基于CT图像的影像组学特征鉴别肾透明细胞癌与血管平滑肌脂肪瘤

目的基于CT图像的影像组学特征分析鉴别肾透明细胞癌和血管平滑肌脂肪瘤。方法选取经手术病理证实的110例透明细胞癌患者及28例血管平滑肌脂肪瘤患者的术前增强CT扫描图像,采用ITK-SNAP软件逐层手工勾画整个病灶,通过Pyradiomcs软件获得病灶内影像组学特征进行统计学分析,绘制受试者工作特征(ROC)曲线筛选出对鉴别两者性能较好的特征参数。结果共筛选出29组诊断性能较好的参数,包括一阶特征(n=16)、形态特征(n=1)、灰度共生矩阵特征(n=7),灰度相关矩阵特征(n=2),灰度运行长度矩阵特征(n=3),其诊断两者的特异性、敏感度、准确率均较高。结论基于增强CT图像的影像组学特征参数对于鉴别肾透明细胞癌和血管平滑肌脂肪瘤有较好的诊断效能。     

利用超声图像纹理特征鉴别甲状腺实性结节良恶性的研究

目的利用灰度共生矩阵法提取B超图像上甲状腺实性结节病灶区的纹理特征值,并建立Logistic预测模型,并探讨该模型在鉴别甲状腺实性结节良恶性中的可行性。方法收集经手术证实的甲状腺实性结节患者临床资料,从其超声图像中提取结节区域灰度共生矩阵纹理特征值,并将该特征值作为自变量,结节的良恶性作为因变量拟合Logistic预测模型。利用10折交叉验证对预测模型进行效果评价,并绘制ROC曲线。结果 Logistic回归模型对甲状腺实性结节良恶性预测的准确率为82%,ROC曲线下面积(AUC)为0.89。结论利用甲状腺实性结节病灶超声图像灰度共生纹理特征值建立的二分类Logistic回归模型能够对甲状腺实性结节的良恶性做出较准确的判断。     

基于CT影像组学鉴别乏脂肪型肾血管平滑肌脂肪瘤与肾透明细胞癌

目的 通过构建CT影像组学的Logistic回归模型鉴别乏脂肪型肾血管平滑肌脂肪瘤(fp-AML)与肾透明细胞癌(RCC)。方法 选取并分析经病理证实的22例fp-AML和62例RCC患者,进行三期CT扫描(平扫期,UP;皮质期,CMP;髓质期,NP)。在ITK软件上勾画整个肿瘤的感兴趣区。在A. K．软件上通过影像组学特征选择,构建UP组、CMP组和NP组三个Logistic回归模型。通过ROC曲线来评估其诊断效能。结果 常规CT分析显示fp-AML相对年轻,而RCC病灶易出现瘤肾界面成角征、囊变、假包膜特征。影像组学分析显示,UP组Logistic回归预测模型在训练集中曲线下面积(AUC)为0.950,测试集为0.917; CMP的AUC分别为0.839及0.827; NP组的AUC分别为0.840及0.865。三组比较UP组AUC,敏感性及特异性分别为0.941,90.3%,90.9%,优于CMP组及NP组。结论 基于CT影像组学的Logistic回归模型有助于鉴别fp-AML和RCC,平扫期鉴别效能较优。     

基于CT影像组学结合临床影像特征预测局部晚期鼻咽癌诱导化疗疗效

目的:探讨基于增强CT的影像组学结合临床影像特征的列线图在预测局部晚期鼻咽癌(LA-NPC)患者诱导化疗(ICT)疗效中的价值。方法:回顾性分析2014年7月至2022年3月178例LA-NPC(Ⅲ、Ⅳ期)患者的临床及CT图像资料，以7:3随机将患者分为训练组(n=125)和测试组(n=53)。采用3D-Slicer勾画容积感兴趣区(VOI)并用Pyradiomics包提取特征。使用单-多因素Logistic回归选择临床预测因子。采用最小绝对收缩与选择算法(LASSO)筛选组学特征，最后通过多变量Logistic回归构建临床、影像组学及联合模型，并绘制列线图。以受试者工作特征曲线(ROC)的曲线下面积(AUC)评估和比较三种模型的预测效能。应用决策曲线(DCA)观察列线图的临床净获益。结果:Logistic回归分析结果显示T分期(OR=0.45,P=0.004)、癌灶强化程度(OR=2.706,P=0.038)、血小板/淋巴细胞比值(PLR)(OR=0.289,P=0.024)是ICT疗效的临床预测因子，基于以上3者构建临床模型。基于22个与ICT疗效显著相关的组学特征构建影像组学模型...     

影像组学特征对肺纯磨玻璃结节侵袭性腺癌与 非侵袭性腺癌的鉴别价值

目的研究影像组学特征对肺纯磨玻璃结节（pGGN）侵袭性腺癌与非侵袭性腺癌的鉴别价值。方法回顾性分析2011年7月-2016年7月间156例经手术病理证实为肺腺癌且存在pGGN的病人资料,其中男65例,女91例,年龄37~81岁（中位年龄56岁）。经手术病理证实,非侵袭性腺癌60例（包括非典型腺瘤样增生28例,原位癌32例）,侵袭性腺癌96例（包括微浸润腺癌53例,浸润性腺癌43例）。应用图像分析软件ImageJ1.50b提取4大类共68个影像组学特征,采用线性回归对所有影像组学特征进行共线性诊断,将不存在共线性的影像组学特征（54个）作为独立参数来预测pGGN的病理侵袭性。采用二元logistic回归分析建立影像组学特征与pGGN病理类型之间的预测模型,采用向后步进方法选取最佳定量特征,当定量特征P<0.05时纳入模型,当定量特征P>0.10时剔除模型。采用受试者操作特征（ROC）曲线对模型进行分析,并评价影像组学特征预测pGGN病理侵袭性的效能。结果二元logistic回归模型从54个影像组学特征中筛选出8个具有统计学意义的影像组学特征（P<0.05）,其中描述肿瘤大小的特征2个（面积和周长）,描述肿瘤形态的特征2个（椭圆长轴和椭圆短轴）,描述肿瘤灰度直方图的特征3个（众数、最大灰度值和直方图峰度）,描述肿瘤纹理的特征1个（灰度共生矩阵熵值）。基于此模型建立的ROC曲线分析显示,曲线下面积（AUC）=0.951（95%CI：0.918~0.985）,诊断的敏感度和特异度分别为94.8%和86.7%。结论影像组学特征对鉴别肺pGGN侵袭性腺癌与非侵袭性腺癌有较高的价值,并具有良好的诊断效能。      

基于MRI征象及影像组学的列线图预测腮腺良性与恶性肿瘤的价值

目的建立并验证基于MRI征象和影像组学的列线图鉴别腮腺良性与恶性肿瘤的效能。方法回顾性收集2015年1月至2020年5月青岛大学附属医院86例经手术病理证实的腮腺肿瘤患者为训练集, 收集2013年1月至2020年1月香港大学深圳医院35例患者为独立外部验证集。采用logistic回归基于临床及MRI征象建立临床诊断模型。基于术前平扫T1WI和预饱和脂肪抑制T2WI(fs-T2WI)进行影像组学特征提取, 建立影像组学诊断模型。基于影像组学评分及临床诊断模型, 通过logistic回归建立影像组学+临床联合诊断模型及列线图。采用受试者操作特征(ROC)曲线评价各模型诊断腮腺良性与恶性肿瘤的效能, ROC曲线下面积(AUC)的比较采用DeLong检验。结果 Logistic回归结果显示, 腮腺深叶受累(OR值为3.285, P=0.040)和周围组织结构侵犯(OR值为15.919, P=0.013)是腮腺恶性肿瘤的独立影响因素, 将二者构建临床诊断模型。基于平扫T1WI和fs-T2WI, 共提取19个特征构建影像组学诊断模型。联合影像组学评分以及腮腺深叶受累、周围组织结构侵犯2个常规影像学...     

MRI多模态影像组学鉴别肝细胞肝癌与肝富血供良性病变的应用价值

目的:探讨基于T₂WI、DWI的影像组学鉴别肝细胞肝癌(HCC)与肝富血供良性病变(BLLs)的价值。方法:回顾性收集114例经病理证实为HCC(n=77)、血管瘤(n=23)、肝局灶性结节样增生(n=8)、肝血管平滑肌脂肪瘤(n=4)、肝脓肿(n=2)患者的临床与影像资料,所有患者均在术前行3.0T MRI增强检查。利用ITK-SNAP软件勾画病灶,通过最小绝对收缩和选择算子回归以及最小冗余最大相关筛选影像组学特征,计算影像组学分数(Rad-score),使用多元logistic回归算法构建预测模型。绘制受试者工作特性(ROC)曲线评估预测模型的效能,并与两位不同年资影像医生的诊断结果进行比较。结果:筛选得到5个T₂WI特征、6个DWI特征,计算Rad-score,结合3个临床独立预测因子(年龄、性别、病灶位置)用于建立诺模图。与临床预测模型、影像组学模型相比,诺模图模型在训练集、测试集中显示出较高的诊断效能,AUC分别为0.988、0.955,敏感度分别为0.981、0.958,特异度分别为0.923、0.727,准确度分别为0.962、...     

基于MRI征象及影像组学的列线图预测腮腺良性与恶性肿瘤的价值

目的建立并验证基于MRI征象和影像组学的列线图鉴别腮腺良性与恶性肿瘤的效能。方法回顾性收集2015年1月至2020年5月青岛大学附属医院86例经手术病理证实的腮腺肿瘤患者为训练集,收集2013年1月至2020年1月香港大学深圳医院35例患者为独立外部验证集。采用logistic回归基于临床及MRI征象建立临床诊断模型。基于术前平扫T1WI和预饱和脂肪抑制T2WI(fs-T2WI)进行影像组学特征提取,建立影像组学诊断模型。基于影像组学评分及临床诊断模型,通过logistic回归建立影像组学+临床联合诊断模型及列线图。采用受试者操作特征(ROC)曲线评价各模型诊断腮腺良性与恶性肿瘤的效能,ROC曲线下面积(AUC)的比较采用DeLong检验。结果Logistic回归结果显示,腮腺深叶受累(OR值为3.285,P=0.040)和周围组织结构侵犯(OR值为15.919,P=0.013)是腮腺恶性肿瘤的独立影响因素,将二者构建临床诊断模型。基于平扫T1WI和fs-T2WI,共提取19个特征构建影像组学诊断模型。联合影像组学评分以及腮腺深叶受累、周围组织结构侵犯2个常规影像学特征建立联合诊断模型及列线图。临床诊断模型、影像组学诊断模型、联合诊断模型在训练集和验证集中诊断腮腺良性与恶性肿瘤的AUC分别为0.758、0.951、0.953和0.752、0.941、0.964。在训练集和验证集中,影像组学诊断模型、联合诊断模型的AUC均高于临床诊断模型(训练集:Z=3.95、4.31,P均<0.001;验证集:Z=2.16、2.67,P=0.031、0.008),影像组学诊断模型、联合诊断模型间AUC差异无统计学意义(训练集:Z=0.39,P=0.697;验证集:Z=1.10,P=0.273)。结论本研究所建立的MRI影像组学模型以及由腮腺深叶受累、周围组织结构侵犯、MRI影像组学特征组成的联合诊断模型,能有效鉴别腮腺良恶性肿瘤,具有较高的预测效能。     

ＣＴ灰度直方图对实性肺结节的鉴别诊断价值

目的:探讨CT灰度直方图对实性肺结节良恶性的鉴别诊断价值.方法:回顾性分析经组织病理学或临床随访证实的110例实性肺结节患者的CT图像,其中恶性55例,良性55例.选取肺结节最大CT平扫轴面图像勾画感兴趣区并采用Matlab软件生成灰度直方图.采用Mann-Whitney U检验比较良恶性结节灰度直方图参数的差异.建立ROC曲线并以组织病理学或临床随访结果为依据计算曲线下面积(AUC).使用最佳临界值评价灰度直方图诊断良恶性肺结节的敏感度、特异度、准确度、阳性预测值及阴性预测值.结果:恶性结节的偏度(0.281±0.181)大于良性结节(-0.592±0.194),差异有统计学意义(P＜0.001);恶性结节的峰度(2.786±0.252)小于良性结节(3.553±0.331),差异有统计学意义(P＜0.05),两者的ROC曲线下最大面积分别为0.894和0.996.使用最佳临界值标准,峰度和偏度鉴别诊断肺结节良恶性的敏感度分别为0.982、0.946,特异度分别为1.000、0.764,准确度分别为0.990、0.845,阳性预测值分别为1.000、0.797,阴性预测值分别为0.982、0.913.结论:CT灰度直方图可作为肺结节良恶性鉴别诊断的重要辅助手段.     

颅内胶质瘤MRI影像组学评估颅内高级别与低级别胶质瘤

目的:探讨MRI影像组学在颅内胶质瘤术前分级评估中的应用价值,提高MRI对颅内胶质瘤的诊断效能.方法:回顾分析58例经病理证实的颅内胶质瘤患者的MRI资料,使用Matlab软件提取病灶特征并使用Lasso软件(R语言3.4.0版)进行降维处理,降维后的特征再进行Logistic多元回归相关性分析,从而筛选出具有诊断价值且与肿瘤级别显著相关的影像组学特征,运用受试者工作特征(ROC)曲线对特征参数的诊断效能进行分析.结果:DWI序列降维后经Logistic多元回归分析筛选出影像组学相关特征为:均值(P=0.04)、RMS(P=0.04)、Percentile 65(P=0.023)、Percentile-70(P=0.03)和Percentile-75 (P=0.009).DWI提取特征中Percentile-75对高、低级别胶质瘤的诊断效能最高,ROC曲线下面积(AUC)为0.793.T2 WI序列及T1 WI增强序列未筛选出与肿瘤分级相关的参数.在热力图上DWI序列Percentile-75特征与肿瘤分级的相关性较明显.结论:在T2 WI、DWI和T1WI增强三个序列中,DWI序列对高低级别胶质瘤的鉴别效能较高,该序列上所筛选的特征参数中以Percentile-75的诊断价值最高.     

MRI影像组学对早期口腔舌鳞状细胞癌隐匿性颈淋巴结转移的预测价值

目的:探讨基于术前常规MRI的影像组学对早期口腔舌鳞状细胞癌（OTSCC）隐匿性颈淋巴结转移的预测价值。方法:回顾性收集2015年1月至2019年12月上海交通大学医学院附属第九人民医院77例早期OTSCC患者（临床分期cT1~2N0M0）的术前MRI数据。所有患者均行原发灶切除及选择性颈淋巴结清扫术,且具有术后淋巴结...     

联合多种MRI参数预测肝内肿块型胆管细胞癌分化程度的研究

目的探讨联合多种MRI参数在术前判断肝内肿块型胆管细胞癌(IMCC)病理分化程度的价值。方法回顾性分析34例经手术病理证实为IMCC的病人的临床、病理、MRI资料。将病人分为高中分化组(19例)和低分化组(15例),采用t检验或χ^2检验比较2组在MRI表现、平均ADC值(ADCmean)等方面的差异,采用Logistic回归模型分析多参数联合的预测效能并绘制受试者操作特征(ROC)曲线。结果2组间病灶最大径、形状、坏死、包膜皱缩差异均无统计学意义(P>0.05);而2组间淋巴结转移情况、强化方式、ADCmean值的差异有统计学意义(分别为χ^2=5.536,P=0.019;χ^2=9.293,P=0.002;t=3.477,P<0.001)。将淋巴结转移、强化方式及ADCmean纳入Logistic回归模型,3个指标联合预测IMCC分化程度具有较高的准确性,ROC曲线下面积0.861,敏感度80.0%,特异度73.7%。结论淋巴结转移、强化方式及ADCmean是术前预测IMCC分化程度的独立危险因素,联合应用可提高预测效能。     

超声影像组学标签预测三阴性乳腺癌的价值

目的 探讨基于常规超声的影像组学标签在术前诊断三阴性乳腺癌(TNBC)的价值.资料与方法 回顾性连续收集230例经手术病理证实的肿块型浸润性乳腺癌患者的临床资料和术前超声图像,按照1:2随机抽样选取TNBC与非TNBC共102例患者纳入本研究.按超声检查时间顺序,将患者分为训练组66例和验证组36例.通过ImageJ软...     

CT影像组学模型对甲状腺良恶性结节的鉴别价值

目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例,恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组(143例)与测试组(36例),采用A.K软件基于术前CT图像提取378个影像组学特征,后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选,16个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.92(95%可信区间:0.88~0.97),灵敏度和特异度分别为88.7%、82.0%,诊断准确率91.1%;测试组中AUC为0.90(95%可信区间:0.81~0.98),灵敏度和特异度分别为88.5%、84.6%,诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。     

基于黑质铁沉积的QSM影像组学在帕金森病诊断中的价值研究

目的 应用影像组学纹理分析探讨定量磁敏感图(QSM)在帕金森病(PD)诊断中的价值.方法 58例PD确诊患者及28名健康对照者(HC)均进行QSM检查,将QSM数据进行后处理,然后导入软件并手动勾画感兴趣区(ROI),再对ROI进行纹理特征提取.每例受检者提取1132个纹理特征,降维后筛选出对PD诊断贡献较大的少数特征...     

CT影像组学预测局部进展期直肠癌新辅助治疗的效果

目的探讨CT影像组学在治疗前预测局部进展期直肠癌新辅助治疗效果的价值。资料与方法回顾性分析168例新辅助治疗后行根治术的局部进展期直肠癌患者,收集治疗前临床及CT资料,根据术后病理肿瘤退缩分级分组。采用A.K.软件提取CT影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选疗效预测因子并构建诺莫图模型。利用ROC曲线评价模型诊断效能,并对模型进行内部验证、校准度评价及临床应用价值分析。结果每例患者各提取了396个CT影像组学特征,降维后筛选出6个与局部进展期直肠癌新辅助治疗效果高度相关的特征。联合独立预测因子影像组学标签、癌胚抗原≥3.4 ng/ml和临床T分期(cT4)构建的诺莫图模型ROC曲线下面积(0.881)高于影像组学标签(0.791),且具有较高的校准度、内部验证一致性及临床应用价值(P>0.05)。结论基于治疗前CT及临床资料构建的模型对局部进展期直肠癌新辅助治疗效果预测具有较高的预测效能,且联合预测模型的预测效能优于影像组学标签。     

基于CCTA的冠状动脉周围脂肪组织影像组学特征预测急性冠状动脉综合征

目的 评估基于冠状动脉CT血管成像（CCTA）的冠状动脉周围脂肪组织（PCAT）影像组学特征对疑似冠心病病人2年内发生急性冠状动脉综合征（ACS）的预测能力。方法 回顾性收集接受CCTA检查的疑似冠心病病人,将CCTA检查后2年内发生ACS的病人作为ACS组（81例）,2年内未发生ACS的疑似冠心病病人作为对照组（81例）。ACS组年龄44~85岁,平均（64.01±10.09）岁,男57例;对照组年龄39~89岁,平均（62.91±10.11）岁,男56例。将2组病人随机以 3∶1 的比例分为训练集（ACS组60例,对照组60例）和验证集（ACS组21例,对照组21例）。筛选基于CCTA的PCAT影像组学特征,采用多因素Logistic回归分析构建PCAT影像组学评分模型,并基于PCAT影像组学特征中的CT密度值建立PCAT密度模型。采用DeLong检验比较不同数据集中2个模型的诊断效能差异。采用受试者操作特征（ROC）曲线、校准曲线及决策曲线比较2种模型的预测效能。结果 训练集和验证集中,ACS组和对照组病人的临床资料间差异均无统计学意义（均P>0.05）。从基于CCTA影像所示的冠状动脉斑块周围PCAT共提取107个影像组学特征,最终筛选出21个最优影像组学特征,包括形态学特征5个、直方图特征1个、纹理特征15个,采用Logistic回归分析构建PCAT影像组学评分模型。基于提取的PCAT组学特征中平均 CT密度值构建PCAT密度模型。2种模型预测2年内发生ACS事件的诊断效能分析显示,PCAT 影像组学评分模型在训练集及验证集中的曲线下面积（AUC）（AUC=0.841,0.839） 均高于PCAT 密度的AUC（AUC=0.603,0.588）。训练集中,PCAT影像组学评分的诊断效能优于PCAT密度模型（P<0.05）,并在验证集中得到验证（P<0.05）。PCAT影像组学评分对发生ACS事件的预测结果与实际结果一致性高于PCAT密度。PCAT影像组学评分的临床应用价值显著优于PCAT 密度。结论 基于CCTA 的PCAT影像组学特征可为ACS事件的发生提供更多的预测信息。PCAT 影像组学评分对2年内发生ACS事件的预测能力显著优于PCAT 密度。     

基于T2WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润

目的:探讨基于T₂WI和增强MRI影像组学列线图对宫颈鳞癌淋巴脉管间隙浸润(LVSI)的预测价值。方法:将92例经术后病理证实的宫颈鳞癌患者纳入研究,并按7:3的比例随机分为训练集(66例)和验证集(26例)。所有患者术前行MRI检查,在横轴面T₂WI和对比增强T₁WI(T1CE)上选取病灶最大层面沿肿瘤边缘勾画ROI,应用AK软件提取影像组学特征。采用mRMR和LASSO回归分析对提取的纹理特征进行初步筛选,然后进行多因素logistic回归分析,构建影像组学模型。使用单因素logistic回归分析筛选临床病理危险因素,并使用多因素logistic回归结合影像组学评分(Radscore)构建影像组学列线图。应用ROC曲线评估影像组学模型、临床病理危险因素模型和影像组学列线图模型的预测能力,并应用决策曲线分析评估影像组学列线图的临床应用价值。结果:在T₂WI和T1CE图像上分别提取病灶的396个影像组学特征,最终筛选出14个具有最大诊断效能的纹理特征。使用多因素logistic回归构建包含FIGO分期、分化程度和Radscore的影像组学列线图。影像组学列线图的预测效能优于临床病理危险因素模型(训练集中,AUC:0.96 vs.0.70;Delong检验:Z=4.04,P=5.415e-05;验证集中,AUC:0.87 vs.0.71;delong检验:Z=1.24,P=0.02)。决策曲线分析显示风险阈值为0.01~1.00时使用影像组学列线图对预测宫颈鳞癌LVSI情况的临床应用价值较大。结论:基于双序列MRI构建的影像组学列线图对宫颈鳞癌LVSI情况有较好的预测能力,可作为一种术前评估的无创性影像学生物标志。     

脑卒中患者伴发股骨颈骨折的危险因素分析

目的分析脑卒中患者股骨颈骨密度值及相关临床资料,探讨脑卒中患者伴发股骨颈骨折的危险因素。方法回顾性分析2017年1月-2019年8月湘雅二医院和湖南省人民医院收治的脑卒中患者163例。男性114例,女性49例。年龄46~89岁,平均66.4岁。按是否伴股骨颈骨折分为单纯脑卒中组(A组,n=126)和脑卒中伴股骨颈骨折组(B组,n=37)。分别记录两组患者年龄、性别、病程、BMI等资料。先单因素方法分析A组和B组在上述指标的差异,再分析股骨颈骨密度值(双能X线法测量)特征,最后采用Logistic回归分析筛选脑卒中患者并发股骨颈骨折的危险因素,建立回归模型并绘制ROC曲线。结果单因素分析显示,年龄、病程、吸烟、下肢运动分期、股四头肌痉挛、卒中后跌倒次数、BMI及认知评分差异可能与脑卒中患者发生股骨颈骨折有关(P<0.05)。股骨颈骨密度值:B组健侧低于A组健侧(P<0.001);A组男性和女性的患侧均低于健侧(P<0.001);A组女性双侧及B组女性健侧均低于男性(P<0.05)。Logistic回归分析显示,年龄(OR=1.155,P<0.001)、性别(OR=2.895,P=0.046)、BMI(OR=1.447,P<0.001)、下肢运动分期(OR=0.082,P=0.010;OR=0.656,P=0.482)及跌倒次数(OR=3.017,P<0.001)是脑卒中患者并发股骨颈骨折的危险因素。模型预测的灵敏度为64.9%,特异度为92.9%,准确率为86.5%。HosmerLemeshow检验显示χ2=6.100,P=0.636。ROC曲线下面积为0.909(P<0.001),提示拟合优度非常好。结论跌倒次数增加是脑卒中患者发生股骨颈骨折的首要危险因素,高龄、女性、高BMI及下肢运动分期低下是次要危险因素。