基于机器学习的郁证证型分类模型构建研究

目的 基于机器学习的随机森林和人工神经网络算法构建郁证证型分类模型,并采用混淆矩阵评估其模型的准确度。方法 医案数据来自古今医案云平台、中国知网、万方、维普数据库,共纳入1010例医案,训练集和测试集划分比例为7∶3。利用Python在Jupyter notebook中进行特征提取,再通过随机森林、人工神经网络构建郁证证型分类模型,最后利用混淆矩阵验证分类结果准确性。结果 利用随机森林算法构建的证型分类模型,整体准确度为89.44%,其中肝气郁结95.00%,气郁化火82.05%,痰气郁结89.29%,心神失养85.07%,心脾两虚89.74%,心肾阴虚95.16%;利用人工神经网络算法构建的证型分类模型,整体准确率为96.03%,其中肝气郁结100.00%,气郁化火92.31%,痰气郁结96.43%,心神失养91.04%,心脾两虚97.44%,心肾阴虚100.00%。结论 两类分类模型分类结果均达到了较理想的效果,但人工神经网络分类模型准确度高于随机森林分类模型准确率,其非线性、模糊性等特征更适合于中医证型分类预测,可为今后中医诊断研究提供新的思路与方向。     

机器学习在预测重症急性胰腺炎发生急性呼吸窘迫综合征中的作用

回顾性分析214例SAP患者的资料, 构建5种SAP并发急性呼吸窘迫综合征(ARDS)的机器学习预测模型, 并筛选出最优模型。结果显示, 5种机器学习模型中, 极端梯度提升(XGBoost)为最优模型。XGBoost在测试集中的AUC值为0.851(95%CI 0.739～0.963), 灵敏度为0.840, 特异度为0.793, 阳性预测值为0.842, 阴性预测值为0.743。最重要的4个预测变量为呼吸频率、血清淀粉酶、年龄和总蛋白。表明机器学习模型能够很好地预测SAP相关ARDS的发生, 为临床早期识别高危患者提供了思路。     

维持性血液透析患者透析中低血压风险预测模型研究

目的 构建维持性血液透析（MHD）患者透析中低血压（IDH）风险预测模型,并内部验证模型性能。方法 便利选取2018年7月至2022年2月成都医学院第一附属医院的680例MHD患者进行回顾性非匹配病例对照研究,根据其是否存在IDH分为IDH组（n=170）和non-IDH组（n=510）。利用最小绝对收缩和选择算子（LASSO）算法筛选影响MHD患者发生IDH的关键预测变量,建立列线图模型、分类回归树（CART）模型以及极端梯度提升（XGboost）模型,使用自助抽样法对模型进行内部验证和性能比较。结果 在3个风险预测模型中,透析前收缩压（Predialysis-SBP）是影响MHD患者发生IDH最重要的预测变量。列线图模型、CART模型以及XGboost模型的受试者操作特征（ROC）曲线下面积（AUC）分别为0.979(95%CI:971～0.988)、0.934(95%CI:0.914～0.954)和0.992(95%CI:0.988～0.996)。决策曲线分析（DCA）显示,XGboost模型提供的临床净收益最大。结论 基于正则化机器学习技术构建的3个MHD患者发生IDH的风险预...     

基于“三态四浊”理论的高脂血症表征体系及其预警应用初探

高脂血症是常见慢性疾病,进行疾病预警并提前干预是降低发病率的关键手段。本文旨在探索一种新的“治未病”研究范式,通过生物信息与机器学习的结合,系统理解高脂血症“治未病”的现代医学内涵。基于高脂血症“三态四浊”理论的预警体系,重点关注从“欲病态”到“已病态”人体体征、血液、尿液以及粪便的生物信息从“清”到“浊”的动态变化过程。通过高脂血症“欲病态”的多维动态数据,揭示高脂血症从“欲病态”到“已病态”的临界转变规律,通过数学模型量化“欲病态”以进行疾病风险预警,为理解高脂血症发病机制、预判高脂血症发病与进展、实现精准预防以及开发诊疗新技术提供新的研究思路。     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...     

基于多序列MRI的影像组学模型在腮腺肿瘤良恶性诊断中的应用

目的 探究腮腺肿瘤良恶性的诊断中应用基于多序列MRI的影像组学模型的临床价值。方法 选取2021年1月1日—2022年5月30日于台州市中心医院就诊经病理检查证实的腮腺肿瘤患者共97例,其中良性肿瘤64例,恶性肿瘤33例,提取患者的临床资料及MRI图像。通过ITK-SNAP软件分割感兴趣区域(ROI),使用3D-slicer软件的PyRadiomics插件在T₁加权对比增强成像序列(T₁Wce)、T₂加权序列(T₂WI)及基于弥散加权成像(DWI)序列构建的表观弥散系数(ADC)图像中提取120个影像特征,使用Lasso回归进行特征降维,最后使用筛选的影像特征构建支持向量机(SVM)模型。然后绘制ROC曲线,评估模型的诊断效能。结果 2组患者年龄、性别差异无统计学意义。基于患者T₁Wce、T₂WI和ADC序列以及3个序列联合构建4个影像组学模型用于腮腺肿瘤良恶性诊断,AUC分别为T₁Wce模型0.752,T₂WI...     

机器学习在心血管疾病中的临床应用进展

人工智能已从各个方面改变了人类的生活.机器学习是人工智能的子集,其从大型数据库中通过提取模式来自动获取信息,作为一种结合数据科学和统计技术的方法,已越来越多地应用于医学界,特别是心血管疾病领域.现阐述机器学习在心血管疾病不同方面的临床应用,便于大家更好地理解其与现代医学的关联.     

使用生物标志物建立机器学习模型用于菌血症的早期预测

目的 菌血症的早期识别和及时干预是降低发病率和死亡率的关键。血培养是诊断菌血症的金标准,但其敏感性低且周转时间长,难以满足临床诊断的需求。本研究的目的是通过回顾性分析,从若干与感染相关的生物标志物中筛选出最佳特征子集用于构建机器学习模型,用于菌血症的早期预测。方法 采用回顾性分析筛选出符合研究标准的菌血症和局部感染患者,并收集参与者的生物标志物数据。通过特征选择算法筛选最佳特征子集,并以此构建机器学习模型。使用精确率,召回率和准确率综合评估机器学习模型的性能。结果 本研究收集到247例菌血症患者为病例组,262例局部感染患者为对照组,并纳入12项生物标志物。通过特征选择算法,我们发现支持向量机(support vector machine, SVM)模型只须纳入5项生物标志物,其模型准确率为90.2%,AUC高达0.967。结论 通过特征选择算法与机器学习模型相结合的策略,本研究开发了3种菌血症的预测模型,其中SVM的性能最佳,为菌血症的早期诊断提供了数据支持。     

贵州农村老年人轻度认知功能损害患病风险评估模型研究

目的通过机器学习分析脑健康生活方式相关因素和人口统计学特征, 实现对贵州农村老年人轻度认知功能损害患病风险的评估效果研究。方法 2019年7—8月, 采用多阶段整群抽样方法, 选取贵州省1 235名60岁及以上的农村老年人为研究对象, 进行问卷调查和体格检查。采用简易智能状态量表(mini-mental state examination, MMSE)进行认知功能检测, 并基于12项脑健康生活方式相关因素和4项人口统计学特征进行重要特征及最优特征个数的选择。采用逻辑回归和随机森林算法构建贵州农村老年人轻度认知功能损害的患病风险评估模型, 并使用精确率、准确率、灵敏度、特异度、F1分数和受试者工作特征曲线下面积(area under curve, AUC)综合评估模型效能, 采用Delong法检验两模型间AUC值的差异。结果共检出轻度认知功能损害291例, 总检出率为23.56%(291/1 235)。逻辑回归和随机森林模型评估贵州农村老年人轻度认知功能损害患病风险的AUC值分别为0.758和0.820, 差异有统计学意义(均P<0.05)。其中随机森林模型的评估效果更佳, 精确率...     

基于IBM-SPSS与机器学习的logistic回归对院内感染肺炎克雷伯菌发生多重耐药关联因素的分析方法比较

背景 近年来随着人工智能的发展,各种机器学习的模型开始在临床中初步应用。目的 分别使用基于SPSS 26.0的logistic回归与基于机器学习逻辑回归模型(logistic regression,LR)分析院内感染多重耐药肺炎克雷伯菌(multidrug-resistant Klebsiella pneumoniae,MDR-KPN)的关联因素,比较两种方法的差异。方法 选取2016年1月-2020年12月清华大学附属北京清华长庚医院肺炎克雷伯菌院内感染病例254例,包括MDR-KPN 168例和非MDR-KPN(敏感菌株)86例,用两种不同的logistic回归方法对数据进行处理。结果 基于SPSS 26.0的logistic多因素分析显示,患有肝病、感染前3个月内有胸腔穿刺史、感染前3个月内有动脉穿刺史、感染前3个月内气管插管史是发生MDR-KPN院内感染的独立关联因素。LR模型分析显示,气管插管是发生MDR-KPN院内感染的最主要关联因素,前5位的关联因素为气管插管、基础肝病史、年龄18～49岁的人群、碳青霉烯类药物暴露史、中心静脉置管史。结论 两种分析方法得到的MDR-KPN...