检索结果-内蒙古大学图书馆

现代预防医学 2025年第1期52卷 45-50+102页

作者：邓刘飞薛舒婷姚紫微张潇迈温艳超刘龙山西医科大学公共卫生学院卫生统计学教研室山西医科大学医学科学院卫生统计教研室重大疾病风险评估山西省重点实验室

目的应用基因组结构方程模型（genome structural equation modeling,GSEM）和孟德尔随机化（Mendelian randomization, MR）研究六种自身免疫性疾病（autoimmune diseases,AID）和十种精神类疾病（psychiatric disorders,PD）之间的共享遗传结构。方法本研究运用连锁不平衡分数回归评估疾病之间的遗传相关性；引入GSEM，在奇数染色体进行探索性因素分析、偶数染色体进行验证性因素分析来交叉验证，并结合路径分析建立三因子模型和层次模型。此外，对潜在因子（Factor）进行多变量全基因组关联研究，测试中介变量和Factor之间的双向因果关系。从而揭示各疾病之间复杂的遗传关系。结果 GSEM结果显示所选取的16种疾病可以被3个独立的因子所构成的三因子模型所解释，且在拟合研究数据时表现最佳（χ2=865.291,AIC=929.291,CFI=0.940,SRMR=0.097），模型中，Factor1和Factor3均显示出与AID密切相关的特征；Factor2主要包含精神类疾病，硬皮病作为中介变量联系两类疾病；MR结果显示硬皮病和Factor2、Factor3之间存在双向因果效应。结论 GSEM和MR可以用于揭示AID和PD之间的共享遗传结构和因果效应，从而发现两者的相互作用，为理解复杂疾病之间的遗传关系提供了一个重要的方法学工具。

关键词：基因组结构方程模型因子分析孟德尔随机化自身免疫性疾病精神类疾病

来源：评论

学校读者我要写书评

暂无评论

铬暴露与糖尿病肝损伤指标关联研究:条件过程模型

引用

中国卫生统计 2025年第2期42卷 204-208,213页

作者：路筱杨慧袁苗杜斯丹王青青余红梅山西医科大学卫生统计教研室 030001 重大疾病风险评估山西省重点实验室煤炭环境致病与防治教育部重点实验室

目的铬暴露对糖尿病患者血常规指标存在的中介效应探索有限,本研究旨在对可能存在的有调节的中介路径探究其对肝损伤指标的影响。方法本研究资料来源于中国医学科学院基础医学研究所提供的环境铬暴露与人群健康研究数据库中2018年的... 详细信息

目的铬暴露对糖尿病患者血常规指标存在的中介效应探索有限,本研究旨在对可能存在的有调节的中介路径探究其对肝损伤指标的影响。方法本研究资料来源于中国医学科学院基础医学研究所提供的环境铬暴露与人群健康研究数据库中2018年的横断面数据结果,根据纳排标准本研究共选入436名患者。以尿铬为自变量,低密度脂蛋白(low density lipoprotein, LDL)为中介变量,总蛋白(total protein, TP)为因变量,总胆红素和血糖分别为调节变量构建条件过程模型。结果在以总胆红素为调节变量的条件过程分析中,总胆红素在尿铬→TP和尿铬→LDL路径中均呈正向调节作用。在以血糖为调节变量的条件过程分析中,血糖在尿铬→TP和LDL→TP路径中呈正向调节作用。在以血糖和总胆红素同时作为调节变量的条件过程分析中,血糖和总胆红素在LDL→TP路径中呈正向调节作用。结论有铬暴露史的糖尿病患者应重点关注LDL、总胆红素和血糖水平对TP的影响,有利于预防糖尿病患者出现肝损伤,提高其疾病预后和生活质量。

关键词：糖尿病肝损伤铬总蛋白条件过程模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的低级别胶质瘤多组学数据整合稳健分型

引用

中国卫生统计 2025年第2期42卷 185-190页

作者：杜港贾聪聪赵鑫田雅昕房瑞玲张岩波曹红艳山西医科大学卫生统计教研室 030001 山西医科大学公共卫生学院重大疾病风险评估山西省重点实验室煤炭环境致病与防治教育部重点实验室

目的多组学数据的高噪稀疏性以及存在异常值,易导致多组学数据整合分型稳健性不足,本研究提出将深度学习中的自编码器与最优化稳健伪极大似然估计器(optimally tuned robust improper maximum likelihood estimator, OTRIMLE)结合的方... 详细信息

目的多组学数据的高噪稀疏性以及存在异常值,易导致多组学数据整合分型稳健性不足,本研究提出将深度学习中的自编码器与最优化稳健伪极大似然估计器(optimally tuned robust improper maximum likelihood estimator, OTRIMLE)结合的方法,并将其应用于低级别胶质瘤(lower-grade gliomas, LGG)患者分型。方法采用自编码器对LGG的miRNA、mRNA和甲基化数据进行非线性降维,串联后采用OTRIMLE方法进行稳健分型。对最终的分型结果,利用Cox比例风险模型分析不同分型的预后风险,使用差异表达分析筛选出DEmiRNAs(differentially expressed miRNAs),DEmRNAs(differentially expressed mRNAs)和DMGs(differentially methylated genes),对DEmiRNAs的靶基因、DEmRNAs和DMGs三者的重合基因进行GO富集分析,最后对不同分型的患者进行免疫细胞浸润与通路活性分析。结果将LGG患者分为四型,其中分型4患者的死亡风险是分型3患者的5.903倍。筛选出8个DEmiRNAs, 2890个DEmRNAs和46个DMGs,联合分析得到的658个重合基因富集于423条GO生物项。筛选出13条活性存在差异的通路以及4种存在差异的免疫浸润细胞。结论基于深度学习的OTRIMLE方法对多组学数据高噪稀疏性和存在异常点时具有稳健性,有效实现了LGG患者的稳健分型,并筛选出了具有统计学差异的免疫细胞与通路等,可为LGG后续针对性治疗提供理论依据。

关键词：稳健分型深度学习多组学数据低级别胶质瘤

来源：评论

学校读者我要写书评

暂无评论

基于深度学习构建肺腺癌患者免疫相关基因生存预后模型的比较研究

引用

中国卫生统计 2025年第1期42卷 56-61页

作者：任月秦阳兰宁张永超刘毅蓉赵晋芳罗天娥山西医科大学公共卫生学院卫生统计教研室 030001 北京市丰台区疾病预防控制中心重大疾病风险评估山西省重点实验室

目的探讨使用多组学数据和免疫相关基因构建不同深度学习模型对肺腺癌患者的预后预测价值并比较其预测性能。方法从TCGA数据库肺腺癌多组学数据提取免疫基因后分别用原始数据及单因素Cox回归过滤法、方差过滤法和弹性网络(elastic net,... 详细信息

目的探讨使用多组学数据和免疫相关基因构建不同深度学习模型对肺腺癌患者的预后预测价值并比较其预测性能。方法从TCGA数据库肺腺癌多组学数据提取免疫基因后分别用原始数据及单因素Cox回归过滤法、方差过滤法和弹性网络(elastic net,EN)方法降维后的数据构建DeepOmix、Nnet-survival、Cox-nnet和Deepsurv预后预测模型,采用一致性指数和时间依赖性ROC评价模型的预测效果。结果比较多组学模型C指数、3年AUC和5年AUC值结果显示:DeepOmix模型结合生物信号通路信息采用不同降维方法构建的肺腺癌预后预测模型与DeepOmix、Nnet-survival、Cox-nnet和Deepsurv模型相比预测性能最好(C指数在0.83以上,3年AUC在0.89以上,5年AUC在0.94以上)。在筛选变量构建预后预测模型中EN降维在绝大多数情况下具有良好的预测准确度。DeepOmix模型能显著区分高、低风险组患者,且高风险组预后较差(P<0.001)。结论DeepOmix模型结合生物信号通路以及EN降维可以分析高维低样本量数据,构建的肺腺癌预后预测模型与其他模型相比预测性能较高。

关键词： DeepOmix 深度学习预后预测生存分析肺腺癌

来源：评论

学校读者我要写书评

暂无评论

慢阻肺急性加重患者不同共病模式下生命质量MCID风险分析

引用

现代预防医学 2025年第2期52卷 362-368页

作者：董涛何航帜胡晓娟原一玮靳婕赵卉张岩波山西医科大学医学科学院山西医科大学公共卫生学院卫生统计学教研室重大疾病风险评估山西省重点实验室山西医科大学管理学院医学信息技术教研室山西医科大学第二医院呼吸与危重症医学科山西医科大学

目的研究不同共病模式下慢性阻塞性肺疾病急性加重(AECOPD)患者健康相关生命质量(HRQoL)变化的风险因素。方法纳入2021年9月—2023年9月山西省五所医院的AECOPD患者214例。结合圣乔治呼吸问卷(SGRQ)与其最小临床重要差异(MCID)评估患... 详细信息

目的研究不同共病模式下慢性阻塞性肺疾病急性加重(AECOPD)患者健康相关生命质量(HRQoL)变化的风险因素。方法纳入2021年9月—2023年9月山西省五所医院的AECOPD患者214例。结合圣乔治呼吸问卷(SGRQ)与其最小临床重要差异(MCID)评估患者的HRQoL。从共病(参考ICD-10编码)切入，基于潜在类别分析(LCA)进行共病模式分层，进而采用有序logistic回归分析不同共病模式下患者出院3个月SGRQ评分变化的风险因素。结果 LCA将患者分为“心血管疾病组”和“肺心病低负荷组”。有序logistic回归结果显示出院3个月心血管疾病组BMI偏高(OR=2.96,95%CI:1.09～8.34,P=0.035)和直接胆红素偏高(OR=2.96,95%CI:1.07～8.35,P=0.037)患者具有临床意义的SGRQ评分升高的可能性均是两指标正常患者的2.96倍；肺心病低负荷组直接胆红素偏高(OR=3.25,95%CI:1.35～7.97,P=0.009)和氧饱和度偏低(OR=2.35,95%CI:1.05～5.55,P=0.043)患者具有临床意义的SGRQ评分升高的可能性分别是两指标正常患者的3.25倍和2.35倍。结论不同共病模式的AECOPD患者预后风险因素不同，且无论共病模式如何，直接胆红素偏高都是AECOPD患者HRQoL变化的独立危险因素。此外还应密切关注合并心血管疾病的AECOPD患者出现BMI异常变化。

关键词：共病模式慢性阻塞性肺病急性加重健康相关生命质量最小临床重要差异潜在类别分析有序logistic回归

来源：评论

学校读者我要写书评

暂无评论

基于SMOTE-ENN结合改进动态集成选择算法构建DLBCL患者2年内复发预测模型

引用

中国卫生统计 2025年第1期42卷 50-55,61页

作者：张高源赵瑞青张岩波余红梅周洁乔宇王俊霞王雪嫚于凯郭玉娇赵志强罗艳虹山西医科大学公共卫生学院卫生统计教研室 030001 重大疾病风险评估山西省重点实验室煤炭环境致病与防治教育部重点实验室山西省肿瘤医院核医学PET/CT中心山西省肿瘤医院血液科

目的构建基于FIRE动态集成选择(frienemy indecision region dynamic ensemble selection,FIRE-DES)的弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者治疗达到完全缓解后两年内复发情况的预测模型,为患者的治疗提供决策依据。方法收集山西省某三甲医院2010年1月至2020年1月经治疗后达到完全缓解的498名患者信息,构建基于四种常见类别不平衡处理方法的FIRE-DES复发预测模型,并与传统的五种单一分类器与两种集成分类器进行比较。结果四种类别不平衡算法中SMOTE-ENN(synthetic minority oversampling technique and edited nearest neighbor)算法取得了最优分类性能,在此基础上采用DESP(dynamic ensemble selection performance)、KNORAU(K-nearest oracle union)和META-DES(meta-learning for dynamic ensemble selection)动态集成选择算法的分类效果明显优于传统的单一分类器以及集成分类器模型,基于FIRE改进的DESP、KNORAU和META-DES动态选择算法的分类效果在其基础上实现了进一步提升,且FIRE-META-DES取得了最优的分类性能(准确率=0.909,精确率=0.906,召回率=0.967,ROC曲线下面积=0.879,F1-Score=0.936,Brier Score=0.088)。结论针对DLBCL实际数据集,本文SMOTE-ENN+FIRE-META-DES的复发预测模型在性能上达到最优,可为DLBCL复发预测提供有力参考。

关键词：弥漫大B细胞淋巴瘤复发预测类别不平衡动态集成选择

来源：评论

学校读者我要写书评

暂无评论

反事实解释框架在慢性阻塞性肺疾病急性加重患者治疗效果预判模型中的应用

引用

中华疾病控制杂志 2025年第4期 461-467+480页

作者：原一玮何航帜胡晓娟董涛靳婕赵卉张岩波山西医科大学公共卫生学院卫生统计学教研室重大疾病风险评估山西省重点实验室山西医科大学管理学院医学信息技术教研室山西医科大学第二医院呼吸与危重症医学科

目的针对慢性阻塞性肺疾病急性加重(acute exacerbation of chronic obstractive pulmonary disease, AECOPD)住院患者，构建结合反事实解释框架的机器学习(machine learning, ML)模型，精准预测患者住院疗效并提供临床决策支持。方法... 详细信息

目的针对慢性阻塞性肺疾病急性加重(acute exacerbation of chronic obstractive pulmonary disease, AECOPD)住院患者，构建结合反事实解释框架的机器学习(machine learning, ML)模型，精准预测患者住院疗效并提供临床决策支持。方法选择2012―2020年因AECOPD于山西医科大学第二医院住院的患者3 046例，以中位住院时长内是否好转出院作为结局变量，构建5种ML预测模型并进行性能对比。最后使用反事实框架解释最优模型并提供干预方案。结果 CatBoost(categorical boosting)模型的综合性能最好，受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under curve, AUC)为0.748、准确率为68.4%、精确率为70.6%、召回率为69.1%、F1值为69.8%、布里尔分数为20.4%,校准曲线接近对角线。通过反事实解释框架直观呈现了患者的结局发生机制，生成的可干预方案可协助医生改善AECOPD患者的住院疗效。结论在仅使用常规电子医疗病历数据的情况下，基于CatBoost的预测模型可实现对AECOPD患者住院疗效的预测，结合反事实解释框架可为医生提供针对AECOPD患者的个性化干预方案，为临床决策提供可靠的依据。

关键词：慢性阻塞性肺疾病急性加重机器学习预测模型模型可解释性反事实解释

来源：评论

学校读者我要写书评

暂无评论

基于高斯混合模型双向聚类重采样和随机森林构建DLBCL早期复发预测模型

引用

中国卫生统计 2025年第1期42卷 7-11,17页

作者：王俊霞张岩波余红梅曹红艳周洁乔宇张高源于凯王雪嫚郭玉娇赵志强罗艳虹山西医科大学公共卫生学院卫生统计教研室 030001 重大疾病风险评估山西省重点实验室煤炭环境致病与防治教育部重点实验室山西省肿瘤医院核医学PET/CT中心山西省肿瘤医院血液科

目的应用一种可以同时解决少数类和多数类类间和类内不平衡问题的类别不平衡处理方法,并将其与随机森林(random forest,RF)分类器结合实现对弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者早期复发的预测,为DLBLC患者的... 详细信息

目的应用一种可以同时解决少数类和多数类类间和类内不平衡问题的类别不平衡处理方法,并将其与随机森林(random forest,RF)分类器结合实现对弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者早期复发的预测,为DLBLC患者的治疗提供参考。方法首先使用一种基于高斯混合模型双向聚类重采样的类别不平衡处理方法(Gaussian mixture model,GMM-GMM)处理数据,并与随机过采样(random over sampling,ROS)、合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)、Borderline-1 SMOTE、Borderline-2 SMOTE、GMM上采样、GMM下采样、SMOTE+RUS、SMOTE+GMM和GMM+RUS进行比较,然后以RF作为分类器验证10种类别不平衡方法的性能,之后为验证RF的性能,在处理后的数据集上使用logistic回归和决策树(decision tree,DT)作为对照,最后从区分度和校准度两方面对模型进行评价。结果在本文所有模型中,采用GMM-GMM的RF模型取得了相对最优的分类性能(accuracy=0.79,AUC=0.87,sensitivity=0.71,specificity=0.87,G-means=0.79,MSE=0.21)。结论GMM-GMM优于其他传统的重采样方法,结合RF用于DLBCL患者早期复发的预测取得了相对较好的分类结果,可以很好地实现对DLBCL患者早期复发的预测。

关键词：类别不平衡高斯混合模型聚类重采样随机森林复发预测弥漫大B细胞淋巴瘤

来源：评论

学校读者我要写书评

暂无评论

基于SMOTE-ENN和深度森林的弥漫大B细胞淋巴瘤复发风险预测

引用

中国卫生统计 2025年第1期42卷 67-72页

作者：乔宇张岩波余红梅曹红艳周洁王俊霞张高源于凯王雪嫚郭玉娇赵志强罗艳虹山西医科大学公共卫生学院卫生统计教研室 030001 重大疾病风险评估山西省重点实验室煤炭环境致病与防治教育部重点实验室山西省肿瘤医院核医学PET/CT中心山西省肿瘤医院血液科

目的对山西省某肿瘤医院血液科2011—2020年被确诊为弥漫性大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)并经过治疗达到完全缓解(complete response,CR)的498例患者构建2年内的复发风险预测模型,为患者的临床治疗提供参考。方... 详细信息

目的对山西省某肿瘤医院血液科2011—2020年被确诊为弥漫性大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)并经过治疗达到完全缓解(complete response,CR)的498例患者构建2年内的复发风险预测模型,为患者的临床治疗提供参考。方法第一步使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)特征选择算法并结合临床医师意见筛选出对DLBCL达到CR的患者两年复发率影响较大的21个变量因素,第二步用SMOTE(synthetic minority oversampling technique)与SMOTE-ENN(synthetic minority oversampling technique and edited nearest neighbor)两种不平衡方法处理数据,将原始未处理数据和两种不平衡方法处理后的数据分别使用7种分类器进行模型预测。第三步用深度森林(deep forest,DF)做复发风险预测模型。第四步使用准确率(accuracy)、查准率(precision)、灵敏度/召回率(sensitivity/recall)、特异度(specificity)、F1值(F1-score)和G均值(G-means)比较模型分类性能,采用Brier分数(Brier score,BS)评价模型校准度。结果SMOTE-ENN不平衡方法下的深度森林算法表现最好(accuracy=0.932,precision=0.949,recall=0.944,specificity=0.910,F1-score=0.946,G-means=0.926,Brier score=0.068)。结论本文使用SMOTE-ENN不平衡方法与深度森林分类器结合的方法,对完全缓解的DLBCL患者两年复发进行预测,模型达到预期效果。

关键词：弥漫性大B细胞淋巴瘤不平衡数据复发预测深度森林

来源：评论

学校读者我要写书评

暂无评论

纵向项目反应理论在慢性心力衰竭患者报告结局中的应用

引用

中国卫生统计 2025年第1期42卷 110-114页

作者：解赛君闫晶晶韩港飞余红梅罗艳虹田晶张岩波山西医科大学公共卫生学院卫生统计学教研室重大疾病风险评估山西省重点实验室030001 山西医科大学第一医院心内科山西中医药大学健康服务与管理学院

目的探讨纵向项目反应理论在慢性心力衰竭(chronic heart failure,CHF)患者报告结局生理领域中的应用,分析患者纵向随访过程中的重点警示条目。方法本研究收集2017年10月至2020年11月山西省2所三甲医院慢性心力衰竭患者报告结局量表(CHF... 详细信息

目的探讨纵向项目反应理论在慢性心力衰竭(chronic heart failure,CHF)患者报告结局生理领域中的应用,分析患者纵向随访过程中的重点警示条目。方法本研究收集2017年10月至2020年11月山西省2所三甲医院慢性心力衰竭患者报告结局量表(CHF patient-reported outcome measure,CHF-PROM)数据,并在患者出院后1个月、3个月、6个月,之后每半年进行电话随访。构建包含协变量的纵向项目反应理论模型,估计CHF-PROM中生理领域各条目的区分度、难度、项目信息曲线及各协变量的回归系数。结果分析结果显示区分度参数最高的是条目15(能独自上街购买物品,2.487);最小的难度阈值参数为条目13(日常活动能够自理,-0.489);条目6(脸色苍白,13.1%)和条目7(口唇发紫,13.4%)在生理领域条目里提供的信息量最大;在反映CHF患者院外健康状况的变化趋势方面,女性、体力劳动者、NYHA等级高及高龄患者,其独立性维度得分变化较快;食欲睡眠维度,男性、NYHA等级高及非体力劳动者得分变化较快;躯体症状维度,女性、非体力劳动者得分变化较快;BMI小的患者整体生理领域健康水平变化趋势更快。结论总体来说CHF患者院外生理领域健康衰退呈现一定的规律性。对CHF患者生理健康的干预应重点放在恶化较快的方面,及时给予患者关注,防止不良结局事件的发生。

关键词：慢性心力衰竭患者报告结局纵向项目反应理论

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：