2010至2020年机器学习方法在重症医学领域应用进展的可视化分析

目的基于知识可视化分析探讨2010~2020年机器学习在重症医学领域的应用情况。方法收集2010~2020年中国知网、万方数据和Web of Science(WOS)收录的机器学习方法在重症医学领域应用的相关文献。采用Cite Space软件对作者、国家、研究机构、共被引文献和关键词进行提取,并对该领域的合作关系以及热点、前沿话题进行探讨。结果2010~2020年期间共检索出4889篇中文文献和8036篇英文文献,发文量呈逐年上升趋势。在英文文献的作者、国家和机构研究主体分析中,发文量前十的机构及发文量最大、H指数最高的作者均来自美国,而中国在此领域尚有明显差距。"危险因素(risk factor)"和"病死率(mortality)"分别是中英文文献中频次最高的关键词。同时"危重症(critical illness)"在WOS中的突增年份从2018年开始一直持续至今,并且该关键词在中文文献中突增年份持续最长,表明机器学习应用已成为当前重症医学界持续关注的研究热点。在对WOS核心数据库的共被引共现网络聚类中,"脓毒症"和"机器学习"是最活跃的两个聚类。被引次数最高的2篇文献来自于"脓毒症"聚类,均与脓毒症的定义有关。在"机器学习"的聚类中,高被引文献集中在公开重症监护数据库-Ⅲ(medical information mark for intensive care-Ⅲ,MIMIC-Ⅲ)的分析,可见数据对机器学习应用于重症医学的重要性。结论机器学习是重症医学领域当前的研究热点之一,重点关键词为危重病病死率、危险因素和结局判断,脓毒症、谵妄、急性肾损伤和COVID-19等是最受关注的危重疾病。未来应对这些热点问题进行深入研究,增加国内外学者的合作与交流。

两代人的文化馆情缘

为凝聚行业力量、提振行业精神,彰显文化馆人爱岗敬业、向上向善向美的精神风貌,扩大文化馆在全社会的知晓度和影响力,中国文化馆协会携手全国各级文化馆(站)开展了“繁荣群众文化共享美好生活”主题宣传工作,面向全社会开展“文化馆的幸福生活”“文化馆员寄语”征集活动。广大文化馆(站)从业人员和基层群众踊跃参加,撰写了很多与文化馆(站)和群众文化工作相关的生动、有趣、感人的小故事。本刊选取部分优秀作品全文刊载,以飨读者。

机器学习应用于心脏骤停早期预测模型的系统评价

目的系统评价采用机器学习(machine learning,ML)的心脏骤停(cardiac arrest,CA)早期临床预测模型的预测价值。方法计算机检索PubMed、EMbase、WanFang Data和CNKI数据库,搜集关于ML用于CA预测的研究,检索时限均从2015年1月至2021年2月。由2名研究者独立筛选文献、提取资料并评价纳入研究的偏倚风险后,评价不同模型的诊断准确性和比较受试者工作特征曲线下面积(AUC)。结果共纳入38个研究。在数据来源方面,13篇研究数据来源于开源数据库,25篇文章回顾性收集了患者资料,其中直接预测CA的文章有21篇,预测CA相关性心律失常的文章有3篇,预测心源性猝死的文章有9篇。共有51种模型被采用,其中使用频次最高的ML算法为人工神经网络(n=11),其次为随机森林(n=9)和支持向量机(n=5)。使用频次最高的输入特征为心电图参数(n=20),其次为年龄(n=12)和心率变异率(n=10)。共有6个研究比较了ML与其他经典统计学模型的预测价值,且ML模型的AUC值普遍高于经典统计学模型。结论现有证据表明,ML可更准确地预测CA的发生,在特定情况下ML的预测性能优于传统统计学模型。