机器学习在重症患者急性肾损伤中的应用与发展前景

机器学习构建预测模型可以早期预测重症患者急性肾损伤（AKI）,有助于临床尽早采取预防措施以降低AKI的发生率。机器学习也可以做到实时鉴定AKI亚型,以便于未来临床针对其亚型实施精准治疗,从而有可能改善患者预后。本文就机器学习构建AKI预测模型、机器学习鉴定重症患者AKI亚型与精准治疗以及机器学习应用于重症患者AKI领域...     

基于机器学习构建放射性碘治疗疗效的预测模型

目的 基于分化型甲状腺癌(DTC)患者的临床资料及放射学参数,通过机器学习算法构建放射性碘治疗(RAI)疗效的预测模型。 方法 选取2015年12月至2020年12月于山东大学第二医院核医学科接受RAI治疗的1 642例DTC患者为研究对象,在RAI治疗结束的6个月后评估其治疗疗效,筛选与疗效相关的核心特征进行机器学习建模。将研究对象按就诊时间(2019年7月)划分为训练集(n=973)和验证集(n=669),于训练集中利用Logistic、随机森林、支持向量机、Adaboost 4种方法进行模型构建,利用受试者工作特征曲线下面积(AUC)、灵敏度和特异度评估模型的性能,绘制校准曲线及决策曲线评估模型的准确度和临床受益性,并在验证集中评估模型外部稳定性。 结果 4种模型的预测性能较高,稳定性较好,预测精度和净收益高于目前临床常规应用的肿瘤-淋巴结-转移(TNM)分期和复发风险分层。Logistic模型表现最佳,其AUC在训练集中为0.827、验证集中为0.869。 结论 基于机器学习构建的术后RAI治疗疗效预测模型有较高的预测性能,由此构建的列线图可实现个体化精准预测。     

定量药理学在新药研发及临床治疗药物监测方面的应用

定量药理学是上个世纪末在传统的药动学基础之上形成的新型学科,其主要运用数学及统计学的方法定量描述、解释和预测药物在体内的作用行为。近年来定量药理学中涉及的模型化和仿真预测在新药研发、治疗药物监测和临床个体化用药等方面得到了广泛的重视和研究。本文主要从新药研发和临床治疗药物监测这两个方面综述了定量药理学国内外研究进展。     

骨科冲击波治疗的智能化发展现状及趋势分析

体外冲击波治疗以其安全无创的临床优势在骨科得到了广泛应用,但传统治疗手段普遍存在的主观经验决策和手动长时操作等问题限制了该方法的推广和进一步发展。智能技术已经开始进入骨科冲击波治疗领域,并发展迅速。本文总结了计算机导航、机器学习和机器人三类智能技术在骨科冲击波治疗中的研究现状及应用特点,表明：现阶段,计算机导航可以有效辅助医生完成冲击波探头的准确定位,机器学习方法能够辅助实现冲击波治疗能量参数的自动预测;机器人已经表现出了显著的潜在临床效能,尤其是能够大幅降低医师操作强度;三类技术分别从“眼”“脑”“手”的角度,为提升骨科冲击波治疗智能化水平提供全面支持。在此基础上,本文从临床治疗机制与量效关系、方案规划智能化与临床适宜性、治疗操作自动化与机器人辅助等方面,展望了未来发展趋势。     

机器学习在创新药物研发中的应用进展

介绍人工智能和药物设计基本概念、主要算法、技术和实际应用,探讨机器学习在创新药物研究中的应用,从分类回归、靶蛋白结构预测、活性位点识别和结合亲和力角度,详述基于机器学习策略的虚拟筛选技术在创新药物研发中的应用和挑战,对该技术发展进行展望。     

基于机器学习的非药物因素预测精神分裂症疗效的研究

目的 探讨基于机器学习的非药物因素在预测精神分裂症疗效的研究。方法 选择2021年6月—2022年12月本院门诊收集符合ICD-10精神分裂症诊断标准的200例患者作为研究对象,随机分配到独立训练集和独立测试集,经过2周的治疗,根据PANSS减分率的高低,将其分为实验组(160例)和对照组(40例)两组,以评估两组患者的疗效。同时在治疗过程中单变量分析与多变量Logistic回归分析影响两组患者康复的因素,并采用随机森林算法建立机器学习模型和引入独立测试集,采用受试者操作特征曲线、校准曲线分析交叉验证机器学习模型的准确度与稳健性。结果 机器学习模型具有较好的区分度,其中独立训练集AUC为0.877,而独立测试集AUC为0.853。经过对该模型的深入分析,我们发现,患者的非药物因素,如性别、民族、家庭收入、家庭人口数、婚姻状况、教育水平、职业、吸烟习惯、发病年龄、首次诊断时间、首次治疗时间、总发病次数、停药次数以及发病形式,都会显著影响精神分裂患者的治疗效果(P<0.05)。结论 利用轻量梯度提升机机器学习方法开发并建立了一个非药物因素在预测精神分裂症疗效的预测模型,具有较好的预测...     

血脂异常的现代药物治疗

血脂异常是引起动脉粥样硬化和冠心病最重要的危险因素。近年来其治疗药物发展迅速，新药不断应用于临床。作者分别就他汀类、贝特类等八类药物对血脂异常的调脂作用，尤其对新近研究开发的药物作一综述，并对这些药物的应用进行临床评价。     

黄斑中心凹区脉络膜新生血管治疗研究进展

黄斑中心凹区脉络膜新生血管(CNV)的临床治疗与基础研究均取得了较大进步,积累了丰富的临床经验和大量的研究资料。临床方面,光动力疗法及手术等在我国广泛开展;针对新生血管形成和CNV病变炎性反应过程的药物应用于临床也进展较快。基础研究方面,用基因疗法、靶向治疗CNV等领域亦取得了显著成绩。未来的发展趋势为多种治疗的联合应用,标志着我国黄斑中心凹区CNV的临床与基础研究基本与国际接轨。     

慢性鼻-鼻窦炎临床诊治进展?

慢性鼻-鼻窦炎(chronic rhinosinusitis,CRS)是耳鼻咽喉-头颈外科的常见病,随着科学技术的发展和基础研究的突破,新的检查方法、治疗手段、药物等逐渐应用于临床,使 CRS 的临床诊治水平不断提高,国内外学者已不断更新其诊治指南。本文对诊断分类、影像学检查、特殊检查、药物治疗、手术治疗等方面的新进展进行分析总结,以更好地指导 CRS 临床诊治。     

长链非编码RNA与肾癌靶向药物耐药

随着对肾癌发病机制的日渐了解,小分子靶向药物如舒尼替尼和索拉非尼等已经被广泛应用于临床,显著提高了肾癌患者的生存时间.然而,约有15％的进展期肾癌患者对靶向药物先天耐药,其余患者在接受舒尼替尼治疗6～15个月后也往往出现耐药和疾病进展,成为晚期肾癌治疗的瓶颈.因此,探索肾癌靶向耐药的生物学机制以及寻找预测靶向药物疗效的生物学标记物十分迫切.我们团队近期的研究发现了在肾癌靶向药物耐药过程中起关键作用的长链非编码RNA(lncRNA),相关研究成果发表在Cancer Cell、Nature Communications和Oncogene等国际知名期刊上.本文总结了我们团队关于肾癌靶向药物耐药研究的新成果,并对未来靶向药物耐药研究的方向和难点进行了探讨.     

基于电子病历数据的临床表型提取及其应用进展

在介绍临床表型提取技术的基础上,利用临床决策支持技术、自然语言处理技术和机器学习方法,就从糖尿病相关电子病历中提取临床表型等方面进行系统综述,表明深度学习方法可以更高效准确地从电子病历数据中提取出临床表型,帮助临床研究人员更好地进行临床试验,提高医疗护理水平。     

机器学习在心血管疾病辅助诊断模型中的效果

我国心血管病死亡率居城乡居民总死亡率的首位,且心血管疾病的发病率仍持续增高。近十年来我国切实推进心血管健康事业建设,国家号召将心血管疾病的主战场由医院转向社区,因此迫切需要提升基层医疗服务质量来满足人民群众日益增长的健康需求。数字化信息时代的来临,使得机器学习广泛应用于图像辨别、语音识别和自然语言处理,人工智能在电商、家居、物流、交通等方面普遍运用,但对医疗保健的影响才刚刚开始。随着医疗数据可用性的提高和大数据分析方法的快速发展,人工智能在医疗领域的成功应用成为可能。在相关临床问题的指导下,强大的人工智能技术可以提取海量数据中隐藏的临床信息,进而辅助医生进行临床决策。近年来随着国家、社会对基层医疗的重视及互联网信息技术的发展,机器学习技术运用于心血管疾病的诊断和预测已成为热门。机器学习正在逐渐改变医生诊断疾病和临床决策的方式,但每个心血管疾病的诊断和决策都需要在疾病和统计学方面进行一定程度的分析,选择最优的机器学习算法才能更好地解决临床问题。本文通过比较近5年来有关心血管疾病辅助诊断模型的曲线下面积、敏感性、特异性、准确性、F1值、C统计值等多个量化指标来评估不同疾病分类下机器学习的优势选择,系统总结了不同人工智能方法在各心血管疾病诊断和预测等方面中的运用,并对相关辅助诊断模型进行评价。      

医学院校非信息类专业医学信息学选修课的教学实践研究

以移动互联网、物联网、云计算、大数据等为代表的新一代信息技术与健康医疗行业紧密融合，对医学院校面向非信息类专业的医学信息学选修课提出了更高的教学目标和内容要求。本文结合实际教学需求和临床医学生培养目标，对医学信息学选修课的教学内容进行了科学地优化和配置。选择医学信息学教育中的“小数据集，电子病历/电子健康档案的基本应用”为主要内容，模块化医学信息处理中的数值型数据、文本型数据和图像数据，以案例驱动和翻转课堂变革教学方式，将机器学习中常见的方法（如回归、分类和聚类方法）根植于案例的解决方案中，以综合的算法实例报告作为课程考核评价方式。实践表明，以上探索既激发了学生对医学信息学选修课的兴趣，又有效贯彻了医学生培养早预测、早调整、早发现、早诊断和早治疗的“五早”模式。     

Identifying Smokers with a Medical Extraction System

The Clinical Language Understanding group at Nuance Communications has developed a medical information extraction system that combines a rule-based extraction engine with machine learning algorithms to identify and categorize references to patient smoking in clinical reports. The extraction engine identifies smoking references; documents that contain no smoking references are classified as UNKNOWN. For the remaining documents, the extraction engine uses linguistic analysis to associate features such as status and time to smoking mentions. Machine learning is used to classify the documents based on these features. This approach shows overall accuracy in the 90s on all data sets used. Classification using engine-generated and word-based features outperforms classification using only word-based features for all data sets, although the difference gets smaller as the data set size increases. These techniques could be applied to identify other risk factors, such as drug and alcohol use, or a family history of a disease.     

人工智能技术在医学影像中的应用讨论

深度神经网络是新一代人工智能技术,其在自然语言处理、学习能力、计算机视觉上将机器的认知能力推向了新的高度。目前,深度神经网络在医学影像中的应用主要集中在发现异常、量化测量和鉴别诊断3个方面,基于深度神经网络的医学影像研究已涉及放射影像、病理图像、超声影像、内镜影像等多个领域。深度神经网络在一些任务场景中已展现出与医师相当甚至超越医师的表现。在人工智能技术高速发展的大环境下,医师群体应客观冷静地看待技术、科学严谨地评价技术、积极开放地参与技术的提升与应用,成为技术的驾驭者,走向人工智能技术辅助下的医疗服务未来。     

人工智能在肿瘤病理诊断和评估中的应用与思考

人工智能在多个医学场景如疾病诊断、药物筛选、影像医学和护理医学等领域中取得了革命性的进步.病理切片属于二维图像,是人工智能的首要突破点.我国的医疗资源和病理资源丰富,而病理切片的标准化和数字化为人工智能的深度学习提供了大数据背景.我们在乳腺癌、胃癌和胆管癌病理人工智能方面进行了一系列研究,建立了标准的肿瘤细胞标注流程和深度学习流程,研发了肝门部胆管癌人工智能模型,但也发现了存在的问题,提出了解决方案.随着精准性的提高,病理人工智能有望很快进入临床实践.     

Functional evaluation of out-of-the-box text-mining tools for data-mining tasks

Objective The trade-off between the speed and simplicity of dictionary-based term recognition and the richer linguistic information provided by more advanced natural language processing (NLP) is an area of active discussion in clinical informatics. In this paper, we quantify this trade-off among text processing systems that make different trade-offs between speed and linguistic understanding. We tested both types of systems in three clinical research tasks: phase IV safety profiling of a drug, learning adverse drug–drug interactions, and learning used-to-treat relationships between drugs and indications.Materials We first benchmarked the accuracy of the NCBO Annotator and REVEAL in a manually annotated, publically available dataset from the 2008 i2b2 Obesity Challenge. We then applied the NCBO Annotator and REVEAL to 9 million clinical notes from the Stanford Translational Research Integrated Database Environment (STRIDE) and used the resulting data for three research tasks.Results There is no significant difference between using the NCBO Annotator and REVEAL in the results of the three research tasks when using large datasets. In one subtask, REVEAL achieved higher sensitivity with smaller datasets.Conclusions For a variety of tasks, employing simple term recognition methods instead of advanced NLP methods results in little or no impact on accuracy when using large datasets. Simpler dictionary-based methods have the advantage of scaling well to very large datasets. Promoting the use of simple, dictionary-based methods for population level analyses can advance adoption of NLP in practice.     

临床医学研究生学习行为的预测模型研究———线性回归和机器学习的对比分析

目的对比线性回归模型与四种机器学习算法对临床医学研究生学习行为的预测效能,探讨不同预测模型的优缺点和适用性。方法以全国6922名临床医学研究生的调查数据为例,通过自评学习行为量表获得综合得分;在训练集中,分别利用Lasso线性回归和人工神经网络、决策树、Bootstrap随机森林、提升树四种监督式机器学习算法建立预测模型;对验证集数据进行预测并比较不同模型的预测效能。结果临床医学研究生学习行为综合得分为(3.31±0.54),总体达标率为74.02%。在线性回归模型中,年龄、学校级别、学位类型、学习兴趣、压力和满意度对学习行为的影响差异有统计学意义;在对验证集的预测中,线性回归模型的敏感度为0.484,特异度为0.914,准确率为0.801。四种机器学习算法的各项指标均高于线性回归模型,其中随机森林的提升度最高。结论线性回归模型对研究生学习行为的预测效果良好,机器学习在预测准确性上优于线性回归模型,但传统线性回归模型在计算效率和可解读性上具有一定优势。     

循证医学在血液专业学位研究生培养中的应用

医学专业学位研究生的培养目标是扎实的临床诊治能力和创新的医学科学研究能力。以循证医学为基础的临床研究模式能有效调动学生学习主动性,培养学生获取信息、解决问题的能力,并在临床研究过程中加强临床科研创新思维的培养。此外,循证医学临床研究模式也有助于导师更新知识体系,保持旺盛的临床创新思维和持续的研究能力。将循证医学临床研究模式应用于血液病学专业学位研究生培养,通过立题、申请新技术、获得伦理号、注册临床研究号、病例入组和统计分析数据,有助于研究生掌握临床研究的主要方法和实施流程,为后续的研究打下坚实的基础。