目的:基于磁共振成像（MRI）机器学习算法和影像组学构建预测模型，探讨模型预测无淋巴结转移直肠癌患者淋巴血管侵犯（LVI）状态的应用价值。方法:采用回顾性队列研究方法。收集2016年2月至2024年1月甘肃省人民医院收治204例无淋巴结转移直肠癌患者的临床病理资料；男123例，女81例；年龄为（61±7）岁。204例患者采用电子计算器随机法按8∶2随机分为训练集163例和测试集41例。训练集用于构建预测模型，测试集用于验证预测模型效能。根据筛选的临床和（或）影像学特征分别构建临床预测模型、影像组学模型、联合预测模型。正态分布的计量资料以 x±s表示。计数资料以绝对数表示，组间比较采用 χ2检验或Fisher确切概率法。等级资料比较采用非参数秩和检验。采用组间相关系数评估2位医师影像组学特征的一致性，相关系数>0.80认为一致性较好。单因素分析采用相应的统计学方法。多因素分析采用Logistic逐步回归模型。绘制受试者工作特征（ROC）曲线，以曲线下面积（AUC）及Delong检验、决策曲线和临床影响曲线评估模型的诊断效能及临床效用。 结果:（1）影响患者LVI状态的因素分析。204例无淋巴结转移直肠癌患者中，LVI阳性71例，LVI阴性133例。多因素分析结果显示：性别、血小板（PLT）计数和癌胚抗原（CEA）是影响训练集无淋巴结转移直肠癌患者LVI状态的独立因素［优势比=2.405，25.062，2.528，95%可信区间（ CI）为1.093~5.291，2.748~228.604，1.181~5.410， P<0.05］。（2）临床预测模型建立。纳入多因素分析结果性别、PLT计数和CEA构建临床预测模型。ROC曲线显示：临床预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.721（95% CI为0.637~0.805）、0.675、0.632、0.698；测试集上述指标分别为0.795（95% CI为0.644~0.946）、0.805、1.000、0.429。Delong检验结果显示：训练集和测试集AUC比较，差异无统计学意义（ Z=-0.836， P>0.05）。（3）影像组学模型建立。提取204例患者851个影像组学特征。利用逻辑回归、支持向量机、高斯过程、逻辑回归-套索算法、线性判别分析、朴素贝叶斯和自动编码器7种机器学习算法进行预测模型构建。最终从最优的高斯过程机器学习算法中筛选出8个影像组学特征用于构建影像组学预测模型。ROC曲线显示：影像组学预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.857（95% CI 为0.800~0.914）、0.748、0.947、0.642；测试集上述指标分别为0.725（95% CI为0.571~0.878）、0.634、1.000、0.444。Delong检验结果显示：训练集和测试集AUC比较，差异无统计学意义（ Z=1.578， P>0.05）。（4）联合预测模型建立。联合多因素分析结果和影像组学特征构建联合预测模型。ROC曲线显示：联合预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.885（95% CI为0.832~0.938）、0.791、0.912、0.726；测试集上述指标分别为0.857（95% CI为0.731~0.984）、0.854、0.714、0.926。Delong检验结果显示：训练集和测试集AUC比较，差异无统计学意义（ Z=0.395， P>0.05）。（5）3种预测模型效能比较。Hosmer-Lemeshow拟合优度检验结果显示：临床预测模型、影像组学预测模型、联合预测模型的拟合优度均较好（ χ2=1.464，12.763，10.828， P>0.05）。Delong检验结果显示：临床预测模型AUC分别与联合预测模型和影像组学预测模型比较，差异均无统计学意义（ Z=1.146，0.658， P>0.05）；联合预测模型与影像组学模型比较，差异有统计学意义（ Z=2.001， P<0.05）。校准曲线显示：联合预测模型的预测能力良好。决策曲线和临床影响曲线显示：联合预测模型对无淋巴结转移直肠癌患者LVI状态的评估能力优于临床预测模型和影像组学模型。 结论:纳入性别、PLT计数和CEA构建临床预测模型；筛选出8个影像组学特征构建影像组学预测模型；结合前两者共同构建联合预测模型。3种模型均可预测无淋巴结转移直肠癌患者LVI状态，其中联合预测模型效能更优。

目的:探讨血清蛋白因子水平与精神分裂症患者临床症状和认知障碍的相关性及对认知障碍缺陷程度的预测作用，为临床评估精神分裂症认知受损严重程度及预后提供辅助方法。方法:选择2017年9月至2019年4月在昆明医科大学第一附院确诊的71例精神分裂症患者作为患者组，以同一医院体检中心的65例健康志愿者作为对照组。使用ELISA方法检测患者组与对照组外周血肿瘤坏死因子α(tumor necrosis factor α，TNF-α)、脑源性神经营养因子(brain-derived neurotrophic factor，BDNF)、钙结合蛋白β(calcium-binding protein β，S100β)浓度。使用系统评估工具-MATRICS认知功能成套测验(MATRICS consensus cognitive battery，MCCB)进行认知功能评估。采用阳性和阴性症状量表(positive and negative syndrome scale，PANSS)评定患者临床症状。使用SPSS 22.0进行统计分析，组间比较采用独立样本 t检验，血清蛋白因子水平与认知功能和临床症状的关系采用Pearson相关分析。以血清蛋白因子浓度和PANSS总分作为自变量，MCCB各认知因子缺陷程度作为因变量，建立Bayes判别函数，对精神分裂症认知功能障碍严重程度进行客观的预测、评价和验证。 结果:血清TNF-α[(63.2±25.2)pg/L，(31.4±14.3)pg/L]、S100β[(68.0±26.4)pg/L，(47.3±20.2)pg/L]浓度患者组高于对照组，BDNF浓度低于对照组[(2 517.8±1 140.2)pg/L，(5 202.2±447.2)pg/L]，均差异有统计学意义(均 P<0.05)。Bayes判别函数模型中认知障碍严重程度回顾性检验四个认知因子的正确判别率为：信息处理速度69.0%，词语学习63.4%,推理和问题解决76.1%，视觉学习73.2%。交叉检验正确判别率分别为：信息处理速度66.2%，词语学习60.6%,推理和问题解决73.2%，视觉学习66.2%。 结论:精神分裂症血清蛋白因子TNF-α、BDNF、S100β水平和临床症状评分与认知障碍存在不同程度相关性，Bayes判别模型对精神分裂症认知功能障碍严重程度有较高的正确判别率，精神分裂症相关蛋白因子水平和临床症状评分对认知功能缺陷程度可能具有预测作用，为临床疗效评估及预后分析提供较客观的依据。

目的:比较衰弱表型、衰弱筛查量表（FS）、临床衰弱量表（CFS）以及埃德蒙顿衰弱量表（EFS）评估老年结直肠癌患者术前衰弱的一致性及其对术后并发症发生风险的预测效能，以期为护理人员选择合适的衰弱评估工具提供参考。方法:采用便利抽样法，选取2020年12月—2021年10月在苏州大学附属第一医院普外科行结直肠癌根治术的207例老年患者为研究对象，采用衰弱表型、FS、CFS以及EFS对其进行衰弱评估；以术后并发症发生为结局指标，采用受试者工作特征（ROC）曲线和Bayes判别分析比较4种衰弱评估工具的预测效能。结果:207例老年结直肠癌患者中衰弱表型、FS、CFS、EFS的衰弱检出率分别为19.8%（41/207）、11.6%（24/207）、22.2%（46/207）、10.1%（21/207）。衰弱表型、FS、CFS、EFS的ROC曲线下面积分别为0.714、0.643、0.737、0.665（ P均<0.01）；进一步两两比较发现，衰弱表型与FS、FS与CFS、CFS与EFS的ROC曲线下面积差值，差异有统计学意义（ P<0.05）。衰弱表型、FS、CFS、EFS对老年结直肠癌患者术后并发症发生风险预测的交叉验证准确率分别为78.7%、68.6%、76.3%、75.8%。 结论:衰弱表型与CFS对老年结直肠癌患者术后并发症发生有中等强度的预测效能，且两者预测效能无差异，CFS与衰弱表型均可以用于老年结直肠癌患者术前衰弱评估，但考虑临床适用性，推荐使用CFS。

目的:探讨基于心脏磁共振（CMR）平扫电影图像的影像组学特征在预测肥厚型心肌病（HCM）患者延迟强化（LGE）中的价值。方法:回顾性分析2017年5月至2021年8月于北京安贞医院行CMR检查诊断明确的HCM患者共300例，采用随机分层抽样方法按7∶3比例将数据分为训练集和测试集。随后，纳入2022年1月至2023年5月于北京安贞医院行CMR检查诊断明确的HCM患者共89例用于外部验证。CVI 42软件被用于获取患者心功能参数，组内相关系数、Pearson相关系数及最小绝对收缩和选择算子（LASSO）回归被用于筛选影像组学特征。最后，使用LASSO回归和3种机器学习算法，包括支持向量机、线性判别分析及朴素贝叶斯构建LGE预测模型。模型效果使用受试者操作特征曲线下面积（AUC）评价。结果:基于CMR图像提取出1 409个特征，经过LASSO筛选后保留了19个特征构建组学标签。尽管4种方法在验证集中预测LGE的能力差异无统计学意义，但LASSO回归的稳定性和综合预测性能相对较好，其AUC在训练集中为0.795（95%CI 0.735~0.855），在测试集中为0.765（95%CI 0.668~0.862），在外部验证集中为0.721（95%CI 0.598~0.845）。结论:基于CMR平扫电影图像提取的影像组学特征可用于预测HCM患者的LGE，LASSO回归更被推荐用于模型构建。

目的:比较护理谵妄筛查量表(nursing delirium screening scale，Nu-DESC)与重症监护谵妄量表(intensive care delirium screening checklist，ICDSC)对经皮冠状动脉介入治疗(percutaneous coronary intervention，PCI)术后患者谵妄的评估能力及评估效果。方法:选取2018年6月至2019年6月入住心血管外科进行PCI手术的患者128例作为研究对象，采用一般资料调查问卷、躁动-镇静评分量表(richmond agitation-sedation scale，RASS)、Nu-DESC、ICDSC进行资料收集，采用SPSS 18.0对收集的资料进行统计学分析。采用受试者工作特征曲线以及曲线下面积分析Nu-DESC量表和ICDSC量表评估PCI术后患者谵妄的能力；采用Kappa值对量表的一致性进行检验。利用Bayes判别法分析Nu-DESC、ICDSC对PCI术后患者谵妄状况判定的准确性。结果:以DSM-Ⅳ判断谵妄状态作为参照，Nu-DESC量表与ICDSC量表的ROC曲线下面积分别为0.902、0.857，两者曲线下面积之差AUC＝0.045( Z＝3.489， P<0.001)；Nu-DESC量表与ICDSC量表评估谵妄的最佳临界值分别为2和4；二者与DSM-Ⅳ方法在谵妄判定方面的交叉验证准确率分别为87.5%、83.6%；DSM-Ⅳ谵妄评估表、Nu-DESC量表和ICDSC量表评估的谵妄发生率分别为33.6%，34.4%，43.7%。 结论:相比ICDSC量表，Nu-DESC量表更适用于对PCI术后患者谵妄进行评估。

目的 基于磁共振成像(MRI)机器学习算法和影像组学构建预测模型,探讨模型预测无淋巴结转移直肠癌患者淋巴血管侵犯(LVI)状态的应用价值.方法 采用回顾性队列研究方法.收集2016年2月至2024年1月甘肃省人民医院收治204例无淋巴结转移直肠癌患者的临床病理资料;男123例,女81例;年龄为(61±7)岁.204例患者采用电子计算器随机法按8∶2随机分为训练集163例和测试集41例.训练集用于构建预测模型,测试集用于验证预测模型效能.根据筛选的临床和(或)影像学特征分别构建临床预测模型、影像组学模型、联合预测模型.正态分布的计量资料以(x)±s表示.计数资料以绝对数表示,组间比较采用x2检验或Fisher确切概率法.等级资料比较采用非参数秩和检验.采用组间相关系数评估2位医师影像组学特征的一致性,相关系数＞0.80认为一致性较好.单因素分析采用相应的统计学方法.多因素分析采用Logistic逐步回归模型.绘制受试者工作特征(ROC)曲线,以曲线下面积(AUC)及Delong检验、决策曲线和临床影响曲线评估模型的诊断效能及临床效用.结果 (1)影响患者LVI状态的因素分析.204例无淋巴结转移直肠癌患者中,LVI阳性71例,LVI阴性133例.多因素分析结果显示:性别、血小板(PLT)计数和癌胚抗原(CEA)是影响训练集无淋巴结转移直肠癌患者LVI状态的独立因素[优势比=2.405,25.062,2.528,95％可信区间(CI)为 1.093～5.291,2.748～228.604,1.181～5.410,P＜0.05].(2)临床预测模型建立.纳入多因素分析结果性别、PLT计数和CEA构建临床预测模型.ROC曲线显示:临床预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.721(95％CI为0.637～0.805)、0.675、0.632、0.698;测试集上述指标分别为0.795(95％CI为 0.644～0.946)、0.805、1.000、0.429.Delong检验结果显示:训练集和测试集 AUC 比较,差异无统计学意义(Z=-0.836,P＞0.05).(3)影像组学模型建立.提取204例患者851个影像组学特征.利用逻辑回归、支持向量机、高斯过程、逻辑回归-套索算法、线性判别分析、朴素贝叶斯和自动编码器7种机器学习算法进行预测模型构建.最终从最优的高斯过程机器学习算法中筛选出8个影像组学特征用于构建影像组学预测模型.ROC曲线显示:影像组学预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.857(95％CI为0.800～0.914)、0.748、0.947、0.642;测试集上述指标分别为0.725(95％CI为0.571～0.878)、0.634、1.000、0.444.Delong检验结果显示:训练集和测试集AUC比较,差异无统计学意义(Z=1.578,P＞0.05).(4)联合预测模型建立.联合多因素分析结果和影像组学特征构建联合预测模型.ROC曲线显示:联合预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.885(95％CI 为 0.832～0.938)、0.791、0.912、0.726;测试集上述指标分别为 0.857(95％CI 为 0.731～0.984)、0.854、0.714、0.926.Delong检验结果显示:训练集和测试集AUC比较,差异无统计学意义(Z=0.395,P＞0.05).(5)3种预测模型效能比较.Hosmer-Lemeshow拟合优度检验结果显示:临床预测模型、影像组学预测模型、联合预测模型的拟合优度均较好(x2=1.464,12.763,10.828,P＞0.05).Delong检验结果显示:临床预测模型AUC分别与联合预测模型和影像组学预测模型比较,差异均无统计学意义(Z=1.146,0.658,P＞0.05);联合预测模型与影像组学模型比较,差异有统计学意义(Z=2.001,P＜0.05).校准曲线显示:联合预测模型的预测能力良好.决策曲线和临床影响曲线显示:联合预测模型对无淋巴结转移直肠癌患者LVI状态的评估能力优于临床预测模型和影像组学模型.结论 纳入性别、PLT计数和CEA构建临床预测模型;筛选出8个影像组学特征构建影像组学预测模型;结合前两者共同构建联合预测模型.3种模型均可预测无淋巴结转移直肠癌患者LVI状态,其中联合预测模型效能更优.

目的 探索影响脑卒中患者跌倒风险的相关因素,预测跌倒风险等级.方法 回顾性分析2022年7月至2024年1月在华东医院就诊的脑卒中患者64例,记录患者就诊时的人口学资料性别、年龄、身高、体质量、卒中类型、病程,功能指标世界卫生组织残疾评定量表2.0(WHODAS 2.0)、Fugl-Meyer评定量表(FMA)、功能性前伸测试(FRT)、多方向伸展测试(MDRT)、蒙特利尔认知评估量表(MoCA),行走指标计时起立行走试验等.以脑卒中患者跌倒风险等级为因变量,先采用单因素分析,再采用判别分析对脑卒中患者跌倒风险因素进行观察.结果 纳入患者平均年龄约66岁,男性多于女性,脑梗死患者多于脑出血患者,平均病程(4.50±6.02)个月,跌倒风险等级轻度、中度、重度的脑卒中患者分别为19例、26例、19例.单因素分析显示,不同跌倒风险等级脑卒中患者间WHODAS 2.0、FMA、FMA-上肢部分(FMA-UE)、FMA-下肢部分(FMA-LE)、FRT、MDRT-向前(MDRT-F)、MDRT-向右(MDRT-R)、MoCA评分有显著性差异(F>2.277,P<0.05).判别分析显示,不同跌倒风险等级患者的功能参数方程不同,采用回顾法验证Fisher判别函数、Bayes判别函数正确率分别为75%、78.1%,误判率分别为25%、21.9%.结论 活动参与能力、上下肢运动功能、向前向右方向的稳定极限及认知功能影响脑卒中患者跌倒风险等级,通过功能指标建立判别函数可对跌倒风险等级进行预测.

目的 基于性状电子检测技术,结合多元分析算法,建立不同产地薏苡仁的快速鉴别方法.方法 使用CM-5分光测色仪测定薏苡仁的色度值,建立决策树(decision tree,DT)模型、k最邻近算法(k-nearest neighbor,KNN)模型和贝叶斯(Bayes)判别模型.其次,根据超快速气相电子鼻检测气味成分,建立不同产地薏苡仁的判别因子分析(discriminant factor analysis,DFA)模型及热图,探究不同产地薏苡仁的气味信息差异.同时,采用偏最小二乘法判别分析(partial least squares discrimination analysis,PLS-DA)模型探究不同产地的差异标志物.最后,将薏苡仁表面颜色与内在气味成分进行相关性分析.结果 2-丙烯酸、2-甲基丁醛、甲苯、丙醛可以作为区分不同产地薏苡仁的主要气味标志物,丁二酮、2,3-乙酰基丙酮、3-己醇等多种气味成分与L*、a*、b*值存在显著相关性.结论 电子眼联合超快速气相电子鼻技术能够快速、准确鉴别不同产地的薏苡仁,该方法对于多产地中药的鉴别和质量控制具有借鉴意义.

目的 基于近红外光谱(near-infrared spectroscopy,NIRS)结合机器学习算法模型,建立山里红Crataegus pinnatifida var.major的产地溯源技术.方法 收集 6 个省份的 91 份山里红样本,采集其NIRS,应用多种机器学习算法,包括主成分分析(principal component analysis,PCA)、正交偏最小二乘法判别分析(orthogonal pmjartial least squares-discriminant analysis,OPLS-DA)、K-最近邻(K-nearest neighbor,KNN)、决策回归树(classification and regression tree,CART)、随机森林(random forest,RF)、朴素贝叶斯(na?ve bayes,NB)、线性判别分析(linear discriminant analysis,LDA)和神经网络(artificial neural network,ANN)算法,探讨适合山里红产地溯源的模型.结果 ANN模型的准确率和模型稳定性最优,可作为山里红产地识别的首选模型.结论 NIRS结合ANN模型是山里红产地溯源的有效手段,为山里红的产地溯源提供了科学参考.

目的 构建宫颈癌术后患者下肢淋巴水肿(lower limb lymphedema,LLL)风险预测模型,并验证其预测性能,为医护人员早期识别LLL发生风险提供依据.方法 回顾性选取2010-2020年某院759例宫颈癌术后患者为研究对象,通过单因素和多因素Logistic回归分析筛选危险因素,建立Bayes判别分析及列线图模型;受试者工作特征曲线(receiver operating characteristic curve,ROC)和曲线下面积(area undercurve,AUC)评估模型预测能力,敏感度和特异度评估模型预测价值.结果 Bayes判别分析和列线图模型的AUC分别为91.30％、95.00％,敏感度分别为83.05％、87.60％,特异度分别为85.02％、90.01％.结论 构建的宫颈癌术后LLL风险预测列线图模型预测性能较好,能为临床识别高风险患者提供参考.