慢性阻塞性肺疾病(chronic obstructive pulmonary dis-ease,COPD)是一种由炎症引发气流阻塞为特征的肺部疾病.COPD临床表现除常见的咳嗽、咳痰外,持续的气流受限和肺部生理功能下降以及肺纤维化改变也被认为是其主要病理症状[1-2],重症病情易恶化成肺心病和呼吸衰竭.最新的流行病学研究结果显示[3-4],截止至2017年,慢性呼吸道疾病患者人数估计为5.449亿,其中约55％的病例归因于COPD;截止至2019年,COPD已成为全球第三大死亡原因.随着人口老龄化的加剧,中国40岁以上人群的患病率高达8.2％[5].给患者及其家属带来了沉重的经济压力,成为全民性的公共健康问题.因此如何预防、治疗慢性阻塞性肺疾病已成为社会亟待解决的问题.

[目的]利用线粒体基因组序列数据分析缘蝽科(Coreidae)亚科间的系统发育.[方法]使用高通量测序对4种缘蝽(纹须同缘蝽Honoeocerus striicornis、广腹同缘蝽H.dilatatus、宽棘缘蝽Cletus schmidti和褐莫缘蝽Molipteryx fuliginosa)进行低覆盖度全基因组测序;从获得的全基因组测序数据中重建线粒体基因组全序列;联合已经公布的缘蝽科3个亚科32个种的线粒体基因组序列(作为内群)以及蛛缘蝽科(Alydidae)中的3个种的线粒体基因组序列(作为外群),分别采用最大似然法和贝叶斯法重建缘蝽科亚科间的系统发育.[结果]纹须同缘蝽、广腹同缘蝽、宽棘缘蝽和褐莫缘蝽线粒体基因组(GenBank登录号:OR702557-OR702560)的长度分别为15 706,15 913,17 685和16 959 bp,新获得的这4种缘蝽线粒体基因组的基因排列方式与典型的昆虫线粒体基因组一致,没有基因重排等特殊的基因组织结构;此外,这4种缘蝽线粒体基因组的全基因组序列、蛋白质编码基因、rRNA基因和tRNA基因序列都具有较高的A+T含量(≥70％).最大似然法和贝叶斯法重建的缘蝽科系统发育树具有大体相同的拓扑结构;所有结果都支持缘蝽亚科(Coreinae)为单系群,缘蝽亚科与希缘蝽亚科(Hydarinae)互为姐妹群.[结论]本研究利用线粒体基因组数据重建了缘蝽科亚科间的系统发育,结果支持缘蝽亚科为单系群,缘蝽亚科与希缘蝽亚科互为姐妹群.本研究为进一步在系统发生框架内探讨缘蝽科的系统演化提供了线粒体系统发育基因组学数据.

中国医学科学院肿瘤医院MO团队用贝叶斯自适应随机化和疗效监测,开展了一项Ⅱ期临床试验来比较节拍化疗联合抗程序性死亡受体1(programmed death receptor 1,PD-1)单抗与常规化疗联合抗PD-1单抗的临床疗效.入组受试者均为人表皮生长因子受体-2(human epidermal growth factor receptor-2,HER2)阴性转移性乳腺癌患者,既往没有接受过1次以上的标准化疗.

目的:探讨基于CT影像组学的机器学习模型预测胰腺癌门静脉-肠系膜上静脉(PV-SMV)侵犯的价值。方法:回顾性分析2010年1月至2021年7月南京医科大学附属无锡第二医院收治的156例经手术病理确诊的胰腺癌患者的临床、病理及术前CT影像资料，其中男性95例，女性61例，年龄(65.7±8.2)岁。所有入组患者按3∶2的比例划分训练集和验证集。通过患者术前增强CT提取肿瘤影像组学特征，采用最大相关最小冗余算法进行特征选择后，构建5种机器学习算法预测模型，并与常规影像特征诊断的受试者工作特征(ROC)曲线进行比较。结果:94例患者纳入训练集，62例纳入验证集。训练集和验证集中手术探查证实的PV-SMV侵犯病例分别为30例(31.9%)和25例(40.3%)。基于10个影像组学特征构建的5个机器学习模型中，LASSO回归模型的AUC优于随机森林、支持向量机、K近邻和朴素贝叶斯4个模型，差异有统计学意义(均 P<0.05)。与常规影像特征的诊断效能比较，LASSO回归模型在验证集中诊断PV-SMV侵犯具有更高的AUC(0.920比0.752)和更好的灵敏度(92.0%比86.5%)，差异具有统计学意义(均 P<0.05)。 结论:基于CT影像组学的机器学习模型可实现胰腺癌PV-SMV侵犯的术前预测，LASSO回归模型较常规影像特征的诊断效能更高。

目的:分析离体肝切除联合自体肝移植(ELRA)的临床疗效及安全性。方法:计算机检索PubMed、Embase、Cochrane Library、Web of Science、知网、万方等数据库1990年1月1日至2021年12月30日ELRA的相关研究。使用R(V4.1.2)等统计软件马尔可夫链-蒙特卡罗法模拟后验分布进行贝叶斯单臂荟萃分析，分析术后30 d内死亡率、术后1年生存率、术后主要并发症发生率、R 0切除率等相关指标。 结果:最终纳入20篇文献436例患者。贝叶斯单臂荟萃分析显示：ELRA术后1年生存率为83.24%[95%最大后验概率( HPD)：72.40%~92.05%]，其中肝多房棘球蚴病和肝恶性肿瘤患者术后1年生存率分别为88.66%(95% HPD：81.52%~94.50%)和61.29%(95% HPD：38.53%~93.68%)。ELRA术后30 d内死亡率、术后主要并发症发生率、R 0切除率分别为6.96%(95% HPD：4.47%~10.15%)、27.91%(95% HPD：19.00%~38.30%)、99.84%(95% HPD：37.61%~100.00%)。在ELRA术后30 d内死亡原因中，肾功能衰竭是最多的死亡原因。 结论:ELRA适用于能够通过切除获益而又无法在体内完成肝切除的肝恶性肿瘤以及肝多房棘球蚴病，安全可行，肝多房棘球蚴病获益最大，而肝恶性肿瘤仅部分患者获益。ELRA应用于肝恶性肿瘤治疗，尚需从获益角度对其适应证进行探究。

目的:分析增强MRI影像组学技术筛选影像组学特征，联合临床相关因素构建的肝细胞癌根治术后早期复发预测模型的价值。方法:回顾性分析2015年1月至2020年12月在温州医科大学附属第五医院行根治性切除术的109例肝细胞癌患者资料，其中男性96例，女性13例，年龄(58.3±10.7)岁。依据术后12个月内是否复发分为早期复发组( n＝31)和对照组( n＝78)。109例患者按1∶4随机分为验证集( n＝23)和训练集( n＝86)。基于术前MRI多期增强扫描，在Radcloud平台上勾画肿瘤病灶并提取1 409个定量影像组学特征。利用方差阈值、SelectKBest和LASSO对特征进行降维、筛选，联合临床相关因素(甲胎蛋白、肿瘤长径等)，通过机器学习，建立预测模型，受试者工作特征(ROC)曲线下面积、准确率、召回率、平衡F分数评估模型的预测效能。 结果:早期复发组肿瘤形态不规则、肿瘤边界不清比例以及肿瘤长径高于对照组，假包膜比例低于对照组，差异均有统计学意义(均 P<0.05)。利用方差阈值方法从1 409个特征中筛选465个特征，再使用SelectKBest最佳方法筛选38个特征，最后使用LASSO方法筛选了7个最佳影像组学特征，联合临床相关因素，通过机器学习构建了5种预测模型，分别是：支持向量机、高斯朴素贝叶斯、逻辑回归、多项式朴素贝叶斯、K最近邻。5种模型中K最近邻模型的预测效能较高，在训练集中ROC曲线下面积、准确率、召回率、平衡F分数分别为0.90、0.98、0.74、0.84，在验证集中分别为0.76、0.92、0.75、0.83。最终选择了K最近邻模型作为预测模型。 结论:基于术前增强MRI的影像组学及临床特征构建的肝细胞癌根治术后早期复发预测模型K最近邻，准确率较高，具有较高的价值。

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。

手足口病是由肠道病毒感染所导致的传染病，其主要患病人群为5岁以下的儿童。手足口病预测模型可以对未来一段时间的手足口病发病率进行预测，为相关部门合理的安排医疗卫生资源进行防控提供参考。本文旨在介绍近年来国内外应用于手足口病预测的主要模型，包括求和自回归移动平均模型、灰色预测模型、BP神经网络模型、贝叶斯网络模型，指出这些模型的优缺点，为研究者们对手足口病发病率进行预测时选择模型提供参考。

目的:应用贝叶斯网状Meta分析预测头孢菌素类抗菌药物联合甲硝唑经验性治疗腹腔感染的疗效和安全性。方法:以( "intraabdominal infections" [MeSH Terms])AND( "Cephalosporins*" [MeSH Terms])AND( "randomized controlled trial" [MeSH Terms])、腹腔感染、继发性腹膜炎、腹腔脓肿、头孢为检索词，检索PubMed、Embase、the Cochrane Library、中国知网、万方数据库、维普数据库。检索时间为1990年1月至2018年5月。纳入评价头孢菌素类抗菌药物联合甲硝唑对比其他类型抗菌药物治疗腹腔感染疗效和安全性的随机对照试验(RCT)。试验组患者给予头孢菌素类抗菌药物联合甲硝唑治疗腹腔感染，对照组患者给予其他类型抗菌药物治疗腹腔感染。结局指标：临床治愈率、微生物清除率和药物严重不良反应发生率。使用R 3.6.2软件随机贝叶斯模型进行网状Meta分析。采用马尔可夫链蒙特卡罗法直接评估和间接预测。采用轨迹图法、密度图法、杠杆图法对模型收敛性和稳定性进行评价。因各干预措施间没有闭环，不需要评估研究的一致性。结果:(1)文献检索结果：最终纳入符合标准的相关文献18篇。18篇文献均为RCT，文献累积样本量为6 792例，其中试验组3 402例，对照组3 390例。(2)贝叶斯网状Meta分析结果：①第3代头孢菌素＋甲硝唑、碳青霉烯类的临床治愈率显著低于第4代头孢菌素＋甲硝唑，差异均有统计学意义[优势比( OR)＝0.46，0.61，95%可信区间( CI)为0.26～0.81，0.38～0.97， P<0.05]。第5代头孢菌素＋甲硝唑的临床治愈率与碳青霉烯类比较，差异无统计学意义( OR＝1.03，95% CI为0.59～1.80， P>0.05)。②第5代头孢菌素＋甲硝唑、碳青霉烯类的微生物清除率显著低于第4代头孢菌素＋甲硝唑，差异均有统计学意义( OR＝0.84，0.41，95% CI为0.73～0.98，0.23～0.74， P<0.05)。第5代头孢菌素＋甲硝唑的微生物清除率与碳青霉烯类比较，差异无统计学意义( OR＝0.76，95% CI为0.27～1.80， P>0.05)。③第3代头孢菌素＋甲硝唑、第4代头孢菌素＋甲硝唑、第5代头孢菌素＋甲硝唑、碳青霉烯类、喹诺酮＋甲硝唑、替加环素的药物严重不良反应发生率均显著低于喹诺酮类，差异均有统计学意义( OR＝0.13，0.13，0.14，0.13，0.15，0.13，95% CI为0.03～0.50，0.02～0.98，0.02～0.75，0.02～0.59，0.02～0.78，0.02～0.57， P<0.05)。第3代头孢菌素＋甲硝唑、第4代头孢菌素＋甲硝唑、第5代头孢菌素＋甲硝唑的药物严重不良反应发生率与碳青霉烯类比较，差异均无统计学意义( OR＝0.96，1.00，1.10，95% CI为0.52～1.60，0.31～3.50，0.49～2.30， P>0.05)。(3)疗效与安全性等级排名：①临床治愈率排名：各类用药方案的临床治愈率从高到低排名顺序为喹诺酮类＋甲硝唑、第4代头孢菌素＋甲硝唑、合成青霉素类、第2代头孢菌素＋甲硝唑、第5代头孢菌素＋甲硝唑、碳青霉烯类、第3代头孢菌素＋甲硝唑、替加环素、喹诺酮类。各排名相应的概率为51.73%、35.72%、22.57%、31.37%、24.98%、32.82%、34.69%、29.05%、72.36%。②微生物清除率排名：各类用药方案的微生物清除率从高到低排名顺序为喹诺酮类＋甲硝唑、第4代头孢菌素＋甲硝唑、第2代头孢菌素＋甲硝唑、合成青霉素类、第5代头孢菌素＋甲硝唑、碳青霉烯类、第3代头孢菌素＋甲硝唑、替加环素、喹诺酮类。各排名相应的概率为：89.62%、77.01%、38.60%、20.94%、26.26%、26.39%、22.22%、20.19%、62.55%。③药物严重不良反应发生率排名：各类用药方案的药物严重不良反应发生率从高到低排名顺序为喹诺酮类、喹诺酮类＋甲硝唑、第5代头孢菌素＋甲硝唑、碳青霉烯类、第3代头孢菌素＋甲硝唑、替加环素、第4代头孢菌素＋甲硝唑。各排名相应的概率为：96.21%、30.46%、21.09%、25.27%、27.26%、19.45%、31.69%。 结论:中、低危腹腔感染时，推荐经验性使用头孢菌素＋甲硝唑替代经验性使用碳青霉烯类。

目的:评估基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌脉管侵犯（VI）的价值。方法:回顾性分析2011年7月至2020年12月郑州大学第一附属医院经病理证实的296例局部进展期胃癌患者，VI阳性213例、阴性83例，采用分层抽样方法按7∶3的比例将数据分为训练集（207例）和测试集（89例）。记录患者临床特征，采用多因素logistic回归筛选胃癌VI的独立危险因素。利用Pyradiomics软件提取肿瘤静脉期CT影像组学特征，采用最小绝对收缩和选择算法（LASSO）进行特征筛选，得到最优特征子集，建立影像组学标签。使用极端梯度提升（XGBoost）、逻辑回归（logistic）、朴素贝叶斯（GNB）和支持向量机（SVM）4种机器学习算法，对影像组学标签和筛选出的临床独立危险因素构建预测模型。采用受试者操作特征曲线评估模型预测胃癌VI的效能。结果:分化程度（OR=13.651，95%CI 7.265~25.650， P=0.003）、Lauren分型（OR=1.349，95%CI 1.011~1.799， P=0.042）和CA199（OR=1.796，95%CI 1.406~2.186， P=0.044）是预测局部进展期胃癌VI的独立危险因素。基于静脉期增强CT图像提取了864个影像组学特征，经LASSO筛选出18个最优特征构建组学标签。训练集中，XGBoost、logistic、GNB和SVM模型预测胃癌VI的曲线下面积（AUC）分别为0.914（95%CI 0.875~0.953）、0.897（95%CI 0.853~0.940）、0.880（95%CI 0.832~0.928）和0.814（95%CI 0.755~0.873），测试集中分别是0.870（95%CI 0.769~0.971）、0.877（95%CI 0.788~0.964）、0.859（95%CI 0.755~0.961）和0.773（95%CI 0.647~0.898）。logistic模型在测试集中AUC最大且稳定性高。 结论:基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌VI均具有较高的效能，其中logistic模型的诊断效能最佳。