基于支持向量机算法的重症患者压力性损伤分级预测模型的构建及应用价值

目的基于支持向量机算法构建并验证重症监护病房(ICU)患者压力性损伤(PI)分级预测模型。方法收集2020年12月至2022年12月157例在重庆市某三级甲等医院重症医学科住院患者的临床资料,采用χ~2检验和kruskal-Wallis H检验筛选PI分级的影响因素。再将数据以7∶3的比例随机分为训练组和验证组,基于训练组数据利用支持向量机算法建立ICU患者PI分级预测模型,并采用五折交叉验证法进行参数优化。训练好的模型在验证组数据集中进行内部验证,对前后结果进行混淆矩阵分析,采用准确率、精确率、召回率、F1值和受试者工作特征曲线的曲线下面积(AUC)评估模型的性能。结果初步确定10个影响PI分级的因素,在gamma=0.1、cost=2.2时模型的性能最佳,PI分级预测模型的准确率为81.25%,精确率为79.70%,召回率为80.30%,F1值为79.90%,受试者工作特征曲线的AUC为0.939。结论构建的PI分级预测模型预测性能良好,可为临床医护人员制订ICU患者预防PI的分级护理干预方案提供参考依据。

基于支持向量机的MRI灌注与扩散技术对脑胶质瘤术前分级预测模型研究

目的采用基于支持向量机(SVM)的方法,对动态磁敏感对比增强灌注加权成像(DSC-PWI)、3D动脉自旋标记(3D-ASL)和多b值扩散加权成像(DWI)三种功能磁共振成像(fMRI)技术进行建模分析,以期构建一种效能最高的胶质瘤术前分级预测模型,为临床医师对胶质瘤患者术前分级的评估和治疗方案的确定提供更多有用的信息和帮助。方法回顾性分析50例被病理证实胶质瘤患者的影像学检查资料。测量患者DSC-PWI得到瘤侧和对应健康侧的脑血容量(CBV)和脑血流量(CBF)值,3D-ASL得到瘤侧和对应健康侧的CBF值。多b值DWI得到瘤侧和对应健康侧的ADC_(stand) 、ADC_(fast)、ADC_(slow)、灌注分数(f)和水通道蛋白(AQP)值。采用特征递归消除(RFE)算法对变量进行筛选后建立SVM预测模型并与常规预测模型比较,并用受试者工作特征曲线(ROC)曲线下面积(AUC)评价模型预测性能以及采用决策曲线(DCA)分析其临床实用价值。结果年龄、性别以及MRI灌注参数ASL-CBF、ASL-CBF_(健侧)、DSC-CBF、DSC-CBV、ADC_(stand)和f_(健侧)在高低级别胶质瘤中分布差异有统计学意义(P<0.05)。根据RFE算法发现最终纳入模型的8个变量分别为:rASL-CBF、DSC-CBV、DSC-CBF、ADC_(stand)、Age、rf、AQP值和ADC_(slow-bi)。ROC曲线分析发现SVM模型预测效能和精度最高,其次是基于RFE法建立的Logistic模型,而采用患者瘤体侧与健康侧的相对值等传统的方法建立的DSC、DWI和3D-ASL常规预测模型其预测效能和精确度都较低;其AUC分别为0.969(95%CI:0.931~1.000)、0.879(95%CI:0.786~0.969)、0.767(95%CI:0.630~0.903)、0.696(95%CI:0.542~0.849)和0.836(95%CI:0.724~0.947)。PCA分析表明,概率阈值从5%起采用基于SVM的术前预测模型可以使得患者净获益,且当概率阈值≥10%时,SVM的临床获益显著要优于基于Logistic回归建立的常规预测模型。结论 DSC-PWI、3D-ASL和多b值DWI三种fMRI技术对高低级别的鉴别诊断均具有一定的预测价值,而采用SVM构建的预测模型与常规预测模型比较具有更好的预测能力。利用SVM预测模型的指标重要性分布图的可视化特点,可清晰地了解那些参数在模型的重要程度,有助于临床影像科医师对胶质瘤的级别加以判断。