目的探讨自发性脑出血患者术后合并肺栓塞的危险因素,构建并验证列线图模型。方法本研究是回顾性队列研究,回顾性选取2015年1月至2023年1月于重庆医科大学附属第一医院及重庆大学附属三峡医院住院治疗的393例患者为训练组,165例患者为...目的探讨自发性脑出血患者术后合并肺栓塞的危险因素,构建并验证列线图模型。方法本研究是回顾性队列研究,回顾性选取2015年1月至2023年1月于重庆医科大学附属第一医院及重庆大学附属三峡医院住院治疗的393例患者为训练组,165例患者为验证组,采用单因素和多因素逐步Logistic回归分析,筛选出与自发性脑出血术后合并肺栓塞相关的危险因素,构建并验证基于这些因素的列线图模型。结果基于年龄、出血量、格拉斯哥昏迷评分(Glasgow coma scale,GCS)、手术方式、纤维蛋白(原)降解产物(fibrinogen degradation product,FDP)、D-二聚体、血红蛋白和血浆、渗透压、有无深静脉血栓等危险因素绘制列线图模型,受试者工作特征曲线(receiver operating characteristic curve,ROC)显示模型对是否存在肺栓塞区分度良好,曲线下面积(area under curve,AUC)=0.908,验证集的Hosmer-Lemeshow拟合优度检验表明此模型对于验证集的拟合度良好(χ^(2)=14.805,df=8,P=0.063),校正曲线与理想曲线较为接近,模型的预测概率与实际发生概率接近,说明该模型准确性较高,决策曲线分析显示在较大范围的阈值概率下,建立的列线图模型均可获得收益。结论本研究建立的自发性脑出血患者术后合并肺栓塞的预测模型具有良好的预测性能,可在临床工作中准确、及时、快速识别肺栓塞的发生。展开更多
目的:构建基于人工智能的高血压性脑出血医疗文本信息自动识别系统,快速识别和分析患者临床信息,高效地输出正确的诊疗方案。方法:基于国内外最新高血压性脑出血诊疗指南,经多位高年资神经外科医生和专业人工智能团队共同讨论,构建基于...目的:构建基于人工智能的高血压性脑出血医疗文本信息自动识别系统,快速识别和分析患者临床信息,高效地输出正确的诊疗方案。方法:基于国内外最新高血压性脑出血诊疗指南,经多位高年资神经外科医生和专业人工智能团队共同讨论,构建基于语言表征模型和专家模块的高血压性脑出血医疗文本信息自动识别及决策系统(即H系统)。随后将收集到的高血压性脑出血病例分为训练集、测试集和验证集,以数据库中病例的真实治疗方案为金标准,先总体评价H系统的准确性,再将其与神经外科医生进行对比,分析H系统的判读效率。结果:在测试集中,H系统所输出的治疗方案的准确率为94.0%(91.5%~96.5%),特异度为91.8%(86.3%~97.3%),灵敏度为95.5%(89.3%~98.2%),曲线下面积(area under the curve,AUC)值为0.936(0.922~0.950)(P=0.000);在验证集中,H系统所输出的治疗方案的准确率为93.3%(89.5%~97.1%),特异度为89.9%(83.4%~96.4%),灵敏度为95.8%(92.3%~99.3%),AUC值为0.928(0.891~0.966)(P=0.000)。在处理同样的70例病例时,H系统用时(334.60±4.46)s,而神经外科医生用时(12 550.28±95.45)s;在50 min内,H系统处理的病例数为(383±3)例,而神经外科医生处理的病例数为(11±4)例。结论:本研究所构建的H系统能够对高血压性脑出血患者的急诊病例进行自动识别和分析,并快速输出准确的诊疗方案,可协助医生对高血压脑出血进行急诊诊疗。展开更多
文摘目的探讨自发性脑出血患者术后合并肺栓塞的危险因素,构建并验证列线图模型。方法本研究是回顾性队列研究,回顾性选取2015年1月至2023年1月于重庆医科大学附属第一医院及重庆大学附属三峡医院住院治疗的393例患者为训练组,165例患者为验证组,采用单因素和多因素逐步Logistic回归分析,筛选出与自发性脑出血术后合并肺栓塞相关的危险因素,构建并验证基于这些因素的列线图模型。结果基于年龄、出血量、格拉斯哥昏迷评分(Glasgow coma scale,GCS)、手术方式、纤维蛋白(原)降解产物(fibrinogen degradation product,FDP)、D-二聚体、血红蛋白和血浆、渗透压、有无深静脉血栓等危险因素绘制列线图模型,受试者工作特征曲线(receiver operating characteristic curve,ROC)显示模型对是否存在肺栓塞区分度良好,曲线下面积(area under curve,AUC)=0.908,验证集的Hosmer-Lemeshow拟合优度检验表明此模型对于验证集的拟合度良好(χ^(2)=14.805,df=8,P=0.063),校正曲线与理想曲线较为接近,模型的预测概率与实际发生概率接近,说明该模型准确性较高,决策曲线分析显示在较大范围的阈值概率下,建立的列线图模型均可获得收益。结论本研究建立的自发性脑出血患者术后合并肺栓塞的预测模型具有良好的预测性能,可在临床工作中准确、及时、快速识别肺栓塞的发生。
文摘目的:构建基于人工智能的高血压性脑出血医疗文本信息自动识别系统,快速识别和分析患者临床信息,高效地输出正确的诊疗方案。方法:基于国内外最新高血压性脑出血诊疗指南,经多位高年资神经外科医生和专业人工智能团队共同讨论,构建基于语言表征模型和专家模块的高血压性脑出血医疗文本信息自动识别及决策系统(即H系统)。随后将收集到的高血压性脑出血病例分为训练集、测试集和验证集,以数据库中病例的真实治疗方案为金标准,先总体评价H系统的准确性,再将其与神经外科医生进行对比,分析H系统的判读效率。结果:在测试集中,H系统所输出的治疗方案的准确率为94.0%(91.5%~96.5%),特异度为91.8%(86.3%~97.3%),灵敏度为95.5%(89.3%~98.2%),曲线下面积(area under the curve,AUC)值为0.936(0.922~0.950)(P=0.000);在验证集中,H系统所输出的治疗方案的准确率为93.3%(89.5%~97.1%),特异度为89.9%(83.4%~96.4%),灵敏度为95.8%(92.3%~99.3%),AUC值为0.928(0.891~0.966)(P=0.000)。在处理同样的70例病例时,H系统用时(334.60±4.46)s,而神经外科医生用时(12 550.28±95.45)s;在50 min内,H系统处理的病例数为(383±3)例,而神经外科医生处理的病例数为(11±4)例。结论:本研究所构建的H系统能够对高血压性脑出血患者的急诊病例进行自动识别和分析,并快速输出准确的诊疗方案,可协助医生对高血压脑出血进行急诊诊疗。
