机器学习算法在术后谵妄风险评估中的应用进展

来源期刊：广州医药 | 42-47 发布时间：2025-01-20 收稿时间：2025/2/14 10:53:44 阅读量：126

作者：: 江竹月,

孙洲华,

张庆庆,

张成欢,

陈雯,

关键词：: 术后谵妄机器学习算法风险预测模型综述; postoperative delirium machine learning alogrithms risk models reviews

DOI：: 10. 20223 / j. cnki. 1000-8535. 025. 01. 006

收稿时间：: 2024-3-5
修订日期：
接收日期：
引用总数：: 1

近年来，人工智能技术（AI）的发展正在逐渐改变传统的医疗行业，机器学习作为人工智能技术中的主流被越来越多地应用于分析复杂的医学数据，为疾病的诊断、预后风险评估、诊疗决策的制定等方面提供了便利。文章对国内外机器学习算法在术后谵妄中的应用进行综述，以期为术后谵妄预测模型的构建提供新的思路，为临床早期评估术后谵妄提供新的依据。

术后谵妄（postoperative delirium，POD）是一种急性精神错乱状态^［1］，是术后常见且严重的并发症之一。据报道POD的发生率在4.1%~54.9%不等^［2］。发生POD的患者住院时间延长、病死率增加、预后不良、治疗费用增加^［3-4］。目前，尚无单一的治疗方法能够预防POD的发生。非药物治疗与药物治疗相结合是治疗POD的最佳方法之一。研究表明，近40%的POD是可以预防^［5］。因此，只有早期识别POD的高危人群并积极干预诱发因素才能降低POD的发生率，改善患者预后。近年来随着计算机技术的不断发展，社会各领域大数据的聚集，机器学习（machine learning，ML）也越来越多地被应用于疾病的预测中^［6］。本文旨在对国内外ML算法在POD中的应用进行总结、分析，以期为后续相关研究和临床工作提供借鉴和参考。

1 ML 概述

ML是人工智能技术（artificial intelligence，AI）的一个分支，最早是由著名的计算机科学家Arthur Samuel于1959年提出^［7］，被描述为以计算机科学和数学为基础模拟AI和应用系统的交叉学科，其本质为从大量数据中寻找规律建立模型，并通过反馈正确的决策对模型进行验证与改进，最终实现对新的样本进行识别及预测。根据数据结构的不同，ML大致分为监督学习、无监督学习和深度学习^［8］。监督学习是指从带标记的样本数据中训练模型，然后对新的数据进行预测的过程，主要目的找到一个能够基于输入产生输出的函数，并使用产生的输出去逼近真实值^［9］。监督学习主要包括逻辑回归（logistic regression，LR）、决策树（decision tree，DT）、梯度提升决策树（gradient boosting decision tree，GBDT）、随机森林（random forest，RF）、K-近邻算法（K-nearest neighbor，KNN）、Boosting 算法、人工神经网络（artificial neural network，ANN）、支持向量机（support vector machines，SVM）等^［10］。无监督学习则是识别数据集中的模式或结构，从自动分类主题中挖掘数据，从而生成假设^［11］。相比于监督学习，其不必预设标签。常见算法如 K-均值聚类和层次聚类等。深度学习则是ANN的一个分支，其特征是多个隐藏节点层，通过以多种方式与环境连续互动中不断试错，以学习最优的序贯决策，其主要应用于图像处理，如Q学习以及时间差学习等^［12］。

1.1 ANN

ANN是受人类神经系统启发的复杂ML模型^［13］。通常是由相互连接的神经元构成，它们包含简单计算节点层，这些节点作为非线性求和算法运行，通过加权连接线互连，并使用新的训练样本调整权重。即使在没有先验知识的情况下，ANN仍能将因变量与自变量联系起来，具有自组织、自学习能力和信息综合能力强等优点，但其仍然未被人们所熟知和使用。这是因为在ANN被广泛接受之前，还需要解决一些网络实体的问题。此外，网络是“黑箱推理”，这意味着所有知识都存储在网络内部，可解释性不强［^14］。

1.2 GBDT

GBDT是一种流行的监督学习分类模型，其本质是一种基于协变量预测结果的统计模型^［15-16］。该统计模型暗示了一个定义数据的不相交子集的预测规则^［17］，即通过数据的二进制分区序列分层定义的总体子组，分层二进制分区的集合可以表示为树，每个子集的预测结果是通过对子集中个体的结果取平均值来确定的，其目标是创建一个预测规则（即树），使得测量预测值和真实值之间差异最小化。正是由于它具有发现多种特征以及组合特征等优点，已被应用于不同的研究领域，如生物信息学、医学等^［18-20］。

1.3 RF

RF是一种非参数方法^［21］，其本质是多个决策树的集成分类器，其中每棵决策树都是根据训练数据集的引导版本构建的，通过重复划分的原理生长，从根节点开始，重复应用相同的节点分裂过程，直到满足某些停止规则。换句话说，RF的预测能力来自许多较弱的决策树的聚合^［22］。如果森林中树木之间的相关性较低，则意味着性能特别好。RF可以适应不同类型的计算，如分类或定量结果和生存时间。此外，它可以与各种尺度或分布的预测器一起工作，并且适用于预测数大于观测数的高维环境中的应用。因此，它非常适合应用于分析复杂的数据。

1.4 SVM

SVM是一种构建分类器的强大方法^［23］。其目的是在两个类之间创建一个决策边界，从而能够从一个或多个特征向量中预测标签。与其他ML方法相比，SVM在识别复杂数据集中的细微模式方面非常具有优势。因此，SVM可被用于具有许多变量或维度的复杂数据集中，用于分类和回归问题^［24］。

1.5 KNN

KNN是一种非参数ML算法，其逻辑思路十分简单，即如果一个样本中有K个相邻的样本最相似，那么该样本也就归属于同一类别中^［25］。换而言之，无论数据大小，都不存在参数或固定数量的参数。目前KNN是一种较为成熟的方法，但由于需要较大的样本量计算以及样本量不平衡等缺点限制了其临床应用^［26］。

1.6 LR

LR常用于疾病的诊断和预后预测，是一种经典的广义线性回归分析模型，本质是分类模型，大多为二分类^［27］。其优点在于临床实际应用中计算简单，缺陷在于准确性以及拟合度都不算太高。

2 ML 算法在 POD 中的应用

目前国内外研究者对POD的风险预测模型都有了一定的探索，ML算法在预测POD方面展现出了更好的准确性与灵敏度。因此，早期使用ML算法筛选出POD的高危患者，及早进行干预，在一定程度上能降低POD的发生率，从而改善患者的不良结局。近年来ML算法在POD预测中的应用研究见表1。

2.1 国外ML算法在POD中的研究进展

2017年Davoudi等^［28］利用患者术前电子健康记录建立了朴素贝叶斯、广义加性模型、LR、SVM、RF、极限GBDT和ANN等7种ML模型。结果显示，年龄、外科手术、诊断数量、国家、主治医师、邮政编码、手术时间、主要诊断、入院服务、入院月份、入院年份、乙醇或药物使用、入院当天药物使用数量、入院时间、保险等是POD的独立影响因素。在本研究评估的7种模型中，RF和广义加性模型在预测谵妄的AUC、准确性、灵敏度和特异度方面均表现出显著优势，特别是在灵敏度方面。2021年Racine等^［29］采用了3种ML算法包括GBDT、ANN、RF构建了预测模型并进行了内部验证。同时，与传统逐步LR相比较， 3种ML算法并没有强有力地表现出良好的优越性，分析原因可能与该研究纳入的样本量较少有关，ML比较适合应用于大样本量的数据集。2022年Röhr等^［30］将患者的额叶脑电图特征与RF算法相结合构建了老年人POD预测模型，结果表明ML算法有较好准确性。同年，Bishara等^［31］使用ANN和GBDT构建了普适性的POD风险预测模型，结果显示ANN及GBDT均表现出良好的鉴别效能，ROC曲线下面积分别为0.841、0.851。此外，研究者将两ML算法与传统的LR性能进行比较，结果证实ML算法在预测性能方面优于传统的LR（AUC=0.746）。另外与其他仅专注于某一特定手术人群的POD风险预测模型相反，该模型纳入了更广泛手术人群的谵妄，因此有望成为围术期筛选谵妄高危人群临床工具。

2.2 国内ML算法在POD中的研究进展

2017年赵红等^［32］构建了4种ML风险模型来预测老年髋部骨折手POD的发生率：RF、极限GBDT、SVM和多层感知。结果显示，卒中史、麻醉类型、麻醉持续时间、术中输液量、输血量和术前准备时间是POD的独立危险因素；构建的4种ML模型在预测POD方面具有相似的准确度，范围从83.67%到87.75%。相较于传统的预测模型，ML算法可以预测变量与结果之间的相关性，而且能更好地定义多个风险因素和结果之间的复杂关系。2021年胡晓一等^［33］使用了LR、RF、极限BDT和SVM4种ML算法对531例老年患者POD进行预测。仅纳入了临床中容易获得的8种危险因素对POD进行预测，包括年龄、术中失血量、麻醉持续时间、拔管时间、是否入住重症监护病房、简易精神状态检查评分、Charlson合并症指数、术后中性粒细胞与淋巴细胞比值。结果显示，在测试数据中LR优于其他分类器模型（AUC=0.804）。2022年宋玉祥等^［34］基于大样本数据集的回顾性分析，比较了LR、RF、自适应提升算法、极端GBDT、GBDT算法以及堆叠集成学习6种POD预测模型。其中 RF 模型的性能最好，LR模型与 RF 具有相同的 AUC（0.78），但LR仅采纳了8个变量就达到了相同的AUC，且更易与列线图相结合，纳入的所有变量都是可解释、可量化，更便于临床推广。在某种程度上消除了ML中的“黑匣子”，有助于改善普外科患者的围术期管理。此外，刘媛等^［35］利用4种ML算法，包括多层感知器、极限GBDT和KNN算法，分别建立了老年患者POD预测模型，且通过计算AUC评价模型的性能。结果显示，POD的发生率为13.79%。年龄、吸烟史、酗酒史、高血压病史、COPD病史、手术时间以及术后入住ICU是POD的独立影响因素。极限GBDT的AUC是0.98；KNN的AUC是0.90；多层感知器的AUC是0.51；表明运用极限GBDT算法建立的老年患者POD预测模型的准确度最好。然而该研究并没有关注实验室指标，缺乏多中心验证，需要进一步求证该模型应用的广泛性。Zhang等^［36］分别用极限GBDT算法、LR、RF、自适应提升、高斯朴素贝斯、互补朴素贝斯、多层感知器、SVM、KNN算法对663例退行性脊柱疾病术后的患者进行了预测。结果显示，XGBoost（AUC=0.93；准确度=0.81；灵敏度=0.91）预测模型优于其他8种ML模型，此外，为了方便临床医生使用，研究者依据ML还建立了一个在线网络工具。Lee等^［37］使用了非心脏手术患者的临床数据，纳入年龄、手术持续时间、身体状况分类、男性和手术风险5种危险因素构建并验证了GBDT、RF、LR和朴素贝叶斯4种非心脏手术患者术后发生POD的风险预测模型。研究发现RF模型与GBDT模型在准确性、F1分数等性能指标方面表现相当，但就AUC而言，RF模型为0.89，远低于GBDT模型0.90，最终该研究选择了GBDT模型。此外，研究还证实了被诊断为谵妄患者的一年病死率有明显的差异。2023年黄琦等^［38］构建了GBDT、SVM、RF、LR、KNN、深度ANN6种ML算法预测心脏外科术后患者POD，结果显示预测模型AUC 的范围为0. 67 ~0. 86，其中GBDT（AUC=0.86）和 RF （AUC=0.85）表现出了较好的ML效能。同年，左都坤等^［39］在心脏外科术后患者中建立了GBDT学习算法，同时与传统的Logistic回归相比较，结果显示传统的Logistic的AUC（0.732）更高，预测效果更好，但在灵敏度以及对阳性样本的识别率上GBDT的要优于传统的Logistic。

3 小结

既往研究者关于POD的预测模型大多使用病例对照，采用单因素和多因素线性回归方法，得出POD独立风险因子后对其赋值，随后进行建模并进行内外部的验证。如今在大数据的背景下，基于ML算法在疾病预测中的优势越来越有所体现。然而，迄今为止何种ML算法在评估POD中准确度与灵敏度更高，目前研究未得到统一结论，仍然缺乏被广泛接受的POD机器预测模型。因此，建议未来的研究人员纳入更多的中心数据，构建出更为精确的ML算法模型，为ML在POD中的应用提供更好支持。

1、%E2%80%83%20YANG%E2%80%83Q%EF%BC%8CFU%E2%80%83J%EF%BC%8CPAN%E2%80%83X%EF%BC%8Cet%E2%80%83al%EF%BC%8EA%E2%80%83%20retrospective%E2%80%83%0Aanalysis%E2%80%83of%E2%80%83the%E2%80%83incidence%E2%80%83of%E2%80%83postoperative%E2%80%83delirium%E2%80%83and%E2%80%83%0Athe%E2%80%83importance%E2%80%83of%E2%80%83database%E2%80%83selection%E2%80%83for%E2%80%83its%E2%80%83definition%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBMC%E2%80%83Psychiatry%EF%BC%8C2023%EF%BC%8C%E2%80%8323%EF%BC%881%EF%BC%89%EF%BC%9A88%EF%BC%8E

2、JIN%E2%80%83Z%EF%BC%8CHU%E2%80%83J%EF%BC%8CMA%E2%80%83D%EF%BC%8EPostoperative%E2%80%83delirium%EF%BC%9A%0APerioperative%E2%80%83assessment%EF%BC%8Crisk%E2%80%83reduction%EF%BC%8Cand%E2%80%83%0Amanagement%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBr%E2%80%83J%E2%80%83Anaesth%EF%BC%8C2020%EF%BC%8C125%0A%EF%BC%884%EF%BC%89%EF%BC%9A492-504%EF%BC%8E

3、CHEN%E2%80%83H%E2%80%83Y%EF%BC%8CMO%E2%80%83L%EF%BC%8CHU%E2%80%83H%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8ERisk%E2%80%83factors%E2%80%83of%E2%80%83%0Apostoperative%E2%80%83delirium%E2%80%83after%E2%80%83cardiac%E2%80%83surgery%EF%BC%9AA%E2%80%83meta%02analysis%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Cardiothorac%E2%80%83Surg%EF%BC%8C2021%EF%BC%8C16%0A%EF%BC%881%EF%BC%89%EF%BC%9A113%EF%BC%8E

4、ABDULLAH%E2%80%83H%E2%80%83R%EF%BC%8CTAN%E2%80%83SR%EF%BC%8CLEE%E2%80%83S%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AProtocol%E2%80%83for%E2%80%83a%E2%80%83single-centre%E2%80%83prospective%E2%80%83observational%E2%80%83%0Astudy%E2%80%83%20of%E2%80%83%20postoperative%E2%80%83%20delirium%E2%80%83following%E2%80%83total%E2%80%83joint%E2%80%83%0Aarthroplasties%E2%80%83among%E2%80%83South%E2%80%83East%E2%80%83Asians%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBMJ%E2%80%83%0AOpen%EF%BC%8C2018%EF%BC%8C8%EF%BC%883%EF%BC%89%EF%BC%9Ae019426%EF%BC%8E

5、WANG%E2%80%83Y%E2%80%83Y%EF%BC%8CYUE%E2%80%83J%E2%80%83R%EF%BC%8CXIE%E2%80%83D%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8EEffect%E2%80%83%0Aof%E2%80%83the%E2%80%83tailored%EF%BC%8Cfamily-involved%E2%80%83%20hospital%E2%80%83%20elder%E2%80%83life%E2%80%83%0Aprogram%E2%80%83on%E2%80%83postoperative%E2%80%83delirium%E2%80%83and%E2%80%83function%E2%80%83in%E2%80%83older%E2%80%83%0Aadults%EF%BC%9AA%E2%80%83randomized%E2%80%83clinical%E2%80%83trial%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJAMA%E2%80%83%0AIntern%E2%80%83Med%EF%BC%8E2020%EF%BC%8C180%EF%BC%881%EF%BC%89%EF%BC%9A17%E2%80%9325%EF%BC%8E

6、NANDA%E2%80%83R%EF%BC%8CNATH%E2%80%83A%EF%BC%8CPATEL%E2%80%83S%EF%BC%8Cet%E2%80%83al%EF%BC%8EMachine%E2%80%83%0Alearning%E2%80%83algorithm%E2%80%83to%E2%80%83evaluate%E2%80%83%20risk%E2%80%83factors%E2%80%83of%E2%80%83diabetic%E2%80%83%0Afoot%E2%80%83ulcers%E2%80%83and%E2%80%83its%E2%80%83severity%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMed%E2%80%83%20Biol%E2%80%83%20Eng%E2%80%83%0AComput%EF%BC%8C2022%EF%BC%8C60%EF%BC%888%EF%BC%89%EF%BC%9A2349-2357%EF%BC%8E

7、HANDELMAN%E2%80%83G%E2%80%83S%EF%BC%8CKOK%E2%80%83H%E2%80%83K%EF%BC%8CCHANDRA%E2%80%83R%E2%80%83V%EF%BC%8C%0Aet%E2%80%83al%EF%BC%8EeDoctor%EF%BC%9Amachine%E2%80%83learning%E2%80%83and%E2%80%83the%E2%80%83future%E2%80%83of%E2%80%83%0Amedicine%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Intern%E2%80%83Med%EF%BC%8C2018%EF%BC%8C284%EF%BC%886%EF%BC%89%EF%BC%9A%0A603-619%EF%BC%8E

8、DEO%E2%80%83R%E2%80%83C%EF%BC%8EMachine%E2%80%83learning%E2%80%83in%E2%80%83medicine%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ACriculation%EF%BC%8C2015%EF%BC%8C132%EF%BC%8820%EF%BC%89%EF%BC%9A1920-1930%EF%BC%8E

9、%E2%80%83%20AL%E2%80%99AREF%E2%80%83S%E2%80%83J%EF%BC%8CANCHOUCHE%E2%80%83K%EF%BC%8CSINGH%E2%80%83G%EF%BC%8C%0Aet%E2%80%83al%EF%BC%8EClinical%E2%80%83%20applications%E2%80%83%20of%E2%80%83machine%E2%80%83learning%E2%80%83in%E2%80%83%0Acardiovascular%E2%80%83%20disease%E2%80%83%20and%E2%80%83its%E2%80%83%20relevance%E2%80%83to%E2%80%83%20cardiac%E2%80%83%0Aimaging%E2%80%83%EF%BC%BBJ%EF%BC%BD%EF%BC%8EEur%E2%80%83Heart%E2%80%83J%EF%BC%8C2019%EF%BC%8C40%EF%BC%8824%EF%BC%89%EF%BC%9A%0A1975-1986%EF%BC%8E

10、%E2%80%83%20CARRACEDO-REBOREDO%E2%80%83P%EF%BC%8CLI%C3%91ARES-BLANCO%E2%80%83%0AJ%EF%BC%8CRODR%C3%8DGUEZ-FERN%C3%81NDEZ%E2%80%83N%EF%BC%8Cet%E2%80%83al%EF%BC%8EA%E2%80%83%20review%E2%80%83%0Aon%E2%80%83machine%E2%80%83learning%E2%80%83approaches%E2%80%83and%E2%80%83trends%E2%80%83in%E2%80%83%20drug%E2%80%83%0Adiscovery%EF%BC%BBJ%EF%BC%BD%EF%BC%8EComput%E2%80%83Struct%E2%80%83Biotechnol%E2%80%83J%EF%BC%8C2021%EF%BC%8C19%EF%BC%9A4538-4558%EF%BC%8E

11、GAMBLLA%E2%80%83C%EF%BC%8CGHADDAR%E2%80%83B%EF%BC%8CNAOUM%E2%80%83S%EF%BC%8E%0AOptimization%E2%80%83problems%E2%80%83for%E2%80%83machine%E2%80%83learning%EF%BC%9AA%E2%80%83survey%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EEur%E2%80%83J%E2%80%83Oper%E2%80%83Res%EF%BC%8C2021%EF%BC%8C290%EF%BC%883%EF%BC%89%EF%BC%9A807-828%EF%BC%8E

12、%E2%80%83%20ESTEVA%E2%80%83A%EF%BC%8CROBICQUET%E2%80%83A%EF%BC%8CRAMSUNDAR%E2%80%83B%EF%BC%8Cet%E2%80%83%0Aal%EF%BC%8EA%E2%80%83guide%E2%80%83to%E2%80%83deep%E2%80%83learning%E2%80%83in%E2%80%83healthcare%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENat%E2%80%83%0AMed%EF%BC%8C2019%EF%BC%8C25%EF%BC%881%EF%BC%89%EF%BC%9A24-29%EF%BC%8E

13、POULIAKIS%E2%80%83A%EF%BC%8CKARAKITSOU%E2%80%83E%EF%BC%8CMARGARI%E2%80%83N%EF%BC%8Cet%E2%80%83%0Aal%EF%BC%8EArtificial%E2%80%83neural%E2%80%83networks%E2%80%83as%E2%80%83decision%E2%80%83support%E2%80%83tools%E2%80%83%0Ain%E2%80%83cytopathology%EF%BC%9APast%EF%BC%8Cpresent%EF%BC%8Cand%E2%80%83future%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ABiomed%E2%80%83Eng%E2%80%83Comput%E2%80%83Biol%EF%BC%8C2016%EF%BC%887%EF%BC%89%EF%BC%9A1-18%EF%BC%8E

14、肖雅，王漱阳，凌人，等．人工神经网络算法在消化道恶性肿瘤病理诊断及患者预后预测中的应用［J］．浙江大学学报，2023，52（2）：243-248．

15、CUESTA%E2%80%83H%E2%80%83A%EF%BC%8CCOFFMAN%E2%80%83D%E2%80%83L%EF%BC%8CBRANAS%E2%80%83C%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AUsing%E2%80%83%20decision%E2%80%83trees%E2%80%83to%E2%80%83%20understand%E2%80%83the%E2%80%83influence%E2%80%83%20of%E2%80%83%0Aindividual-%E2%80%83and%E2%80%83neighborhood-level%E2%80%83factors%E2%80%83on%E2%80%83urban%E2%80%83%0Adiabetes%E2%80%83and%E2%80%83asthma%EF%BC%BBJ%EF%BC%BD%EF%BC%8EHealth%E2%80%83Place%EF%BC%8C2019%0A%EF%BC%8858%EF%BC%89%EF%BC%9A102119%EF%BC%8E

16、%E2%80%83%20LIAO%E2%80%83F%E2%80%83Y%EF%BC%8CWU%E2%80%83C%E2%80%83C%EF%BC%8CWEI%E2%80%83Y%E2%80%83C%EF%BC%8Cet%E2%80%83al%EF%BC%8EAnalysis%E2%80%83of%E2%80%83%0Acenter%E2%80%83of%E2%80%83pressure%E2%80%83%20signals%E2%80%83by%E2%80%83using%E2%80%83decision%E2%80%83tree%E2%80%83and%E2%80%83%0Aempirical%E2%80%83mode%E2%80%83decomposition%E2%80%83to%E2%80%83predict%E2%80%83falls%E2%80%83among%E2%80%83%0Aolder%E2%80%83adults%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Healthc%E2%80%83Eng%EF%BC%8C2021%EF%BC%882021%EF%BC%89%EF%BC%9A%0A6252445%EF%BC%8E

17、WANG%E2%80%83L%EF%BC%8CZHU%E2%80%83L%EF%BC%8CJIANG%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8EDecision%E2%80%83tree%E2%80%83%0Aanalysis%E2%80%83for%E2%80%83evaluating%E2%80%83disease%E2%80%83activity%E2%80%83in%E2%80%83patients%E2%80%83with%E2%80%83%0Arheumatoid%E2%80%83arthritis%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Int%E2%80%83Med%E2%80%83Res%EF%BC%8C2021%EF%BC%8C49%0A%EF%BC%8810%EF%BC%89%EF%BC%9A3000605211053232%EF%BC%8E

18、KALAFI%E2%80%83E%E2%80%83Y%EF%BC%8CNOR%E2%80%83N%E2%80%83A%E2%80%83M%EF%BC%8CTAIB%E2%80%83N%E2%80%83A%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AMachine%E2%80%83learning%E2%80%83%20and%E2%80%83%20deep%E2%80%83learning%E2%80%83%20approaches%E2%80%83in%E2%80%83%0Abreast%E2%80%83cancer%E2%80%83survival%E2%80%83prediction%E2%80%83using%E2%80%83clinical%E2%80%83data%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EFolia%E2%80%83Biol%EF%BC%88Praha%EF%BC%89%EF%BC%8C2019%EF%BC%8C65%EF%BC%885-6%EF%BC%89%EF%BC%9A%0A212-220%EF%BC%8E

19、PARIKH%E2%80%83SA%EF%BC%8CGOMEZ%E2%80%83R%EF%BC%8CTHIRUGNANASAMBANDAM%E2%80%83%0AM%EF%BC%8Cet%E2%80%83al%EF%BC%8EDecision%E2%80%83tree%E2%80%83based%E2%80%83classification%E2%80%83of%E2%80%83abdominal%E2%80%83%0Aaortic%E2%80%83aneurysms%E2%80%83using%E2%80%83geometry%E2%80%83quantification%E2%80%83measures%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EAnn%E2%80%83Biomed%E2%80%83Eng%EF%BC%8C2018%EF%BC%8C46%EF%BC%8812%EF%BC%89%EF%BC%9A2135-%0A2147%EF%BC%8E

20、VENKATASUBRAMANIAM%E2%80%83A%EF%BC%8CW%20O%20L%20F%20S%20O%20N%E2%80%83%0AJ%EF%BC%8CMITCHELL%E2%80%83N%EF%BC%8Cet%E2%80%83al%EF%BC%8ED%20e%20ci%20si%20o%20n%20%E2%80%83%20t%20r%20e%20e%20s%20%E2%80%83%20i%20n%E2%80%83%0Aepidemiological%E2%80%83research%EF%BC%BBJ%EF%BC%BD%EF%BC%8EEmerg%E2%80%83%20Themes%E2%80%83%0AEpidemiol%EF%BC%8C2017%EF%BC%8814%EF%BC%89%EF%BC%9A11%EF%BC%8E

21、%E2%80%83%20TIAN%E2%80%83Y%EF%BC%8CYANG%E2%80%83J%EF%BC%8CLAN%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8EConstruction%E2%80%83and%E2%80%83%0Aanalysis%E2%80%83of%E2%80%83a%E2%80%83joint%E2%80%83diagnosis%E2%80%83model%E2%80%83of%E2%80%83random%E2%80%83forest%E2%80%83and%E2%80%83%0Aartificial%E2%80%83neural%E2%80%83network%E2%80%83for%E2%80%83heart%E2%80%83failure%EF%BC%BBJ%EF%BC%BD%EF%BC%8EAging%20%EF%BC%88Albany%E2%80%83NY%EF%BC%89%2C2020%E2%80%83%EF%BC%8C12%EF%BC%8824%EF%BC%89%EF%BC%9A26221-26235%EF%BC%8E%0A

22、%E2%80%83%20SPEISER%E2%80%83J%E2%80%83L%EF%BC%8CMILLER%E2%80%83M%E2%80%83E%EF%BC%8CTOOZE%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8EA%E2%80%83%0Acomparison%E2%80%83of%E2%80%83random%E2%80%83forest%E2%80%83variable%E2%80%83selection%E2%80%83methods%E2%80%83%0Afor%E2%80%83classification%E2%80%83prediction%E2%80%83modeling%EF%BC%BBJ%EF%BC%BD%EF%BC%8EExpert%E2%80%83%0ASyst%E2%80%83Appl%EF%BC%8C2019%EF%BC%88134%EF%BC%89%EF%BC%9A93-101%EF%BC%8E

23、%E2%80%83HUANG%E2%80%83S%EF%BC%8CCAI%E2%80%83N%EF%BC%8CPACHECO%E2%80%83P%E2%80%83P%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AApplications%E2%80%83of%E2%80%83support%E2%80%83vector%E2%80%83machine%EF%BC%88SVM%EF%BC%89%0Alearning%E2%80%83in%E2%80%83cancer%E2%80%83genomics%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECancer%E2%80%83Genomics%E2%80%83%0AProteomics%EF%BC%8C2018%EF%BC%8C15%EF%BC%881%EF%BC%89%EF%BC%9A41-51%EF%BC%8E

24、%E2%80%83%20WOLDAREGAY%E2%80%83A%E2%80%83Z%EF%BC%8C%C3%85RSAND%E2%80%83E%EF%BC%8CWALDERHAUG%E2%80%83%0AS%EF%BC%8Cet%E2%80%83al%EF%BC%8EData-driven%E2%80%83%20modeling%E2%80%83%20and%E2%80%83%20prediction%E2%80%83%20of%E2%80%83%0Ablood%E2%80%83glucose%E2%80%83dynamics%EF%BC%9AMachine%E2%80%83learning%E2%80%83applications%E2%80%83%0Ain%E2%80%83type%E2%80%831%E2%80%83diabetes%EF%BC%BBJ%EF%BC%BD%EF%BC%8EArtif%E2%80%83Intell%E2%80%83Med%EF%BC%8C2019%EF%BC%8C%0A98%EF%BC%9A109-134%EF%BC%8E

25、%E2%80%83%20GARCIA-CARRETERO%E2%80%83R%EF%BC%8CVIGIL-MEDINA%E2%80%83L%EF%BC%8C%0AMORA-JIMENEZ%E2%80%83I%EF%BC%8Cet%E2%80%83al%EF%BC%8EUse%E2%80%83%20of%E2%80%83%20a%E2%80%83%20K-nearest%E2%80%83%0Aneighbors%E2%80%83model%E2%80%83to%E2%80%83%20predict%E2%80%83the%E2%80%83%20development%E2%80%83of%E2%80%83type%E2%80%83%0A2%E2%80%83diabetes%E2%80%83within%E2%80%832%E2%80%83years%E2%80%83in%E2%80%83an%E2%80%83obese%EF%BC%8Chypertensive%E2%80%83%0Apopulation%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMed%E2%80%83Biol%E2%80%83Eng%E2%80%83Comput%EF%BC%8C2020%EF%BC%8C58%0A%EF%BC%885%EF%BC%89%EF%BC%9A991-1002%EF%BC%8E

26、%E2%80%83%20SHAHZAD%E2%80%83H%E2%80%83F%EF%BC%8CRUSTAM%E2%80%83F%EF%BC%8CFLORES%E2%80%83E%E2%80%83S%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AA%E2%80%83review%E2%80%83of%E2%80%83image%E2%80%83processing%E2%80%83techniques%E2%80%83for%E2%80%83deepfakes%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8ESensors%EF%BC%88Basel%EF%BC%89%EF%BC%8C2022%E2%80%83%EF%BC%8C22%EF%BC%8812%EF%BC%89%EF%BC%9A4556%EF%BC%8E

27、杨正霞，王和勇，贺施琪，等．基于随机森林算法建立甲状腺功能减退患病风险预测模型［J］．广州医药，2023，54（7）：16-24．

28、%E2%80%83%20DAVOUDI%E2%80%83A%EF%BC%8CEBADI%E2%80%83A%EF%BC%8CRASHIDI%E2%80%83P%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ADelirium%E2%80%83prediction%E2%80%83using%E2%80%83machine%E2%80%83learning%E2%80%83models%E2%80%83on%E2%80%83%0Apreoperative%E2%80%83electronic%E2%80%83health%E2%80%83records%E2%80%83Data%EF%BC%BBJ%EF%BC%BD%EF%BC%8EProc%E2%80%83%0AIEEE%E2%80%83Int%E2%80%83Symp%E2%80%83Bioinformatics%E2%80%83Bioeng%EF%BC%8C2017%EF%BC%9A568-%0A573%EF%BC%8E

29、%E2%80%83%20RACINE%E2%80%83A%E2%80%83M%EF%BC%8CTOMMET%E2%80%83D%EF%BC%8CD%E2%80%99AQUILA%E2%80%83M%E2%80%83L%EF%BC%8C%0Aet%E2%80%83al%EF%BC%8EMachine%E2%80%83learning%E2%80%83to%E2%80%83%20develop%E2%80%83%20and%E2%80%83internally%E2%80%83%0Avalidate%E2%80%83a%E2%80%83predictive%E2%80%83model%E2%80%83for%E2%80%83post-operative%E2%80%83delirium%E2%80%83%0Ain%E2%80%83a%E2%80%83prospective%EF%BC%8Cobservational%E2%80%83clinical%E2%80%83cohort%E2%80%83%20study%E2%80%83%0Aof%E2%80%83older%E2%80%83surgical%E2%80%83patients%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Gen%E2%80%83Intern%E2%80%83Med%EF%BC%8C%0A2021%EF%BC%8C36%EF%BC%882%EF%BC%89%EF%BC%9A265-273%EF%BC%8E

30、%E2%80%83%20R%C3%96HR%E2%80%83V%EF%BC%8CBLANKERTZ%E2%80%83B%EF%BC%8CRADTKE%E2%80%83F%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AMachine-learning%E2%80%83%20model%E2%80%83%20predicting%E2%80%83%20postoperative%E2%80%83%0Adelirium%E2%80%83in%E2%80%83older%E2%80%83patients%E2%80%83using%E2%80%83intraoperative%E2%80%83frontal%E2%80%83%0Aelectroencephalographic%E2%80%83signatures%EF%BC%BBJ%EF%BC%BD%EF%BC%8EFront%E2%80%83Aging%E2%80%83%0ANeurosci%EF%BC%8C2022%EF%BC%8814%EF%BC%89%EF%BC%9A911088%EF%BC%8E

31、BISHARA%E2%80%83A%EF%BC%8CCHIU%E2%80%83C%EF%BC%8CWHITLOCK%E2%80%83E%E2%80%83L%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0APostoperative%E2%80%83%20delirium%E2%80%83%20prediction%E2%80%83%20using%E2%80%83%20machine%E2%80%83%0Alearning%E2%80%83models%E2%80%83%20and%E2%80%83%20preoperative%E2%80%83%20electronic%E2%80%83%20health%E2%80%83%0Arecord%E2%80%83data%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBMC%E2%80%83Anesthesiol%EF%BC%8C2022%E2%80%83%EF%BC%8C22%0A%EF%BC%881%EF%BC%89%EF%BC%9A8%EF%BC%8E

32、%E2%80%83%20ZHAO%E2%80%83H%EF%BC%8CYOU%E2%80%83J%EF%BC%8CPENG%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8EMachine%E2%80%83%0Alearning%E2%80%83algorithm%E2%80%83using%E2%80%83electronic%E2%80%83chart-derived%E2%80%83data%E2%80%83%0Ato%E2%80%83predict%E2%80%83delirium%E2%80%83after%E2%80%83elderly%E2%80%83hip%E2%80%83fracture%E2%80%83surgeries%EF%BC%9A%0AA%E2%80%83retrospective%E2%80%83case-control%E2%80%83study%EF%BC%BBJ%EF%BC%BD%EF%BC%8CFront%E2%80%83Surg%EF%BC%8C%0A2021%EF%BC%888%EF%BC%89%EF%BC%9B634629%EF%BC%8E

33、%E2%80%83%20HU%E2%80%83X%E2%80%83Y%EF%BC%8CLIU%E2%80%83H%EF%BC%8CZHAO%E2%80%83X%EF%BC%8Cet%E2%80%83al%EF%BC%8EAutomated%E2%80%83%0Amachine%E2%80%83learning-based%E2%80%83model%E2%80%83predicts%E2%80%83postoperative%E2%80%83%0Adelirium%E2%80%83%20using%E2%80%83%20readily%E2%80%83%20extractable%E2%80%83%20perioperative%E2%80%83%0Acollected%E2%80%83electronic%E2%80%83data%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECNS%E2%80%83Neurosci%E2%80%83Ther%EF%BC%8C%0A2022%EF%BC%8C28%EF%BC%884%EF%BC%89%EF%BC%9A608-618%EF%BC%8E

34、SONG%E2%80%83Y%E2%80%83X%EF%BC%8CYANG%E2%80%83X%E2%80%83D%EF%BC%8CLUO%E2%80%83Y%E2%80%83G%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AComparison%E2%80%83of%E2%80%83logistic%E2%80%83regression%E2%80%83and%E2%80%83machine%E2%80%83learning%E2%80%83%0Amethods%E2%80%83for%E2%80%83predicting%E2%80%83postoperative%E2%80%83delirium%E2%80%83in%E2%80%83elderly%E2%80%83%0Apatients%EF%BC%9AA%E2%80%83retrospective%E2%80%83study%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECNS%E2%80%83Neurosci%E2%80%83%0ATher%EF%BC%8C2023%EF%BC%8C29%EF%BC%881%EF%BC%89%EF%BC%9A158-167%EF%BC%8E

35、%E2%80%83%20LIU%E2%80%83Y%EF%BC%8CSHEN%E2%80%83W%EF%BC%8CTIAN%E2%80%83Z%EF%BC%8EUsing%E2%80%83machine%E2%80%83learning%E2%80%83%0Aalgorithms%E2%80%83to%E2%80%83predict%E2%80%83high-risk%E2%80%83factors%E2%80%83for%E2%80%83postoperative%E2%80%83%0Adelirium%E2%80%83in%E2%80%83elderly%E2%80%83patients%EF%BC%BBJ%EF%BC%BD%EF%BC%8EClin%E2%80%83Interv%E2%80%83Aging%EF%BC%8C%0A2023%EF%BC%8818%EF%BC%89%EF%BC%9A157-168%EF%BC%8E

36、ZHANG%E2%80%83Y%EF%BC%8CWAN%E2%80%83D%E2%80%83H%EF%BC%8CCHEN%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8EAutomated%E2%80%83%0Amachine%E2%80%83learning-based%E2%80%83model%E2%80%83for%E2%80%83the%E2%80%83%20prediction%E2%80%83of%E2%80%83%0Adelirium%E2%80%83in%E2%80%83%20patients%E2%80%83%20after%E2%80%83%20surgery%E2%80%83for%E2%80%83%20degenerative%E2%80%83%0Aspinal%E2%80%83disease%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECNS%E2%80%83Neurosci%E2%80%83Ther%EF%BC%8C2023%EF%BC%8C29%0A%EF%BC%881%EF%BC%89%EF%BC%9A282-295%EF%BC%8E

37、%E2%80%83%20LEE%E2%80%83D%E2%80%83Y%EF%BC%8COH%E2%80%83A%E2%80%83R%EF%BC%8CPARK%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8EMachine%E2%80%83%0Alearning-based%E2%80%83%20prediction%E2%80%83%20model%E2%80%83for%E2%80%83%20postoperative%E2%80%83%0Adelirium%E2%80%83in%E2%80%83non-cardiac%E2%80%83surgery%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBMC%E2%80%83%0APsychiatry%EF%BC%8C2023%EF%BC%8C4%EF%BC%8C23%EF%BC%881%EF%BC%89%EF%BC%9A317.

38、黄琦，关美娇，邹彬，等．机器学习模型预测心脏外科手术患者术后谵妄的有效性［J］．临床麻醉学杂志，2023，39（4）：363-369．

39、左都坤，吴卓熙，龙宗泓，等．基于机器学习算法构建心脏手术患者术后早期谵妄风险预测模型［J］．陆军军医大学学报，2023，45（8）：753-758．

1、张千,王菲,孟纯雪,等.超声引导结合机器学习技术的智能针灸精准诊疗系统研究[J].广州医药,2025,56(05):599-604.DOI:10.20223/j.cnki.1000-8535.2025.05.004.

1、常州市第一人民医院科技计划项目（yy2023006）()