XiaoMi-AI文件搜索系统
World File Search SystemNOMOGRAM
2025; 16(4): 1379-1396. doi: 10.7150/jca.104412 研究论文 结直肠癌一线化疗后骨髓抑制的风险预测
背景：结直肠癌 (CRC) 是癌症相关死亡的主要原因，2022 年新增病例超过 190 万，死亡人数为 90.4 万。化疗是 CRC 的主要治疗方法，但常常导致骨髓抑制，严重影响治疗效果和患者预后。目前缺乏化疗引起的骨髓抑制的预测工具。方法：这项回顾性研究分析了 2020 年 4 月至 2024 年 7 月期间广安门医院接受一线化疗 (CapeOx、FOLFOX、FOLFIRI) 的 855 名 CRC 患者。患者分为训练组 (684) 和验证组 (171)。单变量分析、LASSO 回归和多变量逻辑回归确定了骨髓抑制的危险因素，并使用 ROC 曲线、校准曲线和决策曲线分析开发和验证了预测列线图。采用倾向评分匹配 (PSM) 来最小化组间基线差异，然后对 PSM 后数据进行多元逻辑回归分析。结果：两组的骨髓抑制发生率相似（33.04% vs. 32.16%）。显着的预测因素包括年龄、吸烟、糖尿病、BMI、肿瘤位置、肺转移、白蛋白 (ALB) 水平和癌胚抗原 (CEA) 水平。列线图显示出良好的预测性能，训练组和验证组的 AUC 值分别为 0.78 和 0.80，显示出一致且有临床意义的预测。PSM 进一步验证了模型的稳健性，证实 BMI 是骨髓抑制的一致显着预测因子。结论：该研究确定了 CRC 患者化疗引起的骨髓抑制的关键风险因素，并制定了预测列线图。该工具可以帮助临床医生评估风险并指导治疗决策。局限性包括潜在的选择偏差和需要在不同人群中进行外部验证。未来的研究应该进一步完善和验证这个预测模型。
定量探索Quasi- ...十字架
背景：在老年糖尿病患者中，抑郁症经常被忽视，因为专业评估需要精神科医生，但是社区中缺乏这样的专家。因此，我们旨在创建一个简单的抑郁筛查模型，该模型允许社区卫生工作者早期发现老年糖尿病患者的抑郁症。方法：预测模型是在由210例糖尿病患者组成的主要队列中开发的，并收集了从2022年12月至2023年2月收集的数据。独立验证队列包括2023年2月至2023年3月的99例连续患者。多变量逻辑回归分析用于开发预测模型。我们结合了共同的人口统计学特征，糖尿病特异性因素，家庭结构特征，自我感知的负担量表（SPB）评分（SPB）评分和家庭Apgar（适应，伙伴关系，伙伴关系，成长，感情，解决方案）得分。根据其校准（校准曲线，Hosmer -Lemeshow检验），歧视（AUC）（AUC）（AUC）（AUC）（AUC）和临床实用性（决策曲线分析（DCA））评估了该图的性能。结果：预测列图合并了5个关键因素，例如葡萄糖监测状态，运动状态，每月收入，睡眠障碍状态和SPBS评分。该模型在主要队列中表现出强烈的歧视，AUC为0.839（95％CI，0.781–0.897）。在验证队列中进一步验证了这种歧视能力，AUC为0.857（95％CI，0.779–0.935）。此外，该杂物图表现出令人满意的校准。DCA表明，糖尿病老年患者抑郁症的预测具有很高的临床价值。结论：预测模型为社区卫生工作者提供了精确和用户 - 友好的指导，以在老年糖尿病患者的抑郁症进行初步筛查中。关键字：预测模型，抑郁，老年人，糖尿病，社区的基于
癌症住院患者抗肿瘤药物诱发严重不良事件的风险因素模型：基于全球触发指标的回顾性研究
本研究旨在应用机器学习方法评估与严重不良事件 (SAE) 相关的危险因素并预测使用抗肿瘤药物的癌症住院患者 SAE 的发生。回顾性审查了 2017 年 1 月 1 日至 12 月 31 日期间入院的 499 名确诊为癌症的患者的病历。首先，使用全局触发工具 (GTT) 主动监测抗肿瘤药物引起的药物不良事件 (ADE) 和 SAE，并将阳性触发因素的数量作为中间变量。随后，通过单变量分析和最小绝对收缩和选择算子 (LASSO) 分析选出具有统计学意义的危险因素。最后，以LASSO分析后的危险因素作为协变量，采用基于逻辑模型、极端梯度提升（XGBoost）、分类提升（CatBoost）、自适应提升（AdaBoost）、轻梯度提升机（LightGBM）、随机森林（RF）、梯度提升决策树（GBDT）、决策树（DT）和基于七种算法的集成模型的列线图建立预测模型，并使用ROC曲线下面积（AUROC）、PR曲线下面积（AUPR）等一系列指标评估模型性能。在我们的样本中共识别出94名SAE患者，SAE的危险因素包括诱发因素数量、住院时间、年龄、联合用药数、既往化疗中发生的ADE以及性别。在测试队列中，基于逻辑模型的列线图的AUROC为0.799，AUPR为0.527。在八种机器学习模型中，GBDT 的预测能力最好（AUROC = 0.832 和 AUPR = 0.557），优于列线图，因此被选为建立预测网页。本研究提供了一种准确预测癌症住院患者 SAE 发生率的新方法。
19 灭活疫苗在癌症患者中的血清转化
摘要 背景 建议接受主动免疫检查点抑制剂治疗的癌症患者通过接种疫苗预防 COVID-19。迄今为止，很少有报道讨论进展细胞死亡-1 阻滞剂 (PD-1B) 对免疫或疫苗相关结果的影响，以及哪些风险因素导致血清学状态仍有待阐明。该研究旨在发现 PD-1B 对疫苗接种结果的影响，并调查与血清转化失败风险相关的其他潜在风险因素。 方法 回顾性招募接受积极癌症治疗的患者，以研究 PD-1B 和疫苗接种之间的相互作用。通过人口统计学和临床特征的倾向评分匹配，以头对头的方式比较血清转化率和免疫/疫苗接种相关不良事件 (irAE 和 vrAE)。然后，使用多元回归分析中显着的变量开发了预测失败风险的列线图，并在独立队列中进行验证。结果 将接受 PD-1B 或 COVID-19 疫苗接种或两者兼有的患者 (n=454) 分为三组 (分别为 vac+/PD-1B+、vac+/PD-1B- 和 vac-/PD-1B+)，对照组为 206 人。vac+/PD-1B+ 组、vac+/PD-1B- 组和非癌症对照组的血清阳性率分别为 68.1% (94/138)、71.3% (117/164) 和 80.5% (166/206)。除低度皮疹外，PD-1B 治疗中未观察到 irAE 或 vrAE 升级。接种疫苗的癌症患者的血清转化率明显低于健康对照组。因此，我们建立了一个涵盖年龄、病理和化疗状态的列线图来预测血清转化失败风险，并在 196 名患者的独立癌症队列中进行了验证。结论尽管与健康人群相比，癌症患者的血清转化率普遍降低，但 COVID-19 疫苗的耐受性普遍良好，接受 PD-1B 治疗的患者的血清转化不受影响。我们制定了一个预测失败风险的列线图，其中包括年龄、化疗状态、病理类型和风湿合并症。
心肺复苏后24小时生存的心脏骤停患者的医院死亡率预测模型的开发和验证
目的：对心肺复苏后24小时存活的患者预测模型的研究研究（CPR）是有限的。我们旨在探索这些患者中与医院死亡率相关的因素，并开发出一种预测模型，以帮助临床决策并提高激怒后患者的存活率。方法：我们从Dryad数据集中的一项回顾性研究中获取数据，将心脏骤停后CPR遭受心脏骤停的患者分为训练集，并以7：3的比率进行验证。我们使用最低绝对收缩和选择操作员（Lasso）回归以及单变量和多元物流分析的训练集中鉴定了与医院死亡率相关的变量。利用这些变量，我们开发了一个预后的nom图，用于预测评分后死亡率。校准曲线，接收器工作曲线（ROC）下的面积，决策曲线分析（DCA）和临床影响曲线用于评估诺格图的可区分性，准确性和临床实用性。结果：研究人群包括374例患者，分配给培训组的262例，为验证组112例。，有213名患者在医院死亡。ROC在训练组中显示AUC分别为0.827和0.817。校准曲线，DCA和临床冲击曲线以良好的准确性和临床实用性证明了列图。进一步确认模型的精度需要外部验证数据。Multivariate logistic analysis revealed age (OR 1.05, 95% CI: 1.03 – 1.08), witnessed arrest (OR 0.28, 95% CI: 0.11 – 0.73), time to return of spontaneous circulation (ROSC) (OR 1.05, 95% CI: 1.02 – 1.08), non-shockable rhythm (OR 3.41, 95% CI: 1.61 – 7.18），碱性磷酸酶（OR 1.01，95％CI：1 - 1.01）和顺序器官衰竭评估（SOFA）（OR 1.27，95％CI：1.15 - 1.4）是CPR后24小时患者的医院死亡率的独立危险因素。结论：我们的预测模型具有准确的预测性预测价值，该医院死亡率在CPR后24小时存活的患者中具有准确的预测价值，这将是有益的，这将是有益的。
危险因素和次要预防干预措施在RHTNK-TPA治疗后半年内复发
目的：研究重组人TNK组织型纤溶酶原激活剂（RHTNK-TPA）和次要预防治疗后半年内急性脑梗塞（ACI）复发的危险因素。方法：从2023年3月至2024年4月，总共有84例在我们医院接受RHTNK-TPA治疗的ACI患者。根据治疗后半年内是否复发，将患者分为复发组和非转变组。比较了两组患者的临床数据，并分析了复发性脑梗塞的危险因素。通过纳入风险因素及其有效性核实构建了列图的风险预测模型。使用接收器操作特征曲线（ROC）评估模型歧视。模型拟合。Hosmer-Lemeshow（HL）分析用于评估模型一致性。同时探索了二级预防对复发率的影响。结果：有20例ACI复发的患者，复发率为23.81％。多元逻辑回归分析表明，ACI患者复发的风险因素包括70岁，吸烟，高血压，糖尿病，不规则或从未使用抗血小板药物（p <0.05）。根据上述索引构建了列图的预测模型。同时，HL测试表现出良好的拟合度（χ2= 1.684，p = 0.989）。急性脑梗塞患者在六个月内预测曲线（AUC）下的曲线（AUC）面积（AUC）为0.918（95％CI：0.848-0.988）和0.850（95％CI：0.703-0.997）。校准曲线表明列格图的预测值与实际观察值之间的良好一致。采取继发预防措施的ACI患者的复发率低于未采取相应措施的患者的复发率（p <0.05）。结论：ACI患者在半年内复发率很高。年龄≥70岁，吸烟，高血压，糖尿病，不规则或从未使用抗血小板药物是复发的危险因素。联合使用5个指标的nom图的预测模型可以用作准确且快速的临床评估工具。可以通过对患者进行相应的二级预防干预措施来降低复发率。
使用机器学习算法和 SHapley Additive exPlanations 预测老年患者术后谵妄症的模型
术后谵妄（POD）是老年髋部骨折患者常见且严重的并发症。识别出POD的高危患者有助于改善髋部骨折患者的预后。我们对2014年1月至2019年8月期间接受骨科手术治疗髋部骨折的老年患者（≥65岁）进行了回顾性研究。采用常规逻辑回归和五种机器学习算法建立POD的预测模型。采用逻辑回归方法构建POD预测列线图。计算受试者工作特征曲线下面积（AUC-ROC）、准确度、灵敏度和精确度来评估不同的模型。使用Shapley加性解释（SHAP）解释个体的特征重要性。约797名患者参加了该研究，POD的发生率为9.28%（74/797）。年龄、肾功能不全、慢性阻塞性肺病 (COPD)、抗精神病药物的使用、乳酸脱氢酶 (LDH) 和 C 反应蛋白用于构建 POD 的列线图，AUC 为 0.71。五种机器学习模型的 AUC 分别为 0.81（随机森林）、0.80（GBM）、0.68（AdaBoost）、0.77（XGBoost）和 0.70（SVM）。六种模型的敏感度范围从 68.8%（逻辑回归和 SVM）到 91.9%（随机森林）。六种机器学习模型的精确度范围从 18.3%（逻辑回归）到 67.8%（SVM）。使用逻辑回归和五种机器学习算法构建了髋部骨折患者 POD 的六种预测模型。机器学习算法的应用可以提供便捷的 POD 风险分层，使老年髋部骨折患者受益。
E3 泛素连接酶 Cbl-b 预测乳腺癌的良好预后
结果：在 54.1% (158/292) 的乳腺癌组织样本中检测到 Cbl-b 表达。Cbl-b 表达与 DFS 相关（p = 0.033），但与本研究中已知的临床病理因素无显著相关性。对数秩分析表明，Cbl-b 表达与更好的 OS（p = 0.013）和 DFS（p = 0.016）相关。多变量分析表明，Cbl-b 表达是乳腺癌的独立预后因素。我们构建的用于预测 OS 的列线图结合了 Cbl-b 表达、年龄、肿瘤大小、淋巴结转移和组织学分级。除肿瘤大小外，所有上述因素和诊断日期都用于构建 DFS 列线图。列线图的 C 指数分别为 0.735 和 0.678。我们的新临床模型在预测 OS 方面优于 TNM 分期。
高风险神经母细胞瘤*儿科监测和随访...
异环磷酰胺 > 42 g/m 2 > 60 g/m 2 放线菌素 D >12.2 mg/m 2 4 苯丁酸氮芥 14.286 丙卡巴肼 > 3 g/m 2 > 4 g/m 2 卵巢放射治疗剂量* > 100 cGy > 1000 cGy 5 BCNU 15 苯丁酸氮芥 > 1.4 g/m 2 *与年龄有关（见列线图 5 ）^贝伐单抗可导致卵巢衰竭；可能仅为急性和短暂性 6 1. Green Pediatr Blood Cancer 2014;61(1):53-67 2. Van der Kaaji J Clin Oncol 2012;30(3):291-299 3. Solheim Gyne Oncol 2015;136(2):224-229 4.Van Den Berg Hum Reprod 2018; 33(8):1474-1488 5. Wallace Int J Radiat Oncol;62(3):738-744 6. Imai Molec Clin Oncol 2017;6:807-810
胸部MRI图像的定量分析，用于良性恶性诊断肺固体结节
方法：招募了总共333例肺结核（训练队列中的233例，在验证队列中为100例）。从MRI图像（CE T1W和T2W）中提取了总共2,824个放射线特征。逻辑回归（LR），幼稚的贝叶斯（NB），支持向量机（SVM），随机森林（RF）和极端梯度提升（XGBOOST）分类器用于构建预测模型，并在应用最佳预测模型后为每个患者获得了放射线学分数（RAD分数）。临床因素和RAD分数共同基于多元逻辑回归分析构建了一个nom图模型，并使用接收器操作特征曲线（AUC）下的区域评估了五个预测模型的诊断性能。