检索结果-内蒙古大学图书馆

中国循证医学杂志 2023年第7期23卷 834-842页

作者：于建彭驰金志超海军军医大学卫生统计学教研室上海200433

目的利用多中心数据构建临床预测模型时,数据的独立性假设会发生违背,研究对象之间存在明显中心聚集效应,为了充分考虑聚集性问题,本研究拟比较考虑中心聚集效应的随机截距Logistic回归模型(RI)和固定效应模型(FEM)与不考虑中心聚集效... 详细信息

目的利用多中心数据构建临床预测模型时,数据的独立性假设会发生违背,研究对象之间存在明显中心聚集效应,为了充分考虑聚集性问题,本研究拟比较考虑中心聚集效应的随机截距Logistic回归模型(RI)和固定效应模型(FEM)与不考虑中心聚集效应的标准Logistic回归模型(SLR)和随机森林算法(RF)在不同场景下的模型性能。方法模拟预测模型建立过程中,存在不同程度中心聚集效应时,在中心水平上不同模型的预测性能,包括在不同场景中的区分度和校准度差异,同时比较这种差异在不同事件率时的变化趋势。结果在中心水平,不同模型(除RF外)在中心聚集效应下不同场景的区分度差异不大,其C-index均值变化很小。利用多中心高度聚集的数据进行预测时,边缘预测(***、SLR和RF)与条件预测相比校准截距略小于0,高估了预测的平均概率。其中RF则在多中心大样本条件下截距校准表现很好,这也体现了机器学习算法对处理大样本数据的优势。在中心多患者少时,FEM进行条件预测,校准截距大于0,预测的平均概率被低估。此外,在利用多中心大样本数据开发预测模型时,三个条件预测(FEM、***、***)斜率校准较好,边缘预测(***和SLR)的校准斜率大于1出现了欠拟合的问题,且随着中心聚集效应增加欠拟合问题越发凸显。特别是在中心少患者少时,数据的过拟合会掩盖边缘预测与条件预测校准性能上的差异。最后,越低的事件发生率时,中心聚集效应在中心水平对不同模型预测性能的影响越明显。结论利用高度聚集的多中心数据构建模型并应用于特定环境中预测,当中心数较少或因不同发病率导致中心间差异较大时可以选择RI和FEM进行条件预测;当中心数较多、样本量较大时可选择RI进行条件预测或RF进行边缘预测。

关键词：中心聚集效应临床预测模型区分度校准度模拟研究异质性

来源：评论

学校读者我要写书评

暂无评论

含时间依赖性治疗变量预后预测模型构建策略的模拟研究

引用

中国循证医学杂志 2024年第4期24卷 490-496页

作者：钱迪金志超赵艳芳海军军医大学卫生勤务学系军队卫生统计学教研室上海200433

目的探究构建临床预后预测模型中时间依赖性变量的处理方法,将边际结构模型与临床预后预测模型结合,为患者的个体化预后评估提供更精确的预测工具。方法通过数据模拟,构建样本量为7000的训练数据集、样本量为3000的验证数据集,设置在不... 详细信息

目的探究构建临床预后预测模型中时间依赖性变量的处理方法,将边际结构模型与临床预后预测模型结合,为患者的个体化预后评估提供更精确的预测工具。方法通过数据模拟,构建样本量为7000的训练数据集、样本量为3000的验证数据集,设置在不同随访时间及不同情境下,分别比较忽略治疗模型、基线无治疗模型、基线治疗预测模型和边际结构预测模型的预测效能。结果模拟研究设置2种随访时间点情况(2个、5个时间点),64种不同的治疗变量、时依性协变量、结局变量三者之间关系,共128种模拟情境。2个随访时间点情况下,边际结构预测模型预测效能与基线治疗预测模型预测效能未见明显差别,但均高于忽略治疗模型和基线无治疗模型;5个随访时间点情况下,边际结构预测模型预测效能优于其余三个预测模型。结论观察性队列存在时间依赖性治疗情况,在构建临床预后预测模型时,应该考虑基线后治疗发生变化的情况,否则会降低预后预测模型的预测效能。

关键词：预后预测模型边际结构模型模拟研究

来源：评论

学校读者我要写书评

暂无评论

预测重症缺血性脑卒中死亡风险的模型:基于内在可解释性机器学习方法

引用

南方医科大学学报 2023年第7期43卷 1241-1247页

作者：罗枭程义吴骋贺佳海军军医大学卫勤系军队卫生统计学教研室上海200433

目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试... 详细信息

目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后。通过计算受试者工作特征曲线下面积(AUC)来衡量预测效果,使用校准曲线及布里尔分数(Brier score)评价模型的校准程度,并绘制决策曲线反映临床净收益。结果本研究所构建的可解释提升机具有良好的区分度、校准度和净收益率,其中模型预测重症缺血性脑卒中预后不良的AUC为0.857[95%CI(0.831,0.887)];校准曲线分析结果显示,可解释提升机模型的校准曲线最接近于理想曲线;决策曲线分析结果显示,当该模型预测概率阈值为0.10~0.80时,其预测净获益率最大。基于可解释提升机模型的前5个独立预测变量为年龄、SOFA评分、平均心率、机械通气、平均呼吸频率,其重要性得分从0.179~0.370。结论建立了一个可解释提升机模型,该模型应用于预测重症缺血性脑卒中患者一年内死亡风险具有良好的表现,通过模型可解释性能帮助临床医生更好地理解结果背后的原因。

关键词：重症缺血性脑卒中内在可解释性机器学习可解释提升机死亡预测

来源：评论

学校读者我要写书评

暂无评论

多阅片者多病例设计影像诊断试验准确度评价的统计分析方法

引用

中国循证医学杂志 2024年第9期24卷 1085-1093页

作者：何倩潘喆敏向蔓宛慧琴秦婴逸贺佳海军军医大学军队卫生统计学教研室上海200433 同济大学医学院上海200092

目的通过公式推导和实例验证,分析多阅片者多病例(multi-reader multi-case,MRMC)设计影像诊断试验准确度评价的统计分析方法。方法本研究包括理论推导和实例验证两个部分。理论部分详细介绍了MRMC统计分析方法,特别是Obuchowski-Rocket... 详细信息

目的通过公式推导和实例验证,分析多阅片者多病例(multi-reader multi-case,MRMC)设计影像诊断试验准确度评价的统计分析方法。方法本研究包括理论推导和实例验证两个部分。理论部分详细介绍了MRMC统计分析方法,特别是Obuchowski-Rockette(OR)与Dorfman-Berbaum-Metz(DBM)方法的原理和步骤。实例部分研究共纳入了100例受试者,其中67例疾病患者。四名阅片者分别采用传统胶卷影像方法和数字化影像方法进行阅片。通过OR与DBM方法对阅片结果进行分析。结果实例研究显示,OR和DBM方法结果具有较高的一致性。当OR方法采用Jackknife估计协方差矩阵时,其结果与DBM方法完全吻合。结论为准确评估影像诊断试验的临床性能,推荐采用OR和DBM方法进行影像诊断试验准确性评价的统计分析,以确保阅片者因素对评价结果的影响得到充分考虑。OR与DBM方法的结果较为接近,实际应用时应考虑具体数据特点和研究设计选择合适的分析方法。同时,OR与DBM方法的应用目前仍存在一定挑战,如软件实现、缺失数据处理,未来仍需要进一步的探索。

关键词：多阅片者多病例影像诊断试验准确性

来源：评论

学校读者我要写书评

暂无评论

影像诊断试验中多阅片者多病例设计的样本量估计研究

引用

海军军医大学学报 2025年第5期46卷 693-698页

作者：向蔓宛慧琴潘喆敏何倩秦婴逸贺佳同济大学医学院上海200092 海军军医大学(第二军医大学)卫生勤务学系军队卫生统计学教研室上海200433

目的实现影像诊断试验中多阅片者多病例设计下的样本量估计,探索阅片者和病例均随机、阅片者固定病例随机、阅片者随机病例固定3种情形下阅片者和受试者的数量组合。方法采用Van Dyke数据集中114例受试者(45例被金标准诊断为主动脉夹... 详细信息

目的实现影像诊断试验中多阅片者多病例设计下的样本量估计,探索阅片者和病例均随机、阅片者固定病例随机、阅片者随机病例固定3种情形下阅片者和受试者的数量组合。方法采用Van Dyke数据集中114例受试者(45例被金标准诊断为主动脉夹层)的影像,并由5名影像科医生在自旋回波(Spin-echo)和电影(Cine)2种序列MRI下的判读结果为预试验数据,使用Obuchowski-Rockette法估计正式试验中所需的样本量。结果医生在Spin-echo MRI、Cine MRI序列下判别主动脉夹层的平均AUC值分别为0.941(95% CI 0.899~0.983)、0.897(95% CI0.837~0.957)。当效应量取两者AUC差值0.044、阅片者数量为5时,阅片者和病例均随机、阅片者固定病例随机、阅片者随机病例固定3种情形下分别需要受试者337、162、282例。结论多阅片者多病例设计在进行样本量估计时需考虑阅片者和受试者两者数量,相同情况下,阅片者人数越多所需的受试者数量越少;3种情形中,阅片者(≥5人)和病例均随机时所需样本量最多。

关键词：影像诊断试验多阅片者多病例 Obuchowski-Rockette法样本量

来源：评论

学校读者我要写书评

暂无评论

机器学习方法在FAERS布加替尼不良反应信号检测中的应用

引用

中国药物警戒 2023年第6期20卷 639-645页

作者：陈枭郭晓晶许金芳韦连慧陈晨鑫梁际洲郑轶叶小飞海军军医大学卫生统计学教研室上海200433

目的评估机器学习算法在检测布加替尼(Brigatinib)药品不良反应信号中的性能。方法使用美国食品药品监督管理局(FDA)不良反应事件报告系统(FAERS)2017年4月1日至2022年3月31日收集的布加替尼药品不良反应信号数据开展研究。首先为研究... 详细信息

目的评估机器学习算法在检测布加替尼(Brigatinib)药品不良反应信号中的性能。方法使用美国食品药品监督管理局(FDA)不良反应事件报告系统(FAERS)2017年4月1日至2022年3月31日收集的布加替尼药品不良反应信号数据开展研究。首先为研究药品构建一个输入数据集,包括药品标签上列出的已知不良反应和未知不良反应。对于已知不良反应,训练4种机器学习算法,并通过曲线下面积(AUC)评估机器学习算法[随机森林(random forest,RF)、极限梯度提升机(extreme gradient boosting)、Logistic回归和邻近算法(k-NearestNeighbor,kNN)]与传统不相称分析方法[报告优势比(ROR)]和信息成分(IC)]进行比较。结果kNN算法具有最高的AUC,平均值0.875,其余方法中Logistic回归(0.852),XGBoost(0.722),RF(0.662)和DPA(0.548)。在未知不良反应数据集中,以kNN算法建立的机器学习模型检出6个额外信号(占15.8%),传统不相称方法检出4个额外信号(占10.5%)。结论以kNN算法建立的机器学习模型比传统DPA方法在药品不良反应信号检测方面性能更佳。

关键词：不相称分析布加替尼信号检测药品不良反应机器学习算法美国食品药品监督管理不良反应事件报告系统

来源：评论

学校读者我要写书评

暂无评论

多阅片者多病例设计在人工智能辅助阅片影像诊断试验评价中的应用

引用

海军军医大学学报 2025年第4期46卷 504-510页

作者：宛慧琴向蔓潘喆敏秦婴逸何倩贺佳同济大学医学院上海200092 海军军医大学(第二军医大学)卫生勤务学系军队卫生统计学教研室上海200433

目的使用多阅片者多病例(MRMC)设计评价人工智能(AI)辅助阅片影像诊断试验的临床效能,以期为影像诊断试验的临床评价提供科学依据。方法采用影像诊断试验中广泛应用的MRMC设计,详细阐述了MRMC设计中Obuchowski-Rockette(OR)法的模型构... 详细信息

目的使用多阅片者多病例(MRMC)设计评价人工智能(AI)辅助阅片影像诊断试验的临床效能,以期为影像诊断试验的临床评价提供科学依据。方法采用影像诊断试验中广泛应用的MRMC设计,详细阐述了MRMC设计中Obuchowski-Rockette(OR)法的模型构建及其检验方法。实例研究共收集了3家医院200例受试者的CT影像资料,其中133例为肋骨骨折患者,68例为非肋骨骨折患者,由3位阅片医师对所有CT影像进行判读。分析在2种阅片方式(医师+AI辅助阅片、医师独立阅片)下肋骨骨折检出的AUC值、灵敏度和特异度的差异。结果AI辅助阅片组的AUC值为0.958,医师独立阅片组的AUC值为0.902,两组AUC值差异有统计学意义(P<0.001)。AI辅助阅片组总体的灵敏度为0.970,特异度为0.946;医师独立阅片组的灵敏度为0.838,特异度为0.966;两组灵敏度差值为0.131(95%CI 0.091~0.171),特异度差值为-0.020(95%CI-0.059~0.020),说明AI辅助阅片与医师独立阅片的灵敏度差异有统计学意义而特异度差异无统计学意义。两组的阳性似然比均大于10,阴性似然比均小于0.2,阳性预测值都接近1,说明AI辅助阅片影像诊断试验的诊断准确性高。结论AI辅助阅片在提高诊断效能方面有显著优势,不仅可以提高肋骨骨折诊断的准确性和检出率,还能提高医师工作效率,优化医院服务。

关键词：人工智能多阅片者多病例设计 Obuchowski-Rockette法肋骨骨折诊断准确性

来源：评论

学校读者我要写书评

暂无评论

多阅片者多病例设计影像诊断试验样本量估计方法介绍及软件实现

引用

中国循证医学杂志 2025年第5期25卷 555-561页

作者：宛慧琴向蔓潘喆敏秦婴逸何倩贺佳同济大学医学院上海200092 海军军医大学卫生统计学教研室上海200433

目的探讨多阅片者多病例设计影像诊断试验中的两种样本量估计方法并介绍其软件实现。方法采用Van Dyke数据集在R软件中进行程序演示,使用OR法和DBM法计算阅片者和病例的数量组合,以此作为多阅片者多病例研究的试点试验结果,为后续的正... 详细信息

目的探讨多阅片者多病例设计影像诊断试验中的两种样本量估计方法并介绍其软件实现。方法采用Van Dyke数据集在R软件中进行程序演示,使用OR法和DBM法计算阅片者和病例的数量组合,以此作为多阅片者多病例研究的试点试验结果,为后续的正式试验提供参数设置的参考。结果当效应量为0.044时,6名阅片者和247名病例时可以达到80%的检验效能;而当效应量大小为0.088时,阅片者为6名,病例仅需44例即可达到80.5%的检验效能。使用OR法和DBM法计算得到的样本量一致,也可以通过两种方法的转换得到相同的样本量计算结果。结论对于多阅片者多病例研究的样本量估计而言,R软件为影像诊断试验中采用多阅片者多病例设计的样本量估计提供了方便成熟的软件包,以此为影像诊断试验选择合适的样本量估计及统计分析方法提供了参考。

关键词：影像诊断试验多阅片者多病例 OR法 DBM法样本量估计

来源：评论

学校读者我要写书评

暂无评论

某地区6家医院住院海军官兵疾病谱分析

引用

海军军医大学学报 2023年第10期44卷 1161-1166页

作者：秦宇辰秦婴逸何倩郭威吴骋海军军医大学(第二军医大学)卫生勤务学系军队卫生统计学教研室上海200433

目的调查分析住院海军官兵疾病谱,为其健康管理和医疗保障提供参考。方法基于某地区6家医院2013年至2017年住院海军官兵的病案首页数据分析其疾病谱。根据国际疾病分类(ICD)-10标准对住院海军官兵的主要出院诊断进行分类和统计分析。结... 详细信息

目的调查分析住院海军官兵疾病谱,为其健康管理和医疗保障提供参考。方法基于某地区6家医院2013年至2017年住院海军官兵的病案首页数据分析其疾病谱。根据国际疾病分类(ICD)-10标准对住院海军官兵的主要出院诊断进行分类和统计分析。结果共纳入21177人次海军官兵住院诊疗数据,排名前10位的疾病诊断大类总占比为85.98%(18208/21177)。循环系统疾病(14.79%,3132人次)、消化系统疾病(14.59%,3090人次)、呼吸系统疾病(14.06%,2978人次)、泌尿生殖系统疾病(9.94%,2104人次)列居疾病主要诊断大类的前4位。上述4种疾病主要诊断大类的主要病种分别是慢性缺血性心脏病[21.87%(685/3132)]、急性阑尾炎[16.38%(506/3090)]、肺炎(病原体未特指)[19.21%(572/2978)]、肾和输尿管结石[20.77%(437/2104)]。不同性别、年龄段住院海军官兵的疾病谱具有不同特征。结论循环系统、消化系统、呼吸系统、泌尿生殖系统疾病是海军官兵住院的主要疾病类型,应加强对以上疾病主要诊断大类及主要病种的诊疗服务能力和防控教育。

关键词：海军官兵住院疾病谱构成分析

来源：评论

学校读者我要写书评

暂无评论

八年制医学统计学课程分模块多元教学模式探讨

引用

中国卫生统计 2024年第5期41卷 775-777页

作者：赵艳芳秦婴逸金志超何倩王睿吴骋海军军医大学卫生勤务学系军队卫生统计学教研室 200433

信息技术的突飞猛进,带动着教学手段的改革。国家精品课程、精品资源共享课、MOOC等教学手段颠覆了学生只能在课堂学习的教学模式。以不同方式进行的混合式教学正在逐渐替代传统课堂教学。混合式教学主张将传统的面对面教学的优势与数... 详细信息

信息技术的突飞猛进,带动着教学手段的改革。国家精品课程、精品资源共享课、MOOC等教学手段颠覆了学生只能在课堂学习的教学模式。以不同方式进行的混合式教学正在逐渐替代传统课堂教学。混合式教学主张将传统的面对面教学的优势与数字化教学的优势结合起来,二者优势互补,从而取得更佳的教学效果,成为国内外高等教育发展的重要趋势[1]。

关键词：精品资源共享课多元教学模式国家精品课程数字化教学混合式教学传统课堂教学信息技术高等教育

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：