基于机器学习算法的小于胎龄儿风险预测

  目的  评价极端梯度提升(extreme gradient boosting, XGBoost)、支持向量机(support vector machine, SVM)和朴素贝叶斯等6种机器学习模型与传统logistic回归分析模型对小于胎龄儿(small for gestational age, SGA)的预测效能。  方法  选取2012年3月―2016年9月在山西医科大学第一医院产科住院分娩的9 972例孕妇作为研究对象,采用问卷调查及从医院信息系统收集数据。依据分娩结局分为SGA组(n=1 124)与非SGA组(n=8 848),按7.50∶2.50比例划分训练集与测试集。采用多因素logistic回归模型筛选危险因素,基于XGBoost、SVM、朴素贝叶斯、梯度提升决策树(gradient boosting decision tree, GBDT)、K最近邻(k-nearest neighbor, KNN)算法及传统logistic回归分析模型方法分别建立预测模型,使用受试者工作特征曲线的曲线下面积(area under the curve, AUC)、准确率和精确度等指标比较预测性能。  结果  Logistic回归模型结果显示,妊娠期高血压和子痫等7项变量是SGA的影响因素。将以上因素纳入预测模型,SVM算法构建的预测模型效能最佳,AUC达0.72,模型准确率为71%。传统logistic回归分析模型表现欠佳,AUC为0.71,准确率为66%。  结论  基于机器学习算法尤其是SVM算法建立的SGA风险预测模型具有较好的效能,能够有效预测山西省SGA的发生,为实现SGA的一级预防提供参考。     

机器学习在非酒精性脂肪肝预测中的应用

非酒精性脂肪肝(nonalcoholic fatty liver disease, NAFLD)是全球最常见的慢性肝病,普通成人NAFLD患病率在6.3%～45%,我国大陆一般人群中患病率为29.81%,在肥胖和2型糖尿病人群中发病率更高,会高达90%。通过运用典型机器学习算法来构建非酒精性脂肪肝的风险预测模型,在肝病研究领域中是比较先进的。本文所归纳的7种典型机器学习算法在数据挖掘领域中是比较成熟且稳定的,在各项数据研究当中,基于预测结果的准确率,验证了各个模型的有效性和可行性,为脂肪肝疾病预测提供了基于数据科学的研究方法。     

200例儿童咬指甲症心理治疗与分析

咬指甲症是儿童常见的不良习惯,国外报告在青少年中45％有咬指甲现象,在7～10岁儿童中占28％～33％。国内在儿科门诊中,常有患者前来就诊或咨询。本文就积累的200例儿童咬指甲症患者进行心理治疗的情况报告如下。     

基于机器学习技术新冠疫情下中国北方地区医生情绪化进食行为预测模型构建

目的 构建新型冠状病毒感染疫情（简称新冠疫情）下中国北方地区医生情绪化进食行为预测模型,为改善医生健康膳食模式提供科学依据。方法 于2022年5—8月采用随机抽样方法在中国北方地区黑龙江、辽宁、吉林、河北、山东、山西、北京、天津8个省（直辖市）抽取39家新冠疫情定点收治医院共2 316名医生进行一般情况调查表、工作家庭冲突量表、大五人格量表及情绪化进食量表调查,基于机器学习技术建立深度神经网络模型预测新冠疫情下医生情绪化进食行为的因素。结果 2 094名医生有效完成问卷调查,情绪化进食行为总分为（51.48±17.37）分,其中愤怒情绪进食、焦虑情绪进食、抑郁情绪进食和积极情绪进食得分为（11.31±4.07）、（16.72±7.56）、（11.02±3.24）和（12.43±4.27）分;基于机器学习技术构建了一个结构为21–19–14–9–1的医生情绪化进食行为预测的深度神经网络模型,该模型的R2、MAE、MSE和RMSE值分别为0.926、0.039、0.003和0.056;此模型预测结果显示,新冠疫情下中国北方地区医生情绪化进食行为的前5位重要因素依次为饮酒、工作家庭冲突、营养...     

基于机器学习算法的大于胎龄儿风险预测模型

目的 开发和验证基于机器学习算法的孕期大于胎龄儿（LGA）风险预测模型,并比较其与传统逻辑回归方法建模的性能差异。方法 研究对象来自\"中国免费孕前优生健康检查项目\",于2010-2012年在全国31个省市的220个县开展,覆盖全部农村计划妊娠夫妇,本研究选取分娩新生儿胎龄在24~42周内,单胎活产的所有育龄期夫妇及其新生儿为研究对象。应用10种机器学习算法分别建立LGA预测模型,评估模型对LGA的预测性能。结果 最终纳入104 936名新生儿,男婴54 856例（52.3%）,女婴50 080例（47.7%）,LGA的发生率为11.7%（12 279例）。经过下采样数据平衡处理后,机器学习方法建立模型的整体效能出现明显提高,其中以CatBoost模型在预测LGA风险方面表现最佳,模型的受试者工作特征曲线的曲线下面积（AUC）为0.932;逻辑回归模型表现最差,AUC仅为0.555。结论 与传统的逻辑回归方法相比,通过机器学习算法可建立更有效的孕期LGA风险预测模型,具有潜在的应用价值。     

基于机器学习的儿童阻塞性睡眠呼吸暂停诊断方法

目的 建立一个机器学习模型,利用夜间心率和血氧数据来诊断儿童阻塞性睡眠呼吸暂停（OSA）。方法 使用3150名疑似患有OSA的儿童的多导睡眠图数据构建训练集和测试集,利用年龄、性别、体重指数、3%氧减指数、最低血氧饱和度指数和平均血氧饱和度指数作为诊断特征,使用机器学习算法CatBoost建立诊断模型。结果 诊断模型在呼吸暂停低通气指数≥5和呼吸暂停低通气指数≥10的分类任务中,分类准确率分别为85.67%和89.81%,曲线下面积AUC值分别为0.84和0.87,表现优于线性判别分析模型。结论 本研究提供了一种利用机器学习模型诊断儿童OSA的方法。这种方法减少了诊断所需的信号数量,并展现出较高的可靠性。     

基于机器学习的脑卒中风险预测模型比较研究

目的：探讨多种机器学习预测模型对脑卒中发病风险的评估效果。方法：选取2013年1月1日—2017年12月31日参与“北京健康管理队列”的体检人群作为研究对象,基线人群共计56 017例。比较研究对象脑卒中发病与未发病人群之间基本人口学信息、代谢异常相关指标的差异,选用经典决策树模型、多层感知器模型、卷积神经网络模型开展模型构建,并与多因素logistic回归分析模型进行比较。结果：各模型分析结果均显示年龄、收缩压、腰围、身体质量指数为脑卒中发病的影响因素;多因素logistic回归分析模型、经典决策树模型、多层感知器模型、卷积神经网络模型的准确率分别为0.978、 0.985、 0.988、0.996。结论：代谢异常指标中的腹型肥胖、血压升高、低密度脂蛋白胆固醇降低、血糖升高均是脑卒中发病的潜在危险因素;经典决策树模型、多层感知器模型、卷积神经网络模型3种机器学习模型较多因素logistic回归分析模型预测性能更优,其中卷积神经网络模型的准确率最为良好,多层感知器模型的特异度最为良好。     

儿童利用不同特质信息预测他人行为

目的考察与分析5岁、7岁儿童和成人时不同特质的稳定性信念,从而为儿童理解不同特质的可能策戎提供可靠的依据。方法采用传统行为预测研究的情景故事法,并结合“行为-类型-行为”的特质推理研究范式,进行个别施测。结果相关样本t检验表明,尽管儿童对物质属性的稳定性信念的形成早于特质属性,但对两者稳定性的理解都随年龄增长而不断增强。此外,儿童能区别对待不同特质,他们认为内部状态（能力和身体属性）比意图更稳定。结论相对于社会属性,儿童更早理解物质属性且采取了相似性的推理策略;在社会属性中,儿童依据不同的推理来理解意图、身体属性和身体能力这几种特质。     

儿童利用不同特质信息预测他人行为

目的考察与分析5岁、7岁儿童和成人对不同特质的稳定性信念,从而为儿童理解不同特质的可能策略提供可靠的依据。方法采用传统行为预测研究的情景故事法,并结合"行为—类型—行为"的特质推理研究范式,进行个别施测。结果相关样本t检验表明,尽管儿童对物质属性的稳定性信念的形成早于特质属性,但对两者稳定性的理解都随年龄增长而不断增强。此外,儿童能区别对待不同特质,他们认为内部状态(能力和身体属性)比意图更稳定。结论相对于社会属性,儿童更早理解物质属性且采取了相似性的推理策略;在社会属性中,儿童依据不同的推理来理解意图、身体属性和身体能力这几种特质。     

基于机器学习的老年人高脂血症风险预测

目的 探究机器学习方法对老年人高脂血症的预测价值,并从中分析老年人高脂血症的危险因素。方法 采用分层随机整群抽样方法抽取潍坊市9个县市区27个社区5 759位60岁及以上老年人,并收集这些老年人在2020年度的健康体检资料,排除缺失或异常资料,最终将4 534位老年人纳入研究。将这些老年人按照7∶3的比例随机划分为训练集和验证集,并采用单因素分析筛选出10个显著性变量,用于构建支持向量机、决策树、XGBoost、CATBoost和LightGBM风险预测模型,随后采用AUC(ROC曲线下面积)、精确率、准确率、召回率、F1值评价其性能。结果 CATBoost机器学习模型的综合性能最好,其AUC、精确率、准确率、召回率、F1值分别为0.82、76.49%、92.46%、78.68%、0.85。在CATBoost模型预测老年人高脂血症的风险过程中,9个变量对高脂血症风险预测较为重要,其重要程度由高到底排序依次为收缩压、腰围、空腹血糖、体质指数、舒张压、吸烟情况、年龄、饮酒情况和性别。而且经模型优化后发现,仅纳入这9个变量即可较好的预测风险。结论 基于CATBoost机器学习方法构建的老年人...     

Quantification of children's hand and mouthing activities through a videotaping methodology.

A videotaping methodology has been developed for use in quantifying the types and frequencies of children's hand and mouthing activities that could lead to exposure to environmental pollutants via dermal and ingestion pathways. Twenty children in day care, ages 3-6 years and 10 children in residences, ages 2-5 years, were videotaped during their waking hours for 1 day. Parents of each child completed questionnaires for the purpose of evaluating the accuracy of parental reports of hand-to-mouth rates. Videotapes were translated as quantifiable activities by two trained observers whose reporting reliability was checked throughout the investigation. Results determined that reliability of the videotaping method was very good, even over a year post-training. From videotape data, the average hand-to-mouth frequency rate was determined to be 9.5 contacts/h. These values are considerably higher than the current default value of 1.56 contacts/h under consideration by the EPA.     

基于机器学习的糖尿病并发症预测模型研究进展

针对2型糖尿病(T2DM)并发症的诊断预测问题,传统检测方法主要通过血液和尿液检查来预测,这些方法既耗时又不能进行早期预测.目前,由于糖尿病发病率升高以及医疗数据的大幅增加,机器学习算法迅速发展为检测及诊断糖尿病的有效方法.用机器学习算法分析临床指标,探究2型糖尿病并发症的影响因素,构建并发症预测模型,可以很好地实现糖...     

基于机器学习的肺癌图像辅助诊断应用研究

目的:为满足肺癌临床早期筛查需求,拟在CT图像分析及病理细胞学诊断中建立智能化辅助筛查工具,提高图像分析效率,降低医生工作量.方法:在对肺癌临床早期诊断技术研究基础上,提出基于机器学习建立肺癌CT及病理切片图像辅助分析工具的方案;基于人工智能辅助诊断理念,采用图像模式增强、分割及机器学习分类模型等方法构建肺癌图像辅助诊...     

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。     

Examining multiple parenting behaviors on young children's dietary fat consumption

ObjectiveTo understand the association between parenting and children’s dietary fat consumption, this study tested a comprehensive model of parenting that included parent household rules, parent modeling of rules, parent mediated behaviors, and parent support.DesignCross-sectional.SettingBaseline data from the MOVE/me Muevo project, a recreation site-based obesity prevention and control intervention trial.ParticipantsFive hundred forty-one parents of children between the ages of 5 and 8 years and living in San Diego County.Main Outcome MeasureChildren’s fat consumption based on parent report using a short food frequency questionnaire.AnalysisA hierarchical linear regression was conducted. In exploratory analyses, a stepwise backward elimination approach was used.ResultsChildren’s fat consumption was positively associated with parent household rules (P < .01) and negatively associated with parent modeling of rules (P < .01).Conclusions and ImplicationsControlling parenting behaviors, such as rule setting, are associated with more frequent fat consumption, whereas role modeling healthful behaviors is associated with less frequent fat consumption. Changing parenting behaviors with regard to how they feed their children is a logical avenue for improving eating behaviors.     

Developing contextualised systematic knowledge of children's learning

This paper discusses some of the issues connected with the existence in England and Wales, alongside similar moves elsewhere, to formally assess children's academic development at regular and key stages of their school careers. It is argued that whilst “assessment” in its narrow conception is regarded by many as an anathema to child centred education, the development of teacher assessment as an important facet of National Assessment has the power to improve the focus and purpose of classroom observation and subsequent decision making. As such practice can become more sharply responsive to the needs of individual children.     

基于机器学习与生存模型建立脂肪肝Joint联合预测模型

目的 利用机器学习算法与生存模型建立脂肪肝Joint联合预测模型,为有关单位进行脂肪肝健康管理提供理论依据。方法 选取2006—2016年某人群体检数据为研究对象,据模拟实验结果选择机器学习方法建立纵向亚模型,利用时依Cox模型建立生存亚模型,再联合建模。结果 XGBoost算法F-measure值最大,均方误差最小,建立纵向亚模型。XGBoost-Joint联合模型稳定性和拟合效果优于其他组合的Joint模型。结论 Joint联合模型将纵向亚模型与生存亚模型相联系,关联变量在模型中对脂肪肝患病风险的影响明显上升,说明纵向过程对生存结果的影响很大。     

Increasing children's liking of vegetables through flavour-flavour learning

Positive flavour-flavour learning refers to a form of Pavlovian conditioning in which a neutral flavour is paired with an already preferred flavour. Due to this pairing one acquires an association between the neutral flavour and the liked flavour, resulting in a positive shift in liking and hence preference for the initially neutral flavour. In the present study, it was investigated whether a flavour-flavour learning procedure increases children's preference for a specific vegetable taste.Twenty one children were recruited and received six pairs of conditioning trials comprising the tasting of a sweetened vegetable and another unsweetened vegetable taste. At test the children had to evaluate the tastes unsweetened. Results show an increase in preference for the previously sweetened vegetable taste. It is concluded that flavour-flavour learning may be beneficial in increasing children's liking and acceptance of vegetables.