目的:探讨配对二项资料两组率差置信区间的估计方法,并从中进行优选推荐。方法:按照方差估计反推(method of variance of estimates recovery,MOVER)原理,将两配对组率的关联Ф系数与单组率的置信区间进行组合,构建两组率差的置信...目的:探讨配对二项资料两组率差置信区间的估计方法,并从中进行优选推荐。方法:按照方差估计反推(method of variance of estimates recovery,MOVER)原理,将两配对组率的关联Ф系数与单组率的置信区间进行组合,构建两组率差的置信区间估计方法。其中,单组率置信区间估计分别采用Wilson计分法、Agresti-Coull法(AC法)、Jeffreys法和Clopper-Pearson精确法(CP法)。借助Monte Carlo模拟实验比较不同方法的统计学性能,在不同参数设定下进行I类错误率和把握度的模拟实验:(1)设定两组率关联Ф系数为0、0.2、0.4、0.6,样本量为20、60、100,分别模拟不同率水平下各方法的I类错误率,判定其模拟I类错误率是否接近事先定义的检验水平。(2)设定关联Ф系数为0.3,两组率差为10%,分别模拟不同率水平下各方法不同样本含量下的把握度(power)变化趋势。结果:在基于单组置信区间组合估计的几种MOVER方法中,MOVER Wilson计分法、MOVER Jeffreys法的I类错误率更接近事先设定的水平,尤其是在靠近0和100%两端时,MOVER Jeffreys法的I类错误率更优;除MOVER CP法,其他3种方法的把握度接近。结论:对于配对二项资料两组率差的置信区间估计,一般情况下(两组率在20%~80%范围内),可选择MOVER Wilson计分法或MOVER Jeffreys法;当两组率靠近两端时,推荐使用MOVER Jeffreys法。展开更多
目的利用医疗大数据和机器学习技术相结合,探索基于临床结果的临床医师绩效评价方法。方法采用非负主成分分析法(non-negative principal component analysis,NPCA),基于非负稀疏主成分算法(non-negative sparse principal component an...目的利用医疗大数据和机器学习技术相结合,探索基于临床结果的临床医师绩效评价方法。方法采用非负主成分分析法(non-negative principal component analysis,NPCA),基于非负稀疏主成分算法(non-negative sparse principal component analysis,NSPCA)对170名治疗心血管疾病的临床医师的11个临床工作绩效指标进行综合指数拟合。同时,基于根本原因评估技术(root cause assessment techniques)构建置信区间计算每一名临床医师各指标范围。结果门诊出院诊断符合率、手术切口甲级愈合率、手术患者比例、三日确诊率、开展三级和四级手术比例、完成手术及操作数在区分临床医师工作绩效上较为显著,而术前平均住院日、30天内非计划再入院率、出院患者平均住院日、主要诊断治愈/好转、收治患者数在区分临床医师临床工作绩效上不显著。通过综合指数拟合可对所有临床医师的整体工作绩效进行排名,进一步对各具体指标的高、中、低绩效评估可针对性地揭示每一名临床医师潜在的改建维度。结论利用机器学习技术实现以医疗大数据为载体综合评价临床医师临床工作绩效,有望为更科学、客观地评价临床医师工作绩效提供重要支撑。展开更多
文摘目的利用医疗大数据和机器学习技术相结合,探索基于临床结果的临床医师绩效评价方法。方法采用非负主成分分析法(non-negative principal component analysis,NPCA),基于非负稀疏主成分算法(non-negative sparse principal component analysis,NSPCA)对170名治疗心血管疾病的临床医师的11个临床工作绩效指标进行综合指数拟合。同时,基于根本原因评估技术(root cause assessment techniques)构建置信区间计算每一名临床医师各指标范围。结果门诊出院诊断符合率、手术切口甲级愈合率、手术患者比例、三日确诊率、开展三级和四级手术比例、完成手术及操作数在区分临床医师工作绩效上较为显著,而术前平均住院日、30天内非计划再入院率、出院患者平均住院日、主要诊断治愈/好转、收治患者数在区分临床医师临床工作绩效上不显著。通过综合指数拟合可对所有临床医师的整体工作绩效进行排名,进一步对各具体指标的高、中、低绩效评估可针对性地揭示每一名临床医师潜在的改建维度。结论利用机器学习技术实现以医疗大数据为载体综合评价临床医师临床工作绩效,有望为更科学、客观地评价临床医师工作绩效提供重要支撑。