目的 用现有药代动力学(PK)药物相互作用(DDI)信息的数据库,构建出可用于预测AUC倍数变化(FC)的机器学习模型,用于探究对现有DDI预测的可能,为临床用药提供一定的合理建议.方法 从美国食品药品监督管理局(FDA)认证的药品标签中提取DDI的PK数据和AUC倍数变化的数据.通过DrugBank检索出DDI有关的多肽和药效学(PD)信息,用蛋白质资源(UniProt)对相关多肽ID进行药物类型(PPDT)标识,用矩阵归一化的代码生成便于分析的多维向量数据.PPDT对AUC的影响和所产生的倍数变化作为因变量,进行机器学习模型构建.用均方根误差(RMES)值最小的模型进行模型构建,训练出袋装决策树(Bagged)预测模型.利用训练好的模型对部分药物检验,检测模型的预测性别.通过查阅现有的有关检测DDI对的文献研究结果,对预测值进行分析比较,对模型进行评价.结果 检验模型药物对共16对,分别为16种药物对他克莫司的影响,发现对DDI的有无预测准确率为81.25％;预测结果根据FDA标准分类强弱,结果表明,DDI强弱预测,偏离较大的预测较少.结论 模型预测DDI的有无评价一般;但对DDI的强弱分类后,对DDI的预测结果较好,预测结果说明模型预测性能对于在临床试验之前进行潜在的DDI评估具有一定的参考价值.

目的 本研究基于半监督算法残差网络(semi-supervised algorithm Residual network,SMRNet)的深度学习方法,探索其在计算机辅助自主分析膝关节MRI诊断前交叉韧带(anterior cruciate ligament,ACL)损伤方面的应用.方法 使用100名经过关节镜确认的ACL损伤患者和100名关节镜确认无ACL损伤的患者的术前MRI图像.在选取适当层面后,裁剪并用于SMRNet的训练.SMRNet对单个MRI切片上ACL损伤的概率进行最终判断.4名临床医师对相同图像进行读片诊断.结果 SMRNet分类的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为97.00％、94.00％、95.50％、94.17％和96.91％.医师的整体阅片情况类似,敏感性区间91.00％～96.00％、特异性区间90.00％～94.00％、准确性区间90.50％～95.00％、阳性预测值区间90.09％～94.12％、阴性预测值区间90.90％～95.92％,二者差异无统计学意义(P＞0.05).结论 经过训练的SMRNet模型在ACL损伤检测上超越部分临床医师,为膝关节MRI诊断提供高效可靠方法,展现深度学习在医学影像的潜力.未来,SMRNet有望成为膝关节MRI诊断的重要工具,为患者提供更精准的诊疗方案.

目的:通过分析郑州大学附属郑州中心医院参加过腹腔镜技能培训的普外科青年医师的腹腔镜胆囊切除术学习曲线，探讨腹腔镜虚拟现实模拟培训的意义。方法:将青年外科医师50人分为两组，干预组参加虚拟现实模拟培训，对照组参加传统腹腔镜临床培训。培训完成后，在高年资拥有丰富腹腔镜手术经验医师的监督下完成30例腹腔镜胆囊切除术。应用CUSUM分析法，根据完成率、手术评分和手术时间绘制学员的手术学习曲线。 x为手术例数， k为斜率。计算 k=0时的 x值，比较两组学员的手术学习曲线和术中评分。采用SPSS 23.00进行 t检验和卡方检验。 结果:干预组与对照组分别在 x=19.24±0.39、 x=21.72±0.73时跨过手术学习曲线，差异有统计学意义（ P<0.01）；干预组与对照组显露胆囊部分得分分别为（10.82±2.73）、（9.71±2.69）（ t=4.61， P<0.01）；解剖胆囊三角得分分别为（12.59±3.12）、（8.87±2.99）（ t=6.21， P<0.01）；剥离胆囊得分分别为（10.69±3.38）、（8.80±3.55）（ t=3.10， P<0.01）。 结论:虚拟现实模拟培训可以促进腹腔镜培训的基本技能转化为临床操作技能，可促进普外科青年医师成长。

基于人工智能的肺结节辅助诊断、辅助检测对于肺癌早期筛查具有重要意义。由于当前产品通常采用监督学习，研发与测试过程需要高质量的胸部CT肺结节数据集。目前，此类数据集的构建和质量控制尚未建立具体的技术规范，业内处于探索阶段。随着人工智能医疗器械标准化的推进，关于数据集通用要求的标准正在起草。为促进产业发展、推进标准化进程，本文以训练集为案例，提出了胸部CT肺结节数据集的构建流程，包括数据采集、数据标注等环节。同时，本文解释了该类数据集质量特性的表现形式，提供了质量控制思路。本文旨在为数据集制造责任方提供参考路线，保障数据资源的有序供给，促进肺结节人工智能产品的研发生产。

目的:开发并评估一种针对治疗计划系统（TPS）的调强放疗（IMRT）无监督自动计划方案，使其能够模拟人工进行治疗计划的自动优化。方法:回顾性分析2022年3月至2023年3月浙江省肿瘤医院已经完成放疗的25例胃癌患者资料，患者年龄40~60岁，其中训练集7例，测试集18例。所有患者均采用相同的临床处方剂量标准45 Gy分25次，并接受飞利浦大孔径腹部CT扫描，扫描层厚为5 mm。基于深度强化学习（DRL）框架，提出一种多智能体优化决策网络（MOPN），对多个优化目标进行调整，从而模拟临床人工计划设计的过程。所有病例的自动计划方案均借助Eclipse脚本应用程序接口（ESAPI）进行代码编程，由MOPN模型自动生成。利用Wilcoxon符号秩检验比较自动计划方案与人工计划方案在相关剂量学指标间的差异。结果:初始优化目标经过MOPN调整后，自动计划的平均得分由（576.1±221.2）分上升至（1852.8±294.9）分。与临床人工计划相比，MOPN自动计划在脊髓D max、肝D mean和肝V 5 Gy方面分别降低了21.4%、9.8%和11.5%。 结论:MOPN模型借助ESAPI工具完成了与TPS的数据互通，同时也实现了胃癌IMRT治疗计划的自动化设计。经过训练的MOPN模型可以模仿计划者在优化过程中的人为操作来调整多个目标，逐步改善计划质量。

目的:基于不同监督机器学习算法，构建并验证适用于脓毒性休克患者28 d死亡风险的最佳预测模型。方法:从美国重症监护医学信息数据库Ⅳ v2.0（MIMIC-Ⅳ v2.0）中筛选出符合脓毒症3.0的脓毒性休克患者，随机抽取病例，其中70%作为训练集，30%作为验证集。从人口学特征及基础生命体征、入重症监护病房（ICU）24 h内血清学指标及可能影响指标的合并症、功能评分及高级生命支持3个层面提取相关预测变量。比较基于决策树分类回归树（CART）、随机森林（RF）、支持向量机（SVM）、线性回归（LR）及超级学习器〔SL，综合了CART、RF和极端梯度提升（XGBoost）〕5种主流机器学习算法构建的模型对脓毒性休克患者28 d死亡的预测效能，筛选最佳算法模型。利用LASSO回归、RF和XGBoost算法，通过取交集确定最佳预测变量，构建预测模型。采用受试者工作特征曲线（ROC曲线）验证模型的预测效能；采用校准曲线评估模型的准确性；采用决策曲线分析（DCA）验证模型的实用性。结果:最终共纳入3?295例脓毒性休克患者，28 d存活2?164例，死亡1?131例，病死率为34.32%；其中，训练集2?307例（28 d死亡792例，病死率为34.33%），验证集988例（28 d死亡339例，病死率为34.31%）。基于训练集数据分别建立5种机器学习模型；在纳入3个层面的变量后，RF、SVM、LR 3种机器学习模型在验证集预测脓毒性休克患者28 d死亡的ROC曲线下面积（AUC）依次为0.823〔95%可信区间（95% CI）为0.795～0.849〕、0.823（95% CI为0.796～0.849）、0.810（95% CI为0.782～0.838），高于CART算法模型（AUC＝0.750，95% CI为0.717～0.782）和SL算法模型（AUC＝0.756，95% CI为0.724～0.789），故将以上3种算法模型确定为最佳算法模型。综合3个层面变量后，通过LASSO回归、RF和XGBoost算法筛选并取交集，得出16个最佳预测变量，依次为入ICU 24 h内pH最大值、白蛋白（Alb）最大值、体温最大值、血乳酸（Lac）最小值、Lac最大值、血肌酐（SCr）最大值、Ca 2+最大值、血红蛋白（Hb）最小值、白细胞计数（WBC）最小值、年龄、简化急性生理学评分Ⅲ（SAPSⅢ）、WBC最大值、急性生理学评分Ⅲ（APSⅢ）、Na +最小值、体质量指数（BMI）及活化部分凝血活酶时间（APTT）最小值。ROC曲线分析显示，以上述16个最佳预测变量构建的Logistic回归模型为最佳预测模型，在验证集中的AUC为0.806（95% CI为0.778～0.835）；校准曲线及DCA曲线显示，该模型的精准度较高，且净收益最高可达0.3，其预测效能明显优于传统以单一功能评分〔APSⅢ评分、SAPSⅢ评分、序贯器官衰竭评分（SOFA）〕建立的模型〔AUC（95% CI）分别为0.746（0.715～0.778）、0.765（0.734～0.796）、0.625（0.589～0.661）〕。 结论:以pH值、Alb、体温、Lac、SCr、Ca 2+、Hb、WBC、SAPSⅢ评分、APSⅢ评分、Na +、BMI、APTT等16个最佳变量构建的Logistic回归模型为脓毒性休克患者28 d死亡风险的最佳预测模型，其效能稳定，区分度及精准度均较高。

目的:研究住院医师规范化培训学员对慕课学习的利用情况，以及对慕课学习效果的满意度。方法:制定住院医师规范化培训学员对慕课学习的认知问卷，回收有效问卷133份。采用SPSS 19.0用描述性统计分析、卡方检验、logistics回归分析住培学员慕课学习满意度的影响因素。结果:住院医师规范化培训学员对慕课学习满意度的影响因素有学习时间的灵活性、讨论区的设置、与教师交流互动情况、学员学习的积极性。结论:住院医师规范化培训学员对慕课学习效果满意，今后慕课建设重点是制订慕课定期学习计划及监督机制、增加学员间和师生间的交流反馈、提高住培学员慕课学习的积极性、增加慕课课程内容。

目前医疗和公共卫生系统已经进入大数据时代，越来越多的大型数据集被用于生成算法，以指导患者医疗、护理的质量改进和公共卫生监测 [ 1, 2] 。我国每年实施5 000万例手术，优化围术期麻醉管理对减少术后并发症及提高生存率有重要意义。尽管利用深度学习等监督学习算法可以对围术期严重不良事件进行预警 [ 3, 4, 5, 6] ，但手术患者个体差异大，病情变化快且复杂，若诊断不明确以及治疗效果不确切，难以指导外科/麻醉医生持续准确做出优化的个体化麻醉医疗决策，亟需新的算法研究。目前外科学专家们开始高度关注强化学习(RL)在围术期医疗决策中的应用 [ 1, 7] 。RL的特性使其在围术期大量动态、高维、复杂、罕见分布的时序数据分析上具备显著优势，可形成更高级别的循证医学证据指导围术期医疗决策，具备显著的应用前景 [ 1, 2, 7, 8, 9] 。

目的:设计并开发适合脑卒中吞咽障碍患者的吞咽功能训练系统，在充分体验的基础上调查患者对该系统的接受度。方法:该系统由多学科团队共同设计，针对脑卒中吞咽障碍患者，结合虚拟现实技术（VR），实现形象化、趣味性的知识指导，系统性、针对性的吞咽功能训练，实时性、反馈式的监督与回顾。2022年3—5月采用便利抽样法选取首都医科大学附属北京朝阳医院的39例脑卒中吞咽障碍患者，在充分体验该系统的基础上从感知有用性、感知易用性、感知易学性、感知适用性、感知安全性、感知满意度及使用意向7个维度对该系统进行评价。结果:39例脑卒中吞咽障碍患者康复训练系统的接受度评价得分162（147，170）分；不同文化程度、工作类型、每天使用智能手机累计时间、吞咽训练的学习愿望，对VR设备或技术是否了解、是否认为吞咽训练重要的患者康复训练系统的接受度评价得分比较，差异具有统计学意义（ P<0.05）。 结论:本系统得益于VR的可视化效果以及良好的沉浸感，相较于传统方式，增加了康复训练过程的趣味性、沉浸感、反馈性，患者对该系统的接受度较高，可推广使用。