目的:研发重症患者非计划性拔管预警系统，对其非计划性拔管风险进行预警及干预，从而降低意外拔管风险，保障患者安全。方法:以重症患者非计划性拔管风险预警指标体系模型为核心，以预防重症患者非计划性拔管护理干预方案为指导蓝本，以医院重症监护临床信息系统为基础，依托计算机信息技术，对系统的界面布局、分区、模块结构、内容和功能进行整体构架，多角度、多方位研发重症患者非计划性拔管预警系统，并用该系统回顾性分析2016年1—12月18例发生非计划性拔管案例，以验证其预警效果。结果:重症患者非计划性拔管预警系统雏形由登录模块、评估模块、决策模块、预警模块、指导模块及管道固定方案模块6个主题模块集成，系统自动判断重症患者风险等级，从而实行分级预警，筛选高危风险人群，最终提供个性化护理干预方案。经回顾性分析，该预警系统的检测率为88.89%。结论:重症患者非计划性拔管预警系统是一个自动化、智能化、信息化的预警平台，能有效预警拔管高危患者，规避管道护理风险。

随着大数据时代的到来，人工智能得以在医疗领域崭露头角并实现了飞速发展，尤其在肿瘤诊断方面存在巨大潜能。人工智能利用自动化图像分割及提取等关键技术，在实现短时间内对大量肿瘤信息汇总分析的同时，还可以反映现实环境中成像数据的分布，使肿瘤诊断从主观感知转向客观科学，从而高效精确地协助医师的诊断，为诊疗计划的制订和预后的判断提供坚实的基础。笔者拟对人工智能在肿瘤诊断中的关键技术及当前的应用进行综述。

目的:建立基于预测可行性剂量体积直方图(DVH)的肝癌容积调强弧形治疗(VMAT)自动计划方法，并评价其性能。方法:回顾性随机选取10例放疗肝癌病例。采用Pinnacle Auto-Planning设计VMAT自动计划，通过PlanIQ剂量预测得到可行性DVH曲线，并根据其显示的可行性目标区间设置自动计划的初始优化目标。评价计划靶体积、正常肝和其他危及器官的剂量参数以及机器跳数，并与临床手工计划行配对 t检验。 结果:自动计划和手工计划的计划靶体积D 2%、D 98%、D mean和均匀度指数相近[(58.55±2.81) Gy∶(57.98±4.17) Gy、(47.15±1.58) Gy∶(47.82±1.38) Gy、(53.14±0.95) Gy∶(53.44±1.67) Gy和1.15±0.05∶1.14±0.07， P均>0.05]，手工计划的计划靶体积适形指数略高于自动计划(0.77±0.08∶0.69±0.06， P<0.05)。自动计划的肝V 30Gy、V 20Gy、V 10Gy、V 5Gy和V <5Gy显著优于手工计划[(26.68±11.13)%∶(28.00±10.95)%、(29.96±11.50)%∶(31.89±11.51)%、(34.88±11.51)%∶(38.66±11.67)%、(45.38±12.40)%∶(50.74±13.56)%和(628.52±191.80) cm 3∶(563.15±188.39) cm 3， P均<0.05]，自动计划的小肠、十二指肠、心脏D mean以及全肺V 10Gy低于手工计划[(1.83±2.17) Gy∶(2.37±2.81) Gy、(9.15±9.36) Gy：(11.18±10.49) Gy、(5.44±3.10) Gy∶(6.25±3.26) Gy以及(12.70±7.08)%∶(14.47±8.11)%， P均<0.05]。两种计划的机器跳数相近[(710.67±163.72) MU∶(707.53±155.89) MU， P>0.05]。 结论:基于预测可行性DVH的肝癌VMAT自动计划方法能提高计划质量，更好保护正常肝，对小肠、十二指肠、全肺和心脏的保护也有优势。

目的:基于三维(3D)U-net深度学习模型，建立预测CT引导下宫颈癌近距离治疗计划的3D空间剂量分布。方法:2021年4－9月收集114例宫颈癌患者三维近距离放疗计划(处方剂量6 Gy)组成数据集，按84∶11∶19划分为训练集、验证集、测试集。利用3D U-net模型进行500次(epoch)训练，分别评估测试集病例体素级的平均剂量偏差(MDD)与绝对剂量偏差(MADD)、等剂量面包围体积的戴斯系数(DSC)、处方剂量适形度指数(CI)、高危临床靶区(HRCTV)的 D90和平均剂量 Dmean、膀胱、直肠、小肠、结肠的 D1 cm 3与 D2 cm 3剂量学参数。 结果:测试集中19例患者的3D剂量矩阵MDD与MADD分别为－0.01±0.03和(0.04±0.01)Gy。50%到150%处方剂量的DSC在0.89到0.94之间，处方剂量CI为0.70±0.04。HRCTV的 D90的平均偏差为2.22%， Dmean的偏差为－4.30%。膀胱、直肠、小肠、结肠的 D1 cm 3与 D2 cm 3最大偏差分别为2.46%和2.58%。模型预测平均耗时2.5 s。 结论:本研究实现了一种基于3D U-net的预测宫颈癌3D剂量分布的深度学习模型，为宫颈癌近距离治疗自动化设计奠定基础。

目的:分析儿童重症监护室48 h再插管患儿的临床特征，探讨再插管患儿拔管失败的原因及预后。方法:采用单中心回顾性研究。将2019年1月1日至2022年12月31日复旦大学附属儿科医院PICU 48 h内再插管患儿作为研究对象，排除非计划拔管、因外科手术再次插管和无拔管计划仅更换气管插管的患儿，回顾性分析其临床特征，总结拔管失败原因及预后。数据收集包括48 h再插管患儿主要疾病诊断、小儿危重病例评分（PCIS）、插管原因、插管前格拉斯哥昏迷评分（GCS）、再插管直接原因、机械通气时间和PICU住院时间、出PICU的结局及是否成功拔管。结果:研究期间PICU共拔管2 652例，48 h再插管87例（3.3%）。87例再插管患儿中，存活出PICU 63例（72.4%），院内死亡9例（10.3%），放弃治疗自动出院15例（17.2%）。存活出PICU患儿中，38例（60.3%）成功拔管，25例（39.7%）气管切开。再插管患儿的主要疾病诊断前3位是中枢神经系统疾病34例（39.1%）、下气道疾病18例（20.7%）和脓毒症9例（10.3%）。再插管的直接原因包括：中枢性呼吸衰竭28例（32.2%），下气道疾病21例（24.1%），上气道梗阻20例（23.0%），咳嗽无力和（或）吞咽障碍14例（16.1%），其他原因4例（4.6%）。首次拔管前机械通气时间≥7 d的患儿中，原发病以中枢神经系统疾病为首（55.6%），再插管直接原因以中枢性呼吸衰竭为主（40.0%），首次插管前GCS＜8分的患儿比例更高（40%）。与出PICU时拔管成功患儿相比，拔管失败患儿GCS＜8分的比例更高（32.7% 比10.5%， P＜0.05），首次拔管前的中位机械通气时间更长[239.0（123.0，349.0）h 比68.5（19.0，206.0）h， P＜0.05]且中位PICU住院时间更长[38（23，54）d 比24（12，43）d， P＜0.05]。再插管存活患儿中，存活出院患儿PCIS评分最高，院内死亡患儿最低，差异有统计学意义（ P＜0.05）。 结论:PICU气管插管拔管后48 h再插管率3.3%。再插管的直接原因主要包括中枢性呼吸衰竭、下气道疾病、上气道梗阻、咳嗽无力和（或）吞咽障碍。48 h再插管患儿出PICU时拔管失败率高，病死率高，预后差。

目的:探讨联合自动针道优化及3D打印技术研制腔道适形插植导板的方法，评价该技术对剂量及疗效的提升与改进作用。方法:回顾性分析广西医科大学附属肿瘤医院2020年9月—2022年9月收治的晚期宫颈癌患者15例。患者存在阴道残端复发、肿瘤偏心性生长、子宫锥切术后等特征，CT扫描获取三维影像，完成针道优化后，通过放射治疗3D打印系统软件（PMT 3D）对预计划数据进行解析，抓取驻留点的坐标而建立插植通道，并基于患者生理结构特征生成腔道适形插植导板的尺寸及形状，3D打印后实施插植放疗。评估适形指数等剂量学参数，对治疗前、后的肿瘤体积变化进行配对 t检验。 结果:15例患者采用腔道适形插植导板进行治疗，其治疗计划适形指数CI为0.74±0.26，放射治疗总剂量高危临床靶区（HR-CTV）D 90%（EQD 2，α/β=10）为（85.5±6.8）Gy，膀胱、直肠、小肠、结肠的D 2 cm3（EQD 2，α/β=3）分别为（72.2±4.2）、（65.8±6.1）、（65.2±4.4）、（69.8±3.7）Gy，符合临床要求。治疗后，肿瘤体积缩小明显。适形插植导板与阴道腔体贴合度较好，少体积的空气间隙并未影响剂量。非平行入针可以提高腔体空间及插植针的利用率。 结论:基于自动针道优化及3D打印技术的适形腔道插植导板研制方法兼顾效率和效果，符合现代精准放疗的要求，具有临床实用价值。

目的:分析间接法建立的先天性肾上腺皮质增生症(CAH)筛查指标血17-羟基孕酮(17-OHP)在早产儿与足月儿临界值的差异及可靠性。方法:横断面研究。回顾性分析2019年1月至2022年12月在上海市儿童医院新生儿筛查中心接受CAH筛查的210 285例新生儿的资料，其中早产儿14 312例，足月儿195 973例。采用全自动荧光分析仪测定滤纸干血片上的17-OHP水平。分析早产儿和足月儿血17-OHP水平的分布情况及统计学指标。采用Kolmogorov-Smirnov检验进行正态性分布检验。通过Box-Cox将偏态分布数据转换为近似正态分布。用四分位间距(Turkey)法剔除离群值。采用R语言编程绘制累计频率分布图，并以单边第99.5百分位数值作为筛查临界值。将筛查临界值分别与厂商说明书给定的临界值和实验室临界值进行相对偏差比较。并与参考变化值(RCV)进行比较。结果:据实验室现有临界值得出早产儿初筛阳性率为26.76‰，确诊4例，患病率为1∶3 578；足月儿初筛阳性率为0.79‰，确诊11例，患病率为1∶17 816。采用间接法建立CAH筛查临界值：早产儿为20.35 nmol/L，足月儿为10.78 nmol/L。该临界值与厂商说明书给定的临界值和实验室临界值的相对偏差均高于RCV。依据该筛查临界值，美国疾病预防控制中心室间质量评价计划的13批65份样本的阴性、阳性符合率均达100%；回顾性分析210 285例新生儿，确诊CAH阳性患儿17-OHP水平均高于此筛查临界值。应用此筛查临界值早产儿假阳性率降低59.79%。结论:采用间接法分别建立早产儿、足月儿CAH筛查临界值，具有可行性，可提高筛查的工作效率，为临床提供更好的诊断依据。

目的:设计一种联合深度学习剂量预测和参数迭代优化算法的容积调强放射治疗(VMAT)全自动计划方法。方法:选取2018年6月至2021年1月北京大学肿瘤医院既往165例直肠癌患者的VMAT计划开展研究，其中145例用于训练和验证深度学习模型，该模型用于预测危及器官的剂量，20例用于研究比对自动计划和人工计划的质量。该方法从危及器官的预测剂量分布中提取关键的剂量体积直方图(DVH)值作为初始优化参数(IOPs)，利用治疗计划系统可编程接口自动创建VMAT计划，通过设计迭代优化算法自动调节优化参数(OPs)。结果:剂量预测模型训练后能有效预测出20例测试计划危及器官的关键DVH值，与参考值相比差异均无统计学意义( P> 0.05)。20例VMAT自动计划均能满足临床处方剂量要求，对于PTV和PGTV的适形性指数(CI)，人工计划与自动计划比较差异均无统计学意义( P> 0.05)；而PGTV的 D1和均匀性指数(HI)，自动计划均高于人工计划，分别为0.6 Gy和0.01，两者比较差异均有统计学意义( t＝-7.05、-6.92， P<0.05)。自动计划比人工计划的膀胱平均 V30下降2.7%( t＝3.37， P< 0.05)，股骨头和危及器官辅助结构(Avoidance)的平均 V20分别下降8.37%和15.95%( t＝5.65、11.24， P< 0.05)，并且膀胱、股骨头、Avoidance的平均剂量分别降低了1.91、4.01和3.88 Gy( t＝9.29、2.80、10.23， P< 0.05)。测试的20例直肠癌患者病例的自动计划平均时间为(71.82±25.48)min。 结论:本研究利用直肠癌病例验证了一种联合剂量预测和参数迭代优化算法的VMAT自动计划方法的可行性。相比于人工计划，VMAT自动计划无需人工干预，在提高计划设计效率、计划质量和临床资源利用率等方面有很大的应用潜力。

目的:开发一种基于深度学习网络的乳腺癌调强放疗计划剂量分布预测的方法，并评估将其用于自动计划的可行性。方法:从复旦大学附属肿瘤医院选取240例左侧乳腺癌患者，200例作为训练集，20例作为验证集，另外20例作为测试集。应用深度学习网络建立患者CT影像、靶区和危及器官的勾画图像与剂量分布的相互关系，达到预测新患者剂量分布的目的，并尝试将预测的剂量分布作为目标函数优化并生成治疗计划。结果:临床治疗计划的剂量分布和预测的剂量分布相比，靶区(除同步加量的PTV 48Gy)和危及器官的剂量值相近，且基于预测的剂量分布生成的治疗计划与预测结果基本相同。 结论:本研究实现了一种基于深度学习网络的乳腺癌调强计划剂量分布预测方法，有助于进一步实现自动设计治疗计划的目标。

目的:在Raystation计划系统上实现基于危及器官剂量预测和射野角度优化的食管癌调强放疗(IMRT)计划自动设计。方法:选取50例食管癌IMRT计划数据作为训练集，训练危及器官剂量预测模型。另外选取20例病例应用RuiPlan自动计划脚本和人工方法分别进行计划设计，其中在自动计划中使用射野角度优化和危及器官剂量预测模型。配对 t检验比较两组计划的剂量差异和工作效率。 结果:人工计划和自动计划计划靶体积的适形指数、均匀性指数，全肺V 5Gy与脊髓D max均相近(均 P>0.05)。自动计划的左肺和右肺V 20Gy、D mean较人工计划下降1.1%、0.37 Gy和1.2%、0.38 Gy (均 P<0.05)，心脏V 30Gy、V 40Gy、D mean较人工计划下降5.1%、3.0%、1.41 Gy (均 P<0.05)。自动计划的人工操作时间、计算机处理时间、机器跳数较人工计划分别减少了65.8%、14.1%、17.2%(均 P<0.05)。 结论:RuiPlan自动计划脚本能够通过危及器官剂量预测和射野角度优化的方法提高食管癌计划设计效率，为食管癌放疗计划设计提供了另一种可选途径。