Document measurement and hot spot visualization analysis of Mimics medical imaging software based on Wanfang database

This paper is aim to carry out bibliometric,co-presence,and visual analyses of Chinese literature regarding Mimics software application,and to explore the software research status,research hotspots、dynamic frontiers.Select the Chinese documents of Mimics software application included in W anfang database from 1992 to 2019 and Using CiteSpace software for co presence analysis of the keywords and institutions,finally draw a visual map.In results,2654 effective articles adopted.

基于Mimics软件数据库与CBL-课堂翻转教学模式对提高骨科教学效果的价值评价

目的评价和分析基于Mimics软件数据库及基于案例教学法(Case-based Learning,CBL)-课堂翻转教学模式对提升骨科教学效果所发挥的作用。方法选取2023年2—11月在东莞市滨海湾中心医院骨科轮转的80名临床学生作为研究对象,以随机数表法分为对照组与改革组,对照组(n=40)的骨科学生应用传统教学模式,改革组(n=40)的骨科学生应用基于Mimics软件数据库及CBL-课堂翻转教学模式,比较两组学生理论知识考核成绩、操作考核成绩、教学效果及教学满意度。结果改革组理论知识成绩以及操作考核成绩均高于对照组,差异有统计学意义(P均<0.05)。改革组教学效果、学生总满意度评价均优于对照组,差异有统计学意义(P均<0.05)。结论应用基于Mimics软件数据库及CBL-课堂翻转教学模式可显著提升教学效果,还能够提高学生的教学评价及教学满意度,有助于优化师生关系,进一步提高教学效率和教学质量。

An Indoor Positioning Scheme for Visible Light Using Fingerprint Database with Multi.Parameters

This paper proposes a novel indoor positioning scheme based on visible light communication(VLC).A new indoor VLC positioning scheme using fingerprint database with multi-parameters have been raised.We conduct simulation and experimental research on the illumination intensity distribution of several direction parameters.In the experiment,four LED matrixes are identified by LED-ID with room dimensions of 3.75×4.00×2.7 m^3.The results show that the mean of the location error is 0.22 m in the receiving plane,verifying the correctness and feasibility of the positioning scheme.

基于重症监护数据库MIMIC-Ⅱ的临床数据挖掘研究

该文介绍了麻省理工计算生理学实验室、哈佛医学院BID医学中心以及飞利浦医疗合作建立的、开源的、多参数智能重症监护数据库Multiparameter Intelligent Monitoring in Intensive Care II:MIMIC-II,简单介绍了其结构、功能和临床应用。基于MIMIC-II临床数据库,开展了ICU脓毒血症病人血压和心率的昼夜节律性研究。该研究发现了脓毒血症患者死亡组和存活组在生理参数昼夜节律性上的显著性差异,解决了使用关系型数据库MIMIC-II开展生理参数昼夜节律性研究的很多技术问题。

MIMIC数据库下连续无创收缩压测量

通常脉搏传导时间PTT(pulse transit time)可以作为衡量动脉将硬度的指标,而且它现在也可以被用作估计血压的一种方式[1]。利用Matlab软件分析Physio Net数据库随机5个患者连续一个小时数据进行分析,研究连续有创收缩压同PTT的关系。经过数据的分析,PTT和收缩压有很好的线性相关性,可以作为血压测量的一种方法。利用均值优化法可以增加测量的准确度,选择脉搏波波谷作为特征点的PTT和收缩压有更好的相关性。

MIMIC代码库的简要介绍

重症医学是研究任何损伤或疾病导致机体向死亡方向发展过程的特点和规律性,并对重症进行治疗的学科。大数据时代为重症医学的研究提供了前所未有的机遇。在美国国立卫生研究院的资助下,由美国麻省理工学院计算生理学实验室、贝斯以色列迪康医学中心以及飞利浦医疗共同发布了MIMIC数据库。在github平台上有分析患者特征的开源代码包,为研究人员使用MIMIC数据库提供了额外的工具。本文旨在对该代码库进行介绍。

基于大样本重症监护数据库MIMIC-Ⅲ的无创和有创血压测量一致性研究

目的血压是人体基本生命体征,是临床病情判断的重要依据之一,本文基于最新版的多参数重症监护数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Care),研究比较无创和有创血压测量的一致性。方法提取了11 671例患者同时测量的226 093对无创和有创血压测量数据,采用探索性数据分析技术,从年龄和血压分层的角度对比了有创和无创测量结果的一致性,从ICU死亡率判别的角度,分析了两种方法在危重患者病情判断方面的差异性。结果收缩压在[80~120]mmHg(1 mmHg=0.133 k Pa)范围内,有创和无创测量结果的一致性较好;低于80 mmHg,无创高于有创,偏差随血压下降呈增大趋势;高于120 mmHg,无创低于有创,偏差随血压升高也呈增大趋势,Bland-Altman图显示两种测量方法存在难以消除的比例性偏倚。不同年龄分层的收缩压对照分析也呈现相同的现象。从ICU死亡率看,收缩压在低血压片段(<80 mmHg)的有创和无创结果存在显著性差异,无创血压所对应的死亡率明显高于有创血压,而基于平均压的判断,无创与有创结果基本一致,在各个血压段的死亡率不存在显著性差异。结论本研究基于大样本临床数据进一步验证了示波法无创血压测量技术的局限性:在各个年龄段,正常血压范围,无创和有创测量方法差异不大,但当血压异常时(无论是高血压还是低血压),二者差异较大,且呈增大趋势;从判断预后的角度而言,无创和有创平均压的结果较一致,比收缩压更适合用于指导ICU患者的治疗。

MIMIC数据库智能挖掘研究概述

开源数据库-重症特别护理信息集MIMIC数据库包含了大量的医学数据,自它发布之日起,便得到了众多研究人员的青睐。但低效的挖掘方法很难发现内部的隐含信息,这使得MIMIC数据库得不到很好的利用,造成了资源的浪费。探索新兴的挖掘方法进行知识发现便显得异常重要。文中对围绕MIMIC数据库的各种挖掘方法进行综述,重点阐述了新出现的机器学习和深度学习方法。同时将传统统计学模型与新出现的人工智能技术包括机器学习和深度学习技术进行比较分析。结果发现相比传统的统计学模型,机器学习和深度学习技术在预测病人的早期死亡率、发现疾病影响因素等方面普遍效果更好,这有助于改善医疗质量、帮助医生进行辅助诊断,在一定程度上也减少了病人的医疗费用。

基于随机森林算法建立甲状腺功能减退患病风险预测模型

目的 基于随机森林方法构建甲状腺功能减退(简称甲减)患病风险预测模型。方法 从MIMIC-Ⅳ数据库纳入5 735名甲减患者为病例组,4 803名非甲减患者为对照组,基于随机森林模型进行建模。同时利用逻辑回归、贝叶斯正则化神经网络、XGBoost作为比较模型。最后用准确率、F1分数、精确率、召回率、特异性以及AUC值评价四个机器学习模型性能。结果 随机森林模型准确率为0.85,F1分数为0.84,精确率为0.84,召回率为0.84,特异性为0.86,AUC值为0.91。在该模型中,促甲状腺激素、年龄、绝对淋巴细胞计数、血液中红细胞数、中性白细胞、性别、碱性磷酸酶、丙氨酸氨基转移酶、嗜酸性粒细胞绝对计数、尿素氮为甲减患者诊断重要性排前10的指标。结论 采用随机森林方法构建的甲减患病预测模型为甲减的早期诊断有潜在应用价值。

天冬氨酸氨基转移酶/丙氨酸氨基转移酶比值与射血分数保留心力衰竭患者预后的相关性研究

目的探讨天冬氨酸氨基转移酶/丙氨酸氨基转移酶比值(AAR)与入住重症监护病房(ICU)的射血分数保留心力衰竭(HFpEF)患者长期预后的关系。方法选取MIMIC-Ⅲ数据库中于2001~2012年入住ICU的HFpEF患者进行分析,共入组1228例HFpEF患者,通过X-tile软件,以AAR最佳截断值分为高AAR组(AAR≥1.42)和低AAR组(AAR<1.42),比较两组患者的临床资料;以入住ICU后1年全因死亡为终点事件绘制Kaplan-Meier生存曲线,使用Cox比例风险回归模型分析HFpEF患者AAR与入住ICU后1年全因死亡率之间的相关性。结果高AAR组患者的年龄,合并慢性阻塞性肺疾病、甲状腺功能减退、房颤/房扑的比例及血清肌酐水平高于低AAR组,体重、BMI、收缩压、血红蛋白水平、使用利尿剂的比例低于低AAR组,差异均有统计学意义(均P<0.05)。Log-Rank检验结果显示高AAR组HFpEF患者的生存率低于AAR组,差异有统计学意义(P<0.05)。Cox多因素分析结果显示,AAR、年龄、BMI、收缩压、使用利尿剂是HFpEF患者入住ICU之日起1年内全因死亡的独立影响因素(均P<0.05)。结论临床应根据HFpEF患者入住ICU后1年内全因死亡的独立影响因素进行有针对性的治疗干预,以降低患者死亡率。

基于机器学习的SAE患者30天死亡风险预测模型

脓毒症相关性脑病(SAE)是指在患脓毒症过程中发生的脑功能障碍,其与脓毒症患者短期死亡率的上升有关。本文从MIMIC数据库中抽取相关的脓毒症患者数据,其中SAE被定义为患脓毒症且GCS分数小于15分。使用RFE算法筛选出影响SAE患者30天死亡率的危险因素,对SAE病例数据采用逻辑回归、GBDT、XGBoost三种算法建立30天死亡风险预测模型。实验结果表明,GBDT算法的预测效果优于另外2种算法,其准确率为78.6%,AUC为78.3%,该模型能够对SAE患者30天死亡情况进行较为准确的预测。

一种利用经验模态分解算法的光电容积脉搏波信号中提取呼吸波的方法研究

针对目前提取呼吸波准确性不高的问题,本研究提出了一种从光电容积描记(photoplethysmography,PPG)信号中提取呼吸波的有效方法。在MIMIC Database中获取人体同时段的多路生理信号,包括PPG信号和呼吸波信号。首先,利用经验模态分解算法(empirical mode decomposition,EMD)对PPG信号进行分解,得到各层本征模函数(intrinsic mode function,IMF),选择合适的IMF分量重构出呼吸波信号;然后将重构的呼吸波信号与采用PPG信号同时段的原始呼吸波信号进行比较,结果显示,呼吸波信号速率的准确率均在90%以上,AR功率谱中的相关性系数均在85%以上,呼吸波信号相对相干系数也显示该方法的优越性。采用EMD算法可以有效地从PPG信号中提取呼吸波,这对于临床实践中的无创检测,医疗设备的改进具有重要意义。

AVR单片机下脉搏传导时间与收缩压的关系

目的利用MIMIC Datebase（mimicdb）数据分析有创收缩压和脉搏传导时间（pulse transit time,PTT）的关系。制作AVR信号采集系统,并在PC下采集心电和脉搏的实时信号,分析无创收缩压和PTT的关系。方法利用Matlab软件分析MIMIC数据库内5个个体的数据,得出PTT和有创收缩压的相关系数。利用AVR单片机采集用6名正常血压的男性（年龄27～31周岁）的心电和脉搏信号,用蓝牙发送至计算机。通过两个月对比试验,比较PTT和收缩压之间的关系是否发生很大的变化。结果PTT同有创和无创收缩压都有较好的线性相关性,波谷作为PTT特征点和收缩压有更好的线性关系。结论 AVR数据采集系统小巧、便携,可应用于家用监护。

基于MIMIC数据库分析乳酸对成人急性心肌梗死患者预后的预测价值

目的基于重症监护医学信息数据库(MIMIC-IV)分析乳酸对成人急性心肌梗死患者预后的预测价值。方法从MIMIC-IV数据库中选取1756例成年急性心肌梗死患者的病历资料进行回顾性分析。根据急性心肌梗死患者入院28 d内的生存预后结局分为死亡组和存活组。对比不同预后结局患者入院时的血乳酸水平,筛查急性心肌梗死患者死亡预后的风险因素,评估血乳酸预测急性心肌梗死患者预后的价值。结果1756例成年急性心肌梗死患者中死亡528例,病死率为30.07%。死亡组患者的多支冠脉病变占比、血乳酸、cTnI、BNP及血糖水平均高于存活组(P<0.05)。血乳酸(OR=3.651,95%CI:1.655~8.054)、BNP(OR=3.931,95%CI:1.782~8.673)及血糖(OR=3.677,95%CI:1.678~8.109)是急性心肌梗死患者死亡预后的危险因素(P<0.05)。血乳酸预测急性心肌梗死患者死亡预后的灵敏度为0.800、特异度为0.797、曲线下面积为0.871(95%CI:0.818~0.923)。结论血乳酸水平升高与急性心肌梗死患者的死亡预后有关,可辅助预测急性心肌梗患者的死亡预后风险。

ICU患者急性肾损伤发生风险的LightGBM预测模型

目的基于机器学习模型LightGBM构建ICU患者发生急性肾损伤(acute kidney injury,AKI)的预测模型,为临床医护人员提供辅助决策支持。方法采用公开的大型ICU数据库重症监护医学信息数据库(MIMIC-Ⅲ)作为数据集,提取1166例患者,其中男性513例(44.00%),中位年龄70.93岁,75.8%(884例)的患者发展为AKI。以患者入ICU时的生理生化指标为预测变量,预测患者24h后是否发展为AKI。采用LightGBM构建预测模型,并与logistic回归及随机森林模型进行对比,采用五折交叉验证评价模型性能。结果结果显示,LightGBM模型对AKI预测的准确率为0.89,AUC为0.92;logistic回归模型和随机森林模型的AUC分别为0.75和0.89,准确率为0.84和0.86。结论LightGBM在AKI预测模型中表现最优,采用患者入ICU时的生理生化指标,预测模型准确率和AUC可达0.89和0.92。

基于集成机器学习的ICU老年多器官功能不全早期死亡风险预测模型

目的基于集成机器学习模型XGBoost(Extreme Grardient Boosting)构建ICU住院老年多器官功能不全综合征(multiple organ dysfunction syndrome in the elderly,MODSE)早期(入ICU 24h后)死亡预测模型,以更好地辅助临床决策和治疗。方法利用公开的基于电子病历的大型数据库中重症医学信息数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Care),纳入MODSE患者14 329例,其中院内死亡2 341例(16.3%),随机抽取80%作为训练集,剩余20%为测试集,根据预后将患者分为死亡组(1 864例)和存活组(9 599例),采集人口统计学信息、入ICU第一天的生命体征、临床干预措施、全身炎症反应综合征评分(SIRS),序贯器官衰竭估计评分(SOFA)作为模型参数,比较两组患者各指标差异;采用XGBoost模型算法进行模型训练,研究死亡相关特征重要性排名分布;用受试者工作特征曲线(ROC)评估模型对MODSE患者死亡风险的预测价值。结果与存活组比较,死亡组患者格拉斯哥昏迷指数(glasgow coma scale,GCS)、年龄、心率最大值等较高,体质量指数(hody mass index,BMI)、收缩压最小值等较低,差异均存在统计学意义(P均<0.01)。XGBoost构建预测模型的特征排名前10的指标为呼吸频率、活化的部分凝血酶原时间(activated part of the prothrombin time,APTT)、年龄、体温、BMI、收缩压、血小板、血糖、休克指数、內细胞计数;Xghoost模型预测MODSE患者死亡的AUC为0.853,敏感性为0.824,特异性为0.725,准确率为0.854,高于SOFA等各类评分。结论与传统的评分相比,XGBoost模型的预测性能更加优越,可以更好地辅助临床决策,更早地指导临床医生开展集束化治疗。

重症监护医学信息数据库隐私保护技术探讨

介绍《健康保险流通与责任法案》(HIPAA)对隐私的定义以及去标识化过程和方法,从属性删除、日期平移、自由文本处理几方面阐述并分析遵循HIPAA原则的重症监护医学信息数据库(MIMIC-Ⅲ)去标识化及脱敏技术规则制定、应用及改进方面。

大数据背景下关于重症医学研究生培养的思考

随着以社交网络为代表的新型通讯方式以及云计算、物联网等技术的不断进步,数据正以前所未有的速度增长和累积,大数据时代已经到来。在医疗行业,各类信息系统的广泛应用以及医疗设备和仪器的逐步数字化使得医疗健康数据呈爆发式增长,重症监护室(Intensive Care Unit,ICU)尤其如此。重症医学作为研究危及生命的疾病状态的发生、发展规律及其诊治方法的临床医学学科,在其临床诊疗工作中产生了大量的医疗数据。文章结合重症医学的学科特点和发展趋势,思考医疗大数据在重症医学领域的应用和实践,简要探讨在重症医学研究生培养中如何抓住"互联网+"的发展机遇及前景展望。

血压指数与脓毒症患者预后的关联--基于MIMIC-Ⅲ数据库的队列研究

目的探讨脓毒症患者早期血压指数与预后的关联。方法将美国重症监护医学信息数据库Ⅲ(MIMIC-Ⅲ)中2001至2012年诊断为脓毒症患者的病历资料进行回顾性队列研究,根据患者28 d预后情况分为存活组和死亡组。统计患者的一般资料及入ICU即刻和24 h内的心率(HR)、血压数据,计算各项血压指数〔包括收缩指数、舒张指数及平均动脉压(MAP)指数的最高值、中位数和均值〕。将数据随机分为训练集和验证集(4:1)。采用单因素Logistic回归分析筛选协变量,进一步构建多因素Logistic逐步回归模型,分别建立模型1(包含P<0.1的HR、血压、血压指数相关变量及P<0.05的其他变量)和模型2(仅包含P<0.1的HR、血压、血压指数相关变量)。采用受试者工作特征曲线(ROC曲线)、精度召回曲线(PRC)和决策曲线分析(DCA)曲线评价2个模型的优劣,分析脓毒症患者预后的影响因素。以最佳Logistic回归模型建立列线图模型并进行效果评价。结果共有11559例脓毒症患者纳入研究,其中存活组10012例,死亡组1547例。两组间的年龄、存活时间、Elixhauser合并症评分等46项指标比较差异均有统计学意义(均P<0.05)。单因素Logistic回归分析初筛出37项指标。经过多因素Logistic逐步回归模型筛选,在HR、血压、血压指数相关指标中,筛选出入ICU即刻HR〔优势比(OR)=0.992,95%可信区间(95%CI)为0.988~0.997〕、最高HR(OR=1.006,95%CI为1.001~1.011)、最高MAP指数(OR=1.620,95%CI为1.244~2.126)、平均舒张指数(OR=0.283,95%CI为0.091~0.856)、中位收缩指数(OR=2.149,95%CI为0.805~4.461)、中位舒张指数(OR=3.986,95%CI为1.376~11.758)6项指标(均P<0.1);其他P<0.05的变量有14个,包括年龄、Elixhauser合并症评分、连续性肾脏替代治疗(CRRT)、使用呼吸机、镇静镇痛、去甲肾上腺素、去氧肾上腺素、最高血肌酐(SCr)、最高血尿素氮(BUN)、最高凝血酶原时间(PT)、最高活化部分凝血活酶时间(APTT)、最低血小板计数(PLT)、最高白细胞计数(WBC)、最低血红蛋白(Hb)。ROC曲线显示,模型1和模型2的曲线下面积(AUC)分别为0.769、0.637,提示模型1的预测准确性更高;PRC曲线显示,模型1和模型2的AUC分别为0.381、0.240,提示模型1的效果更好;DCA曲线显示,阈值在0~0.8(即死亡概率为0~80%)时,模型1的净获益率高于模型2。校准曲线提示,模型1的列线图模型预测效果与实际结局符合较好;Bootstrap验证结果证明,该列线图模型与前述结果一致,具有较好的预测效果。结论列线图模型对脓毒症患者28 d预后具有良好的预测效果,其中血压指数是重要的预测因素。

自发性脑出血重症患者30 d死亡风险预测模型的建立及验证

目的分析自发性脑出血重症患者30 d死亡的危险因素,并建立自发性脑出血重症患者30 d死亡风险预测模型。方法从重症监护数据库中提取自发性脑出血重症患者临床数据,使用Lasso回归分析筛选患者30 d死亡的潜在危险因素,在此基础上,使用Logistic回归分析构建自发性脑出血重症患者30 d死亡风险预测模型并绘制列线图,通过计算C指数、绘制该模型的校准曲线及临床决策曲线等,评价模型的预测能力与临床适用性。结果死亡组与生存组患者在基础疾病、生命体征、检验指标等方面存在显著差异。所建立模型的C指数为0.906,重抽样后C指数为0.867,模型校准曲线与实际曲线有较好的一致性。此外,决策曲线分析结果显示,使用此列线图模型能使患者获得临床净收益。结论基于Logistic回归分析构建的自发性脑出血重症患者30 d死亡风险预测模型具有良好的临床适用性。