微流控芯片在尘肺研究中的应用前景

尘肺病是一种严重危害人们身心健康的职业病,研究尘肺病的发病机制对尘肺的预防、诊断和治疗具有重要意义。然而,传统体内与体外研究方法存在诸多技术难题,无法重现体内三维肺组织与肺部物理和生物微环境,难以对其中的生理生化过程进行实时动态观察,制约着尘肺病理机制相关方面的研究。微流控芯片以其对细胞、粒子和溶液的时间与空间操控能力,为模拟肺部状态,重构其物理和生物微环境提供了新思路。本研究以粉尘粒子与肺的相互作用为出发点,综述了粉尘粒子在肺部的沉积特性及粉尘粒子对肺产生的生理生化变化,以及利用微流控芯片在粉尘粒子与尘肺相互作用方面的研究进展。

基于机器学习煤矿工人肺通气功能障碍风险预测研究

目的研究煤矿工人肺通气功能障碍的影响因素,通过机器学习算法构建矿工肺通气功能障碍发生的风险预测模型,为尽早识别肺通气功能障碍的高危人群、保护矿工健康状况提供重要的科学依据。方法选取2021年4月20日―5月3日在陕北某煤矿参加职业健康体检的679名矿工作为研究对象。通过非条件多因素logistic回归分析模型分析结果确定变量,构建逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、支持向量机(support vector machines,SVM)和极端梯度提升树(extreme gradient boosting,XGBoost)模型并根据4种模型的准确度、灵敏度、特异性、阳性预测值、阴性预测值、F1评分、受试者工作特征曲线(receiver operating characteristic,ROC)下面积评估模型的性能。结果LR、RF、SVM和XGBoost模型的准确率分别为69.61%、70.59%、72.06%和75.49%。灵敏度分别为61.22%、58.16%、60.20%和64.29%。特异性分别为77.36%、82.08%、83.02%和85.85%。阳性预测值分别为71.42%、75.00%、76.62%和80.77%。阴性预测值分别为68.33%、67.97%、69.29%和72.22%。F1分数为0.66、0.66、0.67和0.72。ROC曲线下面积分别为0.78、0.78、0.78和0.81。XGBoost模型的预测性能优于其他模型,预测精度较高。结论运用XGBoost模型预测煤矿工人的肺通气功能障碍风险,为煤矿工人的健康管理提供相应的理论依据。