基于机器学习算法的新型冠状病毒肺炎患者院内结局预测

目的 利用机器学习算法构建新型冠状病毒肺炎(COVID-19)患者临床结局的预测模型,并探索结局相关因子.方法 收集2020年2月5日至4月15日武汉市火神山医院及华中科技大学同济医学院附属同济医院光谷院区收治的COVID-19患者的临床指标与结局(院内死亡和院内接受气管插管治疗),利用人工神经网络(ANN)、朴素贝叶斯、logistic回归、随机森林4种机器学习算法构建患者临床结局的预测模型.结果 共纳入4804例COVID-19患者,其中发生院内死亡100例(2.08％)、接受气管插管治疗87例(1.81％).与院内死亡相关性最强的变量为白细胞计数、白蛋白、钙离子、血尿素氮、心肌型肌酸激酶同工酶和年龄,与院内接受气管插管治疗相关性最强的变量为白细胞计数、淋巴细胞绝对值、超敏CRP、总胆红素、钙离子和年龄,分别利用以上变量、基于4种机器学习算法构建院内死亡和院内接受气管插管治疗预测模型.4种预测模型中,相较于基于ANN、logistic回归、随机森林算法构建的模型[预测院内死亡的AUC值(95％CI)分别为0.938(0.882～0.993)、0.926(0.865～0.987)、0.867(0.780～0.954),预测院内接受气管插管治疗的AUC值(95％CI)分别为0.932(0.814～0.980)、0.935(0.817～0.981)、0.936(0.921～0.972)],基于朴素贝叶斯算法构建的模型在预测COVID-19患者院内死亡(AUC=0.952,95％CI 0.925～0.979)和接受气管插管治疗(AUC=0.948,95％CI 0.896～0.965)方面性能均最佳.结论 4种机器学习算法在预测COVID-19患者临床结局方面性能良好,其中以基于朴素贝叶斯算法构建的预测模型最佳.白细胞计数、白蛋白、钙离子、血尿素氮、心肌型肌酸激酶同工酶和年龄可以用来预测COVID-19患者院内死亡,白细胞计数、淋巴细胞绝对值、超敏CRP、总胆红素、钙离子和年龄可以用来预测患者院内是否接受气管插管治疗.     

院内新型冠状病毒肺炎患者IgG滴度的动态变化：一项基于组的轨迹分析

目的　研究新型冠状病毒肺炎（COVID-19）患者住院期间定量检测的IgG滴度的动态变化轨迹，揭示感染新型冠状病毒后机体的免疫过程。方法　回顾性分析2020年2月5日至4月15日的武汉市火神山医院和湖北省妇幼保健院光谷院区住院治疗的COVID-19患者的临床资料及不同时间点IgG滴度定量检测数据。应用基于组的轨迹模型从患者抗体的时间序列数据中进行亚组识别，然后对各轨迹组患者的临床特征及结局进行比较。结果　共734例符合筛选标准的患者被纳入研究。从其抗体数据中识别出3个轨迹组：组1（持续低抗体组，60例，占8.17%）、组2（中等抗体组，38例，占5.18%）和组3（高抗体组，636例，占86.65%）。组1患者的住院天数和病毒清除时间均在3个轨迹组中最短（P均<0.001），分别为（10.00（7.00,13.50））d和（24.50（17.50,37.00））d，而全因死亡率和病情恶化率在3组间差异无统计学意义（P均＞0.05）。结论 具有不同IgG发展轨迹的COVID-19患者可能有不同的预后及免疫特征，抗体滴度持续较高的患者可能需要更多的医疗关注。     

“胡焕庸线”两侧高中生健康素养与静坐时长态势特征调查研究

背景目前“胡焕庸线”的学术价值已经延伸至其他相关学科,考虑到我国人口众多且分布差异较为明显的特点,本研究借鉴人口地理学的研究成果,旨在探索按照“胡焕庸线”的人口密度分布界定标准,深入研究了“胡焕庸线”两侧城乡高中生的健康素养和静坐时长的态势特征。目的 调查分析“胡焕庸线”两侧东南半壁与西北半壁的城乡高中生健康素养与静坐时长的现状态势特征,为改善我国高中生的身心健康水平提供依据。方法 采用分层整群随机抽样方法,于2019年1—3月对我国31个省（直辖市、自治区）在内的62所学校高一、高二学生进行健康素养与静坐时长的调研（统一提前邮寄配发健康素养调查问卷与静坐时间调查问卷各12 400份）。采用多元线性回归模型分析方差膨胀系数,校正混杂因素后分析“胡焕庸线”两侧东南半壁与西北半壁高中生静坐时长的影响因素。结果 最后纳入健康素养调查问卷9 057份,其中东南半壁7 489份（82.7%）,西北半壁1 568份（17.3%）;纳入静坐时间调查问卷8 031份,其中东南半壁6 614份（82.4%）,西北半壁1 417份（17.6%）。东南半壁高中生健康素养评分、静坐时长均高于西北半壁（Z=-4...     

不同机器学习模型预测严重创伤患者院内不良结局的效能比较

目的比较不同机器学习模型利用院前数据对严重创伤患者院内不良结局的预测效能。方法采用回顾性队列研究分析2017年1月至2018年12月美国国家创伤数据库(NTDB)中100 135例严重创伤患者的临床资料, 其中男69 644例, 女30 480例(性别变量缺失11例);年龄16～89岁[(50.1±21.1)岁]。临床特征包括人口学信息(性别、年龄)、创伤类型(钝性伤或穿透伤)、院前时间[急救医疗服务(EMS)反应时间、EMS现场时间和EMS转运时间]、院前生命体征(收缩压、脉率、呼吸频率和血氧饱和度)、创伤评分[格拉斯哥昏迷评分(GCS)、损伤严重度评分(ISS)]。将原始数据按入院年份分为训练集(2017年)和测试集(2018年)。其中训练集50 429例, 测试集49 706例, 按有无发生不良结局将患者分为无不良事件发生组(94 526例)和不良事件发生组(5 609例)。训练集中不良事件组为2 808例, 测试集中不良事件组为2 801例。所有模型均基于训练集构建, 采用神经网络(NNET)、朴素贝叶斯(NB)、梯度提升树(GBM)、自适应增强机(Ada)、随机森林(RF)、...