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
3
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
2011—2020年某三甲综合医院恶性肿瘤住院患者疾病谱统计分析
被引量：
3
1
作者
徐宽宇
李运明
+6 位作者
杨孝光
吴斌
向雪梅
郭望
周鹏飞
裴家兴
张瀚博
《中国卫生统计》
CSCD
北大核心
2024年第4期577-581,共5页
目的 了解恶性肿瘤住院患者疾病构成情况,为制定恶性肿瘤预防和筛查工作提供参考。方法 通过四川省成都市某三级甲等综合医院的医院信息系统采集2011—2020年恶性肿瘤住院患者病案首页信息,按照ICD-10编码整理出院主要(第一)诊断的疾病...
目的 了解恶性肿瘤住院患者疾病构成情况,为制定恶性肿瘤预防和筛查工作提供参考。方法 通过四川省成都市某三级甲等综合医院的医院信息系统采集2011—2020年恶性肿瘤住院患者病案首页信息,按照ICD-10编码整理出院主要(第一)诊断的疾病系统分类,统计恶性肿瘤住院患者疾病构成及顺位。结果 2011—2020年累计恶性肿瘤住院患者47752人次。恶性肿瘤患者男女性别比为1.66∶1,平均年龄(57.87±13.79)岁。前十位恶性肿瘤分别为支气管和肺肿瘤,食管肿瘤,结肠、直肠和肛门肿瘤,胃肿瘤,肝和肝内胆管肿瘤,白血病,乳腺肿瘤,淋巴瘤,宫颈肿瘤和鼻咽肿瘤,合计占76.24%。男性和女性患者不同年龄分组恶性肿瘤疾病构成存在差异(P<0.001)。结论 根据恶性肿瘤住院患者收治情况可以看出,医院应重点关注不同性别、年龄段人群和现阶段的高发肿瘤类型,加强肿瘤防治工作,重点是支气管和肺肿瘤,食管肿瘤,结肠、直肠和肛门肿瘤,胃肿瘤等,同时积极采取措施应对支气管和肺肿瘤的高发及甲状腺肿瘤发病的上升。
展开更多
关键词
恶性肿瘤
住院患者
ICD
疾病谱
病案首页
在线阅读
下载PDF
职称材料
基于CT影像组学机器学习模型预测急性期创伤性脑损伤严重程度
被引量：
6
2
作者
杨雨奇
罗嘉宁
+5 位作者
杨永祥
邹东波
魏坤
夏永利
陈敏
马原
《中国医学影像技术》
CSCD
北大核心
2024年第7期992-996,共5页
目的观察基于CT平扫(NCCT)影像组学特征建立的机器学习(ML)模型预测急性期创伤性脑损伤(TBI)严重程度的价值。方法回顾性收集600例TBI为观察组,以另外65例TBI为外部验证集;另前瞻性纳入50例TBI为前瞻性验证集。根据出院时格拉斯哥预后评...
目的观察基于CT平扫(NCCT)影像组学特征建立的机器学习(ML)模型预测急性期创伤性脑损伤(TBI)严重程度的价值。方法回顾性收集600例TBI为观察组,以另外65例TBI为外部验证集;另前瞻性纳入50例TBI为前瞻性验证集。根据出院时格拉斯哥预后评分(GOS)将观察组患者分为高危亚组(n=240)与低危亚组(n=360)。由医师A、B以相同标准分别评估观察组患者,基于首诊临床及NCCT资料以逻辑回归(LR)法建立人工模型,预测急性期TBI严重程度。按7∶3比例将观察组分为训练集(n=420,含168例高危、252例低危)与测试集(n=180,含72例高危、108例低危),基于训练集NCCT提取及筛选影像组学特征,采用LR、支持向量机(SVM)、随机森林(RF)、K近邻(KNN)4种ML法构建预测模型,分别于测试集、外部验证集(含34例高危、31例低危TBI)及前瞻性验证集(含21例高危、29例低危TBI)进行验证。结果医师A、B判断观察组急性期TBI严重程度的曲线下面积(AUC)分别为0.606及0.771,人工模型的AUC为0.824。基于训练集NCCT筛选出的6个最佳影像组学特征构建的LR、SVM、RF和KNN ML模型及人工模型在测试集的AUC分别为0.983、0.971、0.970、0.984及0.708,在外部验证集分别为0.879、0.881、0.984、0.863及0.733,而在前瞻性验证集分别为0.984、0.873、0.982、0.897及0.704。结论基于CT影像组学建立的ML模型能有效预测急性期TBI严重程度。
展开更多
关键词
脑损伤
机器学习
影像组学
在线阅读
下载PDF
职称材料
超高维纵向数据部分线性模型的特征筛选
被引量：
1
3
作者
郭望
杨孝光
+1 位作者
周鹏飞
李运明
《统计与决策》
CSSCI
北大核心
2024年第12期46-51,共6页
超高维纵向数据的特征筛选是超高维特征筛选的难点之一,其难点是在保证边际筛选快速的前提下估计工作相关系数矩阵。文章在部分线性模型的假定下,考虑到纵向数据组间独立、组内相关的特点,采用样本协方差去估计未知的工作协方差矩阵,提...
超高维纵向数据的特征筛选是超高维特征筛选的难点之一,其难点是在保证边际筛选快速的前提下估计工作相关系数矩阵。文章在部分线性模型的假定下,考虑到纵向数据组间独立、组内相关的特点,采用样本协方差去估计未知的工作协方差矩阵,提出了剖面有协方差阵的确定独立筛选(PMSIS)方法,并在一定正则条件下,证明了该方法具有确定筛选性质。通过蒙特卡洛数值模拟与肠道菌群实例数据验证了该方法的有限样本性质,结果表明,新提出的PMSIS方法能有效筛选弱相关的协变量。
展开更多
关键词
超高维
纵向数据
部分线性模型
特征筛选
确定筛选性质
在线阅读
下载PDF
职称材料
题名
2011—2020年某三甲综合医院恶性肿瘤住院患者疾病谱统计分析
被引量：
3
1
作者
徐宽宇
李运明
杨孝光
吴斌
向雪梅
郭望
周鹏飞
裴家兴
张瀚博
机构
西部战区总医院医疗保障中心信息科
成都医学院
西南交通大学数学学院统计系
西南医
科
大学公共卫生学院
西部
战区
总
医院
医疗保障
中心
基础医学实验室
出处
《中国卫生统计》
CSCD
北大核心
2024年第4期577-581,共5页
基金
西部战区总医院军事医学科研课题(2021-XZYG-A14)
全军保健专项科研课题(21BJZ39)。
文摘
目的 了解恶性肿瘤住院患者疾病构成情况,为制定恶性肿瘤预防和筛查工作提供参考。方法 通过四川省成都市某三级甲等综合医院的医院信息系统采集2011—2020年恶性肿瘤住院患者病案首页信息,按照ICD-10编码整理出院主要(第一)诊断的疾病系统分类,统计恶性肿瘤住院患者疾病构成及顺位。结果 2011—2020年累计恶性肿瘤住院患者47752人次。恶性肿瘤患者男女性别比为1.66∶1,平均年龄(57.87±13.79)岁。前十位恶性肿瘤分别为支气管和肺肿瘤,食管肿瘤,结肠、直肠和肛门肿瘤,胃肿瘤,肝和肝内胆管肿瘤,白血病,乳腺肿瘤,淋巴瘤,宫颈肿瘤和鼻咽肿瘤,合计占76.24%。男性和女性患者不同年龄分组恶性肿瘤疾病构成存在差异(P<0.001)。结论 根据恶性肿瘤住院患者收治情况可以看出,医院应重点关注不同性别、年龄段人群和现阶段的高发肿瘤类型,加强肿瘤防治工作,重点是支气管和肺肿瘤,食管肿瘤,结肠、直肠和肛门肿瘤,胃肿瘤等,同时积极采取措施应对支气管和肺肿瘤的高发及甲状腺肿瘤发病的上升。
关键词
恶性肿瘤
住院患者
ICD
疾病谱
病案首页
分类号
R195.1 [医药卫生—卫生统计学]
在线阅读
下载PDF
职称材料
题名
基于CT影像组学机器学习模型预测急性期创伤性脑损伤严重程度
被引量：
6
2
作者
杨雨奇
罗嘉宁
杨永祥
邹东波
魏坤
夏永利
陈敏
马原
机构
西南医
科
大学附属
医院
神经外
科
江油市人民
医院
重症医学
科
中国人民解放军
西部
战区
总
医院
神经外
科
中国人民解放军
西部战区总医院医疗保障中心信息科
出处
《中国医学影像技术》
CSCD
北大核心
2024年第7期992-996,共5页
基金
西部战区总医院院管课题(2021-XZYG-A13)。
文摘
目的观察基于CT平扫(NCCT)影像组学特征建立的机器学习(ML)模型预测急性期创伤性脑损伤(TBI)严重程度的价值。方法回顾性收集600例TBI为观察组,以另外65例TBI为外部验证集;另前瞻性纳入50例TBI为前瞻性验证集。根据出院时格拉斯哥预后评分(GOS)将观察组患者分为高危亚组(n=240)与低危亚组(n=360)。由医师A、B以相同标准分别评估观察组患者,基于首诊临床及NCCT资料以逻辑回归(LR)法建立人工模型,预测急性期TBI严重程度。按7∶3比例将观察组分为训练集(n=420,含168例高危、252例低危)与测试集(n=180,含72例高危、108例低危),基于训练集NCCT提取及筛选影像组学特征,采用LR、支持向量机(SVM)、随机森林(RF)、K近邻(KNN)4种ML法构建预测模型,分别于测试集、外部验证集(含34例高危、31例低危TBI)及前瞻性验证集(含21例高危、29例低危TBI)进行验证。结果医师A、B判断观察组急性期TBI严重程度的曲线下面积(AUC)分别为0.606及0.771,人工模型的AUC为0.824。基于训练集NCCT筛选出的6个最佳影像组学特征构建的LR、SVM、RF和KNN ML模型及人工模型在测试集的AUC分别为0.983、0.971、0.970、0.984及0.708,在外部验证集分别为0.879、0.881、0.984、0.863及0.733,而在前瞻性验证集分别为0.984、0.873、0.982、0.897及0.704。结论基于CT影像组学建立的ML模型能有效预测急性期TBI严重程度。
关键词
脑损伤
机器学习
影像组学
Keywords
brain injuries
machine learning
radiomics
分类号
R651.15 [医药卫生—外科学]
R814.42 [医药卫生—影像医学与核医学]
在线阅读
下载PDF
职称材料
题名
超高维纵向数据部分线性模型的特征筛选
被引量：
1
3
作者
郭望
杨孝光
周鹏飞
李运明
机构
西南交通大学数学学院
西部战区总医院医疗保障中心信息科
出处
《统计与决策》
CSSCI
北大核心
2024年第12期46-51,共6页
基金
全军保健专项科研课题(21BJZ39)
西部战区总医院军事医学科研课题(2019ZY10,2021-XZYG-A14)
中央高校基础研究培育支持计划项目(2682021ZTPY018)。
文摘
超高维纵向数据的特征筛选是超高维特征筛选的难点之一,其难点是在保证边际筛选快速的前提下估计工作相关系数矩阵。文章在部分线性模型的假定下,考虑到纵向数据组间独立、组内相关的特点,采用样本协方差去估计未知的工作协方差矩阵,提出了剖面有协方差阵的确定独立筛选(PMSIS)方法,并在一定正则条件下,证明了该方法具有确定筛选性质。通过蒙特卡洛数值模拟与肠道菌群实例数据验证了该方法的有限样本性质,结果表明,新提出的PMSIS方法能有效筛选弱相关的协变量。
关键词
超高维
纵向数据
部分线性模型
特征筛选
确定筛选性质
Keywords
ultrahigh dimension
longitudinal data
partially linear model
feature screening
sure screening property
分类号
O212 [理学—概率论与数理统计]
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
2011—2020年某三甲综合医院恶性肿瘤住院患者疾病谱统计分析
徐宽宇
李运明
杨孝光
吴斌
向雪梅
郭望
周鹏飞
裴家兴
张瀚博
《中国卫生统计》
CSCD
北大核心
2024
3
在线阅读
下载PDF
职称材料
2
基于CT影像组学机器学习模型预测急性期创伤性脑损伤严重程度
杨雨奇
罗嘉宁
杨永祥
邹东波
魏坤
夏永利
陈敏
马原
《中国医学影像技术》
CSCD
北大核心
2024
6
在线阅读
下载PDF
职称材料
3
超高维纵向数据部分线性模型的特征筛选
郭望
杨孝光
周鹏飞
李运明
《统计与决策》
CSSCI
北大核心
2024
1
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
