基于机器学习的烧伤患者脓毒性休克预测模型建立与验证

目的 建立并验证基于机器学习算法的大面积烧伤患者新发脓毒性休克预测模型,以提升风险识别性能。方法 回顾性分析单中心2012至2023年间收治的大面积烧伤队列的临床数据,按7∶3随机划分训练集和验证集,使用最小绝对值选择与收缩算子回归算法筛选预测因子,在训练集中分别使用支持向量机(SVM)、logistic回归(LR)、随机森林(RF)和决策树(DT)四种机器学习算法构建新发脓毒性休克预测模型,并在验证集中评估最优模型性能。结果 共纳入220例大面积烧伤病人,其中训练集和验证集分别为154和66人,共计32人合并新发脓毒性休克。在训练集中,筛选得到烧伤占总体表面积百分比、谷丙转氨酶、血清肌酐、血钠、降钙素原、热损伤类型、缺乏液体复苏以及血培养阳性8项新发脓毒性休克的预测因子。在验证集中,随机森林模型预测区分度最佳,AUC为0.92(0.83～1.00),优于SOFA评分[0.86(0.75～0.97)],且模型通过校准度检验。结论 基于随机森林算法的新发脓毒性休克预测模型表现出良好的预测区分度和校准度,在早期识别脓毒性休克和风险分层应用中成为有潜力的辅助决策工具。     

基于机器学习的成纤维细胞生长因子受体激酶抑制剂虚拟筛选模型

目的：构建基于机器学习的高效成纤维细胞生长因子受体（FGFR）激酶抑制剂虚拟筛选模型。方法：收集公共数据集BindingDB中的FGFR激酶抑制剂;用RDkit计算分子描述符表征化合物分子用以数据输入;采用随机森林和支持向量机两种机器学习算法建立虚拟筛选模型,用准确率、精准率、召回率、受试者工作特征曲线下面积（AUC）四个指标对模型进行评价;使用随机森林模型对1 300万个化合物进行初步筛选;随后依次用Autodock Vina和Glide方法进一步筛选FGFR1激酶抑制剂;用分子动力学模拟对虚拟筛选得到的化合物进行分析。结果：构建的随机森林模型和支持向量机模型的准确率、精准率、召回率和AUC等评价指标有良好表现,随机森林模型的准确率和AUC分别可达0.878和0.952,随机森林模型可以用来作为FGFR激酶抑制剂的虚拟筛选模型。将随机森林模型用于大通量虚拟筛选获取高活性先导化合物,筛选所得3个最优化合物与FGFR1激酶的分子对接和分子动力学分析显示,在氢键、结合自由能、疏水作用与阳性药物AZD4547有较高相似性,FGFR1的LEU21、VAL29、ALA49三个残基是小分子药物保持...     

基于CT平扫的影像组学模型鉴别肺炎性肌纤维母细胞瘤和周围型肺癌的研究

目的 探讨基于CT平扫的影像组学在鉴别肺炎性肌纤维母细胞瘤(IMT)和周围型肺癌(PLC)的价值.方法 回顾性收集经我院及外院手术后病理证实的72例肺IMT及79例PLC的资料.使用A.K(Artificial Intelligence Kit)软件从CT平扫图像中提取高通量数据,对其进行特征筛选及降维,去除了重复性差...     

NICU面临的新挑战：多组学驱动的精准医疗如何落地临床

精准医学是当代医学发展的主流趋势,新生儿重症监护病房(NICU)也已是当前精准医学的重要应用场景之一。然而,目前对疾病基因组的临床解读水平仍有不足,精准医学在NICU中的临床转化效果仍未达到令人满意的程度。本文结合了当前精准医疗在婴幼儿人群的应用情况,从重视遗传病的早期筛查与诊断、构建多组学融合平台、应用机器学习技术等三方面对精准医疗应如何在NICU的临床转化中取得最优效果展开述评。     

基于机器学习算法的宫颈癌辅助诊断模型

目的 基于来自临床的真实世界数据,探索机器学习模型在宫颈癌辅助诊断方面的性能表现,并讨论其后续在临床进一步推广的意义及可行性。方法 选取2018-01-12-2021-12-30在深圳市妇幼保健院(1 294例)、青岛大学附属医院(1 336例)和成都市妇女儿童中心医院(384例)等3家医疗机构收集的宫颈病变患者相关资料。以8∶2的比例划分训练集和验证集,通过5种机器学习算法建立相关宫颈癌辅助诊断模型,并评估比较模型的性能。结果 共纳入研究对象3 014例,宫颈上皮内瘤变(CIN)≥2级767例(25.45%),宫颈CIN<2级2 247例(74.55%)。经过K折交叉验证(K=5)选出最优参数建立相关辅助诊断模型,除决策树外,其余宫颈癌辅助诊断模型的性能均较好,其中神经网络模型性能表现最优,受试者工作特征曲线下面积>0.92。结论 神经网络等模型在宫颈癌风险辅助诊断方面性能表现较好,建议结合各个模型的优势和特点,充分发挥其临床作用和价值。     

基于迁移学习的2型糖尿病风险预测方案设计

提出了一种基于迁移学习的2型糖尿病风险预测方案,使用2型糖尿病发病相关危险因素作为原始糖尿病预测建模特征,对原有的糖尿病风险预测模型进行了优化,帮助医疗欠发达地区通过该模型实现对2型糖尿病的有效监测和防护.     

机器学习在脑血管病诊疗应用中的研究进展

正脑血管病以其高死亡率、高复发率和高致残率成为我国乃至全球最严重的疾病负担之一~([1-2])。快速评估、诊断和干预对改善脑血管病患者的结局至关重要,并高度依赖于特征性的神经影像表现,比如应用头颅CT快速鉴别缺血和出血性脑血管病、大血管闭塞和缺血半暗带的快速评估等~([3])。脑血管病神经影像特征的快速评估高度依赖经验丰富的血管神经病学医师和神经放射医师。然而,不断增加的脑血管病疾病负担和不断攀升的就诊量对医院尤其是基层医院的专业医师带来巨大的需求,但是     

基于机器学习算法的脑出血相关肺炎预测模型研究

目的 建立基于机器学习的脑出血相关肺炎预测模型。 方法 选择中国国家卒中登记Ⅱ（China National Stoke Registry Ⅱ,CNSRⅡ）数据库中发病7 d内的急 性脑出血住院患者为研究对象,登记时间为2012年5月-2013年1月,研究覆盖我国219家医院。研究对 象按照8∶2比例随机分为训练集和测试集。采用多因素Logistic回归分析,筛选出候选预测因子。应用 基于机器学习的Logistic回归、CatBoost、XGBoost和LightGBM算法构建诊断预测模型,比较4种方法构建 的模型对脑出血相关肺炎的预测诊断价值。 结果 本研究共筛选2303例患者,平均年龄62.1±12.7岁,其中男性占62.1%。患者随机分为训 练集（n =1841）和测试集（n =462）,两组脑出血相关肺炎发生率分别为15.6%和15.8%（χ 2=0.007, P =0.934）。根据多因素Logistic回归分析,候选预测因子为年龄（OR 1.03,95%CI 1.02～1.04）、NIHSS 评分（OR 1.02,95%CI 1.00～1.04）、白细胞计数（OR 1.11,95%CI 1.07～1.16）和吞咽功能障碍（OR 6.85,95%CI 5.01～9.39）。Logistic回归、CatBoost、XGBoost和LightGBM四种模型灵敏度分别为75.34%、 50.68%、80.82%和80.82%;特异度分别为68.64%、86.12%、52.96%和57.33%;ROC曲线下面积分别 为0.776、0.692、0.736和0.767。Logistic回归和LightGBM模型诊断效果显著高于CatBoost和XGBoost模型 （DeLong test,P <0.05）。 结论 基于机器学习建立的脑出血相关肺炎风险预测模型有较高的诊断价值,年龄、NIHSS评分、白 细胞计数和吞咽功能障碍为模型的候选预测因子,可将模型纳入脑出血相关肺炎诊断决策。本研究 结果的临床应用价值有待于更大样本的外部队列进行验证。     

CT在肾错构瘤与肾细胞癌鉴别诊断中的应用及进展

摘 要：肾错构瘤（renal angiomyolipoma）与肾细胞癌（renal cell carcinoma）均为常见的肾脏肿瘤,但其治疗方案及预后却差异较大。电子计算机断层扫描技术(computed tomography,CT)作为肾脏肿瘤常用的术前诊断手段,在鉴别诊断这两种肿瘤时却常存在影像特征重叠而导致误诊。本文综述了两种肾脏肿瘤的一般CT检查表现,并介绍一种新的肾错构瘤影像学分型,并探讨根据该新分型鉴别两种肿瘤的相关影像特征,最后总结了目前基于CT影像的高通量定量技术在鉴别两种肿瘤中的应用及进展,以期为鉴别肾错构瘤与肾细胞癌提供新的思路。     

认知负载状态下的精神分裂症患者脑电图特异性研究

认知功能损害是精神分裂症的三大原发症状之一,在疾病早期发现和高危人群风险预警等方面具有重要价值。为了研究精神分裂症患者在认知负载状态下的脑电图特异性,本试验收集17例精神分裂症患者和19例健康受试者的脑电信号作为对照,基于小波变换提取各频段信号,计算非线性动力学及脑功能网络属性等特征,并利用机器学习算法将两类人群进行自动分类分析。试验结果表明,两组受试者在认知负载状态下,Fp1和Fp2导联在α、β、θ、γ这4个频带的关联维数和样本熵的差异均具有统计学意义,提示大脑额叶功能损伤是精神分裂症认知功能损害的重要原因。进一步基于机器学习的自动分类分析结果表明,将非线性动力学与脑功能网络属性相结合作为分类器的输入特征,所得分类效果最优,其结果显示准确率为76.77%、敏感度为72.09%、特异性为80.36%。本研究结果表明,脑电信号的非线性动力学和脑功能网络属性等特征,或可作为精神分裂症早期筛查和辅助诊断的潜在生物标记物。