检索结果-内蒙古大学图书馆

作者：宋艾璘中国人民解放军陆军军医大学

学位级别：硕士

目的:依据中国卫生年鉴统计,我国2021年医疗卫生机构住院病人手术人次达8103.1万,围手术期并发症也逐渐成为社会关注热点。围手术期神经认知障碍(Perioperative Neurocognitive Disorders,PND)是老年人最常见的围手术期并发症之一。2018... 详细信息

目的:依据中国卫生年鉴统计,我国2021年医疗卫生机构住院病人手术人次达8103.1万,围手术期并发症也逐渐成为社会关注热点。围手术期神经认知障碍(Perioperative Neurocognitive Disorders,PND)是老年人最常见的围手术期并发症之一。2018年11月在各大麻醉学相关知名杂志上专家提出由PND作为术前或术后发现的认知障碍的总称,其延长住院时间,影响生活质量,增加术后死亡率,引起医学界广泛关注。PND的发生率因研究和手术类型而异,术后前几周PND的发病率可高达53%。目前PND发病机制尚不清晰和缺乏早期治疗措施,早期准确可靠的评估,提早施行干预措施或个体化的麻醉管理方案和提供专门的围手术期护理措施,这些方面在围手术期PND管理和防治至关重要。然而目前基于传统统计学方法构建的简单模型,难以满足PND高危患者持续性动态评估的需求。因此,本研究的目的是首先利用单中心数据基于机器学习算法开发一个初步模型用来预测非心脏手术PND的风险,证明机器学习运用于PND预测方面的可行性。其次,本研究还致力于利用多中心医院数据,开发出一个基于机器学习算法构建的PND预测在线工具,帮助临床医务人员可视化评估风险。方法:1、在我院医疗大数据平台上筛选全麻下行非心脏手术术后发生PND的患者作为PND组,依照PND组手术类型和年龄段,按1∶3比例随机匹配同时间段的未发生PND且治愈出院的患者为非PND组。将所有筛选出的患者按照7∶3比例随机分为训练集和测试集。收集患者所有术前临床资料,并对所有指标行数据预处理,进行单因素分析比较PND组和非PND组、训练集和测试集之间的指标差异。采用套索算法(Least Absolute Shrinkage And Selection Operator,LASSO)进行指标特征选择,随后分别利用逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree)3种机器学习算法建立非心脏手术PND的预测模型。模型效能通过敏感性、特异性、F1分数、受试者工作特征(Receiver Operating Characteristic,ROC)曲线下面积(Area Under The ROC Curve,AUC)进行评估。2、由49768例来自中国三家代表性教学医院(陆军军医大学西南医院,首都医科大学宣武医院,四川大学华西医院)的手术患者组成一个医疗大数据平台,通过大数据平台检索全身麻醉下行手术治疗且出院诊断包含PND的患者作为阳性病例,在同样的大数据平台上根据PND组的手术类型、年龄段和数据来源,按1∶3比例随机匹配同时间段内未发生PND且治愈出院的患者为阴性病例,比较两组间指标统计学差异。同时将所有患者数据分成训练集、测试集和外部验证数据集。经过数据预处理和特征选择,输入全部指标和组间比较后有统计学意义的指标(P<0.05)基于LASSO算法形成3种输入策略,采用这三种策略分别基于SVM、广义线性模型(General Linear Model,GLM)、人工神经网络(Artificial Neural Networks,ANN)和朴素贝叶斯(Naive Bayes,NB)进行模型构建。通过ROCAUC、精确召回曲线下面积(Area Under The Precision Recall Curve,PRAUC)、Brier分数、敏感性、特异性、F1分数以及决策曲线分析(Decision Curve Analysis,DCA)进行模型效果评价,确定最佳模型。3、基于具有最佳性能的模型,使用R软件中Dynnom包和Shiny App开发一种在线可视化工具,即网页版动态Nomogram。结果:1、本研究总共纳入368例患者,PND组92例,非PND组276例,训练集和测试集分别有259例患者和109例患者。LASSO算法筛选出的特征指标包括年龄、年龄校正版查尔森共病指数(Age-Adjusted Charlson Comorbidity Index,aCCI)、营养评分、手术类型、美国麻醉医师协会(American Society Of Anesthesiologists,ASA)分级、急诊、血糖(Glucose,Glu)和血浆凝血酶原时间(Prothrombin Time,PT)。基于这些指标建立预测模型,LR、SVM和Decision Tree三种模型都具有良好的预测能力,其中SVM综合模型效能最佳。在训练集中,SVM模型AUC为0.987(95%CI:0.970-1.000),敏感性和特异性分别为98.5%和99.0%,F1分数为0.977。在测试集中,其AUC为0.957(95%CI:0.905-1.0

关键词：围手术期神经认知障碍机器学习预测模型在线工具动态Nomogram

来源：评论

学校读者我要写书评

暂无评论

基于机器学习建立腹部手术术后脓毒症患者死亡风险预测模型

引用

陆军军医大学学报 2023年第8期45卷 732-738页

作者：舒欣李昊洋李雨捷宋艾璘胡小艳陈芋文张炬易斌陆军军医大学(第三军医大学)第一附属医院麻醉科重庆400038 陆军军医大学(第三军医大学)基础医学院学员五大队重庆400038 中国科学院重庆绿色智能技术研究院重庆400714

目的探讨机器学习算法构建腹部手术术后脓毒症患者死亡风险预测模型的可行性。方法采用病例-对照研究设计方案,从公共重症监护医学信息数据库(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳv1.0)中筛选出行腹部手术后发生脓... 详细信息

目的探讨机器学习算法构建腹部手术术后脓毒症患者死亡风险预测模型的可行性。方法采用病例-对照研究设计方案,从公共重症监护医学信息数据库(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳv1.0)中筛选出行腹部手术后发生脓毒症的患者,研究终点事件定义为患者入院后90 d内死亡。根据死亡与否将数据集随机拆分为训练数据集(70%)与测试数据集(30%),在训练数据集上基于Logistic回归(logistic regression,LR)、梯度提升树(gradient boosting decision tree,GBDT)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和自适应提升(adaptive boosting,AdaBoost)算法构建预测死亡风险模型;在测试数据集上通过受试者工作曲线(receiver operating characteristic curve,ROC)和曲线下面积(area under the ROC curve,AUC)、敏感性、特异性、阳性预测值、阴性预测值、F1分数和准确率来评估模型效能。结果最终986例患者纳入本研究,其中251例(25.5%)患者入院后90 d内死亡,LR、GBDT、RF、SVM及AdaBoost模型的AUC依次为0.852、0.903、0.921、0.940和0.906,其中SVM的AUC最高,预测性能更好,而LR模型效能最差。结论基于GBDT、RF、SVM及AdaBoost这4种算法建立的腹部手术术后脓毒症死亡率预测模型的效能优于传统的LR模型,可能有助于临床决策,改善不良结局。

关键词：术后脓毒症机器学习腹部手术预测模型死亡风险

来源：评论

学校读者我要写书评

暂无评论

梓醇对肝肺综合征大鼠肝肺损伤的保护作用研究

引用

陆军军医大学学报 2024年第6期46卷 587-596页

作者：曾子洋雷雨豪吴宪锋宋艾璘杨纯勇杨智勇李雨捷易斌陆军军医大学(第三军医大学)第一附属医院麻醉科重庆400038 重庆市中医院麻醉科重庆400021

目的探索梓醇通过增强TGR5表达和降低肝胆汁酸水平对胆总管结扎术(CBDL)大鼠肺损伤的保护作用。方法将大鼠随机分为三组[Sham组、CBDL组和梓醇(Catalpol)组],评估生存率、动脉血氧分压(PO2)和肺泡-动脉血氧分压差P(A-a)O2、肝功能、... 详细信息

目的探索梓醇通过增强TGR5表达和降低肝胆汁酸水平对胆总管结扎术(CBDL)大鼠肺损伤的保护作用。方法将大鼠随机分为三组[Sham组、CBDL组和梓醇(Catalpol)组],评估生存率、动脉血氧分压(PO2)和肺泡-动脉血氧分压差P(A-a)O2、肝功能、肝肺组织病理变化差异;进一步分析胆汁酸表达水平和TGR5的关系以及相关机制。结果梓醇治疗改善CBDL导致的肝功能损伤,提高CBDL的生存率和改善了低氧血症;减少了肝、肺血管新生。同时,梓醇通过增强TGR5和降低FXR的表达,减轻BAs水平过高引起肺损伤。结论梓醇通过上调TGR5和降低FXR的表达,改善BAs水平过高引起的肺损伤,发挥对CBDL大鼠的肝肺保护作用。

关键词：肝肺综合征(HPS) 梓醇 TGR5 BAs

来源：评论

学校读者我要写书评

暂无评论

基于机器学习算法建立非肝脏手术术后肝损伤风险预测模型

引用

陆军军医大学学报 2024年第7期46卷 760-767页

作者：孙义竹李雨捷梁浩刘祥黄家号舒欣宋艾璘杨智勇易斌陆军军医大学(第三军医大学)第一附属医院麻醉科重庆400038

目的基于术前及术中用药指标建立一个预测非肝脏手术患者术后肝损伤的机器学习预测模型。方法采用病例-对照研究设计方案,选择国内3家大型综合医院开发的数据库中2014年1月至2022年9月行非肝脏手术术后出现肝损伤患者315例,按阳性∶阴性... 详细信息

目的基于术前及术中用药指标建立一个预测非肝脏手术患者术后肝损伤的机器学习预测模型。方法采用病例-对照研究设计方案,选择国内3家大型综合医院开发的数据库中2014年1月至2022年9月行非肝脏手术术后出现肝损伤患者315例,按阳性∶阴性为1∶3的比例随机匹配同期非肝脏手术术后未发生肝损伤的928例病例作为阴性对照病例。将这1243例患者根据R语言设置的代码以7∶3的比例随机拆分为建模组(n=869)和验证组(n=374)。利用患者术前临床指标(基本信息、病史、相关评分表、手术相关信息和实验室检查)及术中用药情况基于k-近邻(k-nearest neighbor,KNN)、支持向量机(support vector machine linear,SVM)、逻辑回归(logistic regression,LR)、极端梯度提升(extreme gradient boosting,XGBoost)4种机器学习算法建立预测非肝脏手术术后肝损伤的模型,并在验证组通过受试者工作特征曲线(receiver operating characteristic,ROC)、精准-召回曲线(percision-recall curve,P-R)、临床决策分析曲线(decision curve analysis,DCA)、Kappa值、灵敏度、特异度、Brier分数、F 1分数对模型效能进行评估。结果4种机器学习算法建立的预测非肝脏手术术后肝损伤的模型以XGBoost算法最优,验证组中受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)为0.916(95%CI:0.883~0.949),精准-召回曲线下面积(area under the precision-recall curve,AUPRC)为0.841,Brier评分0.097,灵敏度和特异度分别为78.95%和87.10%。结论基于XGBoost算法建立的非肝脏手术术后肝损伤预测模型对术后肝损伤的发生有良好的预测能力。

关键词：机器学习预测模型术后肝损伤

来源：评论

学校读者我要写书评

暂无评论

基于机器学习算法建立非心脏手术术后认知功能障碍风险预测模型

引用

陆军军医大学学报 2023年第8期45卷 759-764页

作者：宋艾璘李雨捷舒欣胡小艳钟坤华陈芋文张炬易斌鲁开智陆军军医大学(第三军医大学)第一附属医院麻醉科重庆400038 中国科学院重庆绿色智能技术研究院重庆400714

目的利用术前指标基于机器学习算法建立预测非心脏手术术后认知功能障碍(postoperative cognitive dysfunction,POCD)的风险模型。方法采用病例-对照研究设计方案,在我院2014年1月至2019年1月医疗大数据平台上筛选行非心脏手术术后发生P... 详细信息

目的利用术前指标基于机器学习算法建立预测非心脏手术术后认知功能障碍(postoperative cognitive dysfunction,POCD)的风险模型。方法采用病例-对照研究设计方案,在我院2014年1月至2019年1月医疗大数据平台上筛选行非心脏手术术后发生POCD的患者,最终纳入92例患者为POCD组,在同样的大数据平台上依照POCD组手术类型和年龄段,按1∶3比例随机匹配同时间段的276例术后未发生POCD且治愈出院的患者为非POCD组。同时,将这368例患者按照7∶3比例随机分为建模组(n=259)和验证组(n=109)。在数据预处理和特征选择术前临床指标(一般资料、相关评分表、手术相关信息和术前检验指标)之后,基于逻辑回归(logistic regression,LR)、支持向量机(support vector machine,SVM)、决策树(Decision Tree)3种机器学习算法建立非心脏手术POCD的风险预测模型。模型效能通过敏感性、特异性、F1分数、受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUC)进行评估。结果3种机器学习算法建立的非心脏手术POCD的预测模型以SVM算法最优,验证组中AUC为0.957(95%CI:0.905~1.000),敏感度和特异度分别为92.6%和98.8%。结论初步构建出基于机器学习算法建立非心脏手术POCD的预测模型,该模型对POCD有良好的预测能力。

关键词：机器学习预测模型术后认知功能障碍

来源：评论

学校读者我要写书评

暂无评论

基于机器学习算法术后急性肾损伤风险预测模型建立

引用

临床军医杂志 2023年第7期51卷 665-671页

作者：梁浩孙义竹李雨捷黄家号宋艾璘舒欣易斌陆军军医大学第一附属医院麻醉科重庆400038

目的基于机器学习算法构建预测术后急性肾损伤(PO⁃AKI)的风险模型。方法选择陆军军医大学附属西南医院自2014年1月至2019年6月、四川大学附属华西医院自2019年5月至2020年1月及中山大学附属第一医院自2019年6月至2019年12月发生PO⁃AKI的... 详细信息

目的基于机器学习算法构建预测术后急性肾损伤(PO⁃AKI)的风险模型。方法选择陆军军医大学附属西南医院自2014年1月至2019年6月、四川大学附属华西医院自2019年5月至2020年1月及中山大学附属第一医院自2019年6月至2019年12月发生PO⁃AKI的635例患者纳入PO⁃AKI组。按1∶3比例随机匹配同时间段未发生PO⁃AKI的1905例患者纳入非PO⁃AKI组。将所有患者按照7∶3比例随机分为建模组(n=1778)和验证组(n=762)。在数据预处理特征选择手术患者常见的临床指标(一般资料、既往史、手术相关信息和实验室检验)后,基于6种机器学习算法建立PO⁃AKI的风险预测模型。通过受试者工作曲线下面积(AUC)、敏感度、特异度、准确度和F1分数评估模型效应。选择6种机器学习模型中性能最优者搭建可视化PO⁃AKI预测网页模型。结果构建了6种PO⁃AKI机器学习预测模型,以神经网络(NNET)算法最优。验证组中AUC为0.942(95%可信区间0.926~0.958),敏感度和特异度分别为85.3%和86.9%。结论基于机器学习算法成功建立了PO⁃AKI预测模型,NNET模型对PO⁃AKI具有良好的预测能力。

关键词：术后急性肾损伤预测模型机器学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：