目的 建立针对云南省多民族人群的产后抑郁风险预测模型并识别预测因子.方法 于云南省某多民族聚居县对处于产后42天～1年的女性采用爱丁堡产后抑郁量表(Edinburgh Postnatal Depression Scale,EPDS)进行产后抑郁筛查.以是否存在产后抑郁症状(EPDS ≥9分)为结局指标,基于随机森林算法纳入人口经济学、社会心理学、产科学、新生儿、配偶及家庭、其他特征因素共52个影响因素,在训练集上构建云南多民族人群产后抑郁风险预测模型,在测试集上采用准确率、灵敏度、特异度、阳性预测值、阴性预测值及受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC曲线)下面积(Area Under Curve,AUC)评价该模型性能.结果 本研究纳入分析的女性为459名,产后抑郁检出率为11.55％,其中汉族7.56％、壮族13.94％、其他少数民族13.92％.重要性评分位于前14的变量为:焦虑、既往不良情绪史、夫妻感情、家人支持水平、照顾新生儿身心疲惫、妊娠风险分级、母婴同室、喂养模式、文化程度、配偶文化程度、夜间照顾新生儿次数、民族、孕次、年龄.该模型准确率为92.74％,特异度为95.50％,灵敏度为69.23％,阳性预测值为64.29％,阴性预测值为96.36％,AUC值为0.925.同时,分别以汉族、壮族和其他少数民族人群作为验证集进行内部验证,显示模型稳定性好.结论 基于随机森林算法建立的云南多民族人群产后抑郁风险预测模型性能良好,可用于预测少数民族地区女性产后抑郁风险因子,从而采取针对性干预措施.

目的:分析输尿管软镜钬激光碎石术治疗输尿管上段复杂性结石后双J管附壁结石形成的原因.方法:选择2015年1月至2023年8月于首都医科大学附属北京潞河医院收治的105例输尿管上段复杂性结石患者,其中男58例,女47例,根据结石评估结果分为结石组(n=40)与非结石组(n=65).通过随机森林算法分析患者双J管附壁结石形成的影响因素.通过单因素和多因素分析双J管附壁结石形成的独立影响因素,并构建分类树模型.结果:结石组和非结石组CT值、术中出血量、双J管留置时间、白细胞计数(WBC)、C反应蛋白(CRP)、尿酸(UA)、血钙、尿pH值、尿蛋白、尿红细胞、尿白细胞、尿结晶比较差异均有统计学意义(t/χ2 值分别为4.361、2.502、6.815、12.176、24.398、15.595、6.517、2.069、6.881、4.524、3.883、4.699,均P<0.05).双J管留置时间、尿蛋白阳性、尿结晶阳性、UA为双J管附壁结石形成的独立危险因素(P<0.05).分类树模型显示,双J管留置时间是双J管附壁结石形成的重要预测因素,收益图和索引图显示模型预测良好.结论:双J管留置时间、尿蛋白阳性、尿结晶阳性、UA为双J管附壁结石形成的独立危险因素.临床应重点关注相关因素,及时制定预防策略,以期降低双J管附壁结石的发生风险.

目的 分析医务人员血源性职业暴露风险因素,为及时提出针对性干预措施,预防血源性职业暴露提供依据.方法 选取2016年1月—2023年6月呼伦贝尔市某三级综合医院上报的发生血源性职业暴露的103名医务人员为暴露组,选取同班次未发生职业暴露的625名医务人员为对照组,收集研究对象的相关资料,采用随机森林算法和多因素logistic回归分析分别构建影响医务人员发生血源性职业暴露的预测模型.结果 103例血源性职业暴露人员的主要暴露部位为手,有89例(占86.41％);主要暴露方式为锐器伤,有83例(占80.58％);主要暴露源为乙型肝炎病毒,有65例(占63.11％).暴露后立即上报的有65例(占63.11％),12 h以内上报的24例(占23.30％).logistic回归分析结果显示:相比年龄≥ 30岁,年龄＜30岁的医务人员发生血源性职业暴露的可能性增加至4.142倍(P＜0.05);相比工作年限≥ 5年,工作年限＜5年的医务人员发生血源性职业暴露的可能性增加至1.696倍(P＜0.05);相比中级及以上职称,初级职称医务人员发生血源性职业暴露的可能性增加至5.989倍(P＜0.05);相比每年多次参加培训,每年只参加1次培训的医务人员发生血源性职业暴露的可能性增加至1.864倍(P＜0.05);科室类别为急诊、重症及手术室的医务人员较其他科室医务人员发生血源性职业暴露的可能性增加至2.205倍(P＜0.05).随机森林算法结果显示,重要性评分排名前6的影响因素分别是职称、年龄、工作年限、年职业防护培训次数、职业类型、文化程度.随机森林预测模型的准确率、精确率、召回率及F1分数(精确率和召回率的调和平均数)均要高于logistic预测模型,且随机森林预测模型的ROC曲线下面积(AUC)为0.829(P＜0.001),也高于logistic回归模型的0.818(P＜0.001).结论 随机森林模型对血源性职业暴露有更好的预测效能,但logistic回归模型有更直观的分析结果,两者联合使用能进一步提高预测的准确性.应加强对年龄小、工作年限短、职称低等重点人员的培训,制定标准化的措施来预防医务人员的血源性暴露.

目的 探讨深度学习超声组学列线图评估浸润性乳腺癌侵袭转移生物学特性指标的价值.资料与方法 回顾性收集2021年1月—2022年12月茂名市人民医院180例经病理证实浸润性乳腺癌患者的超声影像资料,且病理报告了淋巴结转移(LNM)或淋巴血管间隙浸润(LVSI)或神经侵犯(PNI)状态,依据LNM/LVSI/PNI状态,3个指标均以8∶2划分为训练队列和验证队列.基于Pyradiomics影像组学和ResNet50深度学习提取器分别提取1 316个影像组学特征和2 048个深度学习特征.采用随机森林机器学习算法开发评估模型,并计算模型评分.基于影像组学和深度学习模型评分开发深度学习超声组学列线图.使用受试者工作特征曲线评估模型的性能,Delong检验分析不同模型的性能差异.结果 在LNM、LVSI、PNI状态评估中,所有队列列线图曲线下面积均表现中度以上评估性能(≥0.73),准确度均>0.70,LNM评估中,训练队列的曲线下面积为0.97,准确度为0.93,敏感度为0.88,特异度为0.96.Delong检验显示列线图评估性能在训练队列中优于影像组学模型(LNM,Z=2.04,P=0.04;LVSI,Z=2.80,P=0.01;PNI,Z=3.52,P<0.01),优于或与深度学习模型相似(LNM,Z=4.52,P<0.01;LVSI,Z=1.86,P=0.06;PNI,Z=0.31,P=0.76).结论 深度学习超声组学列线图可有效评估浸润性乳腺癌侵袭转移生物学特性指标.列线图整合影像组学与深度学习特征信息提高了评估性能.

目的本研究旨在结合传统MRI序列及增强检查,提取多模态高通量影像组学特征并联合语义特征,使用不同的机器学习分类器构建不同的模型并绘制列线图来鉴别高级别胶质瘤(high-grade glioma,HGG)和单发性脑转移瘤(solitary brain metastasis,SBM).材料与方法本研究对101名患者的多参数MR图像进行了回顾性分析,由两位资深医师标定肿瘤感兴趣区,然后对每个序列分别提取影像组学特征后进行组合,共提取428组影像组学特征.为消除人为标定差异,进行组内相关系数一致性检验,并运用最大相关最小冗余算法选取最具相关性的特征,然后进一步通过最小绝对收缩和选择算子算法筛除冗余特征.本研究采用支持向量机、逻辑回归、随机森林及K近邻四种算法建立分类模型.结合放射科医生评估的七项语义特征,通过卡方检验和多因素分析去除差异无统计学意义的语义特征.然后结合组学特征建立综合模型并绘制列线图.最终,评价各模型的诊断能力,以确定最优分类器.结果HGG及SBM患者建立的影像组学模型中LR的受试者工作特征曲线下面积(area under the curve,AUC)值最高,训练集与测试集分别为0.90和0.90.语义特征建立的模型中随机森林模型性能最好,训练集和测试集AUC分别为0.82和0.87.语义特征联合影像组学评分后采用逻辑回归建立的模型性能最好,训练集和测试集AUC分别为0.91和0.92.结论本研究使用影像组学机器学习分类器并联合其他图像语义特征绘制列线图对HGG及SBM进行鉴别,这是一种非侵入性方法,具有较好的准确性,为临床决策和实践提供了较大的帮助.

目的 对比列线图与不同机器学习算法构建中老年人龋齿预测模型的效能.方法 采用多阶段分层随机抽样法,选取南宁市、贵港市、崇左市510名中老年人为研究对象,进行问卷调查及口腔检查.采用单因素分析和Lasso回归筛选相关变量,使用多因素logistic回归分析确定最终独立影响因素.基于显著特征,建立列线图预测模型,并运用线性判别分析(LDA)、偏最小二乘算法(PLS)、距离多普勒算法(RDA)、广义线性模型(GLM)、随机森林(RF)、支持向量机(SVM)核函数(SVM-Radial)及SVM线性核函数(SVM-Linear)7种机器学习算法构建7种龋齿风险预测模型.采用受试者工作特征(ROC)曲线下面积(AUC)中位数评价各模型预测性能,以及不同变量筛选方法所构建模型的预测性能.结果 中老年人龋齿检出率为71.18％.经过特征筛选后最终保留5个预测因子,分别是年龄(OR=0.945,95％CI:0.917～0.973)、刷牙频率(OR=0.688,95％CI:0.475～0.997)、过去1年是否洗牙(OR=0.303,95％CI:0.103～0.890)、牙存留数(OR=1.062,95％CI:1.038～1.087)和口腔健康评估量表(OHAT)得分(OR=1.363,95％CI:1.234～1.505).各模型对比结果显示,RF算法所构建的预测模型表现最佳,AUC中位数为0.747,其次为列线图,AUC中位数为0.733.单因素+Lasso+多因素logistic(简称Lasso+logistic)筛选自变量构建预测模型的AUC中位数均高于RF算法筛选自变量构建的预测模型.结论 基于Lasso+logistic筛选变量,RF较列线图及其他机器学习算法在中老年龋齿预测中提供了更可靠的预测性能.

目的:建立并评价脓毒症相关性急性肾损伤（S-AKI）患者3个月死亡风险的列线图预测模型。方法:基于美国重症监护医学信息数据库Ⅳ（MIMIC-Ⅳ），收集2008至2021年S-AKI患者的临床数据。初步纳入58个相关预测因素，以3个月内全因死亡为结局事件。按7∶3比例将数据分为训练集和验证集。在训练集中采用单因素Logistic回归分析初步筛选变量，运用多重共线性分析、Lasso回归和随机森林算法并结合临床应用价值进行变量选择，建立多因素Logistic回归模型并利用列线图进行可视化表达。在验证集中进行内部验证，评价模型预测价值；绘制受试者工作特征曲线（ROC曲线）计算曲线下面积（AUC）评价列线图模型及牛津急性疾病严重度评分（OASIS）、序贯器官衰竭评分（SOFA）、全身炎症反应综合征评分（SIRS）的区分度；校准曲线评价校准度；决策曲线分析（DCA）评估不同阈值概率下的净效益。结果:基于确诊后3个月时的生存状况将患者分为存活组7?768例（68.54%），死亡组3?566例（31.46%）。在训练集中通过多重筛选，最终纳入7个变量，即Logistic器官功能障碍评分（LODS）、Charlson合并症指数、尿量、国际标准化比值（INR）、呼吸支持方式、血尿素氮和年龄，并纳入列线图模型。在验证集中进行内部验证，ROC曲线分析显示，列线图模型的AUC为0.81〔95%可信区间（95% CI）为0.80～0.82〕，大于OASIS评分的0.70（95% CI为0.69～0.71），远大于SOFA评分的0.57（95% CI为0.56～0.58）和SIRS评分的0.56（95% CI为0.55～0.57），具有较好区分度。校准曲线显示列线图模型校准度优于OASIS、SOFA、SIRS评分。DCA曲线显示列线图模型在不同阈概率情况下的临床净收益均好于OASIS、SOFA、SIRS评分。 结论:基于MIMIC-Ⅳ临床大数据建立的一个包含7项变量的S-AKI患者3个月死亡风险预测列线图模型具有很好的区分度和校准度，为评估S-AKI患者预后提供了有效的新工具。

目的:探讨基于多参数MRI的影像组学融合模型在乳腺癌术前预测腋窝淋巴结（ALN）转移的应用价值。方法:回顾性队列研究。纳入山西省肿瘤医院2020年8月—2021年9月经病理证实的272例乳腺癌患者的多参数MRI及临床病理资料。患者均为女性，年龄28~79（53.0±10.9）岁，其中ALN阳性107例、ALN阴性165例。按照7∶3的比例随机将患者分为训练组（191例）和验证组（81例）。从T 2加权像（T 2WI）、表观弥散系数（ADC）图和增强T 1加权像（cT 1WI）序列中提取影像组学特征。采用单因素逻辑回归、相关性分析和Boruta算法3个步骤进行特征选择，然后采用支持向量机（SVM）、随机森林（RF）和逻辑回归（LR）3种机器学习方法构建影像组学模型，并基于最优模型计算每位患者的影像组学分数（Radscore）。同时，通过多因素逐步回归分析筛选乳腺癌ALN转移的独立危险因素并构建临床模型。最后，联合Radscore和临床独立危险因素构建融合模型，并绘制列线图。采用受试者操作特征曲线、校准曲线和决策曲线（DCA）来评价模型对乳腺癌ALN转移的预测性能及临床效益。 结果:训练组和验证组患者肿瘤位置比较，差异有统计学意义（ P<0.05）；训练组中ALN阳性与ALN阴性患者间的肿瘤位置、MRI评估淋巴结状态比较，验证组中ALN阳性与ALN阴性患者间的雌激素受体、分子亚型及MRI评估淋巴结状态比较，差异均有统计学意义（ P值均<0.05）。基于多参数MRI降维选择后，得到了6个与ALN转移呈显著相关的影像组学特征（ P值均<0.05）。在训练组和验证组中，SVM、RF和LR模型均表现出很好的预测能力，AUC分别为0.784、0.826、0.703和0.733、0.817、0.703，其中RF模型效能最高。单因素、多因素回归分析显示，MRI评估淋巴结状态是乳腺癌ALN转移的独立预测因子［比值比（95%可信区间）=10.909（5.210~24.511）， P<0.001］，采用这一指标构建临床模型。联合Radscore和MRI评估ALN状态的融合模型在训练组和验证组中均表现出更好的性能，AUC分别为0.867和0.866，且其诊断效能均优于上述3种机器学习模型和临床模型（AUC分别为0.719和0.700）。DCA显示，3种机器学习模型、临床模型和融合模型均有一定的临床效益，其中融合模型的净收益值最大。 结论:基于多参数MRI影像组学特征和联合MRI评估淋巴结状态的融合模型有助于术前准确预测乳腺癌ALN转移状态。

目的:基于中重度甲状腺相关性眼病（TAO）患者放疗前的CT影像组学特征，利用机器学习方法构建中重度TAO患者放疗有效性的预测模型。方法:回顾性收集从2015年1月至2023年6月在山西医科大学第一医院接受放疗的93例中重度TAO患者的临床与CT影像资料，提取影像组学特征。利用统计学方法分析临床因素与放疗有效性是否有统计差异性。利用Spearson相关性分析和L1正则化逻辑回归算法进行特征选择。基于所选特征，构建3个预测模型：逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）。最后利用10折交叉验证方法，重复100次，计算曲线下面积（AUC）、敏感性、特异性和准确度来评估模型的性能；使用校准曲线评价预测模型的校准度；最后采用决策曲线分析法对最佳预测模型的临床价值进行评估。结果:临床因素与放疗有效性无统计差异性。分析所有影像组学特征后，选出10个具有代表性的特征。在3个预测模型中，SVM模型在训练集和测试集均取得了最佳性能（分别为AUC 0.92，AUC 0.87）。校准曲线显示SVM模型的预测曲线与理想曲线间没有明显偏差，二者具有较好的一致性。决策曲线显示在大部分概率阈值下，与全部干预和全部不干预相比，SVM模型可获得临床收益。结论:放疗前的CT影像组学特征可用于预测中重度TAO患者放疗的有效性，有望为临床提前干预提供帮助，避免部分患者接受无效的治疗。

收集2012年1月至2018年1月嘉兴市第一医院收治的诊断为肝硬化门静脉高压症食管-胃底静脉曲张破裂出血、手术后恢复良好且2年内未再复发的136例患者资料，运用机器学习随机森林算法建立肝硬化门静脉高压症食管-胃底静脉曲张破裂出血治疗方式预测模型。结果显示白细胞计数、血肌酐、凝血酶时间、血小板计数、活化部分凝血活酶时间和年龄是治疗方式的影响因素，且机器学习建立的预测模型精确度高。该模型为患者治疗方式的选择提供了科学依据，并且对大数据人工智能融入临床工作有一定启示。