基于贝叶斯网络不确定性推理的肺癌风险预测模型

目的 将贝叶斯网络与Cox模型相结合,预测包含缺失协变量的个体的肺癌发病风险。 方法 研究使用的数据来自于英国生物样本库,采用单因素Cox回归分析筛选与肺癌发病相关的预测因素;基于识别出的肺癌潜在预测因素,应用上述联合模型建立个体化肺癌风险预测模型;从鉴别和校准两方面评价模型的预测性能。 结果 建立的预测模型具有较好的鉴别和校准能力,训练和验证队列的AUC分别为0.854(95%CI:0.836~0.870)和0.885(95%CI:0.871~0.897)。 结论 本研究构建了基于贝叶斯网络和Cox模型的肺癌风险预测模型;该模型具有良好的鉴别和校准能力,能有效预测肺癌发病高危人群;联合模型在存在缺失预测因子的情况下提供了一种有效的风险预测方法,可为肺癌预防控制提供理论支撑。     

203例胶质瘤患者睡眠障碍与炎症细胞因子的关联分析

目的 研究胶质瘤患者的睡眠状况,探讨与睡眠障碍有关的炎症因素。 方法 选取2020年12月至2021年12月收治入院的203例胶质瘤患者,使用匹兹堡睡眠质量指数量表(PSQI)调查患者睡眠状况,同时检测患者血浆炎症细胞因子水平,采用单因素分析及二分类Logistic回归分析确定睡眠障碍的危险因素,使用支持向量机(SVM)进一步确定预测模型精确性。 结果 203例胶质瘤患者中,52.7%的患者存在睡眠障碍。二分类Logistic回归分析显示,接受手术(OR=0.491,95%CI=0.245~0.985,P=0.045)是胶质瘤患者未发生睡眠障碍的保护因素;IL-1β(OR=1.838, 95%CI=1.070~3.158,P=0.028)和IL-6(OR=3.627,95%CI=1.453~9.054,P=0.006)高水平表达是患者发生睡眠障碍的危险因素。SVM结果显示,三者预测患者睡眠障碍模型产生的受试者工作特征曲线(ROC)下面积(AUC)为0.793,精确性为0.720(95%CI =0.575~0.838)。 结论 胶质瘤患者睡眠障碍发生率较高,炎症细胞因子IL-1β和IL-6表达水平升高与睡眠障碍发生风险密切相关。     

基于可解释性心脏磁共振参数的机器学习模型预测儿童心肌炎的预后

目的 探讨基于可解释性心脏磁共振(CMR)参数的机器学习模型对儿童心肌炎患者预后的预测价值。 方法 回顾性收集2012年9月至2017年11月临床诊断为儿童心肌炎患者45例,其中男28例,女17例,4~16岁,平均(9.8±3.4)岁。根据随访过程中是否出现心血管不良事件(ACE),将患者分为预后不良组(n=18例)和预后良好组(n=27例)。所有患者于住院治疗后进行CMR扫描,获取心功能、心肌应变、首过灌注及延迟强化(LGE)相关方面共206个可解释性的CMR参数。利用MATLAB分类学习应用程序对参数进行训练,挑选精度最高的模型作为预测模型。采用受试者工作特征曲线(ROC)对模型的预测效能进行评估。 结果 提取出14个可解释性的CMR参数,挑选其中无显著相关性的参数构建组合参数。单一参数中, 美国心脏协会(AHA)分段法中的第7节段最大信号强度百分比(SI %)预测性能最佳,曲线下面积(AUC)、预测敏感性和特异性分别为0.790、0.667和0.833;组合参数达到了最高的预测性能,AUC、预测敏感性和特异性分别为0.940、0.750和0.889。 结论 根据可解释性的CMR参数建立的机器学习模型对儿童心肌炎患者预后的预测具有良好价值,且在预后评估中组合参数比单一参数预测性能更高。     

基于影像组学参数评估376例幕上自发性脑出血患者的功能状态

目的 探讨基于首次平扫CT的影像组学列线图模型对幕上自发性脑出血患者90 d功能状态的预测价值。 方法 回顾性分析幕上自发性脑出血(sICH)患者376例,根据90 d改良Rankin量表(mRS)评分结果将患者分为预后不良组121例(mRS评分为4~6分)和预后良好组255例(mRS评分为0~3分)。从首次平扫CT提取影像组学特征,计算影像组学评分(Rad-score)并构建影像组学模型。分析筛选临床因素用于构建临床模型,并结合Rad-score构建列线图模型。分析比较上述3种模型的预测效能。 结果 最终筛选出20个特征用于构建影像组学模型,临床模型由年龄(OR=1.045,95%CI: 1.023~1.066)、格拉斯哥昏迷评分GCS≤8(OR=4.128,95%CI: 2.161~7.887)、血肿破入脑室(OR=3.071,95%CI: 1.744~5.408)和血肿体积>30 mL(OR=5.802,95%CI: 3.327~10.117)构成。在训练集,列线图模型的曲线下面积(0.892)高于临床模型(0.814)及影像组学模型(0.862),差异有统计学意义(Z值分别为3.356、2.231,P值分别为0.001、0.026)。 结论 列线图模型可有效预测幕上sICH患者的90 d预后,有助于临床决策。     

背根神经节脉冲射频联合腰椎侧隐窝阻滞治疗腰椎管狭窄症

目的 探讨背根神经节脉冲射频联合腰椎侧隐窝阻滞治疗腰椎管狭窄症的临床疗效及安全性。 方法 选取2014年6月至2017年6月采用背根神经节脉冲射频联合侧隐窝阻滞治疗的腰椎管狭窄症患者40例(观察组),并抽取同期采用单纯侧隐窝阻滞治疗的腰椎管狭窄症患者40例(对照组)。比较两组治疗前及治疗后1周,1、3、6个月的疼痛视觉模拟(VAS)评分及改良MacNab标准评估结果,对可能影响疗效的因素行Logistic回归分析,并记录不良反应。 结果 术前两组年龄(P=0.646)、性别(P=0.823)、VAS评分(P=0.945)比较差异无统计学意义;与治疗前相比,两组治疗后各阶段VAS评分均减低,差异有统计学意义(P<0.001);与对照组相比,观察组在治疗后3个月(P=0.011)、6个月(P=0.040)VAS评分明显降低;观察组术后1个月(P=0.014)、6个月(P=0.013)的优良率明显高于对照组;Logistic回归分析提示,观察组疗效优于对照组;观察组无明显并发症,对照组2例感染脊柱间盘炎。 结论 背根神经节脉冲射频联合腰椎侧隐窝阻滞治疗腰椎管狭窄症临床疗效优于单纯腰椎侧隐窝阻滞治疗。     

临终病情评估单预测临终患者生存期的效果

目的 评价临终患者病情评估单预测临终患者生存期的效果。 方法 回顾性分析2020年4月至2022年2月山东电力中心医院老年病区死亡的26例临终患者的临床资料。计算预期生存时间与实际生存时间的符合率、预测生存时间少于30 d的评分界值的合理性。绘制生存曲线并探讨各评估因素对生存时间的影响。采用临终病情评估单对生命体征等指标进行评分,各项指标综合得出综合性得分,分析与生存期的关联。 结果 入院时评估的符合率65.38%。部分评估项目设有警示指标,多个警示指标预测生存期不足3 d的符合率100%。最常见的警示指标:意识状态的改变(76.92%),收缩压<80 mmHg(38.46%),呼吸>30次/min(26.92%)。50分作为预测生存时间少于30 d界限值的灵敏度为77.78%,特异度为83.33%,阳性预测值93.33%,阴性预测值55.55%,约登指数为0.61。评分在50分及以下组、评分在50分以上组生存时间存在着统计学差异(P=0.021)。Cox分析显示:临终病情评估单评分呼吸(HR=0.609,95%CI:0.381~0.973)、脉搏(HR=0.615,95%CI:0.426~0.889)、脏器状况(HR=0.362,95%CI:0.170~0.773)对生存时间的影响具有统计学意义(P<0.05)。 结论 临终患者病情评估单能够比较准确地评估晚期癌症、慢性器官衰竭、失智等临终患者的生存期。     

基于Logistic回归和随机森林的心力衰竭预后预测建模

目的 基于电子病历系统结构化信息创建的临床数据库,通过机器学习算法进行数据预处理和特征选择,构建预测心力衰竭患者住院期间死亡和6个月内死亡预测模型,从而辅助识别高危患者,为治疗干预提供指导。方法 以PhysioNet网站上公开的一个数据集为研究数据来源,该数据集纳入了2016年12月至2019年6月在四川省自贡市第四人民医院住院的心力衰竭患者临床信息,利用Python进行数据预处理、特征选择,并构建Logistic回归及随机森林预后预测模型,以增大ROC曲线下面积（area under curve,AUC）为目标优化模型,并在测试集中以AUC、准确率、精确度、召回率和F1分数综合验证模型预测效果。结果 通过数据预处理共获得146项特征用于住院期间心力衰竭死亡预测建模,155项特征用于6个月内心力衰竭死亡预测建模,基于随机森林的建模方法用于住院期间死亡效果最佳,AUC为0.893 1;在6个月内死亡预测上,结合LASSO和RFE进行特征选择,筛选出包括出院去向（健康护理机构、家庭或未知）、入院病房（全科）、出院科室（心血管科）、Killip分级（Ⅰ、Ⅱ和Ⅲ级）、心肌梗死情况以及充血性心力衰竭情况共10个特征进行Logistic回归建模,AUC达到0.833 6,与基于全部特征进行随机森林特征效果（AUC=0.846 0）相当。结论 本研究探索出一套针对电子病历系统结构化临床数据进行数据预处理、特征工程、机器学习算法建模并验证模型的方法,利用真实世界数据构建兼顾预测准确性和高危个体检出率的心衰预后预测模型。     

武汉交通管制和集中隔离对新型冠状病毒肺炎疫情影响的动力学模型研究

目的 定量评价武汉市采取交通管制和集中隔离措施对新型冠状病毒肺炎疫情的控制作用,为疫情防控提供科学依据。 方法 基于SEIR动力学模型,考虑无症状感染者和未确诊隔离患者的特征,构建SEIAHR模型。基于防控措施的实施时间,将疫情分为三阶段,并分别进行参数拟合和计算基本再生数,并对疫情的发展趋势进行预测。 结果 交通管制和集中隔离实施后,R0显著降低,三阶段的R0分别为3.684 1(95%CI:3.106 1~4.048 0)、2.178 8(95%CI: 1.725 8~3.577 6)、0.362 5(95%CI: 0.349 9~0.367 6),发病高峰也发生前移,从交通管制前的2020年4月19日前移至2020年3月14日,疫情规模也在防控措施的作用下减小。 结论 武汉交通管制和集中隔离措施对于疫情控制具有相当良好的作用,可以为其他国家疫情防控提供参考。     

重度盆腔器官脱垂患者治疗选择及影响因素

目的 探讨影响重度盆腔器官脱垂患者选择治疗方式的相关因素。 方法 选取2020年12月至2022年3月期间因重度盆腔器官脱垂就诊的患者为研究对象(n=145),根据患者意愿分为手术组(n=78)和子宫托组(n=67)。比较两组一般临床资料、自我身体形象评价量表(MBIS)评分及盆底障碍量表简表(PFDI-20)评分,采用单因素分析和二分类Logistic回归分析探讨影响重度盆腔器官脱垂患者选择治疗方式的相关因素。 结果 手术组与子宫托组比较,体质量指数(BMI)、就诊年龄、患病年限、中盆腔器官脱垂定量分期、合并症、MBIS评分及泌尿生殖影响量表简表(UDI-6)评分差异均有统计学意义(P<0.001,P=0.036,P<0.001,P<0.001,P=0.005,P<0.001,P<0.001)。Logistic回归多因素分析显示,就诊年龄、患病年限、中盆腔器官脱垂定量分期、合并多种内科疾病、MBIS评分及UDI-6评分为重度盆腔器官脱垂患者选择不同治疗方式的独立影响因素(P=0.006,P=0.005,P=0.019,P=0.009,P=0.001,P=0.023)。 结论 就诊年龄较大、患病年限较长、中盆腔器官脱垂分期较高、自我身体形象评价较低以及下尿路症状明显的患者更倾向于选择手术治疗,而合并多种内科疾病的患者通常选择子宫托治疗。     

自回归移动平均乘积季节模型在甲型肝炎发病数中的应用

目的 建立自回归移动平均(ARIMA)乘积季节模型,利用该模型预测并分析全国甲型肝炎发病情况,为全国甲型肝炎疫情防控提供决策依据。 方法 利用中国疾病预防控制中心2011年1月~2016年12月全国甲型肝炎月报告数据,建立甲型肝炎ARIMA乘积季节预测模型,并用2017年1~12月发病数评估模型的预测效果。 结果 非季节和季节移动平均的参数分别是0.282 、0.530,赤池信息量准则(AIC)=815.710,许瓦玆贝叶斯准则(SBC)=819.865,最优模型显著性检验结果显示P均<0.05,模型残差白噪声检验的6、12、18、24阶的χ2值分别为6.83、12.38、15.12和18.28,差异无统计学意义(P均>0.05),据此建立ARIMA(0,1,1)(0,1,1)₁₂模型,模型表达式为∇∇₁₂x_t=(1-0.282B)(1-0.530B12)ε_t,以此开展甲型肝炎发病数预测。 结论 ARIMA(0,1,1)(0,1,1)₁₂乘积季节模型能够较好地拟合甲型肝炎发病趋势,可用于全国甲型肝炎发病预测,为全国甲型肝炎疫情防控提供一定的科学依据。     

基于CT影像组学及临床资料预测肝细胞癌微血管侵犯的研究

目的 基于肝细胞癌(hepatocellular carcinoma,HCC)患者的术前CT影像组学特征和术前临床资料分别建立影像组学模型,探讨其预测微血管侵犯(microvascular invasion,MVI)的研究价值。方法 回顾性分析复旦大学附属肿瘤医院2018年1月至2020年12月110例经术后病理结果确诊为HCC患者的资料。采用ITK-SNAP软件勾画肝脏肿瘤边缘,通过Python(3.7.10版本)软件对图像做预处理,使用pyradiomics(3.0.1版本)工具包提取9种滤波器下的八类影像组学特征共1 317个。依据术后病理结果分成MVI阳性组(65例)和MVI阴性组(45例)。分析临床资料,利用逻辑回归算法分别建立影像组学模型,临床模型,临床特征联合影像组学模型(简称联合模型)。通过绘制训练组和测试组的受试者特征曲线(receiver operating characteristic curve,ROC)、ROC曲线下面积(the area under the ROC curve,AUC)、特异性和敏感性评估预测患者MVI状态的诊断效能。结果 筛选出18个最优的影像组学特征构成影像组学模型,在训练集和测试集中AUC分别为0.822和0.778,测试集中的敏感性为0.700,特异性为0.857。筛选出5个临床特征构成临床模型,在训练集和测试集中AUC分别为0.753和0.635,测试集中的敏感性为0.723,特异性为0.769。筛选出11个特征构成联合模型,在训练集和测试集中的AUC为0.845和0.813,测试集中的敏感性为0.833,特异性为0.846。结论 基于CT影像组学联合临床特征的模型可用于预测HCC的MVI状态且具有较好的诊断价值。     

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。     

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。      

可解释机器学习方法在疾病预测中的应用:脓毒血症患者死亡风险研究

目的 探索可解释机器学习方法在疾病预测中的应用。方法 本研究以脓毒血症死亡风险预测为例,从重症监护医学数据库(Medical Information Mart for Intensive Care, MIMIC)-Ⅳ中采集符合纳排标准的19 903例脓毒血症(sepsis-3)患者的临床数据,利用决策树、逻辑回归、随机森林、XGBoost、轻量梯度提升机(light gradient boosting machine,LightGBM)模型分别构建脓毒血症死亡预测模型。在此基础上,利用全局可解释方法(特征重要性、部分依赖图、个体条件期望、全局代理模型)和局部可解释方法(局部代理模型和Shapely值)对复杂机器学习模型进行解释,探索影响脓毒血症患者预后的危险因素。结果 解释性差的机器学习模型的预测性能[模型LightGBM、随机森林、XGBoost的曲线下面积(area under curve,AUC)值分别为0.913、0.892、0.872]高于具有内在解释性的模型(逻辑回归模型AUC=0.779,决策树模型AUC=0.791),并利用全局解释性方法、局部可解释性方法两种类型的解释方法对机器学习模型决策过程进行解释。结论 利用全局解释性方法可以解释在整个特征空间内机器学习模型的响应趋势,利用局部可解释性方法可以解释机器学习模型对特定病例的决策过程。     

肝硬化合并肠系膜上静脉栓塞患者2年预后预测模型的构建与验证

目的 探讨肝硬化合并肠系膜上静脉栓塞(superior mesenteric venous thrombosis, SMVT)长期预后的影响因素，构建2年预后预测模型并进行预测效果评价。方法 采集2016年12月至2020年3月确诊的肝硬化合并SMVT患者254人的临床信息，以2019年3月30日为时间节点分为建模组(170例)和验证组(84例)。建模组依据随访2年时的结局分为生存组(148例)和死亡组(22例),运用多因素Logistic回归分析患者预后影响因素，建立模型并绘制列线图；采用受试者工作特征(receiver operating characteristic, ROC)曲线、校准曲线和Hosmer-Lemeshow拟合优度检验评价预测模型的准确性、区分度和校准度；决策曲线分析(decision curve analysis, DCA)评估预测模型的临床有效性。结果 年龄(HR=4.625,95%CI:1.493～14.322,P=0.008)、粒细胞/淋巴细胞比值(neutrophils/lymphocyte ratio, NLR)(HR=4.650,95%CI:1.34...     

超声引导下细针穿刺和BRAFV600E分子检测在甲状腺癌诊断中的价值

目的 探讨超声引导下细针穿刺细胞学检查(FNAB)和鼠类肉瘤滤过性毒菌致癌同源体B1(BRAF)^V600E(BRAF^V600E)分子检测在甲状腺癌诊断中的价值。 方法 回顾性分析2019年1月至2021年12月304例甲状腺结节的患者,并行FNAB细胞病理和BRAF^V600E分子检测。以术后病理诊断为金标准,分为FNAB组(n=138)和FNAB联合BRAF^V600E组(n=166),采用受试者工作特征曲线(ROC)和曲线下面积(AUC)评估两组的诊断效能,同时分析细胞病理分类Bethseda Ⅰ、Ⅲ~Ⅴ类结节的超声特点。 结果 304例患者中诊断为甲状腺癌的患者为278例,其中277例甲状腺乳头状癌,1例甲状腺髓样癌,诊断为良性病变的26例。两组中Bethseda Ⅰ、Ⅲ~Ⅴ类的结节有53个,超声特点以钙化(28.3%)和结节大小<1 cm(45.3%)为主。依据术后病理结果,FNAB细胞病理诊断组的效能评估:敏感性为93.9%,特异性为57.1%,AUC为0.824。FNAB细胞病理联合BRAF^V600E组的效能评估:敏感性为98.0%,特异性为84.2%, AUC为0.911,且AUC联合分析>AUC_FNAB。 结论 FNAB细胞病理联合BRAF^V600E基因检测对甲状腺癌的诊断效能优于单独应用FNAB。     

基于CT影像组学构建模型对实性肺结节鉴别的价值

  目的  探讨CT影像组学模型对实性肺结节良恶性的诊断效能。  方法  回顾性分析安徽医科大学第二附属医院2019年3月—2022年11月经手术、穿刺或临床证实的231例实性肺结节患者CT影像资料,选择典型的231个肺结节,按病理类型分为良性(98例)和恶性(133例)。采用InferScholar软件分别从二维、三维2个角度对病灶轮廓进行勾画,之后用软件提取影像组学特征,将入组病例以7∶ 3的比例分为训练集和测试集。通过Pearson相关系数、显著性检验、LASSO回归分析方法进行特征筛选。在训练集中分别构建二维、三维影像组学特征模型(模型Ⅰ、模型Ⅱ),用测试集来验证,利用ROC曲线下面积来评价模型的预测效能。  结果  从二维、三维2个角度分别提取出919、1 746个影像组学特征,经过筛选,分别得到12、20个最优影像组学特征,用机器算法构建影像组学模型Ⅰ和模型Ⅱ。训练集中模型Ⅰ的AUC为0.97,模型Ⅱ的AUC为0.98;测试集中模型Ⅰ的AUC、灵敏度、特异度、阳性预测值、阴性预测值和准确率分别为0.94(95% CI:0.87~0.98)、83.9%、89.5%、86.7%、87.2%、87.0%;测试集中模型Ⅱ的AUC、灵敏度、特异度、阳性预测值、阴性预测值和准确率分别为0.97(95% CI:0.94~0.99)、75.9%、97.5%、95.7%、84.8%、88.4%。  结论  基于CT影像组学构建的模型能够较好地预测实性肺结节的良恶性,从三维角度构建的模型Ⅱ的诊断效能优于二维角度构建的模型Ⅰ。