基于Super Learner的边缘结构模型研究及发展

摘要：时依性混杂是纵向观察性研究数据中常见,但较难用传统回归模型控制的特殊混杂。边缘结构模型通过计算逆概率权重对原始人群进行加权,获得新的虚拟人群,消除混杂因素的影响,是目前控制时依性混杂较流行的方法。近年来,随着机器学习的发展,利用数据自适应算法计算逆概率权重的边缘结构模型逐步受到关注。Super Learner是其中较新颖的一种方法,其能很好地规避传统估计逆概率权重方法的缺陷。该文基于前人的相关研究,总结传统边缘结构模型和逆概率权重的构建与计算,介绍Super Learner的构建、优缺点以及目前在药物流行病学相关研究中的实际应用,并提出未来可研究和待解决的问题。     

药物流行病学研究中的时依性变量处理方法简介及比较

基于纵向数据的因果推断,进而评价药物安全性与有效性是药物流行病学的重要工作之一.但在现实研究中由于存在不同程度的混杂,无法直接计算药物效应值.混杂中时依性混杂最为常见,却难以通过常规方式消除影响.除了混杂因素,在一些试验中暴露因素同样具有时依性.本文基于领域相关研究,试图对时依性变量的种类进行辨析,简要介绍含时依系数的...     

观察性健康数据科学和信息学组织实用工具简介

摘要：运用真实世界大数据进行药品不良反应主动监测受到了国内外学者的高度关注。其中如何实现多个形式不一数据库之间的数据整合,仍然是发挥大数据优势对药品不良反应进行主动监测时存在的一个巨大的挑战。本文旨在通过介绍观察性健康数据科学和信息学（OHDSI）组织的几种工具软件,为我国开展药品不良反应主动监测的数据整合提供思路及方向。     

缺失数据处理在药物流行病学研究中的应用及进展

缺失数据是药物流行病学研究中常见而且难以避免的问题,但与混杂因素相比,往往没有受到重视,其会导致后续对药物的评估引入潜在偏倚,以致得出错误结论.本文旨在通过介绍几种缺失数据的处理方法,为药物流行病学研究提供更多有价值的信息.     

电子健康记录分析中分布式算法的应用现状及分析

摘要：随着电子健康记录在医疗保健研究中的广泛应用,为了整合多个临床中心的数据进行分析和预测,以达到实现多中心临床试验的研究目的,分布式算法应运而生。本文通过查阅相关文献的研究方法,对数篇文献中提及的分布式算法进行了归纳、总结、整合和比较,初步得出了一些结论。在不考虑迭代通信的情况下首选不产生信息损失的GLORE算法,偏倚为0,标准差为1;若在其他临床中心的数据仅可被借用一次,则首选ODAL算法;而与原始ODAL算法相比,如果存在潜在的外部临床中心,则首选Robust-ODAL。因此应根据各临床中心给出数据的不同情况,灵活选择不同的分布式算法,以发挥不同算法的优势。