目的 評價HAP 涂層鎳鈦記憶合金的組織相容性，為其在骨缺損修復的臨床應用提供理論依據(jù)。 方 法 取24 只青紫蘭兔，體重2.0 ～ 2.5 kg，隨機分為實驗組和對照組，每組12 只。行左側股外側切口，分離顯露股骨后，選取股骨下1/3 處手術鉆孔作為種植區(qū)，實驗組植入HAP 涂層鎳鈦記憶合金，對照組不植入材料。大腿后外側肌肉覆蓋缺損區(qū)。分別于術后7、14、28、56 d 每組各處死3 只動物，取材行大體觀察、組織學觀察、BMP-2 免疫組織化學染色觀察及圖像灰度值分析，組織學觀察結果按照中華人民共和國國家標準GB/T16886.6-1997 從炎癥、纖維組織囊壁形成、材料降解及周邊組織反應4 個方面進行組織學評價。 結果 所有兔均存活至取材，兩組植入物完全包埋于骨組織內部，無松動，無明顯骨吸收現(xiàn)象。材料植入后7 d，兩組炎性細胞浸潤和纖維增生最明顯，纖維組織囊壁形成，植入材料呈大片狀被囊壁包裹；術后56 d，實驗組部分標本囊壁結締組織增生反應仍較明顯，劣于對照組，但分級符合GB/T16886.6-1997 體內植入標準。免疫組織化學染色示內源性BMP-2 定位于多能MSCs、成骨細胞的胞質內；兩組圖像分析結果顯示，BMP-2隨骨缺損的修復過程呈階段性分泌，兩組BMP-2 在術后14 d 時表達最高，以后逐漸降低。BMP-2 在各時間點染色灰度值比較差異均無統(tǒng)計學意義（P gt; 0.05）。 結論 HAP 涂層鎳鈦記憶合金作為生物醫(yī)學材料具有良好的骨組織相容性。
目的 探討雙層殼聚糖（chitosan，CS）/HAP 復合支架作為骨軟骨組織工程支架的可行性，并結合兔自體BMSCs 修復骨軟骨缺損。 方法 采用凍干法和燒結法制作雙層CS/HAP 復合支架，檢測其理化特性。取日本大耳白兔骨髓4 ～ 6 mL，全骨髓培養(yǎng)法分離純化BMSCs，并鑒定。調整第2 代BMSCs 細胞密度為2 × 107 個/mL，應用纖維蛋白膠種植技術，接種至雙層CS/ HAP 復合支架，體外構建細胞- 支架復合物。取36 只日本大耳白兔，于右側膝關節(jié)股骨下端外側髁負重區(qū)，作一直徑4 mm、深3 mm 的圓柱形缺損，制備兔膝關節(jié)骨軟骨缺損模型。根據(jù)缺損區(qū)植入物的不同，分為A、B、C 3 組（n=12）。A 組：植入細胞- 支架復合物；B 組：植入雙層CS/HAP 復合支架；C 組：不植入任何材料，作為空白對照組。術后6、12 周取材，行大體及組織學觀察，采用改良Wakitani 法評分。 結果 雙層CS/HAP 支架CS 層孔隙率為76.00% ± 5.01%，孔徑為200 ～ 400 μm，平均300 μm，孔洞相通；HAP 層孔隙率為72.00% ± 4.23%，孔徑為200 ～ 500 μm，平均350 μm，孔洞相通，結合部結合好。全骨髓法培養(yǎng)BMSCs，第7 天可見集落形成，14 d 傳代；免疫組織化學檢測示CD44（+）和CD45（—）。大體觀察和組織學檢測顯示，A 組基本修復軟骨缺損，骨缺損修復不良，有骨小梁長入；B、C 組骨、軟骨缺損修復不良，組織學檢測以纖維組織或無新生組織形成，軟骨及骨缺損均明顯存在。術后6、12 周，A 組改良Wakitani 評分分別為（5.17 ± 1.17）分和（3.20 ± 0.75）分，均優(yōu)于B、C 組，差異有統(tǒng)計學意義（P lt; 0.05）。 結論 雙層CS/ HAP 復合支架可作為骨軟骨組織工程支架，復合BMSCs 可修復兔關節(jié)軟骨與骨缺損，重建關節(jié)解剖結構
目的評估機器學習算法在心臟瓣膜病心房顫動患者心臟血栓形成的預測和表征中的應用。方法本研究從四川大學華西醫(yī)院及其分院收集2016—2021年心臟瓣膜病伴心房顫動患者的臨床數(shù)據(jù)，從2 515例接受瓣膜手術的患者中篩選出886例瓣膜病伴心房顫動患者納入研究，其中男545例（61.5%）、女341例（38.5%），平均年齡（55.62±9.26）歲，192例患者術中證實有心臟血栓形成。采用5種監(jiān)督機器學習算法來預測患者的血栓形成?；诨颊叩呐R床數(shù)據(jù)（特征篩選后的33個特征），采用10折嵌套交叉驗證方法，通過曲線下面積、F1分數(shù)以及馬修斯相關系數(shù)等評價指標對模型的預測效果進行評價。最后，使用SHAP解釋方法來解釋模型，并以患者為例分析模型的特征。結果隨機森林模型各項綜合評估指標最佳，受試者工作特征曲線下面積為0.748±0.043，準確率79.2%。對模型的解釋和分析表明，每搏輸出量、二尖瓣E波峰值流速和三尖瓣壓力梯度等是影響預測的重要因素。結論隨機森林模型實現(xiàn)了最好的預測性能，有望被臨床醫(yī)生用作一種輔助決策工具，用于篩查患有瓣膜病心房顫動的高栓塞風險患者。
目的 建立預測重癥慢性阻塞性肺疾?。ê喎Q慢阻肺）患者死亡風險的機器學習模型，探討與慢阻肺患者死亡風險相關的因素，并加以解釋，解決機器學習模型的“黑箱”問題。方法 選取美國多中心急診重癥監(jiān)護?。╡mergency intensive care unit，eICU）數(shù)據(jù)庫中的8 088例重癥慢阻肺患者為研究對象，提取每次入住重癥監(jiān)護病房的前24 h內的數(shù)據(jù)并隨機分組，70%用于模型訓練，30%用于模型驗證。采用LASSO回歸進行預測變量選擇，避免過擬合。采用5種機器學習模型對患者的住院病死率進行預測。通過曲線下面積（area under curve，AUC）比較5種模型和APACHE Ⅳa評分的預測性能，并采用SHAP（SHapley Additive exPlanations）方法解釋隨機森林（random forest，RF）模型的預測結果。結果 RF模型在5種機器學習模型和APACHE Ⅳa評分系統(tǒng)中表現(xiàn)出最佳的性能，AUC達到0.830（95%置信區(qū)間0.806～0.855）。通過SHAP方法檢測最重要的10種預測變量，其中無創(chuàng)收縮壓的最小值被認為是最重要的預測變量。結論 通過機器學習識別危險因素，并使用SHAP方法解釋預測結果，可早期預測患者的死亡風險，有助于臨床醫(yī)生制定準確的治療計劃，合理分配醫(yī)療資源。