基于危险因素和常规实验室指标的子痫前期风险预测模型研究

目的通过对妊娠妇女6~10周的一般资料、危险因素和常规实验室指标水平进行数据分析,构建妊娠早期子痫前期(PE)预测模型,比较Logistic回归模型和极端梯度提升(XGBoost)模型的预测能力。方法回顾性分析2015年1月至2020年8月北京大学第三医院925例PE患者和7613例正常对照组的一般资料、PE发病危险因素和27项常规实验室指标(妊娠6~10周),包括血脂、肝肾功能、凝血、血细胞计数等指标,采用Mann-Whitney U检验、Logistic回归、XGBoost等统计学方法进行数据分析,分别建立预测模型,绘制ROC曲线抗磷脂综合征,计算曲线下面积(AUCROC)、敏感性、特异性;并用XGBoost绘制特征重要性条形图。结果两组孕妇是否有糖尿病、SLE、抗磷脂综合征、肾病、子痫或PE史以及是否为初产妇的比例差异均有统计学意义(P均<0.05)。27个常规实验室指标中,两组除Plt/Lym的水平差异无统计学意义(P均>0.05)外,其他所有指标差异均有统计学意义(P均<0.05)。仅纳入危险因素(7项)建立Logistic回归模型,AUCROC为0.621(95%CI:0.601~0.640),敏感性为34.8%,特异性为81.5%;纳入危险因素和实验室指标(6项危险因素+14项实验室指标)建立Logistic模型,AUCROC为0.752(95%CI:0.735~0.769),敏感性为64.2%,特异性为76.0%;建立XGBoost模型,AUCROC为0.867(95%CI:0.839~0.896),敏感性为73.0%,特异性为82.3%。采用XGBoost模型进行PE发病早期预测的能力最优。XGBoost筛选出重要性排在前三的指标依次为TG、Lp(a)、C1q。结论单独使用临床危险因素预测PE的效能不高,PE发病危险因素结合常规实验室指标进行妊娠早期预测PE发病风险的效果更优,而XGBoost模型早期预测PE发病的性能优于Logistic回归模型。TG、Lp(a)、C1q是早期预测PE发病的重要变量。

对高中物理常见电学实验问题的几点探究

物理课程是高中课程学习的重要科目,对于物理学习或题目解答可以将原理掌握并套用,也可将通用的方法总结使用。但对于学生来讲,加强实践与理论知识的融合学习,就能将物理课程的根本探究并合理利用,是提升自己物理知识水平的途径。对此本文将对电学实验问题的几点将展开的分析与讨论,以期给广大高中同学带来借鉴参考。