结合环论的粒子群优化算法进行冠心病合并慢性心衰预后分析

目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RTPSO算法对数据进行均衡化处理,在均衡化数据集上构建logistic回归、随机森林、支持向量机模型。结果 本研究共纳入2229例冠心病合并慢性心衰患者,依据筛选出的BMI、射血分数、N端前脑钠肽等22个变量构建模型。用灵敏度、特异度、准确率、F-measure和AUC值评价模型性能,其中RF、SVM、logistic回归、RF-RTPSO、SVM-RTPSO、Logistic-RTPSO灵敏度的中位数分别为0.0172、0.0773、0.0776、0.7568、0.7640、0.7838;F-measure的中位数分别为0.0338、0.1143、0.1283、0.3412、0.3505、0.4545;AUC的中位数分别为0.5086、0.5264、0.5313、0.8016、0.7785、0.7985。结论 RTPSO算法可以从多数类样本中选择有代表性的少数样本,从而达到数据均衡化,使分类模型具备更高的预测性能,指导临床医生发现高危患者,尽早预防不良事件的发生。

基于生存结局加权多组学数据整合的胶质瘤分子分型

目的探讨将生存结局加权的多组学数据整合方法survClust应用于胶质瘤(glioma)数据,以识别具有显著分子异质性和预后差异的胶质瘤分子分型。方法采用survClust方法对中国胶质瘤基因数据库(Chinese glioma genome atlas,CGGA)的胶质瘤多组学数据进行结局加权整合分型,并拟合Cox比例风险模型评估不同分型患者预后。对不同分型间的差异表达基因(DEmiRNAs,DEmRNAs,DMGs)进行筛选,对DEmiRNAs靶基因、DEmRNAs、DMGs的重合基因进行GO功能注释;最后对不同分型患者进行免疫浸润分析。结果survClust将胶质瘤患者分为高危组和低危组,高危组患者的死亡风险是低危组的2.931倍。不同分型差异基因的分布存在差异,共筛选出194个DEmiRNAs,3396个DEmRNAs,1230个DMGs。将189个重合基因进行GO功能注释,得到52条差异具有统计学意义的GO生物项。此外,不同分型在B淋巴细胞、CD4+T细胞、CD8+T细胞、中性粒细胞、巨噬细胞和髓样树突状细胞的免疫浸润水平存在统计学差异。结论结局加权整合算法survClust能够有效识别兼具分子异质性和显著预后差异的胶质瘤亚型,同时基于分型结果筛选出的潜在生物标志物将为胶质瘤的个性化治疗提供科学理论依据。

网络增强核融合方法的改进及其在乳头状肾细胞癌多组学数据整合分子分型中的应用

目的针对网络增强的相似网络融合(network enhancement fusion,ne-SNF)方法先融合不同组学网络,再对融合后的网络降噪,忽略了不同组学相似网络噪声对融合网络影响的问题,本文提出了改进的网络增强融合(improved network enhancement fusion,improved ne-SNF)方法,并探讨其在乳头状肾细胞癌(papillary renal cell carcinoma,PRCC)分子分型中的应用,识别PRCC高危患者,筛选重要通路及免疫浸润细胞。方法通过模拟研究评估improved ne-SNF分型性能,并将其用于PRCC多组学数据的整合分型,利用Cox回归模型分析不同分型患者的预后风险;筛选不同分型的差异表达mRNA(DEmRNAs)、miRNA(DEmiRNAs)及差异甲基化基因(DMGs),并对其重合基因进行KEGG通路分析;最后对不同分型患者进行免疫细胞浸润分析。结果模拟研究结果表明improved ne-SNF在不同信号比例和噪声强度下的分型准确性均优于SNF和ne-SNF。improved ne-SNF方法将PRCC患者分为高危组和低危组,高危组患者的死亡风险是低危组的7.727倍;筛选出3511个DEmRNAs,96个DEmiRNAs及3426个DMGs,其联合分析的649个重合基因得到42条有统计学差异的KEGG通路。此外,筛选出3种在不同分型中存在统计学差异的免疫浸润细胞。结论improved ne-SNF分型性能优于SNF和ne-SNF,且能够有效识别PRCC预后高风险患者,并筛选出PRCC重要通路及相关免疫浸润细胞,为PRCC的治疗及预后提供新的思路和参考依据。

基于多随机经验核的弥漫大B细胞淋巴瘤复发预测

目的基于多随机经验核分类器构建弥漫大B细胞淋巴瘤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。方法利用山西省某三甲医院2010-2020年电子病历库中符合本研究要求的445名患者信息,基于五种常见类别不平衡处理方法以及多随机经验核分类器构建复发预测模型,并与五种分类器进行比较。结果基于SMOTE Tomek Links+多随机经验核分类器的复发预测模型取得了最优的分类性能(accuracy=0.89,precision=0.87,recall=0.92,f1-Score=0.89,brier score=0.11)。结论对DLBCL实际数据集,本文使用SMOTE Tomek links处理不平衡数据并构建多随机经验核模型,模型性能达到最优的同时计算复杂度也不高,可为DLBCL复发预测提供有力参考。

深度神经网络在不规则弥漫大B细胞淋巴瘤时间序列数据分类预测中的应用

目的探讨深度神经网络在不规则时间序列数据中的分类效果,并对山西某医院2014-2020年362例弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者进行复发预测。方法回顾性地收集了确诊且治疗后达到完全缓解的362例DLBCL患者的病例资料,并预测其两年内的复发。先利用LASSO回归进行变量的筛选,再构建基于GRU-ODE-Bayes(gated recurrent unirt-ordinary differential equation-Bayes)的不规则时间序列深度神经网络模型,并与传统模型及其他深度神经网络模型进行比较。结果在本文的所有模型中,传统模型的分类性能不及深度神经网络模型。其中GRU-ODE-Bayes模型最优,其AUC为0.85,灵敏度为0.84,特异度为0.71,G-means为0.77。结论关于不规则DLBCL时间序列数据,与本文其他模型相比,GRU-ODE-Bayes模型可以更精准地预测DLBCL患者的复发情况,可为患者个性化治疗和医生决策提供参考。

复杂网络社区发现视角下慢性阻塞性肺疾病患者的共病特征分析

目的探讨不同性别慢性阻塞性肺疾病患者的共病模式,为慢性阻塞性肺疾病患者分层管理提供理论依据。方法选取山西医科大学第二医院2011年12月至2020年5月慢性阻塞性肺疾病患者作为研究对象,横断面收集患者诊断信息建立共病网络,采用Louvain法对共病网络进行社区划分,并分析比较不同性别患者共病类型、组合及患病率。结果研究表明不同性别患者单个慢性病和共病对的患病率存在差异;各患者群体对应的共病网络和社区结构也不同。结论男性患者共病网络较女性患者共病网络更聚集和复杂,男性患者的共病模式比女性患者更复杂多样,疾病间联系更为紧密,在慢性阻塞性肺疾病患者中更应多关注男性患者,以期减少共病的发生。

慢性心衰患者报告结局恶化与最小显著差异之TUDD纵向分析

目的依据最小临床重要差异值,估计慢性心衰患者报告结局恶化事件的预警阈值及与死亡无关的病情恶化时间,预判患者发生不良事件的关键时点,提前干预,以减少不良事件发生。方法使用慢性心力衰竭患者报告结局量表,将患者报告结局评分从基线到18个月的变化按性别分组,进行Cox分析,并设置评分的降低值超过最小临床重要差异值为结局事件,观察各组患者分别出现生命质量下降的时间。本文主要关注量表的社会及治疗领域。结果共纳入173例患者,其中男性98例,女性75例。社会领域中男性病情恶化时间的中位数为18个月(P=0.043);治疗领域中,男性病情恶化时间的中位数为18个月(P<0.001),女性为12个月(95%CI:9.898~14.011,P<0.001)。对治疗领域做Cox回归分析,结果显示支持利用度维度是患者生命质量下降的危险因素(HR=1.018,95%CI:1.010~1.026,P<0.001)。结论慢性心衰患者生命质量的下降存在性别差异,需更早关注女性患者的生命质量,同时应鼓励患者主动向外界倾诉及寻求帮助。

基于鞅残差的多重填补法介绍与R语言实现

目的 简要介绍基于鞅残差的多重填补法的基本原理,通过模拟研究证明其效能及实现方式,为未测量混杂因素的填补提供方法学参考与思路。方法 基于模拟研究使用基于鞅残差的多重填补法填补未测量混杂因素,包括非时依性变量和时依性变量,并与传统的Cox模型、基于倾向性评分校准法的填补、基于对数生存时间的填补三种方法进行了比较。结果 模拟研究显示,无论未测量混杂为非时依性变量或时依性变量,基于鞅残差的多重填补法在大多数模拟情景中都可以产生更精确的估计和更小的偏倚。结论 在生存分析中,相比于其他方法,基于鞅残差的方法在计算生存时间的较复杂分布时比较灵活,能够有效减小填补后模型分析的偏倚。

结构方程模型局部估计在脑卒中患者报告结局评价中的应用

目的结合脑卒中患者报告结局调查数据,比较结构方程模型全局估计、局部估计方法的差异,探讨脑卒中患者的心理成因。方法借助Stroke-PRO(patient reported outcome)量表随机调查475例脑卒中患者,分别使用两种方法对实际数据进行分析,并通过纳入不同随机效应进行敏感性分析。结果降维过程中,数据信息损失量均低于5%。敏感性分析发现本研究不存在分类变量随机效应,结构方程模型全局估计与结构模型结合局部估计两种方法结果有一定差异,后者反映的路径系数略大于前者。结合本研究实际数据,发现社会交往可降低抑郁与回避情绪,言语交流一定程度上可缓解焦虑情绪。结论结构模型结合局部估计方法可有效分析既存在潜变量,同时潜变量模型包含有随机效应项的数据,脑卒中患者心理问题成因复杂。

某医科院校硕士新生心理健康的影响因素及预测列线图

目的探索医科院校硕士新生心理健康影响因素,构建风险预测列线图模型,为采取针对性的促进研究生心理健康措施提供参考。方法于2020年11-12月,对某医学院校参加选修课的所有硕士新生进行结构化问卷调查,通过单因素及二分类Logistic回归分析建立心理健康风险预测模型,并绘制列线图,同时对构建的模型进行预测效果评价。结果506名研究生新生中筛查结果为阳性者180例,阳性发生率为35.6%。自我隐瞒平均得分为(25.367±8.98)分,神经质平均得分为(24.777±7.185)分,严谨性平均得分为(34.931±5.731)分,宜人性平均得分为(36.063±5.428)分,开放性平均得分为(32.276±5.884)分,外向性平均得分为(28.515±7.381)分,心理压力平均得分为(99.007±36.271)分;睡眠质量平均得分为(7.104±2.223)分;经二分类Logistic回归分析显示,每周的锻炼时间(OR=0.921,95%CI:0.862~0.984)是心理健康的保护因素;自我隐瞒总分(OR=1.054,95%CI:1.021~1.089)、人际压力(OR=1.118,95%CI:1.019~1.226)、择业压力(OR=1.128,95%CI:1.038~1.226)、情绪压力(OR=1.262,95%CI:1.116~1.426)、神经质(OR=1.098,95%CI:1.046~1.153)和睡眠质量得分(OR=1.266,95%CI:1.115~1.438)是心理健康的独立危险因素。所构建的列线图模型C-index为0.924,校正C-index为0.917,AUC值为0.884。结论医科院校硕士新生的心理健康阳性检出率较高,受到每周锻炼时间、自我隐瞒程度、人际压力、择业压力、情绪压力、神经质和睡眠质量的影响,该研究构建的列线图模型具有较好的预测性能和实用价值。

一般混合线性模型SAS的MIXED过程实现——混合线性模型及其SAS软件实现(一)

目的 系统结构数据在医学领域广泛存在 ,其统计分析方法各异 ,可统称之为混合模型。本文研讨其实现方法。方法 以多水平模型例证一般混合线性模型的SASMIXED实现过程。结果 以JSP数据为实例显示SAS的拟合结果与MLn相一致。结论 SASMIXED可灵活地拟合包括多水平模型的各类混合模型。

基于可解释性机器学习模型的轻型缺血性卒中复发预测研究

目的利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素。方法回顾性收集2020年7—12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因素变量筛选,合成少数过采样技术-标称连续处理数据不平衡,数据集按8∶2的比例分为训练集与测试集,网格搜索10折交叉验证构建轻量梯度提升机(light gradient boosting machine,LightGBM)、支持向量机(support vector machine,SVM)模型,并与逻辑回归(logistic regression,LR)模型进行比较,基于ROC的AUC、校准曲线分别评价模型的区分度与校准度,性能最好的模型通过Shapley加性解释(Shapley additive explanation,SHAP)模型对预测结果进行解读。结果本研究共纳入520例MIS患者,2年内复发93例(17.9%),测试集中LightGBM、SVM、LR预测患者2年内复发的AUC分别为0.935(95%CI 0.896~0.973)、0.833(95%CI 0.770~0.896)、0.764(95%CI 0.691~0.835),准确度分别为0.890、0.773、0.693,布里尔分数分别为0.105、0.167、0.200。结果显示LightGBM模型性能最优,基于SHAP的LightGBM可解释模型重要性前5的是舒张压、年龄、糖尿病、LDL-C、吸烟。结论本研究建立的LightGBM模型预测效果良好,可为MIS患者2年内复发的预测提供借鉴。通过SHAP可解释性帮助临床医师更好地理解预测模型结果背后的原因,对MIS患者做出更个性化与合理化的临床决策。

基于潜在类别分析的差异化临床路径管理对策研究

目的通过对某医院临床路径病种进行类别划分,制定差异性临床路径管理对策,使得临床路径管理更精细,改善临床路径实施效果。方法以某医院2021年1月1日至2023年8月30日306个临床路径病种入径率、完成率、死亡率、治愈率、好转率、再入院率、变异率、平均住院日、平均住院费用为资料,采用潜在类别分析(LCA)进行临床路径病种分类,根据分类结果制定管理对策。结果306个临床路径病种最终划分为3个潜在类别,分别命名为“慢性疾病-待改善病组”(152种)、“可治愈疾病-运行良好病组”(108种)和“可治愈疾病-管理不良病组”(46种)。对待改善病组优化路径阶段项目,管理不良病组给予“临床路径+疾病诊断相关分组(DRG)”联合管理模式,从而改善某医院临床路径实施效果。结论潜在类别分析能够综合分析多个评价指标将临床路径科学分类,按照类别精准施策,提升临床路径的管理效率。

验证性因子分析模型的潜变量得分及其应用

目的:当某些情况下不宜采用结构方程模型分析时,通过估计获得潜变量得分,将之作为中间产物,便于进一步做其它的统计分析。方法:探讨验证性因子分析中潜变量得分的估计原理,潜变量得分的估计采用LISREL软件编程实现。结果:利用一组职业紧张调查数据例证了潜变量得分的估计方法,通过对职业紧张量表(OSI -R)测量结果分析,结果符合专业解释。结论:潜变量得分因克服了测量误差的存在。

重复测量数据的混合模型及其MIXED过程实现——混合线性模型及其SAS软件实现(二)

目的 重复测量数据存在自相关及随机误差分布于不同层次 ,不宜使用常规分析方法 ,本文研讨使用混合线性模型及SAS软件实现的分析方法。方法 利用MIXED对多个处理组的重复测量数据进行混合模型分析。结果 通过固定效应与随机效应及对协方差矩阵的估计 ,使重复测量数据得以合理的分析。结论 MIXED可以有效地、全面地分析重复测量数据。

医护人员职业紧张调查质量的信度评价

目的:对医护人员职业紧张的调查质量进行信度评价。方法:信度估计采用了同质性的cronbach-α系数以及固定与混合效应模型。结果:OSI-R量表的α系数和模型的信度估计结果与Osipow的结果一致,且优于国内同类研究。结论:本此调查结果可信,经过修订的OSI-R适合于对医护人员进行职业紧张评价。

离散型二分类数据的广义混合线性模型分析——混合线性模型及其SAS软件实现(三)

目的 离散型系统结构数据若忽略其误差多层次的存在 ,采用广义线性模型分析会导致不实的结果 ,本文探讨了广义混合线性模型理论及其实现过程。方法 利用SAS宏程序GLIMMIX实现了logit及loglog混合模型的分析。结果 各项结果均与MLN的分析结果一致 ,且进一步拟合了数据的logit随机系数模型。 结论 GLIMMIX可分析多种离散型系统结构数据 ,但还应注意算法和数据的误差分布 ,才能使广义混合线性模型得以合理地应用。

适应社会需求的临床医学生职业胜任力培养模式研究与实践

当前,医学教育中普遍存在以培养医学生临床技能为主的一种"孤岛局面",而且人文素质教育薄弱,致使医学生职业胜任力培养不足。山西医科大学参照医学教育标准,紧密结合区域社会发展需求和地方高等医学院校人才培养需求,以胜任力特征为切入点,开展了适应社会需求的、系统性素质教育支撑下的临床医学生职业胜任力研究与实践。项目实施以来,有效地促进了临床医学生的职业精神、临床技能、医患沟通和交流技能的综合提高,产生了良好的效果。

多分类反应变量的多水平多项式模型及其应用

目的 具有多层次结构特征的多分类离散数据不宜用常规方法分析 ,本文探讨了多水平多项式模型原理应用。方法 分别从无序和有序分类两种情形 ,研究多水平多项式模型的构造及估计的实现。结果 实例验证多水平模型能给予准确而详尽的结果。结论 对多层次结构的多分类离散数据应使用多水平多项式模型分析 ,在实际应用时 。

多水平结构方程模型及其应用

目的探讨如何利用多水平结构方程模型实现对系统结构数据进行分析。方法以医师职业紧张数据为实例,分别采用MLwiN与LISREL软件例证了多水平结构方程模型的构建和分析原理。结果高水平协方差矩阵提示数据具有系统结构特征,模型分析结果提示紧张反应与职业任务成正比,与应对方式成反比,结果符合专业解释。结论当系统结构特征突出时,采用多水平结构方程模型应趋合理。