摘要：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。

摘要：在这个五色斑斓的世界里,历史、现实和未来不再以纵向的面目展现在世人的面前,它们交织缠绕带动着人们一起在想象的时空里流动,处处充满了浮躁与宣泄、假面与虚伪。文化的清醒与艺术的抱负统统归纳臣服在现代的工业逻辑之下而相应具有了疑惑和不安的品质。精神的凄惶孤单与五方杂陈四散在当下资源共享呼声的资源碎片里。电影世界中视觉飨宴开场了,都是一些含混而华丽的文化底纹浮泛,市声嘈杂,娇嗲傲色。然而东方民族的一支迈着坚实厚重的步伐,捧着真诚炽热的心灵带着我们一起到达分呈流动的视听描绘图景。

摘要：文章通过对韩国电影深入切近的剖析,从传统文化和本土经验的角度,对商业机制下的电影文本作回归影音本质的诠释。在比较历史传统的背景下以人性、爱情、细节为触点探求民族精神气质所蕴涵的丰厚艺术包容量。

摘要：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。

摘要：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。