机器学习辅助急性呼吸窘迫综合征诊治的研究进展

急性呼吸窘迫综合征(ARDS)诊断标准宽泛且临床医生对其认知度低，这些均易导致其开展早期临床诊疗决策的难度增加。在ARDS相关研究中，缺乏有效的临床药物试验成果，对ARDS严重程度的判定标准也争议不断。故此，迫切需要高效、准确的研究方法提高临床医生对ARDS的早期诊断及预后判断，辅助ARDS临床研究设计。大数据时代下，机器学习(ML)作为一种可整合海量数据的工具，近年来在协助临床医生开展ARDS早期诊疗决策、辅助临床试验设计上表现出色。利用ML构建的ARDS早期预测模型、机械通气时间预测模型和死亡风险预测模型，可优化ARDS患者的早期诊断及预后判断；分类模型中ARDS的两种亚型，为临床药物试验分组提供新思路；风险评估模型可作为论证工具参与临床试验研究。本文就ML对ARDS的最新研究进展进行综述。     

深度学习在骨科领域的应用研究进展

深度学习是当前人工智能发展最为迅速的一个分支。深度学习可以在大样本数据中自动提取良好的特征表达，有效提升各种机器学习的任务性能，广泛应用于图像信号处理、计算机视觉和自然语言处理等领域。随着数字影像的发展，深度学习凭借自动提取特征，高效处理高维度医学图像数据的优点，已成为医学图像分析在临床应用的重要技术之一。目前这项技术在分析某些医学影像方面已达到放射科医生水平，如肺结节的检出识别以及对膝关节退变进行级别分类等，这将为计算机科学发展在医疗应用的提供一个新机遇。由于骨科领域疾病种类繁多，图像数据特征清晰，内容复杂丰富，相关的学习任务与应用场景对深度学习提出了新要求。本文将从骨关节关键参数测量、病灶检测、疾病分级、图像分割以及图像配准五大临床图像处理分析任务对深度学习在骨科领域的应用研究进展进行综述，并对其发展趋势进行展望，以供从事骨科相关研究人员作参考。      

机器学习在胃癌生物标志物挖掘中的应用进展

胃癌是全球最常见的消化道恶性肿瘤之一。随着科技的发展，大量胃癌相关的生物标志物被挖掘并应用于临床。近年来，机器学习因其高效的特征发现和学习推理能力在胃癌生物标志物研究领域得到广泛应用。本文综合归纳了医学标志物挖掘中常用机器学习算法的特征，分析其在胃癌诊断、疗效监测及预后判断相关生物标志物挖掘中的应用价值，并对今后的研究方向进行展望。     

机器学习算法在手术部位感染预测中的应用进展

<正>随着医疗领域信息化管理的不断发展,数据的收集、分析以及再利用与人工智能领域相结合已成为未来发展趋势。手术部位感染（SSI）的预测方面存在大量可利用的数据,其预测方法与人工智能的结合已从前沿技术逐渐转变到现实应用阶段,推动着SSI预测由“粗略预测”向“精准预测”转变。本文从机器学习算法的应用基础、预测SSI的应用、面临的挑战和未来发展趋势4个方面,对机器学习算法在预测SSI中的应用研究进行综述,旨在为SSI信息化管理提供参考。     

急性呼吸窘迫综合征患者早期风险预测模型的建立

目的 建立适合ICU医护人员早期预测患者急性呼吸窘迫综合征（acute respiratory distress syndrome,ARDS）发生风险的模型。方法 采用便利抽样的方法,收集2017年1月—2018年4月入住ICU的符合标准的患者223例,按照其是否发生ARDS分为ARDS组（n=69）和非ARDS组（n=154）,并对两组资料进行对比,利用Logistic回归分析建立风险预测模型,应用ROC曲线下面积检验模型预测效果。结果 ARDS早期风险预测模型纳入年龄（OR=1.136）、肺损伤预测评分（OR=2.328）、英国国家早期预警评分（OR=2.830）和肺炎严重指数（OR=1.033）4个预测因子。模型公式Z=0.128 × 年龄+0.845 × 肺损伤预测评分+1.040 × 英国国家早期预警评分+0.032 × 肺炎严重指数-20.059。其ROC曲线下面积为0.926,灵敏度为0.906,特异度为0.812,Youden指数为0.718。结论 本模型可以有效预测ICU患者ARDS的发生,且所有指标在入住ICU早期即可获得,可为ICU医护人员早期及时对不同风险分层患者采取预防性护理干预提供借鉴。     

机器学习在构建高血压风险模型中的研究进展

本文就机器学习的概念、分类、建模步骤、算法及机器学习在构建高血压风险预测模型中的研究现状进行综述,介绍应用机器学习构建高血压风险预测模型,对比分析不同机器学习算法及机器学习与统计学方法的预测性能,以及机器学习的临床应用等,以期为深入开展高血压的防治工作提供借鉴。     

机器学习在急诊医疗服务体系中的应用现状与展望

正机器学习(machine learning,ML)是计算机通过模拟人类学习行为并获取处理数据的方法。ML作为人工智能(artificial intelligence,AI)的一个分支[1],以精确快速处理大量数据为特点,目前已经应用到医学的很多领域,如医学影像、实验室检查、流行病学以及疾病的预测、识别与管理等。ML与传统统计方法相比,前者在处理大量复杂的数据,比如海量的医疗数据方面,表现出更佳的处理能力[2]。急诊医疗服务体系(em     

创伤性脑损伤患者医院获得性肺炎风险预测模型的构建

目的 ：分析创伤性脑损伤患者发生医院获得性肺炎的危险因素,并基于机器学习算法构建风险预测模型,探讨模型的预测价值,以识别风险患者。方法 ：回顾性分析2019年1月1日至2021年7月31日在贵州省某三级甲等医院住院治疗的596例创伤性脑损伤患者的临床资料,建立风险预测指标集,运用5种机器学习算法：逻辑回归、朴素贝叶斯、支持向量机、K-最近邻算法、多层感知器构建风险预测模型,使用准确率、召回率、F1值、AUC值评价模型的预测价值,选择最优预测模型。结果 ：共纳入596例创伤性脑损伤患者,医院获得性肺炎发生率为34.90%。基于筛选的变量指标构建了5种模型,其中多层感知器模型的准确率、召回率、F1值、AUC均较高。结论 ：构建的5种风险预测模型中,多层感知器风险预测模型效果较佳,适合用于创伤性脑损伤患者医院获得性肺炎早期预测,可为患者疾病的诊断、治疗和预防策略提供参考。     

机器学习XGBoost算法在医学领域的应用研究进展

机器学习XGBoost算法于2014年提出,其基于boosting算法展开,在许多数据科学大赛上都显示出了极高的可用性和优异性能。目前基于XGBoost算法构建的分类或回归预测模型已经广泛地运用于医疗保健、金融、教育、制造等领域的数据分析中。在医药学领域中XGBoost已广泛应用于疾病诊断以及疾病发生风险、转归与预后、合理安全用药和药物研发的等方面,并且在这些领域中提供了具有极大可能性的解决方案,有助于提高决策的效率和质量,降低假阳性率。同时,XGBoost算法在处理数据缺失值时,能自动学习分裂方向;在处理大型数据集时,能够模拟非线性效应,具有较高的效率和准确性。      

机器学习在急诊医学中应用的研究进展及展望

随着信息技术及医疗数据信息化的不断发展,越来越多的临床医生认识到人工智能或将彻底改变医学实践。机器学习可对大量医疗数据进行学习,探索数据集中的依赖关系,从而形成相应的医学模型;模型可对新的数据进行快速准确预测,有利于疾病早期诊断分级、辅助制定临床决策等。急诊医学面临着医疗资源相对短缺、急危重症患者识别及快速诊治需求等现状。在大数据时代,以临床需求为导向,机器学习为手段的智慧医疗或将成为解决上述问题的关键之一。     

住院患者跌倒风险预测模型的研究现状

防范跌倒是医院护理质量的重要评价指标,也是全球范围内患者安全领域被持续关注的目标之一,尽早识别跌倒风险并给予护理干预能降低院内跌倒发生率。跌倒风险预测模型作为一种预测工具,在早期预测跌倒风险方面具有重要的作用,从电子病历系统直接采集数据并以机器学习为主要方法建模,正成为这一领域的研究热点。本文从构建方法、数据来源、模型验证等角度对国内外住院患者跌倒风险预测模型的研究现状进行综述,以期为中国住院患者跌倒风险预测模型的构建提供参考。     

急性呼吸窘迫综合征血清生物标记物的研究进展

急性呼吸窘迫综合征(ARDS)是由肺内外原因引起的以顽固性低氧血症为显著特征的临床综合征,病死率较高,其诊断主要依靠临床表现,缺乏特异性检验方法,易被忽视.生物标志物的应用可以为ARDS的病理生理机制研究提供重要依据,并且有助于诊断、风险分层和确定候选治疗靶标.本文对近年来ARDS生物标记物的临床应用进展进行综述,并探讨未来的研究方向及前景,以期为精准医学在ARDS管理中的应用提供理论支持.     

机器学习法在护理不良事件管理中的应用研究进展

概述了护理领域常用的机器学习算法，对其在不良事件预测、监测、评估和原因分析等方面的应用进展进行综述，以期为推动护理信息化管理提供参考。     

机器学习在麻醉学科中的应用进展

机器学习作为人工智能的研究热点,在医学领域已得到广泛应用。麻醉学科的任务和特点使人工智能成为其发展所需。机器学习目前在麻醉学科的不同领域也已得到初步的应用,本文综述了机器学习在围术期风险评估与预测、麻醉深度监测与调控、麻醉基本技能操作及围术期危机诊治方面的应用进展。随着技术日益成熟,机器学习在图像分析、评估预测、辅助决策及自动化中的优势将给麻醉学科的发展带来巨大契机。     

机器学习算法在压力性损伤管理中的应用进展

随着护理信息化管理的不断推进,数量庞大的多重结构数据的收集和重新利用与人工智能领域密切结合已成为趋势。压力性损伤在管理方面存在大量多重结构数据,其管理方法与人工智能领域的结合已从前沿技术逐渐转变到现实应用阶段,推动着压力性损伤管理由“制度管理”向“数据管理”转变。该文从应用基础、测量和分析创面、风险预测模型3个方面,对机器学习算法在压力性损伤中的应用研究进行综述,旨在为推动压力性损伤信息化管理提供参考。     

创伤性急性呼吸窘迫综合征发生指数在ICU中的应用

应用创伤性急性呼吸窘迫综合征 (ARDS)发生指数结合ICU中 6 1例胸外伤为主的创伤病人的临床护理 ,定量判断创伤后ARDS发生的可能性。认为回顾性分析与前瞻性应用此指数可以预测病情 ,评价疗效与预后 ,使评价指标具体量化 ,增加客观性。通过良好的专科护理 ,增进护患交流 ,将有助于ICU中创伤性ARDS病人的护理工作。     

细胞外囊泡在急性呼吸窘迫综合征中潜在作用的研究进展

急性呼吸窘迫综合征（ARDS）是由肺和肺外多种损伤引起的危及生命的疾病,其病死率居高不下,发病机制仍需进一步阐明。近些年的研究表明,失衡的免疫应答在ARDS的发生发展中起重要作用。细胞外囊泡（EVs）是一种细胞分泌的小的无核细胞结构,可以在多种细胞类型间靶向转移多种生物物质,在细胞通讯及物质传递方面起重要作用。近年来对EVs的研究为阐明ARDS的发病机制及其治疗提供了新的思路。本文就EVs在ARDS中的潜在的生物标志物作用和治疗作用的研究进展作一综述,提出不同细胞来源的EVs可能作为ARDS早期识别的生物标志物以及临床治疗的新方向。     

人工智能与检验医学

人工智能是一门正处于发展前沿的新兴学科,随着第三次技术浪潮的兴起,人工智能在检验医学领域中的应用飞速发展。通过对实验室信息管理系统中的海量数据进行机器学习和数据挖掘,人工智能不仅可以有效提高检验效率缩短检验周期,还能挖掘有效数据为临床诊疗提供重要信息。该文介绍了人工智能在检验医学领域中的最新应用进展,并初步探讨了未来的发展方向。     

机器学习在疾病预测的应用研究进展

目的 了解机器学习的基本概念以及在疾病预测中的应用,以期为临床的信息化建设与发展提供参考。方法 检索并查阅相关文献,分析总结机器学习的概念以及相关应用的研究。结果 疾病预测模型的构建是机器学习常见的应用之一,目前研究多集中于疾病发生风险的预测,预后风险分层的预测,慢性病进展的预测以及治疗效果的预测。结论 机器学习由于其强大的数据分析与探索能力,在疾病预测及辅助临床决策方面具有显著的优越性。目前,我国护理学科信息化、智能化的发展尚处于起步阶段,将机器学习技术用于指导临床护理工作的研究较为缺乏。未来应借鉴国外相关研究成果,构建适合我国使用的机器学习预测模型,探索人工智能与护理工作的结合与辅助,并加强信息技术相关人才的培养,是下一步的研究方向。     

基于列线图及机器学习的免疫检查点抑制剂相关性肺炎风险预测模型构建及验证

目的运用机器学习算法及列线图, 构建和验证免疫检查点抑制剂相关性肺炎(CIP)风险预测模型, 旨在为更好的辅助临床护理人员筛查CIP的高危人群, 提供准确直观的方法。方法采用回顾性病例对照研究。选取2019年1月至2022年2月南方医科大学珠江医院就诊的230例使用免疫检查点抑制剂治疗的肿瘤患者, 使用医院电子病历系统收集患者的资料。应用5种机器学习算法和列线图构建预测模型, 在独立测试集进行模型的验证, 最后依据评价指标AUC、准确率等评估预测模型的区分度及稳定性。结果 6种模型均提示, 肺部基础疾病、吸烟史、血清白蛋白值≤35 g/L、胸部放疗史是促进CIP发生的重要影响因素。K最近邻、支持向量机(SVM)、朴素贝叶斯、决策树和随机森林构建的CIP预测模型的AUC分别为0.647、0.696、0.930、0.870、0.934。列线图构建的模型AUC为0.813, 预测性能较好, 但低于机器学习算法中表现最佳的随机森林模型(AUC=0.934)。结论与列线图相比, 基于机器学习算法建立的CIP的风险预测模型具有更高的诊断价值, 但列线图构建的模型可更直观评估患者风险, 建议在列线图...