复治肺结核治疗结局的最优预测模型构建

doi:10.19982/j.issn.1000-6621.20260040

中国防痨杂志 ›› 2026, Vol. 48 ›› Issue (6): 830-839.doi: 10.19982/j.issn.1000-6621.20260040

复治肺结核治疗结局的最优预测模型构建

杜锡龙¹, 买吾拉江·依马木², 那颜¹, 帕孜力亚·牙生¹, 郭刚³, 麦维兰江·阿不力米提⁴, 张利萍⁵, 郑彦玲⁵()

¹ 新疆医科大学公共卫生学院, 乌鲁木齐 830017
² 新疆维吾尔自治区喀什地区疾病预防控制中心, 喀什 844000
³ 新疆维吾尔自治区乌鲁木齐市妇幼保健院, 乌鲁木齐 830037
⁴ 新疆维吾尔自治区喀什地区结核病防治所(喀什地区肺科医院), 喀什 844000
⁵ 新疆医科大学医学工程技术学院, 乌鲁木齐 830017

收稿日期:2026-01-22 出版日期:2026-06-10 发布日期:2026-05-25
通信作者: 郑彦玲 E-mail:zhengyl_math@sina.cn
基金资助:
新疆青年拔尖人才——青年科技创新人才项目(2024TSYCCX0080);新疆青年拔尖人才——青年科技创新人才项目(2024TSYCJC0061);大学生创新创业训练计划项目(S202510760111)

Construction of an optimal prediction model for treatment outcomes in retreatment pulmonary tuberculosis

Du Xilong¹, Maiwulajiang·Yimamu ², Na Yan¹, Paziliya·Yasheng ¹, Guo Gang³, Maiweilanjiang·Abulimiti ⁴, Zhang Liping⁵, Zheng Yanling⁵()

¹ School of Public Health, Xinjiang Medical University, Urumqi 830017, China
² Kashgar Prefecture Center for Disease Control and Prevention, Xinjiang Uygur Autonomous Region, Kashgar 844000, China
³ Urumqi Maternal and Child Health Hospital, Xinjiang Uygur Autonomous Region, Urumqi 830037, China
⁴ Kashgar Prefecture Tuberculosis Control Institute (Kashgar Prefecture Pulmonary Hospital), Xinjiang Uygur Autonomous Region, Kashgar 844000, China
⁵ School of Medical Engineering and Technology, Xinjiang Medical University, Urumqi 830017, China

Received:2026-01-22 Online:2026-06-10 Published:2026-05-25
Contact: Zheng Yanling E-mail:zhengyl_math@sina.cn
Supported by:
Outstanding Young Talents in Xinjiang-Youth Science and Technology Innovation Talent Project(2024TSYCCX0080);Outstanding Young Talents in Xinjiang-Youth Science and Technology Innovation Talent Project(2024TSYCJC0061);College Students’ Innovation and Entrepreneurship Training Program Project(S202510760111)

摘要/Abstract

摘要：

目的: 基于复治肺结核患者的临床数据,系统比较9种机器学习模型在治疗结局分类中的性能,以构建最优预测模型,并为优化复治肺结核患者管理提供预测工具。方法: 纳入2022年1月1日至12月31日新疆喀什地区登记管理的1396例复治肺结核患者,按7∶3比例随机划分为训练集(978例)与测试集(418例)。采用随机森林与Cramér’s V系数进行特征筛选,构建逻辑回归、支持向量机、决策树、随机森林、XGBoost、LightGBM、梯度提升树、多层感知机及CatBoost共9种机器学习模型,通过准确率、精确率、召回率、F1分数、曲线下面积(area under the curve,AUC)及平均精度(average precision,AP)评估模型性能,选择最优模型并运用SHAP(SHapley Additive exPlanations)分析进行解释。结果: CatBoost模型在测试集上的综合性能最优:准确率为89.2%,精确率为88.5%,召回率为89.2%,F1分数为0.885,AUC为0.829,AP为0.941。SHAP分析显示,2月序痰检(MeanSHAP绝对值为0.595)、治疗方案(MeanSHAP绝对值为0.367)和治疗模式(MeanSHAP绝对值为0.290)是对复治肺结核治疗结局预测贡献度最高的3个特征。结论: CatBoost模型在复治肺结核患者发生不良治疗结局预测中表现稳健且优异,结合SHAP解释可有效识别关键预测因子,可为复治肺结核患者发生不良治疗结局风险评估提供有效的工具。

关键词: 结核, 肺, 再治疗, 治疗结果, 模型, 统计学, 预测

Abstract:

Objective: Based on the clinical data of patients with retreatment pulmonary tuberculosis, this study systematically compared the performance of nine machine learning models in treatment outcome classification to construct the optimal prediction model and provide a predictive tool for optimizing the management of retreatment pulmonary tuberculosis patients. Methods: A total of 1396 patients with retreatment pulmonary tuberculosis registered and managed by the Kashgar in Xinjiang Uyghur Autonomous Region from January 1 to December 31, 2022 were enrolled. They were randomly divided into a training set (978 cases) and a test set (418 cases) at a 7∶3 ratio. Feature selection was performed using Random Forest and Cramér’s V coefficient. Nine machine learning models were constructed, including Logistic Regression, Support Vector Machine, Decision Tree, Random Forest, XGBoost, LightGBM, Gradient Boosting Tree, Multilayer Perceptron, and CatBoost. Model performance was evaluated using accuracy, precision, recall, F1-score, area under the curve (AUC), and average precision (AP). The optimal model was selected and interpreted using SHapley Additive exPlanations (SHAP) analysis. Results: The CatBoost model exhibited the best overall performance on the test set, with an accuracy of 89.2%, precision of 88.5%, recall of 89.2%, F1-score of 0.885, AUC of 0.829, and AP of 0.941. SHAP analysis revealed that 2-month sputum smear examination (absolute MeanSHAP value=0.595), treatment regimen (absolute MeanSHAP value=0.367), and treatment mode (absolute MeanSHAP value=0.290) were the three features with the highest contribution to predicting treatment outcomes in retreatment pulmonary tuberculosis. Conclusion: The CatBoost model performed robustly and excellently in predicting adverse treatment outcomes in patients with retreatment pulmonary tuberculosis. Combined with SHAP interpretation, it can effectively identify key predictors and provide an effective tool for risk assessment of adverse treatment outcomes in retreatment pulmonary tuberculosis patients.

Key words: Tuberculosis, pulmonary, Retreatment, Treatment outcome, Models, statistical, Forecasting

中图分类号:

杜锡龙, 买吾拉江·依马木, 那颜, 帕孜力亚·牙生, 郭刚, 麦维兰江·阿不力米提, 张利萍, 郑彦玲. 复治肺结核治疗结局的最优预测模型构建[J]. 中国防痨杂志, 2026, 48(6): 830-839. doi: 10.19982/j.issn.1000-6621.20260040

Du Xilong, Maiwulajiang·Yimamu , Na Yan, Paziliya·Yasheng , Guo Gang, Maiweilanjiang·Abulimiti , Zhang Liping, Zheng Yanling. Construction of an optimal prediction model for treatment outcomes in retreatment pulmonary tuberculosis[J]. Chinese Journal of Antituberculosis, 2026, 48(6): 830-839. doi: 10.19982/j.issn.1000-6621.20260040

图/表 5

表1

复治肺结核患者治疗结局影响因素的单因素分析 [例(构成比,%)]

因素	治疗成功(1154例)	治疗失败(242例)	χ²值	P值
性别			2.318	0.128
男性	574(81.07)	134(18.93)
女性	580(84.30)	108(15.70)
年龄组(岁)			2.649	0.754
≤24	20(90.91)	2(9.09)
25~34	45(80.36)	11(19.64)
35~44	50(83.33)	10(16.67)
45~54	105(85.37)	18(14.63)
55~64	258(83.77)	50(16.23)
≥65	676(81.74)	151(18.26)
患者来源			26.880	<0.001
健康体检	668(87.21)	98(12.79)
主动筛查	8(8/9)	1(1/9)
直接就诊	32(82.05)	7(17.95)
转诊	286(77.72)	82(22.28)
追踪	160(74.77)	54(25.23)
诊断分型			-	0.078
继发性肺结核	1130(83.03)	231(16.97)
结核性胸膜炎	19(67.86)	9(32.14)
气管及支气管结核	3(3/4)	1(1/4)
血行播散性肺结核	2(2/3)	1(1/3)
诊断结果			7.079	0.029
病原学阳性	755(81.80)	168(18.20)
病原学阴性	380(85.39)	65(14.61)
结核性胸膜炎	19(67.86)	9(32.14)
合并症			34.110	<0.001
未知	683(84.84)	122(15.16)
无	359(84.87)	64(15.13)
有	112(66.67)	56(33.33)
糖尿病			34.462	<0.001
无	1083(84.48)	199(15.52)
有	71(62.28)	43(37.72)
其他合并症			1.325	0.250
无	1113(82.94)	229(17.06)
有	41(75.93)	13(24.07)
治疗方案			-	<0.001
2H-R-Z-E/10H-R-E	116(63.39)	67(36.61)
2H-R-Z-E/4H-R	977(86.54)	152(13.46)
2H-R-Z-E/7~10H-R-E	45(81.82)	10(18.18)
6~9R-Z-E-Lfx	4(4/5)	1(1/5)
其他治疗方案	12(50.00)	12(50.00)
治疗模式			13.366	0.001
门诊治疗	271(76.55)	83(23.45)
未知	604(85.55)	102(14.45)
住院治疗	279(83.04)	57(16.96)
实际服药管理方式			34.662	<0.001
未知	0(0/7)	7(7/7)
医务人员管理	915(83.64)	179(16.36)
智能工具	239(81.02)	56(18.98)
0月序痰检			37.584	<0.001
未查	3(23.08)	10(76.92)
阳性	204(78.46)	56(21.54)
阴性	947(84.33)	176(15.67)
2月序痰检			370.755	<0.001
未查	15(14.42)	89(85.58)
阳性	6(60.00)	4(40.00)
阴性	1133(88.38)	149(11.62)
痰培养			48.727	<0.001
未查	209(69.21)	93(30.79)
阳性	455(86.50)	71(13.50)
阴性	490(86.27)	78(13.73)
影像学			4.825	0.028
未查	772(81.09)	180(18.91)
异常	382(86.04)	62(13.96)
分子生物学检测			8.289	0.015
未查	6(66.67)	3(33.33)
阳性	640(80.50)	155(19.50)
阴性	508(85.81)	84(14.19)
病原学检测			1.143	0.285
阳性	757(81.84)	168(18.16)
阴性	397(84.29)	74(15.71)
药物敏感性试验			-	<0.001
利福平耐药	4(9.09)	40(90.91)
耐多药	0(0/9)	9(9/9)
未查	404(84.52)	74(15.48)
敏感	740(86.15)	119(13.85)
异烟肼耐药	6(6/6)	0(0/6)
菌种鉴定			1.933	0.380
结核分枝杆菌	743(81.65)	167(18.35)
未查	404(84.52)	74(15.48)
未检测到分枝杆菌	7(7/8)	1(1/8)
HIV检查			-	0.317
阳性	1(50.00)	1(50.00)
阴性	1153(82.71)	24(17.29)

表1

表2

表3

表4

表5

参考文献 24

[1]	上海市感染性疾病(结核病)临床医学研究中心/同济大学附属上海市肺科医院, 首都医科大学附属北京胸科医院/北京市结核病胸部肿瘤研究所, 中国防痨协会, 等. 复治肺结核病诊断和治疗专家共识. 中国防痨杂志, 2021, 43(12): 1226-1238. doi:10.3969/j.issn.1000-6621.2021.12.002.
[2]	Debit A, Poulet C, Josse C, et al. Assessing Random Forest self-reproducibility for optimal short biomarker signature discovery. Brief Bioinform, 2025, 26(4): bbaf318. doi:10.1093/bib/bbaf318.
[3]	Morgan RD, Youssi BW, Cacao R, et al. Random Forest Prognostication of Survival and 6-Month Outcome in Pediatric Patients Following Decompressive Craniectomy for Traumatic Brain Injury. World Neurosurg, 2025, 193: 861-867. doi:10.1016/j.wneu.2024.10.075.
[4]	Taye EA, Woubet EY, Hailie GY, et al. Random forest algorithm for predicting tobacco use and identifying determinants among pregnant women in 26 sub-Saharan African countries: a 2024 analysis. BMC Public Health, 2025, 25(1): 1506. doi:10.1186/s12889-025-22794-1.
[5]	Kuang X, Wang F, Hernandez KM, et al. Accurate and rapid prediction of tuberculosis drug resistance from genome sequence data using traditional machine learning algorithms and CNN. Sci Rep, 2022, 12(1): 2427. doi:10.1038/s41598-022-06449-4.
[6]	Sarker P, Choi K, Nahid AA, et al. CatBoost with physics-based metaheuristics for thyroid cancer recurrence prediction. BioData Min, 2025, 18(1): 84. doi:10.1186/s13040-025-00494-1.
[7]	Saeys Y, Inza I, Larrañaga P. A review of feature selection techniques in bioinformatics. Bioinformatics, 2007, 23(19): 2507-2517. doi:10.1093/bioinformatics/btm344.
[8]	Liang D, Wang L, Zhong P, et al. Perspective: Global Burden of Iodine Deficiency: Insights and Projections to 2050 Using XGBoost and SHAP. Adv Nutr, 2025, 16(3): 100384. doi:10.1016/j.advnut.2025.100384.
[9]	Han Y, Xie X, Qiu J, et al. Early prediction of sepsis associated encephalopathy in elderly ICU patients using machine learning models: a retrospective study based on the MIMIC-IV database. Front Cell Infect Microbiol, 2025, 15: 1545979. doi:10.3389/fcimb.2025.1545979.
[10]	Wu J, Tao G, Xie S, et al. Prediction of three-year all-cause mortality in patients with heart failure and atrial fibrillation using the CatBoost model. BMC Cardiovasc Disord, 2025, 25(1): 466. doi:10.1186/s12872-025-04928-w.
[11]	Huang C, Wei Y, Deng L, et al. Research on the prediction of slow blood flow in pPCI of STEMI patients based on CatBoost. Eur J Med Res, 2025, 30(1): 1152. doi:10.1186/s40001-025-03406-5.
[12]	Nakaya M, Kamishima M, Yamaoka T, et al. Real-world data on combination treatment with bedaquiline in patients with multidrug-resistant pulmonary tuberculosis in Japan: An interim analysis of post-marketing surveillance. J Infect Chemother, 2025, 31(4): 102661. doi:10.1016/j.jiac.2025.102661.
[13]	Bamorovat M, Sharifi I, Agha Kuchak Afshari S, et al. Mutual Role of Patients and the Healthcare System in the Control of Cutaneous Leishmaniasis. Transbound Emerg Dis, 2023, 2023: 7814940. doi:10.1155/2023/7814940.
[14]	Tamma PD, Aitken SL, Bonomo RA, et al. Infectious Diseases Society of America 2023 Guidance on the Treatment of Antimicrobial Resistant Gram-Negative Infections. Clin Infect Dis, 2023: ciad428. doi:10.1093/cid/ciad428.
[15]	Salnikova A, Makarenko O, Sereda Y, et al. Depression among people living with tuberculosis and tuberculosis/HIV coinfection in Ukraine: a cross-sectional study. Glob Health Action, 2025, 18(1): 2448894. doi:10.1080/16549716.2024.2448894.
[16]	Hinay AA Jr, Mamalintaw MA, Damasin JML, et al. Sociodemographic and Clinical Predictors of Tuberculosis and Unsuccessful Treatment Outcomes in Davao City, Philippines: A Retrospective Cohort Study. Int J Environ Res Public Health, 2025, 22(7): 1154. doi:10.3390/ijerph22071154.
[17]	王瑞华, 杨雨晴, 张洪昌, 等. 2014—2024年山东省泰安市肺结核流行特征及发病趋势预测. 结核与肺部疾病杂志, 2026, 7(2):194-202. doi:10.19983/j.issn.2096-8493.20250212.
[18]	Rodriguez CA, Lodi S, Horsburgh CR, et al. Selection bias in multidrug-resistant tuberculosis cohort studies assessing sputum culture conversion. PLoS One, 2022, 17(11): e0276457. doi:10.1371/journal.pone.0276457.
[19]	Gao F, Zhang J, Deng J, et al. Clinical manifestations, treatment and prognosis of juvenile idiopathic arthritis with pulmonary involvement in China: a single centre study. Clin Exp Rheumatol, 2024, 42(11): 2303-2311. doi:10.55563/clinexprheumatol/udjbtq.
[20]	Fakhari A, Shalchi B, Rahimi VA, et al. Mental health literacy and COVID-19 related stress: The mediating role of healthy lifestyle in Tabriz. Heliyon, 2023, 9(7): e18152. doi:10.1016/j.heliyon.2023.e18152.
[21]	Mbuh TP, Mendjime P, Goupeyou-Wandji IA, et al. Trends of drug-resistant tuberculosis and risk factors to poor treatment-outcome: a database analysis in Littoral region-Cameroon, 2013-2022. BMC Public Health, 2024, 24(1): 3195. doi:10.1186/s12889-024-20585-8.
[22]	孙慧娟, 苏伟, 陈伟. 利福平耐药结核病患者不良治疗结局及其影响因素研究进展. 结核与肺部疾病杂志, 2024, 5(6): 573-582. doi:10.19983/j.issn.2096-8493.2024111.
[23]	侯坤, 伍劲屹, 王晓君, 等. 武汉市某综合医院肺结核诊断延迟影响因素及风险预测研究. 结核与肺部疾病杂志, 2025, 6(3):316-322. doi:10.19983/j.issn.2096-8493.20250069.
[24]	Bariz H, Stanikzai MH, Mudaser GM, et al. Diagnostic Delay and its Predictors among Tuberculosis Patients in Kandahar, Afghanistan: A Cross-sectional Analytical Study. Int J Mycobacteriol, 2025, 14(3): 232-238. doi:10.4103/ijmy.ijmy_91_25.

排序	特征变量	平均准确率下降量	筛选结果
1	2月序痰检	0.901	保留
2	药物敏感性试验	0.348	保留
3	治疗方案	0.304	保留
4	实际服药管理方式	0.211	保留
5	患者来源	0.179	保留
6	糖尿病	0.160	保留
7	治疗模式	0.158	保留
8	菌种鉴定	0.143	保留
9	分子生物学检测	0.133	保留
10	痰培养	0.122	保留
11	诊断	0.115	保留
12	病原学	0.113	保留
13	合并症	0.083	保留
14	影像学	0.055	保留
15	诊断分型	0.051	排除
16	0月序痰检	0.041	排除
17	HIV检查	0.036	排除
18	其他合并症	0.005	排除
19	年龄	-0.006	保留
20	性别	-0.040	保留

模型	准确率(%)	精确率(%)	召回率(%)	F1分数	AUC	AP
逻辑回归	84.0	86.0	84.0	0.847	0.814	0.923
支持向量机	84.4	86.2	84.4	0.851	0.829	0.946
决策树	81.8	83.7	81.8	0.826	0.739	0.902
随机森林	87.1	86.2	87.1	0.865	0.814	0.938
XGBoost	88.3	87.5	88.3	0.876	0.805	0.923
LightGBM	89.2	88.5	89.2	0.885	0.815	0.930
梯度提升树	88.0	87.1	88.0	0.871	0.843	0.945
多层感知机	89.0	88.4	89.0	0.886	0.807	0.931
CatBoost	89.2	88.5	89.2	0.885	0.829	0.941

排名	特征	SHAP分析		CatBoost模型
排名	特征	MeanSHAP绝对值	重要性贡献(%)	重要性得分值	重要性贡献(%)
1	2月序痰检	0.595	22.10	12.782	17.60
2	治疗方案	0.367	13.60	12.104	16.70
3	治疗模式	0.290	10.80	10.618	14.60
4	合并症	0.280	10.40	9.544	13.10
5	患者来源	0.278	10.30	12.318	16.90
6	年龄	0.231	8.60	8.457	11.60
7	药物敏感性试验	0.204	7.60	8.948	12.30
8	实际服药管理方式	0.157	5.80	8.092	11.10
9	痰培养结果	0.136	5.10	8.812	12.10
10	影像学结果	0.105	3.90	4.799	6.60
11	性别	0.072	2.70	3.525	4.80

复治肺结核治疗结局的最优预测模型构建

Construction of an optimal prediction model for treatment outcomes in retreatment pulmonary tuberculosis

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

特征	类别	样本例数	平均 SHAP值
2月序痰检	阴性	381	0.306
	阳性	2	-0.993
	未查	35	-3.830
合并症	无	128	0.461
	有	45	-0.132
	未知	245	-0.214
实际服药管理方式	医务人员管理	313	0.081
	智能工具	103	-0.293
	未知	2	-1.292
年龄组(岁)	≤24	4	0.862
	25~34	17	0.475
	35~44	23	0.525
	45~54	38	0.467
	55~64	93	0.099
	≥65	243	-0.192
患者来源	健康体检	238	0.242
	主动筛查	3	0.231
	直接就诊	12	0.037
	转诊	101	-0.215
	追踪	64	-0.523
治疗方案	2H-R-Z-E/4H-R	348	0.238
	6~9R-Z-E-Lfx	1	-0.006
	2H-R-Z-E/7~10H-R-E	13	-0.032
	其他敏感方案	7	-0.547
	2H-R-Z-E/10H-R-E	49	-1.338
治疗模式	未知	229	0.292
	住院治疗	102	-0.003
	门诊治疗	87	-0.476
痰培养结果	阴性	171	0.074
	阳性	157	0.022
	未查	90	-0.146
药敏试验结果	异烟肼耐药	1	0.245
	未查	148	0.131
	异烟肼和利福平均敏感	250	0.053
	耐多药	4	-0.694
	利福平耐药	15	-2.056

[1]	热依汗古丽·阿肯, 木拉提江·艾买提, 高绪胜, 丁彩红, 曾谊, 陈禹, 白燕, 范琳. 60岁及以上老年肺结核患者营养不良与治疗转归的影响因素分析[J]. 中国防痨杂志, 2026, 48(6): 751-759.
[2]	刘麟, 殷小成, 张小佛, 梁麟龙, 杨炬. 1990—2023年全球0~14岁儿童结核病负担评估与2024—2050年趋势预测[J]. 中国防痨杂志, 2026, 48(6): 840-848.
[3]	袁绍莹, 崔中锋, 杜江, 曹雪芳, 冯博轩, 何翼君, 李子涵, 赵雅琪, 于怡麟, 高磊, 辛赫男, 李洪智. QuantiFERON-TB Gold Plus检测在活动性肺结核诊断及治疗反应监测中的应用价值[J]. 中国防痨杂志, 2026, 48(6): 865-873.
[4]	邱玉贤, 黄芳, 杨小艺, 杨峰, 鲁华, 张天怡, 张杨, 姚蓉, 李园园. 数字孪生技术在结核病患者管理中的研究进展[J]. 中国防痨杂志, 2026, 48(4): 550-555.
[5]	王敬, 荆玮, 李维文, 朱庆东, 逄宇, 初乃惠, 聂文娟. 超疗程应用贝达喹啉对于耐多药/利福平耐药肺结核患者的疗效及安全性临床队列分析[J]. 中国防痨杂志, 2026, 48(3): 313-319.
[6]	韦柳迎, 吴幸幸, 黄连飘, 曾春梅, 赵春艳, 宋畅, 聂文娟, 裴洁, 韦小英, 黄爱春, 朱庆东, 谢周华, 黄献珍. 复合均衡营养粉在耐多药结核病患者抗结核治疗中的应用效果分析[J]. 中国防痨杂志, 2026, 48(3): 349-355.
[7]	热依汗古丽·阿肯, 范琳. 营养不良影响结核病患者治疗转归的相关研究进展[J]. 中国防痨杂志, 2026, 48(1): 153-159.
[8]	田晓梅, 蒋学峰, 杨霞, 沙小兰, 雷娟, 王晓炜, 刘静. 2015—2023年宁夏地区MTB/HIV双重感染者发现及治疗转归分析[J]. 中国防痨杂志, 2026, 48(1): 57-63.
[9]	陈德盼, 李翔, 张开义, 李敏, 夏加伟, 高楚伊, 杨亚涛, 张乐. 基于logistic回归、决策树和神经网络构建成人慢性肾脏病合并活动性结核病的风险预测模型与应用[J]. 中国防痨杂志, 2026, 48(1): 94-105.
[10]	付敏, 周越, 陈方, 程静. 肺结核并发支气管扩张患者发生院内感染的风险预测模型研究[J]. 中国防痨杂志, 2025, 47(S2): 48-50.
[11]	周金玉, 叶锋. 基于临床特征和外周血炎症标志物的重症社区获得性肺炎患者ICU死亡风险列线图预测模型的开发与验证[J]. 中国防痨杂志, 2025, 47(S2): 51-54.
[12]	王福燕, 蒋先徳, 肖婷. 个体化营养管理方案对重症肺炎患者的应用效果及血清蛋白、免疫指标的变化[J]. 中国防痨杂志, 2025, 47(S2): 131-133.
[13]	杜润泽, 艾尔帕提·玉素甫, 董士铭, 徐韬, 蔡晓宇, 王婷, 牙克甫·阿卜力孜, 盛伟斌, 买尔旦·买买提. Lasso-logistic回归在感染性脊柱炎鉴别诊断中的应用[J]. 中国防痨杂志, 2025, 47(S1): 1-4.
[14]	杜润泽, 董士铭, 艾尔帕提·玉素甫, 徐韬, 蔡晓宇, 王婷, 牙克甫·阿卜力孜, 盛伟斌, 买尔旦·买买提. 布鲁氏菌性脊柱炎的精确诊断：多因素Logistic回归预测模型的构建与验证[J]. 中国防痨杂志, 2025, 47(S1): 17-20.
[15]	刘敏, 祁丹, 石峰, 李兵, 郝瑞霞, 王东, 白俊. ARIMA-SVM组合模型在肺结核发病预测中的应用[J]. 中国防痨杂志, 2025, 47(S1): 21-25.