目的 探讨重症监护病房脓毒症患者临床表型识别与验证，促进精准医疗发展。方法 采用人工智能算法处理重症监护医学信息数据库Ⅳ（Medical Information Mart for Intensive Care IV，MIMIC-IV）中脓毒症患者的临床数据，包括人口学特征...
详细信息
目的 探讨重症监护病房脓毒症患者临床表型识别与验证，促进精准医疗发展。方法 采用人工智能算法处理重症监护医学信息数据库Ⅳ（Medical Information Mart for Intensive Care IV，MIMIC-IV）中脓毒症患者的临床数据，包括人口学特征、ICU首日实验室指标及治疗措施等89个临床特征，首先应用无监督机器学习算法（K均值聚类和层次聚类）进行表型识别，再应用有监督机器学习算法（轻量级梯度增强机）进行表型预测，并结合机器学习可解释性算法SHAP识别重要特征；最后通过传统统计学方法，从各表型间临床特征差异与临床结局差异两个角度进行验证。结果 在22517例脓毒症患者中发现了3种临床特征及结局显著不同的表型。其中表型1患者的死亡风险最高（28 d死亡率为46.4%），以肾功能异常和疾病严重性评分升高为主；表型3患者的死亡风险最低（28 d死亡率为11.2%），神经功能评分最佳。通过可解释性机器学习，识别出阴离子间隙、血尿素氮、肌酐、格拉斯哥昏迷评分、凝血酶原时间和序贯性器官功能衰竭评分6个特征（首日最差值）在表型识别（AUC≥0.89）和表型预后预测（AUC≥0.74）方面表现良好。在出ICU后28 d、60 d、90 d及1年内，表型3患者的死亡风险均最低（HR＜1）。结论 利用机器学习算法成功识别了3种具有不同临床特征及预后的脓毒症临床表型，并筛选出6个关键临床特征，预期将在脓毒症亚型分类及预后评估中发挥重要作用，有助于患者的个体化治疗。
神经纤维瘤病1型(neurofibromatosis type 1,NF1)是NF1基因突变导致的常染色体显性遗传病,发病率约为(2.0~4.8)/万。NF1患者由于神经外胚层细胞分化异常而出现多系统受累表现,包括牛奶咖啡斑、虹膜Lisch结节、多发良性神经纤维瘤、骨骼...
详细信息
神经纤维瘤病1型(neurofibromatosis type 1,NF1)是NF1基因突变导致的常染色体显性遗传病,发病率约为(2.0~4.8)/万。NF1患者由于神经外胚层细胞分化异常而出现多系统受累表现,包括牛奶咖啡斑、虹膜Lisch结节、多发良性神经纤维瘤、骨骼畸形、视路神经胶质瘤等。NF1与患儿生长发育密切相关,该病患者身材矮小比例常高于正常人群。文章对NF1患者身材矮小的相关研究进行综述,以期了解国内外相关领域的研究现状,引起临床医生对NF1患者生长情况的重视,为NF1患儿的生长发育的临床管理提供科学指导。
暂无评论