基于神经网络算法下肩关节术后患者院外长期照顾需求预测因素分析.pdf

论著临床急诊急救中国急救复苏与灾害医学杂志 2023年10月 第 18卷 第10期 Chin J Emerg Resusc Disaster Med,October2023,Vol.18 No.10基金项目：河北省医学科学研究课题计划项目（编号：20190863）；秦皇岛市科学技术研究与发展计划项目（编号：202101A214）通信作者：刘飞，E-mail:肩袖损伤是成人肩部残疾的主要原因。手术干预是一种常见的治疗方式，旨在通过重建肱骨插入处的天然肌腱足迹并重建正常的生物力学行为来促进腱骨愈合1。尽管在手术治疗方面已取得了重大进展，但仍有部分患者经手术治疗后肩关节功能无法恢复2。一项前瞻性研究发现，关节镜下肩袖修复术一基于神经网络算法下肩关节术后患者院外长期照顾需求预测因素分析冯来德，朱岩，郑晓艳，孙晓娇，徐丛，刘飞秦皇岛市第一医院，河北秦皇岛 066000摘要：目的 分析基于神经网络算法下肩关节术后患者院外长期照顾需求预测因素。方法 回顾性选取 2020 年1 月2021 年 12 月期间于秦皇岛市第一医院进行肩关节手术治疗的 146 例患者为研究对象，根据术后患者院外长期照顾需求分为需求组和无需求组，收集患者的临床资料，通过 Logistic 多元回归分析及深层神经网络模型（DNN）分析对患者院外长期照顾需求的影响因素进行预测，并比较两者之间预测效能的差异。结果 需求组年龄、锚钉数及住院时间显著大于无需求组，肩关节功能 UCLA 评分显著高于无需求组，肌力显著低于无需求组（P0.05）。Logistic 回归模型后结果显示，一般资料中年龄、锚钉数、住院时间、UCLA 评分、肌力是影响患者院外长期照顾需求的独立危险因素（均 P0.05）。DNN 模型中训练样本的平均损失率为（4.820.58）%，测试样本的平均损失率为（7.653.64）%；DNN 模型中训练样本的平均准确率为（96.362.65）%，测试样本的平均准确率为（91.171.04）%。DNN 模型诊断效能显著优于 Logistic 回归分析模型（P0.05）。结论 DNN 模型对于肩关节术后患者院外长期照顾需求具有较好的预测性，可以将之运用于临床院外长期照顾需求的预测中。关键词：神经网络算法；肩关节术；院外长期照顾需求；Logistic 回归分析中图分类号：R473.6文献标识码：A文章编号：1673-6966(2023)10-1362-05Predictive factors analysis of long-term care demand of patients aftershoulder surgery based on neural network algorithmFENG Laide,ZHU Yan,ZHENG Xiaoyan,SUN Xiaojiao,XU Cong,LIU Fei.The First Hospital of Qinhuangdao City,Qinhuangdao Hebei066000,ChinaCorresponding author:LIU Fei,E-mail:Abstract:Objective To analyze the predictive factors of long-term care demand of patients after shoulder surgerybased on neural network algorithm.Methods A total of 146 patients who underwent shoulder joint surgery in ourhospital from January 2020 to December 2021 were retrospectively selected as the research objects.Patients weredivided into demand group and non-demand group according to their long-term care needs outside the hospital aftersurgery.The clinical data of patients were collected,and the influencing factors of patients long-term care needsoutside the hospital were predicted by Logistic multiple regression analysis and deep neural network model(DNN)analysis,and the difference of prediction efficiency between the two was compared.Results The age,number ofanchors and length of hospital stay in the demand group were significantly higher than those in the no-demand group,the UCLA score of shoulder joint function was significantly higher than that in the no-demand group,and and musclestrength was significantly lower than that in the no-demand group(P0.05).The Logistic regression model showed thatage,number of anchors,length of hospital stay,UCLA score and muscle strength were independent risk factorsaffecting patients long-term care needs outside the hospital(P0.05).In the DNN model,the average loss rate oftraining samples and test samples was(2.820.58)%and(7.653.64)%,respectively.The average accuracy of thetraining samples in DNN model was(96.362.65)%,and the average accuracy of the test samples was(91.171.04)%.The diagnostic performance of DNN model was significantly better than that of Logistic regression model(P0.05).Conclusion The DNN model has a good predictability for the long-term out-of-hospital care needs of patients aftershoulder surgery,which can be used to predict the long-term out-of-hospital care needs of clinical patients.Key words:Neural network algorithm;Shoulder joint surgery;Long-term out-of-hospital care needs;Logisticregression analysis 1362论著临床急诊急救Chin J Emerg Resusc Disaster Med，October 2023，Vol.18 No.10 2023年10月 第 18卷 第10期 中国急救复苏与灾害医学杂志x-s max 直被认为是引起剧烈疼痛的骨科手术之一3。另外一项研究表明，超过 50%的肩关节镜手术患者术后出现中度和重度剧烈疼痛4。然而，术后疼痛管理不当会使疼痛时间延长，导致患者未及时进行专业的功能训练，影响肩关节功能恢复，从而使患者对手术结果不满意。有充分的证据表明，肩关节手术只能为患者提供改善肩关节功能的条件，要达到肩关节恢复的目的，需要进行系统的功能训练才能实现5。为了更好地解决术后康复问题，有学者提出院外长期照顾的观点，研究发现院外长期照顾能够降低患者术后并发症，提高患者对手术治疗的满意度6。与此同时，另一项研究发现，即使院外长期照顾有助于患者术后恢复，但仍有部分患者对院外长期照顾的需求较低，且尚未明确影响院外长期照顾需求的因素7。深层神经网络模型（deep neural network，DNN）是通过对人脑工作原理的探讨和学习，建立了一种具有学习、联想、记忆等信息处理的人工智能系统，其可通过将影响因素与疾病结局共同构建概率模型，再应用概率的大小来判断疾病发生的风险，此种模型预测效能的优势已经得到了较好的证实8，但是将其运用于预测肩关节术后患者院外长期照顾需求的研究却较少，故本次研究将 DNN 运用于院外长期照顾需求的研究，以期为医院的护理工作提供理论指导。1 资料与方法1.1患者纳入排除标准纳入标准：行肩关节镜手术者；年龄18 岁；体重90 kg；术后病情稳定者；患者能良好沟通，且院外能够取得密切联系者；患者依从性好者。排除标准：身体畸形无法正常生活者；患脑血管疾病后肢体运动功能障碍者；恶性骨肿瘤或转移瘤者；合并肺、心、肝、肾等严重的脏器功能障碍者；精神或神经功能异常者；与本病无关的再次入院治疗。1.2研究方案经医院伦理委员会批准，所有患者及家属均签订知情同意书后，选取 2020 年 1 月2021 年 12 月于本院进行肩关节手术的 146 例患者为研究对象，根据术后患者院外长期照顾需求分为需求组和无需求组。同时根据临床收集的相关指标，采用 Logistic 多元回归分析及深层神经网络模型（DNN）分析对患者院外长期照顾需求的影响因素进行预测，并比较两者之间预测效能的差异。1.3方法1.3.1Logistic 多元回归分析模型。通过单因素分析比较两组患者中一般资料（包括年龄、性别、BMI、锚钉数、住院时间、手术时间、骨密度、位置、Rockwood分型、受伤原因）、基础疾病（包括糖尿病及高血压）、肩关节功能（包括 Constant-Murley 评分、改良美国加州大学(UCLA)肩关节评分、肌力及并发症（包括关节囊出血、肩关节不稳及切口感染）之间的差异。而后以患者院外长期照顾需求为因变量（0=无需求，1=需求），以存在差异的单因素分析结果为自变量进行Logistic 多元回归分析模型的构建。1.3.2DNN 模型的构建。本次研究样本量数据共计 146 个，每个变量包含 22 个属性和 1 个决策变量；决策变量为是否有院外长期照顾需求，共分为两类n1=需求，样本量为 45，n2=无需求，样本量为 101；22个属性中包含 9 个连续型和 13 个离散型属性，对于连续型属性根据其临床意义进行离散化，具体如表 1所示。在基于 DNN 模型的神经网络构建中，网络大小为 256-128-64-32-2，学习率通过遗传算法获取，在遗传算法中设定种群大小 C=10，交叉率 P=0.7，变异率 P=0.000l，经过 2=200 次的迭代，找到在 ICU 数据集下的最佳学习率为 0.0l。将样本按比例 7 3 随机分割为训练样本和测试样本，分别分配为训练样本和测试样本，然后用该分类器对测试数据集、训练数据集以及所有样本进行预测。1.4统计学方法所有数据均采用 SPSS 22.0 进行，计量资料采用（x-s）表示，服从正态分布的两组间资料比较采用独立样本 t 检验，不服从正态分布的两组间比较采用 Mann-Whitney U 检验；计数资料采用n(%)表示，组间比较采用 2检验，等级资料采用 Kruskal-Walls 检验；院外长期照顾需求影响因素分析采用Logistic 多元回归分析模型进行；采用 python 3.6.5（win64）软件及 Keras 人工神经网络库建立深度神表 1 患者病例属性描述属性变量男/女位置Rockwood分型（、）受伤原因（摔伤、退变、其他）基础疾病（高血压、糖尿病）并发症（关节囊出血、肩关节不稳、切口感染）年龄BMI住院时间手术时间骨密度锚钉数Constant-Murley评分UCLA评分肌力离散化0-女；1-男0-左肩；1-右肩0-否；1-是0-否；1-是0-否；1-是0-否；1-是实测值实测值实测值实测值实测值实测值实测值实测值实测值取值类型离散型-2值离散型-2值离散型-2值离散型-2值离散型-2值离散型-2值连续型连续型连续型连续型连续型连续型连续型连续型连续型 1363论著临床急诊急救中国急救复苏与灾害医学杂志 2023年10月 第 18卷 第10期 Chin J Emerg Resusc Disaster Med,October2023,Vol.18 No.10经网路模型；预测效能的比较采用受试者工作特征（ROC）曲线；曲线下面积（AUC）比较采用 Z 检验；P0.05 时差异具有统计学意义。2 结 果2.1患者临床资料比较单因素分析结果显示，需求组年龄、锚钉数及住院时间显著大于无需求组，一般资料中高血压、糖尿病、并发症占比显著高于无需求组，肩关节功能 Constant-Murley 评分、UCLA 评分显著高于无需求组，肌力显著低于无需求组（P0.05），见表 2。2.2影响患者院外长期照顾需求因素的 Logistic回归分析多元 Logistic 回归模型后结果显示，一般资料中年龄、锚钉数、住院时间、UCLA 评分、肌力是影响患者院外长期照顾需求的独立危险因素（均 P0.05）。见表 3。2.3预测患者院外长期照顾需求的 DNN 模型构建结果 随着迭代次数增加，DNN 模型的训练和验证损失逐渐减小并趋于稳定，训练和验证准确度逐渐增加并趋于稳定；DNN 模型中训练样本的平均损失率为（4.820.58）%，测试样本的平均损失率为（7.653.64）%；DNN 模 型 中 训 练 样 本 的 平 均 准 确 率 为（96.362.65）%，测试样本的平均准确率为（91.171.04）%，具体见图 1、2。2.4DNN 和 Logistic 回 归 分 析 预 测 效 能 对 比分别以 Logistic 回归分析模型和 DNN 模型对研究对象院外长期照顾需求情况进行预测，ROC 曲线图显示 Logistic 回归模型中院外长期照顾需求的 AUC 为0.866，DNN 模型中院外长期照顾需求的 AUC 为0.997，Z 检验结果显示 DNN 模型诊断效能显著优于Logistic 回归分析模型（P0.05），见图 3。3 讨 论关节镜下肩袖修复术是 20 世纪以来收益成本较高的骨科手术之一，已成为肩袖撕裂治疗的主要方法9。尽管越来越多的证据表明肩袖修复术的疗效显著，但仍表 2 患者临床资料比较x-s,n(%)项目年龄（岁）男/女（例）BMI（kg/m2）锚钉数（个）住院时间（d）手术时间（min）骨密度(T)位置左肩右肩Rockwood分型受伤原因摔伤退变其他基础疾病高血压糖尿病肩关节功能（分）Constant-Murley评 分UCLA评分肌力并发症关节囊出血肩关节不稳切口感染需求组（n=45）44.264.3727/1823.322.243.760.488.971.58126.3426.98-2.650.5719（42.22）26（57.78）22（48.89）23（51.11）17（37.78）15（33.33）13（28.89）21（46.67）29（64.44）48.135.7727.084.1211.232.142（4.44）3（6.67）2（4.44）非需求组（n=101）39.945.1642/5923.012.693.210.278.011.61117.8723.62-2.710.5741（40.59）60（59.41）48（47.52）53（52.48）39（38.61）35（34.65）27（26.73）39（38.61）31（30.69）50.065.3829.273.6512.352.105（4.95）4（3.96）1（0.99）t/2值5.3734.2360.6758.8213.3461.9140.5400.0340.0230.0740.834-1.957-3.216-2.9580.967P值0.0000.0400.5010.0000.0010.0580.5900.8540.8790.9640.3610.0520.0020.0040.325表 3 影响患者院外长期照顾需求因素的 Logistic 回归分析变量年龄锚钉数住院时间UCLA评分肌力常量0.4537.6852.362-0.622-1.70520.750标准误0.1623.1840.7270.2630.58012.089Wald7.8265.82610.5625.5978.6282.946P值0.0050.0160.0010.0180.0030.086OR1.5722.17410.6120.5370.1820.00095%CI1.1452.1591.1153.4942.55444.1030.3210.8990.0580.567图 1 DNN 模型构中练组和验证组损失情况图 2 DNN 模型构中练组和验证组准确性图 3 两种模型预测院外长期照顾需求的效能比较020406080100迭代1.00.80.60.40.2准确度训练准确度验证准确度020406080100迭代0.80.60.40.20.0损失训练损失验证损失1-特异度0.00.20.40.60.81.01.00.80.60.402灵敏度Logistic回归模型AUC=0.866随机森林模型AUC=0.997参考线 1364论著临床急诊急救Chin J Emerg Resusc Disaster Med，October 2023，Vol.18 No.10 2023年10月 第 18卷 第10期 中国急救复苏与灾害医学杂志有部分患者术后肩关节功能恢复较差。Lee 等10研究发现，部分患者因术后关节疼痛未及时进行专业性和系统性的功能训练导致关节功能恢复欠佳，从而影响了患者生活质量。而院外长期照顾有助于术后关节功能恢复，但由于患者对院外长期照顾的了解程度不够，导致大部分患者对院外长期照顾的需求较低。本次研究发现，肩关节术后患者院外长期照顾需求率为 30.82%。研究资料证实，通过对院外长期照顾需求进行预测性分析可以有效地为护理工作提供理论指导，而根据 Logistic 回归分析模型的特点，其是一种广义线性模型，主要用于判别分类变量，可寻找影响因变量的危险因素，并预测不同自变量情况下因变量发生的概率，从而估计自变量的危险度，将之运用于院外长期照顾需求率的预测性分析具有一定的可行性11。但由于影响院外长期照顾需求的因素较多，且多为非线性相关，可增加 Logistic 回归分析结果出现误差的可能性12。深层神经网络模型自问世以来，其能改善网络数据的过拟合情况，对变量、数据没有过多要求，更贴合于临床预后分析的模型，已经有研究13提示其应用于预测术后住院死亡率有较好的效能，故将其应用于院外长期照顾需求的预测性分析可能会取得较好的效果。Logistic 回归分析模型结果显示，年龄、锚钉数、住院时间是影响院外长期照顾需求最大的 3 个因素；而DNN 模型结果显示，锚钉数、UCLA 评分、肌力是影响院外长期照顾需求最多的 3 个因素。两个模型之间存在一定的差异，原因可能是由于 Logistic 回归是在已有数学公式的基础上建立自变量和因变量之间的函数关系，仅对定性或半定量的指标具有较好的预测价值14，另外，Logistic 回归模型仅筛选出相关性大的指标代入到数学模型进行验证，但在实际临床中，多种因素间的关系较为复杂，可能存在相互促进或相互抵消的情况，导致有些因素相互促进成为因变量的独立影响因素，而有些因素相互抵消后成为非独立影响因素15。由此可知 Logistic 模型中部分自变量相互作用可对因变量产生一定的影响。而深度神经网络模型摆脱了传统的假设统计，对所有因素进行综合考虑，具有很强的任意精度逼近任意连续非线性函数的能力，对于复杂样本的分析具有较好的预测效能。考虑可能由于两种模型构建方法的差异，导致研究结果差异。与 Logistic 回归分析模型相比，深度神经网络模型在输出层有多个神经元，并且在激活函数上进行了扩展，实现了从浅层神经网络到深层神经网络的转变，解决了神经网络容量小的问题，最重要的是克服了线性不可区分异质性等基本问题，使模型得到更好的训练和优化，增强了表达能力16。本次研究对于两种模型预测效能的分析结果显示，DNN 模型在预测非补偿性规则的效能显著优于 Logistic 回归分析模型，可能由于实际的临床工作中，因变量的独立影响因素基本不存在，各变量间可能存在交互作用，而 DNN 模型中纳入的因素较全面，能够更好地拟合数据17。另外，Logistic 回归分析为线性分析，数据较小时易漏诊，而足够复杂的 DNN 模型能够通过适当的训练学习整个数据集，从而做出完美的预测。本研究存在不足之处：首先本研究为回顾性分析，临床资料可能会出现偏差，使研究结果与实际情况之间存在差异；其次本研究只收集了本地区部分住院患者，样本量相对较小且具有较强的地域性，可能会导致结果出现偏倚，不具有代表性，未来需进行多中心、大样本的深入分析。综上，DNN 模型对于肩关节术后患者院外长期照顾需求具有较好的预测性，可以将之运用于临床院外长期照顾需求的预测中。参考文献1Zeng YM,Xu C,Zhang K,et al.Prediction of rotator cuff injuryassociatedwithacromialmorphology:athree dimensionalmeasurement studyJ.Orthop Surg,2020,12(5):1394-1404.2Karjalainen TV,Jain NB,Heikkinen J,et al.Surgery for rotator cufftearsJ.Cochrane Database Syst Rev,2019,2019(12):CD013502.3Rashid MS,Cooper C,Cook J,et al.Increasing age and tear sizereduce rotator cuff repair healing rate at 1 year:Data from a largerandomized controlled trialJ.Acta Orthop,2017,88(6):606-611.4Elkins AR,Lam H,Murrell GAC.Duration of surgery and learningcurve affect rotator cuff repair retear rates:a post hoc analysis of1600 casesJ.Orthop J Sports Med,2020,8(10):2325967120954341.5Rys A,Kukkonen J,Hallgren HCB,et al.Acute Cuff Tear RepairTrial(ACCURATE):protocol for a multicentre,randomised,placebo-controlled trial on the efficacy of arthroscopic rotator cuff repairJ.BMJ Open,2019,9(5):025022.6杨彩凤,朱溶,周春姣,等.胆道手术后带T管出院患者院外护理需求及移动健康教育作用分析J.护士进修杂志,2021,36(13):1200-1203.7薛梅,赵岳,冯连贵,等.快速康复外科冠状动脉搭桥术患者的院外早期延续性康复护理J.重庆医学,2019,48(20):3566-3569.8Kavitha T,Mathai PP,Karthikeyan C,et al.Deep learning basedcapsule neural network model for breast cancer diagnosis usingmammogram imagesJ.Interdiscip Sci,2022,14(1):113-129.9Longo UG,Ambrogioni LR,Berton A,et al.Conservative versusaccelerated rehabilitation after rotator cuff repair:a systematic reviewand meta-analysisJ.BMC Musculoskelet Disord,2021,22:637.10 Lee KW,Lee GS,Yang DS,et al.Clinical outcome of arthroscopicpartial repair of large to massive posterosuperior rotator cuff tears:medialization of the attachment site of the rotator cuff tendonJ.ClinOrthop Surg,2020,12(3):353-363.（下转1378）1365中国急救复苏与灾害医学杂志 2023年10月 第 18卷 第10期 Chin J Emerg Resusc Disaster Med,October2023,Vol.18 No.10论著动物伤害救治与急救良反应发生率较对照组低（P0.05），提示应用 PDCA管理模式持续改进能够缩短狂犬病暴露者疫苗接种等候时间，确保疫苗接种的及时性，减少接种不良反应发生。分析原因，PDCA 管理模式全面控制犬伤门诊伤口预防处置和疫苗接种工作质量，不仅优化各项工作环节、就诊流程，缩短患者疫苗接种等候时间，使其能及时得到接种，而且还不断加强医护人员培训、考核等，使医护人员专业能力提升、责任感和风险防范意识增强，尽早发现问题，充分保障患者接种安全性15。本次研究还显示，研究组的狂犬病防范知识知晓率、全程接种依从率均高于对照组（P0.05），分析原因是 PDCA 管理模式在计划实施阶段加强对暴露者及其家属的健康教育和心理疏导，纠正其知识误区，提高其对狂犬病防范知识的认知，使其明白全程足量接种疫苗的重要性，从而愿意配合全程接种，依从性显著提高16。戴珍娟等17学者也指出，以科普微视频健康教育方式对犬伤患者普及知识，能够显著提升患者狂犬病预防知识水平，使其态度和行为发生良性转变。由此可见，加强健康教育对狂犬病发病具有重要预防作用，临床应予以重视。综上所述，犬伤门诊医护人员及时对狂犬病暴露患者施行正确伤口预防处置，并在疫苗接种过程中实施 PDCA 管理模式，可缩短疫苗接种等候时间，提高患者疫苗接种及时性，降低不良反应发生率，进而促进患者全程接种依从性提升。参考文献1茅蓉,金安宝,吴益康.浙江省嘉兴市疾病预防控制中心犬伤门诊狂犬病暴露预防处置分析与思考J.中国媒介生物学及控制杂志,2020,31(6):730-734.2殷文武,王传林,陈秋兰,等.狂犬病暴露预防处置专家共识J.中华预防医学杂志,2019,53(7):668-679.3金燕,闻卫东,喻迎九.2014-2018年南昌市CDC门诊狂犬病暴露处置情况分析J.现代预防医学,2020,47(2):272-274.4陈庆军.狂犬病暴露后预防处置中被动免疫制剂的规范使用J.中华医学杂志,2021,101(17):1284-1286.5中华人民共和国国家卫生和计划生育委员会.狂犬病暴露预防处置工作规范（2009年版）Z.2009.6苟长春,叶润华,梁伟,等.120例狂犬病暴露者应用狂犬疫苗与狂犬病免疫球蛋白预防狂犬病的效果分析J.医学动物防制,2021,37(9):853-855.7侯小转.微信平台的延续护理干预对犬咬伤患者狂犬病疫苗全程接种依从性的影响J.中国药物与临床,2019,19(2):336-338.8Cai L,Wang L,Guan X,et al.Epidemiological analysis of rabies incentral China from 2013 to 2018J.Infect Drug Resist,2021,14:2753-2762.9郭凤芝,朱文彪,方兴.金华市急诊科狂犬病暴露患者防治知识调查分析J.中国地方病防治杂志,2019,34(6):673-674.10 张艳波,魏亚梅,韩占英,等.河北省2014-2018年狂犬病流行特征及其暴露处置分析J.中国媒介生物学及控制杂志,2020,31(1):96-99.11 苟长春,叶润华,梁伟,等.120例狂犬病暴露者应用狂犬疫苗与狂犬病免疫球蛋白预防狂犬病的效果分析J.医学动物防制,2021,37(9):853-855.12 陈海燕,许聪辉,任文锋,等.2013-2017年广东省广州市狂犬病暴露监测结果分析J.疾病监测,2020,35(2):99-103.13 靳晓云.PDCA管理模式在重症医学科中的应用效果J.现代消化及介入诊疗,2019,24(A1):205.14 陈霞.预防接种门诊安全接种工作中采取PDCA管理模式的效果分析J.中国卫生产业,2020,17(21):19-21.15 王宝金,孔雪珍.犬伤患者伤口急诊处理与接种狂犬疫苗的护理研究J.黑龙江医药,2019,32(6):1504-1506.16 Liu C,Cahill JD.Epidemiology of rabies and current US vaccineguidelinesJ.R I Med J,2020,103(6):51-53.17 戴珍娟,安小力,李瑞兰,等.犬伤患者科普微视频健康教育效果评价J.预防医学,2020,32(2):204-207.收稿日期：2022-12-02修回日期：2023-06-20（上接1365）11 De Cock M,Dowsley R,Nascimento ACA,et al.High performancelogistic regression for privacy-preserving genome analysisJ.BMCMed Genomics,2021,14(1):23.12 董波,郁洪阳,王国栋,等.突发创伤致下肢截肢术后创伤应激障碍危险因素分析J.中国急救复苏与灾害医学杂志,2022,17(11):1483-1486.13 Lee CK,Hofer I,Gabel E,et al.Development and validation of adeep neural network model for prediction of postoperative in-hospital mortalityJ.Anesthesiology,2018,129(4):649-662.14 蒙斯雅,李梅,李微.构建Logistic回归预测模型分析颅脑损伤患者并发凝血功能障碍的影响因素J.中国急救复苏与灾害医学杂志,2023,18(3):320-324.15 Larsson A,Berg J,Gellerfors M,et al.The advanced machine learnerXGBoost did not reduce prehospital trauma mistriage compared withlogistic regression:a simulation studyJ.BMC Med Inform DecisMak,2021,21:192.16 Ma LN,Yang T.Construction and evaluation of intelligent medicaldiagnosis model based on integrated deep neural networkJ.ComputIntell Neurosci,2021,2021:7171816.17 Putra PU,Shima K,Shimatani K.A deep neural network model formulti-view human activity recognitionJ.PLoS One,2022,17(1):0262181.收稿日期：2022-12-08修回日期：2023-05-29 1378