构建股骨转子间骨折股骨近端防旋髓内钉内固定失效的风险预测模型

背景:股骨转子间骨折是主要的老年脆性骨折类型,股骨近端防旋髓内钉是首选手术方案,但术后内固定失效的相关因素尚存在争议。目的:通过术前评估患者影像学资料提出一种新的股骨转子间骨折“三柱”分类法,并分析其与术后内固定失效的交互关系,利用数字技术运算开发和验证风险预测模型,便于临床医生术前甄别并干预高风险患者。方法:选择2012年6月和2022年6月佛山市中医院三水医院收治的股骨转子间骨折患者,按照术后是否出现内固定失效结局,分为内固定失效组和内固定维持组。根据患者术前X射线片将股骨近端分为“三柱”:内侧柱、外侧柱及中柱,每柱均有不同的亚组分型。分析“三柱”的形态特征与股骨近端防旋髓内钉内固定术后复位失效的关系,通过先单因素后多因素logistics回归分析,筛选出引起内固定失效的独立风险因素,根据独立风险因素利用R语言软件构建风险预测模型。采用自助法重抽样1000次,使用受试者工作特征曲线下的面积、校准曲线、临床决策曲线评价模型的区分度、校准能力及临床应用价值。通过Youden指数确定预测模型的最佳风险分界值,据此将患者分为高、低风险组,根据模型风险预测能力的准确度来评价其稳定性和外延性。结果与结论:①利用“三柱”分型系统预测骨折术后内固定失效的4个独立风险因素,分别为内侧柱(小转子及股骨距粉碎性骨折)[优势比=5.385,95%CI(1.961,14.782),P=0.001]、中间柱(烟囱型)[优势比=2.893,95%CI(1.167,7.173),P=0.022]、外侧柱(外侧壁厚度<20.5 mm)[优势比=2.804,95%CI(1.078,7.297),P=0.035]及外侧柱(外侧壁骨折)[优势比=4.278,95%CI(1.670,10.959),P=0.012];②构建的风险预测模型表现出良好的区分度和准确度[受试者工作特征曲线下面积=0.852,95%CI(0.837,0.922)],校准曲线显示模型预测风险和实际发生风险有较好的一致性;③临床决策曲线提示风险阈值概率在0.2-0.82范围内时,模型具有较好的临床适用性;风险概率为28%是模型风险分层的最佳阈值,模型在不同风险组别患者的预测性能较好;④此次研究通过“三柱”分型系统构建预测模型计算股骨转子间骨折患者术后内固定失效的风险概率,此方法准确、简便,易于临床应用,可作为一种数字化工具指导临床个性化治疗。

系统性红斑狼疮并发股骨头坏死危险因素列线图预测模型的建立和验证

背景:股骨头坏死是系统性红斑狼疮患者常见的并发症,若能早期对其发生风险进行预测与验证,将有助于避免或延缓股骨头坏死的发展。目的:分析系统性红斑狼疮患者并发股骨头坏死的危险因素,构建系统性红斑狼疮患者并发股骨头坏死的列线图预测模型并进行验证。方法:回顾性分析2013年1月至2022年12月首次就诊于河南中医药大学第一附属医院的914例系统性红斑狼疮患者的病历资料,根据是否发生股骨头坏死分为发生股骨头坏死组(n=100)和未发生股骨头坏死组(n=814)。采用单因素、LASSO回归和多因素Logistic回归分析筛选和确定系统性红斑狼疮并发股骨头坏死的危险因素。同时将数据集按照7∶3的比例随机分为训练集和测试集,并基于多因素Logistic回归分析结果,构建系统性红斑狼疮并发股骨头坏死的列线图预测模型。同时,使用受试者工作特征曲线、Hosmer-Lemeshow校准曲线和决策曲线对列线图的性能进行评估。结果与结论:①股骨头坏死组与未发生股骨头坏死组患者在系统性红斑狼疮病程、系统性红斑狼疮疾病活动度评分、狼疮性肾炎、呼吸系统受累、胃肠道受累、干燥综合征、骨质疏松、抗核糖核蛋白抗体阳性、补体C3降低、环磷酰胺、吗替麦考酚酯、生物抑制剂、糖皮质激素最大日剂量、糖皮质激素冲击治疗方面差异有显著性意义(P<0.05);②采用LASSO回归分析方法筛选出10个与系统性红斑狼疮并发股骨头坏死风险相关的预测变量,将其纳入多因素Logistic回归分析,结果显示系统性红斑狼疮病程、呼吸系统受累、干燥综合征、骨质疏松、抗核糖核蛋白抗体阳性、环磷酰胺、吗替麦考酚酯、生物抑制剂、糖皮质激素最大日剂量是系统性红斑狼疮患者发生股骨头坏死的独立危险因素(P<0.05);③训练集中预测发生风险的受试者工作特征曲线下面积为0.802(95%CI=0.742-0.862),测试集预测发生股骨头坏死风险受试者工作特征曲线下面积为0.811(95%CI=0.745-0.876);Hosmer-Lemeshow校准曲线拟合度较好(训练集,P=0.447;验证集,P=0.870);决策曲线显示使用列线图预测模型预测系统性红斑狼疮患者发生股骨头坏死的风险是有益的;④月经异常为女性系统性红斑狼疮患者并发股骨头坏死的危险因素之一;⑤此次研究结果提示,系统性红斑狼疮并发股骨头坏死的危险因素是多因素的,同时建立了一个包含9个危险因素的列线图预测模型,可将其用于预测系统性红斑狼疮患者发生股骨头坏死的风险;此外,首次报道了月经异常为女性系统性红斑狼疮并发股骨头坏死的危险因素之一。

基于Transformer模型的时序数据预测方法综述

时序数据预测(TSF)是指通过分析历史数据的趋势性、季节性等潜在信息,预测未来时间点或时间段的数值和趋势。时序数据由传感器生成,在金融、医疗、能源、交通、气象等众多领域都发挥着重要作用。随着物联网传感器的发展,海量的时序数据难以使用传统的机器学习解决,而Transformer在自然语言处理和计算机视觉等领域的诸多任务表现优秀,学者们利用Transformer模型有效捕获长期依赖关系,使得时序数据预测任务取得了飞速发展。综述了基于Transformer模型的时序数据预测方法,按时间梳理了时序数据预测的发展进程,系统介绍了时序数据预处理过程和方法,介绍了常用的时序预测评价指标和数据集。以算法框架为研究内容系统阐述了基于Transformer的各类模型在TSF任务中的应用方法和工作原理。通过实验对比了各个模型的性能、优点和局限性,并对实验结果展开了分析与讨论。结合Transformer模型在时序数据预测任务中现有工作存在的挑战提出了该方向未来发展趋势。

入ICU 12h内相关指标构建危重症患者预后预测模型

目的:探讨危重症患者28d死亡的影响因子,以入ICU 12h内指标构建危重症患者预后预测模型。方法:回顾性分析2021年1月—2022年6月我院ICU接收的危重症患者资料,经多因素二元logistic回归模型筛选影响因子,构建预测模型,并采用Nomogram模型展示影响因子对预后影响可视化。结果:共纳入259例危重症患者,入ICU 28d存活180例,死亡79例。多因素logistic回归分析显示年龄(OR=1.021,95%CI:1.002~1.040)、收缩压(OR=0.990,95%CI:0.981~0.999)、血清肌酐(OR=1.142,95%CI:1.018~1.281)、氧合指数(OR=0.998,95%CI:0.996~1.000)、格拉斯哥昏迷评分(OR=0.992,95%CI:0.868~0.981)是危重症患者28d死亡的影响因子(P<0.05);建立危重症患者28d死亡的预测模型为P=1/(1^(+)e^(-z)),Z=0.021×年龄-0.010×SBP^(+)0.133×SCr-0.002×OI-0.081×GCS,该模型对危重症患者预后预测AUC为0.752(95%CI:0.685~0.819,P<0.001),敏感度为0.658,特异度为0.767。结论:入ICU 12h内的年龄、收缩压、血清肌酐、氧合指数、格拉斯哥昏迷评分是本组危重症患者28d死亡的影响因子,依托入ICU 12h内建立的预测模型在早期预测危重症患者有良好的价值。

中低温岩浆热液型金矿床找矿预测地质模型

我国金矿资源对外依存度长期居高不下,立足国内,寻找并探明一批大型金矿床是一项迫在眉睫的重大任务。中低温岩浆热液型金矿床是我国金的最主要来源,如何寻找其隐伏矿和深部矿成为当前矿产勘查研究的热点。本文以勘查区找矿预测理论为指导,以中低温岩浆热液型金矿床为研究对象,总结了中低温岩浆热液型金矿床地质特征,构建了以成矿地质体、成矿构造和成矿结构面特征和成矿作用特征标志为核心内容的找矿预测地质模型,为该类型金矿床找矿预测提供了新的思路,指导隐伏矿和深部矿金资源勘查取得突破。中低温岩浆热液型金矿床分为中温岩浆热液型金矿床和低温岩浆热液型金矿床两个亚类,广泛发育于陆块区和造山带中,赋矿围岩多种多样,成矿时代广泛,主要集中在中生代。本文厘定了中低温岩浆热液型金矿床成矿地质体为中酸性侵入体,与矿床(体)呈现出空间上相依(1~5km)、时间上相近(10Myr)、成因上相关的内在成生联系和时空配置关系。成矿构造属褶皱、断裂、岩浆侵入复合构造系统;成矿结构面主要有断裂、硅钙面、岩溶构造及岩体侵入接触带、爆破角砾岩体及水压裂隙等;矿化样式受成矿结构面控制,大致可分为四个类型:层状、脉状、块状及其组合而成的复合型。中温岩浆热液型金矿床成矿作用早阶段温度可达450℃左右,形成强度不等的钾长石化、钠长石化或铁白云石化;主成矿阶段成矿温度250℃左右,蚀变主要为硅化、绢云母化、伊利石化,Au和Ag共伴生,同时伴生少量Pb、Zn、Cu等,主要金属矿物为黄铁矿,次为黄铜矿、磁黄铁矿、方铅矿和闪锌矿;而低温岩浆热液型金矿床成矿作用主阶段温度低于250℃,Au和As、Sb共伴生,Ag含量低,常见毒砂和辉锑矿等矿物,成矿作用早阶段蚀变则主要为硅化,有的为次生石英岩化。金的沉淀富集机制包括流体的沸腾、混合和交代等机制。成矿作用中心位于岩体外接触带2~3km和接触带之内,由浅部到深部形成“上脉下层”的二元结构模式,脉状矿体具有侧伏延深规律,在此基础上构建了找矿预测地质模型。在该模型指导下,我们重新厘定了我国重要成矿区带金矿床类型,在深部发现新的矿体样式,拓宽了深部找矿空间,提升了我国重要成矿区带成矿规律的认识水平,带动了我国重要成矿区带金矿找矿新突破。

农机数字化大数据管理平台的设计——基于电子商务平台重复客户预测模型

随着信息技术和农机现代化的加速推进,数字化农机管理已成为当今农业发展的重要趋势。为此,基于电子商务平台重复客户预测模型,提出了一种基于Hadoop和物联网的农机数字化大数据管理平台,旨在将传统农业生产与信息技术有机结合,实现农机作业数据的实时监测、质量分析、预测与预警、决策支持等功能,为农机作业的自动化和精准化提供有力保障。

基于模型预测控制的无人车编队避障方法

为研究障碍物环境下基于模型预测控制的无人车编队避障方法,建立了包含虚拟智能体状态的编队避障函数,使避障问题容易用优化方法求解.在无人车编队内部引入优先级策略实现编队内部避碰,并通过动态事件触发机制减小无人车之间通讯带宽占用.对该方法进行了计算机仿真验证,在给定多边形障碍物环境下,使用领导者-追随者架构执行编队行驶任务,并借助事件触发器实现间歇通讯.结果表明,相较于传统方法,所设计的编队控制器能够提高带宽约束下无人车编队行驶安全性.

高龄慢病患者潜在不适当用药风险预测模型的构建与验证

目的构建高龄慢病患者潜在不适当用药(PIM)的风险列线图预测模型,为临床决策提供参考。方法回顾性分析2023年1-12月在滁州市第一人民医院就诊的358例高龄慢病患者的临床资料,按7∶3的比例随机分为训练集和验证集。根据是否存在PIM,分为PIM组和非PIM组。在训练集中采用单因素和多因素回归分析,筛选高龄慢病患者PIM的风险因素,利用AIC准则决定最优Nomogram模型,并绘制列线图。通过曲线下面积(AUC)、校准曲线和决策曲线分析(DCA)评价模型的性能。结果训练集、验证集受试者操作特征曲线AUC分别为0.786、0.768;训练集、验证集校准图显示,Brier得分分别为0.164、0.165;Hosmer-Lemeshow拟合优度检验结果分别为χ^(2)=4.405(P=0.883)、χ^(2)=6.645(P=0.674),说明两组的实际曲线和理想曲线重合度较好;训练集、验证集决策曲线分析显示,当高龄慢病患者PIM发生的阈值概率处于20%~94%、30%~94%时,具有临床实用价值。结论构建的列线图模型具有较好的区分度、校准度及临床适用性,可有效、便捷地预测高龄慢病PIM患者,为临床早期识别并给予针对性干预提供参考。

基于EKF参数辨识的矩阵变换器间接模型预测控制

为解决矩阵变换器的直接模型预测控制算法计算量大的问题,基于矩阵变换器的等效间接调制策略,将矩阵变换器的预测控制等效为虚拟整流环节和虚拟逆变环节的预测控制。与传统的直接模型预测控制方法相比,间接模型预测控制的算法计算量明显降低,减少了算法的执行时间。针对预测控制对模型参数依赖度较高的问题,采用扩展卡尔曼滤波器对系统模型参数进行在线辨识,进而提高模型预测控制的鲁棒性和抗干扰能力。实验结果表明,所提出的基于扩展卡尔曼滤波器参数辨识算法的间接模型预测控制对负载电流和网侧单位功率因数具有良好的控制效果,并且对模型参数的依赖度降低。

老年下肢骨折术后尿路感染的危险因素分析及列线图预测模型构建

目的分析老年下肢骨折术后尿路感染的独立危险因素,构建列线图预测模型并对其应用价值进行验证。方法回顾性选取2020年1月至2023年12月在河北医科大学第三医院行手术治疗的550例老年下肢骨折患者,根据术后是否发生尿路感染分为感染组(n=60)与无感染组(n=490)。采用Logistic-Lasso回归分析筛选老年下肢骨折术后尿路感染的独立危险因素并构建列线图预测模型,使用受试者操作特征(ROC)曲线、校正曲线、临床决策曲线(DCA)验证该模型的价值。另选取2024年1—6月收治的113例老年下肢骨折手术患者作为外部验证样本进行外部验证。结果Logistic-Lasso回归分析显示,女性、糖尿病、低蛋白血症、手术时间、尿路结石、留置尿管时间是老年下肢骨折术后尿路感染的独立危险因素(P<0.05),据此构建列线图风险预测模型,该模型预测老年下肢骨折术后尿路感染的ROC曲线下面积(AUC)为0.809(95%CI 0.753~0.866),校准度为0.618,C-index为0.791,DCA验证显示其临床效用性较高。通过113例患者对该模型进行外部验证,结果显示AUC为0.769(95%CI 0.593~0.946),提示该模型在外部验证中仍具有较好的预测价值。结论女性、糖尿病、低蛋白血症、手术时间、尿路结石、留置尿管时间是老年下肢骨折术后尿路感染的独立危险因素,据此构建的列线图预测模型具有较好的预测价值,对早期发现老年下肢骨折术后尿路感染的高风险人群并制订针对性的围手术期管理措施具有一定指导意义。

肾部分切除术后近期术侧肾功能损失的危险因素及预测模型构建

目的分析肾部分切除术(PN)后近期术侧肾功能损失的危险因素,并以此构建预测模型进行验证。方法回顾性分析2015年1月-2023年12月江南大学附属医院收治的107例行PN治疗的患者的临床资料,根据患者术后近期术侧肾功能损失发生情况将其分为损失组(27例)和无损失组(80例)。采用多因素逐步Logistic回归模型分析影响患者术后术侧肾功能损失的危险因素,并以此构建Nomogram列线图模型预测患者术后肾功能损失的发生风险;绘制受试者工作特征(ROC)曲线,分析该模型对患者术后肾功能损失的预测效能。结果损失组肿瘤最大径、R.E.N.A.L评分、热缺血占比、缺血时间>45 min占比均高于无损失组,肾体积保留率低于无损失组(P<0.05)。多因素逐步Logistic回归分析结果显示,R.E.N.A.L评分[OR=5.609(95%CI:2.710,11.606)]、缺血类型[OR=4.462(95%CI:1.978,10.064)]是PN患者术后近期术侧肾功能损失的危险因素(P<0.05);肾体积保留率[OR=0.285(95%CI:0.098,0.826)]是保护因素(P<0.05)。基于上述影响因素构建的列线图预测模型经Bootstrap法内部验证,结果显示,C-index指数为0.852(95%CI:0.783,0.964),预测患者肾功能损失的校正曲线趋近于理想曲线(P>0.05)。列线图模型预测患者肾功能损失的敏感性为88.90%(95%CI:0.791,0.984)、特异性为91.20%(95%CI:0.841,0.994)。结论基于影响因素构建的列线图预测模型可较好地评估患者PN术后近期术侧肾功能损失的发生风险。

基于模型预测控制的水浴锅温度控制策略

针对水浴锅加热具有的复杂时间特性、控制物料温度难度大、部分物料达到稳定温度需要较长时间的问题,提出基于物理模型的模型预测控制策略,首先建立系统模型,考虑系统的加热功率,通过加权操作调整输出功率,动态控制系统;然后通过监测物料温度与设定温度的偏差,调整加热管功率的增量,迅速改变加热功率,从而缩短达到设定温度所需的时间。仿真结果显示:该策略能够有效跟踪设定温度,提升水浴锅加热效率,降低能源消耗,增强加热过程的稳定性和可控性。

基于XGBoost多输出模型实现宫颈癌VMAT中直肠和膀胱的DVH预测

目的基于XGBoost算法构建多输出模型,预测宫颈癌容积旋转调强放疗中膀胱和直肠的剂量。方法选取于我院进行宫颈癌容积旋转调强放疗的120例患者为研究对象。随机抽取20例患者作为测试集,将剩余100例患者数据按照4∶1采取五折交叉验证方式构建XGBoost预测模型。将所有患者CT中膀胱和直肠结构的与靶区边界距离直方图信息和计划中的剂量跌落函数f(x)作为输入,提取膀胱和直肠微分剂量体积直方图,并将其以2 Gy为间隔离散为多个剂量端点(Dose Endpoints,DEs)作为输出,建立多输出模型。使用平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)评估模型各个DEs预测值与临床实际值之间的差异。使用剂量体积百分比(V_(Rx))对比模型预测积分剂量体积直方图(Cumulative Dose Volume Histogram,cDVH)曲线与临床cDVH的差异。结果直肠剂量体积直方图(Dose Volume Histogram,DVH)曲线中所有DEs的MAE为0.0206,RMSE为0.0287;膀胱DVH曲线中所有DEs的MAE为0.0339,RMSE为0.0450。对比预测值与临床实际值的V_(Rx),约91.8%的膀胱预测值和实际值差异小于5%误差范围。直肠预测值与实际值差异小于5%误差范围占比为94.0%。进一步分析发现,膀胱体积<500 mL时,模型DVH预测表现较好;膀胱体积>500 mL时,模型DVH预测结果有待提高。直肠在各个体积范围内,其模型DVH预测均表现较好。结论基于XGBoost算法的多输出DVH预测模型可帮助临床医师和物理师快速评估直肠和膀胱的器官受量,且该模型无需高性能的图形处理器即可快速完成优化过程,为机器学习在放疗中的应用提供新思路。

基于前馈非线性模型预测控制的类车机器人路径跟踪

类车机器人由于零件标准化程度低,侧偏刚度等轮胎力学参数难以准确获得,存在动力学建模十分困难的问题,因此现有研究工作通常以运动学模型作为类车机器人的控制模型,但由于其运动学模型存在模型失配,导致类车机器人与参考路径之间的误差、类车机器人的前轮转角和前轮转角速度出现剧烈振荡现象.针对前述问题,本文基于非线性模型预测控制(Nonlinear model predictive control,NMPC)的滚动优化原理,引入基于逆运动学模型的前馈转角信息,将前轮转向角作为预测模型的第四维,提出了一种基于前馈非线性模型预测控制(Feedforward NMPC,FNMPC)的类车机器人路径跟踪控制算法.并通过Simulink和CarSim进行了联合仿真,结果表明FNMPC有效减小了模型失配导致的振荡现象,同时具有较高的跟踪精度.其中前馈非线性模型预测控制器的位移误差幅值不超过0.1106 m,航向误差幅值不超过0.1253 rad.在相同工况下,线性模型预测控制、前馈线性模型预测控制、纯跟踪控制和Stanley控制误差发散,而本文提出的FNMPC相比已有NMPC跟踪精度更高,且控制增量绝对累计值相比NMPC控制器减小67.53%.通过线控类车机器人底盘作为实验平台完成的测试结果表明,NMPC系统在进入弯道时出现控制失控现象,在相同工况下,FNMPC系统能够有效完成对参考路径的跟踪,同时将位移误差幅值控制在0.1624 m以内,航向误差幅值控制在0.1138 rad以内.

急性缺血性脑卒中预后预测研究的应用进展:以机器学习预测模型为例

急性缺血性脑卒中(AIS)具有高致残率、高病死率及高复发率等特点,给患者及社会造成沉重的负担。随着大数据时代的到来,预测模型在患者的诊治决策、预后管理以及卫生资源配置等方面的应用越来越多,其价值也愈发重要。机器学习方法是预测AIS患者预后的重要方法之一,且已广泛应用。本文以机器学习方法为重点,就AIS预后预测研究的最新进展予以综述,并提出机器学习预测模型目前所面临的问题与挑战,为AIS患者预后结局早期评估与预测在方法上提供新的思路和参考。

热射病患者发生急性肾损伤的危险因素分析及预测模型构建

目的探讨热射病(HS)患者发生急性肾损伤(AKI)的临床特征及危险因素,并进一步构建风险预测模型。方法选取四川大学华西医院、成都医学院第二附属医院、绵阳市中心医院等7家医院急诊科2022年7月1日—2022年9月30日收治的HS患者184例,根据住院期间是否发生AKI将患者分为AKI组和非AKI组,比较两组患者一般情况、就诊时症状、体征及实验室检查等指标,多因素Logistic回归分析筛选出HS患者发生AKI的独立危险因素,进一步建立AKI风险预测模型。结果最终纳入HS患者160例,其中AKI组70例,非AKI组90例,AKI发生率为44%。与非AKI组相比,AKI组患者合并横纹肌溶解、DIC比例更高,死亡率更高。多因素Logistic回归分析显示,入院时患者心率、收缩压、肌红蛋白、血小板计数是HS患者发生AKI的独立危险因素,基于上述指标构建预测模型,受试者工作曲线下面积(AUROC)为0.848(95%CI:0.789~0.907,P<0.05),高于序贯器官衰竭评价(SOFA)评分(AUROC)为0.790(95%CI:0.718~0.861,P<0.05)。结论本组HS患者AKI发生率44%,就诊时心率、收缩压、肌红蛋白和血小板计数是HS患者中发生AKI的独立危险因素,基于上述指标构建的模型可用于评估HS患者AKI风险。

基于中医证候与精液质量相关参数构建精子DNA碎片预测模型与验证

背景:中医证候与精液质量相关参数相结合,共同预测精子DNA碎片指数(DNA fragmentation index,DFI)异常增高的发生并绘制列线图,能显著提高临床的实操性与应用效能,为临床全面评估精液质量,采取积极干预措施以改善临床结局及制定个体化医疗方案提供依据。目的:探讨基于中医证候与精液质量相关参数构建精子DNA碎片的预测模型与验证。方法:回顾性分析2019年7月至2021年7月在广西壮族自治区南溪山医院中医男科接受中医证候诊断及精子DNA碎片率检查的不育患者共420例,据《人类精液检查与处理实验室手册》(第6版),将其中137例精子DFI>30%患者纳入精子DFI异常增高组,将283例精子DFI≤30%作为对照组;首先采用单因素分析筛选精子DFI异常增高的影响因素,然后采用套索算法(LASSO)校正因子共线性问题并筛选出最佳匹配因子后,将其纳入多因素向前逐步Logistic回归找出其独立影响因素并绘制列线图,最后采用受试者工作曲线、校准曲线、临床决策曲线、临床影响曲线对该预测模型进行区分度与准确度及临床应用效能验证。结果与结论:①单因素分析结果显示,年龄、体质量指数、前向运动率、精子总活率、精子浓度、精子形态学、肾阳虚衰证、湿热下注证、肾精不足证为引发精子DFI异常增高的影响因子(P<0.05);②通过LASSO回归进一步筛选出的最佳匹配因素为年龄、体质量指数、精子总活率、精子浓度、精子形态学、肾阳虚衰证、湿热下注证、肾精不足证(P<0.05);③多因素向前逐步Logistic回归结果显示年龄、体质量指数、精子浓度、精子总活率、湿热下注证、肾阳虚衰证共6项为引发精子DFI异常增高的独立影响因素;④受试者工作曲线显示,模型组曲线下面积为0.760(0.713,0.806),验证组曲线下面积为0.745(0.714,0.776),说明该预测模型具有较好的区分度;⑤校准曲线平均绝对误差0.040,Hosmer-Lemeshow检验P>0.05,表明该模型预测发生精子DFI异常增高的概率与实际发生精子DFI异常增高的概率无显著统计学差异,证实该模型具有较好的准确度;⑥临床决策曲线与临床影响曲线显示,模型组与验证组分别在阈概率值为0.08-0.84与0.09-0.78时具有临床最大净获益,且在该阈概率范围内具有较好的临床应用效能;⑦结果表明,年龄、体质量指数、精子浓度、精子总活率、湿热下注证、肾阳虚衰证为引发精子DFI异常增高的独立影响因素,通过其构建的临床预测模型列线图具有较好的临床预测价值与临床应用效能,可为临床全面评估精液质量、预后与干预及个体化医疗服务提供依据。

基于机器学习的冠心病风险预测模型构建与比较

背景冠状动脉粥样硬化性心脏病(以下简称冠心病)是全球重要的死亡原因之一。目前关于冠心病风险评估的研究在逐年增长。然而,在这些研究中常忽略了数据不平衡的问题,而解决该问题对于提高分类算法中识别冠心病风险的准确性至关重要。目的探索冠心病的影响因素,通过使用2种平衡数据的方法,基于5种算法建立冠心病风险相关的预测模型,比较这5种模型对冠心病风险的预测价值。方法基于2021年美国国家行为风险因素监测系统(BRFSS)横断面调查数据筛选出112606名研究对象的健康相关风险行为、慢性健康状况等24个变量信息,结局指标为自我报告是否患有冠心病并据此分为冠心病组和非冠心病组。通过进行单因素分析和逐步Logistic回归分析探索冠心病发生的影响因素并筛选出纳入预测模型的变量。随机抽取112606名受访者的10%(共计11261名),以8∶2的比例随机划分为训练与测试的数据集,采用随机过采样和合成少数过采样技术(SMOTE)两种过采样的方法处理不平衡数据,基于k最邻近算法(KNN)、Logistic回归、支持向量机(SVM)、决策树和XGBoost算法分别建立冠心病预测模型。结果两组年龄、性别、BMI、种族、婚姻状态、教育水平、收入水平、家里有几个孩子、是否被告知患高血压、是否被告知处于高血压前期、是否被告知患妊娠高血压、现在是否在服用高血压药物、是否被告知患有高脂血症、是否被告知患有糖尿病、吸烟情况、过去30 d内是否至少喝过1次酒、是否为重度饮酒者、是否为酗酒者、过去30 d内是否有体育锻炼、心理健康状况以及自我健康评价比较,差异有统计学意义(P<0.05)。逐步Logistic回归分析结果显示:年龄、性别、BMI、种族、教育水平、收入水平、是否被告知患高血压、是否被告知处于高血压前期、是否被告知患妊娠高血压、现在是否在服用高血压药物、是否被告知患有高脂血症、是否被告知患有糖尿病、吸烟情况、过去30 d内是否至少喝过1次酒、是否为重度饮酒者、是否为酗酒者以及自我健康评价为冠心病的影响因素(P<0.05)。风险模型构建的分析结果显示:k最邻近算法、Logistic回归、支持向量机、决策树和XGBoost采用SMOTE处理不平衡数据的总体分类精度分别为59.2%、67.4%、66.2%、69.2%和85.9%,召回率分别为75.2%、71.4%、70.5%、62.9%和34.8%,精确度分别为15.4%、18.2%、17.5%、17.6%和28.7%,F值分别为0.256、0.290、0.280、0.275和0.315,受试者工作特征曲线下面积分别为0.80、0.78、0.72、0.72和0.82;采用随机过采样处理不平衡数据的总体分类精度分别为62.5%、68.5%、69.0%、60.2%和70.1%,召回率分别为70.0%、69.5%、71.9%、69.0%和67.6%;精确度分别为15.8%、18.4%、19.1%、14.8%和19.0%,F值分别为0.258、0.291、0.302、0.244和0.297,受试者工作特征曲线下面积分别为0.80、0.77、0.72、0.72和0.83。结论本研究不仅确认了已知冠心病的影响因素,还发现了自我健康评价水平、收入水平和教育水平对冠心病具有潜在影响。在使用2种数据平衡方法后,5种算法的性能显著提高。其中XGBoost模型表现最佳,可作为未来优化冠心病预测模型的参考。此外,鉴于XGBoost模型的优异性能以及逐步Logistic回归的操作便捷和可解释性,推荐在冠心病风险预测模型中结合使用数据平衡后的XGBoost和逐步Logistic回归分析。

基于GA-BP神经网络岩石单轴抗压强度预测模型研究

为探究更为精确的上覆岩层砂岩和泥岩单轴抗压强度与其弹性模量之间的关联性,结合胡家河矿56组砂岩和泥岩单轴抗压强度与弹性模量历史数据,运用遗传算法优化了BP神经网络的结构参数和学习参数,得到了最佳的网络结构和参数设置,利用GA-BP神经网络对煤矿砂岩与泥岩单轴抗压强度进行了预测,并与传统的BP神经网络和非线性回归分析法进行了比较。研究结果表明,GA-BP神经网络预测模型在预测砂岩和泥岩单轴抗压强度与弹性模量间关系上具有较高的精度和泛化能力,能够有效地解决传统BP神经网络的局部最优和过拟合问题,相较于非线性回归分析,拥有更强的非线性关系建模能力,是一种适用于砂岩与泥岩单轴抗压强度预测的有效方法。

基于Transformer模型的水电机组轴承温度预测

水电机组在运行过程中,轴承温度会随着机组的工况变化而变化,是机组状态监测系统中的重要数据之一。然而影响轴承温度的参数指标众多,有环境温度、冷却器冷却性能、机组负荷等,其工业机理模型十分复杂,对其预测难度极大。为及时准确掌握机组的运行状态,需要对轴承温度进行预测。本文选取某个水电机组的实际运行数据,基于Transformer模型对水电机组的轴承温度进行预测,该研究可以应用于水电机组的趋势分析、状态评价及早期故障预测,避免烧瓦事故的发生,为水电机组的安全稳定运行提供数据支撑。