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...     

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。     

基于CiteSpace的高血压风险预测模型研究的可视化分析

目的:分析国内外高血压相关风险预测研究的现状,为开展更丰富、全面的科学研究及更好地进行疾病管理提供参考。方法:计算机检索近10年中国知网、Web of Science核心合集数据库中的高血压预测模型相关文献,借助CiteSpace 6.1.R6绘制图谱,包括发文趋势、关键词共现和聚类、突现词分析、时间线图。结果:共纳入578篇文献。国内外年发文量均呈增长趋势。研究热点集中在对老年、农村人口等不同特征高血压人群的诊断模型及预后模型。研究前沿集中在列线图、机器学习等高血压预测模型构建途径。结论:近10年国内外的研究热点在预测因子上存在差异。今后国内研究者可结合中医元素构建更多的高血压相关预测模型,进一步进行模型的联合、对比及优化。     

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。     

妊娠期糖尿病患者产后糖代谢异常的预测模型研究进展

目的 分析妊娠期糖尿病患者产后糖代谢异常风险预测模型的研究现状，为日后预测模型的构建及验证提供参考与借鉴。方法 检索PubMed、Web of Science core collection、EBSCO、Ovid、ProQuest、Elsevier ClinicalKey全医学平台、中国知网、万方、中国生物医学文献数据库中有关构建妊娠期糖尿病患者产后糖代谢异常风险预测模型的研究，检索时间为建库至2022年12月。结果 共纳入14个预测模型，模型的预测时长从产后6周至产后15年不等，模型的构建方法包括Logistic回归法，Cox回归法和机器学习。纳入模型均未进行外部验证。结论 现有妊娠期糖尿病产后糖代谢异常预测模型预测效能较好，但存在预测因子不全面、缺少外部验证等问题。建议未来采用前瞻性队列研究构建预测模型，充分挖掘可干预预测因子，重视模型外部验证，以促进模型在临床中的应用。     

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。     

ICU患者谵妄风险预测模型研究进展

目的 分析ICU患者谵妄风险预测模型的研究现状,为我国ICU患者谵妄风险预测模型的发展及应用提供理论依据。方法 通过文献回顾,拟从风险预测模型概述、国内外ICU患者谵妄风险预测模型的构建、应用及不足之处等角度进行综述。结果 目前,国外常用的ICU患者谵妄风险预测模型为谵妄预测模型（PRE-DELIRIC模型）及早期谵妄预测模型（E-PRE-DELIRIC模型）;而国内相关研究起步较晚,4位学者于2017年成功构建了适用于ICU患者的谵妄风险预测模型。结论 现有的ICU患者谵妄风险预测模型在有效识别、筛查ICU谵妄的高危人群方面具有良好的效能。我国ICU患者谵妄风险预测模型研究尚处于起步阶段,医护人员可在结合自身实际的情况下,慎重选择已有的风险预测模型用于临床实践。也可通过开展前瞻性、大样本的原始研究,构建一个本土的高质量ICU患者谵妄风险预测模型。     

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。     

单采自体红细胞患者采集前后血红蛋白变化预测模型的建立

目的 :分析单采自体红细胞后患者血红蛋白变化的影响因素,初步建立单采自体红细胞采集后血红蛋白变化预测模型。方法 :收集本院2017年1月到2018年12月期间130例行术前单采自体红细胞择期手术患者的临床资料,分析采集前后血红蛋白变化规律及影响因素,通过机器学习算法初步建立单采自体红细胞血红蛋白变化预测模型并与理论预测模型进行比较。结果 :采集300、400 ml自体红细胞组患者血红蛋白水平分别平均下降22.61±8.85和29.08±7.25 g/L。采集后血红蛋白变化值主要受采血前患者血红蛋白水平和外周血容量影响(P0.05)。患者的性别、年龄及采血-手术间隔时间对采集后血红蛋白变化值无明显影响(P0.05)。机器学习算法初步建立的预测模型(平均绝对误差6.27)优于理论预测模型(平均绝对误差8.11)。结论 :利用机器学习算法初步建立的单采自体红细胞预测模型可为更准确地评估自体红细胞的采集提供参考。     

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...     

PICC相关血流感染风险预测模型的研究进展

导管相关血流感染是PICC严重的并发症之一,影响患者治疗及预后.该文从PICC相关血流感染风险预测模型的构建过程、基本情况、预测性能等方面进行综述,以期为国内PICC相关血流感染风险预测模型的构建及应用提供借鉴.     

乳腺癌病人静脉血栓栓塞症风险预测模型的构建

[目的]构建乳腺癌病人静脉血栓栓塞症风险预测模型,为临床预防血栓发生提供科学、客观及量化的参考工具。[方法]通过Meta分析获得乳腺癌病人静脉血栓栓塞症的危险因素及相应的合并风险值,构建Logistic回归风险预测模型,通过逻辑评分法转换为风险评分模型并进行危险层级划分。[结果]最终构建了包含体质指数(BMI)≥30 kg/m2、高血压、糖尿病、冠心病、既往血栓史、浸润性导管癌、乳腺手术、化疗、他莫昔芬类药物和中心静脉置管10个危险因素在内的个体化风险预测模型,总分为0～21分,≥13分判定为高危,9～13分为中危,9分为低危。[结论]基于Meta分析建立的具有循证基础的乳腺癌病人静脉血栓栓塞症的风险预测模型的稳定性和适用性有待临床实践进行外部验证。     

中心静脉导管相关性血流感染风险预测模型的研究进展

基于文献研究对中心静脉导管相关性血流感染风险预测模型进行总结,从模型的构建方法、预测能力、临床应用及不足等方面综述,为构建更适用于临床的中心静脉导管相关性血流感染风险预测模型提供参考。     

基于电子病历数据的风险预测模型在临床护理中的应用现状

目的 总结归纳基于电子病历数据的风险预测模型在临床护理应用进展,为风险预测模型的构建提供参考。方法 搜索国内外关于风险预测模型的应用研究文献,从模型构建方式、模型性能指标、应用的护理领域等角度进行综述。结果 基于电子病历数据的风险预测模型在护理领域有一定的开展,能较好地识别患者风险,对护理临床工作具有指导作用,但存在模型构建方式较单一,新技术应用不足,非结构化数据的全面有效提取仍有一定难度、模型性能评价指标不够完善的问题。结论 风险预测模型能在一定程度上识别患者风险,利于护理工作的提前介入和干预,能够更加科学、有效的指导护理临床工作,改善患者结局。     

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。      

监督学习在预测危险因素诱导下急性呼吸窘迫综合征发生风险中的应用

急性呼吸窘迫综合征(acute respiratory distress syndrome, ARDS)缺乏特异性诊断标准，且诱因复杂，在临床实践中往往难以做到早期识别、及时干预，这就需要一种精确、高效的手段辅助识别其发生。基于大数据的机器学习作为一种可以处理海量数据、高效利用有效知识的学习方法，在众多领域发挥了不同作用，在医学领域的重要性日益凸显。截至目前，在医学领域已有大量的机器学习成功应用的案例，其中监督学习算法凭借其可以预测风险的优势，获得众多研究者青睐。本文旨在阐述机器学习算法中监督学习算法在预测危险因素诱导下ARDS发生风险的临床应用。     

早产儿视网膜病变风险预测模型研究进展

从早产儿视网膜病变危险因素、风险预测模型的预测性能及比较等方面综述5种常见的早产儿视网膜病变风险预测模型，旨在为国内构建早产儿视网膜病变风险预测模型提供参考。     

基于超声图像形态定量特征构建乳腺癌风险列线图在线预测模型

【摘要】 目的 运用机器学习技术构建基于超声图像形态定量特征的乳腺癌风险在线预测模型。 方法 回顾性收集2019年1月至2020年10月于皖南医学院第一附属医院行超声检查的乳腺肿块患者1046例,按随机数字以7:3比例分为训练集732例,验证集314例。所有肿块均有明确的病理结果。对训练集和验证集肿块分别按病理结果分为良性组和恶性组,使用ImageJ图像分析软件提取肿块超声图像的形态学定量特征。应用单因素分析训练集的良性组和恶性组定量特征,并运用机器学习技术进行多因素分析,确定影响癌症风险的独立危险因素,构建列线图预测模型。最后,使用验证集数据对模型效能进行测试,建立ROC曲线和校准曲线分析评价模型的诊断效能,并设计开发在线应用程序。结果 训练集732例患者中,430例（58.7％）病理为恶性;验证集314例患者中,199例（63.4％）病理为恶性。单因素分析显示形态学定量指标Aspect ratio （AR）、Circularity（C）、Modified Feret Angle （MFA）、Solidity（S）以及患者年龄在良性组和恶性组差异有统计学意义（P<0.05）。多因素分析显示AR、Circularity和年龄是预测恶性的独立危险因素（P<0.05）。基于上述独立危险因素构建乳腺癌风险预测列线图模型,并以互联网在线应用程序的方式呈现,模型内部验证AUC为0.931,敏感性88.1%,特异性85.4%,外部验证AUC为0.901,敏感性84.2%,特异性85.8%;校准曲线显示模型校准度良好,预测风险与实际风险未出现明显偏离。 结论 使用机器学习技术构建的乳腺癌风险列线图预测模型具有良好的诊断效能,而以互联网在线应用程序的方式呈现模型使其更加具有可操作性和实用性,将有助于对患者进行个体化预测和治疗决策。     

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。