目的探索影响心脏瓣膜术后院内死亡的危险因素,建立老年心脏瓣膜术后院内全因死亡的风险预测模型,为心脏瓣膜术后患者死亡风险评估提供新思路。方法连续纳入2016—2018年中国心血管外科注册登记研究数据库中接受心脏瓣膜手术的≥65岁患...目的探索影响心脏瓣膜术后院内死亡的危险因素,建立老年心脏瓣膜术后院内全因死亡的风险预测模型,为心脏瓣膜术后患者死亡风险评估提供新思路。方法连续纳入2016—2018年中国心血管外科注册登记研究数据库中接受心脏瓣膜手术的≥65岁患者,其中2016年1月—2018年6月患者纳入训练队列,2018年7—12月患者纳入测试队列,分析老年患者心脏瓣膜术后死亡的风险因素,采用LASSO-logistic回归构建预测模型,并与传统的EuroSCOREⅡ评分进行对比。结果共纳入7163例患者,其中男3939例、女3224例,平均年龄(69.8±4.5)岁。训练队列5774例,测试队列1389例。290例(4.0%)患者术后死亡。通过LASSO回归变量筛选及logistic回归分析,最终纳入预测模型的危险因素包括年龄、术前左室射血分数、合并冠状动脉旁路移植手术、肌酐清除率、既往心脏手术史、体外循环时间、纽约心脏协会分级。LASSO-logistic回归模型在训练队列[受试者工作特征曲线下面积(area under the curve,AUC)=0.785,0.627]及测试队列(AUC=0.739,0.642)中均具有较好的区分度及校准度,优于传统的EuroSCOREⅡ评分。结论老年患者心脏瓣膜术后死亡率较高,LASSOlogistic回归预测模型可以较好地预测老年患者瓣膜术后死亡的发生率。展开更多
目的:探讨高校大学生心理危机风险的影响因素,构建并验证危机风险预测模型。方法:以2019年9月至2021年4月入组的浙江大学心理中心初始访谈的1879名大学生为研究对象,运用单因素Logisc回归和Lasso回归筛选危机风险的特征变量。采用随机...目的:探讨高校大学生心理危机风险的影响因素,构建并验证危机风险预测模型。方法:以2019年9月至2021年4月入组的浙江大学心理中心初始访谈的1879名大学生为研究对象,运用单因素Logisc回归和Lasso回归筛选危机风险的特征变量。采用随机抽样法以7∶3的比例将总样本分为训练集和验证集,并在训练集中基于筛选出的危机风险的特征变量构建多因素Logisc回归分析模型,并在训练集和验证集中分别验证该模型的区分度。结果:本研究具有危机风险的大学生255例(13.4%)。单因素Logistic回归和Lasso回归筛选出6个危机风险的相关变量,再经过多因素Logistic回归分析显示,“人际关系”(p=0.007)、“学院”(p<0.05)、“在校身份”(p≤0.001)、“自杀想法”(p<0.001)、“物质使用”(p=0.005)5个因素为危机风险的独立危险因素。验证分析结果提示该预测模型区分度良好,曲线下面积(area under the curve,AUC)为0.834。结论:本研究构建的预测模型具有较好的区分能力,可用于指导高校心理健康工作中对存在危机风险的高风险学生的早期识别和及时干预。展开更多
文摘目的探索影响心脏瓣膜术后院内死亡的危险因素,建立老年心脏瓣膜术后院内全因死亡的风险预测模型,为心脏瓣膜术后患者死亡风险评估提供新思路。方法连续纳入2016—2018年中国心血管外科注册登记研究数据库中接受心脏瓣膜手术的≥65岁患者,其中2016年1月—2018年6月患者纳入训练队列,2018年7—12月患者纳入测试队列,分析老年患者心脏瓣膜术后死亡的风险因素,采用LASSO-logistic回归构建预测模型,并与传统的EuroSCOREⅡ评分进行对比。结果共纳入7163例患者,其中男3939例、女3224例,平均年龄(69.8±4.5)岁。训练队列5774例,测试队列1389例。290例(4.0%)患者术后死亡。通过LASSO回归变量筛选及logistic回归分析,最终纳入预测模型的危险因素包括年龄、术前左室射血分数、合并冠状动脉旁路移植手术、肌酐清除率、既往心脏手术史、体外循环时间、纽约心脏协会分级。LASSO-logistic回归模型在训练队列[受试者工作特征曲线下面积(area under the curve,AUC)=0.785,0.627]及测试队列(AUC=0.739,0.642)中均具有较好的区分度及校准度,优于传统的EuroSCOREⅡ评分。结论老年患者心脏瓣膜术后死亡率较高,LASSOlogistic回归预测模型可以较好地预测老年患者瓣膜术后死亡的发生率。
文摘目的:探讨高校大学生心理危机风险的影响因素,构建并验证危机风险预测模型。方法:以2019年9月至2021年4月入组的浙江大学心理中心初始访谈的1879名大学生为研究对象,运用单因素Logisc回归和Lasso回归筛选危机风险的特征变量。采用随机抽样法以7∶3的比例将总样本分为训练集和验证集,并在训练集中基于筛选出的危机风险的特征变量构建多因素Logisc回归分析模型,并在训练集和验证集中分别验证该模型的区分度。结果:本研究具有危机风险的大学生255例(13.4%)。单因素Logistic回归和Lasso回归筛选出6个危机风险的相关变量,再经过多因素Logistic回归分析显示,“人际关系”(p=0.007)、“学院”(p<0.05)、“在校身份”(p≤0.001)、“自杀想法”(p<0.001)、“物质使用”(p=0.005)5个因素为危机风险的独立危险因素。验证分析结果提示该预测模型区分度良好,曲线下面积(area under the curve,AUC)为0.834。结论:本研究构建的预测模型具有较好的区分能力,可用于指导高校心理健康工作中对存在危机风险的高风险学生的早期识别和及时干预。
