CT影像组学在特发性肺纤维化患者预后评估中价值

目的基于CT影像组学构建特发性肺纤维化(IPF)预后预测模型,探讨其在IPF患者预后评估中的价值。方法2018年1月1日—2020年12月31日河南省人民医院诊治IPF患者171例,均采用吡非尼酮或尼达尼布抗纤维化治疗,随访2年,根据随访期间预后情况分为预后不良者101例和预后良好者70例。按照7∶3比例将171例患者随机分为训练集119例和验证集52例,比较训练集与验证集患者体质量指数及吸烟史、特殊物质接触史、预后不良比率。2组入院时均行胸部高分辨率CT检查,对CT影像图中蜂窝影进行感兴趣区标注,应用Onekeyai platform软件进行特征提取,采用lasso回归筛选影像特征并构建K最邻近法(KNN)、支持向量机(SVM)和LightGBM 3种模型;绘制ROC曲线,评估训练集和验证集中3种模型预测IPF患者预后不良的效能。结果训练集体质量指数及吸烟史、特殊物质接触史、预后不良比率与验证集比较差异均无统计学意义(P>0.05)。经特征提取共提取1648个影像特征,其中一阶特征342个,形状特征14个,纹理特征1292个(灰度共生矩阵418个、灰度行程矩阵304个、灰度区域大小矩阵304个和灰度差分矩阵266个);经特征筛选共筛选出76个影像特征;采用lasso回归最终纳入10个影像特征。训练集中SVM、KNN和LightGBM模型预测IPF患者预后不良的AUC分别为0.828(95%CI:0.754~0.903,P<0.001)、0.802(95%CI:0.728~0.877,P<0.001)、0.880(95%CI:0.815~0.944,P<0.001),灵敏度分别为87.1%、74.3%、71.4%,特异度分别为61.2%、73.5%、93.8%,准确率分别为75.6%、74.0%、79.0%;验证集中SVM、KNN和LightGBM模型预测IPF患者预后不良的AUC分别为0.897(95%CI:0.810~0.984,P=0.044)、0.685(95%CI:0.540~0.830,P=0.025)、0.867(95%CI:0.761~0.973,P<0.001),灵敏度分别为80.6%、100.0%、90.3%,特异度分别为85.7%、28.6%、81.0%,准确率分别为75.0%、61.5%、78.8%。结论基于CT影像组学构建的预测模型在IPF患者预后评估中有一定价值,SVM模型、LightGBM模型预测效能较高。

非增生型糖尿病视网膜病变与陈旧性脑梗死的相关性

目的分析非增生型糖尿病视网膜病变(NPDR)发生的危险因素,探讨NPDR与陈旧性脑梗死的相关性。方法2020年1月—2023年5月河南省人民医院体检发现NPDR患者34例为NPDR组,无糖尿病病史、无NPDR的体检者72例为无NPDR组。比较2组体质量指数,陈旧性脑梗死、脑动脉硬化、脑白质脱髓鞘、脑萎缩、主动脉/冠状动脉钙化、颈动脉斑块、尿蛋白阳性比率及收缩压、白细胞计数、空腹血糖、糖化血红蛋白等指标。采用单因素及多因素logistic回归分析NPDR发生的影响因素。结果NPDR组陈旧性脑梗死、脑动脉硬化、主动脉/冠状动脉钙化、颈动脉斑块、尿蛋白阳性比率(32.35%、55.88%、73.53%、88.24%、23.53%)及收缩压[141.82(127.75,159.25)mmHg]、白细胞计数[(6.41±1.69)×10^(9)/L]、空腹血糖水平[8.86(6.93,10.38)mmol/L]、糖化血红蛋白[8.28(7.30,9.03)%]均高于无NPDR组[11.11%、29.17%、44.44%、56.94%、4.17%、134.13(121.25,142.00)mmHg、(5.72±1.47)×10^(9)/L、5.62(4.79,6.06)mmol/L、5.88(5.30,6.08)%](P<0.05),体质量指数,脑白质脱髓鞘、脑萎缩比率,舒张压、红细胞计数、血小板计数及血红蛋白、血肌酐、血尿酸、血同型半胱氨酸、总胆固醇、三酰甘油、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇水平与无NPDR组比较差异均无统计学意义(P>0.05)。陈旧性脑梗死(OR=7.698,95%CI:1.047~56.599,P=0.045)、尿蛋白(OR=12.926,95%CI:1.068~156.517,P=0.044)、糖化血红蛋白(OR=3.020,95%CI:1.340~6.809,P=0.008)是NPDR发生的独立影响因素。结论NPDR患者陈旧性脑梗死发生率较一般人群高,陈旧性脑梗死是NPDR发生的独立危险因素。