森林是最重要的陆地生态系统类型之一,在生态文明建设中具有举足轻重的地位,研究独具森林资源优势地区的生态系统生产总值(GEP)变化及其对土地利用变化的响应对促进该类区域可持续发展具有重要意义.本研究以江西省资溪县为研究区,基于生态系统价值核算理论和方法,在调节服务通用指标体系(水源涵养、土壤保持、氧气提供、碳固定、气候调节、洪水调蓄、水质净化、空气净化、物种保育)及文化服务通用指标体系(景观游憩、教育)基础上,增加负氧离子、康养等指标,并引入森林生态系统服务修正系数,构建独具森林资源优势的GEP指标体系和方法,评估了研究区2010、2017和2020年GEP的时空变化特征,采用弹性指数及价值损益分析方法量化了土地利用/土地覆盖变化对GEP的影响.结果表明:2010、2017和2020年资溪县GEP分别为167.88、268.17和384.07亿元.各生态系统GEP占总GEP比例依次为森林＞湿地＞农田＞草地＞城镇.研究期间,GEP增加值主要来源于森林生态系统.土地利用变化对GEP产生了重要影响.2010-2020年,研究区土地利用变化总面积为8501.88 hm2.各土地利用变化幅度依次为草地(-2811.17 hm2)＞城镇(1428.06 hm2)＞森林(1357.67 hm2)＞湿地(1031.05 hm2)＞农田(-1005.01 hm2).各类用地的绝对变化主要发生在2017-2020年.各测算指标对森林生态系统的弹性指数明显高于其他生态系统,说明GEP对林地面积变化的敏感性最高.价值损益分析表明,城市开发在一定程度上降低了 GEP,林地、湿地的保护促进了 GEP增加.2010-2020年,资溪县土地利用类型之间的转化导致GEP增加18.65亿元,说明资溪县土地利用变化整体上对生态的影响是正向的.研究结果一定程度上体现了资溪县成为国家生态文明建设示范县之后的绿色发展成效,也为研究区今后高质量发展、高水平保护和土地资源可持续开发利用提供了决策支持,并可为其他类似地区的GEP核算提供借鉴.

目的 分析医务人员血源性职业暴露风险因素,为及时提出针对性干预措施,预防血源性职业暴露提供依据.方法 选取2016年1月—2023年6月呼伦贝尔市某三级综合医院上报的发生血源性职业暴露的103名医务人员为暴露组,选取同班次未发生职业暴露的625名医务人员为对照组,收集研究对象的相关资料,采用随机森林算法和多因素logistic回归分析分别构建影响医务人员发生血源性职业暴露的预测模型.结果 103例血源性职业暴露人员的主要暴露部位为手,有89例(占86.41％);主要暴露方式为锐器伤,有83例(占80.58％);主要暴露源为乙型肝炎病毒,有65例(占63.11％).暴露后立即上报的有65例(占63.11％),12 h以内上报的24例(占23.30％).logistic回归分析结果显示:相比年龄≥ 30岁,年龄＜30岁的医务人员发生血源性职业暴露的可能性增加至4.142倍(P＜0.05);相比工作年限≥ 5年,工作年限＜5年的医务人员发生血源性职业暴露的可能性增加至1.696倍(P＜0.05);相比中级及以上职称,初级职称医务人员发生血源性职业暴露的可能性增加至5.989倍(P＜0.05);相比每年多次参加培训,每年只参加1次培训的医务人员发生血源性职业暴露的可能性增加至1.864倍(P＜0.05);科室类别为急诊、重症及手术室的医务人员较其他科室医务人员发生血源性职业暴露的可能性增加至2.205倍(P＜0.05).随机森林算法结果显示,重要性评分排名前6的影响因素分别是职称、年龄、工作年限、年职业防护培训次数、职业类型、文化程度.随机森林预测模型的准确率、精确率、召回率及F1分数(精确率和召回率的调和平均数)均要高于logistic预测模型,且随机森林预测模型的ROC曲线下面积(AUC)为0.829(P＜0.001),也高于logistic回归模型的0.818(P＜0.001).结论 随机森林模型对血源性职业暴露有更好的预测效能,但logistic回归模型有更直观的分析结果,两者联合使用能进一步提高预测的准确性.应加强对年龄小、工作年限短、职称低等重点人员的培训,制定标准化的措施来预防医务人员的血源性暴露.

目的:探讨自身免疫性胰腺炎（AIP）激素治疗后复发的危险因素。方法:回顾性收集2012年1月至2023年12月间南京鼓楼医院72例行激素治疗的AIP患者的临床资料。根据激素治疗后是否复发，将患者分为复发组（25例）和非复发组（47例）。记录患者的发病年龄、性别、糖尿病史、首发临床表现、血清IgG4和CA19-9水平、影像学特征及胰腺外器官受累情况。采用口服泼尼松初始剂量0.6 mg·kg -1·d -1、逐渐减少至5~10 mg/d维持小剂量治疗。随访时间从激素初始治疗开始，到末次随访日期或复发日期。记录有无激素维持治疗、发病至激素初始治疗时间间隔、治疗后IgG4有无明显下降、治疗后胰腺有无持续肿大。采用Kaplan-Meier法绘制AIP激素治疗后的累积复发率曲线。通过Cox比例风险回归模型进行单因素和多因素分析，绘制受试者工作特征曲线（ROC），计算曲线下面积（AUC）。通过Log-Rank检验分析不同组间患者复发的差异。绘制亚组森林图评估危险因素在不同亚组人群中对AIP复发的影响。 结果:72例AIP患者中位随访时间为42（12~127）个月。随访期间34.7%（25/72）的患者在激素治疗后出现复发。复发组患者首发表现为腹胀或急性胰腺炎、发病到激素初始治疗时间间隔>1年、激素治疗后胰腺持续肿大的比例均高于非复发组，差异均有统计学意义（ P值均<0.05）。激素治疗后1、3、5年的累积复发率分别为20.8%、34.1%、37.8%。单因素分析结果发现，首发表现为腹胀或急性胰腺炎、发病到激素初始治疗时间间隔>1年、激素治疗后胰腺持续肿大均与复发显著相关（ P值均<0.05）。多因素回归分析结果发现，发病到激素初始治疗时间间隔>1年、激素治疗后胰腺持续肿大是AIP复发的独立危险因素（ HR值分别为3.606、6.515，95% CI 1.362~9.854、2.088~20.326）。Kaplan-Meier生存曲线显示，发病到激素初始治疗时间间隔>1年的AIP患者激素治疗后复发率高于时间间隔1年以内者（55.6%比27.8%），激素治疗后胰腺持续肿大的AIP患者复发率高于激素治疗后胰腺无肿大者（77.8%比28.6%），差异均有统计学意义（ P值均<0.05）。亚组分析森林图显示，无论有无糖尿病史、首发表现是否为腹痛、影像学类型为弥漫型或肿块型、是否伴有胰管扩张，激素治疗后胰腺持续肿大均为AIP复发的独立危险因素（ P值均<0.05）。 结论:AIP发病到激素初始治疗时间间隔>1年、激素治疗后胰腺持续肿大是AIP激素治疗后复发的独立危险因素。

目的:分析接受艾司奥美拉唑治疗的住院患者发生急性肾损伤（AKI）的影响因素，构建艾司奥美拉唑相关AKI的风险预测模型。方法:研究设计为回顾性研究。研究对象选自2018年1月至2020年12月于山东第一医科大学第一附属医院住院并接受艾司奥美拉唑治疗的患者。通过医院电子病历系统收集患者临床资料，包括患者基本信息、手术类型、干预措施、用药信息和实验室检查结果。根据是否发生艾司奥美拉唑相关AKI将患者分为AKI组和非AKI组，比较2组临床特征。采用最小绝对收缩和选择算子（LASSO回归）分析艾司奥美拉唑相关AKI的影响因素。以8∶2的比例将患者随机分为训练集和测试集。基于训练集数据，采用5种机器学习算法[logistic回归（LR）、随机森林（RF）、梯度提升机（GBM）、极端梯度提升（XGBoost）和轻量梯度提升机（LightGBM）]建立艾司奥美拉唑相关AKI预测模型；基于测试集数据，比较5种模型的受试者工作特征曲线下面积（AUC）、敏感性、特异性和准确率。结果:共有5 436例患者纳入研究，包括男性3 231例、女性2 205例，年龄61（51，70）岁。393例（7.23%）发生艾司奥美拉唑相关AKI。LASSO回归分析共筛选出24个与艾司奥美拉唑相关AKI密切相关的变量，包括肝功能不全、慢性肾功能不全、低蛋白血症等。基于训练集（4 349例）数据构建艾司奥美拉唑相关AKI风险预测模型，结果显示5种模型的预测性能均良好（AUC均大于0.900）。以测试集（1 087例）数据对5种模型的预测性能进行验证，发现GBM模型的AUC最高（0.922），且预测性能较为稳定（在训练集与测试集中各项指标差异较小）。结论:应用艾司奥美拉唑与AKI发生明显相关，发生风险受患者基线肾功能、合并疾病及合并使用的其他药物等因素影响。基于GBM算法构建的风险预测模型，有助于临床对艾司奥美拉唑相关AKI发生风险进行早期评估。

目的:探讨相位角(PA)在构建肿瘤患者营养评估预测模型中的价值。方法:回顾性分析2020年6月至2021年2月于长治市人民医院住院的1 129例恶性肿瘤患者的临床病理资料。采用人体成分分析仪测量患者身体6个部位的PA值，6个部位分别为左上肢(LA)、右上肢(RA)、左下肢(LL)、右下肢(RL)、躯干(TR)、全身(WB)。计算患者的体质指数(BMI)，行患者主观整体评估(PG-SGA)。比较身体6个部位PA值的差异，并结合年龄、性别以及肿瘤类型分析PA与BMI和PG-SGA的相关性。分别对BMI及PG-SGA进行二分类，依次使用决策树、随机森林、stepAkaike信息准则以及广义似然比检验选择合适变量，并用logit逻辑回归模型对数据进行拟合，采用受试者工作特征(ROC)曲线以及模型预测准确率判断logit逻辑回归模型的效能。结果:LA和RA、LL和RL、TR和WB的PA值成线性相关且系数约为1( P<0.001)。BMI以18.5 kg/m 2为分界点，PG-SGA评分以4和9分为分界点，得到模型A、B、C。使用PA-LA、PA-TR及肿瘤疾病类型为变量拟合BMI分类模型(模型A)，使用BMI、PA-LA以及年龄为变量拟合PG-SGA以9分为分界点的模型(模型B)，使用PA-LA、PA-TR、BMI、年龄与肿瘤疾病类型为变量拟合PG-SGA以4分为分界点的模型(模型C)。ROC曲线显示，模型A、B、C的最佳临界值分别为0.155、0.793和0.295。模型A推荐当概率>0.155时归为BMI<18.5 kg/m 2组，模型B推荐当概率>0.793时归为PG-SGA<9分组，模型C推荐当概率>0.295时归为PG-SGA<4分组。 结论:PG-SGA分组预测模型操作简单，可以将患者的营养状况大致划分为3个区间，分别为正常或可疑营养不良组(PG-SGA<4分)、中度营养不良组(4分≤PG-SGA<9分)和重度营养不良组(PG-SGA≥9分)，可以更加高效地预测肿瘤患者的营养状况，简化营养评估流程，更好地指导临床营养规范化治疗。

目的:通过宏基因组分析观察不同炎症类型哮喘患者肠道菌群的特点和差异。方法:选取2021年8月1日至2022年8月31日期间在北京大学第三医院呼吸内科就诊且主要诊断为哮喘的≥18岁成人作为研究对象。最终纳入病情稳定的哮喘患者29例，男13例、女16例，年龄（63±15）岁。留取新鲜粪便标本，提取粪便DNA进行肠道菌群16sRNA高通量测序，比较不同分组哮喘患者肠道菌群的多样性及群落结构，通过物种随机森林和LEfSe分析物种间差异。结果:不同炎症类型哮喘患者存在性别差异，中性粒细胞性哮喘患者中女性患者占比更高（ χ2=4.14， P=0.042）。不同炎症类型哮喘患者肠道菌群Alpha多样性无明显组间差异，但微生物组间存在明显差异，中性粒细胞性哮喘患者芽孢杆菌目（ Bacillales）（ P=0.029）、颤螺菌科（ Oscillospiraceae）（ P=0.015）相对丰度更高，在物种LEfSe分析中，嗜酸粒细胞性哮喘患者真菌（Fungi）相对丰度更高。 结论:不同炎症类型哮喘患者肠道菌群微生物存在组间差异，真菌是区分嗜酸粒细胞性哮喘和中性粒细胞性哮喘患者肠道菌群差异的生物标志物。

目的:比较不同机器学习模型利用院前数据对严重创伤患者院内不良结局的预测效能。方法:采用回顾性队列研究分析2017年1月至2018年12月美国国家创伤数据库（NTDB）中100 135例严重创伤患者的临床资料，其中男69 644例，女30 480例（性别变量缺失11例）；年龄16~89岁［（50.1±21.1）岁］。临床特征包括人口学信息（性别、年龄）、创伤类型（钝性伤或穿透伤）、院前时间［急救医疗服务（EMS）反应时间、EMS现场时间和EMS转运时间］、院前生命体征（收缩压、脉率、呼吸频率和血氧饱和度）、创伤评分［格拉斯哥昏迷评分（GCS）、损伤严重度评分（ISS）］。将原始数据按入院年份分为训练集（2017年）和测试集（2018年）。其中训练集50 429例，测试集49 706例，按有无发生不良结局将患者分为无不良事件发生组（94 526例）和不良事件发生组（5 609例）。训练集中不良事件组为2 808例，测试集中不良事件组为2 801例。所有模型均基于训练集构建，采用神经网络（NNET）、朴素贝叶斯（NB）、梯度提升树（GBM）、自适应增强机（Ada）、随机森林（RF）、袋装树（BT）、分类增强机（CatBoost）和极度梯度提升（XGB）8种机器学习算法根据患者临床特征构建严重创伤患者临床结局的预测模型。根据预测模型的灵敏度、特异度、受试者工作特征（ROC）的曲线下面积（AUC）和Hosmer-Lemeshow拟合优度检验来评价模型预测效能。结果:NNET、NB、GBM、Ada、RF、BT、CatBoost和XGB模型在测试集中的灵敏度分别0.84，0.83，0.27，0.79，0.83，0.81，0.62，0.78；特异度分别为0.79，0.76，0.81，0.79，0.79，0.74，0.83，0.79；AUC分别为0.89（95% CI 0.88，0.90），0.86（95% CI 0.85，0.87），0.54（95% CI 0.53，0.55），0.86（95% CI 0.85，0.87），0.88（95% CI 0.88，0.90），0.83（95% CI 0.82，0.85），0.77（95% CI 0.76，0.79），0.86（95% CI 0.85，0.87），其中NNET模型的区分度最佳。NNET模型和NB模型的校准度也表现出良好的性能，Hosmer-Lemeshow拟合优度检验 P值>0.05。 结论:NNET模型对严重创伤患者院内不良结局的预测效能较好，可在一定程度上为快速预测严重创伤患者的预后提供参考。

目的:对比线性回归模型与四种机器学习算法对临床医学研究生学习行为的预测效能，探讨不同预测模型的优缺点和适用性。方法:以全国6 922名临床医学研究生的调查数据为例，通过自评学习行为量表获得综合得分；在训练集中，分别利用Lasso线性回归和人工神经网络、决策树、Bootstrap随机森林、提升树四种监督式机器学习算法建立预测模型；对验证集数据进行预测并比较不同模型的预测效能。结果:临床医学研究生学习行为综合得分为（3.31±0.54），总体达标率为74.02%。在线性回归模型中，年龄、学校级别、学位类型、学习兴趣、压力和满意度对学习行为的影响差异有统计学意义；在对验证集的预测中，线性回归模型的敏感度为0.484，特异度为0.914，准确率为0.801。四种机器学习算法的各项指标均高于线性回归模型，其中随机森林的提升度最高。结论:线性回归模型对研究生学习行为的预测效果良好，机器学习在预测准确性上优于线性回归模型，但传统线性回归模型在计算效率和可解读性上具有一定优势。

目的:探讨急性缺血性脑卒中患者的代理决策者在溶栓决策过程中的焦虑程度、影响因素及其与决策时长的相关性。方法:选取2019年9月—2021年12月在郑州大学第一附属医院急诊科就诊的急性缺血性脑卒中患者及其代理决策者为研究对象。收集患者及代理决策者的社会人口学资料及患者疾病相关资料。对代理决策者进行状态-特质焦虑量表、决策参与期待量表、维克森林医师信任量表、感知社会支持量表评估。使用SPSS 26.0对数据进行处理，使用Pearson相关分析、Spearman相关分析和岭回归分析进行统计分析。结果:代理决策者状态焦虑得分为(49.47±9.04)分，18.2%(70/383)的决策者决策时长超过15 min。代理决策者状态焦虑得分与决策时长呈正相关( r＝0.189， P<0.001)。代理决策者状态焦虑水平的影响因素包括社会人口学因素(决策者及患者年龄、付费者与患者关系、决策者是否承担本次医疗费用、患者医保类型)、心理因素(对医师的信任水平、感知社会支持)、患者疾病相关因素(患者脑卒中复发次数、患者国立卫生研究院卒中评分量表评分)、决策过程的特征(患者是否参与决策、决策者在决策过程中的角色)(均 P<0.05)。 结论:大部分代理决策者存在焦虑情绪，医护人员在进行溶栓知情同意沟通时应关注决策者的情绪并采用适当的沟通技巧，缓解代理决策者的焦虑，从而缩减决策时间。

目的:根据CT放射组学特征构建分类模型以区分不同来源的肺转移瘤。方法:选取2015年1月至2020年7月在重庆市红十字会医院就诊的胃癌、乳腺癌和肾癌发生肺转移的患者226例，共有402个转移瘤，通过留出法随机分为训练队列（训练集， n=136，280个转移瘤）和验证队列（验证集， n=90，122个转移瘤）。另外匹配2020年8月至2022年4月重庆市红十字会医院就诊的肺转移瘤患者68例（共138个肺转移瘤）作为外部测试队列（测试集）。感兴趣区域的分割由两名经验丰富的放射科医生在不了解临床信息的情况下独立手工完成，利用LASSO筛选最佳放射组学特征构建模型。选择支持向量机（SVM）和随机森林（RF）分别建立二分类和三分类模型，并采用受试者工作特征曲线评价两种模型分类效能。 结果:验证集和测试集中患者的年龄（ t=-0.06， P=0.534）、性别（ χ2<0.01， P=0.961）和肺转移瘤数量（ χ2=0.71， P=0.703）差异均无统计学意义。共提取到792个放射组学特征，其中703个特征具有良好的一致性（组内相关系数≥0.75），而89个特征一致性较差（组内相关系数<0.75）被排除。二分类模型分别筛选出28个（胃癌肺转移瘤与乳腺癌肺转移瘤）、25个（胃癌肺转移瘤与肾癌肺转移瘤）和34个（肾癌肺转移瘤与乳腺癌肺转移瘤）特征；三分类模型筛选出20个特征（三种类型肺转移瘤），其中肾癌肺转移瘤的短行程强调和逆方差特征值显著高于其他两种类型，胃癌肺转移瘤的相关性特征值高于其他两种类型，3种肺转移瘤的球度之间没有显著差异。对于二分类模型，在验证集中，选取的28个特征区分胃癌肺转移瘤和乳腺癌肺转移瘤的曲线下面积（AUC）为0.81，25个特征区分胃癌肺转移瘤与肾癌肺转移瘤的AUC为0.86，34个特征区分肾癌肺转移瘤与乳腺癌肺转移瘤的AUC为0.92；测试集中AUC分别为0.80、0.79和0.86。对于三分类模型，在验证集中预测胃癌肺转移瘤、乳腺癌肺转移瘤和肾癌肺转移瘤的AUC分别为0.85、0.82和0.91，三分类模型宏观AUC为0.85，微观AUC为0.85；在测试集中，预测胃癌肺转移瘤、乳腺癌肺转移瘤和肾癌肺转移瘤的AUC分别为0.77、0.86和0.84，宏观和微观AUC均为0.81。 结论:基于CT放射组学特征的SVM及RF模型有助于区分胃癌、乳腺癌、肾癌来源的肺转移瘤。