基于机器学习透析内低血压预测模型的研究

目的通过机器学习技术开发一种能预测透析内低血压(IDH)的模型。方法回顾性分析2020年10月至2022年8月期间在福鼎市医院接受血液透析的患者人口统计学资料和透析记录,包括年龄、性别、透析前血压、透析前体重等,采用了3种不同的机器学习算法——光梯度增强机(LGBM)、支持向量机(SVM)和TabNet,构建两个预测模型,分别命名为IDH-1和IDH-2。IDH-1模型通过整合患者透析前数据与历史透析数据的平均值来实时预测IDH风险;IDH-2模型则结合患者当前透析的全部数据及历史平均值,预测其下一次透析时IDH的发生风险。比较3种算法模型在曲线下面积(AUC)、精确率、召回率和F1分数等指标上的性能。结果434名患者共77808例次的血液透析治疗记录作为初始数据集,经过严格的数据筛选,IDH-1模型的最终数据集包含416名患者和71427条血液透析记录,IDH-2模型包含416名患者和71011条血液透析记录。TabNet在性能方面优于LGBM和SVM。在IDH-1模型中,TabNet算法的AUC值为0.84,95%CI为0.810~0.860;在IDH-2模型中,TabNet算法的AUC值为0.83,95%CI为0.805~0.850。历史IDH发作频率及透析前和透析期间的收缩血压被识别为IDH的关键预测因素。结论机器学习方法结合人口统计数据和透析参数在预测血液透析患者IDH方面具有巨大潜力,其中TabNet性能最优。

贝前列素钠联合贝那普利治疗糖尿病肾病蛋白尿的临床效果观察

目的观察贝前列素钠联合贝那普利治疗糖尿病肾病蛋白尿的临床效果。方法选取医院收治的糖尿病肾病蛋白尿患者120例临床资料进行分析,按治疗方式不同分为观察组和对照组,每组60例。对照组给予贝那普利治疗,观察组给予贝前列素钠联合贝那普利治疗,比较2组临床疗效,治疗前、治疗后1周血清肿瘤因子α(TNF-α)、超敏C-反应蛋白(hs-CRP)、24 h尿微量白蛋白定量(24 h-UMA)变化,以及不良反应。结果观察组治疗总有效率为96. 67%,高于对照组的78. 33%(P <0. 01);治疗后,2组TNF-α、hs-CRP、24 h-UMA水平较治疗前均下降,且观察组下降幅度大于对照组(P均<0. 01);观察组不良反应发生率为3. 33%,对照组为6. 67%,2组比较差异无统计学意义(P> 0. 05)。结论糖尿病肾病蛋白尿患者给予贝前列素钠联合贝那普利治疗效果显著,可明显降低体内炎性因子水平,且安全性高。