普外科术中低体温发生情况Logistics回归分析及预测模型构建

目的探讨普外科术中低体温发生的风险因素,构建并验证术中低体温发生的风险预测模型。方法选取2020年12月至2022年12月在本院接受普外科手术的117例患者作为观察对象。收集患者临床资料,根据患者术中是否发生低体温将其分为发生低体温组(A组)和未发生低体温组(B组)。Logistic回归分析影响患者普外科术中发生低体温的危险因素,并建立风险预测模型,受试者工作特征曲线(ROC)检测该模型的预测效能。结果117例患者中发生低体温31例(26.49%),未发生低体温86例(73.50%)。两组患者在年龄、体重指数、手术方式、ASA分级、术中输液量、手术室温、手术时间等方面比较,差异具有统计学意义(P<0.05)。Logistic回归分析结果显示,年龄≥65岁、术中输液量≥1000 mL、麻醉时间≥4 h、手术室温<23℃是普外科术中发生低体温的危险因素(P<0.05)。独立危险因素纳入Logistic回归分析并建立预测模型,模型预测概率P=1/[1+e(-1.020+0.874)×(年龄)+1.114×(术中输液量)+1.556×(手术室温)+1.453×(麻醉时间)]。ROC曲线检验该模型预测效能,结果显示ROC曲线下面积(AUC)=0.754(P<0.05);Hosmer-Lemeshow拟合优度检验显示,χ^(2)=1.001,P=0.998。结论患者年龄、术中输液量、麻醉时间、手术室温是普外科患者术中发生低体温的独立危险因素,Logistic风险预测模型拟合效度好,具有较高预测价值。

随机森林模型和Logistic回归模型预测非计划再手术发生风险的效能比较

目的比较随机森林模型和Logistic回归模型预测非计划再手术发生风险的效能。方法在手术麻醉系统中筛选一次住院期间申请2次手术的患者信息。提取所有非计划再次手术患者(n=219)作为研究组,对应科室的计划再次手术患者(n=14311)作为对照组。运用随机森林模型和Logistic回归模型建立非计划再手术预测模型。采用受试者工作特征曲线下面积评价两种模型的预测效能。结果(1)Logistic回归分析结果显示,前次术中输血、罹患恶性肿瘤、合并疾病数量、前次手术切口愈合等级、前次手术级别、前次手术时长、前次手术切口类别是非计划再手术发生的影响因素(P<0.05)。Logistic回归预测模型的曲线下面积为0.922,灵敏度、特异度、准确率分别为92.59%、79.11%、79.28%。(2)随机森林模型特征变量的重要性排序结果显示,前次手术切口类别、前次术中输血、前次手术级别、前次手术切口愈合等级、合并疾病数量、罹患恶性肿瘤等变量的重要性更靠前。随机森林预测模型的曲线下面积为0.866,灵敏度、特异度、准确率分别为80.00%、93.33%、86.66%。Logistic回归预测模型曲线下面积大于随机森林预测模型,但差异无统计学意义(P>0.05)。结论综合使用Logistic回归模型和随机森林模型,并将二者分析结果互为补充,可从各个方面预测非计划再次手术的风险因素,能获得更好的预测效能。

基于Logistic回归和支持向量机的早发性结直肠癌风险预测模型

目的:通过Logis tic回归和支持向量机(SVM)探究早发性结直肠癌(EOCRC)和晚发性结直肠癌(LOCRC)的危险因素,建立针对不同年龄段人群的风险预测模型并比较预测效果。方法:选择2012—2022年诊断为结直肠癌患者,记录人口学特征、临床表现、既往史、家族史、生活方式、体格检查、实验室检查及病理诊断,分别建立风险预测模型,比较两模型的ROC曲线下面积(AUROC)、准确率、精确率、召回率、F1分数。结果:综合两模型结果,EOCRC风险与出现消化道出血、腹胀腹痛、大便习惯改变等临床表现、体重减轻、肿瘤标志物升高具有较强的正相关性,与婚姻状况、阑尾切除史、糖尿病史、血脂异常病史、结直肠癌家族史也存在较弱的正相关;LOCRC风险与婚姻状况、出现临床表现、体重减轻、血脂异常、肿瘤标志物升高具有较强的正相关性,与年龄、吸烟、阑尾切除史、结直肠癌家族史也存在一定的正相关性。两模型的AUROC、准确率、F1分数相差不大,但Logistic回归模型的精确率更高而SVM模型的召回率更高。结论:EOCRC和LOCRC的危险因素不完全相同,婚姻状况、吸烟、血脂异常、肿瘤家族史在EOCRC中的贡献低于在LOCRC中的贡献。相较Logistic回归,SVM能发现更多的结直肠癌危险因素,能尽可能多的找出结直肠癌的可能患者。

基于LASSO-Logistic回归构建Siewert Ⅱ/Ⅲ型食管胃结合部腺癌术后早期复发预测模型

目的 探讨SiewertⅡ/Ⅲ型食管胃结合部腺癌(adenocarcinoma of esophagogastric junction, AEG)根治术后早期复发的危险因素,构建可视化预测模型。方法 回顾性分析2016年1月至2021年3月兰州大学第二医院诊断为SiewertⅡ/Ⅲ型AEG且接受根治性切除术患者的临床病理资料,将样本以7∶3的比例随机分为建模组与验证组。采用LASSO-Logistic回归分析法筛选出预测SiewertⅡ/Ⅲ型AEG早期复发的变量,并构建早期复发预测模型。基于Bootstrap法进行1000次重复抽样验证模型。绘制受试者工作特征(receiver operating characteristic, ROC)曲线,计算曲线下面积(area under curve, AUC),绘制校准曲线和决策曲线(decision curve analysis, DCA)对模型的稳定性进行评估。结果根据纳入与排除标准,共320例SiewertⅡ/Ⅲ型AEG患者最终纳入分析,其中2年内复发者122例;LASSO-Logistic回归分析显示,AJCC分期、分化程度、糖类抗原199、癌胚抗原、中性粒细胞与淋巴细胞比值及肿瘤长径是SiewertⅡ/Ⅲ型AEG早期复发的独立预测因素,依此构建预测模型并绘制列线图。绘制ROC曲线得到建模组AUC为0.836(95%CI:0.785~0.887),灵敏度为81.4%,特异度为85.6%;验证组AUC为0.812(95%CI:0.711~0.912),灵敏度为80.6%,特异度为87.7%。建模组与验证组的校准曲线显示拟合曲线与参考曲线接近,表明模型具有较高稳定性。DCA曲线显示阈值概率在0.05~0.75时模型具有良好的净收益。结论 基于LASSO-Logistic回归分析法构建的预测SiewertⅡ/Ⅲ型AEG早期复发的多因素模型,有助于判断患者临床预后,为术后病情监测与管理提供参考依据。

基于多模态超声图像特征的Logistic回归模型预测三阴性乳腺癌病灶肿瘤浸润淋巴细胞表达的临床价值

目的探讨基于多模态超声(包括二维超声、剪切波弹性成像、超声造影及自动乳腺全容积成像)图像特征的Logistic回归模型术前预测三阴性乳腺癌(TNBC)病灶肿瘤浸润淋巴细胞(TILs)表达的临床价值。方法选取经病理证实的TNBC女性患者99例,根据TILs表达水平将其分为TILs低表达组41例(TILs表达水平<20%)和TILs高表达组58例(TILs表达水平≥20%),应用二维超声获取病灶形态、方位、边缘、内部回声、后方回声、钙化等特征,剪切波弹性成像检测病灶剪切波速度(SWV),自动乳腺全容积成像获取病灶有无汇聚征、晕环征、导管改变等特征,超声造影获取起始增强时间、增强强度、增强方向、增强模式、局灶性充盈缺损、周围血管征、增强后病变范围等特征。比较两组多模态超声图像特征的差异;应用多因素Logistic回归分析筛选预测TNBC病灶TILs高表达的独立影响因素,并建立回归模型。绘制受试者工作特征(ROC)曲线分析回归模型预测TNBC病灶TILs高表达的诊断效能。结果TIls高表达组二维超声图像特征形态规则、边缘光整、后方回声增强、内部回声不均匀,以及超声造影图像特征高增强、局灶性充盈缺损占比均高于TIls低表达组,差异均有统计学意义(均P<0.05);两组自动乳腺全容积成像特征及SWV比较差异均无统计学意义。多因素Logistic回归分析显示,形态规则、边缘光整、后方回声增强、高增强及局灶性充盈缺损均为预测TNBC病灶TILs高表达的独立影响因素(OR=6.858、3.824、5.909、1.945、6.522,均P<0.05);建立的回归模型为:Logit(P)=-2.989+1.925×形态规则+1.341×边缘光整+1.776×后方回声增强+0.665×高增强+1.875×局灶性充盈缺损;其预测TNBC病灶TILs高表达的ROC曲线下面积为0.772。结论基于多模态超声图像特征的Logistic回归模型对术前预测TNBC病灶TILs表达有一定的临床价值。

Lasso-Logistic回归模型拟合临床因素、NF-κB/NLRP3信号通路预测心肌梗死后缺血性心肌病价值

目的基于Lasso-Logistic回归分析心肌梗死后缺血性心肌病(ICM)影响因素,探讨临床因素、核因子-κB(NF-κB)/核苷酸结合寡聚结构域样受体家族3(NLRP3)信号通路及Lasso-Logistic回归模型对心肌梗死后ICM的预测价值,为本病防治提供参考。方法选取2020年9月—2023年9月秦皇岛市第一医院收治的342例心肌梗死患者为研究对象进行前瞻性研究,按照7∶3比例分为建模组239例、验证组103例,依据经皮冠状动脉介入术(PCI)术后6个月内是否发生ICM分为ICM亚组、非ICM亚组。采用Lasso筛选心肌梗死后ICM发生相关变量,以有统计学意义变量构建临床因素模型,以NF-κB/NLRP3信号通路构建NF-κB/NLRP3信号通路模型,以临床因素、NF-κB/NLRP3联合建立混合模型(Lasso-Logistic回归模型)。对比不同预测模型对心肌梗死后ICM的预测价值。结果建模组ICM发生率为27.97%,验证组ICM发生率为26.47%;Lasso筛选出5个预测变量为NF-kB mRNA、NLRP3 mRNA、Gensini评分、LVEF、饮酒,Logistic回归分析显示,Gensini评分、NLRP3 mRNA、NF-κB mRNA、饮酒是心肌梗死后ICM影响因素(P<0.05);混合模型预测心肌梗死后ICM的AUC、敏感度、特异度分别为0.921、80.30%、88.82%,临床因素模型分别为0.886、78.79%、85.29%,NF-κB/NLRP3信号通路模型分别为0.873、74.24%、87.06%,混合模型的AUC高于临床因素模型、NF-κB/NLRP3信号通路模型(P<0.05)。结论Gensini评分、NLRP3 mRNA、NF-κB mRNA、饮酒是心肌梗死后ICM危险因素,联合上述影响因素建立Lasso-Logistic回归模型,该模型对心肌梗死后ICM具有一定预测效能,有助于临床早期筛查高危人群,并予以相应干预措施,以降低ICM发生风险。

基于过采样Logistic回归模型的互联网贷款违约预测研究

在持续增长的居民贷款消费需求刺激下,互联网贷款业务的规模呈现出持续快速扩张的发展态势,发挥机器学习模型在个贷违约预测的作用,控制和防范互联网贷款违约风险,具有十分重要的意义。通过对不同数据集的样本特征进行详细分析,构建个人信用风险评估指标体系,利用具有普适性特征和可解释性特征的Logistic回归模型对个贷违约进行预测。针对原始数据集存在不平衡样本的问题,分别采用过采样和欠采样的重抽样方法获得平衡样本集,调整正则化惩罚力度,选择最优结果的参数来进行建模,得到模型预测结果。最后对如何防范互联网贷款违约风险提出了相关建议。

Logistic回归与决策树模型对大面积急性岛叶梗死患者预后的预测价值

目的探讨Logistic回归模型和决策树模型对大面积急性岛叶梗死预后不良的预测价值。方法回顾性分析2019年1月—2022年12月收治的大面积急性岛叶梗死100例的临床资料,根据发病3个月后改良Rankin量表分为预后良好组和预后不良组。统计2组临床资料、实验室指标、疾病史等基线资料。构建Logistic回归模型、决策树模型分析预后不良影响因素。绘制受试者工作特征(ROC)曲线分析2种模型对预后不良的预测效能。结果发病3个月后失访3例,预后不良发生率为39.18%(38/97),预后良好率为60.82%(59/97)。Logistic回归分析显示,年龄、房颤、基线肌钙蛋白T(cTnT)、鸢尾素、闭锁蛋白(Occludin)是预后不良影响因素(P<0.01);决策树模型分析显示,年龄、房颤、基线cTnT及Occludin是预后不良影响因素;决策树模型预测预后不良的曲线下面积大于Logistic回归模型。结论年龄、房颤、基线cTnT、Occludin是大面积急性岛叶梗死患者预后不良影响因素,基于上述因素构建Logistic回归模型和决策树模型均具有良好应用价值,应结合2种模型优点,为临床诊治提供新思路。

肺癌根治术后肺部感染的Lasso-logistic回归预测模型构建和外部验证

目的:构建肺癌根治术后肺部感染的Lasso-logistic回归预测模型,并进行外部验证。方法:将行肺癌根治术治疗的730例肺癌患者,按照7∶3比例随机分为训练组(n=511)、验证组(n=219)。统计术后3 d内训练组、验证组肺部感染发生情况,并比较发生、未发生肺部感染患者临床资料,在训练组中通过Lasso-logistic回归模型分析肺癌术后肺部感染的影响因素,根据影响因素构建肺部感染Lasso-logistic回归列线图预测模型,在验证组中对Lasso-logistic回归列线图预测模型进行外部验证。结果:本研究730例肺癌患者术后肺部感染发生率为17.81%,训练组、验证组肺部感染发生率分别为17.42%、18.72%,组间比较,差异无统计学意义(P>0.05);在训练组、验证组中,发生与未发生肺部感染患者的年龄、吸烟史、肿瘤分期、糖尿病、慢性阻塞性肺疾病(COPD)、引流管留置时间、手术时间、机械通气时间、血清C反应蛋白(CRP)、降钙素原(PCT)、淀粉样蛋白A(SAA)、高迁移率族蛋白B1(HMGB1)、可溶性CD14(sCD14)、CD4^(+)/CD8^(+)水平的比较,差异均有统计学意义(P<0.05);Lassologistic回归模型分析显示,以年龄、COPD、机械通气时间、CRP、PCT、SAA、HMGB1、sCD14、CD4^(+)/CD8^(+)作为肺癌根治术后肺部感染的预测因素,可使模型性能优良且影响因素最少;根据Lasso-logistic回归筛选出的9个预测因素构建肺部感染Lasso-logistic回归列线图预测模型,通过外部验证显示该模型预测肺部感染的曲线下面积(AUC)为0.921(95%CI:0.818~0.984),预测敏感度、特异度分别为91.83%、97.26%,具有良好预测效能,且该模型预测肺部感染的校准度良好,与实际观测结果一致性较高。结论:肺癌根治术后肺部感染发生率高,其影响因素较多,根据筛查出的相关预测因素构建肺部感染Lasso-logistic回归列线图预测模型在预测肺部感染发生风险方面具有良好预测价值,有助于指导临床预防术后肺部感染。

基于投影寻踪回归方法的微压过滤冲洗池水头损失与过滤效率预测模型

以微压过滤冲洗池的水头损失与过滤效率为考核指标,考虑进水流量、矿化度、含沙量与滤网孔径4个因素进行正交试验设计,采用投影寻踪回归方法PPR分析各个因素对考核指标的影响权重,选取20组试验数据建立含沙微咸水条件下微压过滤冲洗池水头损失和过滤效率的预测模型,探究了含沙微咸水对微压过滤冲洗池的水头损失和过滤效率的影响。研究结果表明,影响微压过滤冲洗池水头损失的因素由大到小依次为进水流量、含沙量、矿化度、滤网孔径;影响过滤效率的因素由大到小依次为含沙量、进水流量、矿化度、滤网孔径;构建的PPR预测模型的预测精度整体合格率达100%;当进水流量为6~7 m^(3)/h、含沙量为0.5~1.0 g/L、矿化度为0~2.0 g/L及滤网孔径为0.125~0.180 mm时,水头损失存在最小值;当进水流量为9~10 m^(3)/h、含沙量为1.75~2.00 g/L、矿化度为0~3.0 g/L及滤网孔径为0.125~0.150 mm时,过滤效率存在最大值。物理模型的试验结果可为微压过滤冲洗池的实际应用提供研究基础。

基于Logistic模型和SPC算法的关键技术识别与预测——以卫星互联网为例

识别关键技术有助于在制定技术和市场战略布局中获得先发优势,对我国经济发展、国家安全具有重要意义。文中提出一种融合生命周期与主路径分析的关键技术识别方法,是对已有的研究理论和方法的重要补充。首先,检索相关领域专利数据并进行技术划分;然后,综合运用Lo-gistic模型和SPC算法构建技术轨道,识别关键技术;接着,使用显性技术优势指数比较主要国家技术竞争态势;最后,结合关键技术与技术竞争态势绘制技术路线图,识别技术热点与前沿预测。以卫星互联网为例,阐述该方法的应用过程。研究结果表明,该方法能够较为准确识别出该领域关键技术,揭示全球技术竞争态势,有效实现技术热点识别和未来技术预测;识别出的卫星互联网关键技术,能够为国家发展政策制定与相关产业布局提供参考。

湖南高速公路基础设施碳排放峰值支持向量回归预测模型

本文选取湖南省的人口数、人均GDP、基础设施固定资产投资、单位产值能耗比和单位能耗碳排放量作为高速公路基础设施的碳排放影响因素,选用湖南省2003—2021年相关数据并采用支持向量回归(SVR)机器学习法,建立了湖南省高速公路基础设施碳排放预测模型,预测在基准、低碳和超低碳情景下的碳排放数据。结果表明:训练样本交叉验证均方误差为0.007011,模型的预测值和真实值的拟合回归效果良好,训练集和测试集的相关系数分别为0.9869和0.9870,即模型具有良好的学习和推广能力。本文识别了碳排放的影响因素,预测了未来碳排放趋势,对交通基础设施碳减排行动具有一定的参考意义。

决策树C5.0与Logistic回归模型对产后腹直肌分离预测性能的比较研究

目的比较决策树C5.0与Logistic回归模型对产后腹直肌分离的预测效果。方法选取产后复查的产妇476例作为研究对象。采用问卷调查法获取产妇的一般资料;采用电刺激治疗仪评估盆底肌电值;采用腹部触诊法判断腹直肌分离程度。将所有数据按照3∶2的比例建立训练集与测试集,运用决策树C5.0及Logistic回归建立产后腹直肌分离的风险预测模型;采用准确度、灵敏度、特异度、约登指数、阴性预测值、阳性预测值和受试者工作特征(ROC)曲线的曲线下面积(AUC)对模型的预测性能进行比较。结果在训练集中,决策树C5.0和Logistic回归模型的准确度分别为96.94%、72.45%,灵敏度分别为98.92%、86.02%,特异度分别为93.52%、49.07%,阳性预测值分别为96.34%、74.42%,阴性预测值分别为98.06%、67.09%,约登指数分别为92.44%、35.10%,AUC分别为0.962、0.675;训练集中,决策树C5.0和Logistic回归模型的AUC比较,差异有统计学意义(P<0.05)。在测试集中,决策树C5.0与Logistic回归模型的准确率分别为81.50%、62.43%,灵敏度分别为88.35%、82.52%,特异度分别为71.43%、32.86%,阳性预测值分别为81.98%、64.39%,阴性预测值分别为80.65%、56.10%,约登指数分别为59.78%、15.38%,AUC分别为0.799、0.577;测试集中,决策树C5.0和Logistic回归模型的AUC比较,差异有统计学意义(P<0.05)。结论决策树C5.0对产后腹直肌分离的预测效能优于Logistic回归模型。

构建及验证基于Logistic回归的Stanford A型主动脉夹层术后谵妄风险预测模型效果

目的 基于Logistic回归分析构建Stanford A型主动脉夹层(TAAD)术后谵妄风险预测模型,同时验证其预测效果。方法 选取2021年1月至2021年7月河南省胸科医院收治的200例TAAD患者为研究对象,均行外科手术治疗,并收集上述患者临床资料。将上述受试者根据术后情况分为非谵妄组和谵妄组。比较非谵妄组和谵妄组基线资料,然后将有统计学意义的基线资料进行Logistic回归分析。基于Logistic回归分析结果构建TAAD患者术后谵妄风险预测模型。检验模型区分度和拟合优度。另在2022年3月至2022年6月本院收治的行外科手术治疗的25例TAAD患者对模型预测效能进行验证。结果 Logistic回归分析显示男、年龄> 54.60岁、术前血乳酸值> 1.96 mmol/L、术中深低温停循环时间> 35.70 min、术后住ICU时间> 8.3 d、术后急性肾功能不全、术后感染均是影响患者术后发生谵妄的危险因素,差异有统计学意义(P <0.05)。基于Logistic回归分析结果建立的预测模型ROC曲线下面积、95%CI、敏感度、特异度分别为0.913、0.879~0.984、75.30%、86.50%,差异有统计学意义(P <0.05)。Hosmer-Lemeshow检验χ^(2)=4.315,P=0.324。模型验证结果显示,ROC曲线下面积为0.884,差异有统计学意义(95%CI为0.768~0.983,P <0.001),Hosmer-Lemeshow检验χ^(2)=5.246,P=0.286。敏感度和特异度分别为74.50%、83.60%。结论 基于Logistic回归分析构建的TAAD术后谵妄风险预测模型预测效果较好,可用于预测TAAD患者术后发生谵妄的风险,为该病术后护理及预防措施提供参考。

猪胴体重在线分级预测线性回归模型研究

[目的]针对国内大多数屠宰企业仍通过人工测量猪胴体背膘厚度,再结合胴体重对其进行分级,存在劳动强度大、作业效率低、人畜交叉污染风险高等问题,本文旨在建立猪胴体重预测模型,以便利用图像处理等技术获取模型中的相关参数,进而获得胴体重。[方法]在14:00—15:00、15:20—16:20、16:30—17:30三个时段内,随机选取按照标准化工艺屠宰后15 min左右、胴体重50~90 kg的猪胴体60头,在完成各试样前腿处横长(L_(f))、1/2处横长(L_( 1/2))、后腿处横长(L_(r))、1/2处背膘厚度(t_(1/2))、胴体直长(L_(t))及胴体重(w)等参数测定的基础上,建立不同的胴体重预测模型并进行优化及准确率验证。[结果]采用横长加权均值(L_(e))代替背膘厚度,与直长建立的胴体重预测模型为w=4.05L_(e)+0.45 L_(t)-116.32,其决定系数由0.48提高到0.96(P=0.01),预测准确率最高达94.16%。[结论]采用横长加权均值减小了误差,建立的猪胴体重预测模型准确性较其他模型高。

多因素Logistic回归模型和XGBoost模型对舌癌患者放疗期间发生口腔感染的预测价值

目的探讨多因素Logistic回归模型和XGBoost模型对舌癌患者放疗期间发生口腔感染的预测价值。方法选取2003年1月—2022年12月在新疆医科大学第一附属医院就诊的431例放疗的舌癌患者,随机分为训练组288例和预测组143例。比较多因素Logistic回归模型和XGBoost模型对舌癌患者放疗期间发生口腔感染的预测效能。结果多因素Logistic回归模型结果显示,年龄[O^R=3.250(95%CI:1.476,7.634)],肿瘤分期[O^R=2.941(95%CI:1.248,7.613)],口腔环境[O^R=0.210(95%CI:0.079,0.502)],是否手术[O^R=0.285(95%CI:0.113,0.663)],血红蛋白[O^R=0.323(95%CI:0.139,0.712)],血清白蛋白[O^R=0.353(95%CI:0.148,0.851)]是放疗期间发生口腔感染的独立预测因素。XGBoost模型结果显示,口腔环境、手术、肿瘤分期、血清白蛋白、年龄、同步化疗、红细胞计数、血红蛋白、中性粒细胞计数为重要性指标。多因素Logistic回归模型和XGBoost模型受试者工作特征曲线下面积分别为0.830、0.835,两者比较,差异无统计学意义(P>0.05);敏感性分别为88.24%(95%CI:0.729,1.000)、82.35%(95%CI:0.642,1.000);特异性分别为68.25%(95%CI:0.601,0.764)、69.84%(95%CI:0.627,0.786)。结论多因素Logistic回归模型和XGBoost模型对舌癌患者放疗期间发生口腔感染的预测均有意义,两者预测效能相当。建立模型有助于筛选出口腔感染的高危人群,及早采取预防措施,降低口腔感染发生风险。

基于Logistic回归模型和PCA模型的急性缺血性脑卒中发作影响因素分析

目的应用Logistic回归模型和主成分分析(PCA)模型分析急性缺血性脑卒中(AIS)发作的影响因素。方法从大连医科大学附属第二医院医渡云科研大数据服务器系统提取2001年1月1日至2021年12月31日的数据,将医院病历系统收录的55620例AIS患者纳入病例组,将筛选后的64134例在医院体检中心体检的人群纳入对照组。收集两组的临床资料,分析AIS发作的影响因素。结果多因素分析结果显示,年龄、性别、肌酐、白细胞计数、血红蛋白、红细胞计数、血小板计数、甘油三酯(TG)、低密度脂蛋白胆固醇(LDL-C)、高密度脂蛋白胆固醇(HDL-C)、丙氨酸氨基转移酶(ALT)、总胆固醇(TC)、γ-谷氨酰转移酶(γ-GGT)水平及吸烟史、饮酒史、高血压、糖尿病、心梗、冠心病、动脉粥样硬化为AIS的影响因素(P<0.05);受试者工作特征(ROC)曲线下面积(AUC)为0.927。PCA提取8个主成分,既往病史、血脂水平风险比较大。结论既往病史及血脂水平是AIS发作的主要影响因素,有效控制原发疾病及血脂水平能够更好控制AIS发作。

基于DCE-MRI表现的logistic回归分析模型在乳腺良恶性病变诊断中的应用

目的 分析基于动态对比增强磁共振成像(DCE-M RI)表现的logistic回归分析模型在乳腺良恶性病变诊断中的应用。方法 回顾性分析2021年1月~2023年10月来我院进行乳腺检查患者161例临床资料。其中良性病变60例、恶性病变101例,分别纳入良性组(n=60)及恶性组(n=101)。分析两组DCE-MRI表现差异,进行单因素分析,利用二元Logistic回归分析构建乳腺良恶性病变诊断模型。采用受试者工作特征(ROC)曲线分析乳腺良恶性病变诊断模型的效能。结果 单因素分析显示,良性组与恶性组TIC曲线、BI-RADS分级、早期强化率、边缘形态及病灶大小比较差异有统计学意义(P<0.05);二元Logistic回归分析结果显示, TIC曲线、BI-RADS分级、早期强化率、边缘形态及病灶大小是乳腺良恶性病变危险征像;构建logistic乳腺癌良恶性病变诊断模型Y=-0.633+0.645TIC曲线+2.112×BI-RADS分级+1.142×早期强化率+1.136×边缘形态+1.136×病灶大小;ROC曲线分析显示该模型诊断效能,AUC为0.944,敏感度为83.33%,特异度为85.15%,提示该模型具有较高的诊断效能。结论 基于乳腺病变早期DCE-MRI表现的logistic诊断模型,能够筛选出对乳腺恶性病变鉴别诊断有意义的特征变量,对乳腺良恶性病变具有较高的诊断效能。

HDP发病危险因素及回归模型预测价值

目的:探讨妊娠期高血压疾病(HDP)发病的危险因素及回归模型对其预测价值。方法:选取2020年1月-2022年5月本院收治172例HDP孕妇,并随机选取同期收治的196例非HDP孕妇,分别纳入HDP组和对照组。予以多因素logistic回归分析法分析HDP发病的危险因素,构建预测模型,其对HDP发病的预测价值通过同时绘制受试者工作特征(ROC)曲线进行分析,并统计两组妊娠结局。结果:多因素logistic回归分析结果显示,年龄≥35岁、孕前超重、孕期钙摄入不足、未规律产检、高血压家族史、妊娠合并糖尿病是HDP发病的独立危险因素(OR=1.902、2.812、2.477、2.158、1.966、3.428,P<0.05)。构建回归方程模型logit(P)=-10.764+年龄×0.643+孕前超重×1.034+孕期钙摄入不足×0.907+规律产检×0.769+高血压家族史×0.676+妊娠合并糖尿病×1.232。ROC曲线显示,当logit(P)>12.31时,曲线下面积(AUC)值为0.898,χ^(2)=24.984,95%CI 0.863~0.927,诊断特异度为80.6%,敏感度为84.9%。HDP组胎儿不良妊娠结局发生率高于对照组(26.7%比3.6%,P<0.05)。结论:HDP会导致不良妊娠结局的风险升高,而年龄≥35岁、孕前超重、孕期钙摄入不足、未规律产检、高血压家族史、妊娠合并糖尿病是HDP发病的独立危险因素,回归模型对其预测价值较高,临床尽早明确以上危险因素,并给予针对性干预措施,有助于降低HDP的发病风险。

基于回归分析的发动机HC排放预测模型

将回归分析方法用在一台经过改造的汽油/柴油双燃料发动机HC排放研究上。以1700r/min@60 N·m工况为例描述了试验设计、模型阶次选择、异常点去除、正态分布假设判断整个过程,获得了精度较高的HC排放模型,通过将试验结果和仿真分析结果进行对比验证了所建模型的正确性。