目的:探讨线上开展妇产科学整合课程教学的效果.方法:选取皖南医学院2017 级医学影像学本科学生,随机分为2 个教学班,研究组开展线上整合教学,对照组进行常规线上教学.采用雨课堂进行问卷调查,分析课后测验和期末考试成绩.结果:88.0%的学生认同线上整合教学方式,90.0%和86.0%的学生分别认为提高了学习兴趣和效率.研究组课后测验成绩[(17.98±1.34)分]高于对照组[(17.24±1.38)分](P<0.001),而研究组期末考试成绩[(87.57±7.73)分]与对照组[(86.97±7.35)分]差异无统计学意义(P>0.05).结论:整合教学效果显著,可有效提高妇产科学教学质量.

本研究从案例撰写和以问题为基础的学习（problem-based learning，PBL）的实施体会两个方面展开探讨。PBL案例需依据专业要求，体现专业特色。定位于应用型人才培养的卫生检验检疫专业案例可融入相关实验技能项目；同时案例撰写形式根据主题拓展形式差异，设计为并联式案例与串联式案例，以适用于不同范围的课程整合。在PBL教学实施中，学生学习状态是课堂讨论效率的关键，它决定了PBL实施方式是完全自主学习还是嵌入式讲授；教师需建立合作学习氛围，从而提高课堂讨论效率。

自2001年起，西安交通大学结合自身医学教育积淀，明确提出了"少教多学，导学互动"的人才培养理念，面向全体临床医学学生开展改革。历经十余年教育教学改革，系统地构建了全新的管理架构，并建立了基础临床融通的器官系统整合课程体系与PBL教学模式。该模式涉及培养方案、课程模式、教材、教学方法、学习方式、考核评价、教学组织、教学条件与保障等八个方面的综合改革，为全国兄弟院校的整合课程改革提供范例，在我国医学教育史上将具有里程碑意义。

目的:探索医学生团队对大学英语思政教学资源的发掘与整合，并建设医学院校大学英语课程思政教学资源库，为医学生英语教学与思政教育的融合提供可行性经验。方法:对某医学院校1 030名学生进行问卷调查，并采用SPSSAU统计软件对调查结果进行分析，了解学生对英语教学与思政教育融合的态度与需求、大学英语思政教学资源库的建设方式，以及资源的呈现方式和类型。基于问卷结果、教材主题、教学模块与学生专业，采用内容分析与归类法，建设符合医学生期望的大学英语思政教学资源库。数据均以占比百分率的形式呈现。结果:①836名学生认为大学英语有必要与思政教育融合，希望通过日常生活（731人）、医学背景知识（664人）、社会实践（622人）、新闻时事（604人）等相关的视频、音频建设思政资源库，并以“教师讲授+课堂讨论”（528人）的形式引导学生学习上述资源。②根据教材主题匹配问卷结果中的思政融入点，根据单元模块内容进一步细化思政融入点为普适性与医学专属思政教学元素两类，最终建成了医学院校大学英语思政教学资源库。结论:好的课程与资源是师生共研共建的。

目的:探讨串联式情景模拟结合症状为中心整合式教学在妇产科临床见习中的应用效果。方法:以2016级临床医学专业181名学生（实验组）为研究对象，实施疾病串联式情景模拟结合症状为中心的整合教学方式，通过形成性评价和满意度问卷调查，与2015级临床医学专业195名学生（对照组）对比，评价教学效果。采用SPSS 21.0统计软件进行数据统计。结果:实验组形成性评价成绩（88.66±5.92）分高于对照组（81.11±7.36）分，差异有统计学意义（ P<0.05）；实验组学生对教学灵活性、创新性以及提高学习兴趣及临床思维能力方面的满意度高于对照组（ P<0.05）；实验组教师在教学灵活性、整合性，学生课堂参与度、活跃度以及对学生临床思维能力及岗位胜任力培养方面较对照组更满意（ P<0.05）。 结论:串联式情景模拟结合症状为中心的整合教学方式有助于学生建立自己的知识体系、培养学生良好的临床思维能力和有助于学生建立疾病整体观。

目的:针对临床数据数量庞大和质量差的现状，本研究旨在以建立淋巴瘤研究数据库为例，探索高质量研究数据库的建立路径以及在真实世界研究的作用。方法:汇总研究领域专家意见，参考相关指南和标准，建立标准医学知识库；回顾性抽取2005年2月－2021年12月期间就诊于北京大学肿瘤医院淋巴瘤患者电子诊疗数据，采用深度学习、自然语言处理等方式，搭建"基于电子病历系统的淋巴瘤数据库－生物样本信息库－延伸遗传信息库"的动态智能信息整合与处理系统。结果:研究数据库在满足了临床科研人员的研究需求的同时，实现医院病历数据和生物样本信息数据的申请、审批、溯源和分析全过程留痕管理。数据库中核心科研变量总数为668个，结构化变量占46.0%。截至2021年12月25日，数据库中共有淋巴瘤患者68 687人，男女患者人数比值为8/9，就诊次≥3次的患者占比为23.0%。此外，研究者可在数据库中根据目标条件叠加检索，显示命中的就诊记录，建立研究队列，进行统计建模，挖掘数据信息。结论:通过整合管理流程和利用自然语言人工智能新技术建立循证等级高的数据库，有助于医院信息系统的互联互通与资源共享，从而达到为开展真实世界研究提供可靠详实数据的目的。

目的:探讨基于"互联网+"的自主探究式教学(简称探究教学)在医用有机化学实验教学中的应用效果。方法:2019年3月至2022年7月，选取空军军医大学2019~2022级临床医学、预防医学、心理学等专业815名本科生为研究对象。2020~2022级610人为试验组，采用探究教学；2019级205人为对照组，采用传统教学。通过考核和问卷调查评价教学效果。组间比较采用 t检验和 χ2检验。 结果:实验课程成绩，试验组学生成绩(86.77±1.64)分高于对照组的(80.28±4.26)分，其中，过程性评价成绩试验组学生(86.98±1.45)分高于对照组的(81.16±2.27)分，终结性考核成绩试验组学生(85.27±1.53)分高于对照组的(79.43±5.17)分，差异均具有统计学意义(均 P<0.05)。两组学生对各自教学方式的评价结果显示，试验组学生认为教学提升了其分析问题能力[552人(90.5%)]、解决问题能力[534人(87.5%)]、协作能力[545人(89.3%)]和动手操作能力[547人(89.7%)]，对照组相应数据为131人(63.9%)、168人(82.0%)、144人(70.2%)和146人(71.2%)，差异均具有统计学意义(均 P<0.05)。 结论:探究教学更加有利于学生学会学习，逐步具备资料整合、分析、解决问题的能力，增强教与学的互动效果，在一定程度上提高了医用有机化学实验教学的质量和效率。

整合课程体系建设和胜任力导向医学教育是当前我国医学教育改革与发展的2项重要工作。本文试图从医学教育全过程视角明确院校教育和毕业后教育2个阶段的培养目标、相关性及存在的问题，强调院校教育与毕业后教育有机衔接的重要性。并在此基础上，确立整合课程建设的原则，即按照医学教育阶段合理设置学习内容和目标；明确与胜任力相契合的学习方式转变，强化自主学习能力的培养和实践驱动学习的落实；明确胜任力导向教育相关临床实践教学和胜任力评价的开展。

目的:探讨“立体整合、医患共教、模拟实操”教学模式在脊柱外科教学中的应用及效果。方法:选取2021年在北京协和医院外科实习的临床医学八年制学生64名作为研究对象。按照随机数字表法将其分为试验组（33名）与对照组（31名），试验组采用“立体整合、医患共教、模拟实操”的新教学模式，对照组采用常规教学方案。教学效果评价指标包括理论测试、解剖结构辨识测试及问卷调查分析。应用SPSS 22.0软件进行配对 t检验及两独立样本 t检验。 结果:试验组授课后理论测试成绩（51.25±6.99）分及解剖结构辨识成绩（37.56±1.83）分均高于对照组（42.46±6.13）分和（30.37±3.46）分，差异有统计学意义（ P<0.001）。调查问卷有效回收率100%，问卷结果显示：试验组在教学吸引力、课堂专注度、学习兴趣、学习效率、解剖辨识能力、发现解决问题能力及总体教学方式满意度方面均高于对照组（ P<0.05）。 结论:“立体整合、医患共教、模拟实操”教学模式可有效提高学生理论知识、学习兴趣、学习效率、实践操作和发现解决问题的能力，值得推广。

目的:探讨机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值。方法:采用回顾性描述性研究方法。收集2012年1月至2017年1月中国医学科学院北京协和医学院肿瘤医院收治的375例肝细胞癌行根治性肝切除术患者的临床病理资料；男304例，女71例；中位年龄为57岁，年龄范围为21～79岁。375例患者通过计算机产生随机数方法以8∶2比例分为训练集300例和验证集75例，应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络机器学习算法构建肝细胞癌患者术后生存的预测模型，筛选性能最优的机器学习算法预测模型；构建肝细胞癌患者术后生存预测的COX列线图预测模型；比较最优机器学习算法预测模型和COX列线图预测模型预测肝细胞癌患者术后生存的性能。观察指标：(1)训练集与验证集患者临床病理资料分析。(2)训练集与验证集患者随访及生存情况。(3)机器学习算法预测模型构建及验证。(4)COX列线图预测模型构建及验证。(5)随机森林机器学习算法预测模型与COX列线图预测模型预测性能评价。采用门诊或电话方式进行随访，了解患者生存情况。随访时间截至2019年12月或患者死亡。正态分布的计量资料以 ± s表示，组间比较采用配对 t检验。偏态分布的计量资料以 M( P25， P75)或 M(范围)表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数表示，当Tmin≥5，N≥40时，组间比较采用 χ2检验；当1≤Tmin≤5，N≥40时，采用校正 χ2检验；当Tmin<1或N<40时，采用Fisher确切概率法。采用Kaplan-Meier法计算生存率和绘制生存曲线。采用COX比例风险模型进行单因素分析，将 P<0.2的变量纳入Lasso回归分析，根据λ值筛选影响预后的变量，最后将变量纳入COX比例风险模型进行多因素分析。 结果:(1)训练集与验证集患者临床病理资料分析：训练集和验证集患者微血管侵犯(无、有)，肝硬化(无、有)分别为292、8例，105、195例和69、6例，37、38例，两组患者比较，差异均有统计学意义( χ2＝4.749，5.239， P<0.05)。(2)训练集与验证集患者随访及生存情况：训练集与验证集患者均获得随访。训练集300例患者随访时间为1.1～85.5个月，中位随访时间为50.3个月。验证集75例患者随访时间为1.0～85.7个月，中位随访时间为46.7个月。375例肝细胞癌患者术后1、3年总体生存率分别为91.7%、79.5%。训练集和验证集患者术后1、3年总体生存率分别为92.0%、79.7%和90.7%、81.9%。两组患者术后生存情况比较，差异无统计学意义( χ2＝0.113， P>0.05)。(3)机器学习算法预测模型构建及验证。①筛选最优机器学习算法预测模型：根据变量对预测肝细胞癌术后3年生存的信息增益度，应用逻辑回归、支持向量机、决策树、随机森林和人工神经网络5种机器学习算法对肝细胞癌临床病理因素进行变量综合排名。筛选主要预测因素为乙型肝炎e抗原(HBeAg)、手术方式、肿瘤最大直径、围术期输血、肝被膜侵犯、肝脏Ⅳ段侵犯。将预测因素前3、6、9、12、15、18、21、24、27、29个变量依次引入5种机器学习算法。其结果显示：当引入9个变量时，逻辑回归、支持向量机、决策树、随机森林机器学习算法预测模型受试者工作特征曲线的曲线下面积(AUC)趋于稳定。当引入变量>12个时，人工神经网络机器学习算法预测模型AUC波动明显，逻辑回归、支持向量机机器学习算法预测模型AUC稳定性可继续改善，而随机森林机器学习算法预测模型AUC接近0.990，说明随机森林机器学习算法预测模型为最优机器学习算法预测模型。②随机森林机器学习算法预测模型优化和验证：将预测因素29个变量依次引入随机森林机器学习算法预测模型中，构建训练集最佳随机森林机器学习算法预测模型。其结果显示：当引入变量＝10个时，网格搜索法示最佳决策树结点个数＝4，最佳决策树数目＝1 000；当引入变量≥10个时，随机森林机器学习算法预测模型AUC稳定在0.990左右。其中当引入变量＝10个时，随机森林机器学习算法预测模型预测训练集术后3年总体生存AUC为0.992，灵敏度为0.629，特异度为0.996，预测验证集术后3年总体生存AUC为0.723，灵敏度为0.177，特异度为0.948。(4)COX列线图预测模型构建及验证。①训练集患者术后生存因素分析。单因素分析结果显示：HBeAg、甲胎蛋白、围术期输血、肿瘤最大直径、肝被膜侵犯、肿瘤分化程度是影响肝细胞癌患者术后生存的相关因素(风险比＝1.958，1.878，2.170，1.188，2.052，0.222，95%可信区间为1.185～3.235，1.147～3.076，1.389～3.393，1.092～1.291，1.240～3.395，0.070～0.703， P<0.05)。将 P<0.2的临床病理因素纳入Lasso回归分析，其结果显示：性别，HBeAg，甲胎蛋白，手术方式，围术期输血，肿瘤最大直径，肿瘤位置在肝脏Ⅴ段和肝脏Ⅷ段，肝被膜侵犯，肿瘤分化程度(高分化、中高分化、中分化、中低分化)是影响肝细胞癌患者术后生存的相关因素。进一步将上述临床病理因素纳入多因素COX回归分析，其结果显示：HBeAg、手术方式、肿瘤最大直径是肝细胞癌患者术后生存的独立影响因素(风险比＝1.770，8.799，1.142，95%可信区间为1.049～2.987，1.203～64.342，1.051～1.242， P<0.05)。②COX列线图预测模型的构建和验证：将训练集COX多因素分析结果中 P≤0.1的临床病理因素引入Rstudio软件及其rms软件包，构建训练集COX列线图预测模型。COX列线图预测模型预测术后总体生存的C-index为0.723(se＝0.028)，预测训练集术后3年总体生存AUC为0.760，预测验证集术后3年总体生存AUC为0.795。训练集校准图验证显示COX列线图预测模型对术后生存有较好预测效果。COX列线图回归函数＝0.627 06×HBeAg(正常＝0，异常＝1)＋0.134 34×肿瘤最大直径(cm)＋2.107 58×手术方式(腹腔镜＝0，开腹手术＝1)＋0.545 58×围术期输血(无输血＝0，输血＝1)－1.421 33×高分化(非高分化＝0，高分化＝1)。计算所有患者COX列线图风险评分，应用Xtile软件寻找COX列线图风险评分最佳阈值，风险评分≥2.9分为高危组，风险评分<2.9分为低危组。Kaplan-Meier总体生存曲线结果显示：训练集低危组和高危组患者术后总体生存比较，差异有统计学意义( χ2＝33.065， P<0.05)。验证集低危组和高危组患者术后总体生存比较，差异有统计学意义( χ2＝6.585， P<0.05)。进一步采用决策曲线分析结果显示：联合HBeAg、手术方式、围术期输血、肿瘤最大直径和肿瘤分化程度因素的COX列线图预测模型预测性能优于单一因素的预测性能。(5)随机森林机器学习算法预测模型和COX列线图预测模型预测性能评价：通过对2种模型中共同含有的重要变量(肿瘤最大直径)进行分析，并将2种模型通过预测误差曲线进行比较，观察2种模型的预测差异。其结果显示：肿瘤最大直径为2.2 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为77.17%和74.77%( χ2＝0.182， P>0.05)；肿瘤最大直径为6.3 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为57.51%和61.65%( χ2＝0.394， P>0.05)；肿瘤最大直径为14.2 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为51.03%和27.52%( χ2＝12.762， P<0.05)。随着肿瘤最大直径增加，2种模型预测患者生存率差异增大。验证集中，随机森林机器学习算法预测模型预测患者术后3年总体生存AUC为0.723，COX列线图预测模型预测患者术后3年总体生存AUC为0.795，两者比较，差异有统计学意义( t＝3.353， P<0.05)。采用Bootstrap交叉验证结果显示：随机森林机器学习算法预测模型和COX列线图预测模型预测3年生存的整合Brier得分分别为0.139、0.134，COX列线图预测模型预测误差低于随机森林机器学习算法预测模型。 结论:与机器学习算法预测模型比较，COX列线图预测模型预测肝细胞癌术后3年生存性能更佳，且其变量少，易于临床使用。