实体肿瘤患者住院化疗期间侵袭性真菌感染危险因素与评分模型的建立

目的 探讨实体肿瘤患者住院化疗期间侵袭性真菌感染(IFI)危险因素，并建立预测模型及分析其预测效能。方法 选择绍兴市柯桥区中医医院肿瘤内科2014年1月—2018年1月收治的实体肿瘤患者301例为模型组，选择2018年1月—2021年1月收治的实体肿瘤患者285例为验证组。通过电子病历收集其临床资料，并以此建立实体肿瘤患者IFI预测模型，采用受试者工作特征曲线(ROC)分析模型对模型组及对照组IFI的诊断价值。结果 单因素分析结果显示，住院时间、合并糖尿病、真菌感染史、预防性抗真菌用药、长期糖皮质激素应用与模型组实体肿瘤患者IFI发生有关(P<0.05);多因素Logistic回归分析结果显示，住院时间>14 d、合并糖尿病、有真菌感染史、无预防性抗真菌用药、长期糖皮质激素应用为实体肿瘤患者发生IFI的独立危险因素(P<0.05);ROC分析结果显示，本研究建立预测模型对模型组及验证组IFI诊断曲线下面积分别为0.931、0.907, SE分别为0.026、0.031,95%CI分别为0.881～0.982,0.846～0.967,均具有统计学意义(P<0.001);Hosmer-Lemeshow拟合优度检验结果显示本研究建立模型在观测值与实际值之间差异无统计学意义(Hosmer-lemeshowχ²=2.153,P=0.565),提示该模型对医院实体肿瘤患者IFI发生有良好的预测效能。结论 基于临床资料建立的实体肿瘤预测模型对于患者IFI具有良好的预测效能，可用于临床中IFI的预防、管理及治疗参考。     

青海地区获得性耐药结核病产生的危险因素及其预测模型的构建

目的探讨青海地区原发性与获得性耐药结核病的危险因素及临床发病风险预测模型构建。方法选取2018年7月-2019年7月青海地区132例耐药结核病患者为观察组,青海地区132例非耐药结核病患者为对照组,查阅患者的的临床资料,并自制调查问卷,以问卷调查的方式收集患者的相关信息,分析两组患者的临床指征,采用多因素Logistic回归分析完成风险模型建立,绘制ROC曲线分析风险模型的预测效能。结果单因素结果表明:青海地区原发性与获得性耐药结核病发生率与年龄、性别、与患者接触、3月底痰涂片结果无统计学意义(P>0.05);与居住地、婚姻状况、家庭收入、治疗末痰涂片结果、体重指数、抗结核药物性肝损害、结核病灶数、结核空洞、合并糖尿病及登记分类初治具有统计学意义(P<0.05);多因素logistic结果表明:青海地区原发性与获得性耐药结核病发生率与居住地、登记分类、体重指数、抗结核药物性肝损害、3月末肺结核病灶数及痰涂片结果,具有统计学意义(P<0.05);ROC曲线结果表明:构建获得性耐药结核病发病风险预测模型用于青海地区原发性与获得性耐药结核病患者中ACU值为0.847,预测敏感性为87.46%,特异性为90.29%。结论青海地区原发性与获得性耐药结核病危险因素较多,不同因素能相互作用、相互影响,构建获得性耐药结核病发病风险预测模型,能较好的预测临床发病,有助于指导临床诊疗。     

基于粒子群优化的BP神经网络对血脂异常气郁痰阻型中医证候的疗效预测＊

目的 选用两种药物分析对血脂异常、中医证候的疗效，以中医证候积分为基础建立血脂异常气郁痰阻型的疗效表征模型，进而提出基于粒子群优化的BP神经网络预测两种方法的疗效。方法 收集50名符合血脂异常气郁痰阻型患者的基本资料，将患者随机分为解郁祛痰化浊方组（JQHP）、血脂康胶囊组（XZKC），每组25例，观察疗程12周治疗前后的血脂水平，治疗前及治疗期间每4周记录一次中医证候积分，共4次。定性疗效分析参考血脂防治指南和中医疗效积分，采用t检验、非参数检验及X²分析的方法；神经网络模型采用粒子群优化的BP神经网络，定量构建血脂异常气郁痰阻证的预测模型，设置为三层网络，输入层节点数为15，隐含层节点数为6，输出层节点数为1。针对JQHP组和XZKC组的数据，分别选择80%的数据进行训练，20%的数据进行验证。结果 两组治疗前、治疗4周、治疗8周、治疗12周的中医证候积分随治疗周期的增加而下降（P < 0.05）。JQHP组除了“形体肥胖”外，其余14项症状均有显著的改善（P < 0.05），XZKC组治疗前后比较除“形体肥胖”、“头晕”、“胸闷”外，其余12项均改善（P < 0.05）。以中医证候积分建立的基于粒子群优化BP神经网络的预测精度高、稳定性佳，可以定量预测两种药物对未知患者的疗效。结论 JQHP和XZKC可以改善血脂异常患者的血脂水平，改善气郁痰阻型患者的症状，此为定性分析。利用中医证候积分建立的基于粒子群优化BP神经网络两种治疗方法的预测模型，可定量预测未知患者的疗效。以此思路将有助于找到一种特定治疗方法的适应人群，从而提高该治疗方法的针对性，实现中医药的智能化、精准化、定量化。     

一种预测子宫内膜病变患者内膜病理类型的临床模型＊

目的 开发并评估一种用于预测子宫内膜病变患者内膜病理类型的临床模型；方法 选取2019年11月至2021年11月因妇科B超发现子宫内膜病变并于山东中医药大学附属医院行宫腔镜下内膜活检的患者，结合其病史与最小绝对收缩和选择算子法（Least absolute shrinkage and selection operator，LASSO）筛选影响内膜病变的独立危险因素，列线图（nomogram）函数建立列线图模型，采用ROC曲线下方的面积大小（Area Under Curve， AUC）、C指数（C-index）、拟合优度（Hosmer-Lemeshow）检验、自举法（bootstrap）评估及验证模型，依据列线图对纳入患者进行风险赋分，绘制ROC曲线获取风险评分的截断值，从而划分高低风险的人群；结果 阴道流血、绝经、无流产史、并发高血压、B超内膜厚度增厚、内膜回声不正常，中医证型为虚实夹杂证是发生子宫内膜癌及癌前病变的独立危险因素，评估模型所得AUC值与C-index均>0.9，Hosmer-Lemeshow检验显示P>0.05，bootstrap内部验证法所得C-index亦高于0.9，均说明模型准确度、区分度及可信度良好，当患者的风险评分总和≥177分时，属于高风险人群；结论 本模型可以预测B超提示子宫内膜病变患者的内膜病理类型为癌前或恶变型的概率并识别高风险人群。     

前列腺癌早期诊断的研究进展北大核心

前列腺癌(prostate cancer, PCa)是中老年男性常见恶性肿瘤之一,目前尚缺乏有效的晚期癌症治疗方法,因此早期诊断对于降低PCa死亡率至关重要。近年来,较多研究开发出多种新型诊断方法以改善对PCa诊断的准确性,同时避免过度诊疗,但其有效性及实用性尚需进一步验证。本文对目前新型生物标志物、联合成像技术及风险预测模型等的早期诊断技术进行总结,以期为临床研究提供指导作用。     

认知障碍风险预测模型的研究进展

正痴呆是一种以认知障碍为核心,伴随社会生活能力下降和行为异常的综合征。随着老龄化社会的到来,痴呆的发病率也日益增长,据2019年世界阿尔茨海默病(Alzheimer’s disease,AD)报道显示,全球痴呆人数约5 000万,预计到2050年总人数将达1.52亿。痴呆作为一种慢性疾病,目前尚无可治愈的方法,所以早期识别并干预非常重要。预测模型作为一种预测疾病发病情况的工具广泛应用于风险预测,认知障碍风险预测模型通过对风险因素进行相关性分析后构建统计模型,用于识别高危人群并预测痴呆的发病情况[1]。本文对认知障碍风险预测模型的现状及研究进展进行综述。     

应用放射组学和剂量学特征预测食管癌放射治疗后的两年生存情况

  目的  使用放射组学与剂量学特征参数，建立机器学习预测模型，预测食管癌患者放射治疗后两年的生存情况。  方法  回顾性分析2013年1月至2017年12月在天津医科大学肿瘤医院接受放射治疗的食管癌患者共579例。从食管癌患者的放射治疗计划中提取GTV的放射组学和剂量学的特征，使用最大相关最小冗余与人工方法对特征参数进行筛选，分别选取14项放射组学和14项剂量学特征，并将特征变量进行标准化归一至[0, 1]范围。建立支持向量机、逻辑回归和随机森林等机器学习模型，先使用14项放射组学特征，再使用28项放射组学和剂量学混合特征参数进行训练和测试，来预测食管癌放射治疗患者的两年生存情况。  结果  仅使用放射组学特征预测放射治疗后两年生存情况时，支持向量机、逻辑回归和随机森林模型的准确率分别为84.98%、85.92%和84.51%。使用放射组学和剂量学的混合特征参数进行预测时，支持向量机、逻辑回归和随机森林模型的准确率分别为86.32%、83.02%和90.01%。在放射组学特征参数基础上，增加剂量学特征，支持向量机和随机森林模型的预测准确性得到有效提高。  结论  针对支持向量机和随机森林模型，使用放射组学和放射治疗剂量学特征参数放射治疗，可有效提高对食管癌患者放射治疗后两年生存情况预测评估的准确性。      

重型颅脑损伤患者术后脑膨出的影响因素及风险预测模型的构建

目的探讨重型颅脑损伤（TBI）患者术后发生脑膨出的影响因素，并建立重型TBI患者术后发生脑膨出风险预测模型。 方法选择郫都区人民医院重症医学科自2018年1月至2020年2月收治的126例重型TBI患者为研究对象，根据术后脑膨出发生与否，分为脑膨出组和非脑膨出组。收集2组患者一般临床资料，采用单因素及多因素分析重型TBI患者术后发生脑膨出的危险因素，采用R（R3.5.3）建立预测重型TBI患者术后发生脑膨出的风险列线图模型。 结果脑膨出组患者42例，脑膨出发生率为33.33%（42/126），非脑膨出组84例。单因素分析结果显示，手术远隔部位颅骨骨折、抗凝药物服用史、脑积水、颅内感染、迟发性外伤性颅内血肿（DTIH）、外伤性弥漫性脑肿胀（PADBS）、术前颅内压、血小板计数以及凝血酶原时间是术后脑膨出的影响因素（P<0.05）。多因素Logistic回归分析结果显示，合并手术远隔部位颅骨骨折、抗凝药物服用史、脑积水、DTIH、PADBS以及术前颅内压均为重型TBI患者术后发生脑膨出的危险因素（P<0.05）。列线图模型结果显示，模型一致性指数为0.857（95%CI：0.823~0.891），校正曲线与理想曲线基本一致，受试者工作特征曲线下面积为0.848（95%CI：0.817~0.879）。 结论合并手术远隔部位颅骨骨折、伴有抗凝药物服用史、伴有脑积水、合并DTIH、合并PADBS以及术前颅内压均为重型TBI患者术后发生脑膨出的独立危险因素，基于上述6项危险因素所建立的风险预测模型有助于预测重型TBI患者术后脑膨出的发生风险。