目的:探讨体重校正腰围指数(weight-adjusted waist index,WWI)与美国成人急性、亚急性、慢性疼痛之间的相关性。方法:采用横断面研究,提取1999—2004年美国国家卫生和营养检查调查(National Health and Nutrition Examination Survey,N...
详细信息
目的:探讨体重校正腰围指数(weight-adjusted waist index,WWI)与美国成人急性、亚急性、慢性疼痛之间的相关性。方法:采用横断面研究,提取1999—2004年美国国家卫生和营养检查调查(National Health and Nutrition Examination Survey,NHANES)数据库中关于成人腰围、体质量和疼痛等变量,及性别、年龄、种族、婚姻状况、教育水平、家庭收入、体力活动情况、饮酒、吸烟和糖尿病患病状况等协变量数据。采用多分类Logistic回归分析构建3种模型,评估WWI与急性、亚急性和慢性疼痛之间的相关性。模型1未对协变量进行校正,模型2对年龄、性别、种族、婚姻状况、教育水平和家庭收入情况进行校正,模型3进一步校正了体力活动、饮酒、吸烟和糖尿病患病情况等所有协变量。结果:共纳入12694例参与者,平均年龄为(50.8±18.7)岁,其中9614例(75.74%)未出现超过24 h的疼痛,870例(6.85%)出现急性疼痛,354例(2.79%)出现亚急性疼痛,1856例(14.62%)出现慢性疼痛。所有参与者的WWI为(10.95±0.85)cm/kg,根据WWI的四分位数分为4组:Q1组为(7.90~10.36)cm/kg,Q2组为(10.37~10.94)cm/kg,Q3组为(10.95~11.53)cm/kg,Q4组为(11.54~15.20)cm/kg。随着WWI的增加,参与者的急性、慢性疼痛状态的差异有统计学意义(P<0.001)。模型1中,与Q1组相比,Q2组和Q4组的急性疼痛风险降低(Q2组:OR=0.765,95%CI:0.615~0.953,P=0.017;Q4组:OR=0.648,95%CI:0.503~0.835,P<0.001);与Q1组相比,Q2组、Q3组和Q4组的慢性疼痛风险均增加(Q2组:OR=1.365,95%CI:1.149~1.622,P<0.001;Q3组:OR=1.291,95%CI:1.082~1.541,P=0.005;Q4组:OR=1.874,95%CI:1.579~2.224,P<0.001)。模型2中,与Q1组相比,其他3组慢性疼痛风险增加(Q2组:OR=1.359,95%CI:1.137~1.624,P=0.001;Q3组:OR=1.260,95%CI:1.039~1.528,P=0.019;Q4组:OR=1.735,95%CI:1.413~2.132,P<0.001)。模型3中与Q1组相比,Q4组的慢性疼痛风险增加49.2%(OR=1.492,95%CI:1.208~1.842,P<0.001)。在模型2和模型3中,急性疼痛与WWI未见相关性(均P>0.05);3个模型均未发现亚急性疼痛与WWI存在相关性(均P>0.05)。结论:WWI与美国成人急性疼痛、亚急性疼痛之间未见明显相关性,但随着WWI的增加,慢性疼痛风险增加,所以有必要通过大规模前瞻性研究进一步验证这一结论。
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。
暂无评论