基于人工智能的儿童甲流和乙流辅助诊断模型研究

目的通过机器学习算法进行甲流和乙流阳性感染患儿的智能辅助诊断模型研究,协助开展传染病门诊预诊。方法以2013年1月—2020年6月在复旦大学附属儿科医院门诊就诊的呼吸道感染性疾病患儿为研究对象,纳入基本信息、鼻咽拭子及血常规检验数据,采用Python进行数据处理和统计分析,基于Logistics回归和GBDT模型构建辅助诊断模型并计算特征值,以ROC曲线、AUC值和模型概率预测箱型图等指标作为模型性能判断标准。结果经鼻咽拭子确诊为单甲流阳性38094例,单乙流阳性24792例,甲乙流合并215例,共计63101例。共纳入25个指标作为模型特征值。基于Logistics模型和GBDT模型构建的甲流辅助诊断模型AUC值分别为0.877和0.884,前5位重要特征为年龄、单核细胞百分比、白细胞、淋巴细胞绝对值和C反应蛋白;乙流模型AUC值分别为0.895和0.902,前5位特征为年龄、单核细胞百分比、嗜酸性细胞计数、白细胞和血小板。GBDT效果均好于Logistics模型,且在鉴别单乙流阳性病例时性能最佳(AUC=0.902)。结论本研究建立起基于血常规检验数据的儿童甲乙型流感AI辅助诊断模型,可在诊前较为准确地从呼吸道感染性疾病人群中识别甲流和乙流感染阳性患儿,迁移性好,能够在实际应用中发挥诊前辅助诊断作用。

糖尿病管理中健康医疗数据的开放与集成进展

在介绍健康医疗大数据及其存在问题的基础上,就与糖尿病管理中健康医疗数据开放与集成有关的有效性使用、互操作性、开发框架以及安全伦理等几方面进行系统综述,表明个人健康医疗数据的开放与集成可以帮助患者更好地管理自己的健康档案,提高医疗护理质量。

基于电子病历数据的临床表型提取及其应用进展

在介绍临床表型提取技术的基础上,利用临床决策支持技术、自然语言处理技术和机器学习方法,就从糖尿病相关电子病历中提取临床表型等方面进行系统综述,表明深度学习方法可以更高效准确地从电子病历数据中提取出临床表型,帮助临床研究人员更好地进行临床试验,提高医疗护理水平。