目的 探索生物阻抗向量分析(BIVA)对冠状动脉造影术(CAG)患者水化的指导价值,为临床提供实用的、可操作性强的客观指标,减少对比剂相关急性肾损伤(CI-AKI)的发生.方法 采用便利抽样法,选取2023年8-10月该院心血管内科首次行CAG的72例住院冠心病患者,收集患者基本信息,采集血生化、血氨基端前脑钠肽(NT-ProBNP),使用BIVA获得患者术前身体水分情况;收集实验室数据和对比剂用量信息.使用SPSS27.0软件分析患者术前身体水分情况与术后肌酐水平、肾小球滤过率(eGFR)、CI-AKI发生的相关性.通过公式计算本研究身体总水分推荐范围(90%概率).结果 CAG患者术前测定的身体总水分与术后第1天的eGFR呈弱正相关(相关系数0.19,P=0.02);身体总水分与术后第1天肌酐水平呈弱负相关(相关系数-0.23,P<0.01),与术后第3天肌酐水平呈弱负相关(相关系数-0.24,P=0.04),与术后CI-AKI发生呈中度负相关(相关系数-0.35,P<0.01);体水分占比与术后第3天eGFR呈轻度正相关(相关系数0.22,P=0.01).以CAG患者不发生CI-AKI为目标,本研究身体总水分推荐范围(90%概率)为不低于33.25 L.结论 BIVA对CAG患者水化具有指导意义.

目的:基于生物电阻抗指标构建膝关节骨关节炎患者的膝关节退变程度预测模型，并对模型的预测能力和应用效能进行评价。方法:本研究为横断面调查研究。采用便利抽样法选取2021年5—7月石家庄市裕强社区卫生服务中心参与体检的124例社区居家膝关节骨关节炎患者的248个膝关节为对象建立模型，根据Kellgren-Lawrence（K-L）分级系统将其分为K-L1级（19个）、K-L2级（103个）、K-L3级（96个）、K-L4级（30个）4组。通过方差分析或Kruskal-Wallis检验筛选纳入模型的指标，利用支持向量机建立膝关节退变程度预测模型，采用网格参数寻优法对模型进行优化。采用受试者工作特征（ROC）曲线下面积及敏感度、特异度、准确率、阳性预测值、阴性预测值评价模型的预测效能。结果:纳入模型的指标包括年龄、合并症、合并腰/背/髋部疼痛、从事高危职业、西安大略和麦克马斯特大学骨关节炎指数（WOMAC）-疼痛、WOMAC-功能、电抗值和相位角。训练集中模型的ROC曲线下面积为0.999，预测准确率为0.920，95%置信区间为0.868~0.957；测试集中模型的ROC曲线下面积为0.833，预测准确率为0.682，95%置信区间为0.572~0.780。结论:本研究构建的膝关节退变程度预测模型具有较好的预测能力且易于使用，可作为膝关节骨关节炎患者的膝关节退变程度的筛查工具。

目的 探讨基于生物电阻抗矢量分析(BIVA)和机器学习算法建立的预测模型对维持性血液透析(MHD)患者贫血和营养状况的预测价值.方法 收集人体成分分析仪(BCM)测得的MHD患者生物电信号数据和白蛋白(Alb)、血红蛋白(Hb)、低密度脂蛋白胆固醇(LDL-C)、总胆固醇(TC)等血生化指标数据,基于BIVA和3种机器学习算法(随机森林、支持向量机和Adaboost算法)分别建立3个预测模型,比较3个模型对Alb、LDL-C、Hb、TC指标的预测效能.结果 个体相关性分析结果显示,生物电学指标与营养指标(Alb、LDL-C、Hb、TC)显著相关(P＜0.05或P＜0.01);3个模型中,基于随机森林算法的模型性能最佳,预测Alb、LDL-C、Hb、TC的准确率分别为0.880、0.879、0.904、0.937.结论 基于BIVA和机器学习算法(随机森林算法)建立的预测模型在MHD患者贫血和营养状况评估中具有较高价值,可辅助临床决策.

目的 采用支持向量回归方法,构建金电极上覆盖生物膜的模型.方法 对裸金电极、NC膜-金电极、蛋白-NC膜-金电极3种结构进行电化学阻抗测试,依据其对应的等效电路进行拟合及关键参数提取.利用主成分分析方法选取了信息总量和80％的前4个参数Rs,CPE-P,CPE-T,R1,并以这4个参数为输入,以电极直径为预测值,建立了电极直径的支持向量回归预测模型.结果 3组实验的预测结果都与实验结果 吻合,平均预测率为82.43％,并采用PC12细胞进行了初步验证.结论 基于支持向量回归的生物膜-电极阻抗模型,可对不同直径电极的活化面积预测,对其它生物膜如细胞等在电极上的有效贴附面积和培养状况的量化检测提出定量分析依据.

目的 测量不同脊柱组织的电阻抗,基于支持向量机建立电阻抗数据的组织分类算法并验证算法的准确性,寻找不同组织电阻抗分类阈值.方法 取离体脊柱组织,应用电化学分析仪采集10～100 kHz频率范围内皮质骨、松质骨、脊髓、肌肉、髓核的电阻抗.将两只猪采集的数据集分别作为训练集和测试集,应用主成分分析降维至二维数据,训练和验证基于支持向量机(SVM)建立的分类算法,应用集成学习的方法计算不同组织分类的电阻抗阈值.结果 5种组织在10～100 kHz的测量频率内,电阻抗值差异有统计学意义(P<0.001).应用主成分分析降维的数据集建立的支持向量机分类算法识别不同组织的准确率为100％.应用集成学习建立的多个分类器计算出了不同组织的电阻抗分类阈值.结论 基于支持向量机可以实现脊柱术区组织电阻抗的准确识别,有望应用于临床协助医生提升组织识别准确率.