典型文献
使用机器学习方法分析增强CT检查后对比剂肾病的风险因素
文献摘要：
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.
文献关键词：
机器学习;对比剂肾病;血清肌酐;计算机体层成像
中图分类号：
作者姓名：
赵凯;张晓东;吴静云;张保翠;罗健;王霄英
作者机构：
北京大学第一医院医学影像科,北京 100034
文献出处：
引用格式：
[1]赵凯;张晓东;吴静云;张保翠;罗健;王霄英-.使用机器学习方法分析增强CT检查后对比剂肾病的风险因素)[J].实用放射学杂志,2022(08):1359-1361,1382
A类：
B类：
机器学习方法,对比剂肾病,CIN,基础病,金标准,学习结果,重要性排序,估算肾小球滤过率,eGFR,血清肌酐,SCR,肿瘤病,统统,统计方法,法显,深度挖掘,糖尿病患者,女性患者,恶性肿瘤患者,应给,计算机体层成像
AB值：
0.237473
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
