目的 利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素.方法 回顾性收集2020年7-12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因素变量筛选,合成少数过采样技术-标称连续处理数据不平衡,数据集按8∶2的比例分为训练集与测试集,网格搜索10折交叉验证构建轻量梯度提升机(light gradient boosting machine,LightGBM)、支持向量机(support vector machine,SVM)模型,并与逻辑回归(logistic regression,LR)模型进行比较,基于ROC的AUC、校准曲线分别评价模型的区分度与校准度,性能最好的模型通过Shapley加性解释(Shapley additive explanation,SHAP)模型对预测结果进行解读.结果 本研究共纳入520例MIS患者,2年内复发93例(17.9％),测试集中LightGBM、SVM、LR预测患者2年内复发的AUC分别为0.935(95％CI 0.896～0.973)、0.833(95％CI 0.770～0.896)、0.764(95％CI 0.691～0.835),准确度分别为0.890、0.773、0.693,布里尔分数分别为0.105、0.167、0.200.结果 显示LightGBM模型性能最优,基于SHAP的LightGBM可解释模型重要性前5的是舒张压、年龄、糖尿病、LDL-C、吸烟.结论 本研究建立的LightGBM模型预测效果良好,可为MIS患者2年内复发的预测提供借鉴.通过SHAP可解释性帮助临床医师更好地理解预测模型结果背后的原因,对MIS患者做出更个性化与合理化的临床决策.

目的 通过机器学习方法对流行性感冒临床证候学资料进行训练,获得流感辨证模型.方法 收集2019年12月-2022年3月就诊于中日友好医院发热门诊的流行性感冒患者病历资料,使用数据采集系统进行数据处理,将不同数据处理过程产生的数据分别存储,以逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM和随机森林为备选模型,通过Optuna进行超参数优化选择,并在各数据集中分别训练模型,以macro-F1评分为核心指标,对模型的预测性能进行评价.结果 整理得到训练样本1 011个,其中风热犯卫证453个、风寒束表证152个、表寒里热证406个;得到用于训练的数据集8个,包含数据80份.经训练,逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM、随机森林模型的macro-F1评分分别为0.783 0、0.774 2、0.731 5、0.782 4、0.716 7、0.793 8、0.815 3.加权样本能显著提高平均模型性能,而主成分分析降维会降低平均模型性能.单一模型中,逻辑回归模型预测性能最佳;集成方法模型中,随机森林模型预测性能最佳.结论 在样本量较小的情况下,流行性感冒中医辨证模型使用逻辑回归、决策树、支持向量机和lightGBM较为适宜,随着样本量增加,逻辑回归、支持向量机、lightGBM和随机森林可能更为合适.不同数据处理方式会影响模型性能,对证型典型程度信息的采集有利于提高模型性能.

目的:筛选与肝细胞癌(hepatocellular carcinoma,HCC)预后密切相关的炎症反应关键基因,构建预后风险评分模型,并评估该模型在HCC中的预后价值.方法:从TCGA数据库获取HCC患者肝肿瘤组织及正常肝组织的mRNA表达数据作为训练集,从GEO数据库中获取HCC患者的mRNA表达数据作为验证集.筛选出与HCC预后相关的炎症反应相关基因,运用LASSO回归和随机生存森林(RSF)方法筛选与HCC预后相关的炎症反应关键基因.基于这些关键基因构建预后风险评分模型并验证,应用Cox比例风险回归评估该模型对患者预后的影响.构建列线图并进行一致性分析.结果:共筛选出15个与HCC预后相关的炎症反应基因,经LASSO回归和RSF分析,确定11个炎症反应关键基因,即IL18RAP、MEP1A、RIPK2、CYBB、SLC7A1、ADM、IL7R、P2RX4、ACVR2A、SERPINE1、SLC7A2.构建的预后风险评分模型在训练集和验证集上预测1、3、5年生存率,AUC值均超过0.60;Kaplan-Meier分析显示高风险组总生存期(OS)显著低于低风险组(P＜0.01);PCA和t-SNE分析显示该模型能有效区分高、低风险患者.Cox回归分析提示预后风险评分是独立的预后因素,且与OS显著相关(P＜0.01).列线图模型C-index为0.672,具有较高的预测精度,1年和3年校准曲线与标准曲线吻合度好,5年吻合度稍弱.结论:本研究成功构建并验证了一个基于炎症反应相关基因的风险评分模型,筛 选出的11个炎症反应关键基因(IL18RAP、MEP1A、RIPK2、CYBB、SLC7A1、ADM、IL7R、P2RX4、ACVR2A、SERPINE1、SLC7A2)与HCC进展密切相关,且在模型中显示出较强的预后预测能力.

目的 探讨基于DCE-MRI影像组学联合临床特征在术前鉴别诊断luminal型与非luminal型乳腺癌的价值.方法 回顾性纳入2014年1月～2023年8月内蒙古自治区人民医院行DCE-MRI检查并获得病理结果的212例乳腺癌患者的图像,根据病理分子分型,将患者分为luminal型乳腺癌114例,非luminal型98例.按7:3的比例148例为训练组,64例为验证组.采用3D-slicer软件手动勾画病灶体积兴趣区(VOI),经LASSO回归及T检验批量提取影像组学特征并进行筛选,筛选出有价值的影像组学特征及临床特征,分别构建2个预测模型:单一影像组学模型及影像组学联合临床特征模型.采用ROC曲线下面积、准确率、敏感度、特异度以及校准曲线评价训练集中影像组学联合临床特征鉴别luminal型与非luminal型乳腺癌的诊断效能.结果 单一影像组学模型的AUC值0.850、准确率0.790、敏感度0.820、特异度0.765;影像组学联合临床特征模型AUC值0.856、准确率0.783、敏感度0.791、特异度0.776.临床特征中,如绝经状态(P=0.009)、淋巴结转移(P=0.012)有统计学意义,年龄(P=0.165)、病理类型(P=0.687)无统计学意义.结论 基于DCE-MRI的影像组学联合临床特征在术前鉴别luminal型与非luminal型乳腺癌方面具有较大价值.

目的:基于自回归积分滑动平均(autoregressive integrated moving average,ARIMA)模型探讨影响医疗机构使用医用缝线的相关因素,为医疗机构合理使用医用缝线提供依据与优化策略.方法:以2014年1月至2023年11月期间某院每月医用缝线使用金额作为研究对象.将2014年1月至2018年12月的医用缝线使用金额数据作为训练集,采用R语言建立ARIMA模型;将2019年1月至2019年12月的医用缝线使用金额数据作为验证集,以验证ARIMA模型的可靠性.利用验证通过后的ARIMA模型预测2021年1月至2023年11月医用缝线每月使用金额并比较预测值与实际值之间的差异,用于评估2021年1月执行医用缝线优化政策带来的效益.结果:建立的ARIMA模型通过了白噪声检验(P＞0.05),且2019年全年预测值和实际值之间差异无统计学意义(P＞0.05);执行医用缝线优化政策后,某院医用缝线实际使用金额有所下降,2021年1月至2023年11月实际值远小于预测值,差异有统计学意义(P＜0.05).结论:基于ARIMA模型的医用缝线使用数据预测与配置优化方案可以充分挖掘某院医用缝线的使用规律,为医用缝线配置合理优化和智能精细化管理提供决策参考.

目的 建立消化道和呼吸道传染病患者首诊医疗机构选择预测模型并分析其影响因素,为医疗机构精准防治传染病提供参考.方法 通过整群抽样方法,抽取北京市通州区某医联体覆盖区域内1 524例消化道和呼吸道传染病患者.将患者数据按照8∶2随机分成训练集和测试集,采用二元logistic回归模型分析患者首诊医疗机构选择的影响因素并建立预测模型,通过测试集中受试者工作特征(receiver operating characteristic,ROC)曲线下的面积(area under the curve,AUC)评价模型预测效果.结果 1 524例患者中,有417例选择社区首诊.文化水平、医保类型、职业、相对距离、是否签约家庭医生是传染病患者选择首诊医疗机构的影响因素.测试集的AUC=0.851,模型拟合效果较好.结论 通过建立传染病患者首诊医疗机构预测模型可用来预测患者流向,帮助区域合理配置医疗资源,提高区域内传染病患者基层首诊率.

目的 探讨基于最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归分析构建Nomogram模型预测原位腺癌(AIS)、微浸润腺癌(MIA)及浸润性腺癌(IAC)的价值.方法 选取本院 97 例经手术病理证实且病理亚型明确的肺腺癌患者,将AIS和MIA归为第 1 组,IAC为第 2 组,比较两组患者年龄、性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征差异,采用 3D Slicer软件进行图像分割,特征提取与选择,通过LASSO算法对特征进行降维,筛选影像组学特征构建预测模型.再采用R软件的rms工具包构建Nomogram模型,计算ROC曲线下面积(AUC),以评价Nomogram模型鉴别肺磨玻璃结节病理亚型的效能.结果 1)性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征均差异无统计学意义(P>0.05);2)筛选 7 个 CT 影 像 组 学 特 征:平面度、大依赖低灰度强调、小波变换LHL第十百分位、小波变换HLL第十百分位、小波变换最小值、小波变换均值及小依赖低灰度强度比较,差异均有统计学意义(P均<0.05);3)基于CT影像组学特征建立预测肺磨玻璃结节病理亚型的Nomogram模型,训练集中AUC为 0.863,准确率为 87.9%,灵敏度为 67.9%,特异度为 91.1%;验证集中 AUC为 0.792,准确率为 75.0%,灵敏度为66.7%,特异度为 90.5%,可见此Nomogram模型具有较好的预测效能.结论 对于预测肺腺癌浸润程度,Nomogram 模型具有明显优势,可作为一种鉴别手段.

目的:基于临床和MRI特征构建预测侵袭性胎盘植入和严重产后出血的列线图模型并验证.方法:对2019年1月1日—2022年12月31日在深圳市妇幼保健院因产前检查疑有胎盘前置或胎盘植入性疾病(PAS)而行MRI检查的236例孕晚期患者的临床和MRI资料进行回顾性分析.按8︰2的比例将患者随机分入训练集(189例)或验证集(47例).通过单因素和多因素logistics回归分析筛选临床和MRI特征,分别构建侵袭性胎盘植入和严重产后出血的列线图预测模型.采用受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)评估预测模型的区分度、校准度和诊断效能.结果:剖宫产史(OR=2.835,P=0.022)、胎盘局部膨隆(OR=3.526,P=0.044)、胎盘-子宫界面不连续(OR=7.97,P=0.006)、胎盘床异常血管(OR=4.16,P=0.013)和胎盘陷窝流空信号(OR=6.229,P=0.006)是预测侵袭性胎盘植入的独立危险因素,联合上述征象构建预测模型并绘制其列线图,其在训练集和验证集中的AUC分别为0.955(95％CI:0.928～0.983)和0.866(95％CI:0.752～0.980).胎盘局部膨隆(OR=4.033,P=0.033)、胎盘床异常血管(OR=4.585,P=0.01)、胎盘内异常血管(OR=3.684,P=0.034)和胎盘陷窝流空信号(OR=8.154,P=0.002)是预测严重产后出血的独立危险因素,联合上述征象构建严重产后出血预的测模型并绘制其列线图,其在训练集和验证集中的AUC分别为0.945(95％CI:0.912～0.977)和0.899(95％CI:0.806～0.993).结论:基于临床和MRI特征构建的预测侵袭性胎盘植入和严重产后出血列线图预测模型对临床诊治能提供一定帮助.

目的 分析神经外科ICU患者发生医院感染的危险因素,构建风险预测模型,为神经外科ICU患者医院感染的预测提供参考.方法 回顾性分析2021年1月至2022年12月该院神经外科ICU收治的280例患者的临床资料,根据患者是否发生医院感染分为感染组和未感染组,每组140例;按照7︰3比例随机抽取196例患者作为训练集建立模型,剩余84例患者作为验证集进行内部验证.采用logistic回归分析神经外科ICU患者医院感染的危险因素,建立感染预测模型,并绘制受试者工作特征(ROC)曲线评估模型预测效果.结果 通过多因素logistic回归分析,得出年龄大、手术时间长、导尿管使用时间长和糖皮质激素的使用是神经外科ICU患者发生医院感染的主要危险因素.基于多因素分析结果构建列线图模型,训练集和验证集ROC曲线下面积分别为0.796和0.875.矫正模型体现出实际诊断和预测诊断之间有较好的一致性.结论 该研究构建的模型对神经外科ICU患者发生医院感染的风险有较高的预测价值.

目的:探讨基于多序列MR图像所构建的影像组学模型在预测脑胶质瘤Ki-67表达水平中的价值.方法:回顾性分析2017年1月—2023年5月经病理检查证实的114例胶质瘤患者的MRI图像和临床特征.根据肿瘤标本检测获得的Ki-67表达水平,将患者分为高表达组(n=54)和低表达组(n=60).将所有患者按7︰3的比例随机分为训练集79例(高表达组37例,低表达组42例)和测试集35例(高表达组17例,低表达组18例).使用ITK-SNAP软件,在CE-T1WI图像上沿胶质瘤边缘逐层勾画ROI,获取肿瘤全域容积ROI(VOI).然后使用"Pyradiomics"软件包,分别自T1WI、CE-T1WI、T2WI和T2-FLAIR图像上提取肿瘤VOI的影像组学特征.采用t检验和递归特征消除法进行特征筛选,利用随机森林方法建立预测Ki-67表达水平的临床-影像模型、影像组学模型及联合模型.采用ROC曲线下面积(AUC)和DeLong检验来评估和比较上述模型的效能.使用校准曲线和Hosmer-Lemeshow检验分析模型的拟合优度,并通过决策曲线分析(DCA)评估各个模型的临床应用价值.结果:临床-影像模型、影像组学模型和联合模型在训练集和测试集中的AUC分别为0.791(95％CI:0.685～0.874)和0.716(95％CI:0.538～0.855)、0.907(95％CI:0.820～0.961)和0.866(95％CI:0.708～0.957)、0.964(95％CI:0.896～0.993)和0.908(95％CI:0.760～0.979),以联合模型的的AUC最大.Delong检验结果显示,联合模型的预测效能优于临床影像模型(训练集P<0.001;测试集P=0.018),但与影像组学模型之间的差异无统计学意义(P>0.05).Hosmer-Lemeshow检验结果显示联合模型校准曲线的拟合度良好(P>0.05).DCA结果显示,当风险阈值为0.11～0.89时,联合模型的临床净效益高于影像组学模型.结论:基于临床、影像特征及多序列MRI影像组学特征构建的联合模型对术前预测胶质瘤Ki-67表达水平具有一定价值.