精准医学综述
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇精准医学综述范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
精准医学综述范文第1篇
脑微出血（CMBs）是近年来医学上提出的，关于亚临床的终末期微小血管病变导致的含铁血黄素沉积现象的概念。本文中笔者从CMBs的发病机制与原理方面出发，结合当前对脑微出血的研究，探讨脑微出血的临床表现，针对各类型触发CMBs症状的相关因素临床研究进行综述。
1、脑微出血的提出与定义
脑微出血（cerebral microbleeds CMBs）最初是在2005年开始被发现，因为其在临床医学表现上没有明显的特征，只有在MRI技术T1成像作用下才表现为圆形或者是斑点状的低信号或者是信号缺失的情况[1]，随着医学技术的发展，在T2加权像中表现更加清楚。脑微出血真正被提出研究是在2009年，但是因为更多缺少病症样本的研究和讨论，至今还是因为缺乏更加精准的定位定义研究。
2、CMBs常见发病群体
目前的研究结果显示，脑微出血发病群体多数体现在老年人身上[2]。年纪的增加，由于人体的脑内微小血管病变的可能更大，所致脑微出血现象更加的频繁。
出现CMBs的人群当中，在脑出血病人中导致CMBs发生的概率是最高的，多达33%-80%的范围，其次是脑梗塞病症的病人发生CMBs的概率是26%，正常人发生脑微出血的可能性在5%-6.4%。从上面这个数据中可以看出，临床表现出来的脑出血会导致CMBs并况，危险进一步增加。
CMBs病症除了有一些共同群体的现象之外，其常见发病的部位依次表现在皮质及皮质下白质，其次CMBs体现在基底核及丘脑、脑干，最后是小脑[3]。国外脑微出血研究人员Lee在针对CMBs多发性部位的研究当中，发现CMBs与原发性脑内出血之间的关系非常密切。皮质及皮质下白质因为上述的关系，所以皮质及皮质下白质和脑微出血关联强度最高，发病率也更高。除了Lee的研究之外，Ying-Fa Chen等医学家在研究过程中，也发现了再MRI检测结果中，缺血性脑卒中的病患位于基底核和丘脑部位的CMBs病灶和pICH的病灶相关[4]。
导致脑微出血发病的病因因多数是因为高血压、淀粉样血管变性等等危险因素[5]。对于这些脑微出血病症的相关因素，需要进一步的研究探讨，找到更加精准的病因。根据研究显示，CMBs除了和人的年龄、血压、还有就是心脏疾病方面相关[6]。在近一两年更有提出与低密度脂蛋白有关系，这些相关因素需要我们进一步的探讨。
3、CMBs发病机制与原理
当前脑微出血因为其自身病症与出血性脑血管疾病的关联性，所以其也成为预测脑血管疾病的因子之一[7]。所以CMBs受到了现代神经科研究领域的高度关注，但是由于还未能够根据临床研究对CMBs进行精准定义，同时发病机制也还处在探讨阶段。
从当前探讨阶段的研究结果可以得出，脑微出血是因为微血管的受到损伤而引起的临床病变，这种微出血血管损伤严重程度的提升，直接体现在病变的严重化，出血表现更为明显。病理学研究结果中，我们发现CMBs病症多数发现是位于脑内微小动脉或者是更细微动脉瘤的旁边，从而能够推测出高血压是导致形成脑微出血病症的因素之一[8]。
4、脑微出血的危险因素
随着现代医学技术的进步，MRI检测新技术之磁敏感加权成像（SWI）在临床医学方面应用范围更为的广泛。CMBs被认为和认知知障碍、脑实质出血 、脑脑卒中、高血压、糖尿病及动脉粥样硬化等等相关危险因素有相关性[9]。在新医学领域技术的支持下也可以进一步研究CMBs，取得更好的进展，为CMBs病因的诊治、病症防治以及预后判断等方面带来成效。
在前人的研究基础上，可以看出CMBs与脑出血病症表现有非常明显的相关性 ，所以CMBs也是目前临床医学研究中对出血性微血管病进行预测的一个指标[10]。现在医学手段中，经常采用的检测CMBs的方法主要有：MRI检查方法、血液指标检测方法、统计学方法、磁敏感加权成像（SWI）等方式方法[11]。
5、针对低密度脂蛋白（LDL）的CMBs分析
针对低密度脂蛋白(LDL)的CMBs分析是采用了MRI检测新技术中SWI技术，结合血液指标的检测，最后统计学计算方式，对比观察CMBs患者和无CMBs患者的数据[12]。从数据对照中进行研究探讨CMBs和LDL之间的作用关系。
分析研究发现，对比了CMBs患者与无CMBs对照组之间的纤维蛋白原水平变化方面没有明显的差别,也就是说CMBs病患自身具有的凝血机制没有很大的变化[13]。但是我们从上面的表格当中，可以看出CMBs病症患者的低密度脂蛋白（LDL）较低，比无CMBs一组病患来得低。这一现象也表明证实了卒中强化降脂研究中国提出的，低水平LDL会导致脑微出血的发病率的增加 。
CMBs发病机制原理可能是因为合理的血脂水平的降低，才会导致维持小血管壁的完整性降低，微小血管受损发生[14]。低水平LDL会对小血管壁的完整性形成损坏，从而引起了血管周围含铁血黄素沉积 ，在MRI技术中显示出了信号缺失的病症 ,这也就是CMBs病症发生的一个因素。
经过国内外医学家的研究探讨，有多例CMBs病患病症体现为信号缺失，然后导致了微小血管旁边的含铁血黄素沉积，这个进一步的证实了上面的CMBs发病因素理论[15]。同时经过上面的讨论，得出CMBs 患者自身的总胆固醇（CHOL） 水平来得更好。CHOL水平高对高血压影响大，会导致微小血管的舒张功能降低，血管收缩反应是由于ET释放，使得小血管的通透性也增加了，引起脑微出血的概率增加。
6、高血压
从上面的研究分析当中，可以得出一个结论脑微出血相关影响因素包含了血脂的影响,所以对CMBs患者来说，必须把血脂水平维持在一个正常范畴，防止脑微出血的严重化[16]。从研究分析中发现，那些CMBs患者和没有患上CMBs患者之间，在年龄、高血压病、糖尿病、腔隙性脑梗塞 、舒张压 、收缩压、以及LDL 等心脑血管危险因素的症状表现上都有所差异。
影响CMBs计数的因素有高血压、 腔隙性脑梗塞 、收缩压、 舒张压有关联。CMBs的分级与年龄 、高血压、腔隙性脑梗塞、 收缩压 、舒张压有关联[17]。把病患针对有无CMB对比，进行与心脑血管等因素的二分类回归统计分析中，可以看出高血压以及腔隙性脑梗塞等危险因素，对CMBs 的发生概率影响是明显的，所以高血压对动脉硬化影响，也对CMBs产生关联性。
7、脑微出血与其他脑血管病
因为脑白质中血液供源于各深穿支动脉，这些微小动脉是脑终末动脉，微小动脉之间之间侧支循环来得稀疏或者没有循环， 一旦末端微小血管出现了病变，就会导致脑脑白质区域血液循环工学的变化，使得脑室旁出现水肿与酸中毒发炎，这也就导致伴随LA患病率的增加[18]。CMBs的病因特征和LA病因特征都是属于微小血管的病变范畴，根据这个可以推导出两者之间的病理学原理是相似甚至共同。脑微血管（CMBs）发病会使得血管壁脆性更高，血管损伤容易出血，但是血管损伤未完全破裂的时候，也有可能导致节段性血管闭塞的发生，从而出现缺血性损伤的病症现象。因此可以得出，CMBs病变能够造成出血性脑损害，也可能会导致缺血性脑损害。
认知功能是人脑神经中枢中的一项高级功能。随着老龄化的日益增多，人群中患有认知功能障碍与痴呆现象的人也越来越多了。CMBs和认知功能之间关系与相互的作用，也是CMBs相关因素研究一个方向。临床研究表现中可以看出CMBs患者发病和前额部、执行功能的损伤有影响，所以CMBs病症研究对长期认知功能的影响体现出发生概率的预示作用[19]。
在临床医学中抗血小板聚集治疗在针对动脉硬化性疾病预防治疗中运用范围广。经过对上千例高龄患者的针对性研究中，发现了没有服用抗血栓药物的高龄患者在MRI检测检查中，脑微出血（CMBs）症状出现更为普遍[20]。但是大量服用抗血栓药物也会导致后期CMBs现象更为明显。负责本次CMBs与抗血栓药物关系研究的医者认为，对于一些患心脏病或者中风的患者来说，抗血栓药物使用效果还是利大于弊。但是对于另一些特殊人群，例如CMBs患者而言，一些抗血栓药物的长期使用还是弊端显著的。
从上面的讨论中，我们可以得出，虽然脑微出血和其他脑血管疾病有一定的共通性。但是由于从宏观大血管病和微观小血管病之间还是存在着差异性。在治疗方面的共同性还有有所差别的，所以关于CMBs的治疗还需进一步的研究探索。
8、结语与展望
脑微出血（cerebral microbleeds CMBs）作为一种新形态的脑小血管病症，使得我们对脑血管基本方面的认识从整体走入细节，从针对大血管关注转变为小血管疾病的研究。CMBs病症是医学新技术MRI推广使用之后提出的一种形态学变化，其临床病症的表现和多个危险因素相关，更加精准的发病机制原理需要进一步的临床研究讨论。
CMBs多个相关因素在国内外的研究文献中都有提高与证明，本文中进一步针对CMBs因素进行探讨与研究。虽然针对CMBs的探讨有了阶段性的进展，但对其机制的研究样本还是不够全面，在其诊断、防治、治疗与预后等方面还需要进一步研究实践。相信随着医学技术的发展，能够在以后找到更好的突破口，完全了解和治疗CMBs。
参考文献:
[1]黎杏群.脑出血中西医现代研究与临床.人民军医出版社,2012-04
[2]王峥.脑血管病发病因素的相关性研究.东南大学出版社,2011-09
[3]金永娟.李宏妹.朱文云等.高血脂对血细胞和血管内皮细胞的损伤[J].中国微循环，2012,6（1）；22-24
[4]吴文海.缺血性脑卒中患者脑微出血的危险因素及其对认知功能的影响[J],浙江临床医学,2013年 第2期
[5]范慧敏,张微微,黄勇华等.缺血性脑血管病患者脑微出血的危险因素及其对认知功能的影响[J].中国脑血管病杂志,2011-08
[6]韦铁民, 吕玲春, 周利民, 等. 脑微出血的磁共振诊断研究进展[J]. 中华医学杂志, 2013, 93(025): 2007-2009.
[7]王小强, 吴君仓, 张继, 等. 急性脑梗死患者脑微出血的相关危险因素分析[J]. 中华老年心脑血管病杂志, 2012, 14(4): 386-389.
[8]谢宗志, 李浩, 游潮. 脑出血早期血肿扩大的研究进展[J]. 中国脑血管病杂志, 2012, 9(008): 435-440.
[9]史蕙青. 脑微出血相关因素分析[J]. 中国实用神经疾病杂志, 2012, 15(21): 18-19.
[10]程新旺, 周东. 脑微出血研究进展[J]. 华西医学, 2012, 27(8): 1276-1279.
[11] 吉凤, 王世民, 于兰. 老年脑梗死患者伴脑微出血的临床观察[J]. 中华老年心脑血管病杂志, 2012, 14(1): 11-13.
[12]王小强, 吴君仓. 脑微出血对认知功能的影响及其发病机制研究进展[J]. 中华神经科杂志, 2012, 45(003): 192-194.
[13]黄信全. 124 例缺血性脑血管病患者脑微出血相关危险因素分析[J]. 医学综述, 2013, 19(8): 1510-1511.
[14] 冯洁, 刘运海. 脑微出血研究进展[J]. 中国神经免疫学和神经病学杂志, 2012, 19(3): 157-160.
[15]王绍娟, 王利伟, 黄海青, 等. 磁敏感成像序列在脑微出血诊断中的价值[J]. 磁共振成像, 2013, 4(5): 335-338.
[16]刘毅, 师敬飞, 段云霞, 等. 缺血性卒中溶栓后出血预测因素的研究进展[J]. 中国脑血管病杂志, 2012, 9(009): 499-504.
[17]刘慧, 谢明. 脑梗死后出血转化危险因素的相关性研究[J]. 中国当代医药, 2013, 19(30): 53-54.
[18]陈英道, 石胜良. 自发性脑出血早期血肿扩大危险因素最新研究进展[J]. 中风与神经疾病杂志, 2012, 29(012): 1137-1139.
精准医学综述范文第2篇
《中国医院知识仓库》2004年被卫生部科教司评定为查新数据库，新闻出版总署主管，中国学术期刊（光盘版）电子杂志社编辑出版。根据专业需求，本中心协议订阅了3种数据库：《CHKD期刊全文数据库》（1994年至今）收录了1994年以来我国公开出版的生物医学类专业期刊和相关专业期刊，整刊1500多种，部分刊4000多种，累计文献量达430多万篇，每年新增50多万篇。内含各科进展、动态、综述、概况类文章10万余篇，临床病例病案报道86万多篇，最新治疗措施44万余例；《CHKD期刊全文数据库》（1994之前）收录了我国重要医学学术期刊467种，回溯范围至各刊创刊，共收录文献66万多篇；《CHKD博硕士学位论文全文数据库》收录1999年至今全国博士培养单位的优秀博、硕士学位论文近8万篇，是目前国内相关资源最完备、收录质量最高、连续动态更新的中国生物医学类博硕士学位论文全文数据库。1．2基层文献资源需求调查结果2011年初，笔者设计了《预防医学文献资源需求调查表》，对全省89个县（市、区）疾控中心的预防医学文献资源状况进行调查，结果不容乐观。全省有独立图书情报室并有专职人员的单位仅1家，其他单位多附属办公室，既无专人也未进行规范管理，整体上专业文献资源贫乏。专业人员文献查找主要源于互联网（100．0％）。有77．8％（7／9）的设区市、52．6％（20／38）的县级市和区、35．7％（15／42）的县有局域网。如何让基层单位科研人员能全方位掌握所需文献信息面临挑战。
1共享优势
新媒体是网络技术支撑下出现的媒体形态，可分为网络新媒体、移动新媒体和数字新媒体［1］。目前以门户网站、搜索引擎、简易信息聚合（RSS）、电子邮件／即时通讯／电子书、网络杂志／电子杂志等为主。融合的宽带信息网络，是各种新媒体形态依托的共性基础。终端移动性，是新媒体发展的重要趋势。相对于报刊、户外、广播、电视4大传统媒体，新媒体被形象地称为“第5媒体”。依托它可便捷地实现预防医学信息文献实时精准传播。任何情报文献的学术价值，都是在流动中形成与体现，在共享中最终实现。
2共享思路
理论上一个长远的合理文献信息的资源共享体系，包括共建与共知。共建是共享的物质基础，共知又是共建和共享的理论基础，三者相互依存，缺一不可。资源共享的手段是馆际合作，通过馆际互借、网上文献传递、原文复制和联合咨询达到资源共知共享，带动资源优化配置，拓展共享的渠道，提高共享效率，保证共享的后续发展。目前我省各县（市、区）疾控机构共享的路线基本以本中心文献信息库为主体，依托网络环境下的新媒体呈放射状传播。随着交流的频繁与深入，不断梳理沟通渠道，加强了解与协作，文献信息共享服务途径将由单向输出逐步演变为实际意义上的共知、共建与共享，做到以文献信息资源的共享，来促进实体与虚拟馆藏文献信息资源的丰富与发展。新媒体具有全天候和全覆盖性的特征，可使不同区域网络连接起来，实现广域范围的资源共享。调查显示，我省基层单位均拥有互联网，工作人员基本可在岗位上自由上网，这为文献信息的传播提供了硬件服务支持。具体操作思路如下。
2．1设立联系窗口
可在中心网站设立一扇和图书情报室的联系窗口，成为与基层单位科研人员、图书情报人员业务联系的纽带，及时接收和回应科研人员对预防医学文献信息的需求。为了使专业人员能够更方便快捷地阅读到本中心网站的最新信息，网站可推出RSS聚合资讯服务，利用互联网支撑下的新媒体传播渠道，围绕预防医学工作性质及当前的工作任务，不断补充丰富RSS订阅源，对预防医学专业信息加以及时、广泛、深度的挖掘与规范化的学科整合，丰富虚拟文献信息资源，科研人员可有的放矢地浏览查询最新信息与科研动态，避免在茫茫网络中毫无头绪、费时费力。
2．2通过微搏共享
可利用微博实现文献信息共享。据新华网报道，微博注册用户2011年底已超过3亿。用户可以通过网页、WAP页面、手机短信消息（字数140字以内）或上传图片，即时浏览最新信息，随时随地参与分享与讨论。一些有影响力的医药卫生媒体和部分省市的疾控中心，•72•海峡预防医学杂志2012年6月第18卷第3期StraitJPrevMed，Jun2012，Vol．18，No．3已在新浪开设官方认证的微博交流渠道：例如健康报官方微博北京市疾控中心长沙市疾控中心等。还可同步申请微博的官方网盘，它是一款云存储网盘，用来存储海量文件，并支持分享文档、音乐、视频等任意文件到微博、邮箱、QQ／MSN等。科研人员利用它可同步分享预防医学情报讯息，保存到微盘的文件可自动同步到电脑、手机等设备，无需携带电脑、移动硬盘，只要能联网，随时随地即可访问到图文并茂的专业文献信息。
2．3提供PDF文献
在为基层科研人员提供实体馆藏的医学文献信息服务时，可利用扫描仪将读者急需的文献转换成PDF格式，通过各类网络邮箱传送到读者的终端接收器。PDF页面最大优点是保证文献文本的准确性与相关图像的精准性。
2．4信息咨询服务
精准医学综述范文第3篇
>> 基于LDA模型和SVM的文本分类研究 基于随机森林的文本分类研究 基于Bayes算法的网页文本分类研究 基于粗糙集的文本分类方法研究 基于推拉策略的文本分类增量学习研究 文本分类特征降维研究综述 基于优化类中心分类算法的文本分类研究 基于文本分类的果农短信分类 文本分类算法研究 2统计的文本分类特征选择方法的研究'> 基于χ2统计的文本分类特征选择方法的研究 文本分类及算法综述 基于潜在语义分析和改进的HS-SVM的文本分类模型研究 基于RBF神经网络的Web文本分类的研究 基于向量空间模型的文本分类系统的研究与实现 基于HowNet的VSM模型扩展在文本分类中的应用研究 基于蚁群智能算法的文本分类研究 基于KNN的中文文本分类反馈学习研究 基于模糊VSM和RBF网络文本分类方法的研究与实现 基于语言模型的藏文文本分类研究 基于K―means算法的文本分类技术研究 常见问题解答 当前所在位置：l）和结构化文本（.xml）。按文本的篇幅可划分为长文本和短文本。无论是什么类型的待分类文本，首先都要进行预处理操作，包括分词、去停用词、词根还原等，其目的是去掉对分类不起作用的噪音数据。然后从预处理后的文本中提取关键词，构成关键词词典。关键词词典的作用有两个：一是计算关键词的权重，将其表示为机器可理解的文本向量。二是利用关键词构建和扩充本体库。待分类文本集的篇幅不同，其选择的特征处理过程也不同。长文本预处理后得到的文本表示是高维稀疏的特征向量，需要选择合适算法对向量进行特征降维，去掉噪音数据，留下对文本分类有较大贡献的特征数据。对于广告标语、新闻标题等短文本进行预处理后得到低维特征向量，其中包含的索引项缺少可利用的信息，可通过从本体库中获取对分类有价值的关键词，为向量添加额外的新特征辅助分类过程。预处理模块在整个文本分类过程中起着非常重要的作用，特征向量的好与坏直接影响着文本分类的精准度和分类性能。
1.2 本体模块
本体模块位于整个分类框架的中间层，是框架的核心部分，也是整个分类系统的理论基础。本体有多种用途，可以利用本体库中的标准本体文件或是手工构建的本体作为背景知识，提供语义信息构建分类模型，也可以利用本体对特征向量进行降维（长文本）或添加主题词扩充特征向量（短文本），提高分类效率，当然本体中包含的信息越完备，取得的分类结果越准确。
1.3 分类模块
分类模块主要是利用传统分类算法或本体构建分类模型，其主要功能是实现分类，对未知文本进行判别，将其划分到所属的类别中。
2 关键技术研究动态
2.1 特征处理
近年来，特征处理过程（对高维特征向量进行降维和对稀疏特征向量进行扩充）越来越多地被人们重视，高维稀疏的特征空间中缺少对分类给力的特征项，包含过多冗余信息和噪音数据，对分类效果起反作用。从知识发现的角度看，识别出预测结果中的低维特征是非常有用的，消除无关和冗余的数据特征，提高数据挖掘的效率，改善预测精准性等学习性能。
特征降维[9]是从初始高维特征集合中选出低维特征集合，并根据一定的评估准则最优化缩小特征空间的过程，主要有特征选择和特征重构两类。特征选择的本质是对原高维特征空间的约简，即在不损伤分类精度的前提下，尽量减少特征空间中的索引项的数目，降低向量空间的维数。较为典型的特征选择方法有文档频度、互信息、信息增益、X2统计量等。Yang yiming[10-11]等人在reuters-21578和一部分Reuters Corpus Version1（RCV1）语料库上分别采用文档频度、互信息、信息增益、X2统计量等方法对特征向量进行降维，然后用Naive Bayesian, Rocchio, kNN和SVM等分类算法进行多角度实验，结果表明SVM和X2统计的组合方法优于其它的方法。特征重构[12]又称特征抽取，是基于特征项之间的语义相关性、类内文本聚合程度、类间离散程度的影响力等方面因素，对文本特征集进行压缩，把原来的特征向量转换成为一个不同的更紧凑的新低维空间。例如主成成分分析（PCA），线性区分分析（LDA），潜在语义索引（LSI）等。
还有其他降维方法，如利用通用本体和领域本体提供的概念层次语义结构实现降维。采用本体中概念及概念间的语义关系并结合潜在语义索引算法对特征空间进行降维，可以提高分类性能。文献[13]提出基于WordNet语义词典和隐含语义索引(LSI)模型的英文文本分类方法，用WordNet中语义集代替单词构成特征向量，然后利用LSI模型进一步深入挖掘语义集的概念间的深层联系，将语言知识和概念索引有效地融合到文本向量空间的表示中，对特征向量进行降维，并分别用Naive Bayes和简单向量距离算法实现分类，实验结果表明准确率都随着语义分析的深入逐步提高，充分表明语义挖掘对文本分类的重要性。文献[14]也利用WordNet通用本体和潜在语义索引算法，实现了对信息检索中的文档向量进行降维，取得较好的效果，该方法也适用于大规模的文档集。文献[15]利用潜在语义索引和领域本体实现文本特征的降维和分类，该方法适用于对领域内的文本集分类。近年来，基于分形的方法也得到人们关注[16]。采用分形的思想，可以较准确地估计出数据的本征维[17]，为进一步地降维提供指导性的参考。
对于新闻标题，广告语，电影预告等短文本进行预处理后得到稀疏的特征向量，缺少对分类给力的特征项，为解决其稀疏问题除了要去掉冗余和噪音特征项外，还需要利用语义词典或本体对文本向量进行特征扩充，添加对分类起正面作用的特征项，辅助指导分类。文献[18]提出一个基于短文本的半监督的分类通用框架，适用于从Web搜索结果到医学等众多不同领域的文本分类。利用潜在主题分析模型如pLSA、LDA等和机器学习方法如最大熵和支持向量机等，从大规模外部语料库中抽取出潜在主题词扩充特征向量，提高分类器的覆盖范围。
2.2 分类模型
随着本体的发展，近年来有许多国内外学者将本体引入到文本挖掘的各个应用领域，基于本体的分类是研究热点之一，下面通过几个典型实例进一步说明该研究的特点及进展。
Gu等人[19]提出一个基于SARS本体的文本分类模型，利用本体中层次概念结构构建向量空间模型，为分类提供领域知识。同时从预处理后的文本集中抽取出主题词构成词典，用来不断扩充和完善SARS本体，一方面可以构建本体向量，另一方面可以解决传统分类方法中存在的特征向量的高维稀疏问题。基于该分类模型构建的原型系统，对200篇有关SARS信息的文档进行分类，其分类结果的精准率和召回率最高分别可达到0.93和0.95。
Probowo[20]等人根据DDC（Dewey Decimal Classification）和LCC（Library ofCongress Classification）的特点，建立了一种DDC-LCC映射关系，利用基于DDC和LCC两种分类模式的Web网页构建本体库，并映射到DDC和LCC两个分类模式，给出了DDC-LCC和基于本体的分类模式之间的映射的形式化定义。这种映射关系能够提供度量Web网页和类别的相似度的方法，并结合本体中的概念与实例的语义关系和层次结构关系，辅助对Web网页进行分类，取得较好效果。
Song[21]等人在2005年提出了一种利用Web网页中抽取的语法知识构建领域本体的方法，并利用领域本体的层次结构、概念特征及概念间的关系和属性等领域知识对Web网页分类。首先利用自然语言处理技术对Web文档进行词性标注和语法分析等预处理，抽取出重要概念术语构建层次结构，进而利用层次结构的语义关系构建领域本体。然后对从Web网页中抽取的概念术语进行权重计算构建文本向量，通过计算文本向量与本体构成的类别向量之间的相似度实现对在线的Web网页进行自动实时分类。与传统的贝叶斯分类器和TF-IDF分类器进行实验对比，分别对从雅虎的经济新闻网站抽取的Cooperatives，employment，Finance，Marketing，Organizations，Trades等几个类别的文本集进行分类实验，三个分类器的F1指标平均值分别为0.92，0.82，0.79，基于本体的分类器有效地提高了分类性能。
2007年，文献[22]提出一个基于本体的Web文档的分类方法和自动构建本体的方法，并对分类后的文档进行排序。基于WordNet的同义词集用经验模式分解EMD（Earth Mover’s Distance）算法计算概念的相似度，根据相似度得分对已有的本体进行扩充和维护，然后把本体作为类别向量对Web文档进行实时分类，最后用排序算法对分类结果中的Web文档集合进行排序，为信息检索提供基础。分别采用KNN和SVM算法对从网站上搜集的2000个Web文档进行实验，本文提出的方法得到召回率和精准率明显优于KNN方法，召回率与SVM算法相比相当略有提高，但精准率约有降低。
文献[15]提出一个文本分类的通用框架，并将潜在语义索引算法（LSI）和领域本体引入到该框架中实现对领域内文本集进行分类。潜在语义索引算法可以有效解决特征向量的高维和稀疏的问题，提高文本分类的精确度。领域本体具有丰富的领域内专用术语，可以为分类提供背景知识。利用潜在语义索引算法和领域本体实现的分类器可以有效的提高分类的性能，其精准率、召回率和F1度量值的平均值都略高于传统朴素贝叶斯分类器的实验结果。
文献[23]将本体知识作为背景知识应用到文本表示中，实现对文本的分类。对XML文本进行解析，从XML文本的元素中抽取术语构建特征向量，并充分利用XML文本的特殊结构，并对其进行标注，将文本标签及标签路径结构也作为特征用来扩展文本向量，并结合通用本体WordNet构建更丰富特征的特征向量，即将twings和tag paths的信息添加到文本向量中，并找出与twings和tag paths的信息相对应的WordNet中的同义词集合，对一词多义和多词同义现象进行词义消解。如doctor有两个词义，医生和博士，分别与WordNet中的两个同义词集{dentist, therapist, psychologist }和{professor, associated}相对应，要结合上下文的背景确定选择哪个同义词集，扩充特征向量。该方法对XML文本进行分类取得较好的分类效果。
2.3 性能评测
2.3.1 数据集
对分类模型进行性能评价的前提是在相同的运行平台上对统一的标准文本集进行实验。目前常用的标准文本集有Reuters-21578，20-Newgroups及其他文本集等。Reuters-21578 文本集是目前国际上比较常用的标准语料库[24]，来源于1987年路透社的新闻专线的新闻材料，主要用于文本分类系统测试，该语料库分为135个类别，共包含21578篇文本。20-Newgroups[25]是卡内基梅隆大学的McCallum等开发的Rainbow系统的标准数据库，有20个类的新闻组讨论英文文章分别存放在20个目录下，每个目录的名字作为一个新闻组类别，每类大约1000篇文本。对于不同的分类方法进行性能评测也可以采用特定领域的文本集如茶领域文本、酒领域文本等。
2.3.2 评价指标
经过分类后可以产生四种结果，如表1所示。
其中TC表示本属于该类别，且被正确地判断为属于该类别的文本数；TW表示为本不属于该类别，却被错误地判断为属于该类别的文本数；FC表示本属于该类别，却被错误地判断不属于该类别的文本数，FW表示本不属于该类别，也被正确地判断不属于该类别的文本数。
通常采用精准率（precision），召回率（recall），正确率（accuracy），错误率（fallout），误差率（error）等评价指标对分类器的性能进行评测[26]。其公式如下：
precision=TC/(TC+FC),
recall=TC/(TC+TW),
accuracy=(TC+FW)/(TC+FC+TW+FW),
fallout=TW/(FC+TW),
error=(TW+FC)/(TC+FC+TW+FW)
要对分类器的整体性能进行评测，采用F1_Measure度量[27]指标，其公式如(1)所示。其中，β是召回率和精准率的相对权重。β等于1时两者同等重要，β大于1时，精准率更重要一些，β小于1时召回率更重要一些。
（1）
F1度量指标是对精准率和召回率两个指标的综合，分别反映分类效果的两个不同方面，它们是互为消长的关系，不可能两全其美，其精准率高，召回率低，反之亦然。根据分类实验的具体情况，在两者之间取得一个平衡点，使分类的精准率和召回率都取得较高值，β通常取值为1/2和1。
3 主要挑战及研究进展
3.1 领域本体的构建不完善
基于本体的分类方法主要是利用领域本体或通用本体对领域内的数据的描述，从中获取知识或规则指导分类，领域本体构建的完善与否将直接影响分类的性能。目前已建立了一系列的领域本体的构建工程方法，涌现出许多理论、技术、描述语言和构建工具。但是手工构建本体需要用户逐个输入大量知识，费时费力，是一项繁琐而辛苦的任务，还会导致知识获取的瓶颈，要构建完备的领域本体也是许多研究学者一直着力解决的难题。因此，如何降低构建本体的开销，根据已有数据资源实现半自动化或自动化构建本体，这是本体学习所要研究的内容，是一个具有重要研究价值的课题[28]。
3.2 领域本体可重用性差
本体的目的就是知识的重用和共享，但领域本体必须是依赖特定领域的，才能具有良好的领域知识表达能力，领域本体的可重用性一直是一个难以解决问题。
不同本体的构建者开发的本体所描述的领域可能相关或重叠，使用的建模方法、建模工具和建模描述语言也不尽相同，从而形成大量异构本体。如何在构建新本体时重用现有的本体，实现对本体的重用、更新和维护已经成为本体领域新的研究热点，本体标准化和模块化构建可以为解决本体的可重用性和面向特定领域提供一种新思路。如何找出多个已有本体之间存在的语义联系，对多个领域本体进行映射和合并，这就是本体集成所研究的内容，即集成不同组织开发的不同语言和不同组织方式的本体，以解决不同应用中的信息异构问题，也是目前研究的一个热点[29]。
3.3 通用本体缺少领域术语
较为典型的通用本体有HowNet[30]，WordNet[31]等。HowNet又称知网，是一个用于自然语言处理的在线常识知识库，包含中文词典中概念之间的关系，属性之间的关系以及与中文对应的英文的概念及属性关系，常用来辅助对中文文本进行分类。WordNet是美国普林斯顿大学认知科学实验室的George A.Miller 教授负责开发的基于心理语言学规则的英文词典，它以同义词集为单位组织信息，对查询结果的演绎比较符合人类思维定式。许多研究学者根据WordNet的特点，将其应用到文本分类中作为背景知识指导分类，已经取得了一定的成果。通用本体不但可以结合分类算法构建分类模型，还可以对文本向量进行特征处理，能有效提高特征向量中的特征项对分类所起到的正面作用。通用本体是通用词汇的集合，包含的词汇量很多，涉及范围广，但缺少对特定领域的专业词汇的描述，不适合指导特定领域的文本分类。领域本体可以弥补通用本体的不足，综合采用通用本体和领域本体可以更好的提高分类的性能。
3.4 本体的推理能力利用不充分
Perez[32]等人认为本体中包含类，关系，函数，公理和实例等5个基本建模元语，可以从不同层次的形式化模式上给出领域内的概念与概念之间相互关系，提供对该领域知识的共同理解。其中公理是对本体中概念及其关系的约束，是对知识进行推理和验证的基础，而OWL（Web Ontology Language）本体描述语言是基于描述逻辑的形式化的本体描述方法，具有强大的演绎推理能力，利用推理机制进行分类并结合本体中用于描述属性和类型的词汇，会进一步提高分类效果。然而，本体中强大的机器推理机制的功能并没有完全发挥出来，对本体中概念、实例和属性等特征也缺乏深层次的语义分析，本体中概念关系、实例、属性类型等特征对分类过程所起的作用不大。如何充分利用本体所提供的机器推理机制及深层次的语义关系，实现对文本数据进行深度挖掘是研究学者关注的热点问题。
4 总结
本文提出一个基于本体库的文本分类通用框架，并分别从特征处理，分类模型和性能评测等多方面归纳总结了现有基于本体的文本分类研究中存在一些问题及研究进展，希望上述工作可以给相关的文本分类的研究提供有益的参考。
参考文献：
[1] Sebastiani Fabrizio. Machine Learning in Automated Text Categorization [J]. ACM Computing Surveys, 2002,34(1):1-47.
[2] Lewis D D. Naive (Bayes) at forty：The Independence assumption in information retrieval[C]//Proc of the 10th European Conference on Machine Learning. Chemnitz, Germany, 1998:4-15.
[3] Yang Yiming, Liu Xin. A Re-examination of Text Categorization Methods[C]//Proceedings of the 22th Annual ACM International Conference on Research and Development in Information Retrieval (SIGIR-99).Berkeley, CA, 1999.42-49.
[4] Joachims T.Text categorization with support vector machines：Learning with Many Relevant Features[C]//Proceedings of European conference on Machine learning.1998.1-7.
[5] Wiener E, Pedersen J O, Weigend A S.A Neural Network Approach to Topic Spotting[C]//Proc of the 4th annual Symposium on Document Analysis and Information Retrieval.1995.317-332.
[6] 苏金树，张博锋，徐昕.基于机器学习的文本分类技术研究发展[J].计算机软件学报,2006,17(9):1848-1859.
[7] 孙娜.基于本体和潜在语义索引算法的文本分类方法研究[D].长春:东北师范大学,2009.
[8] Yang Xi-quan, Sun Na, Zhang Ye, et al. General Framework for Text Classification based on Domain Ontology [C]//Proc of 3rd International Workshop on Semantic Media Adaptation and Personalization, 2008:147-152.
[9] 胡洁.高维数据特征降维研究综述[J].计算机应用研究,2008-9,25(9):2601-2606.
[10] Yang Timing, Pedersen J O. A comparative study on feature selection in text categorization[C]//Fisher DH. Proceedings of the 14th International Conference on Machine Learning.Nashville：Morgan Kaufmann Publishers, 1997.412-420.
.
[11] Rogati Monica, Yang Yiming．High-Performing feature selection for text classification[C]//DavidG, Kalpakis K, Sajda Q,et al．Proceedings of the 11th ACM International Conference on Information and Knowledge Management．McLean：ACM Press,2002.659-661．
[12] 刘海峰,王元元,张学仁,等.文本分类中基于位置和类别信息的一种特征降维方法[J].计算机应用研究,2008,25(8):2292-2294.
[13] LV Lin, LIU Yu-shu, LIU Yan. Realizing English Text Classification with Semantic Set Index Method[J]. Journal of Beijing University of Posts and Telecommunications, 2006(2):22-25.
[14] Pavel Moravec, Michal Kolovrat, Vaclav Snasel.LSI vs.Wordnet Ontology in Dimension Reduction for Information Retrieval[C].Snasel C V,Pokorny J,Richta K.Dateso Technical University of Ostrava, Dept of Computer Science, 2004.18-26.
[15] Xi-Quan Yang, Na Sun. The application of latent semantic indexing and ontology in text classification[J]. International Journal of Innovative Computing, Information and Control(IJICIC)，2009, 5(12):1-9.
[16] Camastra F, Vinciarelli A. Estimating the Intrinsic Dimension of Data with a Fractal-based Method[J]. IEEE Transaction On Pattern Analysis and Machine Intelligence,2002,24(10)：1404-1407．
[17] Tolle c R, Mc Junkin T R, Gorisch D J．Suboptimal Minimum cluster Volume cover-based Method for Measuring Fractal Dimension[J]. IEEE Transaction Pattern Analysis and Machine Intelligence, 2003,25(1):32-41．
[18] Xuan-Hieu Phan, Le-Minh Nguyen, Susumu Horiguchi. Learning to Classify Short and Sparse Text & Web with Hidden Topics from Large-scale Data Collections[C]. WWW 2008 / Refereed Track: Data Mining-Learning, Beijing, China,2008:91-100.
[19]Huazhen Gu, Kuanjiu Zhou. Text Classification Based on Domain Ontology[J]. Journal of Communication and Computer, 2006,3(5):29-32.
[20] Prabowo Rudy, Jackson Mike, Burden Peter, et al. Ontology-Based Automatic Classification for the Web Pages: Design, Implementation and Evaluation[C]//Proc of the 3rd International Conference on Web Information Systems Engineering, IEEE Computer Science,2002.182-191.
[21] Song Mu―Hee，Lim Soo・Yeon，Kang Dong-Jin，et a1．Automatic Classification of Web Pages based on the concept of Domain Ontology[C]//Proceedings of the 12th Asia-Pacific Software Engineering Conference(APSEC’05)，IEEE Computer Science，2005．645-651.
[22] Fang Jun，Guo Lei，Wang Xiao Dong,et a1．Ontology―Based Automatic Classification and Ranking for Web documents[C]//Proceedings of 4th International Conference on Fuzzy Systems and Knowledge Discovery(FSKD 2007)，IEEE Computer Science.2007:627-631.
[23] Martin Theobald, Ralf Schenkel, Gerhard Weikum. Exploiting Structure, Annotation, and Ontological Knowledge for Automatic Classification of XML[C]//Data International Workshop on the Web and Databases (WebDB).San Diego, California, 2003:1-6.
[24] David D.Lewis.Reuters-21578 text categorization test collection Distribution 1.0 README file(v1.2)[EB/OL].[1997-09-06]/~lewis.
[25] McCallum，Andrew Kachites. Bow:A toolkit for statistical language modeling, text retrieval, classification and clustering[EB/OL].[1998-09-12]cs.cum.edu/-mccallum/bow.
[26] Xiaoxun Zhang, Xueying Wang, Honglei Guo,et al. FloatCascade Learning for Fast Imbalanced Web Mining[C].WWW 2008 / Refereed Track: Data Mining - Learning,April 21-25,2008,Beijing,China,71-80.
[27] 李保利,陈玉忠，俞士汶.信息抽取研究综述[J].计算机工程与应用,2003(10):1-5.
[28] 杜小勇,李曼,王珊.本体学习研究综述[J].软件学报,2006,17(9):1837-1847.
[29] 范莉娅,王爱民,肖田元.本体集成方法评价指标体系及其应用研究[J].计算机集成制造系统,2007,13(5):911-917.
[30] 董振东,董强.知网. HowNet. 1999-03. /
精准医学综述范文第4篇
关键词：人工智能 心血管 超声
大数据是现代医学模式的重要特征。在这种医疗模式下，要求医疗人员在确保患者安全和健康的同时追求效率的最大化[1]。对于高分辨率的医学影像成像，集中体现在医务人员快速、准确、有效地解释影像数据（包括肉眼可见和不可见），挖掘利于诊断和治疗的有用信息。在此背景下，人工智能（artificial intelligence,AI）应运而生，它为促进图像采集、测量、报告和随后的临床路径以及影像和临床数据的整合提供了有效手段[2]。心血管影像的精确性成为AI临床应用中的主要领域之一，本文对此作一综述。
1 人工智能及其在医学上的应用
AI是一个广义的术语，指的是机器或计算程序执行具有人类智能特征的任务的能力，如模式识别和解决问题的能力等。AI可以通过弥补人类智能，使现有医疗诊断和预后价值最大化，同时使医师负担最小化，从而显着改善健康诊疗过程和结果。AI在临床实践中的应用预示着医学领域一个更为剧烈变化时代的到来，在影像学方面尤其如此。一项通过分析科学网数据库的研究[3]发现，目前AI在医学的研究领域主要集中在大数据分析、脑卒中康复、心脏手术和医疗诊断和预后预测等方面。其中，用于医学诊断、预后预测和分类的神经网络和支持向量机是主要热点，占所有文献的26%；而未来最引人关注的研究主题是基于AI的微创手术。然而，关于AI数据管理、模型可靠性、模型临床效用验证等问题尚未进行广泛研究。
2 人工智能的机器学习法
大数据是一个经常用来描述大量收集数据的术语，如来自大型生物信息库的基因组数据、电子健康记录档案和大型研究队列数据以及影像学扫描数据等。AI系统通过识别和提取一组观测数据（数据集）的模式来自主获取知识的过程称为机器学习（machine learning,ML）。ML是人工智能的一个组成部分，描述为计算机从经验中学习的过程，并在没有事先知识的情况下执行预定的任务[4]。机器学习可以进一步分为监督学习、半监督学习和无监督学习，这取决于用于学习的样本是否完全标记、部分标记或未标记。ML的典型例子是人工神经网络，后者基于人类大脑的神经元及其连接，神经元之间的相互依赖关系反映出不同的权重，每个神经元接受多个输入，所有的输入一起决定了神经元的激活。通过样本训练找到这些合适权重的过程就是学习。学习过程的复杂性和所需的样本量随着神经元数量的增加而增加。由于计算能力和样本大小的限制，机器学习应用程序的成功依赖于从原始样本中手工提取特征来减少神经元的数量。为了解决这一问题，人们提出了深度学习的方法，即自动学习代表性的样本。深度学习是指一种特别强大的ML方法，它利用卷积神经网络模拟人类的认知，常用于影像模式识别和分类。
模型训练是所有ML类型的共同过程，它是利用模型分析所提供的数据中的各种特性来学习如何生成输出标签的过程[5]。如在超声心动图中，一个模型可以分析各种特征，如左心室壁厚度和左心室射血分数，以确定患者是否具有特定的条件。然而，在分析中包含不相关的特征可能会导致模型过度拟合，从而在呈现新数据集时降低其准确性。这强调了拥有一个能够代表总体的训练数据集的重要性。数据集的质量对于最终ML模型的质量至关重要。尽管ML算法可以使用小数据集或大数据集进行训练，但大数据集可以最大限度地提高训练算法的内部和外部有效性，降低过度拟合的风险。正确模型的选择通常取决于操作员的专业知识、数据集的性质和最终人工智能系统的目的。
3 人工智能在心血管超声的应用
心血管成像领域，包括超声心动图、心脏计算机断层扫描、心脏磁共振成像和核成像，具有复杂的成像技术和高容量的成像数据，处于精准心脏病学革命的前沿。然而，在基于AI的临床转化方法中，心血管成像一直落后于肿瘤学等其他领域。人工智能在超声心动图中的应用包括自动心室定量和射血分数计算、应变测量和瓣膜形态及功能评估以及ML在心脏疾病自动诊断中的应用。
3.1 心室定量和EF自动化。
自动心室量化和EF计算的算法旨在提供准确、快速和可重复的心尖视图分类、解剖标志检测、心室壁分割和心内膜跟踪。有研究[6]比较了AI软件自动测量（AutoEF）和手工追踪双平面Simpson法测量左室EF的准确性，并与心脏MRI进行了比较。结果表明AutoEF与手动双平面Simpson法测得的EF相关性较好，且与MRI相关性良好，但AutoEF低估了左室舒张末期容积（EDV）和收缩期末期容积（ESV）。此外，在不同切面，测量的准确性存在差异，以胸骨旁长轴切面的准确性最高，达96%，而在心尖切面时整体精度降低（84%）。腔室定量和左室EF测量的中位数绝对偏差在15%～17%，其中ESV的绝对偏差最小；左房容积和左室EDV被高估。
3.2 心肌运动和应变测量。
Kusunose等[7]研究发现与传统二维超声心动图相比，利用深度卷积神经网络可更好的检测区域壁运动异常并区分冠状动脉梗死区域。Cikes等[8]利用复杂超声心动图数据（整个心动周期的左室容积和变形数据，而不是单个数据点）和临床参数的ML算法识别心衰并对心脏再同步化治疗的反应进行评估，证实通过整合临床参数和全心周期成像数据，无监督的ML可以为表型异质性心力衰竭队列提供一个有临床意义的分类，并可能有助于优化特定治疗的反应率。另有研究证实[9-10],ML算法有助于区分缩窄性心包炎、限制性心肌病以及肥厚性心肌的重塑。Zhang等[11]采用AI软件和手工勾画对左室心肌的纵向应变进行了比较研究。发现AI自动测量的心肌全局纵向应变与手动应变变化最小（绝对值为1.4%～1.6%）。
3.3 心脏瓣膜评估。
有学者[12]采用AI软件对二尖瓣几何形状进行测量，测量参数包括二尖瓣环面积、瓣环高度和宽度、瓣叶连合间距、前后叶长度等。发现相对于常规超声心动图，所有评估的成像参数均获得了更好的观察者间一致性，而且所花费的时间明显较少。Prihadi等[13]研究证实，经食管超声心动图AI软件能够精确地对主动脉瓣结构以及冠状动脉开口进行测量和定位，且与多层螺旋CT的测量结果具有良好的相关性。
4 展望
在海量医学信息和影像数字化日益积累的现代医学时代，AI和ML为疾病诊断和风险预测等问题提供了新的解决方案。通过AI对超声心动图数据进行预测、建模和精确分析，可以帮助超声医师快速、准确地处理大量心脏超声影像学数据，既有利于应对当前医疗信息数量的急剧增长，又有利于提高处理数据信息的能力。未来，针对AI的研究应关注超声图像数据特征定义及其提取方法的标准化，以确保可推广性和可再现性，促进AI向更加个性化的医疗模式转变。此外，AI系统与远程医疗等软件的集成，将使智能心脏超声诊断系统渗透到资源消耗负担最繁重的地区，提高经济效益。
参考文献
[1]Oikonomou EK,Siddique M,Antoniades C.Artificial intelligence in medical imaging:A radiomic guide to precision phenotyping of cardiovascular disease[J].Cardiovasc Res,2020,Feb 24;cvaa021.
[2]Dey D,Slomka PJ,Leeson P,et al.Artificial Intelligence in Cardiovascular Imaging:JACC State-of-the-Art Review[J].J Am Coll Cardiol,2019,73(11):1317-1335.
[3]Tran BX,Latkin CA,Vu GT,et al.The Current Research Landscape of the Application of Artificial Intelligence in Managing Cerebrovascular and Heart Diseases:A Bibliometric and Content Analysis[J].Int J Environ Res Public Health,2019,16(15):2699.
[4]Gandhi S,Mosleh W,Shen J,et al.Automation,machine learning,and artificial intelligence in echocardiography:A brave new world[J].Echocardiography,2018,35(9):1402-1418.
[5]Alsharqi M,Woodward WJ,Mumith JA,et al.Artificial intelligence and echocardiography[J].Echo Res Pract,2018,5(4):R115-R125.
[6]Xu B,KocyigitD,Grimm R,et al.Applications of artificial intelligence in multimodality cardiovascular imaging:A state-of-theart review[J].Prog Cardiovasc Dis,2020,19;S0033-0620(20)30060-8.
[7]Kusunose K,Abe T,Haga A,et al.A Deep Learning Approach for Assessment of Regional Wall Motion Abnormality From Echocardiographic Images[J].JACC Cardiovasc Imaging,2020,13(2 Pt 1):374-381.
[8]Cikes M,Sanchez-Martinez S,Claggett B,et al.Machine learningbased phenogrouping in heart failure to identify responders to cardiac resynchronization therapy[J].Eur J Heart Fail,2019,21(1):74-85.
[9]Narula S,Shameer K,Salem Omar AM,et al.Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography[J].J Am Coll Cardiol,2016,68(21):2287-2295.
[10]Sengupta PP,Huang YM,Bansal M,et al.Cognitive machine-learning algorithm for cardiac imaging:a pilot study for differentiating constrictive pericarditis from restrictive cardiomyopathy[J].Circ Cardiovasc Imaging 2016,9(6):e004330.
[11]Zhang J,Gajjala S,Agrawal P,et al.Fully automated echocardiogram interpretation in clinical practice[J].Circulation,2018,138(16):1623-1635.
精准医学综述范文第5篇
【关键词】 脓毒性休克； 急性呼吸窘迫综合征； 血管外肺水指数； 胸腔内血容积指数； 液体管理
Extravascular Lung Water Index and Intrathoracic Blood Volume Index as Indicators of Sepsis Shock Patients with Acute Respiratory Distress Ayndrome/CHEN Jia-wei，CAI Yi-feng.//Medical Innovation of China，2017，14（02）：067-070
【Abstract】 Objective：To study the clinical application of extravascular lung water index（EVLWI） and intrathoracic blood volume index（ITBVI） as indicators of sepsis shock patients with acute respiratory distress ayndrome（ARDS）.Method：A total of 50 patients were divided into the control group and the observation group according to the random number table methods，25 cases in each group.The control group was given central venous pressure（CVP） for fluid management，while observation group was given PICCO hemodynamic for fluid management.The time and the rate in achieve EGDT target of two grouops were compared.APACHE Ⅱ，SOFA，noradrenaline dosage，serum lactic acid，respiratory parameters，serum creatinine，rate of mechanical ventilation，mechanical ventilation time，ICU stay time and 28-day mortality of two groups were compared 1 day and 3 days.Result：The ratio of achieving EGDT target in 6 hours of the observation group was significantly higher than that of the control group（P0.05）.APACHE Ⅱ，SOFA，noradrenaline dosage，serum lactic acid，respiratory parameters were significantly decreased 3 days after treatment in the observation group（P0.05）.Serum creatinine of the control group was significantly increased（P
【Key words】 Septic shock； Acute respiratory distress ayndrome； Extravascular lung water index； Intrathoracic blood volume index； Fluid management
First-author’s address：Chaozhou Central Hospital，Chaozhou 521000，China
doi：10.3969/j.issn.1674-4985.2017.02.017
脓毒性休克是一种组织血流分布异常引起的灌注不足的综合征，且25%以上患者合并急性呼吸窘迫综合征（acute respiratory ayndrome，ARDS）[1]。脓毒性休克患者常出现毛细血管渗漏，引起肺部渗出增加，进而导致肺泡组织出现炎症，损伤肺组织，病情进一步恶化，并引起肺顺应性降低和严重的低氧血症等临床综合征[2-3]。脓毒性休克合并ARDS是目前ICU主要死亡原因，严重威胁重症患者的生命并影响其生存质量，是重症医学科急需解决的难题[4-5]。快速液体复苏是临床治疗脓毒性休克合并ARDS有效手段之一，但对液体输注量要求较严格，输注量少，效果不佳，输注过多会进一步加重肺水肿程度[6]。因此如何精准有效地对患者实施液体管理，以改善患者预后，是一个十分棘手的问题[7]。本研究以本院收治50例脓毒性休克合并ARDS患者为研究对象，分析EVLWI和ITBVI在脓毒性休克合并ARDS患者液体管理中的临床应用，现报道如下。
1 资料与方法
1.1 一般资料 选取2013年6月-2016年6月入住潮州市中心医院重症医学科的50例脓毒性休克合并ARDS患者为研究对象，采用随机数字表法将所有患者均分为两组，即对照组和观察组，每组25例。对照组中，男15例，女10例；年龄33～77岁，平均（58.4±10.7）岁；APACHE Ⅱ
评分：18～29分，平均（23.4±4.6）分；SOFA评分：5～13分，平均（9.5±3.4）分；糖尿病
7例，冠心病6例，高血压13例，COPD 8例。观察组中，男14例，女11例；年龄32～78岁，平均（59.2±11.3）岁；APACHE Ⅱ评分：19～30分，平均（24.5±4.8）分；SOFA评分：5～14分，平均（9.7±3.6）分；糖尿病8例，冠心病7例，高血压11例，COPD 9例。两组患者的性别、年龄、APACHE II评分、SOFA评及基础疾病等一般资料比较，差异均无统计学意义（P>0.05），具有可比性。所选患者均自愿作为受试对象，并签署知情同意书，方案获得潮州市中心医院伦理学委员会批准并全过程跟踪。
1.2 纳入与排除标准 （1）纳入标准：①符合脓毒性休克的诊断标准[8]；②符合ARDS的诊断标准[9]。（2）排除标准：①患者年龄小于18周岁；②既往严重心功能不全、急性心肌梗死、心脏瓣膜病、心律失常、心源性休克、大面积肺不张和肺栓塞患者；③不能行股动脉置管者。
1.3 方法 所有患者入院后均给予常规生命体征监测，定时监测CVP、尿量、血糖、血气分析、血乳酸，必要的呼吸支持，强有力抗感染治疗，积极液体复苏，应用血管活性药物、严格控制血糖水平等处理。对照组：给予常规液体管理，即根据患者中心静脉压（CVP）、血压、血氧饱和度等调整补液类型和速度。观察组：采用脉搏指示连续心排血量监测技术，以患者EVLWI和ITBVI为指标指导调整补液类型和速度。
1.4 观察指标 （1）早期评价指标：早期目标导向性治疗（EGDT）6 h和24 h达标率；（2）中期评价指标：治疗1 d和3 d后APACHE Ⅱ评分、SOFA评分、去甲肾上腺素用量、最高血清乳酸、呼吸参数（呼气末正压水平、呼吸频率、顺应性、氧合指数）、血肌酐；（3）最终疗效评价指标：机械通气率、机械通气时间、住ICU时间及28 d病死率。
1.5 统计学处理 使用SPSS 11.0统计软件对所得数据进行统计分析，计量资料用（x±s）表示，比较采用t检验；计数资料以率（%）表示，比较采用 字2检验，以P
2 结果
2.1 两组EGDT达标率比较 观察组6 h达标率显著高于对照组（P0.05），见表1。
2.2 两组中期评价指标比较 观察组在3 d时APACHE Ⅱ评分、SOFA评分、去甲肾上腺素用量、血清乳酸和呼吸参数（呼气末正压水平、呼吸频率、顺应性和氧合指数）显著改善（P0.05）。观察组患者血肌酐1 d和3 d比较，差异均无统计学意义（P>0.05），而对照组患者血肌酐增加显著（P
2.3 两组疗效评价指标比较 观察组机械通气率、机械通气时间、住ICU时间及28 d病死率均显著低于对照组（P
3 讨论
脓毒性休克发病机制较为复杂，如受体与信号转导学说、神经内分泌与免疫失调学说、肠道细菌移位学说、炎症平衡失调与免疫瀑布学说及基因多态性学说等，但至今尚无统一认识[10-11]。其基本病理变化为由病原微生物及其代谢产物在机体内引起全身炎症反应，并导致微循环障碍及细胞与脏器代谢和功能损害。ARDS的基本病理变化为肺毛细血管内皮和肺泡上皮通透性增加，造成弥漫性肺间质及肺泡水肿，导致急性、进行性低氧性呼吸功能不全或衰竭[12]。脓毒性休克治疗分为两个重要的阶段：（1）黄金6 h复苏集束化治疗抢救阶段；（2）白银24 h管理集束化治疗稳定生命体征阶段，维护脏器功能阶段，改善细胞缺氧代谢阶段[13]。早期目标导向治疗（early goal-directed therapy，EGDT）对脓毒性休克合并ARDS患者的治作用已取得普遍认可，但静脉输液过度又会引起患者体内液体失衡，进一步加重肺间质及肺泡水肿，影响气体交换，导致病情恶化，延长呼吸机的使用时间，更不利于疾病的控制[14]。因此，如何精准地为患者提供足量的液体补充，同时防止进一步加重肺水肿是临床上亟需解决的问题[15]。
中心静脉压（CVP）是临床上确定补液速度和补液量的重要依据之一，长期以来作为脓毒性休克患者的血流动力学评价和管理的重要指标，但CVP同时又受多种因素的影响，因此以其为依据评估心脏前负荷水平显得不够精确，尤其是患者存在心脏功能障碍[16]。PICCO监测技术是一种微创血流动力学监测技术，可通过对EVLWI、ITBVI等指标的精确测定，实时监测患者血容量和血流动力学参数变化，具有操作简单、微创及高效比等显著优点[17-18]。EVLWI主要包括肺泡内液、细胞内液和间质内液，该液体是经由血管滤出进入组织间隙，其量是由肺间质静水压、肺毛细血管静水压、非毛细血管内胶体渗透压和肺间质胶体渗透压所共同决定。临床上常以EVLWI数值表示肺水肿症状，即大于正常值表示液体量过多或出现肺水肿[19-20]。ITBVI可以直接以胸腔内血容量反应心脏的容量负荷，不受心肌顺应性及胸腔内压力等参数影响，以该指标反应心脏容量负荷更为准确真实。本研究以脓毒性休克合并ARDS患者为研究对象，比较以EVLWI和ITBVI为指标指导液体管理的临床应用与以CVP作为液体管理指标指导液体管理的临床差异。
本研究结果表明，观察组患者6 h的EGDT达标率显著高于对照组患者（P0.05）。观察组患者3 d时APACHE Ⅱ评分、SOFA 评分、去甲肾上腺素用量、最高血清乳酸和呼吸参数（呼气末正压水平、呼吸频率、顺应性、氧合指数）显著改善（P0.05）。观察组患者血肌酐在3 d和1 d时比较，无显著增加（P>0.05），而对照组患者血肌酐增加显著（P
综上所述，血管外肺水指数（EVLWI）和胸腔内血容积指数（ITBVI）在评价和指导脓毒性休克合并急性呼吸窘迫综合征（ARDS）患者的液体管理中的应用效果显著，可降低患者通气时间、住ICU时间及28 d病死率，具有临床应用价值。
参考文献
[1]吴明，冯永文，曾晶晶，等.肺开放对外科严重脓毒症引起的ARDS血管外肺水指数的影响[J].广东医学，2010，31（22）：2924-2926.
[2]陈齐红，郑瑞强，林华，等.不同液体管理策略对感染性休克患者病死率的影响[J].中国危重病急救医学，2011，23（3）：142-145.
[3]雷涌，江利黎，陈萍.ICU感染性休克病死危险因素及相应的临床治疗措施分析[J].中国医学创新，2013，10（33）：41-43.
[4]白春学，董春玲，蒋进军.急性呼吸窘迫综合征的诊断现状和改进[J].内科理论与实践，2010，5（6）：455-459.
[5]韦妍飞，曹莉.PICCO容量指标在感染性休克液体复苏中的临床应用[J].医学综述，2015，21（7）：1223-1225.
[6]蒋丰智，覃铁和.高龄脓毒性休克患者PICCO测定结果分析[J].中国急救医学，2012，32（10）：940-943.
[7]孙晓义，王心杰，张芝晶.不同液体管理策略对急性呼吸窘迫综合征患者血管外肺水指数的影响[J].中国急救医学，2011，31（9）：781-785.
[8]中华医学会重症医学分会.中国严重脓毒症/脓毒性休克治疗指南（2014）[J].全科医学临床与教育，2015，13（4）：365-367.
[9] Force A D T，Ranieri V M，Rubenfeld G D，et al.Acute respiratory distress syndrome：the Berlin Definition[J].JAMA，2012，307（23）：2526-2533.
[10]郭俊，王夜明.去甲肾上腺素、多巴胺对感染性休克患者胃黏膜pH值的影响[J].中国医学创新，2015，12（29）：80-83.
[11]李宙，覃铁和，王首红，等.PiCCO在ARDS合并感染性休克的老年患者早期目标导向治疗中的应用[J].实用医学杂志，2012，28（14）：2373-2775.
[12]王建忠.急性呼吸窘迫综合征患者不同营养支持方式临床效果分析[J].海南医学院学报，2012，18（6）：799-801.
[13]胡世华，蒋文新，杨艳霞，等.限制性液体管理对急性呼吸窘迫综合征患者的肺保护作用[J].广东医学，2014，35（18）：2881-2884.
[14]黄志刚，顾东明，王勇，等.液体负平衡对感染性体克合并急性肺损伤患者早期复苏及预后的影响[J].现代生物医学进展，2016，16（4）：720-722，726.
[15]勇，贾文钗，王征，等.血管外肺水指数和胸腔内血容积指数在严重肺部感染合并感染性休克患者液体管理中的意义[J].中国呼吸与危重监护杂志，2013，12（4）：344-348.
[16]张靓靓，王永杰，宋海涛，等.血管外肺水指数和胸腔内血容积指数在感染性休克合并ARDS患者液体管理中的指导意义[J].中国老年学杂志，2014，11（34）：6305-6307..
[17]林燕金，陈甘海，李金庭，等.PICCO技术在老年重型颅脑损伤患者液体管理中的应用研究[J].中国医学创新，2014，11（15）：52-54.
[18]王智钧，韩全国，刘永宏，等.ITBVI、EVLWI在老年重部外伤手术中液体复苏的应用研究[J].中国医学创新，2015，12（19）：33-35.
[19]叶宁，骆雪萍，钟荣，等.严重脓毒症患者循环功能指标与血管外肺水指数的相关性探讨[J].山东医药，2013，53（4）：51-53.
