目的:分析胃癌患者术后是否发生便秘、其产生原因及相关影响因素，为构建便秘风险预测模型，减少术后发生便秘提供参考。方法:选取2020年1月至2023年1月同济大学附属东方医院收治的124例胃癌术后患者，使用单因素比较及Logistic多因素回归分析模型筛选出其中独立影响病情的因素。使用C指数对该模型的准确度进行验证。采用少数类样本合成过抽样技术(SMOTE)算法重构相关影响要素的原始数据，从而得到通过SMOTE算法下的胃癌术后患者便秘模型，并在该模型的基础上进行了分析，得到科学的护理结果。结果:124例中有42例患者术后发生便秘。术前有便秘史、手术方式、饮食习惯等为胃癌术后发生便秘的相关因素( P<0.05)。手术方式、卧床时间、性别是胃癌患者术后发生便秘的独立危险因素( P<0.05)，手术方式为传统开腹手术治疗、卧床时间长、男患者术后易出现便秘。将手术方式、卧床时间、性别纳入预测模型中，对原始Logistic回归模型1与基于SMOTE重建的Logistic回归模型2进行分析，采用ROC曲线检验结果显示，Logistic回归模型2的ROC检验效能显著，(AUC模型1＝0.795，AUC模型2＝0.838)。采用10折交叉法，将与该模型相对应的数据均分为20份，每个数据轮流将其中1份作为测试集，剩余数据均用作训练集检验。其中，2个预警模型的预测质量，模型2为0.75，显著优于原始Logistic回归预警模型0.70( P<0.05)。 结论:胃癌术后患者便秘发生率较高，并且术后便秘会持续很长一段时间，患者出现排便困难及腹胀等并发症，在临床上应该加大对胃癌患者术后的观察。通过便秘预测风险模型，可以对便秘风险做出判断，尽可能尽早采取相应的预防措施，提高医护工作质量，从而加快患者病情恢复，实现最佳预后。

目的:探讨基于MR T 1WI的最优影像组学机器学习模型及其预测软组织肉瘤分级的价值。 方法:回顾性分析2009年5月至2018年11月青岛大学附属医院113例软组织肉瘤患者的术前MR T 1WI资料，采用随机分层抽样的方法将患者随机分为训练组（ n=80）和验证组（ n=33）。根据法国国家癌症研究中心（FNCLCC）系统将软组织肉瘤病理分级分为Ⅰ~Ⅲ三个级别。Ⅰ级为低级别，Ⅱ、Ⅲ级为高级别。训练组中18例为低级别、62例为高级别病变，验证组中7例低级别、26例高级别病变。图像进行标准化后，采用A.K软件对肿瘤感兴趣区进行特征提取，并基于不同特征选择方法（加入和不加入递归式特征消除）、机器学习算法（随机森林和支持向量机算法）和采样技术（不进行过采样、使用少数样本合成过采样技术、使用随机过采样技术），组合成12种机器学习算法组合，应用弃一法交叉验证进行验证，建立分类模型。采用受试者操作特征（ROC）曲线评价模型预测软组织肉瘤病理级别的效能。 结果:在12种机器学习算法建立的软组织肉瘤分级预测模型中，联合使用递归式特征消除和少数样本合成过采样技术的随机森林分类算法效能最佳，其在验证组中预测软组织肉瘤分级的ROC曲线下面积为0.909 （95％可信区间为0.808~1.000），准确率、灵敏度和特异度分别为84.85%、86.21％和75.00%。结论:基于影像组学的机器学习方法在预测软组织肉瘤病理分级方面有较大的应用价值。

目的:探讨CT影像组学对胰腺实性假乳头状肿瘤（pSPN）侵袭性行为的预测价值。方法:回顾性分析2012年1月至2021年1月郑州大学第一附属医院经术后病理证实的pSPN患者的CT图像，其中侵袭性23例、非侵袭性59例。分别在平扫、动脉期和静脉期CT图像上逐层勾画感兴趣区（ROI）获得三维ROI，每个ROI提取1 316个组学特征。将数据集经随机分层抽样法按照7∶3的比例分为训练集和验证集，在训练集中采用200%样本合成过采样技术（SMOTE）算法进行过采样，生成侵袭性和非侵袭性平衡数据用于建立训练模型，将构建的模型在验证集中进行验证。通过受试者操作特征（ROC）曲线分析评估不同模型的预测性能，并通过Delong检验比较不同模型的曲线下面积（AUC）值，采用连续净重分类改善度（NRI）和综合区分改善度（IDI）评估不同模型对分类效能的改善能力。结果:经过特征筛选，保留2、6、3个特征分别构建平扫、动脉期和静脉期模型，基于单独期相与联合时相模型共建立7个模型，除平扫模型外，其他模型预测pSPN侵袭性的AUC均>0.800。单期相中动脉期模型具有最优的鉴别效能，在SMOTE训练集和验证集的AUC值分别为0.913和0.873。在联合期相模型中，动脉-静脉期模型的AUC在训练集和验证集中最高，为0.934和0.913。训练集和验证集中，平扫-动脉-静脉期联合模型的AUC与动脉-静脉期模型的AUC差异无统计学意义（ P均>0.05）。在验证集中，相较动脉-静脉期联合模型，进一步联合平扫不能获得正向分类改善（NRI、IDI均<0）。 结论:动脉期CT影像组学模型具有较好的术前预测pSPN侵袭性的性能，联合动脉期和静脉期的影像组学模型可进一步提高模型的性能。

目的 探讨2 型糖尿病合并周围神经病变的危险因素,并基于少数类样本合成过抽样技术(SMOTE)算法构建2 型糖尿病合并周围神经病变的风险预警模型.方法 选取自 2020 年 1 月至 2021 年 12 月芜湖市第二人民医院收治的 205 例2 型糖尿病患者为研究对象.根据周围神经病变发生情况将患者分为周围神经病变组(n =70)和无周围神经病变组(n = 135).收集并记录患者的年龄、性别、病程、居住地、婚姻状态、体质量指数、文化程度、饮酒史、吸烟史、糖化血红蛋白、高血压、空腹血糖及合并糖尿病视网膜病变(DR)等资料.采用Logistic回归分析筛选2 型糖尿病合并周围神经病变的危险因素,应用SMOTE算法构建2 型糖尿病合并周围神经病变的预警模型.采用受试者工作特征(ROC)曲线对预警模型的预测效能进行分析.结果 Logistic回归分析结果显示,年龄、病程、婚姻状态、体质量指数、文化程度、糖化血红蛋白、高血压及合并DR是2 型糖尿病合并周围神经病变的危险因素(P<0.05).原始预警模Logit(P1)H-L检验结果(决定系数R2 =0.352,P =0.328),提示Logistic回归模型的拟合度良好.基于SMOTE算法的预警模型Logit(P2)H-L检验结果(决定系数R2 = 0.371,P =0.635),提示基于SMOTE算法的预警模型拟合度良好.原始预警模型的ROC曲线下面积为 0.809,基于SMOTE算法的预警模型的ROC曲线下面积为0.927.结论 年龄、病程、婚姻状态、体质量指数、文化程度、糖化血红蛋白、高血压及合并DR是2 型糖尿病合并周围神经病变的危险因素,基于SMOTE算法的预警模型能够对2 型糖尿病合并周围神经病变进行准确预测,可帮助临床制定周围神经病变的相关防治对策.

目的 构建基于少数类样本合成过抽样技术(synthetic minority over-sampling technique,SMOTE)算法的化学治疗(化疗)肿瘤患者下呼吸道感染预警模型.方法 共纳入西宁市4所三级医院2019年1月-2021年6月收治的2384例接受化疗的肿瘤患者为研究对象,将所收集病例按照7∶3的比例随机分为建模组1668例和验证组716例,建模组数据用来建立模型,验证组数据对所建立的模型进行验证,利用单因素比较和logistic回归分析筛选下呼吸道感染影响因素,基于SMOTE算法建立化疗肿瘤患者下呼吸道感染预警模型.结果 logistic回归分析可得,年龄(x1)、身体质量指数(BMI)值是否正常(x2)、恶性肿瘤分期(x3)、吸烟史(x4)、合并糖尿病(x5)、合并肺部疾病(x6)均是化疗肿瘤患者下呼吸道感染的危险因素(均P＜0.01),获得原始数据预警模型:Logit (P)=0.055x1+0.967x2-0.195x3+1.383x4+0.968x5+0.939x6-14.073和基于SMOTE算法的预警模型:Logit (P)=0.090x1+1.092x2-0.249x3+1.724x4+1.136x5+1.344x6-14.859.基于SMOTE算法预警模型AUC为0.949(95％CI:0.937～0.961),高于原始数据预警模型AUC 0.780(95％CI:0.734～0.846).结论 基于SMOTE算法所构建的预警模型能更准确预警化疗肿瘤患者下呼吸道感染,有效解决感染与非感染患者样本数据不平衡所导致的预测误差,基于预测模型可选择相应的对策进行应对.

目的:建立不平衡数据处理方法对丹红注射液(DHI)临床应用安全性进行再评价,预测临床不良反应发生因素,并为临床合理用药提供参考.方法:首先采用"多中心、大样本"医院集中监测法,收集2009年4月至2013年8月全国6个省内参与监测研究的37家综合性医院30888例临床使用DHI的住院患者,确定不良反应108例,发生率为3.5‰,属于不平衡数据;基于不平衡数据数理方法,构建重抽样-正则化法,对患者基本信息、患者症状、给药信息和联合用药等信息进行分析处理,确定不良反应相关因素.结果:基于所构建的不平衡数据处理方法,选取6种重抽样-正则化模型,发现随机欠采样和合成小类过采技术组合(比例为3:3)的重抽样模式较优;以不少于3种模型选中作为筛选条件,共得到41个DHI不良反应相关变量;分析可知,女性、体重指数较小、具有过敏史的患者更易发生不良反应;首次使用DHI的患者更易发生不良反应,联合用药易引发不良反应,但与螺内酯、阿司匹林、盐酸氨溴索和盐酸贝那普利等联合应用或可缓解DHI致不良反应的发生.结论:本研究所构建的重抽样-正则化法可用于处理DHI不良反应的不平衡数据,进而进行上市后安全性再评价及精确预测风险因素,指导临床合理用药及联合用药预警,但所构建的算法是否可用于其他中成药上市后再评价有待进一步研究.

目的 分析高龄全麻患者术后发生认知功能障碍(POCD)的影响因素,并基于少数类样本合成过抽样技术(SMOTE)算法建立POCD的护理风险预警模型.方法 选取手术治疗的195例高龄全麻患者为研究对象,根据术后POCD发生情况,将其分为POCD组与非POCD组,分析所有患者临床资料,并筛选其术后POCD的影响因素,应用SMOTE算法建立高龄全麻患者术后发生POCD因素的原始数据集并验证该模型效能.结果 本研究高龄全麻患者术后POCD发生率为21.03％;POCD组与非POCD组年龄、教育程度、高血压、脑卒中、ASA分级、术中失血量、手术时间以及术后VAS评分等情况比较,差异均具有统计学意义(P<0.05).Logistic回归分析结果显示,教育程度、高血压、脑卒中、ASA分级、术中失血量、手术时间、术后VAS评分均是术后POCD发生的影响因素(P<0.05);原始数据预警模型的AUC值稍低于基于SMOTE算法预警模型.结论 教育程度、高血压、脑卒中、ASA分级、术中失血量、手术时间以及术后VAS评分均为高龄全麻患者术后发生POCD的影响因素,基于上述影响因素构建的SMOTE预警模型的预测效应优于传统多因素Logistic回归模型.