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...     

基于机器学习的宫颈癌根治术后尿潴留风险预测模型构建

目的基于机器学习构建宫颈癌根治术患者尿潴留风险预测模型, 并进行内部验证评价模型的预测效果, 以期为宫颈癌根治术患者尿潴留的早期防治提供参考。方法便利抽样法选取2017年6月至2022年2月在安徽医科大学第一附属医院内实施宫颈癌根治手术的981例患者, 按7∶3的比例分为训练集(687例)和测试集(294例)。通过文献回顾和危险因素分析, 探索宫颈癌根治术后发生尿潴留的影响因素, 采用机器学习中XGBoost、随机森林、支持向量机和决策树4种方法构建尿潴留风险预测模型。采用十折交叉验证的方式计算4种机器学习算法的精确率、召回率、F1值和AUC, 筛选出预测效能最高的模型。结果纳入的981例患者中, 宫颈癌根治术后尿潴留发生率为18.86%(185/981), 尿潴留组中位年龄为51岁, 非尿潴留组为50岁。将单因素分析中有统计学意义的变量和文献回顾总结的影响因素进行特征提取, 纳入患者年龄、术中出血量、BMI、癌症分期、手术方式、手术切除范围、是否行盆腔淋巴结清扫术、合并症和残余尿的情况。在机器学习的4种模型构建方法中, 随机森林模型效果最好, 其训练集F1值为0.94, 测试集F1值...     

基于3种机器学习算法构建宫颈癌术后尿潴留风险预测模型

目的：运用决策树、逻辑回归和支持向量机构建宫颈癌根治性切除术后尿潴留风险预测模型并比较性能,为评估及预防宫颈癌术后尿潴留提供参考依据。方法:回顾性收集459例宫颈癌根治性切除术病人的临床资料,采用决策树、支持向量机和逻辑回归3种机器学习方法构建宫颈癌根治性切除术后尿潴留风险预测模型,采用准确性、召回率、精确率、F1指数和受试者工作特征（ROC）曲线下面积（AUC）评价模型性能。结果:共纳入病人的年龄、疾病分期、体质指数等8个变量。选择80%的数据集（367例）作为训练集,20%的数据集（92例）作为验证集,结果显示,决策树在训练集和验证集中准确率、召回率、精确率、F1指数和AUC都比支持向量机和逻辑回归更优,说明决策树在构建宫颈癌术后尿潴留风险预测模型中具有较高的准确率及较好的泛化性能;支持向量机在训练集中准确率、召回率、精确率、F1指数和AUC都比逻辑回归更优。同时,在验证集中,支持向量机的召回率和F1指数比逻辑回归更优,但是支持向量机的准确率、精确率和AUC却比逻辑回归差,说明支持向量机在宫颈癌术后尿潴留数据集中的泛化能力比逻辑回归差。结论:决策树在构建宫颈癌根治性切除术后尿潴留风...     

心脏骤停后院内死亡机器学习预测模型的建立

目的 探索影响心脏骤停患者预后的相关因素,并通过机器学习建立一个准确、快速的预后预测模型。方法 对美国重症监护医学信息数据库(MIMIC)中1 772例18岁以上心脏骤停患者的数据进行回顾性分析,通过三种机器学习算法建立预测模型,包括逻辑回归(logistic regression, LR)、极致梯度提升(extreme gradient boosting, XGBoost)和支持向量机(support vector machine, SVM)算法,用于预测患者心脏骤停后院内病死率。计算受试者工作特征曲线下面积(area under the curve, AUC)、准确度、精确度、召回率和F1分数,以评估所建立模型的预测性能。结果 XGBoost算法的表现优于另外两种算法。XGBoost算法建立的预测模型准确度、召回率、精确度和F1分数分别为0.762、0.812、0.765和0.788。XGBoost模型的AUC大于LR和SVM模型(0.847 vs. 0.834和0.820)。XGBoost模型中最重要的前10个特征是入院24h内乳酸、格拉斯哥昏迷评分(GCS)量表、尿素氮、血糖、...     

3种不同模型对重型颅脑损伤患者肠内营养相关性腹泻预测能力的比较研究

目的 构建重型颅脑损伤(STBI)患者肠内营养相关性腹泻的决策树(DT)、支持向量机(SVM)机器学习算法与logistic回归算法预测模型，并比较预测能力。方法 采取便利抽样法，选取2018年1月-2021年12月贵州医科大学附属医院ICU住院的518例STBI患者为研究对象，回顾性收集其临床资料。采用DT、SVM与logistic回归算法构建STBI患者肠内营养相关性腹泻预测模型，绘制ROC曲线，并计算曲线下面积(AUC)、精确率、准确率及F1值等评价指标。结果 (1)STBI患者肠内营养相关性腹泻发生率为34.17%。(2)logistic回归模型公式为：Logit(P)=1.121×GCS评分+1.393×低蛋白血症+1.047×低钾血症+1.071×禁食>48 h+0.911×多种抗生素+0.003×营养剂日用量-6.281。(3)DT、SVM与logistic回归模型均筛选出低蛋白血症、低钾血症、禁食>48 h与营养剂日用量为腹泻的预测因素。(4)3种模型综合预测能力比较为：DT模型相似文献   

3种机器学习算法对维持性血液透析病人衰弱风险预测性能比较

目的:应用Logistic回归、决策树CART和随机森林3种机器学习算法分别构建维持性血液透析病人衰弱风险预测模型,比较3种模型的预测效果。方法:选取2021年10月—2022年3月在杭州市2家三级甲等医院接受维持性血液透析治疗的病人485例,按照7∶3的比例随机分为训练集（n=341）和测试集（n=144）,运用Logistic回归、决策树CART和随机森林建立维持性血液透析病人衰弱风险预测模型,采用准确率、灵敏度、特异度、阳性预测值、阴性预测值、Kappa系数和受试者工作特征（ROC）曲线下面积（AUC）对3种模型的预测性能进行比较。结果:训练集中,Logistic回归、决策树CART和随机森林的准确率分别为91.79%、91.50%、97.95%,特异度为96.84%、92.11%、96.91%,灵敏度为85.43%、90.73%、99.32%,阳性预测值为95.56%、90.13%、96.05%,阴性预测值为89.32%、92.59%、99.47%,Kappa值为0.832,0.828,0.958,AUC值为0.971,0.954,0.998。对3种模型的AUC值进行检验,结果...     

基于Logistic回归和人工神经网络构建老年脑卒中患者衰弱预测模型

目的 基于Logistic回归和人工神经网络构建老年脑卒中患者衰弱的风险预测模型，并评价模型预测效能，为早期识别并预防老年脑卒中患者衰弱的发生提供依据。方法 2021年3月至2022年5月，采用便利抽样方法选取锦州市某医院就诊的老年脑卒中患者532名为研究对象。通过问卷调查收集资料，筛选患者发生衰弱的独立影响因素，用R软件绘制多因素Logistic回归模型的列线图，借助神经网络中的多层感知器构建神经网络预测模型，采用受试者工作特征曲线(receiver operating characteristic curve, ROC)评价模型预测效能。结果 老年脑卒中患者在年龄、独居、吸烟、体育锻炼、高血压、糖尿病、首发脑卒中、睡眠障碍、跌倒史、工具性日常生活能力上的差异均有统计学意义(均P<0.05)。年龄≥80岁、睡眠障碍、工具性日常生活能力受损、跌倒史、独居为老年脑卒中患者发生衰弱的独立风险因素，体育锻炼为保护因素；建模组列线图和神经网络预测模型ROC曲线下面积(area under curve, AUC)分别为0.908、0.904。结论 构建的老年脑卒中患者衰弱风险预测模型预测效...     

脑卒中患者吞咽障碍风险预测模型的系统评价

目的 系统评价脑卒中患者吞咽障碍风险预测模型，以期为临床实践提供参考依据。方法 检索中国知网、万方、PubMed、Cochrane和Embase数据库中脑卒中患者吞咽障碍风险预测模型相关文献，对文献特征、研究类型、预测因子、模型构建方法和结果等进行分析和比较。结果 共纳入11项研究，7项为模型的开发研究，4项为模型的开发和验证研究。受试者工作特征曲线下面积(the area under curve, AUC)均>0.7,模型区分度较好；5项研究报告了校准度，拟合优度检验结果均P>0.05,提示模型有较好的校准能力。模型适用性较好，但偏倚风险较高，主要原因为样本量不合理、直接剔除缺失数据、基于单因素分析法筛选预测因子、缺乏模型性能评估等。结论 脑卒中患者吞咽障碍风险预测模型的研究尚处于发展阶段，未来可结合机器学习算法，开发本土化、预测性能良好、使用简便的预测模型。     

基于超声影像组学及临床特征的可解释性机器学习模型预测乳腺癌新辅助化疗疗效

目的 探讨基于乳腺癌原发灶超声影像组学特征联合临床病理因素构建的机器学习模型预测乳腺癌新辅助化疗(NAC)病理完全缓解的临床价值。方法 回顾性纳入272例术前接受NAC治疗且有病理检查结果的乳腺癌患者,从超声图像中提取并筛选影像组学特征后构建影像组学评分,基于多因素Logistic回归分析、XGBoost、决策树、随机森林、支持向量机等机器学习算法,评分联合临床病理特征构建乳腺癌患者NAC疗效的预测模型并对模型性能加以验证。结果 受试者工作特征曲线显示,基于随机森林算法构建的联合模型预测性能最佳(训练集AUC:0.855,测试集AUC:0.844)。决策曲线分析表明,随机森林模型具有更高的临床获益。SHAP分析显示,对模型预测结果贡献程度最大的3个变量依次为影像组学评分值、Her-2、ER。结论 基于超声影像组学特征构建的机器学习模型可协助评估乳腺癌患者NAC疗效,随机森林模型在诊断性能和临床实用性方面表现最佳。     

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。     

基于决策树和逻辑回归算法的辅具适配模型研究与实现

目的：为实现辅具适配过程中用户自主自助及辅具适配的精准预测,研究建立辅具适配模型。方法：通过调查问卷的方式收集到102份辅具配置信息作为数据集,基于决策树和逻辑回归算法建立辅具适配模型。使用python语言实现模型并绘制主要参数对模型性能的影响,优化后,计算准确率、召回率和F1分数评价模型的预测能力。结果：基于决策树算法建立模型准确率达到0.91,且召回率和F1分数性能指标分别为0.91和0.90。基于逻辑回归算法建立的模型性能较低。结论：本研究以患者使用辅具目标等信息为特征建模。基于决策树算法建立的模型性能优于逻辑回归模型,具有实用价值。     

基于经直肠超声造影参数及临床资料建立机器学习模型诊断临床显著性前列腺癌

目的基于前列腺经直肠超声造影参数及临床相关资料建立机器学习模型, 并探讨各模型诊断临床显著性前列腺癌的效率。方法回顾性分析重庆大学附属肿瘤医院2018年11月至2021年9月接受经直肠超声造影检查并行经直肠超声引导下穿刺活检的患者151例。采用VueBox软件绘制时间-强度曲线, 定量分析上升时间、达峰时间、平均渡越时间、峰值强度、上升斜率等12个参数。将年龄、总前列腺特异抗原、游离前列腺特异抗原、游离前列腺特异抗原比值、体积、前列腺特异抗原密度及经直肠超声造影参数共18个特征参数, 通过相关属性值及信息增益属性值进行特征分析及特征筛选。将筛选特征通过机器学习单一算法及集成算法进行模型训练及测试, 后通过F1值及ROC曲线下面积(AUC)进行模型评价。结果相关属性值及信息增益属性值分别筛选出12个变量及5个变量建立机器学习模型, 集成算法建立模型均优于单一算法, 两种变量筛选方式基算法为决策树的Bagging集成算法模型AUC(0.810比0.789)及F1值(0.748比0.742)均为最高, 其次AUC及F1值均依序为Logistic回归、支持向量机(SVM)。结论基于经直肠超声造...     

腹腔镜疝修补术后患者复发疝气的预测模型构建与验证：一项8年的回顾性研究

目的 建立一个识别腹腔镜疝修补术前、术中及术后高危因素的机器学习模型并预测患者术后疝复发情况。方法 纳入2010—2018年腹腔镜疝修补术后患者,收集患者的29项特征变量,包括患者的人口统计学特征、慢性病史、实验室检查特征、手术信息以及患者的术后情况等。采用梯度提升机(XGBoost)、随机森林(RF)、支持向量机(SVM)以及K最临近(KNN)四种机器学习算法构建预测模型。同时应用SHAP分析对模型进行可视化解释并采用k-折交叉验证法、ROC曲线图、校正曲线、决策曲线分析等指标评价模型性能。结果 共纳入1 178例腹股沟疝患者,其中114例出现术后疝复发。4种预测模型中,XGBoost算法具有最佳效能,其在训练集中的AUC值为0.985,在验证集中的AUC值为0.917,预测准确度很高。k-折交叉验证法、校正曲线、DCA曲线结果均显示XGBoost模型稳定、临床实用性强。此外,独立验证集的AUC值为0.86,说明XGBoost预测模型具有较好的外推性。SHAP分析结果显示,补片尺寸、补片的固定情况、糖尿病史、低蛋白血症、肥胖、吸烟史、术中SpO₂以及术中体温低均...     

上消化道出血病人消化内镜治疗后再出血风险预测模型的构建

目的:构建上消化道出血病人消化内镜治疗后再出血风险预测模型,并检验其预测效果.方法:选择医院2018年10月—2020年10月收治的上消化道出血病人480例,按两组基础资料匹配性原则将其分为模型构建组、模型验证组,均为240例,统计模型构建组再出血病人例数,并通过单因素分析、多因素Logistic回归分析筛选上消化道出血病人消化内镜治疗后再出血的危险因素,以此为基础构建再出血风险预测模型,并将模型用于验证组,以检验其预测效果.结果:模型构建组再出血病人共64例,通过单因素、多因素Logistic回归分析得到,上消化道出血病人消化内镜治疗后再出血危险因素有年龄≥75岁、Blatchford评分≥6分、Rockall评分≥5分、Forrest分级Ⅰ级、出血病变直径>2 cm、入院时血红蛋白值<100 g/L、血小板计数<100×109/L(P<0.05);构建的预测模型ROC曲线下面积(AUC)为0.757,约登指数最大值为0.658,对应灵敏度、特异度分别为91.9％、73.9％,对应截断值为0.035;将预测模型应用于模型构建组,得到模型预测准确率为98.75％.结论:上消化道出血病人经消化内镜治疗后仍存在再出血风险,而研究构建的预测模型能实现对再出血风险的准确预测,为临床预防护理提供了依据,能降低再出血发生率.     

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。     

学龄前恶性肿瘤患儿社会适应不良风险预测模型的构建及验证

目的 ：构建学龄前恶性肿瘤患儿社会适应不良风险预测模型并进行验证,为提升其社会适应水平及远期生存质量提供依据。方法 ：选取7家三级甲等医院2021年7月—12月475例在院的学龄前恶性肿瘤患儿及主要照护者,以7∶3比例随机分为训练集和测试集。训练集通过社会适应评定量表筛查出社会适应不良患儿,运用Logistic回归和XGBoost方法确定预测因素并构建模型;测试集以受试者工作特征曲线（ROC）下面积、准确率、F1-分数、Kappa系数等指标验证模型的一致性和预测精度。结果 ：学龄前恶性肿瘤患儿社会适应不良的发生率为44.0%;XGBoost预测模型输出的社会适应不良风险因素重要性排序为一般家庭功能、年龄、平均网络使用时长、居住地、幼儿依恋关系、疾病阶段、家庭应对方式、是否复发。ROC曲线下面积为0.839,准确率为83.9%,Kappa系数为0.826,F1-分数为0.857。结论 ：构建的学龄前恶性肿瘤患儿社会适应不良风险预测模型具有良好的预测精度和一致性,可甄别个体社会适应不良风险。     

基于常规检验数据的原发性肝癌风险预测模型的建立与评价

目的 探索基于常规检验数据的机器学习模型在原发性肝癌风险预测中的价值。方法 从医院A收集肝癌组298例和非肝癌组882例，筛选出模型建立的特征参数，建立机器学习的预测模型。从医院B收集肝癌组178例、非肝癌组315例，对所构建的最优模型进行外部验证。结果 通过统计学方法筛选出2种最佳特征参数组合，采用机器学习算法分别建立Model1-5和Model6-10，在内部验证集中采用XGBoost算法构建的Model3[ROC曲线下面积（AUCROC）=0.952，准确度=0.899]和Model8(AUCROC=0.951，准确度=0.897)的性能指标最佳。Model3和Model8共有的特征参数包括性别、年龄、甲胎蛋白、C-反应蛋白、半胱氨酸蛋白酶抑制剂C。Model3的特征参数还有纤维蛋白原，外部验证集的AUCROC=0.823，准确度=0.793。Model8的特征参数还有清蛋白，外部验证集的AUCROC和准确度分别为0.816和0.793。结论 基于常规检验数据可以构建原发性肝癌的风险预测模型。     

维持性血液透析患者自体动静脉内瘘血栓形成风险预测模型的构建

目的 基于机器学习方法构建自体动静脉内瘘血栓形成风险预测模型并进行模型验证。方法 以2020年3月—2021年12月在哈尔滨医科大学附属第二医院血液净化中心行维持性血液透析的患者为研究对象,应用逻辑回归(logistic regression,Logistic)和随机森林(random forest,RF)构建模型。绘制各模型受试者工作特征曲线(receiver operating characteristic curve,ROC)和受试者工作特征曲线下面积(area under the curve,AUC),并用准确率、特异度、灵敏度和F1度量评价模型性能。结果 270例MHD患者中,AVF血栓形成组105例(38.89%),非AVF血栓形成组165例(61.11%),最终纳入吸烟史(OR=2.992,95%CI:1.306～6.854,P=0.010)、高血压史(OR=12.376,95%CI:3.432～44.624,P<0.001)、糖尿病史(OR=7.477,95%CI:2.887～19.360,P<0.001)、高血脂史(OR=6.947,95%CI:2.733...     

基于T1WI增强不同机器学习模型鉴别胶质母细胞瘤与原发性中枢神经系统淋巴瘤

目的：基于T₁WI增强图像采用六种不同机器学习分类算法构建预测胶质母细胞瘤(GBM)与原发性中枢神经系统淋巴瘤(PCNSL)的模型,比较不同机器学习模型的诊断效能。方法：回顾性分析中南大学湘雅医院经病理证实的GBM 57例和PCNSL 49例患者的临床及影像资料。应用ITK-SNAP软件在术前T1WI增强图像手动逐层勾画瘤体感兴趣区(ROI)。基于慧医汇影放射组学Radcloud平台进行ROI影像组学特征提取并采用方差阈值法(阈值>0.9)、单变量特征选择法(P<0.01)和最小绝对收缩选择算子(LASSO)进行特征降维,筛选出的特征采用支持向量机、极致梯度提升、逻辑回归(LR)、线性判别分析(LDA)、随机森林、K近邻等6种分类器构建影像组学预测模型。使用5折交叉验证方法进行验证,采用受试者工作特征曲线下面积(AUC)评估6种预测模型的诊断效能,模型之间AUC比较采用DeLong检验。结果：共提取1 688个影像组学特征,经过特征降维及筛选后保留显著特征(5折交叉验证、每组分别25、10、31、17、14个特征)构建预测模型,6种模型中LDA、LR模...     

手术室护士职业性肌肉骨骼疾病风险评估模型的构建及应用验证

目的 探究手术室护士出现职业性肌肉骨骼疾病的危险因素,建立风险预测模型,并进行预测效果验证。方法 选择2021年9月—2022年9月湖北省荆州市2所三级医院的225名手术室护士作为研究对象。按照建构组与验证组比例8∶2的原则,确定建构组样本量为180例,验证组样本量为45例,以建构组为样本建立风险预测模型。采用肌肉骨骼疾患问卷完成手术室护士职业性肌肉骨骼疾病现状调查,并通过单因素分析与多因素回归分析明确职业性肌肉骨骼疾病的危险因素。通过受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under curve, AUC)评价模型的拟合程度,并用验证组进行新模型的验证与评价。结果 构建的新列线图模型的AUC值为0.836(95%Cl:0.775～0.896),Hosmer-Lemeshow检验结果显示,χ²=6.563,P=0.406,表明模型一致性较好。新模型的灵敏度和特异度分别为0.764、0.846,风险预测准确率为86.67%。结论 本研究构建的职业性肌肉骨骼疾病风险预测模型具有良好的拟合优度和...