分析结果显示曲线下面积为0.913(95％置信区间:0.821～0.942),意味着该预测模型判别能力、预测价值高.结论 缺血性脑卒中患者血管内介入术后颈动脉血管再狭窄的发生与吸烟史、HHcy、术后颈总动脉近端管径小、术后颈内动脉近端管径小、术后血清CRP高有关,应当引起临床重视.

目的:探索萝卜硫素治疗孤独症谱系障碍（autism spectrum disorder，ASD）的分子机制以及与疗效相关的代谢组学标志物并构建疗效预测模型。方法:纳入2016年8月至2019年5月就诊于中南大学湘雅二医院和广州市惠爱医院的ASD患儿40例。采用随机数字表法将患儿分为萝卜硫素治疗组（ n=26）和安慰剂组（ n=14）。采用OSU孤独症评定量表-DSM-Ⅳ（OSU Autism Rating Scale-DSM-Ⅳ，OARS-4）评估ASD患儿在基线、治疗第4、8和12周的临床症状变化，利用广义线性混合模型比较OARS-4得分在组别和时间上的差异。采集ASD患儿治疗前后的血浆样本，利用超高效液相色谱-高分辨质谱法进行非靶向代谢组学的检测，使用方差分析-成分分析筛选差异代谢物，并进行代谢通路分析。通过Spearman相关分析分析与萝卜硫素治疗疗效显著相关的差异代谢物，最后使用Fisher判别分析筛选疗效预测指标。 结果:经12周治疗后，萝卜硫素组临床症状改善显著优于安慰剂组（ F=14.11， P<0.001）。2组间共201种代谢物存在差异，主要富集于甘油磷脂代谢和初级胆汁酸生物合成通路。Spearman相关分析显示，牛磺酸、磷脂酰丝氨酸和溶血磷脂酰丝氨酸与ASD患儿症状变化呈正相关（ r=0.643、0.401、0.414， P<0.05或0.001），而溶血磷脂酰乙醇胺、鞘磷脂类和甘油三酯类代谢物与症状变化呈负相关（ r=-0.481~-0.392，均 P<0.05），其中鞘磷脂（d35∶1）和牛磺酸进入了Fisher判别分析模型，总疗效预测的正确率为84.6%（22/26）。 结论:萝卜硫素改善ASD相关临床症状的分子机制可能与细胞膜磷脂代谢有关，鞘磷脂（d35∶1）和牛磺酸可能成为预测萝卜硫素治疗ASD疗效的指标。

目的:探索对丙泊酚药物浓度和意识状态改变敏感的脑功能特征。方法:选择拟行胸腹部手术治疗的男性患者6例，对所有患者使用靶控输注设备进行丙泊酚输注，初始药物浓度设置为1.0 mg/L，然后每6 min增加0.2 mg/L，直到患者达到无意识状态。同时，采集患者的脑电信号。将采集的脑电信号进行预处理并提取脑功能特征。构建药物浓度相同、意识状态不同和意识状态相同、药物浓度相同两个数据集，并使用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM）3种机器学习算法模型在不同的数据集上进行分类分析。结果:特征筛选结果显示功率谱-δ-顶区、排列熵（permutation entropy, PE）-δ-颞区和相位滞后指数（phase lag index, PLI）-α-顶区到顶区为对意识状态改变敏感的特征，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的意识状态分类正确率分别为（82±5）%、（83±5）%和（84±4）%；功率谱-β-额区、功率谱-β-颞区和功率谱-β-顶区对药物浓度改变敏感，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的药物浓度分类正确率分别为（77±4）%、（76±4）%和（80±4）%。功率谱-δ-顶区在药物浓度变化时没有明显变化（ P>0.05），而在意识状态从有意识到无意识明显升高（ P<0.001）；PE-δ-颞区和功率谱-β-额区在从低药物浓度到高药物浓度和从有意识到无意识时均明显降低（ P<0.001）；PLI-α-顶区到顶区在低药物浓度状态下明显高于其在高药物浓度状态下（ P<0.001），但是其在意识状态变化时并没有明显变化（ P>0.05）；功率谱-β-颞区和功率谱-β-顶区在意识状态变化时均没有出现明显变化（ P>0.05），但是功率谱-β-颞区从低药物浓度到高药物浓度时明显升高（ P<0.001），而功率谱-β-顶区从低药物浓度到高药物浓度时明显降低（ P<0.05）。 结论:功率谱-δ-顶区可以很好地表征意识水平的变化同时避免药物浓度的影响，在精确监测麻醉深度上具有潜力。

目的:探讨妊娠早期全血细胞计数联合孕妇一般特征对妊娠期糖尿病(GDM)的综合预测作用。方法:收集2015年5月至2018年7月于复旦大学附属上海市第五人民医院进行规律产检的孕妇共1 412例，其中GDM患者258例，正常健康孕妇1 154人。记录所有孕妇的临床资料及妊娠早期全血细胞计数。通过 logistic回归分析GDM相关风险因素，确立GDM预测模型，比较各模型对GDM的预测能力。 结果:Logistic回归分析显示，年龄、妊娠前体重指数、既往GDM史、糖尿病家族史、中性粒细胞和淋巴细胞比值以及白细胞、中性粒细胞和单核细胞计数均为GDM发生的独立预测因素。在所有孕妇中，中性粒细胞和单核细胞联合纳入一般特征模型后，预测GDM发生的受试者工作特征曲线下面积(AUC-ROC)为0.809[综合判别改善指数(IDI)＝0.056, P＝0.001]，优于其他模型(一般特征模型，AUC-ROC＝0.753；单核细胞+一般特征模型，AUC-ROC＝0.764；中性粒细胞+一般特征模型，AUC-ROC＝0.775)。在所有孕妇中筛选出无既往GDM史孕妇，重复上述分析得到相似的结果。 结论:在一般特征模型基础上，联合纳入妊娠早期中性粒细胞计数和单核细胞计数可以进一步提高对GDM发生的预测能力。

目的:探讨可解释的机器学习模型预测急性缺血性脑卒中预后的应用价值。方法:选取广东医科大学附属湛江中心医院神经内科自2020年3月至2023年10月实施静脉溶栓治疗的296例急性缺血性脑卒中患者为研究对象，随访3个月后使用改良Rankin量表评估预后（0~2分定义为预后良好，3~6分定义为预后不良）。回顾性收集患者的临床资料，并采用多因素Logistic回归分析筛选出患者预后的独立影响因素。以3∶2比例将患者随机分为训练集（ n=178）和测试集（ n=118），以预后独立影响因素为特征变量训练10种机器学习模型（逻辑回归、随机森林、支持向量机、朴素贝叶斯、线性判别分析、混合判别分析、灵活判别分析、梯度增强机、极端梯度提升和分类梯度提升），分别使用校准曲线、精确-召回曲线、精确-召回增益曲线及受试者工作特征曲线评估这10种机器学习模型的预测性能，使用Shapley加法解释（SHAP）对机器学习模型附加解释和可视化（包含全局解释和局部解释）。 结果:296例患者中预后不良72例。年龄（ OR=1.039，95% CI：1.008~1.072， P=0.015）、美国国立卫生研究院卒中量表评分（ OR=1.213，95% CI：1.000~1.337， P<0.001）、格拉斯哥昏迷量表评分（ OR=0.470，95% CI：0.289~0.765， P=0.002，）、卒中预测工具-Ⅱ评分（ OR=1.257，95% CI：1.043~1.516， P=0.016）、C反应蛋白水平（ OR=1.709，95% CI：1.398~2.087， P<0.001）和血小板计数（ OR=0.988，95% CI：0.978~0.998， P=0.016）是患者预后的独立影响因素。在10种机器学习模型中，极端梯度提升模型预测患者预后的性能最高（校准曲线评估示一致性指数为0.896，精确-召回曲线评估示曲线下面积为0.791，精确-召回增益曲线示曲线下面积为0.363，受试者工作特征曲线示曲线下面积为0.856）。全局解释中SHAP直观图显示特征变量的重要性排序依次为C反应蛋白、美国国立卫生研究院卒中量表评分、血小板计数、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分和年龄；SHAP散点图可视化了6个特征变量的贡献方向，呈"两端分布"现象；SHAP依赖图显示了6个特征变量的观测值与SHAP值间的依赖关系，其中C反应蛋白趋势最为显著。SHAP力图为单个样本提供了局部解释，使得极端梯度提升模型更加透明和可解释性。 结论:基于年龄、美国国立卫生研究院卒中量表评分、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分、C反应蛋白水平和血小板计数为特征变量的极端梯度提升模型预测急性缺血性脑卒中患者预后的性能最优，在此基础上结合SHAP进行模型解释和可视化，有助于理解各特征变量对预测结果的贡献大小及方向。