目的 通过机器学习建立并验证阿尔茨海默病(Alzheimer's disease,AD)发病机制中双硫死亡相关基因的表达模式和诊断性生物标志物.方法 从GEO数据库下载GSE33000作为训练数据集,提取双硫死亡相关基因进行分析.通过免疫浸润和GSVA富集分析,比较AD患者和健康对照之间的差异表达基因在不同免疫细胞中的表达情况及其生物学功能.利用共识聚类方法将AD患者分为两个亚组,并对AD组与健康对照组及AD分型亚组进行加权基因共表达网络分析(WGCNA),将两个结果的交集基因作为AD特征基因.通过随机森林模型(RF)和支持向量机模型(SVM)、极限梯度提升算法(XGB)模型和广义线性模型(GLM)构建训练模型,筛选出最相关的5个基因作为诊断性标志物,并在GSE122063数据集中进行验证.结果 在文献中已证实的24个双硫死亡相关基因中,有22个基因在AD发病过程中显著差异表达.免疫浸润分析发现浆细胞、CD8+T细胞、单核细胞可能在双硫死亡调控AD中发挥重要作用.GSVA富集分析结果表明:对比于C1亚组,C2亚组中双硫死亡相关差异表达基因在亨廷顿病、帕金森病和阿尔茨海默病中上调.通过共识聚类方法将AD基因分为两个亚组(C1和C2),通过WGCNA识别显著模块并将结果取交集后获得63个AD特征性基因.训练模型结果显示,SVM模型的残差分布最低,ROC曲线下面积(AUC)值最高(0.946).SVM模型筛选的前5个AD特征基因为PARP10、MAP2K1、PTBP1、PAK1和NMS,并基于此建立AD诊断风险评估列线图.决策曲线和校正曲线分析结果显示该模型预测准确度良好.在GSE122063外部数据集中验证模型准确性,ROC结果显示AUC值为0.788,模型构建成功.结论 双硫死亡在AD的发生和诊断中起重要作用,未来可根据双硫死亡相关基因预测并筛选具有潜在治疗AD作用的药物.

目的 探讨益肺宣肺降浊方(YFXF)抗血管性痴呆(VD)的作用机制.方法 通过网络药理学方法获取YFXF差异表达作用靶点(YDEGs);利用列线图模型从YDEGs中筛选高风险基因;基于高风险基因从广义线性、支持向量机、极限梯度上升和随机森林模型中筛选最优机器学习模型.采用双侧颈总动脉闭塞术构建大鼠VD模型,并随机分为模型组、YFXF组(12.18 g/kg,以生药总量计),另设假手术组,每组6只.评价YFXF对VD大鼠行为学(以逃避潜伏期和穿越平台次数为指标)、大脑皮层组织病理形态学变化以及分泌磷酸蛋白1(SPP1)/磷脂酰肌醇3激酶(PI3K)/蛋白激酶B(又名Akt)信号通路相关蛋白及SPP1 mRNA表达的影响.结果 共获得6个YDEGs,其中SPP1、CCL2、HMOX1、HSPB1可能是VD的高风险基因;基于高风险基因的广义线性模型预测准确性最高(曲线下面积为0.954).与模型组比较,YFXF可显著缩短VD大鼠的逃避潜伏期,显著增加穿越平台次数(P＜0.05);可改善大脑皮层组织神经元固缩和坏死等病理损伤,显著降低SPP1蛋白及mRNA的表达水平(P＜0.05),显著升高PI3K、Akt蛋白的磷酸化水平(P＜0.05).结论 VD高风险基因SPP1、CCL2、HMOX1和HSPB1可能是YFXF的重要作用靶点;YFXF可能通过下调SPP1蛋白及mRNA的表达、激活PI3K/Akt信号通路来发挥抗VD作用.

目的:探讨机器学习算法构建脓毒症心肾综合征患者早期死亡风险预测模型的方法，为临床早期识别高危患者及精准治疗提供依据。方法:入选同济大学附属同济医院2015年1月1日至2019年5月31日期间入院的脓毒症心肾综合征患者为研究对象，收集患者确诊时的临床表现、实验室检查及治疗情况等资料。研究终点事件定义为患者确诊后30 d内死亡。运用Python软件构建不同机器学习算法模型，采用受试者工作特征曲线下面积（ AUC）评估各模型的预测效能。运用构建的最优模型筛选疾病相关风险因素，构建可视化决策树模型和半朴素贝叶斯（sNB）模型。 结果:340例患者入选本研究，其中114例（33.5%）患者确诊后30 d内死亡。支持向量机（SVM ）、随机森林（RF）、梯度提升树（GBDT） 、极端梯度提升（XGBoost）和轻量梯度提升（LGBM）5种模型的 AUC值分别为0.652、0.868、0.870、0.754和0.852，其中GBDT模型预测患者发生终点事件的 AUC值最优。依据GBDT模型特征重要度评分筛选出前10项患者预后的影响因素，包括序贯器官衰竭评估（SOFA）总评分、神经系统SOFA评分、血管活性药物应用史、高敏肌钙蛋白（cTNI）、年龄、肌红蛋白（MYO）、循环系统SOFA评分、慢性肾脏病史、心率和基线血肌酐值等参数，建立可视化决策树模型，模型共4层，15个节点，8个终端节点。依据SOFA总评分、MYO变化率、基线血肌酐值和年龄等4项影响因素建立决策树流程，模型预测患者发生终点事件的 AUC值为0.690。sNB模型提示总SOFA总评分与神经系统SOFA评分、SOFA总评分与血管活性药物、cTNI与基线血肌酐值间的相互作用影响患者的短期预后。 结论:基于机器学习建立的脓毒症心肾综合征患者早期死亡风险预测模型结果提示，高SOFA评分仍然是预测脓毒症心肾综合征患者预后不良的首要危险因素。本研究建立的可视化决策树模型和sNB模型可在疾病早期针对高危患者进行临床判断，为脓毒症患者的精准治疗提供预测依据。

目的:探索对丙泊酚药物浓度和意识状态改变敏感的脑功能特征。方法:选择拟行胸腹部手术治疗的男性患者6例，对所有患者使用靶控输注设备进行丙泊酚输注，初始药物浓度设置为1.0 mg/L，然后每6 min增加0.2 mg/L，直到患者达到无意识状态。同时，采集患者的脑电信号。将采集的脑电信号进行预处理并提取脑功能特征。构建药物浓度相同、意识状态不同和意识状态相同、药物浓度相同两个数据集，并使用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM）3种机器学习算法模型在不同的数据集上进行分类分析。结果:特征筛选结果显示功率谱-δ-顶区、排列熵（permutation entropy, PE）-δ-颞区和相位滞后指数（phase lag index, PLI）-α-顶区到顶区为对意识状态改变敏感的特征，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的意识状态分类正确率分别为（82±5）%、（83±5）%和（84±4）%；功率谱-β-额区、功率谱-β-颞区和功率谱-β-顶区对药物浓度改变敏感，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的药物浓度分类正确率分别为（77±4）%、（76±4）%和（80±4）%。功率谱-δ-顶区在药物浓度变化时没有明显变化（ P>0.05），而在意识状态从有意识到无意识明显升高（ P<0.001）；PE-δ-颞区和功率谱-β-额区在从低药物浓度到高药物浓度和从有意识到无意识时均明显降低（ P<0.001）；PLI-α-顶区到顶区在低药物浓度状态下明显高于其在高药物浓度状态下（ P<0.001），但是其在意识状态变化时并没有明显变化（ P>0.05）；功率谱-β-颞区和功率谱-β-顶区在意识状态变化时均没有出现明显变化（ P>0.05），但是功率谱-β-颞区从低药物浓度到高药物浓度时明显升高（ P<0.001），而功率谱-β-顶区从低药物浓度到高药物浓度时明显降低（ P<0.05）。 结论:功率谱-δ-顶区可以很好地表征意识水平的变化同时避免药物浓度的影响，在精确监测麻醉深度上具有潜力。

目的:应用机器学习方法为 131I治疗后的分化型甲状腺癌（DTC）患者构建左甲状腺素钠片最佳初始剂量的预测模型。 方法:回顾性分析2019年11月至2020年11月在天津市肿瘤医院空港医院接受 131I治疗后促甲状腺激素（TSH）抑制治疗最终达标的266例DTC患者[男性78例（男性组）、女性188例（女性组），年龄18~70(40.0+11.5）岁]的临床资料，包括一般资料、生化指标（共16项）和出院后定期复查的甲状腺功能相关数据及左甲状腺素钠片每次的调整剂量。通过计算随机森林模型重要度筛选出较为重要的临床特征；以筛选出的特征为自变量，以左甲状腺素钠片达标剂量为因变量构建多种回归模型，通过交叉验证选出准确率最高的模型。计数资料的组间比较采用独立样本的卡方检验。 结果:266例患者的体重、身高、体重指数、体表面积、血红蛋白、平均红细胞体积、收缩压/舒张压、术后甲状旁腺激素、达标时左甲状腺素钠片剂量分别为（68.4±12.9）kg、（165.8±12.8）cm、24.6±3.5、（1.9±0.2）m 2、（140.1±19.1）g/L、（88.6±5.5）fl、（125.7±18.9）mm Hg/（82.7±12.4）mm Hg、（4.1±2.2）pmol/L、（117.0±30.1）μg/d。通过特征筛选，重要度排在前6位的临床特征依次为体表面积、体重、血红蛋白、身高、体重指数、年龄，其重要度均数依次为0.2805、0.1951、0.1315、0.1252、0.1080、0.0819。径向基核的支持向量回归（SVR）模型预测左甲状腺素钠片剂量的准确率（53.4%，142/266）最高，高于经验给药的首次达标率（15.0%，40/266）；SVR模型在女性组中预测左甲状腺素钠片剂量的准确率高于男性组[60.6%（114/188）对35.9%（28/78）]，且差异有统计学意义（ χ2=13.51， P<0.001）。 结论:基于机器学习构建的SVR模型有望提高经 131I治疗后的DTC患者左甲状腺素钠片的首次达标率，并且在女性患者中更有效。

目的:探讨利用三维动画模拟正常心电图和心室肥大心电图波形在诊断学心电图教学中的应用效果。方法:采用试验对照方法。利用动画制作软件，通过计算机三维建模，模拟具有正常心室、肥大心室特征的立体心电向量环及其经过"二次投影"形成正常心电图和心室肥大心电图波形的过程。并将动画课件应用于诊断学心电图教学中，课后评价教学效果。2021年9至12月，以简单随机方法选择浙江中医药大学2019级七年制中医学专业30名学生作为试验组，采用三维动画模拟心电图波形课件进行教学；选择2019级七年制针灸推拿学专业30名学生作为对照组，实施传统理论讲授教学。教学结束后以理论考核、读片考核和问卷调查方式评价教学效果。采用独立样本 t检验分析数据。 结果:试验组学生心电图教学理论考核、读片考核成绩均高于对照组学生[(7.47±0.97)分比(6.90±0.89)分、(6.83±0.83)分比(6.23±0.68)分]，其差异均具有统计学意义(均 P<0.05)。试验组学生教学在问卷调查中"增加心电图知识的趣味性""活跃课堂气氛"等方面的评分均高于对照组学生[(7.97±0.77)分比(7.37±1.07)分、(7.40±0.77)分比(6.90±0.92)分]，其差异均具有统计学意义(均 P<0.05)。 结论:在诊断学心电图教学中，采用三维动画可视化技术模拟正常心电图、异常心电图波形，可以获得较好的教学效果。

目的:使用置信学习识别并检测丙泊酚麻醉临界状态下与意识波动相关的脑功能特征，并用其进行意识状态分类。方法:选择2019年10月至2020年10月在西安交通大学第一附属医院行胸腹部手术的患者29例，年龄18~45岁，BMI 18~26 kg/m 2，ASA分级Ⅰ、Ⅱ级，无神经和精神类疾病或病史。所有患者靶控输注丙泊酚，初始药物浓度设置为1.0 mg/L，并以0.2 mg/L的阶梯增加直到患者失去意识，每次药物浓度增加均以6 min为间隔。同时，给予患者听音按键任务获取其意识状态，并采集患者的脑电图（electroencephalography, EEG）。对采集的EEG进行预处理，依据声音刺激将其分为长为5 s的数据段，基于患者对每个声音刺激反应与否给予每个数据段一个标签（有意识或无意识），将患者在有意识和无意识交替出现的意识状态波动阶段定义为临界状态。提取每个数据段的包括脑电信号功率普特性、信号复杂度、脑区间功能连通性和脑网络特性的110个脑功能特征。使用前向选择方法进行特征筛选。使用置信学习对训练集进行清洗，采用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM) 3种分类器模型分别计算置信学习前后的意识状态分类正确率。 结果:被置信学习清洗的标签大多位于意识波动的临界状态阶段。置信学习前LDA、LR和SVM分类器模型对意识状态的分类正确率分别为（85.3±3.7）%、（85.3±3.9）%和（85.3±3.8）%，置信学习后的分类正确率分别为（93.5±2.0）%、（92.9±1.8）%和（93.3±1.0）%，相比于置信学习前平均增长了7.93%。原本显示为无意识状态（对声音刺激无反应）而被置信学习重新标记为有意识状态的数据段上的α占比-顶后区、PLI-δ-额顶和聚类系数-δ这三类特征与稳定无意识数据段差异有统计学意义（ P<0.001），而与稳定有意识数据段差异无统计学意义（ P>0.05）。尽管快慢波-α-额区、排列熵-θ-额区、排列熵-θ-中央和α占比-额区上在不确定意识与稳定有意识状态和稳定无意识状态差异均有统计学意义（ P< 0.001），但和稳定的无意识相比，这些数据明显更加接近于稳定的有意识状态。 结论:使用置信学习可以有效提高临界状态下不同意识水平的分类结果，为更精确的术中意识监测提供方法学支持。

目的:探究基于MRI影像组学特征辅助诊断糖尿病足（DF）的可行性。方法:回顾性分析2018年8月至2020年8月于上海中医药大学附属上海市中西医结合医院行足部MRI检查的127例因足部疾患就诊患者的临床资料，其中男性83例、女性44例，年龄16~88 (59.3±14.8）岁。根据患者临床诊断的不同分为DF组（85例）和非DF组（42例）；根据影像组学特点，采用简单随机抽样法，将患者以3∶2的比例随机分为训练组（76例）和测试组（51例）。在MRI的T1加权成像（WI）序列和质子密度加权成像（PDWI）压脂序列矢状面图像上勾画骰骨，提取影像组学特征参数，并构建T1WI序列模型、PDWI压脂序列模型及联合模型，联合模型包括性别、年龄、骨髓信号和影像组学特征参数。通过3组模型参数最大绝对值归一化的预处理，经过最优特征和模型选择筛选出最优特征维度。采用受试者工作特征（ROC）曲线，计算曲线下面积（AUC），评估影像组学特征诊断DF的效能。2组间年龄的比较采用独立样本 t检验，2组间性别和中足骨骨髓信号异常的比较采用 χ2检验。 结果:DF组和非DF组患者在年龄、男女比例及中足骨骨髓信号异常间的差异均有统计学意义（ t=29.2， χ 2=17.15、6.53，均 P<0.05）。T1WI序列模型、PDWI压脂序列模型和联合模型最终分别筛选出9、7和10个最优特征维度。支持向量机模型区别DF和非DF患者在T1WI序列模型上训练组和测试组的AUC分别为0.86和0.84，准确率分别为78%和69%；PDWI压脂序列模型上训练组和测试组的AUC分别为0.85和0.83，准确率分别为82%和78%；而联合模型上训练组和测试组的AUC分别为0.93和0.85，准确率分别为84%和76%。T1WI序列模型与PDWI压脂序列模型诊断效能相当，而联合模型优于二者单独应用。 结论:MRI影像组学特征能有效区分DF和非DF，有望为DF影像诊断提供一种新型、高效、无创的手段。

目的:构建胸腔镜单肺叶切除术患者术后住院时间延长的预测模型。方法:回顾性收集2016年3月至2019年2月于本院胸外科择期气管插管全麻下行胸腔镜单肺叶切除术患者的病历资料，性别不限，年龄≥18岁，ASA分级Ⅰ~Ⅲ级，术后病理诊断为非小细胞肺癌。收集患者基本信息(性别、年龄、吸烟史)、既往病史(血脂异常、高血压、糖尿病、心脑血管疾病、周围血管疾病、慢性阻塞性肺疾病)、过敏史、其他肿瘤史、手术切除部位、麻醉因素(术中非甾体抗炎药和糖皮质激素使用情况、麻醉时长、术中硬膜外麻醉+术后硬膜外镇痛情况)和术后并发症发生情况(胸腔积液、气胸、肺不张)。根据术后住院时间是否延长分为术后住院时间正常组(≤7 d)和术后住院时间延长组(>7 d)。采用logistic回归分析，筛选胸腔镜单肺叶切除术患者术后住院时间延长的预测因子。基于TensorFlow深度学习框架构建患者术后住院时间延长的回归预测模型，评价模型预测效果；进一步基于TensorFlow框架搭建深度神经网络，构建患者术后住院时间延长的分类预测模型，评价模型预测效果，并与传统机器学习算法构建的预测模型进行比较。结果:最终共纳入428例患者。多因素logistic回归分析结果显示，年龄和麻醉时长是胸腔镜单肺叶切除术患者术后住院时间延长的危险因素，女性、其他肿瘤史和右肺中叶切除是保护因素( P<0.05)。回归预测模型在训练集和测试集上的平均绝对误差分别为2.16和2.14，均方误差分别为11.05和11.73，模型拟合效果欠佳。分类预测模型在测试集上的准确率、F1值、受试者工作特征曲线下面积分别为75.58%、0.553和0.702，模型预测效果尚可，然而预测效果不优于基于逻辑回归、随机森林、梯度提升和支持向量机的4种传统机器学习方法构建的预测模型。 结论:性别、年龄、手术切除部位、其他肿瘤史和麻醉时长可作为预测因子，基于深度神经网络构建胸腔镜单肺叶切除术患者术后住院时间延长的分类预测模型。

目的:比较Logistic回归、BP神经网络及支持向量机3种模型对老年慢性阻塞性肺疾病（COPD）患者30 d内急性加重再入院风险的预测性能，以期为再入院高风险患者筛查及预防提供科学依据。方法:制作COPD患者调查问卷表，包括一般资料调查表、改良英国医学研究委员会呼吸困难量表（mMRC）、日常生活能力评估量表（ADL）、老年抑郁量表、微型营养评定量表（MNA-SF）及COPD评估量表（CAT），采用便利抽样法，选择宁夏地区13所综合医院2019年4月至2020年8月呼吸内科治疗的老年COPD患者作为调查对象，并随访至出院后30 d。探讨患者再入院影响因素，基于影响因素构建Logistic回归模型、BP神经网络模型和支持向量机模型，按照训练集与测试集7∶3的比例分为训练集样本和测试集样本，分别通过查准率、召回率、正确率、F1指数及受试者工作特征曲线下面积（AUC）对模型预测效能进行比较。结果:共调查1 120例患者，其中非再入院患者879例，再入院患者241例。单因素分析显示，非再入院患者与再入院患者的年龄、文化程度、吸烟情况、糖尿病和冠心病比例、过去1年因COPD急性加重住院次数、季节因素及长期家庭氧疗、规律用药、康复锻炼比例、病程、ADL、抑郁状况、mMRC、营养状况比较差异均有统计学意义。二元Logistic回归分析显示，文化程度、吸烟情况、冠心病史、过去1年因COPD急性加重住院次数、季节因素、是否长期家庭氧疗、是否规律用药、营养状况是老年COPD患者30 d急性加重再入院的影响因素。训练集显示，Logistic回归模型、BP神经网络模型及支持向量模型的查准率分别为70.95%、76.51%、84.78%，召回率分别为79.55%、86.36%、88.64%，正确率分别为87.81%、90.81%、93.82%，F1指数分别为0.75、0.81、0.87，AUC分别为0.850、0.893、0.921。测试集显示，Logistic回归模型、BP神经网络模型及支持向量模型的查准率分别为78.38%、80.65%、88.57%，召回率分别为70.73%、60.98%、75.61%，正确率分别为85.82%、84.40%、90.07%，F1指数分别为0.74、0.69、0.82，AUC分别为0.814、0.775、0.858。结论:与Logistic回归模型和BP神经网络模型相比，支持向量机模型的预测效果更好，可以有效预测老年COPD患者30 d内急性加重再入院风险。