知识图谱:一种系统性构建因果图的方法

因果推断(相对于相关性分析)是基于大数据的观察性研究的主要目标。因果图通过有向无环图(directed acyclic graph, DAG)整合大量先验知识将变量之间复杂的因果关系可视化,已成为合理制定因果推断策略的重要工具。然而目前因果图的构建主要依赖专家知识和经验,亟需从整个医学知识体系的角度进行系统化构建,从现有出版物中进行医学知识提取是系统构建DAG的基础,本文将系统介绍基于美国国立卫生研究院SemMedDB数据库研发的结构化医学知识体系平台。本文尝试从跨学科角度,将因果图定义为研究问题涉及概念(头概念和尾概念)及其所有第三方变量之间的复杂网络,提出系统化构建DAG提供新策略:一是将知识图谱修剪为因果图;二是将基于人群-干预/暴露-对照-结果(population-interventions/exposure-comparisons-outcomes,PI/ECO)框架的证据结论合成为因果图。     

抗高血压药物对二氧化氮长期暴露与慢性肾脏病关联的修饰效应

目的: 探讨抗高血压药物对二氧化氮(nitrogen dioxide,NO₂)和慢性肾脏病(chronic kidney disease,CKD)关联的修饰效应。方法: 基于中国CKD流行病学调查研究的2007—2010年全国成年人代表性横断面数据进行NO₂暴露数据的收集与匹配,按照是否合并高血压和使用抗高血压药物进行分层,采用广义相加混合效应模型研究不同人群NO₂长期暴露与CKD的关联效应及差异,分别利用自然样条平滑函数拟合NO₂和CKD的暴露反应关系,分析抗高血压药物对NO₂-CKD关联及暴露反应曲线的修饰效应。结果: 共纳入45 136例研究对象,平均年龄为(49.5±15.3)岁,NO₂年平均暴露浓度为(7.2±6.4) μg/m³,使用抗高血压药物者共6 517人(14.4%),CKD患者为4 833人(10.7%)。调整混杂因素后,合并高血压、未使用抗高血压药物的人群中,NO₂长期暴露能导致CKD风险显著增加(OR：1.38,95%CI：1.24~1.54,P < 0.001);使用抗高血压药物的人群中,NO₂长期暴露与CKD风险无显著关联(OR：0.96,95%CI：0.86~1.07,P=0.431)。NO₂-CKD的暴露反应曲线显示,NO₂暴露与CKD的关联存在一定的非线性趋势。抗高血压药物对NO₂-CKD关联和暴露反应曲线均具有显著的效应修饰作用(交互项P值< 0.001)。结论: NO₂的长期暴露与CKD风险的关联受到抗高血压药物的修饰作用,使用抗高血压药物可有效降低NO₂的长期暴露对CKD的影响。     

构建数据协作机制应对突发公共卫生事件中的医疗不确定性

本文首先回顾了新型冠状病毒肺炎在全球蔓延后,由医疗不确定性造成的医疗决策困难,并剖析了这一突发公共卫生事件中医疗不确定性形成的原因和无效治疗带来的风险及医疗资源浪费。在此基础上,围绕如何在面临突发公共卫生事件时快速建立数据协作机制开展了现状回顾和讨论思考,即以数据为驱动,打破“数据孤岛”、提高“低价值数据”的数据质量和利用率,从而为应对相关事件提供有效证据。     

尿液肾损伤生物标志物的发现和临床应用

由于全球经济的快速发展、工业化和现代化进程的加快,大气污染所引发的健康问题日益严重,其中大气颗粒物 (Particulate Matter,PM) 暴露对于肾脏的直接毒性正逐渐受到重视。国内外流行病学研究证实,PM对慢性肾脏病发生发展有重要影响。本文针对 PM,包括 PM10 (Particulate Matter≤10 μm)、PM2.5 (Particulate Matter≤2.5 μm) 和 PM1 (Particu‐ late Matter≤1 μm) 等与慢性肾脏病的相关性及其影响机制进行综述,为人群PM暴露干预政策制定和慢性肾脏病防控策略应对提供依据。     

大气污染及气候因素对肾脏疾病的影响及其生物学机制研究进展

肾脏疾病已成为全球范围内危害人类健康的重要公共卫生问题.除高龄、高血压、糖尿病等传统因素外,环境污染也是引发肾脏疾病的重要危险因素,尤其是大气污染及气候因素对肾脏健康的影响不可忽视.大气颗粒物及气态污染物暴露与肾脏疾病的发生、肾功能下降及患者的不良预后密切相关.气候变暖作为全球气候变化的最主要表现,同样会引起急性肾损伤...     

E-health在艾滋病干预领域的应用进展

随着信息技术的发展和人们生活方式的变化, E-health模式为卫生服务提供了一种新的途径, 亦被广泛应用于艾滋病防治领域, 包括行为干预、生物医学干预、精神健康干预以及提高卫生服务可及性等方面。本文对国内外E-health模式在艾滋病防控领域的典型应用进行综述, 为进一步优化通过E-health模式进行艾滋病干预的思路和策略提供参考。     

基于集成学习模型预测重症患者再入重症监护病房的风险

目的: 基于集成学习算法建立患者再入重症监护病房(intensive care unit, ICU)的风险预测模型,并比较各个模型的预测性能。方法: 使用美国重症医学数据库(medical information mart for intensive care,MIMIC)-Ⅲ,根据纳入、排除标准筛选患者,提取人口学特征、生命体征、实验室检查、合并症等可能对结局有预测作用的变量,基于集成学习方法随机森林、自适应提升算法(adaptive boosting, AdaBoost)和梯度提升决策树(gradient boosting decision tree, GBDT)建立再入ICU预测模型,并比较集成学习与Logistic回归的预测性能。使用五折交叉验证后的平均灵敏度、阳性预测值、阴性预测值、假阳性率、假阴性率、受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)和Brier评分评价模型效果,基于最佳性能模型给出重要性排序前10位的预测变量。结果: 所有模型中,GBDT (AUROC=0.858)优于随机森林(AUROC=0.827),略好于AdaBoost (AUROC=0.851)。与Logistic回归(AUROC=0.810)相比,集成学习算法在区分度上均有较大的提升。GBDT算法给出的变量重要性排序中,平均动脉压、收缩压、舒张压、心率、尿量、血肌酐等变量排序靠前,相对而言,再入ICU患者的心血管功能和肾功能更差。结论: 基于集成学习算法的患者再入ICU预测模型表现出较好的性能,优于Logistic回归。使用集成学习算法建立的再入ICU风险预测模型可用于识别再入ICU风险高的患者,医务人员可针对高风险患者采取干预措施,改善患者的整体临床结局。     

社交媒体数据在药品上市后安全性监测的应用

药品上市后安全性监测体现为对药品在上市后的安全性风险的及时发现,是药物警戒的关键核心[1].自发报告作为药物警戒的重要工具之一,是目前最重要的尽早发现药品不良反应(adverse drug reactions,ADR)的方法[2].自发报告的来源包括医务人员和药品使用者.药品使用者自发报告,是指药品使用者在不经过医务人员的解释和说明下,主动就其自身经历的某一可疑的药品不良反应向药物警戒部门等做出的报告.药品使用者自发报告可增加药品不良反应报告的数量,与医务人员自发报告互为补充,可以提供药品不良反应的直接信息甚至影响药品不良反应"耐受性"的界定[3-4],但会受到对自发报告和报告系统了解不足和不完善的报告体验的影响.社交媒体平台上由个人发布的药品及其不良反应相关内容近些年正逐渐被视为类似于药品使用者自发报告的新的数据来源,使用社交媒体数据开展药品上市后安全性监测的研究呈逐年上升趋势,因而本文就相关研究现状与面临的挑战进行综述.     

国内外真实世界数据/证据的相关药械监管政策法规及指导原则比较研究

摘要：近年来,随着真实世界数据和真实世界证据的不断推广和应用,国内外药械监管机构针对用于药品和器械审评与监管的真实世界证据/数据,相继发布了相关的政策法规及指导原则。我国真实世界研究在药械审评、监管和决策方面较国际先进监管机构起步晚,研究体系、数据规范及标准仍存在一定差距。本文旨在梳理国内外主要药械监管机构已发布的有关真实世界证据/数据的政策法规及指导原则,比较国内外各主要药械监管机构现行针对真实世界数据的相关法规和指导原则。在此基础上,列举了我国学者真实世界数据用于药械监管的积极探索实践,为我国开展支持药械审评与监管的真实世界研究,完善数据及标准体系建设提供参考与借鉴。