目的:利用随机森林算法对腰椎后路椎间融合术后发生感染的相关危险因素进行分析并制定预测模型,为临床预防腰椎后路椎间融合术后手术部位感染(surgical site infection,SSI)的发生提供参考依据。方法:回顾性研究北京中卫云医疗数据分析...目的:利用随机森林算法对腰椎后路椎间融合术后发生感染的相关危险因素进行分析并制定预测模型,为临床预防腰椎后路椎间融合术后手术部位感染(surgical site infection,SSI)的发生提供参考依据。方法:回顾性研究北京中卫云医疗数据分析与应用技术研究院经过数据处理分析提供的2019年6月~2021年6月在河北医科大学第一医院、第二医院、第三医院等河北省及北京市共15家三级甲等医院脊柱外科住院接受腰椎后路椎间融合术治疗患者的脱敏数据资料。统计分析比较感染组(SSI)和非感染组(non-SSI)的分类数据,得到对术后感染具有显著影响的变量,使用SPSS Modeler 20数据建模系统作为工具,采用随机森林(RF)算法进行分析,得到术后感染的患者特征,即感染模型。结果:本研究共纳入8764例患者数据,其中373例患者被诊断为SSI,发病率为4.4%(95%CI,2.2%~6.5%)。经过Logistic回归模型分析多个自变量与因变量的相关性,确定六个变量[包括肥胖、美国麻醉师协会(American Society of Anesthesiologists,ASA)分级Ⅲ级及以上、手术时间延长、慢性心脏病、糖尿病和肾功能不全]与SSI独立相关。以随机森林模型进行分类可获得较高的精度,为90.6%,腰椎后路椎间融合术后易发生感染的患者特征,即两种感染模式:[(BMI=1)and(SD=1)and(ASA=1)and(RI=1)]or[(BMI=0)and(SD=1)and(DM=1)and(RI=1)]。结论:随机森林分类算法应用于本研究可获得90.6%的平均精度,并得到两种感染模型,(1)患者肥胖,肾功能不全,ASA分级Ⅲ级及以上,且手术时间≥3h;(2)患者无肥胖,但同时患糖尿病、肾功能不全,且手术时间≥3h。展开更多
现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and...现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。展开更多
文摘目的:利用随机森林算法对腰椎后路椎间融合术后发生感染的相关危险因素进行分析并制定预测模型,为临床预防腰椎后路椎间融合术后手术部位感染(surgical site infection,SSI)的发生提供参考依据。方法:回顾性研究北京中卫云医疗数据分析与应用技术研究院经过数据处理分析提供的2019年6月~2021年6月在河北医科大学第一医院、第二医院、第三医院等河北省及北京市共15家三级甲等医院脊柱外科住院接受腰椎后路椎间融合术治疗患者的脱敏数据资料。统计分析比较感染组(SSI)和非感染组(non-SSI)的分类数据,得到对术后感染具有显著影响的变量,使用SPSS Modeler 20数据建模系统作为工具,采用随机森林(RF)算法进行分析,得到术后感染的患者特征,即感染模型。结果:本研究共纳入8764例患者数据,其中373例患者被诊断为SSI,发病率为4.4%(95%CI,2.2%~6.5%)。经过Logistic回归模型分析多个自变量与因变量的相关性,确定六个变量[包括肥胖、美国麻醉师协会(American Society of Anesthesiologists,ASA)分级Ⅲ级及以上、手术时间延长、慢性心脏病、糖尿病和肾功能不全]与SSI独立相关。以随机森林模型进行分类可获得较高的精度,为90.6%,腰椎后路椎间融合术后易发生感染的患者特征,即两种感染模式:[(BMI=1)and(SD=1)and(ASA=1)and(RI=1)]or[(BMI=0)and(SD=1)and(DM=1)and(RI=1)]。结论:随机森林分类算法应用于本研究可获得90.6%的平均精度,并得到两种感染模型,(1)患者肥胖,肾功能不全,ASA分级Ⅲ级及以上,且手术时间≥3h;(2)患者无肥胖,但同时患糖尿病、肾功能不全,且手术时间≥3h。
文摘现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。