切换至 "中华医学电子期刊资源库"
高级检索
中华临床实验室管理电子杂志

中华临床实验室管理电子杂志 ›› 2025, Vol. 13 ›› Issue (01) : 17 -26. doi: 10.3877/cma.j.issn.2095-5820.2025.01.003

自动化与信息化

基于机器学习法构建子痫前期患者不良妊娠结局的临床预测模型
闫玉1,2, 张建新1,2, 李宏伟1,2, 卫元2, 丁燕子1,2, 付梦宇1,2, 张雪薇1,2, 阚玫麟2, 袁恩武1,2,†()   
  1. 1. 450052 河南郑州，郑州大学第三附属医院检验科
    2. 450052 河南郑州，郑州大学第三临床医学院
  • 收稿日期:2024-10-08 出版日期:2025-02-28
  • 通信作者: 袁恩武
  • 基金资助:
    河南省医学科技攻关计划省部共建重点项目（SBGJ202302081）

Construction of a clinical prediction model for adverse pregnancy outcomes in patients with preeclampsia based on machine learning methods

Yu Yan1,2, Jianxin Zhang1,2, Hongwei Li1,2, Yuan Wei2, Yanzi Ding1,2, Mengyu Fu1,2, Xuewei Zhang1,2, Meilin Kan2, Enwu Yuan1,2,†()   

  1. 1. Department of Laboratory Medicine， the Third Affiliated Hospital of Zhengzhou University， Zhengzhou Henan 450052， China
    2. The Third Clinical Medical College of Zhengzhou University， Zhengzhou Henan 450052， China
  • Received:2024-10-08 Published:2025-02-28
  • Corresponding author: Enwu Yuan
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

闫玉, 张建新, 李宏伟, 卫元, 丁燕子, 付梦宇, 张雪薇, 阚玫麟, 袁恩武. 基于机器学习法构建子痫前期患者不良妊娠结局的临床预测模型[J/OL]. 中华临床实验室管理电子杂志, 2025, 13(01): 17-26.

Yu Yan, Jianxin Zhang, Hongwei Li, Yuan Wei, Yanzi Ding, Mengyu Fu, Xuewei Zhang, Meilin Kan, Enwu Yuan. Construction of a clinical prediction model for adverse pregnancy outcomes in patients with preeclampsia based on machine learning methods[J/OL]. Chinese Journal of Clinical Laboratory Management(Electronic Edition), 2025, 13(01): 17-26.

目的

分析子痫前期患者发生不良妊娠结局的危险因素，构建并验证预测模型。

方法

本研究采用回顾性分析，纳入2021年1月至2024年3月在郑州大学第三附属医院确诊为子痫前期并分娩的患者资料。根据是否发生不良妊娠结局，将患者分为不良组和非不良组。经筛选后，使用单因素和多因素logistic回归分析患者临床数据；通过R语言4.2.1对筛选出的独立危险因素绘制列线图，建立预测模型，并计算受试者工作特征曲线。通过曲线下面积（AUC）和Hosmer-Lemeshow（H-L）检验评估模型的区分度、校准度及临床效用，并采用Bootstrap自抽样法和十折交叉验证对预测模型进行内部验证。

结果

本研究共纳入472例子痫前期患者进行建模，其中不良组患者428例，非不良组患者44例。多因素logistic回归分析显示，子痫前期患者发生不良妊娠结局的独立危险因素（P＜0.05）包括发病孕周≤34周、孕期最高舒张压≥110 mmHg、脐血流异常、尿液分析尿蛋白阳性、尿酸＞369 μmol/L、乳酸脱氢酶＞246 U/L。基于这些独立危险因素构建的临床预测模型，AUC值为0.942（95% CI：0.909～0.975），最佳截断值为0.836，对应特异性为84.1%，敏感性为92.1%。H-L拟合优度检验结果显示χ2=4.969，P=0.761，表明模型校准良好。决策曲线分析显示模型在临床决策中可获得较高净获益。模型验证显示该模型具备良好的泛化能力和实际应用价值。

结论

本研究基于临床数据筛选出6个独立危险因素，用于构建子痫前期患者不良妊娠结局预测模型，模型预测性能表现较优（AUC=0.942），校准度P=0.761，表明预测模型临床应用潜力较大。

关键词: 子痫前期, 临床资料, 妊娠结局, 风险评估, 危险因素, 预测模型

Objective

To analyze the risk factors for adverse pregnancy outcomes in patients with preeclampsia （PE） and to develop and validate a predictive model.

Methods

This retrospective study included data from patients diagnosed with preeclampsia （PE） who delivered at the Third Affiliated Hospital of Zhengzhou University-Henan Provincial Maternal and Child Health Hospital from January 2021 to March 2024. Patients were categorized into adverse and non-adverse outcome groups based on the occurrence of adverse pregnancy outcomes. After screening， univariate and multivariate logistic regression analyses were used to evaluate clinical data. Independent risk factors identified were then utilized to develop a nomogram and construct a predictive model via R software 4.2.1. The receiver operating characteristic curve was calculated， and the model's discrimination， calibration， and clinical utility were assessed through the area under the curve （AUC） and Hosmer-Lemeshow （H-L） test. Internal validation of the predictive model was performed using the bootstrap resampling method and ten-fold cross-validation.

Results

A total of 472 PE patients were included in this study to construct the model， comprising 428 patients with adverse pregnancy outcomes and 44 without. Multivariate logistic regression analysis identified independent risk factors for adverse pregnancy outcomes in PE patients （P＜0.05）， including gestational age at onset ≤34 weeks， peak diastolic blood pressure during pregnancy ≥110 mmHg， abnormal umbilical artery blood flow， positive urine protein analysis， serum uric acid ＞369 μmol/L， and lactate dehydrogenase ＞246 U/L. Based on these independent risk factors， a clinical predictive model was constructed， yielding an AUC of 0.942 （95% CI：0.909～0.975）. The optimal cutoff value was 0.836， with a specificity of 84.1% and sensitivity of 92.1%. The H-L goodness-of-fit test indicated good calibration of the model （χ2=4.969， P=0.761）. Decision curve analysis shows that the model can achieve higher net benefits in clinical decision-making. The model validation shows that the model has good generalization ability and practical application value.

Conclusion

Based on clinical data， this study identified 6 independent risk factors to construct a predictive model for adverse pregnancy outcomes in preeclampsia patients. The model demonstrated strong predictive performance， with an AUC of 0.942 and good calibration （P=0.761）， indicating substantial potential for clinical application.

Key words: preeclampsia, clinical data, pregnancy outcomes, risk assessment, risk factors, predictive model
表1 两组患者临床资料比较
分组 例数 既往妊娠高血压症史 既往慢性高血压史 子痫前期病史 脐血流异常 FGR
无 有 无 有 无 有 否 是 否 是
非不良组 44 44（100.00） 0（0.00） 42（95.45） 2（4.55） 43（97.73） 1（2.27） 40（90.91） 4（9.09） 44（100.00） 0（0.00）
不良组 428 401（93.69） 27（6.31） 392（91.59） 36（8.41） 399（93.22） 29（6.78） 262（61.21） 166（38.79） 288（67.29） 140（32.71）
χ 2值 1.89 0.37 0.71 15.27 20.46
P值 0.169 0.544 0.400 ＜0.001 ＜0.001
分组 例数 尿液分析 PRO 阳性 高龄（≥ 35 岁） 分娩孕周≤ 34 周 发病孕周≤ 34 周
否 是 否 是 否 是 否 是
非不良组 44 15（34.09） 29（65.91） 38（86.36） 6（13.64） 44（100.00） 0（0.00） 33（75.00） 11（25.00）
不良组 428 46（10.75） 382（89.25） 288（67.29） 140（32.71） 146（34.11） 282（65.89） 60（14.02） 368（85.98）
χ 2值 19.32 6.79 72.02 93.78
P值 ＜0.001 0.009 ＜0.001 ＜0.001
分组 例数 孕期最高收缩压≥ 160 mmHg 孕期最高舒张压≥ 110 mmHg 孕期最高平均动脉压≥120 mmHg 孕次≤ 1 次
否 是 否 是 否 是 否 是
非不良组 44 35（79.55） 9（20.45） 43（97.73） 1（2.27） 38（86.36） 6（13.64） 26（59.09） 18（40.91）
不良组 428 203（47.43） 225（52.57） 294（68.69） 134（31.31） 203（47.43） 225（52.57） 304（71.03） 124（28.97）
χ 2值 16.46 16.47 24.20 2.70
P值 ＜0.001 ＜0.001 ＜0.001 0.1
分组 例数 产次 = 0 次 临床症状数量≥ 1 个 PRO 定性（+） PRO 定性（++） PRO 定性（+++～++++）
否 是 否 是 否 是 否 是 否 是
非不良组 44 12（27.27） 32（72.73） 15（34.09） 29（65.91） 36（81.82） 8（18.18） 36（81.82） 8（18.18） 32（72.73） 12（27.27）
不良组 428 225（52.57） 203（47.43） 114（26.64） 314（73.36） 352（82.24） 76（17.76） 331（77.34） 97（22.66） 219（51.17） 209（48.83）
χ 2值 10.21 1.12 0 0.46 7.45
P值 0.001 0.291 0.944 0.496 0.006
分组 例数 PLT ≤ 100× 109/L ALT ≥ 40 U/L AST ≥ 35 U/L ALB ≤ 30 g/L
否 是 否 是 否 是 否 是
非不良组 44 44（100.00） 0（0.00） 44（100.00） 0（0.00） 44（100.00） 0（0.00） 34（77.27） 10（22.73）
不良组 428 400（93.46） 28（6.54） 354（82.71） 74（17.29） 312（72.90） 116（27.10） 184（42.99） 244（57.01）
χ 2值 2.00 9.02 15.81 18.87
P值 0.157 0.003 ＜0.001 ＜0.001
分组 例数 Cr ≥ 73 μmol/L UA＞369 μmol/L LDH＞246 U/L FIB＞4 g/L
否 是 否 是 否 是 否 是
非不良组 44 44（100.00） 0（0.00） 29（65.91） 15（34.09） 43（97.73） 1（2.27） 20（45.45） 24（54.55）
不良组 428 349（81.54） 79（18.46） 130（30.37） 298（69.63） 258（60.28） 170（39.72） 227（53.04） 201（46.96）
χ 2值 9.75 22.55 24.22 0.92
P值 0.002 ＜0.001 ＜0.001 0.338
表2 分类变量的单因素分析结果
项目 β 值 SE 值 Z 值 P 值 OR（95%CI）
既往有妊娠高血压症史 15.36 761.37 0.02 0.984 4 668 258.71（0.00～Inf）
既往有慢性高血压史 0.66 0.74 0.88 0.378 1.93（0.45～8.30）
有子痫前期病史 1.14 1.03 1.11 0.268 3.13（0.42～23.48）
脐血流异常 1.85 0.53 3.46 ＜0.001 6.34（2.23～18.03）
FGR 17.69 908.88 0.02 0.984 48 028 140.85（0.00～Inf）
尿液分析PRO 阳性 1.46 0.35 4.11 ＜0.001 4.30（2.15～8.60）
高龄（≥ 35 岁） 1.12 0.45 2.49 0.013 3.08（1.27～7.45）
分娩孕周≤ 34 周 19.37 1055.83 0.02 0.985 257 531 229.79（0.00～Inf）
发病孕周≤ 34 周 2.91 0.37 7.77 ＜0.001 18.40（8.82～38.37）
孕期最高收缩压≥ 160 mmHg 1.46 0.39 3.78 ＜0.001 4.31（2.02～9.19）
孕期最高舒张压≥ 110 mmHg 2.98 1.02 2.93 0.003 19.60（2.67～143.80）
孕期最高平均动脉压≥ 120 mmHg 1.95 0.45 4.33 ＜0.001 7.02（2.91～16.95）
孕次≤ 1 次 -0.53 0.32 -1.63 0.103 0.59（0.31～1.11）
产次= 0 次 -1.08 0.35 -3.08 0.002 0.34（0.17～0.67）
临床症状数量≥ 1 个 0.35 0.34 1.05 0.293 1.42（0.74～2.75）
PRO 定性（+） -0.03 0.41 -0.07 0.944 0.97（0.43～2.17）
PRO 定性（++） 0.28 0.41 0.68 0.497 1.32（0.59～2.93）
PRO 定性（+++～++++） 0.93 0.35 2.65 0.008 2.54（1.28～5.07）
PLT ≤ 100×109/L 15.36 747.65 0.02 0.984 4 679 929.36（0.00～Inf）
ALT ≥ 40 U/L 16.48 758.24 0.02 0.983 14 374 426.28（0.00～Inf）
AST ≥ 35 U/L 17.61 998.49 0.02 0.986 44 333 668.55（0.00～Inf）
ALB ≤ 30 g/L 1.51 0.37 4.04 ＜0.001 4.51（2.17～9.36）
Cr ≥ 73 μmol/L 16.50 733.85 0.02 0.982 14 580 363.55（0.00～Inf）
UA＞369 μmol/L 1.49 0.33 4.44 ＜0.001 4.40（2.30～8.54）
LDH＞246 U/L 3.34 1.02 3.29 ＜0.001 28.33（3.87～207.57）
FIB＞4 g/L -0.30 0.32 0.96 0.339 0.74（0.40～1.38）
表3 分类变量的多因素分析结果
影响因素 β 值 SE 值 Z 值 P 值 OR（95%CI）
截距 1.88 0.53 3.55 ＜0.001 0.15（0.05～0.43）
脐血流异常 1.44 0.62 2.31 0.021 4.21（1.24～14.25）
尿液分析PRO 阳性 1.04 0.50 2.07 0.038 2.82（1.06～7.53）
发病孕周≤ 34 周 2.83 0.44 6.36 ＜0.001 16.94（7.09～40.52）
孕期最高舒张压≥ 110 mmHg 3.09 1.07 2.90 0.004 22.04（2.72～178.69）
UA＞369 μmol/L 1.11 0.44 2.52 0.012 3.03（1.28～7.17）
LDH＞246 U/L 3.41 1.07 3.20 0.001 30.38（3.75～245.79）
图1 子痫前期不良妊娠结局风险模型 注：输入患者的临床参数（如怀孕周数、最高舒张压、脐血流异常等）计算得分，通过总得分估算发生不良妊娠结局的风险。
图2 预测模型ROC曲线
图3 预测模型校准图 注：预测曲线接近理想曲线，表明模型具有较好的校准能力和稳定性，能够在不同的数据样本下保持较高的预测准确性。
图4 预测模型DCA曲线 注：红色虚线与蓝色虚线表示CI。
图5 Bootstrap方法自抽样1000次后ROC曲线
图6 Bootstrap方法自抽样1000次后C统计量的频数分布图
图7 Bootstrap方法抽样1000次后模型内部验证的校准曲线
图8 十折交叉验证ROC曲线
图9 去除UA和LDH变量后的模型ROC曲线
1
CHANG K J， SEOW K M， CHEN K H. Preeclampsia： Recent advances in predicting， preventing， and managing the maternal and fetal life-threatening condition［J］. International journal of environmental research and public health， 2023， 20（4）： 2994.
2
李芳芳， 李秋红， 张小学. 子痫前期孕妇胎儿生长受限发生情况及影响因素分析［J］. 华南预防医学， 2024， 50（7）： 656-658， 662.
3
DIMITRIADIS E， ROLNIK D L， ZHOU W， et al. Pre-eclampsia［J］.Nature reviews. Disease primers， 2023， 9（1）： 35.
4
IVES C W， SINKEY R， RAJAPREYAR I， et al. Preeclampsiapathophysiology and clinical presentations： JACC State-of-the-art review［J］. Journal of the American college of cardiology， 2020， 76（14）：1690-1702.
5
CHIANG Y T， SEOW K M， CHEN K H. The Pathophysiological，genetic， and hormonal changes in preeclampsia： A systematic review of the molecular mechanisms［J］. International journal of molecular sciences， 2024， 25（8）： 4532.
6
余晓红， 周飞飞， 陈海迎， 等. 子痫前期合并胎儿生长受限的妊娠结局及危险因素分析［J］. 江苏医药， 2024， 50（1）： 26-28， 33.
7
张婷， 陈震宇， 刘森， 等. 子痫前期不良妊娠结局预测模型的构建与验证［J］. 国际妇产科学杂志， 2024， 51（1）： 21-27.
8
BROWN M A， MAGEE L A， KENNY L C， et al. Hypertensive disorders of pregnancy： ISSHP classification， diagnosis， and management recommendations for international practice［J］.Hypertension， 2018， 72（1）： 24-43.
9
于波， 陶红， 瓮占平. 血清S100B蛋白联合子宫动脉阻力指数、子宫动脉搏动指数预测子痫前期的价值［J］. 内蒙古医学杂志， 2024，56（3）： 291-295， 302.
10
PHIPPS E A， THADHANI R， BENZING T， et al. Pre-eclampsia：pathogenesis， novel diagnostics and therapies［J］. Nature reviews nephrology， 2019， 15（5）： 275-289.
11
余俊峰， 李洪英， 万国菊， 等. 子痫前期患者不良妊娠结局的影响因素分析及孕中期血清微量元素的预测价值［J］. 国际检验医学杂志，2024， 45（6）： 667-670， 675.
12
贝丽君， 章一娜， 阮志强. 重度PE发生危险因素及其不良妊娠结局分析［J］. 中国计划生育学杂志， 2024， 32（3）： 631-635.
13
孙苗苗， 李霞， 张晓童. 子痫前期发生相关危险因素分析［J］. 中国医药科学， 2024， 14（12）： 70-72， 85.
14
张翠焕， 满冬梅. 基于孕中期临床资料构建子痫前期疾病预测模型的研究［J］. 中国卫生标准管理， 2024， 15（3）： 28-33.
15
夏修， 黄睿， 邓春燕， 等. 基于随机森林算法的云南女性产后抑郁风险预测模型构建 ［J］. 现代预防医学， 2024， 51（16）： 2929-2934.
16
XUE Y， YANG N， GU X， et al. Risk prediction model of early-onset preeclampsia based on risk factors and routine laboratory indicators［J］.Life， 2023， 13（8）： 1648.
17
JHEE J H， LEE S， PARK Y， et al. Prediction model development of late-onset preeclampsia using machine learning-based methods［J］.PLoS One， 2019， 14（8）： e0221202.
18
韩玉， 施海龙， 曲波， 等. 随机森林方法在医学中的应用［J］. 中国预防医学杂志， 2014， 15（1）： 79-81.
19
CELLINI P， PIGONI A， DELVECCHIO G， et al. Machine learning in the prediction of postpartum depression： A review［J］. Journal of affective disorders， 2022， 309： 350-357.
20
FELDMANN C， BAJORATH J. Calculation of exact Shapley values for support vector machines with Tanimoto kernel enables model interpretation［J］. iScience， 2022， 25（9）： 105023.
21
RANJBAR A， MONTAZERI F， GHAMSARI S R， et al. Machine learning models for predicting preeclampsia： A systematic review［J］.BMC pregnancy childbirth， 2024， 24（1）： 6.
22
中华医学会妇产科学分会妊娠期高血压疾病学组. 妊娠期高血压疾病诊治指南（2020）［J］. 中华妇产科杂志， 2020， 55（4）： 227-238.
23
ESPINOZA J， VIDAEFF A， PETTKER C， et al. Gestational hypertension and preeclampsia： ACOG practice bulletin summary，number 222［J］. Obstetrics and gynecology， 2020， 135（6）： 1492-1495.
24
刘玮， 徐亮， 张炜， 等. 双胎妊娠子痫前期的高危因素分析［J］. 中国计划生育和妇产科， 2018， 10（6）： 55-59.
25
白春弟. 早发型重度子痫前期患者不同终止妊娠时机、分娩方式对母婴结局的影响分析［J］. 实用妇科内分泌电子杂志， 2023， 10（2）：10-12.
26
OGOYAMA M， TAKAHASHI H， SUZUKI H， et al. Non-coding RNAs and prediction of preeclampsia in the first trimester of pregnancy［J］. Cells， 2022， 11（15）： 2428.
27
CHAPPELL L C， CLUVER C A， KINGDOM J， et al. Preeclampsia［J］. Lancet， 2021， 398（10297）： 341-354.
28
赵静， 徐琳. 早发型子痫前期患者外周血miR-191-5p水平对不良妊娠结局的预测价值分析［J］. 中国性科学， 2021， 30（7）： 40-44.
29
张燕萍， 周容. 子痫前期重症预测和防范［J］. 中国实用妇科与产科杂志， 2024， 40（8）： 775-779.
30
杨倩. CPR及血清学指标与子痫前期的相关性研究［D］. 湖北：湖北医药学院， 2023.
31
张晨， 陈韵洁. 血清乳酸脱氢酶、B型钠尿肽水平与子痫前期严重程度及不良妊娠结局的关系研究［J］. 现代医学与健康研究（电子版）， 2024， 8（19）： 114-116.
32
张苗， 郑运伟， 马增力， 等. γ-谷氨酰转移酶和尿酸对子痫前期的临床诊断价值分析［J］. 中国妇幼保健， 2024， 39（7）： 1165-1170.
33
HASSEN F S， MALIK T， DEJENIE T A. Evaluation of serum uric acid and liver function tests among pregnant women with and without preeclampsia at the University of Gondar Comprehensive Specialized Hospital， Northwest Ethiopia［J］. PLoS One， 2022， 17（8）： e0272165.
34
王霞， 王群华， 吴明珠， 等. 基于生化指标的重度子痫前期辅助诊断模型构建［J］. 实用妇产科杂志， 2023， 39（8）： 603-608.
35
DEEKSHA H S， PAJAI S， REDDY ELETI M， et al. A comprehensive review on serum lactate dehydrogenase （LDH） and uric acid in preeclampsia： Implications for maternal health and disease severity［J］.Cureus， 2024， 16（3）： e56928.
36
DENG C， SUN Y， ZHANG Z， et al. Development and evaluation of nomograms for predicting osteoarthritis progression based on MRI cartilage parameters： Data from the FNIH OA biomarkers consortium ［J］.BMC medical imaging， 2023， 23（1）： 43.
[1] 王昕玥, 袁亚, 束华, 曹琨芃, 叶新华, 李璐. 基于LightGBM 算法构建超声引导下凝血酶治疗假性动脉瘤剂量预测模型[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(02): 153-161.
[2] 皮颖, 张强, 黄志荣. 80 岁以上股骨颈骨折患者术后1 年死亡率的预测因素[J/OL]. 中华关节外科杂志(电子版), 2025, 19(01): 13-20.
[3] 徐霞, 胡佳民, 黄丽萍, 承龙, 张书流, 赵炜炜, 顾盼盼, 曹铖. 老年重症患者早期肠内营养喂养不耐受现况及风险预测列线图的构建与验证[J/OL]. 中华危重症医学杂志(电子版), 2025, 18(01): 11-17.
[4] 张洋, 刘志燕, 王先美, 孙燕, 曾钰. ICU 患者失禁相关性皮炎风险预测模型的系统评价[J/OL]. 中华危重症医学杂志(电子版), 2025, 18(01): 31-37.
[5] 袁强, 张华宇, 闫璋哲, 朱含放, 陈光, 孙亮, 吕远, 陈纲, 赵锁. cN0峡部偏侧甲状腺乳头状癌中央区淋巴结转移的术前预测模型[J/OL]. 中华普外科手术学杂志(电子版), 2025, 19(03): 333-336.
[6] 朱宗恒, 张志火. 甲状腺乳头状癌对侧中央区淋巴结转移的危险因素分析及预测模型构建[J/OL]. 中华普外科手术学杂志(电子版), 2025, 19(03): 337-340.
[7] 钱小梅, 罗洪, 李智慧, 周代君, 李东. 76例乙型肝炎肝硬化并发原发性肝癌的高危因素Logistic分析[J/OL]. 中华普外科手术学杂志(电子版), 2025, 19(03): 251-253.
[8] 吉林霞, 范小春, 梁琴. 胃癌常见术后并发症类型及危险因素研究进展[J/OL]. 中华普外科手术学杂志(电子版), 2025, 19(02): 220-223.
[9] 杨培容, 潘刚, 周春霞. 胰腺癌术后胰瘘的危险因素及治疗进展[J/OL]. 中华普外科手术学杂志(电子版), 2025, 19(02): 228-230.
[10] 奚玲, 仝瀚文, 缪骥, 毛永欢, 沈晓菲, 杜峻峰, 刘晔. 基于肌少症构建的造口旁疝危险因素预测模型[J/OL]. 中华普外科手术学杂志(电子版), 2025, 19(01): 48-51.
[11] 林宇腾, 延敏博, 许家榕, 黄子豪, 汤育新. 输尿管软镜手术术后住院时间的影响因素分析[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2025, 19(01): 41-46.
[12] 范高祥, 邓利文, 宋伟, 赵渝, 王学虎. 复发性腹股沟疝再次手术出血相关因素及临床处理策略[J/OL]. 中华疝和腹壁外科杂志(电子版), 2025, 19(02): 160-166.
[13] 宋然, 郑雅各. 仑伐替尼联合肝动脉插管化疗栓塞术治疗不可切除晚期肝癌的疗效及生存率影响因素分析[J/OL]. 中华消化病与影像杂志(电子版), 2025, 15(02): 120-124.
[14] 任船, 葛荣忠, 邱正才, 朱莉. 肠癌患者术后代谢性酸中毒的预测模型构建及应用价值评价[J/OL]. 中华消化病与影像杂志(电子版), 2025, 15(01): 34-39.
[15] 段红良, 赵红梅, 李涛, 辛建锋. 结直肠癌组织SPOCD1表达与临床病理特征及术后复发转移的关系[J/OL]. 中华消化病与影像杂志(电子版), 2025, 15(01): 40-45.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号