青少年痛经与子宫内膜异位症的关系

子宫内膜异位症(endometriosis,EMs)是女性常见的妇科疾病,痛经、慢性盆腔痛及不孕是其主要临床表现.EMs的发病机制尚不清楚,但EMs相关暴露因素和发生、发展可贯穿女性一生,对女性生命健康造成严重的负面影响.痛经是青少年女性最常见的月经症状,EMs是青少年继发性痛经最常见的原因.青少年痛经与EMs的诊断密...     

轻度子宫内膜异位症诊断的研究进展

子宫内膜异位症(endometriosis,EMs)是一种常见的妇科疾病,可导致盆腔疼痛和不孕.轻度EMs(Ⅰ～Ⅱ期)约占EMs的80％,其病灶常为腹膜型/浅表型,常规的超声检查常无阳性发现.患者早期症状和体征隐匿,缺乏可应用于临床的特异性生物标志物,导致大部分轻度EMs患者诊断及治疗延迟,发展成中重度EMs,因此轻度...     

辅助生殖技术用于子宫内膜异位患者的治疗效果

子宫内膜异位症(EMs)是一种渐进性疾病,可引起性交痛、痛经、腰骶部疼痛及不孕。而治疗EMs方法包括外科手术、激素治疗及辅助生殖技术(ART)。 外科手术可通过腹腔镜诊断并切除可见的病灶;采用药物治疗是基于依赖激素的EMs的病灶,其目的降低血清雌激素水平至绝经期范围;ART是一种对有生育要求的EMs患者的治疗方法。一些研究显示体外受精(IVF)治疗EMs不孕和输卵管性不孕的妊娠成功率相近似。但有研究发现从EMs患     

机器学习对乳腺癌诊断应用现状研究进展

乳腺癌已经超越肺癌成为世界第一大癌症,同时也是女性患者中致死率最高的恶性肿瘤。随着乳腺癌诊疗技术的不断进步,早期乳腺癌患者的5年生存率可达95%,因此,乳腺癌早期筛查、诊断和治疗是其良好预后的关键。机器学习是人工智能(AI)领域极其重要的分支,由于计算机硬件的不断提升、深度学习算法的持续进步及海量乳腺癌临床数据的累积,使得机器学习在乳腺癌早期筛查、诊断及预后判断等领域发挥重要作用。本综述对机器学习在乳腺癌诊断领域中的研究及应用现状进行总结,以期为乳腺癌AI诊断提供新的方向和思路。以“机器学习”“深度学习”“人工智能”“乳腺癌诊断”为关键词,检索2016-01-01-2022-12-31 PubMed及中国知网相关文献。纳入标准：机器学习在乳腺癌X射线片诊断中的研究;机器学习在乳腺癌MRI诊断中的研究;机器学习在乳腺癌超声诊断中的研究;机器学习在乳腺癌病理诊断中的研究。排除标准：涉及乳腺癌AI诊断的著作、汇编及二次文献。最终纳入分析文献66篇。结果表明,机器学习在乳腺X射线片和乳腺超声领域的研究可以做到自动分割病灶、病灶特征的提取和分析,最终判别病灶的良恶性;而机器学习在乳腺MRI和乳腺...     

子宫内膜异位症所致卵巢功能改变与不孕的关系

子宫内膜异位症(EMs)是一种雌激素依赖性疾病,发病率高,可致盆腔疼痛、月经失调和不孕.EMs与不孕的关系相当复杂,EMs女性生殖过程的每个环节均被研究.从卵巢功能障碍着手,阐述EMs导致卵巢功能下降的原因.卵泡形成受损,卵泡质量差,卵巢的破坏,卵巢局部微环境改变,腹腔微环境改变均可引起卵巢功能的受损,从而引起生育功能障碍.因此,纠正病因、改变盆腔微环境对治疗EMs不孕有重要的作用.     

机器学习在肾结石诊断与成分分析中的应用综述

综述了机器学习在肾结石形成的危险因素分析及肾结石早期诊断与成分分析方面的应用现状,分析了机器学习在肾结石诊断与成分分析中应用的不足,指出了解决数据质量和规模、算法可解释性及安全性等问题,加强跨学科合作是未来的发展方向。     

凋亡与子宫内膜异位症研究进展

子宫内膜异位症（endometriosis,EMs）是一种常见的妇科良性疾病,在育龄妇女中的发病率为6％ ～ 10％,20％ ～ 50％不孕患者患有EMs[1].EMs发病机制尚不明确,研究发现凋亡在EMs的发生、发展中具有重要作用.EMs患者子宫内膜细胞凋亡减少伴随着凋亡抑制因子增加和凋亡促进因子减少.提示内膜细胞对凋亡的易感性降低.提高其在异常部位的生长能力,最终导致EMs的发生[2].现综述凋亡与EMs发病及治疗的研究现状.     

子宫内膜异位症临床近年认识

子宫内膜异位症(EMs)是一种极易漏诊的常见病和多发病.确诊EMs主要依靠腹腔镜检查,但妇科检查和盆腔超声也能提供一些有益的线索.EMs发病原因不明并易复发.治疗目的包括:减轻疼痛,增加妊娠可能性和延缓复发.随治疗目的不同应选择不同的治疗方法.可用于EMs的药物有促性腺激素释放激素激动剂、口服避孕药(OCs)、孕酮、雄激素类似物和芳香化酶抑制剂等.为避免相关的内分泌代谢副作用和最大程度上发挥疗效,可以选择不同的治疗时间、疗程和用药途径.孕酮类似物或丹那唑宫内缓释装置可能有助于简化治疗.     

长链非编码RNA与子宫内膜异位症关系的研究进展

长链非编码RNA（lncRNAs）是一类长度超过200个核苷酸,编码蛋白潜力较低的RNA。作为非编码RNA（ncRNAs）家族的重要成员,lncRNAs在许多重要的疾病中发挥着调控功能。子宫内膜异位症（EMs）是一种严重危害育龄期女性健康的妇科疾病,与lncRNAs关系密切。目前的研究发现,多种lncRNAs在EMs组织中存在着差异表达。进一步研究发现,lncRNAs与EMs发病的危险因素有关,也可以促进EMs的上皮间充质转化过程。同时,lncRNAs还参与对EMs细胞的增殖、迁移及细胞周期的调控,并影响EMs患者的生育能力。通过对患者血清及组织样本的筛选,学者们发现lncRNAs可以成为诊断EMs的分子标志物。现就lncRNAs与EMs关系的研究进展进行综述,以期为EMs的诊疗提供新的思路。     

长链非编码RNA与子宫内膜异位症关系的研究进展

长链非编码RNA(lncRNAs)是一类长度超过200个核苷酸,编码蛋白潜力较低的RNA。作为非编码RNA(ncRNAs)家族的重要成员,lncRNAs在许多重要的疾病中发挥着调控功能。子宫内膜异位症(EMs)是一种严重危害育龄期女性健康的妇科疾病,与lncRNAs关系密切。目前的研究发现,多种lncRNAs在EMs组织中存在着差异表达。进一步研究发现,lncRNAs与EMs发病的危险因素有关,也可以促进EMs的上皮间充质转化过程。同时,lncRNAs还参与对EMs细胞的增殖、迁移及细胞周期的调控,并影响EMs患者的生育能力。通过对患者血清及组织样本的筛选,学者们发现lncRNAs可以成为诊断EMs的分子标志物。现就lncRNAs与EMs关系的研究进展进行综述,以期为EMs的诊疗提供新的思路。     

时间序列分析与机器学习方法在预测肺结核发病趋势中的应用

目的研究时间序列分析与机器学习方法在预测肺结核发病趋势中的应用。方法使用江苏省2009-2018年肺结核月度发病率数据,构建时间序列分析(ARIMA模型)、机器学习方法(支持向量回归(SVR)、BP神经网络)和两者的组合方法(ARIMA-SVR、ARIMA-BPANN)共5种预测模型,分析评价各模型预测性能。结果 ARIMA、SVR、BP神经网络、ARIMA-SVR、ARIMA-BPANN均方误差分别为0.0356、0.0364、0.0384、0.0329、0.0336;平均相对误差分别为5.76%、6.19%、6.20%、5.63%、5.70%。结论时间序列分析优于机器学习方法,而二者组合模型预测效果优于单独方法,ARIMA-SVR模型在江苏省肺结核发病趋势预测分析中具有较好的应用价值。     

基于super learner算法的集成学习及其在纵向删失数据预测建模中的应用

目的 集成学习是近年来机器学习领域中被广泛应用的一种新的、用来提高学习精度的算法.本文旨在介绍基于superlearner算法的集成学习方法在纵向删失数据预测建模中的应用及其R语言实现.方法 本文介绍了su-per learner算法的基本原理及其在纵向删失数据建模中的应用,以及如何在R语言中实现该算法的建模.其次,应...     

极端学习机模型在衡水市乙肝月发病率预测中的应用

目的 探讨极端学习模型在衡水市乙肝月发病率预测中的应用,并与神经网络模型比较预测效果。方法 收集2005年1月 - 2017年7月衡水市乙肝月发病率资料,并组成具有151个数据的时间序列,随机选择75%的数据进行学习建模,剩余25%数据作为一步预测的检验数据,其次使用前147个数据作为学习数据,后4个数据作为四步预测的检验数据,并对2种模型的预测效果进行对比。结果 极端学习机学习的MRE为0.03,一步预测MRE为:0.04,四步预测RE分别为:2.8%、7.73%、20.15%、35.43%,神经网络学习的MRE为:0.06,一步预测MRE为0.07,四步预测RE分别为7.34%、22.14%、82.30%、38.86%。结论 极端学习机模型学习和预测效果优于神经网络,它可以提高预测的精度,具有较高的实用价值。     

临床预测模型中处理时依性变量的策略及进展

预测模型中考虑时依性变量可改善模型的总体表现,提高其临床应用价值。界标模型、联合模型等基于传统回归策略在处理时依性变量个数和适用情境等方面存在局限,神经网络等机器学习算法有望对其灵活处理。本文针对传统模型、机器学习算法,总结各自纳入时依性变量的建模思路,梳理各方法的适用场景,概括现有方法仍存在的问题,以期为未来预测建模处理时依性变量提供方法学启示。     

How do machine learning algorithms perform in predicting hospital choices? evidence from changing environments

Researchers have found that machine learning methods are typically better at prediction than econometric models when the choice environment is stable. We study hospital demand models, and evaluate the relative performance of machine learning algorithms when the choice environment changes substantially due to natural disasters that closed previously available hospitals. While machine learning algorithms outperform traditional econometric models in prediction, the gain they provide shrinks when patients’ choice sets are more profoundly affected. We show that traditional econometric methods provide important additional information when there are major changes in the choice environment.     

Genome-wide association study-based deep learning for survival prediction

Informative and accurate survival prediction with individualized dynamic risk profiles over time is critical for personalized disease prevention and clinical management. The massive genetic data, such as SNPs from genome-wide association studies (GWAS), together with well-characterized time-to-event phenotypes provide unprecedented opportunities for developing effective survival prediction models. Recent advances in deep learning have made extraordinary achievements in establishing powerful prediction models in the biomedical field. However, the applications of deep learning approaches in survival prediction are limited, especially with utilizing the wealthy GWAS data. Motivated by developing powerful prediction models for the progression of an eye disease, age-related macular degeneration (AMD), we develop and implement a multilayer deep neural network (DNN) survival model to effectively extract features and make accurate and interpretable predictions. Various simulation studies are performed to compare the prediction performance of the DNN survival model with several other machine learning-based survival models. Finally, using the GWAS data from two large-scale randomized clinical trials in AMD with over 7800 observations, we show that the DNN survival model not only outperforms several existing survival prediction models in terms of prediction accuracy (eg, c-index =0.76 ), but also successfully detects clinically meaningful risk subgroups by effectively learning the complex structures among genetic variants. Moreover, we obtain a subject-specific importance measure for each predictor from the DNN survival model, which provides valuable insights into the personalized early prevention and clinical management for this disease.     

A comparison of risk prediction methods using repeated observations: an application to electronic health records for hemodialysis

An increasingly important data source for the development of clinical risk prediction models is electronic health records (EHRs). One of their key advantages is that they contain data on many individuals collected over time. This allows one to incorporate more clinical information into a risk model. However, traditional methods for developing risk models are not well suited to these irregularly collected clinical covariates. In this paper, we compare a range of approaches for using longitudinal predictors in a clinical risk model. Using data from an EHR for patients undergoing hemodialysis, we incorporate five different clinical predictors into a risk model for patient mortality. We consider different approaches for treating the repeated measurements including use of summary statistics, machine learning methods, functional data analysis, and joint models. We follow up our empirical findings with a simulation study. Overall, our results suggest that simple approaches perform just as well, if not better, than more complex analytic approaches. These results have important implication for development of risk prediction models with EHRs. Copyright © 2017 John Wiley & Sons, Ltd.     

A Naive Bayes machine learning approach to risk prediction using censored,time‐to‐event data

Predicting an individual's risk of experiencing a future clinical outcome is a statistical task with important consequences for both practicing clinicians and public health experts. Modern observational databases such as electronic health records provide an alternative to the longitudinal cohort studies traditionally used to construct risk models, bringing with them both opportunities and challenges. Large sample sizes and detailed covariate histories enable the use of sophisticated machine learning techniques to uncover complex associations and interactions, but observational databases are often ‘messy’, with high levels of missing data and incomplete patient follow‐up. In this paper, we propose an adaptation of the well‐known Naive Bayes machine learning approach to time‐to‐event outcomes subject to censoring. We compare the predictive performance of our method with the Cox proportional hazards model which is commonly used for risk prediction in healthcare populations, and illustrate its application to prediction of cardiovascular risk using an electronic health record dataset from a large Midwest integrated healthcare system. Copyright © 2015 John Wiley & Sons, Ltd.     

基于机器学习的CatBoost模型在预测重症手足口病中的应用

目的 通过机器学习算法,探究CatBoost模型在预测重症手足口病（HFMD）中的应用价值。方法 收集郑州市某医院2014年1月-2017年6月住院部诊治的2 983例HFMD患儿,使用R 3.4.3软件进行数据分析,构建CatBoost模型和其他普通模型,评估CatBoost模型的预测性能。结果 最终构建的CatBoost模型,预测正确率可达87.6%,人工神经网络模型位居第二（83.8%）,其他（决策树、支持向量机、logistic回归、贝叶斯网络）模型预测正确率<80%。CatBoost算法模型ROC曲线下面积、灵敏度、特异度均高（分别为0.866、80.80%、92.33%）,其中居前3位的预测变量依次为呕吐、肢体抖动和病原学结果。结论 CatBoost模型可以用于预测重症HFMD,相比于其他传统算法,具有较高的预测正确率和诊断价值。