目的研发指南解读类文献的报告规范,以期更好地帮助指南解读者报告指南重要信息。方法RIGHT for INT课题组参考EQUATOR网站推荐的报告规范制订方法,确定了3个阶段的制订流程:第一阶段,通过邮件和微信的途径招募多学科的专家,根据职能划...
详细信息
目的研发指南解读类文献的报告规范,以期更好地帮助指南解读者报告指南重要信息。方法RIGHT for INT课题组参考EQUATOR网站推荐的报告规范制订方法,确定了3个阶段的制订流程:第一阶段,通过邮件和微信的途径招募多学科的专家,根据职能划分成核心制订小组、共识专家组及秘书组3个小组;第二阶段,采用文献调研和头脑风暴的方法收集初始条目;第三阶段,通过德尔菲调查和专家意见咨询,形成最终的RIGHT for INT清单。结果通过核心小组头脑风暴讨论和文献回顾,共收集40个初始条目。经过德尔菲调查和专家意见咨询过程(两轮均为17位专家,回复率均为100%),最终形成27个条目的RIGHT for INT清单。结论RIGHT for INT报告清单为指南解读者提供了撰写指南解读类文章的详细指导。
目的构建基于FIRE动态集成选择(frienemy indecision region dynamic ensemble selection,FIRE-DES)的弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者治疗达到完全缓解后两年内复发情况的预测模型,为患者的治疗提供决策...
详细信息
目的构建基于FIRE动态集成选择(frienemy indecision region dynamic ensemble selection,FIRE-DES)的弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者治疗达到完全缓解后两年内复发情况的预测模型,为患者的治疗提供决策依据。方法收集山西省某三甲医院2010年1月至2020年1月经治疗后达到完全缓解的498名患者信息,构建基于四种常见类别不平衡处理方法的FIRE-DES复发预测模型,并与传统的五种单一分类器与两种集成分类器进行比较。结果四种类别不平衡算法中SMOTE-ENN(synthetic minority oversampling technique and edited nearest neighbor)算法取得了最优分类性能,在此基础上采用DESP(dynamic ensemble selection performance)、KNORAU(K-nearest oracle union)和META-DES(meta-learning for dynamic ensemble selection)动态集成选择算法的分类效果明显优于传统的单一分类器以及集成分类器模型,基于FIRE改进的DESP、KNORAU和META-DES动态选择算法的分类效果在其基础上实现了进一步提升,且FIRE-META-DES取得了最优的分类性能(准确率=0.909,精确率=0.906,召回率=0.967,ROC曲线下面积=0.879,F1-Score=0.936,Brier Score=0.088)。结论针对DLBCL实际数据集,本文SMOTE-ENN+FIRE-META-DES的复发预测模型在性能上达到最优,可为DLBCL复发预测提供有力参考。
暂无评论