简介:摘要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6 922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。
简介:摘要目的分析血栓性血小板减少性紫癜(TTP)患者的实验室指标及临床特征,为TTP的及时诊断和死亡风险评估提供参考。方法回顾2016年6月至2022年3月华中科技大学同济医学院附属同济医院诊治的TTP患者临床资料和入院时实验室检查结果。将患者分为存活组与死亡组,比较两组患者一般资料、临床症状和实验室指标之间差异。联合差异指标构建预后预测评分,计算相应死亡风险。结果本研究纳入83例TTP患者,分别有81.1%(60/74),91.1%(72/79)和86.2%(50/58)的患者入院时谷草转氨酶(AST),间接胆红素(IBIL)和肌钙蛋白(cTnI)结果增高,入院时检测了乳酸脱氢酶(LDH)的患者结果均增高(78/78)。97.5%(79/81)的患者血红蛋白减低,97.5%(79/81)患者PLT小于30×109/L。存活组(58例)和死亡组(25例)患者的性别、年龄、血型、是否存在发热症状、ADAMTS-13活性和PLASMIC评分差异无统计学意义,但死亡组出现神经症状者比例显著高于存活组,死亡组患者入院时AST、IBIL、cTnI和活化部分凝血活酶时间(APTT)显著高于存活组(P<0.05)。相对于低水平者,入院时AST、IBIL、APTT和cTnI高水平者的死亡风险比值比分别为4.86,9.74,3.71和5.33。纳入AST、IBIL、APTT、cTnI和神经症状构建积分模型,每增加1分,TTP患者的短期死亡风险比值比为3.24。结论多个实验室指标对TTP有较高的阴性排除价值。对入院时具有高水平AST、IBIL、cTnI、APTT以及存在神经症状的TTP患者,临床应多加关注、积极治疗以降低死亡率。