目的:Charlson共病指数可反映全身共病负担,其在心血管领域已有应用,但在急性心肌梗死(acute myocardial infarction,AMI)合并室性心律失常(ventricular arrhythmias,VA)患者院内死亡预测中的作用尚未明确。本研究旨在评估Charlson共病...目的:Charlson共病指数可反映全身共病负担,其在心血管领域已有应用,但在急性心肌梗死(acute myocardial infarction,AMI)合并室性心律失常(ventricular arrhythmias,VA)患者院内死亡预测中的作用尚未明确。本研究旨在评估Charlson共病指数预测AMI合并VA患者院内死亡的价值并构建预测模型,以期早期识别并制订个体化管理策略,改善患者预后。方法:本研究基于重症医学领域的开源数据库MIMIC-IV(Medical Information Mart for Intensive Care IV),纳入符合AMI合并VA诊断标准的ICU患者为研究对象,并根据院内死亡情况进行分组。分析Charlson共病指数及其他临床指标预测AMI合并VA患者院内死亡的效能。采用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)回归筛选预测因子,并纳入多因素Logistic回归模型进行分析。基于多因素Logistic回归结果构建列线图预测模型,绘制受试者操作特征(receiver operating characteristic,ROC)曲线和校准曲线评估模型的预测效能。结果:本研究共纳入AMI合并VA患者1492例,其中发生院内死亡者340例,未发生院内死亡者1152例。发生院内死亡者与未发生院内死亡者在性别分布、生命体征、共病负担、器官功能及实验室指标方面比较,差异均有统计学意义(均P<0.05)。Charlson共病指数预测院内死亡的曲线下面积(area under the curve,AUC)为0.712(95%CI 0.681~0.742),高于白蛋白、国际标准化比值(international normalized ratio,INR)、血红蛋白、体温、血小板等指标的预测效能,差异均有统计学意义(均P<0.001),但与序贯器官衰竭评估(Sequential Organ Failure Assessment,SOFA)预测效能的差异无统计学意义(P>0.05)。LASSO回归筛选出7个关键预测因子,即Charlson共病指数(依据四分位数值分组;T1:Charlson共病指数<6分;T2:Charlson共病指数≥6~<7分;T3:Charlson共病指数≥7~<9分;T4:Charlson共病指数≥9分)、心室颤动、年龄、收缩压、呼吸频率、体温及SOFA评分。多因素Logistic回归分析显示:与Charlson共病指数T1组患者相比,T2组(OR=1.996,95%CI 1.135~3.486,P=0.016)、T3组(OR=3.386,95%CI 2.192~5.302,P<0.001)和T4组(OR=5.679,95%CI 3.711~8.842,P<0.001)患者的院内死亡风险显著增高;年龄(OR=1.056,P<0.001)、呼吸频率(OR=1.069,P<0.001)、SOFA评分(OR=1.223,P<0.001)和心室颤动(OR=2.174,P<0.001)均是院内死亡的危险因素,收缩压(OR=0.984,P<0.001)和体温(OR=0.648,P<0.001)则是院内死亡的保护因素。基于上述预测因子构建列线图预测模型,ROC曲线分析显示该模型的AUC为0.849(95%CI 0.826~0.871),具有较高的区分能力;校准曲线分析显示预测曲线与理想曲线较为接近,平均绝对误差为0.014,具有良好的校准度。结论:Charlson共病指数是AMI合并VA患者院内死亡的独立预测因子,与SOFA评分的预测效能相近。基于Charlson共病指数和其他临床变量构建的列线图预测模型可有效评估AMI合并VA患者的院内死亡风险,为临床决策提供参考。展开更多
目的基于多模态磁共振影像组学及临床危险因素构建急性脑卒中机械取栓术后出血转化的列线图模型。材料与方法回顾性分析2017年1月至2020年12月在南京市第一医院就诊的急性缺血性脑卒中患者病例174例,将患者病例随机分为训练集(n=122)和...目的基于多模态磁共振影像组学及临床危险因素构建急性脑卒中机械取栓术后出血转化的列线图模型。材料与方法回顾性分析2017年1月至2020年12月在南京市第一医院就诊的急性缺血性脑卒中患者病例174例,将患者病例随机分为训练集(n=122)和测试集(n=52),根据治疗后24 h的磁共振图像将患者分成出血转化组和无出血转化组。采用A.K.软件提取弥散加权成像及灌注加权成像病变区影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选最佳预测因子并构建列线图模型。利用受试者操作特征(receiver operating characteristic,ROC)曲线评估模型预测效能。结果每例患者各提取1584个影像组学特征,降维后筛选出15个与卒中出血转化高度相关的特征。ROC曲线显示联合影像组学标签、房颤史、年龄及入院NIHSS评分构建的诺莫图模型预测训练集出血转化的曲线下面积(area under the curve,AUC)为0.979(敏感度和特异度分别为0.950、0.989),预测测试集出血转化AUC为0.885(敏感度和特异度分别为0.836、0.908),均优于单一影像组学模型(AUC=0.763)或临床特征模型(AUC=0.707)。结论多模态磁共振联合临床特征的影像组学和机器学习可以预测急性脑卒中动脉取栓术后出血转化,且具有较高的可靠性。展开更多
文摘目的:Charlson共病指数可反映全身共病负担,其在心血管领域已有应用,但在急性心肌梗死(acute myocardial infarction,AMI)合并室性心律失常(ventricular arrhythmias,VA)患者院内死亡预测中的作用尚未明确。本研究旨在评估Charlson共病指数预测AMI合并VA患者院内死亡的价值并构建预测模型,以期早期识别并制订个体化管理策略,改善患者预后。方法:本研究基于重症医学领域的开源数据库MIMIC-IV(Medical Information Mart for Intensive Care IV),纳入符合AMI合并VA诊断标准的ICU患者为研究对象,并根据院内死亡情况进行分组。分析Charlson共病指数及其他临床指标预测AMI合并VA患者院内死亡的效能。采用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)回归筛选预测因子,并纳入多因素Logistic回归模型进行分析。基于多因素Logistic回归结果构建列线图预测模型,绘制受试者操作特征(receiver operating characteristic,ROC)曲线和校准曲线评估模型的预测效能。结果:本研究共纳入AMI合并VA患者1492例,其中发生院内死亡者340例,未发生院内死亡者1152例。发生院内死亡者与未发生院内死亡者在性别分布、生命体征、共病负担、器官功能及实验室指标方面比较,差异均有统计学意义(均P<0.05)。Charlson共病指数预测院内死亡的曲线下面积(area under the curve,AUC)为0.712(95%CI 0.681~0.742),高于白蛋白、国际标准化比值(international normalized ratio,INR)、血红蛋白、体温、血小板等指标的预测效能,差异均有统计学意义(均P<0.001),但与序贯器官衰竭评估(Sequential Organ Failure Assessment,SOFA)预测效能的差异无统计学意义(P>0.05)。LASSO回归筛选出7个关键预测因子,即Charlson共病指数(依据四分位数值分组;T1:Charlson共病指数<6分;T2:Charlson共病指数≥6~<7分;T3:Charlson共病指数≥7~<9分;T4:Charlson共病指数≥9分)、心室颤动、年龄、收缩压、呼吸频率、体温及SOFA评分。多因素Logistic回归分析显示:与Charlson共病指数T1组患者相比,T2组(OR=1.996,95%CI 1.135~3.486,P=0.016)、T3组(OR=3.386,95%CI 2.192~5.302,P<0.001)和T4组(OR=5.679,95%CI 3.711~8.842,P<0.001)患者的院内死亡风险显著增高;年龄(OR=1.056,P<0.001)、呼吸频率(OR=1.069,P<0.001)、SOFA评分(OR=1.223,P<0.001)和心室颤动(OR=2.174,P<0.001)均是院内死亡的危险因素,收缩压(OR=0.984,P<0.001)和体温(OR=0.648,P<0.001)则是院内死亡的保护因素。基于上述预测因子构建列线图预测模型,ROC曲线分析显示该模型的AUC为0.849(95%CI 0.826~0.871),具有较高的区分能力;校准曲线分析显示预测曲线与理想曲线较为接近,平均绝对误差为0.014,具有良好的校准度。结论:Charlson共病指数是AMI合并VA患者院内死亡的独立预测因子,与SOFA评分的预测效能相近。基于Charlson共病指数和其他临床变量构建的列线图预测模型可有效评估AMI合并VA患者的院内死亡风险,为临床决策提供参考。
文摘目的基于多模态磁共振影像组学及临床危险因素构建急性脑卒中机械取栓术后出血转化的列线图模型。材料与方法回顾性分析2017年1月至2020年12月在南京市第一医院就诊的急性缺血性脑卒中患者病例174例,将患者病例随机分为训练集(n=122)和测试集(n=52),根据治疗后24 h的磁共振图像将患者分成出血转化组和无出血转化组。采用A.K.软件提取弥散加权成像及灌注加权成像病变区影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选最佳预测因子并构建列线图模型。利用受试者操作特征(receiver operating characteristic,ROC)曲线评估模型预测效能。结果每例患者各提取1584个影像组学特征,降维后筛选出15个与卒中出血转化高度相关的特征。ROC曲线显示联合影像组学标签、房颤史、年龄及入院NIHSS评分构建的诺莫图模型预测训练集出血转化的曲线下面积(area under the curve,AUC)为0.979(敏感度和特异度分别为0.950、0.989),预测测试集出血转化AUC为0.885(敏感度和特异度分别为0.836、0.908),均优于单一影像组学模型(AUC=0.763)或临床特征模型(AUC=0.707)。结论多模态磁共振联合临床特征的影像组学和机器学习可以预测急性脑卒中动脉取栓术后出血转化,且具有较高的可靠性。
