Classification of MCA Stenosis in Diabetes by MLP and RBF Neural Network

For the classification of Middle Cerebral Artery (MCA) stenosis, Doppler signals have been received from the diabetes and control group by using 2 MHz Transcranial Doppler. After the Fast Fourier Transform (FFT) analyses of the Doppler signals, Power Spectrum Density (PSD) estimations have been made and Multilayer Perceptron (MLP) and Radial Basis Function (RBF) have been dealt to apply to the neural networks. PSD estimations of Doppler signals received from MCA of 104 subjects have been successfully classified by MLP (correct classification = 94.2%) and RBF (correct classification = 88.4%) neural network. As we have seen in the area under ROC curve (AUC), MLP neural network (AUC = 0.934) has classified more successfully when compared with RBF neural network (AUC = 0.873).     

基于临床及CT特征构建预测肺浸润性黏液腺癌的机器学习模型

  目的  肺黏液腺癌是一种罕见的肺癌亚型,存在独特的分子生物学特征,并影响治疗方案的选择。本研究拟通过建立浸润性黏液腺癌的机器学习模型来提高治疗前黏液腺癌诊断的准确性。  方法  回顾性分析河北医科大学第四医院在2017年1月—2022年5月期间经穿刺活检或手术病理证实的620例肺浸润性腺癌患者资料。采用倾向性评分匹配法(PSM)进行1 : 1匹配后按7 : 3比例将患者随机分为训练集和测试集, 应用具有统计学差异的变量构建支持向量机(SVM)、随机森林(RF)及逻辑回归(LR)3种机器学习模型, 并通过AUC值选择最优模型。通过5折交叉验证方法分析最优机器学习模型AUC值及绘制决策曲线分析(decision curve analysis, DCA)曲线, 并构建诺莫图。  结果  结果显示病灶位于下叶、囊腔、支气管截断征及ΔCTV值是浸润性黏液性腺癌的独立预测因素。将以上4个特征通过机器学习构建预测模型并进行模型比较, 最终显示逻辑回归模型(AUC = 0. 801)为最优模型。将285例随机抽取30%为测试集(85例), 剩余样本作为训练集进行5折交叉验证, 逻辑回归模型在验证集中得到AUC为0. 777, 测试集中的AUC为0. 785, 准确度为0. 682, 训练集中的AUC为0. 803, 准确度为0. 749。最终构建逻辑回归模型的诺莫图, 模型校准曲线中的Briser Score为0. 149, 且绘制的DCA曲线同样显示该模型具有良好的预测能力及稳定性。  结论  通过对基于临床及CT特征的机器学习模型的分析, 构建了原发性肺浸润性黏液性腺癌的临床预测模型, 该模型具有潜在指导临床诊断的作用。      

120例胶质瘤及瘤周水肿MRI影像组学在评估肿瘤复发中的价值

目的 探讨胶质瘤及瘤周水肿(PTE)MRI影像组学在评估肿瘤复发中的价值。 方法 选取山东大学齐鲁医院2013年1月至2020年12月经术后病理证实的胶质瘤患者120例,包括55例复发和65例无复发患者,根据术前T₂WI和T₁WI增强图像对肿瘤和PTE进行三维容积感兴趣区勾画,并按照8∶2的比例分为训练组和验证组,分析两者及联合的组学特征与肿瘤复发的关系。使用受试者工作特征(ROC)曲线下面积(AUC)与准确性矩阵,比较和评价不同影像组学模型的训练结果。 结果 对于PTE,K临近法(KNN)分类器预测效能最好:训练组AUC值、敏感度、特异度分别为0.910、0.84、0.88,验证组分别为0.916、0.82、0.93。对于肿瘤,逻辑回归(LR)分类器预测效能最好:训练组AUC值、敏感度和特异度分别为0.777、0.69、0.67,验证组分别为0.758、0.82、0.92。当肿瘤+PTE联合时,逻辑回归(LR)分类器预测效能最好:训练组AUC值、敏感度、特异度为0.977、0.88、0.89,验证组则为0.841、0.73、0.83。 结论 胶质瘤PTE和肿瘤影像组学特征在预测胶质瘤术后复发方面具有一定的价值,其中PTE的KNN组学模型效能最佳。     

超声模型在甲状腺乳头状癌中央区淋巴结转移预测中的应用

目的 建立甲状腺乳头状癌(PTC)患者中央区淋巴结转移的预测模型。方法 回顾性分析于2018年1月至2019年1月在中国人民解放军总医院初次行甲状腺手术的855例PTC患者的临床资料,记录患者的临床特点及超声特征,采用逐步回归方法筛选中央区淋巴结转移高危因素,建立危险评分数学模型并评估其预测价值。结果 多因素分析结果显示,患者的性别(P<0.001)、年龄45~55岁(P=0.004),≥55岁(P=0.003)、结节最大径1~2 cm(P<0.001)、最大径>2 cm(P=0.008)、结节多灶性(P=0.029)、合并微钙化(P=0.019)、微钙化呈弥漫性分布(P=0.001)和血流分级2~3级(P=0.002)均为建立模型的最强预测因素。在建模组中评估模型预测效能曲线下面积(AUC)为0.78(95%CI:0.74~0.82),在验证组中AUC为0.70(95%CI:0.67~0.76),模型预测效能良好。结论 基于中央区淋巴结转移的危险因素建立了PTC患者中央区淋巴结转移的量化模型,根据模型对评分高的PTC患者可推荐行中央区淋巴结清扫术。     

应用ARIMA模型预测广西孕产妇死亡率的可行性研究

 目的 探讨应用ARIMA时间序列模型预测广西孕产妇死亡率的可行性，为广西继续降低孕产妇死亡率提供理论依据。方法 基于2002-2006年广西的逐月孕产妇死亡率，采用非条件最小二乘法估计模型参数，按照残差不相关原则与简洁原则确定模型结构，依据AIC与SBC准则确定模型的拟合优度，建立预测广西孕产妇死亡率的最优ARIMA模型。用所得模型预测广西2007年的孕产妇死亡率，比较预测值与实际值的差异；再以2002-2007年的数据构建模型预测广西2008年的孕产妇死亡率。结果 模型ARIMA(2,1,0)(0,1,1)12较好拟合了既往时间段孕产妇死亡率的时间序列，模型自回归参数(AR1=-0.708，AR2=-0.537)与季节滑动平均参数(SMA1=0.511)均有统计学意义(P<0.05)，AIC=33.814，SBC=39.364，模型残差为白噪声(P>0.05)，模型数学函数式为 (1+0.708B)(1+0.537B2)(1-B) (1-B12) Zt=(1-0.511 B12) t 。2007年逐月孕产妇死亡率的预测值符合实际值的变动趋势，2007年孕产妇死亡率与实际值的相对误差率仅为2.08%。预测2008年广西的孕产妇死亡率为21.232/10万。结论 ARIMA模型可以较好地拟合孕产妇死亡率的时间变化趋势，并用于预测未来的孕产妇死亡率，是一种短期预测精度较高的预测模型。     

机器学习方法在早产和低出生体重儿预测中的应用

应用机器学习方法构建早产儿和低出生体重儿的预测模型，包括逻辑回归、支持向量机和随机森林算法，运用交叉验证法得到不同算法的最优模型，综合准确率、F1值和AUC值评估3种模型的预测性能，结果表明基于随机森林算法的模型预测效果最好。     

基于数据挖掘模型分析1-3-β-D葡聚糖、LDH、CD4+ T淋巴细胞、CRP联合检测对艾滋病合并肺孢子菌肺炎的诊断价值

目的：探讨1-3-β-D葡聚糖、乳酸脱氢酶（LDH）、CD4+ T淋巴细胞、C反应蛋白（CRP）联合检测对艾滋病（AIDS）合并肺孢子菌肺炎（PCP）的诊断价值。方法：选取2016年4月至2022年2月于温州市第六人民医院收治的315例艾滋病患者为研究对象,其中170例合并PCP患者为研究组（AIDS/PCP组）,145例肺部无感染患者为对照组（AIDS组）。检测两组患者1-3-β-D葡聚糖、LDH、CD4+ T淋巴细胞、CRP水平,构建多层感知器（MLP）神经网络模型、卡方自动交互检测（CHAID）决策树模型、Logistic回归模型,通过受试者工作特征（ROC）曲线评估1-3-β-D葡聚糖、LDH、CD4+ T淋巴细胞、CRP联合检测对AIDS合并PCP的诊断效能。结果：AIDS/PCP组的1-3-β-D葡聚糖、LDH、CRP水平显著高于AIDS组,CD4+ T淋巴细胞计数显著低于AIDS组,差异均有统计学意义（P ＜0.001）;构建的MLP神经网络模型1-3-β-D葡聚糖、LDH、CD4+ T淋巴细胞、CRP联合检测诊断AIDS合并PCP的特异度、敏感度、准确率分别为88.97%、86.47%、87.62%,ROC曲线下面积（AUC）为0.942;CHAID决策树模型特异度、敏感度、准确率分别为70.34%、84.12%、77.78%,AUC为0.871;Logistic回归模型特异度、敏感度、准确率分别为89.66%、84.71%、86.98%,AUC为0.939。结论：MLP神经网络模型联合1-3-β-D葡聚糖、LDH、CD4+ T淋巴细胞、CRP检测对AIDS合并PCP具有良好的辅助诊断价值。     

应用人工神经网络建立老年肺癌患者化疗期间发生感染的预测模型

目的:建立老年(>65岁)肺癌患者住院化疗期间发生感染的预测模型,评价模型的预测性能,探讨个体发病风险预测的方法。方法:收集本院收治的老年肺癌化疗患者327例,按4∶1分为训练组(n=260)与检验组(n=67),分别用于筛选变量、建立预测模型及对模型的检测和评价。应用logistic回归Logistic Regression(LR)模型对资料进行多因素筛选,将筛选出有统计学意义的指标建立LR模型和人工智能神经网络(artificial neural network,ANN)模型,利用受试者工作特征曲线(receiver operator characteristic,ROC)评价模型的预测性能。结果:医院感染的发生率为21.10%(69/327),进一步分析发现骨髓抑制(≥Ⅱ度,P=0.001)、长时间住院(≥14 d,P=0.001)、糖尿病(P=0.005)、联合化疗(含顺铂,P=0.009),肺癌手术史(P=0.033)以及应用激素(P=0.025)是老年肺癌患者化疗期间发生感染的危险因素。利用两种模型对67名检验集预测,预测正确率分别为87.15%和79.81%;通过ROC曲线下面积比较模型的预测能力:LR模型曲线下面积(0.757±0.036)小于ANN模型(0.905±0.017)。结论:在老年肺癌患者住院化疗期间发生感染的预测方面ANN模型预测性能优于LR模型。     

他克莫司血药浓度-时间曲线下面积监测方法

目的 探讨肾移植术后准确反映他克莫司(FK506)药物浓度-时间曲线下面积(AUC)的监测方法.方法 16例肾移植受者先用抗淋巴细胞球蛋白和甲泼尼龙诱导治疗3 d,术后第3天首剂口服0.075 mg/kg FK506后,以ELISA法测定服药后各时间点血药浓度,采用3p87药代动力学计算程序将测得的FKS06浓度自动拟合计算出各药代动力学参数,利用Pearson相关和多元线性逐步引入--剔出回归(Stepwise)等统计学方法,统计处理FKS06各时间点血药浓度与AUC之间的相关性数据,计算出相关系数(r)、回归方程和多元相关系数(R).结果 首剂口服同一剂量FK506后,除C1.0外,C0.5、C1.5、C2.0、C3.0、C5.0、C8.0、C12.0与AUC之间的相关性差异有统计学意义(均P＜0.05).多元回归方程显示单时间点血药浓度C15与AUC相关性最好(R=0.92,R2=0.85),若应用两时间点血药浓度及三时间点血药浓度的简化的AUC监测策略,C2.0、C1.5及C5.0、C1.5、C3.0与AUC的相关性最好(R=0.97,R2=0.94及R=0.99,R2=0.99).结论 首剂口服同一剂量FK506后,C5.0监测方法可能是最准确的单时间点血药浓度的AUC监测;C5.0、C1.5或者C5.0、C1.5、C3.0简约AUC监测方法可能是最具成本-疗效的FK506临床监测策略.     

焦炉立火道温度的智能集成软测量方法及其应用

在分析焦炉立火道温度特性的基础上,提出了一种基于线性回归(LR)和监督式分布神经网络(SDNN)的立火道温度智能集成软测量方法。通过特性分析提出了典型蓄热室的选取原则,并利用级数验证了选取的有效性。为反映蓄顶温度与立火道温度的关系,首先分别建立了一元、二元和十二元LR模型,并通过智能集成将3个模型的输出进行有机融合;然后在对样本监督式聚类后,利用SDNN获得各个子网的综合输出;最后由专家协调器协调LR和SDNN的输出,得到立火道温度的软测量值。实际运行结果验证了该方法的有效性。     

基于CT影像组学对食管鳞状细胞癌病理分化程度的预测

目的：探讨CT影像组学在预测食管鳞状细胞癌分化程度中的价值。方法：回顾性分析2008年1月到2016年8月经手术病理切片证实为食管鳞状细胞癌,临床资料完善和术前行CT增强扫描并获得完整图像的160例,随机分成训练集(103例)和验证集(57例),运用Matlab软件对图像进行特征提取并进行筛选,建立影像组学标签。结合获得的影像组学标签和临床资料建立多变量logistic回归分析,建立影像组学模型(radiomics predictive mode)并进行验证。运用受试者操作特征(receiver operator characteristic,ROC)曲线评价模型术前预测食管鳞状细胞癌分化程度的效能。结果：影像组学标签为食道癌病理分化程度显著的独立预测因素。影像组学预测模型在训练组中的曲线下面积(area under curve,AUC)值为0.791,敏感度为81.6%,特异度为72.3%;在验证集中的AUC值为0.757,敏感度为70.0%,特异度为73.0%。结论：基于CT影像提取的影像组学特征构建的模型,对于术前预测食管癌分化程度具有一定的效能。     

基于FNA-Tg和血清Tg的二元Logit回归模型对甲状腺癌淋巴结转移或复发的判定价值

  目的  通过二元Logit回归分析患者淋巴结细针细胞学穿刺洗脱液甲状腺球蛋白测定值（FNA-Tg值）、血清甲状腺球蛋白值（血清Tg值）及其比值,建立对甲状腺癌淋巴结转移、复发情况的预测模型。  方法  （1）收集术前为分化型甲状腺癌伴可疑淋巴结转移患者64例。（2）通过ROC曲线初步评估FNA-Tg值、血清Tg值及其比值对淋巴结良恶性鉴别的诊断价值。（3）使用二元Logit回归分析进一步评价上述3项指标的诊断价值并建立预测模型。  结果  （1）ROC曲线:淋巴结FNA-Tg对应的AUC值为0.998（95% CI 99.27%～100.34%）,切点值为0.82;血清Tg对应的AUC值为0.824（95% CI 70.64%～94.14%）,切点值为18.27;淋巴结FNA-Tg/血清Tg对应的AUC值为1.000（95% CI 100.00%～100.00%）,切点值为0.461。（2）二元Logit回归全进入法3项自变量同时存在,二元Logit回归全进入法3项自变量同时存在,FNA-Tg值、血清Tg值及其比值3项P值均 > 0.05,模型3项自变量同时存在对淋巴结良恶性无诊断价值;二元Logit回归全进入法淋巴结FNA-Tg单一变量。淋巴结FNA-Tg可以解释88%淋巴结良恶性的变化,P = 0.038 < 0.05,回归系数2.68,OR值14.587,预测模型公式为:In（p/1-p） = -4.122 + 2.680*淋巴结FNA-Tg,似然比检验P = 0.000 < 0.001,AIC值14.386,BIC值18.704,总体预测准确率为95.31%;二元Logit回归全进入法血清Tg单一变量,血清Tg能解释淋巴结良恶性27.8%的变化原因,P = 0.000 < 0.001,回归系数0.164,OR值1.179,预测模型公式为:In（p/1-p） = -2.466 + 0.164*血清Tg,似然比检验P = 0.000 < 0.001,AIC值67.33,BIC值71.648,总体预测准确率为75%。  结论  术前FNA-Tg、血清Tg及其比值在判定甲状腺结节良恶性有很好的诊断价值。基于FNA-Tg、血清Tg的二元Logit回归模型公式能较好的预测甲状腺癌患者淋巴结转移、复发的情况。     

109例2型糖尿病患者子女患病风险预测分析

目的利用自身容易获得的患者临床资料,建立一种简单易行的评价方法,对2型糖尿病患者子女进行糖尿病或糖尿病前期风险预测。方法选择2型糖尿病患者子女共109名,统计其年龄,测定其空腹血糖及口服葡萄糖耐量试验(oral glucosetolerance test,OGTT)2 h血糖、身高、体质量、颈围(neck circumference,NC)、腰围(waist circumference,WC)并计算腰臀比(waist-hip ratio,WHR)及体质量指数(body mass index,BMI)。分别以年龄、颈围、腰围、腰臀比、体质量指数为筛查指标,以空腹血糖及OGTT 2 h血糖作为诊断糖尿病或糖尿病前期的金标准,绘制受试者工作特征曲线(receiver operating curve,ROC),计算ROC曲线下面积,并根据分析结果建立风险预测决策树。结果①以上筛查指标中,以腰围筛查糖尿病时,ROC曲线下面积(area underreceiver operating curve,AUC)最大(AUC=0.770,P=0.000)。②以腰围筛查糖尿病或糖尿病前期时,ROC曲线下面积亦最大(AUC=0.704,P=0.000)。③糖尿病患者子女患糖尿病风险预测决策树的ROC曲线下面积(AUC=0.784,P=0.000),灵敏度为61.1%,特异度为95.6%,阳性预测值为68.8%,阴性预测值为93.5%。④糖尿病子女患糖尿病或糖尿病前期风险预测决策树的ROC曲线下面积(AUC=0.727,P=0.000),灵敏度为56.5%,特异度为88.9%,阳性预测值为78.8%,阴性预测值为73.7%。结论①在年龄、颈围、腰围、腰臀比、体质量指数等5项临床资料中,反映中心性肥胖的腰围是患糖尿病或糖尿病前期的最主要危险因素。②用本决策树对糖尿病患者子女患糖尿病或糖尿病前期进行风险预测简便易行,具有一定的灵敏度和特异度。     

Detection of Carotid Artery Disease by Using Learning Vector Quantization Neural Network

Doppler ultrasound has been usually preferred for investigation of the artery conditions in the last two decades, because it is a non-invasive, easy to apply and reliable technique. In this study, a biomedical system based on Learning Vector Quantization Neural Network (LVQ NN) has been developed in order to classify the internal carotid artery Doppler signals obtained from the 191 subjects, 136 of them had suffered from internal carotid artery stenosis and rest of them had been healthy subject. The system is composed of feature extraction and classification parts, basically. In the feature extraction stage, power spectral density (PSD) estimates of internal carotid artery Doppler signals were obtained by using Burg autoregressive (AR) spectrum analysis technique in order to obtain medical information. In the classification stage, LVQ NN was used classify features from Burg AR method. In experiments, LVQ NN based method reached 97.91% classification accuracy with 5 fold Cross Validation (CV) technique. In addition, the classification performance of the LVQ NN was compared with some methods such as Multi Layer Perceptron (MLP) NN, Naive Bayes (NB), K-Nearest Neighbor (KNN), decision tree and Support Vector Machine (SVM) with sensitivity and specificity statistical parameters. The classification results showed that the LVQ NN method is effective for classification of internal carotid artery Doppler signals.     

Data Mining Techniques for Assisting the Diagnosis of Pressure Ulcer Development in Surgical Patients

Pressure ulcer is a serious problem during patient care processes. The high risk factors in the development of pressure ulcer remain unclear during long surgery. Moreover, past preventive policies are hard to implement in a busy operation room. The objective of this study is to use data mining techniques to construct the prediction model for pressure ulcers. Four data mining techniques, namely, Mahalanobis Taguchi System (MTS), Support Vector Machines (SVMs), decision tree (DT), and logistic regression (LR), are used to select the important attributes from the data to predict the incidence of pressure ulcers. Measurements of sensitivity, specificity, F₁, and g-means were used to compare the performance of four classifiers on the pressure ulcer data set. The results show that data mining techniques obtain good results in predicting the incidence of pressure ulcer. We can conclude that data mining techniques can help identify the important factors and provide a feasible model to predict pressure ulcer development.     

循环神经网络模型在腹膜透析临床预后预测中的初步应用

目的 应用深度学习模型循环神经网络(recurrent neural network,RNN)及其变体门控循环单元(gated recurrent unit,GRU),基于临床真实数据,构建腹膜透析临床预后预测模型,并比较其与医学研究中常用的逻辑回归(logistic regression, LR)模型的预测性能,探索预测结果中可能的医学意义。方法 使用北京大学第三医院腹膜透析门诊的常规诊疗数据,基于患者在开始透析时的基线数据、随访数据和预后数据构建RNN和GRU预测模型。使用受试者工作特征曲线下面积(area under the ROC curve,AUROC)、召回率(recall)、F1分数(F1-score)三个指标在测试集上评价比较模型对患者死亡风险的预测效果。结果 共纳入656例患者,其中死亡患者261例,共计13 091条诊断记录。经过十折交叉验证调整超参数并在单独的测试集测试结果显示,LR模型、RNN模型、GRU模型的AUROC分别为0.701 4、0.786 0、0.814 7,RNN和GRU模型的预测性能显著优于传统的LR模型。在召回率和F1分数方面,RNN和GRU模型的性能也均显著优于LR模型,且GRU模型表现最好。进一步分析显示GRU模型在不同预测窗口下对于不同死因或相同死因的召回率不尽相同。结论 RNN模型(尤其是GRU模型)相比于传统医学研究所使用的LR模型,对于腹膜透析临床预后预测具有更佳效果,可能有助于医生早期干预,提高医疗质量,具有很强的临床应用价值。     

基于电子病历的重症老年患者急性肾损伤连续风险预测研究

目的 探索重症老年患者(≥60岁)急性肾损伤早期连续风险预测的可行性,促进机器学习在临床决策支持中的应用。具体实现以6 h为单位连续预测重症老年患者在未来48 h的急性肾损伤发病风险,并探索可实现何种程度的早期预测,以及比较当前数据和累积数据的预测效果。方法 基于重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅲ,应用逻辑回归、支持向量机、随机森林和轻量梯度提升机(light gradient boosting machine,LightGBM)建模预测。基于曲线下面积(area under curve,AUC)、精确度和召回率进行结果评估。结果 共11 261条重症老年患者记录纳入研究。基于当前6 h数据预测时,LightGBM的AUC达0.845~0.925,随机森林、支持向量机和逻辑回归的最高AUC均低于0.73。基于入重症监护病房最初6 h数据,LightGBM效果最好,AUC达0.845。LightGBM应用当前数据比累积数据获得更高的AUC、精确度和召回率,随机森林、支持向量机和逻辑回归反之。结论 利用LightGBM对重症老年患者进行急性肾损伤早期连续预测切实可行,仅基于重症监护病房前6 h数据的预测结果就可以达到24 h积累数据的预测效果。此外,不同模型对数据的接收能力和适用性不同,LightGBM在当前数据中表现优于累积数据,其他3种模型在累积数据中表现优于当前数据。     

剖宫产术后阴道试产人群缩宫素智能调控模型的构建

目的：构建剖宫产术后阴道试产（VBAC）人群缩宫素（OT）智能调控模型,进一步探索产时OT用药的智能精准调控方案。方法：收集2014 年1月至2020 年5月于温州医科大学附属第一医院产科分娩,并在产程中使用OT的VBAC产妇相关资料,对电子病历资料运用多重线性回归法筛选建模变量,并结合胎心宫缩图提取的胎心、宫缩频率等变量,基于XGBoost算法建立OT调控模型,同时与Logistic回归模型和传统决策树进行比较,以准确率、查准率、召回率、F1值评价模型预测性能,并验证模型临床应用效果。结果：共纳入124例VBAC产妇,1 005条OT调节记录,XGBoost模型性能最佳,5折交叉验证下模型的准确率为0.82,查准率0.84,召回率0.80,F1值0.82,其中宫缩持续时间、宫腔压力、胎心、宫缩频率和前次剖宫产间隔时间是对建模贡献度较大的变量。临床验证表明预测模型精确度接近专家的决策水平,并优于低年资助产士。结论：本研究基于XGBoost构建OT调控模型,实现了产时OT的实时智能调控,其响应速度快、模型精度高、外推性强,对产科临床护理工作具有积极意义。     

应用ROC曲线评价GPI、抗CCP抗体及RF在类风湿性关节炎中的诊断价值

目的:探讨血清中葡萄糖-6-磷酸异构酶(GPI)、抗环胍氨酸肽抗体(抗CCP抗体)及类风湿因子(RF)对类风湿性关节炎(RA)的诊断价值。方法:采用酶联免疫吸附试验(ELISA)检测137例RA患者、141例其他风湿病患者和60例健康对照者血清GPI、抗CCP抗体及RF浓度,通过ROC曲线分析和逐步Logistic回归结果的ROC曲线下面积(AUC),对3个指标单独及联合检测的特异性进行比较分析。结果:3个指标在RA患者的浓度显著高于其他风湿性疾病组和健康对照组(P<0.01);在RA活动组和RA非活动组中亦有明显差异(P<0.01);逐步Logistic回归法模拟变量的AUC高于单一指标的AUC,3个指标联合检测的特异性最高。结论:GPI可作为诊断RA及判断其疾病活动性的一个新指标,运用Logistic回归和ROC曲线综合分析可提高RA诊断的准确性。     

复方姜黄素磷脂物复合物分散片家兔体内药动学研究

目的：对比研究复方姜黄素（姜黄素、胡椒碱）普通片（普通片）和复方姜黄素磷脂复合物分散片（分散片）家兔体内药动学特性的异同.方法：12只日本大耳白兔,随机均分为普通片和分散片2个组,每组6只,雌雄各半,液质联用技术测量两组家兔分别灌服普通片和分散片（姜黄素42mg·kg-1）后0、5、10、20、30、45、60、90、120、150、180、240、360和480min内血浆含量,DAS2.1软件计算单次给药后姜黄素的药动学参数.结果：药后5～480min内,分散片兔姜黄素血药浓度均高于同一时间的普通片;分散片与普通片姜黄素均不符合一、二、三室模型;与普通片相比,分散片AUC0-480、Cmax、tmax均有显著性增加（P＜0.01）,Vd、MRT0-480、MRT0-∞,和t1/2均有显著性减小（P＜0.01）,AUC0-∞、CL均无显著性差异（P＞0.05）,相对生物利用度为474.70％.结论：分散片较普通片有生物利用度高、、药后血药浓度与峰浓度高等优点.