期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
心肌梗死并心衰患者PCI术后院内死亡的机器学习预测模型的构建
1
作者
吕华胜
孙丰宇
+4 位作者
袁腾
沈好亮
拉再依·巴合提
冀伟
陈铀
《西安交通大学学报(医学版)》
北大核心
2025年第3期393-401,共9页
目的构建并验证一个基于机器学习的预测模型,用于评估心肌梗死(MI)合并心力衰竭(HF)患者在经皮冠状动脉介入治疗(PCI)后的院内死亡风险。方法回顾性分析2019年1月至2023年1月在新疆医科大学第一附属医院就诊并接受PCI治疗的MI合并HF患...
目的构建并验证一个基于机器学习的预测模型,用于评估心肌梗死(MI)合并心力衰竭(HF)患者在经皮冠状动脉介入治疗(PCI)后的院内死亡风险。方法回顾性分析2019年1月至2023年1月在新疆医科大学第一附属医院就诊并接受PCI治疗的MI合并HF患者。收集患者的人口学特征、生命体征、实验室检查、影像学参数以及药物治疗情况,按7∶3的比例分为训练集和验证集。利用极限梯度提升(XGBoost)模型筛选对院内死亡有显著影响的变量,并采用Shapley加法解释(SHAP)模型评估变量重要性,通过单因素和多因素Logistic回归分析构建预测模型。模型性能通过受试者工作特征(ROC)曲线、曲线下面积(AUC)、校准曲线和决策曲线进行评估,最终生成诺莫图用于直观评估风险。结果共纳入1214例MI合并HF患者数据,中位年龄为64岁,其中院内死亡90例,病死率为7.41%。经过XGBoost模型特征选择,最终筛选出10个显著变量,包括年龄、肌红蛋白、白蛋白、空腹血糖、N末端B型利钠肽原(NT-ProBNP)、合并糖尿病、肌酐、胱抑素-C、降钙素原和射血分数。基于这10个变量进一步建立Logistic回归模型,最终得出7个关键指标:年龄、合并糖尿病、肌酐、空腹血糖、胱抑素-C、NT-ProBNP和白蛋白。模型在训练集和验证集的AUC分别为0.869(95%CI:0.84~0.89)和0.827(95%CI:0.79~0.85),显示出较高的预测准确性。校准曲线显示预测概率与实际观察结果一致,决策曲线分析表明在不同决策阈值下,模型均具有较高的净收益。结论所构建的基于机器学习和Logistic回归的预测模型能够有效评估MI合并HF患者在PCI术后的院内死亡风险,并提供了一种直观的个体化风险评估工具(诺莫图)。该模型可辅助临床早期识别高危患者,优化干预策略,以改善患者预后。
展开更多
关键词
机器学习
心肌梗死(MI)
心力衰竭(HF)
经皮冠状动脉介入术(PCI)
院内死亡
在线阅读
下载PDF
职称材料
STEMI患者PCI术后急性肾损伤的机器学习预测模型的构建与验证
2
作者
吕华胜
拉再依·巴合提
+5 位作者
袁腾
贾红飞
沈好亮
古丽加依娜·扎安
冀伟
陈铀
《西安交通大学学报(医学版)》
北大核心
2025年第3期410-418,共9页
目的构建并验证基于机器学习算法的模型,以预测急性ST段抬高型心肌梗死(STEMI)患者经皮冠状动脉介入治疗(PCI)术后急性肾损伤(AKI)的发生风险。方法纳入2020年1月至2023年6月期间接受PCI治疗的2315例STEMI患者,其中306例(13.2%)发生AKI...
目的构建并验证基于机器学习算法的模型,以预测急性ST段抬高型心肌梗死(STEMI)患者经皮冠状动脉介入治疗(PCI)术后急性肾损伤(AKI)的发生风险。方法纳入2020年1月至2023年6月期间接受PCI治疗的2315例STEMI患者,其中306例(13.2%)发生AKI。采用LASSO回归对基线变量进行特征筛选,并通过10折交叉验证选择最优λ值,确定与AKI相关的变量。随后,构建了8种不同的机器学习模型,并评估其预测性能。使用SHAP值分析关键变量对模型预测结果的影响。结果LASSO回归筛选出7个与AKI显著相关的变量,包括年龄、多支病变、术前肌酐、心力衰竭、白细胞计数、血红蛋白及白蛋白水平。在所有模型中,轻量梯度提升机(LGBM)和极限梯度提升(XGB)预测性能最佳,训练集AUC分别为0.899(95%CI:0.877~0.921)和0.893(95%CI:0.868~0.918),验证集AUC分别为0.809(95%CI:0.763~0.856)和0.871(95%CI:0.833~0.909)。SHAP分析显示,白蛋白、年龄、术前肌酐和白细胞计数是AKI风险的主要影响因素。结论本研究成功构建并验证了基于机器学习的预测模型,可有效识别STEMI患者PCI术后AKI风险,为临床决策提供了有价值的辅助工具。
展开更多
关键词
急性ST段抬高型心肌梗死(STEMI)
经皮冠状动脉介入治疗(PCI)
急性肾损伤(AKI)
机器学习
在线阅读
下载PDF
职称材料
题名
心肌梗死并心衰患者PCI术后院内死亡的机器学习预测模型的构建
1
作者
吕华胜
孙丰宇
袁腾
沈好亮
拉再依·巴合提
冀伟
陈铀
机构
新疆医科大学第一附属医院心脏中心
新疆医科大学儿科学院
出处
《西安交通大学学报(医学版)》
北大核心
2025年第3期393-401,共9页
基金
新疆维吾尔自治区自然科学基金资助项目(No.2022D01E71)。
文摘
目的构建并验证一个基于机器学习的预测模型,用于评估心肌梗死(MI)合并心力衰竭(HF)患者在经皮冠状动脉介入治疗(PCI)后的院内死亡风险。方法回顾性分析2019年1月至2023年1月在新疆医科大学第一附属医院就诊并接受PCI治疗的MI合并HF患者。收集患者的人口学特征、生命体征、实验室检查、影像学参数以及药物治疗情况,按7∶3的比例分为训练集和验证集。利用极限梯度提升(XGBoost)模型筛选对院内死亡有显著影响的变量,并采用Shapley加法解释(SHAP)模型评估变量重要性,通过单因素和多因素Logistic回归分析构建预测模型。模型性能通过受试者工作特征(ROC)曲线、曲线下面积(AUC)、校准曲线和决策曲线进行评估,最终生成诺莫图用于直观评估风险。结果共纳入1214例MI合并HF患者数据,中位年龄为64岁,其中院内死亡90例,病死率为7.41%。经过XGBoost模型特征选择,最终筛选出10个显著变量,包括年龄、肌红蛋白、白蛋白、空腹血糖、N末端B型利钠肽原(NT-ProBNP)、合并糖尿病、肌酐、胱抑素-C、降钙素原和射血分数。基于这10个变量进一步建立Logistic回归模型,最终得出7个关键指标:年龄、合并糖尿病、肌酐、空腹血糖、胱抑素-C、NT-ProBNP和白蛋白。模型在训练集和验证集的AUC分别为0.869(95%CI:0.84~0.89)和0.827(95%CI:0.79~0.85),显示出较高的预测准确性。校准曲线显示预测概率与实际观察结果一致,决策曲线分析表明在不同决策阈值下,模型均具有较高的净收益。结论所构建的基于机器学习和Logistic回归的预测模型能够有效评估MI合并HF患者在PCI术后的院内死亡风险,并提供了一种直观的个体化风险评估工具(诺莫图)。该模型可辅助临床早期识别高危患者,优化干预策略,以改善患者预后。
关键词
机器学习
心肌梗死(MI)
心力衰竭(HF)
经皮冠状动脉介入术(PCI)
院内死亡
Keywords
machine learning
myocardial infarction(MI)
heart failure(HF)
percutaneous coronary intervention(PCI)
in-hospital mortality
分类号
R541.4 [医药卫生—心血管疾病]
R541.1 [医药卫生—心血管疾病]
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
STEMI患者PCI术后急性肾损伤的机器学习预测模型的构建与验证
2
作者
吕华胜
拉再依·巴合提
袁腾
贾红飞
沈好亮
古丽加依娜·扎安
冀伟
陈铀
机构
新疆医科大学第一附属医院心脏中心
出处
《西安交通大学学报(医学版)》
北大核心
2025年第3期410-418,共9页
基金
新疆维吾尔自治区自然科学基金资助项目(No.2022D01E71)。
文摘
目的构建并验证基于机器学习算法的模型,以预测急性ST段抬高型心肌梗死(STEMI)患者经皮冠状动脉介入治疗(PCI)术后急性肾损伤(AKI)的发生风险。方法纳入2020年1月至2023年6月期间接受PCI治疗的2315例STEMI患者,其中306例(13.2%)发生AKI。采用LASSO回归对基线变量进行特征筛选,并通过10折交叉验证选择最优λ值,确定与AKI相关的变量。随后,构建了8种不同的机器学习模型,并评估其预测性能。使用SHAP值分析关键变量对模型预测结果的影响。结果LASSO回归筛选出7个与AKI显著相关的变量,包括年龄、多支病变、术前肌酐、心力衰竭、白细胞计数、血红蛋白及白蛋白水平。在所有模型中,轻量梯度提升机(LGBM)和极限梯度提升(XGB)预测性能最佳,训练集AUC分别为0.899(95%CI:0.877~0.921)和0.893(95%CI:0.868~0.918),验证集AUC分别为0.809(95%CI:0.763~0.856)和0.871(95%CI:0.833~0.909)。SHAP分析显示,白蛋白、年龄、术前肌酐和白细胞计数是AKI风险的主要影响因素。结论本研究成功构建并验证了基于机器学习的预测模型,可有效识别STEMI患者PCI术后AKI风险,为临床决策提供了有价值的辅助工具。
关键词
急性ST段抬高型心肌梗死(STEMI)
经皮冠状动脉介入治疗(PCI)
急性肾损伤(AKI)
机器学习
Keywords
acute ST-elevation myocardial infarction(STEMI)
percutaneous coronary intervention(PCI)
acute kidney injury(AKI)
machine learning
分类号
R542.22 [医药卫生—心血管疾病]
R692.5 [医药卫生—泌尿科学]
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
心肌梗死并心衰患者PCI术后院内死亡的机器学习预测模型的构建
吕华胜
孙丰宇
袁腾
沈好亮
拉再依·巴合提
冀伟
陈铀
《西安交通大学学报(医学版)》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
STEMI患者PCI术后急性肾损伤的机器学习预测模型的构建与验证
吕华胜
拉再依·巴合提
袁腾
贾红飞
沈好亮
古丽加依娜·扎安
冀伟
陈铀
《西安交通大学学报(医学版)》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
