系统性红斑狼疮女性患者免疫球蛋白GN-糖基与血清CysC水平的相关性研究

目的 探索系统性红斑狼疮（SLE）患者免疫球蛋白GN-糖基与血清胱抑素C(Cystatin C)水平的关系,为疾病变化的联合生物标志物的研究提供基础。方法 研究对象选自2018—2019年在聊城市人民医院风湿免疫科门诊及住院的240例SLE女性患者。采用超高效液相色谱（UPLC）检测免疫球蛋白G N-糖基化水平,采用颗粒增强散射免疫比浊法 (PENIA)进行血清胱抑素C (CysC)的检测。免疫球蛋白G N-糖基与血清CysC水平的相关性分析应用Spearman秩相关分析以及多元线性逐步回归模型。结果 多元线性逐步回归分析显示,系统性红斑狼疮患者免疫球蛋白G N-糖基直接测量指标GP8(t=-2.460,P=0.016),GP10(t=2.283,P=0.025),GP19(t=3.570,P=0.001),GP24(t=-2.743,P=0.008)与血清CysC水平呈独立相关关系。结论 系统性红斑狼疮患者中IgG N-糖基水平改变与血清CysC水平可能存在关联,为疾病变化的联合标志物的研究提供基础。     

济南市三级甲等医院医护人员规律体育活动行为现况及与职业倦怠的关系研究

目的 调查济南市三级甲等医院医护人员规律体育活动（Regular physical activity,RPA）行为现况以及职业倦怠发生现况,探讨RPA的影响因素并进一步探索RPA与医护人员职业倦怠之间的关系。 方法 采用方便抽样法对山东省济南市3所三级甲等医院462名医护人员进行问卷调查,调查问卷采用自制的RPA参与情况调查表和Maslach职业倦怠量表。通过统计描述和卡方检验了解医护人员RPA参与现况和职业倦怠发生情况,并进一步通过logistic回归分析探索RPA与职业倦怠的关系。结果 济南市三级甲等医院医护人员RPA参与率为18.18%,不同年龄（x2=16.835,P<0.001）、教育程度（x2=7.954,P=0.022）、职业（x2=7.133,P=0.010）、职称（x2=8.582,P=0.010）、聘用方式（x2=15.768,P<0.001）、月收入（x2=16.155,P<0.001）、科室（x2=15.762,P<0.001）和工龄（x2=15.197,P<0.001）分组医护人员RPA参与率差异有统计学意义,聘用方式是RPA的主要影响因素（OR=2.641,P<0.001）。济南市三级甲等医院医护人员职业倦怠总的发生率为64.72%,RPA是医护人员职业倦怠的保护因素（OR=0.433,P<0.001）。 结论 济南市三级甲等医院医护人员RPA参与率较低且职业倦怠发生率较高,积极参与RPA有助于预防职业倦怠的发生。     

基于机器学习构建放射性碘治疗疗效的预测模型

目的 基于分化型甲状腺癌(DTC)患者的临床资料及放射学参数,通过机器学习算法构建放射性碘治疗(RAI)疗效的预测模型。 方法 选取2015年12月至2020年12月于山东大学第二医院核医学科接受RAI治疗的1 642例DTC患者为研究对象,在RAI治疗结束的6个月后评估其治疗疗效,筛选与疗效相关的核心特征进行机器学习建模。将研究对象按就诊时间(2019年7月)划分为训练集(n=973)和验证集(n=669),于训练集中利用Logistic、随机森林、支持向量机、Adaboost 4种方法进行模型构建,利用受试者工作特征曲线下面积(AUC)、灵敏度和特异度评估模型的性能,绘制校准曲线及决策曲线评估模型的准确度和临床受益性,并在验证集中评估模型外部稳定性。 结果 4种模型的预测性能较高,稳定性较好,预测精度和净收益高于目前临床常规应用的肿瘤-淋巴结-转移(TNM)分期和复发风险分层。Logistic模型表现最佳,其AUC在训练集中为0.827、验证集中为0.869。 结论 基于机器学习构建的术后RAI治疗疗效预测模型有较高的预测性能,由此构建的列线图可实现个体化精准预测。     

中介或混杂因素：是否应调整肥胖以估计三卤甲烷对甲状腺功能的影响

目的 探究肥胖以混杂因素还是中介因素在三卤甲烷对甲状腺功能的影响过程中发挥作用。方法 使用NHANES数据库中的横断面数据,分别使用加权秩和检验和χ²检验来比较连续变量和分类变量。对偏态分布的变量进行自然ln转换,根据ln转化浓度的四分位数分布对THM进行分类,引入有向无环图(directed acyclic graphs, DAGs)和Logisitic回归探讨肥胖的代理变量BMI在THM暴露与甲状腺功能的因果路径上发挥的潜在作用。结果 额外调整BMI(作为分类变量)前后对THM暴露与甲状腺功能的关联无显著影响;但依据肥胖与否进行分层分析时,在肥胖患者中观察到THM是TSH水平升高的危险因素。结论 考虑到对撞机偏倚,需要谨慎解释在肥胖分层分析中观察到的潜在异质性,以及谨慎考虑肥胖在THM研究作为混杂和/或中介进行额外分析的必要性。