社区高血压合并糖尿病患者的血压控制情况及影响因素分析

目的对高血压合并糖尿病患者的血压控制情况进行观察分析。方法对2011年10月至2016年7月在东阳市某社区卫生服务中心进行干预的672例高血压合并糖尿病患者的血压控制情况进行分析,采用χ~2检验和logistic回归分析血压控制的影响因素。结果不同性别、年龄段的血压控制率差异均无统计学意义(均P>0.05)。高盐饮食是影响血压控制的危险因素,而规律运动和遵医嘱是保护性因素(P<0.05或0.01)。结论高血压合并糖尿病患者的社区管理工作取得了一定的成效,以后的工作中应加强生活方式的干预,着重控制患者的高盐饮食,培养规律锻炼的习惯,提高患者的依从性,从而提高患者治疗率和控制率。

随机森林模型预测急性心肌梗死后急性肾损伤

目的建立随机森林模型预测急性心肌梗死(acute myocardial infarction,AMI)患者并发急性肾损伤(acute kidney injury,AKI)。方法使用温州医科大学附属东阳医院大数据平台,筛选出1363例患AMI的病例,确定30个变量后,统计分析样本临床特点,将样本划分为75%的训练集建立随机森林模型,以及25%的测试集进行验证,使用R语言进行数据的筛选及模型的建立。最后根据特异性、敏感性、准确性、受试者特征工作特征曲线(relative operating characteristic curve,ROC曲线)等来评估模型性能,同时与其他三种常用的机器学习算法(神经网络,朴素贝叶斯,支持向量机)的模型性能进行比较。结果AMI合并AKI的患者的人口学信息、心血管疾病的危险因素、入院时的生命体征、实验室检查等与未合并急性肾损伤的患者存在差异性。模型评估后得出测试集的ROC曲线下面积为0.893,特异度为0.791,灵敏度为0.866,其中入院首次肌酐、首次尿素、D-二聚体、年龄、机械通气是其最重要的影响因素。在本研究中,多种机器学习算法比较后,随机森林模型较有优势。结论建立的随机森林模型具有帮助预测AMI并发AKI的潜力。