目的:开发1项基于12导联心电图的机器学习模型预测冷冻球囊消融术后心房颤动（房颤）复发。方法:本研究为前瞻性、单中心队列研究。纳入2020年5月至2023年9月就诊于天津医科大学第二医院并接受冷冻球囊消融术的房颤患者。收集患者临床资料以及术前和术后24 h内的标准12导联心电图。利用XGBoost方法构建3种基于术前和术后心电图数据差异的人工智能心电图模型。这些模型考虑了心电图参数、心电图深度特征、早期复发和基线房颤类型等55个特征的不同组合，并对其在模型预测中的重要性进行排序。结果:共入选患者201例，年龄（68.0±9.3）岁，其中男91例（45.3%，91/201）。随访222（124，368） d，26例（12.9%，26/201）患者复发。最佳机器学习模型是以术前、术后心电图深度特征差值作为输入的模型，受试者工作特征曲线的曲线下面积（ AUC）为0.872，F1得分为0.600，敏感度（召回率）为60.0%，特异度为94.4%，准确度为90.2%。 结论:人工智能辅助分析心电图能够预测冷冻球囊消融术后房颤复发。

对急性冠脉综合征（ACS）患者的预后风险评估是ACS诊疗中非常重要的内容，但依然不够精准。人工智能的机器学习可以用于建立比传统统计学方法更精确和个体化的预后风险统计模型，近年来在医疗领域有了迅速进展。该文介绍利用机器学习构建预后模型的基本原理和方法，并对其在ACS预后评估中的临床应用现状进行综述。

目的:以“超声在麻醉、疼痛和重症医学中的应用”课程为例，构建临床医学专业课程学习者画像模型。方法:梳理临床医学专业课程学习者画像模型构建框架及流程，对多来源学习者数据进行收集及预处理。利用Python 3.9编程语言进行统计分析、自然语言处理、聚类分析，并以可视化技术呈现，构建机器学习预测模型并评估模型预测效能。结果:从学习背景、兴趣偏好和行为效果3个维度构建临床医学专业课程学习者画像模型。学习背景画像揭示了学习者基本信息、认知基础和学习动机。兴趣偏好画像分析了学习目的与其他选课信息，根据内容关注程度、学习效果影响因素识别出3类不同的学习者群体。行为效果画像通过构建4种机器学习算法预测模型实现了对课程考试成绩的分类预测，结果显示朴素贝叶斯算法效果最佳，准确率为0.80、F1分数为0.79，受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）为0.79（ P=0.035），与其他算法差异有统计学意义。 结论:本研究构建了临床医学专业课程学习者画像模型并开展实证研究，画像结果对教学内容、教学方式与教学团队、学习效果预测提供了指导建议。

随着计算机技术的迅速发展，人工智能在医学领域的应用发生了革命性进展。特别是在心电领域，依托心电技术数据，人工智能的表现尤为突出。本文简要总结了人工智能在心房颤动和室性心律失常中的应用。

随着第四次工业革命的发展，自动化、智能化的人工智能对检验分析前、中、后过程的影响不断加大。人工智能应用于通过提高自动化程度生成的大型临床数据集有助于发现新知识、开发新模型、发掘新领域；即时检验具有操作简便、便携化、智能化、适用条件宽等优点；应用人工智能构建预测模型有助于精准检验医学的发展；在近期出现的新型冠状病毒疫情中，人工智能在检验领域又萌生出了新的方向。

人工智能的发展已经取得了巨大成功，并在工作中做出了贡献。现在正处于数字化时代，临床实践中的数据量不断增加，这就需要医疗工作者整合并解释临床工作中的广泛信息。在人工智能，尤其是机器学习技术的帮助下，心血管内科的研究者开发了诸多的预测模型，以试图提高临床工作效率和治疗效果。主要介绍了机器学习的主要模型分类，总结了目前使用机器学习技术建立的心血管疾病预测模型，以期有利于心血管疾病的精确诊断，并为以后使用机器学习技术开发心血管疾病预测模型提供更明确的发展方向。

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。

超声可进行无创、实时、动态显像，有助于低成本、快速评估风湿性疾病肌肉骨骼系统。由于超声图像受到操作者依赖性、患者依赖性和仪器依赖性的影响，同时存在风湿性疾病异质性等多种因素，因此超声成像临床应用变得具有挑战性。本综述概述了机器学习技术和深度学习方法在风湿病肌骨损伤中的应用，介绍了多种人工智能技术在滑膜、软骨、肌肉组织中的定位、诊断病变，以及疾病活动性分析中的作用；此外，还探讨了人工智能在肌肉骨骼超声实践中所面临的挑战和机遇。

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。