基于自动化机器学习建立结肠镜肠道准备失败风险预测模型及评价

目的 鉴于机器学习(ML)在医学模型中的广泛应用,以及其出色的学习和泛化特性,该研究采用自动化机器学习(AutoML)结合患者一般资料和临床状况,早期评估结肠镜前肠道准备的失败风险。方法 回顾性分析2022年1月-2023年1月在该院接受结肠镜检查的患者的临床资料。波士顿肠道准备评分(BBPS)≤5分被定义为肠道准备失败,> 5分为合格。将患者按8∶2的比例随机划分了训练集(n=303)和验证集(n=76)。采用最小绝对收缩和选择算子(LASSO)逻辑回归(LR)模型进行特征选择,构建列线图评分系统,并使用基于5种算法的AutoML建立模型。模型性能通过受试者操作特征曲线(ROC curve)、校准曲线、基于LR (Lasso回归)的决策曲线分析(DCA)、SHAP图和力图进行评估。结果 在379例患者中,105例(27.7%)肠道准备失败(BBPS≤5分)。21个研究变量在经LASSO 5折交叉验证后,获得10个变量,并构建了一款列线图评分系统,通过校正曲线表明了LASSO模型的可靠性。使用H2O平台和5种算法[梯度提升机(GBM)、深度学习(DL)、广义线性模型(GLM)、堆叠集成(Stacked Ensemble)和分布式随机森林(DRF)]开发了67个模型。经比较,Stacked Ensemble表现最佳,其曲线下面积(AUC)为0.871,对数损失值(LogLoss)为0.403,均方根误差(RMSE)为0.354,优于其他模型和传统的LR模型。变量重要性贡献图显示,服完泻药至检查间隔时间、便秘、是否完整服完泻药、年龄和家属陪同等因素对肠道准备失败的预测有重要影响。最后,SHAP图和力图揭示了变量在二分类预测结果中的分布特征,以及各变量对预测结果的影响。结论 基于Stacked Ensemble算法的AutoML模型,对肠道准备失败风险的早期预测有明显的临床实用性。同时,该研究构建了一款可供临床使用的列线图评分工具。

实时肠道准备评估系统(ENDOANGEL)在结肠镜检查肠道准备质量评估中的应用

目的探讨实时肠道准备评估系统(ENDOANGEL)在结肠镜检查肠道准备质量评估中的应用价值。方法前瞻性纳入2021年3—12月湖北医药学院附属襄阳市第一人民医院消化内镜检查患者1360例,随机分为ENDOANGEL辅助结肠镜检查组(680例)和常规结肠镜检查组(680例),进行肠道清洁度的判断和评价。在常规结肠镜检查组中,内镜医师和护士在退镜阶段使用BBPS量表的肠道清洁质量评分评估肠道准备的质量。在内镜辅助系统(ENDOANGEL)结肠镜检查组退镜阶段增加了内镜系统辅助技术,其他技术保持不变。结果ENDOANGEL内镜辅助结肠镜组肠道准备质量评分的准确度明显优于常规结肠镜组,差异有统计学意义(P<0.05),两组在3分的准确度上无显著性差异(P>0.05),但ENDOANGEL内镜辅助结肠镜组的0分、1分和2分评分准确度高于常规结肠镜组,差异有统计学意义(P<0.05)。结论ENDOANGEL可用于评价结肠镜的准备质量,具有较好的特异性和敏感性。它可以帮助内镜医师在结肠镜检查过程中进行实时监测,积极提示肠道清洁度评分,避免观察者的判断偏差,提高结肠镜检查质量。

量化运动在提高胃肠镜检查患者肠道准备清洁率中的应用分析

探讨对成年患者进行胃肠镜检查前对其进行肠道准备指导结合量化运动干预的效果。方法 选取 2023年06月至10月期间在南京市中医院脾胃病科住院的240例成年患者作为研究对象。按照随机数表法将其分为实验组与对照组,各120例。在进行该项目检查前,对对照组患者进行常规的健康宣教,对实验组患者进行量化运动干预,然后对比两组患者波士顿肠道准备评估量表(BBPS)的评分、不良反应发生率。结果 干预后,实验组BBPS评分明显高于对照组,P <0.001。实验组中各不良反应发生率,合并多种不良反应发生率均低于对照组。结论 成年患者进行量化运动干预在提高肠道准备清洁率方面成效明显,一方面有利于提高对护理工作的满意率,另一方面可以有效降低其服药过程中不良反应的发生率。