原始论文
摘要
背景:股骨颈骨折(FNF)约占全身骨折的3.58%,呈逐年上升趋势。根据一项调查,1990年,全球男性和女性髋部骨折的总人数分别约为33.8万和91.7万。在中国,FNFs占髋部骨折的48.22%。目前,已有许多关于FNF患者出院后死亡率和死亡风险的研究。然而,对于重症监护室收治的严重FNF患者的住院死亡率或其影响因素,目前尚无明确的研究。
摘要目的:本文利用3种机器学习方法构建了重症监护病房患者的医院死亡预测模型,以协助临床医生进行早期临床决策。
方法:回顾性分析使用来自重症监护III医疗信息集市的FNF患者的信息进行。在使用合成少数派过采样技术算法平衡数据集后,将患者随机分为70%的训练集和30%的测试集,分别用于预测模型的开发和验证。以医院死亡为结果,构建随机森林、极端梯度增强和反向传播神经网络预测模型。使用受试者工作特征曲线下的面积、准确度、精密度、灵敏度和特异性来评估模型性能。通过与传统logistic模型的比较,验证了模型的预测价值。
结果:共选取366例FNFs患者,其中48例(13.1%)住院死亡。将636例患者的数据集与住院死亡组与存活组按1:1的比例进行平衡。3种机器学习模型均表现出较高的预测精度,随机森林、极端梯度增强和反向传播神经网络的接受者工作特征曲线下面积分别为0.98、0.97和0.95,预测性能均优于传统逻辑回归模型。对特征变量的重要性进行排序,对预测患者住院死亡风险有意义的前10个特征变量为简化急性生理评分II、乳酸、肌酐、性别、维生素D、钙、肌酸激酶、肌酸激酶同工酶、白细胞和年龄。
结论:利用机器学习构建的死亡风险评估模型对于预测重症患者住院死亡率具有积极意义,为降低住院死亡率、改善患者预后提供有效依据。
doi: 10.2196/38226
关键字
简介
股骨颈骨折(FNF)约占全身所有骨折的3.58% [
],呈逐年增加的趋势。根据一项调查,1990年,全球男性和女性髋部骨折的总人数分别约为33.8万和91.7万。[ ].在中国,FNFs占髋部骨折的48.22% [ ].重症监护医疗信息集市(MIMIC) III数据库是一个公开可用的数据库,通常用于临床研究[
其中包含2001年至2012年贝斯以色列女执事医疗中心重症监护病房(ICU)约6万名患者的医疗数据。ICU数据库比一般的患者电子病历数据库更多维、更密集,在医学领域更有价值[ ].这些治疗和检查记录的大量数据有利于密切观察ICU患者,发现与病情恶化相关的生理变化,为临床研究提供更有价值的数据[ ].目前,已有许多关于FNF患者出院后死亡率和死亡风险的研究[
- ].谢赫等[ ]采用后向逐步似然比Cox回归模型综合分析FNF骨折患者术后30天的死亡原因,发现年龄、入院血红蛋白、心肌梗死史是增加死亡率的重要影响因素。丁格拉等[ ]回顾性分析了60岁以上FNF患者术后1年死亡率的影响因素,发现吸烟、高血压、糖尿病、低血红蛋白、白细胞计数升高、手术延迟(>1周)与术后1年死亡率较高显著相关。弗罗斯特等[ ]采用logistic回归模型确定FNF患者术后医院死亡的危险因素,并采用nomogram模型预测短时间内的死亡风险。研究显示,年龄、性别和并发症是股骨颈骨折患者医院死亡的主要危险因素。然而,ICU收治的严重FNF患者的院内死亡率及其影响因素尚无明确研究。因此,在本研究中,我们利用MIMIC数据库中记录的FNF患者的电子病例信息,使用机器学习模型来研究FNF患者住院死亡的因素,以确定对预测住院死亡有意义的指标,并提供预防措施,尽早降低患者住院死亡。方法
数据源
本研究使用了来自MIMIC-III的患者数据,这是一个用于重症护理大数据研究的数据库;它包含46520名ICU患者的人口统计学、生命体征、实验室检测、治疗方案和诊断代码等临床信息。
道德的考虑
MIMIC-III数据库由麻省理工学院(剑桥,马萨诸塞州)和贝斯以色列女执事医疗中心(波士顿,马萨诸塞州)批准。作者通过保护人类研究参与者考试(No. 38335409)获得了数据库的下载和使用权。因此,这篇手稿放弃了伦理批准声明和知情同意的需要。
纳入和排除标准
在本研究中,从MIMIC-III数据库中根据诊断代码提取因FNFs而入院的ICU患者。本研究纳入的病例信息基于首次入院,根据诊断代码的顺序选择FNF首次诊断代码的患者资料,包括转子骨折和转子间骨折。排除年龄≤18岁或ICU住院时间<24小时的患者,以及医疗资料记录严重不完整的患者(>50%数字缺失)。病例筛选过程如图所示
.数据收集
根据临床经验、已发表的文献和MIMIC III数据库中记录的数据收集数据。FNFs患者的数据收集主要从以下3个方面进行:(1)人口统计学信息——性别、年龄、BMI、ICU住院时间、既往病史、简化急性生理评分(SAPS II);(2) icu入院后24小时内生理生化指标:血清钙、血红蛋白、红细胞压积、乳酸、心肌肌钙蛋白T水平、肌酸激酶(CK)、肌酸激酶同工酶(CKMB)、维生素D、红细胞、白细胞、肌酐;(3)结果-危重FNFs患者入住ICU后是否发生院内死亡。
数据预处理
研究中包含的变量经过筛选,以排除缺失值超过50%的情况。对于缺失数据不超过50%的情况,采用随机森林(random forest, RF)算法,在循环中依次输入包含缺失值的变量[
].常用的缺失数据填充方法有均数法、复数法、中位数法和定值法,其中射频算法是一种很有前途的缺失数据填充方法。将缺失的值作为新的标签,建立模型得到预测值进行填充。用于填充缺失数据的RF算法能够处理混合类型的缺失数据,并具有扩展到大数据环境的潜力。由于本研究提取的结果标签是不平衡的(48/366例,死亡组13.1%,318/366例,生存组86.9%),机器学习算法训练的模型预测结果对于不平衡的数据集容易产生偏差;因此需要对原始数据集进行平衡。本研究使用Python (Python Software Foundation)的“imblearn”库中的合成少数过采样技术(SMOTE)函数来实现对数据集的均衡处理。SMOTE算法的实现方法是在相对较少的死亡率样本集中,为每个样本x从它们的k-近邻中随机选择一个样本y,并在x, y线上随机合成一个新的死亡率样本。分析原死亡率组共48个样本,再随机合成270个新的死亡率样本加入数据集,最终得到新的平衡数据集(死亡率组:生存组= 1:1)。
本研究采用线性函数归一化方法对新平衡的数据集进行归一化。常用的方法有线性函数归一化(最小-最大缩放)和0-均值归一化(z分数标准化)。归一化过程用于消除不同数据级别引起的计算误差,并将数据归一化到0-1的范围内,以确保分类器平等对待每个特征。
将归一化数据集按7:3的比例随机分配到测试集和训练集。最后,获得445个案例对预测模型进行训练,并以191个案例验证模型的预测性能。
模型建设
目前,logistic回归是识别预测并发症发生危险因素的常用方法之一[
, ].在开放性跟骨骨折研究中,与传统的logistic回归模型相比,机器学习方法的准确率提高了30%,更适合临床应用[ ].RF是一种综合学习算法,由随机加回重采样样本形成多棵决策树,适用于样本数量远小于特征数量的问题[
].具有鲁棒效果,学习速度快,泛化能力强,对缺失数据和不平衡数据分类性能好等优点[ ].反向传播神经网络(Backpropagation neural network, BPNN)是一种前馈、应用最广泛的神经网络[
].该算法具有较高的自学习和自适应能力,泛化能力强,对未经训练的数据具有较好的预测性能。同时,BPNN具有较高的容错能力;即即使系统局部损坏,仍能正常工作[ ].极限梯度增强(Extreme gradient boosting, XGBoost)算法是一种主流的基于树模型增强的机器学习算法[
].它通过添加树模型不断更新模型的误差或残差,然后调整错分类结果的权重,使模型更智能地选择样本,减少模型产生的误差。XGBoost算法已广泛应用于临床研究,用于预测疾病的发生和预测患者的不良预后,并在几项研究中被证明比其他机器学习模型更有效[ - ].因此,本研究使用RF、BPNN、XGBoost 3种算法构建机器学习预测模型(
).统计分析与模型评价“,
数据提取采用PostgreSQL数据库系统。使用SPSS 22.0 (IBM Corp)进行统计分析,使用Python 3.8进行数据清理、模型构建和性能评估。所有连续变量都表示为中位数(四分位数),计数数据表示为病例数(百分比)。的Mann-WhitneyU连续变量的单因素分析采用Fisher精确检验,分类变量的单因素分析采用Fisher精确检验。皮尔森的2检验用于机器学习模型结果的方差分析。P<。05被认为有统计学意义。
模型评价指标为受试者工作特征曲线下面积(AUROC)、准确度、精密度、敏感性、特异性、和F1分数。
结果
重度FNFs患者的基本特征
筛选了366例符合条件的FNF患者,平均年龄78岁(SD 20.4岁)。与存活患者相比,住院死亡发生在平均年龄为83岁(标准差为17.8岁)的老年患者(P< . 05)。死亡组患者SAPS II评分、乳酸脱氢酶水平、肌酐水平均显著高于存活组(P< . 05) (
).特征 | 纳入患者(n=366) | 存活患者(n=318) | 死亡患者(n=48) | P价值 |
男性,n (%) | 193 (52.7) | 172 (54.1) | 21日(43.8) | 只要 |
女性,n (%) | 173 (47.3) | 146 (45.9) | 27日(56.2) | 只要 |
糖尿病,n (%) | 67 (18.3) | 60 (18.9) | 7 (14.6) | 票价 |
高血压,n (%) | 149 (40.7) | 130 (40.9) | 19日(39.6) | .87点 |
冠状动脉,n (%) | 86 (23.5) | 70 (22.0) | 16 (33.3) | .09点 |
洛杉矶一个(h) ICU (IQR) | 2.7 (1.3 - -4.9) | 2.6 (1.4 - -4.7) | 3.0 (1.2 - -6.1) | 总收入 |
BMI(差) | 25.1 (21.0 - -31.3) | 25.6 (21.1 - -31.5) | 23.9 (20.6 - -28.6) | 。 |
年龄(年;位差) | 78.0 (58.0 - -87.0) | 76.5 (57.0 - -86.0) | 83.0 (74.5 - -90.0) | .002 |
削弱了二世b评分(差) | 39.0 (27.8 - -40.0) | 36.0 (27.0 - -45.0) | 52.0 (39.5 - -65.8) | <措施 |
钙(差) | 1.092 (1.1 - -1.1) | 1.092 (1.1 - -1.1) | 1.094 (1.1 - -1.1) | .41点 |
血细胞比容(差) | 22.33 (22.1 - -22.6) | 22.35 (22.1 - -22.6) | 22.25 (22.0 - -25.1) | .41点 |
血红蛋白(差) | 7.610 (7.5 - -7.9) | 7.612 (7.5 - -7.9) | 7.579 (7.5 - -8.4) | 38 |
乳酸(差) | 2.127 (1.8 - -2.9) | 2.095 (1.8 - -2.8) | 2.678 (2.0 - -4.7) | 措施 |
三硝基甲苯c(差) | 0.040 (0.0 - -0.1) | 0.041 (0.0 - -0.1) | 0.038 (0.0 - -0.1) | i = |
CK(差) | 156.5 (64 - 584.3) | 171.0 (63.7 - -601.3) | 133.0 (77.4 - -445.5) | .60 |
CKMB(差) | 5.000 (3.3 - -12.0) | 5.000 (3.3 - -12.0) | 4.925 (3.5 - -12.6) | i = |
维生素D | 218.7 (191.1 - -246.5) | 218.7 (191.6 - -246.0) | 216.1 (189.4 - -252.7) | 收 |
红细胞(IQR) | 3.435 (3.0 - -3.9) | 3.425 (3.0 - -3.9) | 3.470 (3.0 - -3.9) | .77点 |
白细胞(IQR) | 10.30 (7.4 - -13.7) | 10.25 (7.4 - -13.7) | 11.01 (7.6 - -14.0) | 正 |
肌酐(差) | 0.90 (0.7 - -1.3) | 0.90 (0.7 - -1.2) | 1.25 (0.7 - -1.6) | . 01 |
一个停留时间。
bSAPS II:简化急性生理评分。
c肌钙蛋白T。
特征变量重要性排序
采用RF模型对特征变量的重要性进行排序,特征重要性排名前10位的变量(
)分别为SAPS II、乳酸、肌酐、性别、维生素D、钙、CK、CKMB、白细胞和年龄。入ICU后2小时内检测各项生化指标。模型评价
受试者工作特征曲线
在训练集上构建了三个机器学习模型和一个传统的逻辑模型,并在测试集上进行了验证。这3种机器学习模型是RF、BPNN和XGBoost。得到4种预测模型的接受者工作特征曲线,如图所示
.4个模型在训练集上的auroc分别为1.0、0.99、1.00和0.85,在测试集上的auroc分别为0.99、0.95、0.98和0.86。其中RF和XGBoost模型的效果最好,BPNN的效果次之,但机器学习模型的auroc均在0.95以上。对4种预测模型的预测结果进行差异分析,结果如 .三种机器学习模型在测试集上的预测精度均优于传统的Logistic回归模型,但差异不具有统计学意义(P> . 05)。预测模型 | 结果,n (%) | χ²(df) | P价值 | |
住院死亡 | 生存 | |||
射频一个 | 103 (53.93) | 88 (46.07) | 2.240 (3) |
点 |
摘要利用b | 104 (54.45) | 87 (45.55) | 2.240 (3) |
点 |
XGBoostc | 101 (52.88) | 90 (47.12) | 2.240 (3) |
点 |
逻辑回归 | 91 (47.64) | 100 (52.36) | 2.240 (3) |
点 |
一个RF:随机森林。
bBPNN:反向传播神经网络。
cXGBoost:极端梯度增强。
混淆矩阵
4个模型的预测性能采用准确性、精密度、敏感性、特异性和F1分数。RF模型具有最佳的整体预测精度,精密度,灵敏度,特异性和F1-得分分别为0.96,0.97,0.96,0.97和0.92。的F1XGBoost和BPNN的-score均为0.89,但XGBoost的准确性、精密度、敏感性和特异性均高于BPNN。3种机器学习模型均优于传统的逻辑回归模型(
)的预测表现( ).预测模型 | AUROC一个 | 精度 | 精度 | 灵敏度 | 特异性 | F1分数 |
射频b | 0.99 | 0.96 | 0.97 | 0.96 | 0.97 | 0.92 |
摘要利用c | 0.95 | 0.90 | 0.90 | 0.90 | 0.89 | 0.89 |
XGBoostd | 0.98 | 0.93 | 0.95 | 0.92 | 0.94 | 0.89 |
逻辑回归 | 0.86 | 0.74 | 0.80 | 0.70 | 0.79 | 0.79 |
一个AUROC:接收工作特性曲线下的面积。
bRF:随机森林。
cBPNN:反向传播神经网络。
dXGBoost:极端梯度增强。
讨论
主要研究结果
本研究选择3种高性能的机器学习算法,建立了严重FNFs患者住院死亡风险预测模型,包括RF模型、BPNN模型和XGBoost模型。3种机器学习模型在训练集和验证集上都表现出优异的性能,测试集的AUROC分别为0.99、0.95和0.98,与传统的统计逻辑模型相比具有更好的预测性能。同时,本研究采用RF模型,通过计算特征变量的重要性对常见预测因子进行排序。SAPS II、乳酸、肌酐、性别、维生素D、钙、CK、CKMB、白细胞和年龄被进一步确定为FNFs患者死亡的显著预测因素。
与之前工作的比较
logistic模型是一种传统的统计预测模型,在FNF中发病率和死亡率的预测中应用较为广泛[
].logistic回归对多协方差数据较为敏感;难以处理数据不平衡的问题;模型精度低;而且,拟合数据真实分布的能力很差。近年来,机器学习在医学中不断被应用于疾病发生和不良后果的预测。例如,Gao采用logistic回归、RF和LightGBM算法预测ICU患者急性肾损伤的风险[ ].3种模型对24小时后急性肾损伤风险的预测敏感性逐渐提高,RF和LightGBM算法的模型疗效明显优于logistic回归。欢等[ ]利用机器学习构建模型,对FNF患者内固定后股骨头坏死的危险因素进行预测和分析,结果证明机器学习预测的概率与实际股骨头坏死的风险有很好的一致性。本研究将机器学习模型的预测效果与传统的logistic回归模型进行比较,证实机器学习模型在预测严重FNF患者住院死亡率方面有较好的表现,与上述结论一致。同时,本研究采用RF模型,通过计算特征变量的重要性对常见预测因子进行排序。SAPS II、乳酸、肌酐、性别、维生素D、钙、CK、CKMB、白细胞和年龄被进一步确定为FNFs患者死亡的显著预测因素。在之前的一项研究中,Seitz等[
发现骨矿化缺陷和25-羟基维生素D的减少与FNFs的死亡率增加有关。25-羟基维生素D是血液中维生素D的主要形式。在本研究中,维生素D和血清钙是影响FNFs患者住院死亡率的重要影响因素,验证了这一发现,提示在临床治疗中通过补钙和其他措施平衡血清25-羟基维生素D水平可能降低FNFs患者的死亡率。在pachou等人的一项前瞻性对照研究中[ ],乳酸脱氢酶水平和肌酐水平是骨密度(BMD)损失的显著预测因素;而骨密度与死亡率相关,骨密度损失越快,死亡风险越高[ ],这与本研究的结果一致。此外,与以往关于FNFs死亡率预测的研究相比[ - ],本研究发现SAPS II评分对于预测患者的死亡率也有重要意义。SAPS II由12个生理变量、年龄、住院类型、3种慢性疾病组成,入ICU后每日测量SAPS II可预测死亡风险[ ].然而,在现有的预测研究中[ - ], SAPS II评分常用于神经系统疾病、腹部感染和呼吸窘迫患者的预后研究,但关于SAPS II临界评分对FNFs预测能力的研究较少。这项研究的结果对于进一步精确预测FNFs患者的发病率和死亡率非常重要。限制
本研究也有一定的局限性。首先,这是基于MIMIC III数据库的单中心研究,没有外部数据库验证,模型的性能需要通过前瞻性研究进一步验证。其次,机器学习模型的可解释性较差,虽然进行了特征重要性排序,但无法从统计学角度评估这些特征与FNFs患者住院死亡率之间的因果关系。最后,由于MIMIC III数据库中可用数据类型的限制,一些成像指标不能包括在模型中。接下来,我们将进一步将现有模型与国内数据库进行整合,验证模型性能,调整参数提高模型性能,使模型更好地适应国内数据库。此外,我们将延长研究时间,以建立临床适用于严重FNFs患者的住院死亡风险预测模型。
结论
总之,我们利用患者的临床数据开发了3个机器学习模型,用于预测严重FNFs患者的住院死亡风险。3种机器学习模型的预测性能均优于传统逻辑模型,其中RF模型的预测性能最好。未来,通过对国内数据库的验证和模型参数的调整,该模型可应用于临床实践,更好地协助临床医生决策,调整严重FNFs患者的治疗方案,更好地分配医疗用品,减少不良结局的发生。由于MIMIC是国外数据库,亚洲患者较少,对国内FNF病例不具有普适性,因此在今后的工作中,将纳入更多的国内患者数据,使模型更符合国内FNF人群的特点。
致谢
本研究得到国家自然科学基金(no . 81872718)、上海市卫生和计划生育委员会(no . 201840041)、上海市教委本科重点项目(no . 201965)的资助。
利益冲突
没有宣布。
纸的代码。
PDF档案(adobepdf档案),253kb参考文献
- 股骨颈骨折的选择策略及治疗进展。中国谷商2015;28(9):781-783。[CrossRef]
- Thorngren K, Hommel A, Norrman P, Thorngren J, Wingstrand H.股骨颈骨折的流行病学。受伤2002年12月33日1-7。[CrossRef]
- 孙欣,曾锐,胡哲。空心加压螺钉治疗股骨颈骨折后股骨头坏死的临床观察。中华骨科创伤杂志2012;14(6):477-479。
- 张志刚,刘志刚,张志刚,张志刚,等。这是一个免费访问的重症监护数据库。科学数据2016 5月24日;3(1):160035 [免费全文] [CrossRef] [Medline]
- 张艳。基于机器学习的重症监护患者死亡率预测。电子科技大学2018。
- Anthony Celi L, Mark RG, Stone DJ, Montgomery RA。重症监护室的“大数据”。关闭数据循环。美国呼吸急救医学2013年6月1日;187(11):1157-1160。[CrossRef]
- Frost SA, Nguyen ND, Black DA, Eisman JA, Nguyen TV。髋部骨折住院后死亡率的危险因素Bone 2011 Sep;49(3):553-558。[CrossRef] [Medline]
- Sheikh HQ, Hossain FS, Aqil A, Akinbamijo B, Mushtaq V, Kapoor H.髋部骨折术后30天死亡率的原因和预测因素的综合分析。临床矫形外科2017 Mar;9(1):10-18 [免费全文] [CrossRef] [Medline]
- 王志强,王志强,王志强,等。老年人股骨颈骨折术后1年死亡率及影响因素分析。中国老年健康杂志;2011;29 (4):369 - 369 [J]免费全文] [CrossRef] [Medline]
- 唐峰,王晓明。随机森林缺失数据算法。2017年12月13日;10(6):363-377。[CrossRef] [Medline]
- 尹伟,徐忠,盛杰,张超,朱忠。股骨转子间骨折愈合后股骨头坏死危险因素的Logistic回归分析。2016年5月16日;26(3):215-219。[CrossRef] [Medline]
- 李文杰,李志强,李志强,等。如何在事件较少的情况下建立更准确的风险预测模型。英国医学杂志2015 Aug 11;351:h3868 [免费全文] [CrossRef] [Medline]
- Bevevino A, Dickens J, Potter B, Dworak T, Gordon W, Forsberg J.一种预测严重战斗相关开放性跟骨骨折肢体挽救的模型。临床矫形相关研究报告2014年10月;472(10):3002-3009 [免费全文] [CrossRef] [Medline]
- 随机森林。机器学习2001;45:5-32。[CrossRef]
- 胡晓峰,王晓峰,王晓峰。利用随机森林从不平衡数据中学习的实证研究。2007年发表于:第19届IEEE人工智能工具国际会议(ICTAI);2008年1月4日;佩特雷,希腊。[CrossRef]
- 王磊,曾勇,张军,黄伟,鲍勇。基于人工神经网络的备件临界性评价模型。2006年发表于:计算科学国际会议;2006年5月28日至31日;阅读,英国第728-735页。[CrossRef]
- 基于人工神经网络和遗传算法的自自动化博弈设计。2009年发表于:第二届智能计算技术与自动化国际会议;2009年10月10-11日;长沙,中国。[CrossRef]
- Chen T, Guestrin C. XGBoost:一个可扩展的树木增强系统。ACM数字图书馆。2016。URL:https://dl.acm.org/doi/pdf/10.1145/2939672.2939785[2022-08-12]访问
- Ogunleye A,王强。XGBoost模型在慢性肾病诊断中的应用。IEEE / ACM反式。第一版。医学杂志。和Bioinf 2020年11月1日;17(6):2131-2140。[CrossRef]
- 王玲,王霞,陈安,金霞,车华。基于XGBoost模型的2型糖尿病风险预测及效果评价。医疗保健(巴塞尔)2020年7月31日;8(3):247 [免费全文] [CrossRef] [Medline]
- Torlay L, Perrone-Bertolotti M, Thomas E, Baciu M.机器学习- xgboost语言网络分析对癫痫患者的分类。Brain Inform 2017年9月22日;4(3):159-169 [免费全文] [CrossRef] [Medline]
- 郑建强,王辉,高勇,艾志生。股骨颈骨折术后并发症预测模型的建立及初步验证。同济大学学报(医学版)2020;41(06):739-746。[CrossRef]
- 高伟平,吕海杰,周林,郭文文。决策树算法应用于MIMIC-lll数据库预测ICU患者急性肾损伤。北京生物医学工程2021;40(06):609-617。[CrossRef]
- 王华,吴伟,韩超,郑杰,蔡旭,常松,等。股骨颈骨折后股骨头坏死的预测模型:基于机器学习的开发和验证研究。JMIR Med Inform 2021年11月19日;9(11):e30079 [免费全文] [CrossRef] [Medline]
- Seitz S, Koehne T, Ries C, De Novo Oliveira A, Barvencik F, Busse B,等。股骨颈骨折患者骨矿化受损伴低维生素D和继发性甲状旁腺功能亢进。骨质疏松杂志2013年2月12日;24(2):641-649。[CrossRef] [Medline]
- 彭丽娟,王志强,王志强,等。新诊断的淋巴瘤患者接受化疗时骨密度和骨转换标志物的改变:一项为期1年的前瞻性试点研究Ann Oncol 2014年2月;25(2):481-486 [免费全文] [CrossRef] [Medline]
- Marques EA, Elbejjani M, Gudnason V, Sigurdsson G, Lang T, Sigurdsson S,等。股骨近端骨密度与死亡率:AGES-Reykjavik研究13年随访。J Bone Miner Res 2017 Jun 20;32(6):1237-1242 [免费全文] [CrossRef] [Medline]
- Bokshan SL, Marcaccio SE, Blood TD, Hayda RA。影响美国八九十岁和九十岁老人髋部骨折后生存的因素损伤2018年3月;49(3):685-690。[CrossRef] [Medline]
- Fakler JK, Grafe A, Dinger J, Josten C, Aust G.股骨颈骨折患者围手术期危险因素:25-羟基维生素D和C反应蛋白对术后并发症和1年死亡率的影响。BMC musloskelet Disord 2016 Feb 01;17(1):51 [免费全文] [CrossRef] [Medline]
- Sebestyén A, Boncz I, Sándor J, Nyárády J.手术延迟对股骨颈骨折患者早期死亡率的影响。国际骨科2008年6月24日;32(3):375-379 [免费全文] [CrossRef] [Medline]
- 基于欧洲/北美多中心研究的新的简化急性生理评分(SAPS II)。中国医学杂志1993年12月22日;270(24):2957。[CrossRef]
- 马少林,苏云云,李霞。简化急性生理评分II在危重神经疾病患者死亡概率预测中的应用中华神经病学杂志2010;11:774-777。[CrossRef]
- 匡刚,陈勇,魏晓霞。24h LCR、SOFA评分及SAPS评分在腹腔感染败血症预后评估中的作用湖南师范大学学报(医学版)2020;17(01):26-29。
- 刘慧,肖娟,胡霞,王怡,周峰。简化急性生理评分-3在中重度急性呼吸窘迫综合征患者皮质醇激素治疗选择中的作用。首都医科大学学报2021;42(06):915-922。[CrossRef]
缩写
AUROC:接收工作特性曲线下的面积 |
弹道导弹防御:骨密度 |
摘要:反向传播神经网络 |
CK:肌酸激酶 |
CKMB:肌酸激酶同工酶 |
FNF:股骨颈骨折 |
加护病房:重症监护室 |
模拟:重症监护医疗信息集市 |
射频:随机森林 |
削弱了II:简化急性生理评分II |
杀:合成少数派过采样技术 |
XGBoost:极端梯度增强 |
A Mavragani编辑;提交24.03.22;O Fajarda Oliveira, DZ Pan同行评审;对作者29.06.22的评论;订正版本收到13.07.22;接受09.08.22;发表19.08.22
版权©徐凌霄,刘军,韩春霞,艾子生。最初发表在JMIR生物信息学和生物技术(https://bioinform.www.mybigtv.com), 19.08.2022。
这是一篇开放获取的文章,根据创作共用署名许可协议(http://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用首次发表在JMIR生物信息学和生物技术上的原创作品。必须包括完整的书目信息,https://bioinform.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。