目的综述脊髓性肌萎缩(SMA)药物经济学评价的研究新进展,以期为相关临床治疗、筛查和医保支付决策提供参考。方法计算机检索PubMed、Web of Science、Embase、Scopus、Cochrane Library、EBSCOhost、中国知网、维普、中国生物医学文献...目的综述脊髓性肌萎缩(SMA)药物经济学评价的研究新进展,以期为相关临床治疗、筛查和医保支付决策提供参考。方法计算机检索PubMed、Web of Science、Embase、Scopus、Cochrane Library、EBSCOhost、中国知网、维普、中国生物医学文献数据库、万方数据等数据库和英国国家健康研究所、国际卫生保健技术评估协会、美国医疗保健研究与质量局等卫生技术评估(HTA)机构的网站,搜集与SMA相关的药物经济学评价研究。检索时限为建库至2023年12月31日。由2名研究人员严格按照纳入、排除标准进行文献/报告筛选,并使用Excel 2019软件提取所纳入文献/报告的基本信息;采用卫生经济学评价报告标准共识2022评价纳入文献/报告的研究质量。结果最终纳入9篇文献和15篇HTA报告,文献的质量整体较好,但HTA报告的质量较差。SMA药物经济学评价研究共计24项,治疗方案包括诺西那生钠、索伐瑞韦、利司扑兰和最佳支持治疗等。综述结果显示,诺西那生钠治疗SMA不具有经济性;利司扑兰和索伐瑞韦等治疗方案的经济性尚无一致结论;新生儿/产前筛查联合药物治疗方案具有经济性。结论新生儿/产前筛查联合药物治疗SMA具有经济学优势。建议未来基于我国本土化参数和医保价格继续探讨SMA新型治疗药物与SMA筛查相关的经济性,逐步将SMA筛查纳入新生儿遗传病检测范围,从而缓解患者家庭和卫生体系沉重的经济负担。展开更多
针对现有超分辨率重建网络具有较高的计算复杂度和存在大量内存消耗的问题,提出了一种基于Transformer-CNN的轻量级图像超分辨率重建网络,使超分辨率重建网络更适合应用于移动平台等嵌入式终端。首先,提出了一个基于Transformer-CNN的...针对现有超分辨率重建网络具有较高的计算复杂度和存在大量内存消耗的问题,提出了一种基于Transformer-CNN的轻量级图像超分辨率重建网络,使超分辨率重建网络更适合应用于移动平台等嵌入式终端。首先,提出了一个基于Transformer-CNN的混合模块,从而增强网络捕获局部−全局深度特征的能力;其次,提出了一个改进的倒置残差块来特别关注高频区域的特征,以提升特征提取能力和减少推理时间;最后,在探索激活函数的最佳选择后,采用GELU(Gaussian Error Linear Unit)激活函数来进一步提高网络性能。实验结果表明,所提网络可以在图像超分辨率性能和网络复杂度之间取得很好的平衡,而且在基准数据集Urban100上4倍超分辨率的推理速度达到91 frame/s,比优秀网络SwinIR(Image Restoration using Swin transformer)快11倍,表明所提网络能够高效地重建图像的纹理和细节,并减少大量的推理时间。展开更多
文摘目的综述脊髓性肌萎缩(SMA)药物经济学评价的研究新进展,以期为相关临床治疗、筛查和医保支付决策提供参考。方法计算机检索PubMed、Web of Science、Embase、Scopus、Cochrane Library、EBSCOhost、中国知网、维普、中国生物医学文献数据库、万方数据等数据库和英国国家健康研究所、国际卫生保健技术评估协会、美国医疗保健研究与质量局等卫生技术评估(HTA)机构的网站,搜集与SMA相关的药物经济学评价研究。检索时限为建库至2023年12月31日。由2名研究人员严格按照纳入、排除标准进行文献/报告筛选,并使用Excel 2019软件提取所纳入文献/报告的基本信息;采用卫生经济学评价报告标准共识2022评价纳入文献/报告的研究质量。结果最终纳入9篇文献和15篇HTA报告,文献的质量整体较好,但HTA报告的质量较差。SMA药物经济学评价研究共计24项,治疗方案包括诺西那生钠、索伐瑞韦、利司扑兰和最佳支持治疗等。综述结果显示,诺西那生钠治疗SMA不具有经济性;利司扑兰和索伐瑞韦等治疗方案的经济性尚无一致结论;新生儿/产前筛查联合药物治疗方案具有经济性。结论新生儿/产前筛查联合药物治疗SMA具有经济学优势。建议未来基于我国本土化参数和医保价格继续探讨SMA新型治疗药物与SMA筛查相关的经济性,逐步将SMA筛查纳入新生儿遗传病检测范围,从而缓解患者家庭和卫生体系沉重的经济负担。
文摘针对现有超分辨率重建网络具有较高的计算复杂度和存在大量内存消耗的问题,提出了一种基于Transformer-CNN的轻量级图像超分辨率重建网络,使超分辨率重建网络更适合应用于移动平台等嵌入式终端。首先,提出了一个基于Transformer-CNN的混合模块,从而增强网络捕获局部−全局深度特征的能力;其次,提出了一个改进的倒置残差块来特别关注高频区域的特征,以提升特征提取能力和减少推理时间;最后,在探索激活函数的最佳选择后,采用GELU(Gaussian Error Linear Unit)激活函数来进一步提高网络性能。实验结果表明,所提网络可以在图像超分辨率性能和网络复杂度之间取得很好的平衡,而且在基准数据集Urban100上4倍超分辨率的推理速度达到91 frame/s,比优秀网络SwinIR(Image Restoration using Swin transformer)快11倍,表明所提网络能够高效地重建图像的纹理和细节,并减少大量的推理时间。