• 首页
  • 机构概况
    • 研究院概况
    • 学术委员会
    • 研究团队
    • 研究方向
  • 研究成果
    • 学术论文
    • 学术专著
    • 研究报告
    • 研究项目
    • 专利标准
  • 科普案例
  • 数据资源
    • 调查数据
    • 医学信息数据
    • 基因组数据
    • 医学影像数据
    • 临床试验数据
  • 在线分析
    • 肺癌分析工具
    • 阿尔茨海默病分析工具
    • 自动化统计报告工具
  • 联系我们
CN EN

研究成果

  • 学术论文
  • 学术专著
  • 研究报告
  • 研究项目
  • 专利标准
首页 >  研究成果 >  学术论文

NEW基于IRT模型的中国老年人失能次序和失能分级研究

2025-07-28

对于老年人失能进展和失能分级的研究,既有文献一般依据日常活动限制(ADL)项目的数量对失能程度进行分级,很少关注活动限制项目发生的先后顺序、难易程度和时间间隔问题。本文引入项目反应理论(IRT)模型,基于中国老年健康影响因素跟踪调查(CLHLS)数据,对ADL项目的失能次序进行建模,发现从洗澡到穿衣、如厕、上下床以及进食和控制排泄等一般失能次序的进展规律,进而给出纳入失能次序信息的新的失能分级指标,并采用加速失效时间模型和多状态Markov模型等分析结果,对失能分级指标的合理性进行佐证,将研究结果用于对不同等级失能持续期和长期护理保险给付成本的测算。本研究可以为完善失能分级,合理配置失能护理时间,优化长期护理服务和长期护理保险制度提供参考。

NEWInterconnections of Multimorbidity-Related Clinical Outcomes: Analysis of Health Administrative Claims Data With a Dynamic Network Approach

2025-07-05

鉴于多病共存的复杂性和日益加重的疾病负担,亟需提供循证依据以支持多病共存相关临床结局的有效管理。本研究提出了一种动态网络分析方法,用于刻画疾病特异性临床结局之间的条件依赖关系及其随时间变化的动态特征。该方法有效应对了医学数据中普遍存在的零膨胀问题,突破了传统建模技术在处理此类数据时的局限性。我们系统构建了方法的理论基础,并通过大量仿真实验对其性能进行了验证。研究基于台湾2000-2013年健康行政理赔数据,覆盖多种疾病状态,深入分析了网络的关键特征,包括连通性、模块结构和时间变化等。为进一步展示该方法在多病共存管理中的应用价值,本文以乳腺癌为例,剖析了其相关的结局网络结构。研究结果为理解多病共存提供了新的临床视角,所提出的方法有望为治疗策略的制定、卫生资源的优化配置及健康政策的科学制定提供有力支持。

RFDFM: A Deep Factorization Machine Network Model for Invasive Lung Adenocarcinoma Screening in CT Images    

2024-10-24

作为肺癌的一种常见亚型,肺腺癌的诊断在临床实践中具有重要意义,特别是在区分非侵袭性腺癌(Pre-IA)和侵袭性腺癌(IAC)方面。这一区分至关重要,因为这两种病变对应着不同的临床治疗策略:Pre-IA通常需要患者进行随访以观察结节的进展情况,从而制定后续的治疗方案,而IAC一般来说需要进行手术干预。本研究针对肺腺癌的侵袭性分类问题,提出了一种基于影像组学特征的深度因子分解机模型(Radiomic Feature Deep Factorization Machine,RFDFM)。RFDFM模型结构包括了多个关键技术要点:首先,首次在医疗影像领域中引入了因子分解机模块,有效建模了不同影像组学特征之间的相互作用,提高了预测性能;其次,采用低层次特征融合卷积神经网络,最小化信息损耗,增强特征利用效率;此外,在特征融合过程中应用元素级注意力机制,动态为特征分配权重,突出关键特征,提高模型的拟合效率等。

Effectiveness of Influenza Vaccines in Preventing Acute Cardiovascular Events within 1 Year in Beijing, China

2024-09-28

关于流感疫苗对急性心血管事件的保护作用仍存在争议。我们利用全北京市住院电子病历和流感疫苗接种数据,研究了2016年1月1日至2018年12月31日期间接种流感疫苗且在接种后两年内至少经历过一次急性心血管事件的个体。采用自身对照病例系列设计,计算了接种后一年内急性心血管事件的相对发生率(RI)及95%置信区间(CI)。在1647名参与者中(中位年龄:65岁,女性占38.43%),疫苗接种后29–365天内事件风险为基线水平的0.76倍(RI:0.76;95% CI:0.68–0.84)。这一保护作用在较年轻的参与者(P = 0.043)和无心血管病史的个体(P < 0.001)中更为明显,而急性呼吸道感染(P = 0.986)和接种频率(P = 0.272)不会影响流感疫苗对心血管事件的保护效果。本研究发现,流感疫苗对急性心血管事件的保护效果可持续至少一年,这提示其对心血管疾病的预防具有潜力。

Sparse Clustering for Customer Segmentation with High-Dimensional Mixed-Type Data

2024-09-01

客户细分在商业活动中有广泛的应用,如个性化营销和目标产品开发。为了实现客户细分,通常使用聚类方法。然而,现代客户细分面临着高维度和混合型变量(即连续变量和分类变量的混合)的挑战。这对客户细分带来了巨大的难题,因为大多数现有的聚类方法仅设计用于单一类型变量的数据。此外,噪声变量的存在凸显了同时进行变量选择和数据聚类的必要性。基于这些问题,我们开发了一种基于戴维斯-鲍丁指数的稀疏聚类(DBI-SC)方法,用于处理高维混合型数据的客户细分。在该方法中,我们分别为连续变量和分类变量定义了不相似度度量。然后,设计了一个调整后的DBI标准,用以衡量每个变量对聚类的贡献。对于变量选择,我们应用稀疏聚类框架,并为混合型变量引入不同的惩罚参数。DBI-SC方法的筛选一致性性质也得到了研究。大量的模拟研究表明,DBI-SC方法在聚类和变量选择方面均表现出令人满意的性能。最后,使用所提方法对指定的驾驶服务数据集进行了客户细分分析。

Variable Importance Based Interaction Modelling with an Application on Initial Spread of Covid-19 in China

2024-08-09

线性回归模型的交互项选择在现代科学的许多领域都发挥着重要作用,但非常具有挑战性,特别是当解释变量的维数相对较高时。现有方法侧重于选择一个最优模型。然而,对于高维数据它们在稳定性方面可能表现不佳,且通常无法处理分类变量。本文针对具有连续和分类解释变量的线性回归模型提出了基于变量重要性的交互项建模 (VIBIM) 方法。本文证明了在适当的条件下,VIBIM方法可以渐近地识别所有真实的主效应和相互作用。模拟结果表明该方法具有良好的有限样本表现。此外,本文将VIBIM方法应用于COVID-19数据。与传统的组变量选择方法相比,VIBIM方法在可解释性、稳定性、可靠性和预测精度方面表现更好。

Incorporating Prior Information in Gene Expression Network-Based Cancer Heterogeneity Analysis

2024-07-29

癌症在分子层面上具有异质性,表面上看似相似的患者实际上拥有不同的分子景观,并因此表现出不同的临床行为。最近的研究表明,基因表达网络在癌症异质性分析方面比一些更简单的度量方法更有效且信息量更大。基因之间的互联可以分为“直接”与“间接”,其中“间接”互联可能由共享的基因调控因子(如转录因子、微小RNA及其他调控分子)以及其他机制引起。已有研究建议,在网络分析中纳入基因表达的调控因子,并专注于直接的互联,可以更深入地理解更为关键的基因互联。然而,这种分析面临着大量参数(由网络分析、调控因子的纳入及异质性共同导致)和通常较弱信号的严重挑战。为有效应对这一问题,我们提出将已发表文献中包含的先验信息纳入分析。一个关键挑战在于这些先验信息可能是不完整的甚至是错误的。我们开发了一种两步程序,能够灵活地适应不同质量水平的先验信息。模拟结果证明了所提方法的有效性及其相对于相关竞争方法的优越性。在对一个乳腺癌数据集的分析中,得出了与其他方法不同的发现,且识别出的样本子群具有重要的临床差异。

Identification and Estimation of Causal Effects in the Presence of Confounded Principal Strata

2024-07-29

​作为因果推断的重要工具,主分层分析近年来得到广泛应用,特别是在不依从问题和死亡截断问题中。在这些研究中,主分层由中间变量的联合潜在结果值确定,通常关注的是每个主分层内的因果效应,即主分层因果效应。传统基于观测数据识别主分层因果效应的研究需要依赖于处理分配的可忽略性假设,该假设本质上要求研究人员准确地测量尽可能多的协变量,以涵盖所有潜在的混杂因素。这在实践中可能由于成本和技术限制等原因而难以实现。针对这一问题,本文在处理和主分层之间存在未观测混杂因素的情况下,提出一种对主分层因果效应进行识别与估计的方法。该方法主要通过借助一对阴性对照变量来减少未观测混杂的影响,从而实现主分层因果效应的非参数识别。模拟结果表明该方法在估计的偏差、标准误和覆盖率上表现良好。此外,本文将所提出的方法应用于白血病研究的真实数据集中,用于评估两种不同的移植方案对于存活组白血病患者复发时间的影响。

上一页
1 2 3 4 5 6 7
下一页

友情链接

  • 中国人民大学
  • 国家卫生健康委员会
  • 中国人民大学统计学院
  • 国家疾病预防控制局
  • 中国人民大学应用统计科学研究中心
  • 中国疾病预防控制中心

联系方式

联系人:钱老师

邮箱:health@ruc.edu.cn

地址:北京市海淀区中关村大街59号中国人民大学明德主楼10层

中国人民大学健康大数据研究院 版权所有 京公网安备110402430004号 | 京ICP备05066828号-1

  • 机构概况
    • 研究院概况
    • 学术委员会
    • 研究团队
    • 研究方向
  • 研究成果
    • 学术论文
    • 学术专著
    • 研究报告
    • 研究项目
    • 专利标准
  • 科普案例
  • 数据资源
    • 调查数据
    • 医学信息数据
    • 基因组数据
    • 医学影像数据
    • 临床试验数据
  • 在线分析
    • 肺癌分析工具
    • 阿尔茨海默病分析工具
    • 自动化统计报告工具
  • 联系我们