您的账号已在其他设备登录,您当前账号已强迫下线,
如非您本人操作,建议您在会员中心进行密码修改

确定
收藏 | 浏览24 | 下载14

目的 使用机器学习方法分析增强CT检查后对比剂肾病(CIN)的风险因素.方法 回顾性分析2373例患者的临床资料,包括基本信息、基础病史、对比剂注射信息共18项指标.以患者有无CIN为金标准,通过机器学习方法分析各指标的重要性,并使用传统分析方法进行补充和验证.结果 机器学习结果显示CIN风险因素的重要性排序依次是估算肾小球滤过率(eGFR)、血清肌酐(SCR)、糖尿病病史、性别、恶性肿瘤病史;传统统计方法显示CIN阴性和阳性组间,eGFR、SCR和性别3项指标存在显著性差异.结论 机器学习可以作为深度挖掘CIN影响因素的工具;除了eGFR、SCR,糖尿病、性别及恶性肿瘤都是CIN的风险因素,糖尿病患者、女性患者、恶性肿瘤患者应给予重点关注.

作者:赵凯;张晓东;吴静云;张保翠;罗健;王霄英

来源:实用放射学杂志 2022 年 38卷 8期

知识库介绍

临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求,方便快速、便捷的获取实用的医学信息,辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。

详细介绍
热门关注
免责声明:本知识库提供的有关内容等信息仅供学习参考,不代替医生的诊断和医嘱。

收藏
| 浏览:24 | 下载:14
作者:
赵凯;张晓东;吴静云;张保翠;罗健;王霄英
来源:
实用放射学杂志 2022 年 38卷 8期
标签:
机器学习 对比剂肾病 血清肌酐 计算机体层成像
目的 使用机器学习方法分析增强CT检查后对比剂肾病(CIN)的风险因素.方法 回顾性分析2373例患者的临床资料,包括基本信息、基础病史、对比剂注射信息共18项指标.以患者有无CIN为金标准,通过机器学习方法分析各指标的重要性,并使用传统分析方法进行补充和验证.结果 机器学习结果显示CIN风险因素的重要性排序依次是估算肾小球滤过率(eGFR)、血清肌酐(SCR)、糖尿病病史、性别、恶性肿瘤病史;传统统计方法显示CIN阴性和阳性组间,eGFR、SCR和性别3项指标存在显著性差异.结论 机器学习可以作为深度挖掘CIN影响因素的工具;除了eGFR、SCR,糖尿病、性别及恶性肿瘤都是CIN的风险因素,糖尿病患者、女性患者、恶性肿瘤患者应给予重点关注.