目的 探讨前列腺特异性抗原(PSA)水平的动态变化对晚期前列腺癌患者生存预后的影响,为前列腺癌患者个性化治疗提供一定的理论依据.方法 本研究为回顾性队列研究.连续性收集2011-01-01-2017-12-31新疆医科大学附属肿瘤医院经病理学检查确诊为前列腺癌的176例患者作为研究对象,根据治疗方案分为比卡鲁胺联合戈舍瑞林组(n=126)和氟他胺联合戈舍瑞林组(n=50).采用线性混合效应模型和Cox比例风险模型分别拟合晚期前列腺癌患者血清PSA水平的动态变化及其生存数据,进而根据共享随机效应构建极大似然估计和贝叶斯估计法下的联合模型.通过赤池信息准则(AIC)、贝叶斯信息准则(BIC)以及对数似然函数(LLF)值评估2类联合模型的拟合优度.采用受试者工作特征曲线下面积(AUC)和预测误差(PE)比较2类联合模型的预测性能.通过独立样本t检验、Mann-Whitney U秩和检验、x2检验或Fisher确切概率法比较不同治疗方案下患者基线数据的组间差异.结果 共纳入176例前列腺癌患者,年龄45～90岁,平均年龄(71.76±7.86)岁,随访1.30～36.77个月.极大似然估计下的联合模型结果显示,相比于患者血清PSA水平未增加时,当PSA水平随时间增至10倍后,患者死亡风险增加0.94倍(HR=1.94,95％CI:1.74～2.16,P＜0.001);贝叶斯估计下的联合模型结果显示,相比于患者血清PSA水平未增加时,当PSA水平随时间增至10倍后,患者死亡风险增加1.18倍(HR=2.18,95％CI:1.77～2.73,P＜0.001).此外,极大似然估计下的联合模型展现出更好的拟合优度(AIC=3 265.01,BIC=3 303.06,LLF=-1 620.51),而贝叶斯估计下联合模型的AUC值(0.70～0.88)更大、PE值(0.04～0.10)更小,提示其具有更强的预测性能.结论 晚期前列腺癌患者血清PSA水平升高是其生存预后的危险因素,临床上应密切监测前列腺癌患者血清PSA水平的动态变化,以便更准确地制定个性化治疗方案.

目的:严重创伤事件具有突发性、发生率低、无法预测，重症监护病房设置多少重症监护床位数量才能够满足严重创伤救治的临床需求，同时医疗资源得到合理利用？目前指南并未给出精确建议。为此，以北京大学人民医院分院区创伤重症监护病床需求数量评估为例，以期提出合理的监护床位数量。方法:提取本院某分院区2022年1月至2022年6月的严重创伤患者，统计每日所使用的重症监护床位数量。按照分布概率函数计算99%临床需求下的重症监护床位数量。结果:2022年1月至2022年6月，共103名严重创伤患者接受了重症监护治疗，年龄（51.47±16.06）岁，年龄范围16~87岁，其中男性74人，女性29人。57人为车祸伤，26人为高处坠落伤，12人为跌倒摔伤，4人为重物砸伤，4人为锐器伤。ISS范围16~50。每日创伤重症监护病床使用数量为0~10张，其分布符合泊松分布。按照概率函数计算，当设置9张创伤重症监护床位时，可以满足99.19%的严重创伤的临床使用需求。结论:在严重创伤事件中，需尽快将患者转运到有空置重症监护床位的医院。对于该分院区而言，设置9张重症监护病房床位可满足99.19%的严重创伤救治临床需求。由此推论，按照创伤中心建设的基本要求，具备创伤中心的医院，重症监护病房需要至少9张床位。需要注意，严重创伤事件无法预测，故床位数量需要定期评估，以及时发现临床需求的变化。

目的:分析德宏傣族景颇族自治州（德宏州）2010-2019年HIV感染者开始抗病毒治疗（ART）后艾滋病相关死亡和非艾滋病相关死亡情况、变化趋势及其影响因素。方法:基于国家HIV感染者ART库，分析德宏州2010-2019年开始ART的HIV感染者。用累积发生函数（CIF）估算HIV感染者的死亡概率，用亚分布比例风险模型（F-G模型）比较发生艾滋病相关死亡和非艾滋病相关死亡的差异，并分析其影响因素。结果:共7 068例HIV感染者纳入分析，其中艾滋病相关死亡388例，非艾滋病相关死亡570例。对于艾滋病相关死亡和非艾滋病相关死亡，研究对象接受ART后第1、2、3、4、5、7、9年的累积发生率分别为2.27%、3.46%、4.47%、5.03%、5.84%、6.61%、7.40%和1.63%、3.11%、4.68%、6.02%、7.42%、10.49%、12.75%。F-G模型多因素结果显示，开始ART年龄较大、男性、未婚、注射吸毒感染途径、基线BMI低、基线CD4 +T细胞计数较低、基线肝纤维化指数（FIB-4）>3.25、基线贫血是艾滋病相关死亡的危险因素；开始ART年龄≥45岁、男性、傣族、景颇族、未婚、注射吸毒感染途径、基线BMI低、基线FIB-4 >3.25、基线肾小球滤过率估算值<60 ml·min -1·1.73 m -2、基线贫血是非艾滋病相关死亡的危险因素。 结论:2010-2019年德宏州HIV感染者开始ART后死亡的累积发生率较低，发生非艾滋病相关死亡的累积发生率总体高于艾滋病相关死亡的累积发生率。艾滋病相关死亡和非艾滋病相关死亡的影响因素也存在差异，应针对非艾滋病相关死亡的影响因素加强干预。

目的:建立2型糖尿病（T2DM）人群中预警前列腺癌（PCa）的前列腺特异性抗原（PSA）新阈值。方法:回顾性分析2012年1月至2018年12月上海市第十人民医院收治的2 151例初次行前列腺穿刺活检术患者的临床资料。以前列腺穿刺活检病理结果阳性为金标准，将所有患者分为T2DM组和非T2DM组进行比较，其中合并PCa的患者分为PCa-T2DM组和PCa-非T2DM组。采用大数据分析与机器学习的方法，得到T2DM人群中预警PCa的PSA新阈值（原阈值4.0 ng/ml），计算其灵敏度、特异度。采用概率函数拟合估算总体人群中PSA水平的分布情况，支持向量机计算新阈值，受试者工作特征（ROC）曲线用于检验其诊断效能。结果:2 151例患者的PCa检出率为35.89%（772/2 151）。将所有受试者分为T2DM组496例（23.06%）和非T2DM组1 655例（76.94%）。T2DM组患者的PSA低于非T2DM组，差异均有统计学意义（ P<0.01）。针对T2DM人群筛查PCa的PSA新阈值为3.27 ng/ml。T2DM组以PSA=3.27 ng/ml作为诊断截点，ROC曲线下面积为0.83，诊断的灵敏度和特异度分别为94.53%和41.36%。全部人群以PSA=4 ng/ml作为诊断截点，ROC曲线下面积为0.83，灵敏度和特异度分别为91.54%和46.78%。两组比较差异无统计学意义（ P>0.05）。 结论:T2DM患者PSA水平降低，针对T2DM人群的PSA新阈值（3.27 ng/ml）具有较好的前列腺癌预警作用，有利于提高T2DM患者前列腺癌的早期诊断率。

目的：:通过术前对高度近视并发白内障患者行Kappa角测定，从而评估Kappa角对高度近视并发白内障患者行区域折射多焦点人工晶状体（MIOL）植入术后视觉质量的影响。方法：:回顾性系列病例研究。收集2018年10月至2019年10月因高度近视并发白内障于潍坊市眼科医院行白内障超声乳化抽吸联合区域折射MIOL植入术的患者53例（53眼），年龄42~66（52.2±6.3）岁。根据患者术前测量的Kappa角，即视轴与瞳孔中心的距离（r），将患者分为A组（0

目的:了解重庆市2020年度SARS-CoV-2感染者流行病学特征，并估计该阶段疫情传播的重要流行病学参数，探究防控措施对新发流行病传播的影响。方法:回顾性收集重庆市卫生健康委员会和重庆市疾病预防控制中心2020年重庆市SARS-CoV-2感染者的数据，采用描述性统计分析方法，对疾病进行流行病学特征分析，构造似然函数，并根据Akaike信息准则估计了潜伏期的最优概率分布。最后基于极大似然思想和贝叶斯框架对基本再生数、有效再生数进行了估计。结果:重庆市于2020年1月1日出现首例病例，发病高峰在1月24—26日，2月21日之后无新发病例。渝东北片区地区发病率最高（3.28/10万）。发病人群男女性别比为1.10∶1，总体发病率男性（1.86 /10万）稍高于女性（1.73 /10万）。确诊病例中占比最多的年龄组为45~50岁（91例，91/576），其次是50~55岁（71例，71/576）。潜伏期的最优概率分布为伽马分布，估计均值为7.22 d。重庆市COVID-19疫情初始阶段的基本再生数估计为2.68（2.04, 3.44），有效再生数的变化趋势与防控策略的实施密切相关。结论:重庆市2020年1—2月全市COVID-19流行曲线呈起病急、收尾快的特点。尽管疫情具有较强的传播性，但定量和定性分析均表明政府采取防控措施及时有效，为将来新发突发传染病防控积累了经验。

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。

目的:探索脓毒症患者住院期间最佳脉搏血氧饱和度（SpO 2）范围。 方法:采用病例-对照研究设计。提取美国重症监护医学信息数据库Ⅳ（MIMIC-Ⅳ）脓毒症患者人口统计学信息、生命体征、合并症、实验室参数、危重症评分、临床治疗信息和临床结局等资料。采用广义加性模型（GAM）结合Loess平滑函数，分析并可视化脓毒症患者住院期间SpO 2与院内全因病死率的非线性关系，确定最佳SpO 2范围，然后利用Logistic回归模型和Kaplan-Meier生存曲线验证SpO 2与院内全因病死率的关联性。 结果:共纳入5?937例脓毒症患者，其中1?191例（20.1%）在住院期间死亡。GAM分析显示，脓毒症患者住院期间SpO 2与院内全因病死率存在非线性关系，呈"U"型曲线，当SpO 2在0.96～0.98时病死率最低。经过多因素调整的Logistic回归模型进一步证实，住院期间SpO 2在0.96～0.98的患者病死率低于SpO 2<0.96的患者〔低氧组，优势比（ OR）＝2.659，95%可信区间（95% CI）为2.190～3.229， P<0.001〕和SpO 2>0.98的患者（高氧组， OR＝1.594，95% CI为1.337～1.900， P<0.001）。Kaplan-Meier生存曲线同样表明，住院期间SpO 2在0.96～0.98的患者生存概率高于SpO 2<0.96和SpO 2>0.98的患者（Log-Rank检验： χ2＝113.400， P<0.001）。且敏感性分析显示，除样本量较小的亚组外，在年龄、性别、体质量指数（BMI）、入院类型、种族、心率、收缩压、舒张压、平均动脉压、呼吸频率、体温、心肌梗死、充血性心力衰竭、脑血管疾病、慢性肝病、糖尿病、序贯器官衰竭评分（SOFA）、简化急性生理学评分Ⅱ（SAPSⅡ）、全身炎症反应综合征评分（SIRS）、格拉斯哥昏迷评分（GCS）等亚组分层中，SpO 2在0.96～0.98患者的病死率较SpO 2<0.96和SpO 2>0.98的患者明显降低。 结论:脓毒症患者住院期间SpO 2水平与院内全因病死率呈"U"型曲线关系，即高氧与低氧均与死亡风险增加有关，且确定最佳SpO 2范围为0.96～0.98。

目的:研究舱室空气微生物浓度检测数据分布的有效统计学分析模型，为获取舱室空气微生物污染容许浓度理论限值提供手段。方法:应用数学统计学原理，采用线性变换 y＝ x、负指数变换 y＝1/ x、根指数变换 y＝sqrt( x)、对数变换 y＝log10( x)和反三角函数变换 y＝arctg( x)5种数学映射变换处理检测数据；应用正态分布、伽玛分布、指数分布、瑞利分布、威布尔分布和贝塔分布6种概率函数模型分析数据的分布；在映射变换置信水平α＝0.05下，采用KS检验方法对模型可接受性进行检验，当 P≥α时判定为不拒绝该分布模型。 结果:舰艇舱室空气微生物浓度数据经线性变换、负指数变换、根指数变换、对数变换后，大型水面舰艇、潜艇舱室微生物浓度分布接受正态分布模型、伽玛分布模型和威布尔分布模型( P≥α)；普通水面舰艇舱室微生物浓度分布接受威布尔分布模型( P≥α)。 结论:威布尔分布模型在舱室微生物数据分布统计学分析中通用性好，可用于容许浓度理论参数值演算。

贝叶斯分析方法是一种统计推断框架，它基于贝叶斯定理结合先验知识和新的数据来更新对某一参数或假设的概率估计。在贝叶斯分析方法中，先验知识被表达为先验分布，新数据通过似然函数加以考虑，结合先验分布和似然函数可以得到后验分布，后验分布反映了在观察到新数据后对参数的更新认识。假设冬季流感的患病率是1%，在没有其他信息时1个人患流感的概率是1%，如果已知流感患者中咳嗽发生率是健康人群中的20倍，那么咳嗽患者患流感的概率就会增长到17%左右。这里的1%为先验概率，20为似然比，17%为后验概率。如果再有发热、血常规等数据，可以进一步估计后验概率，提升诊断的准确性。贝叶斯分析方法的优势在于能够直接对参数的不确定性进行量化，并且在获得新的数据时可以灵活地更新参数的估计，提供了一种灵活且强大的工具来评估治疗效果、进行决策和预测。