目的系统梳理并综合评估现有维持性血液透析患者衰弱风险预测模型的构建特征、预测效能与方法学质量,为该领域模型的优化与临床转化提供全面的证据总结与参考。方法系统检索PubMed、Embase、Web of Science、Cocharne Library、中国知...目的系统梳理并综合评估现有维持性血液透析患者衰弱风险预测模型的构建特征、预测效能与方法学质量,为该领域模型的优化与临床转化提供全面的证据总结与参考。方法系统检索PubMed、Embase、Web of Science、Cocharne Library、中国知网、万方数据库、维普数据库和中国生物医学文献数据库,收集建库至2025年9月发表的维持性血液透析患者衰弱风险预测模型的相关研究。文献筛选和数据提取由2名研究人员独立完成,并采用预测模型偏倚风险评估工具对所有纳入研究的偏倚风险及临床适用性进行评估。结果共纳入15项研究,涉及19个预测模型。Meta分析显示,模型整体区分度良好(合并曲线下面积=0.882,95%CI:0.839~0.924),但研究间存在高度异质性(I^(2)=92.57%),且敏感性分析证实此结果稳健。质量评价结果显示,13项研究存在高偏倚风险。预测因子可归纳为患者基线资料、疾病负担、实验室指标和功能状态4个类别,其中年龄、合并症指数、血清白蛋白、抑郁症状和体力活动水平是高频的核心风险因素。结论现有维持性血液透析患者衰弱风险预测模型研究呈现出“表现性能良好,但研究严谨性不足”的矛盾特征,然而,识别出的核心风险因素集可为当前临床提供实用的高风险个体警示信号。未来还需开展高质量的风险预测模型研究,并通过临床实际部署验证其临床适用性和有效性。展开更多
现有用户画像方法缺乏不同粒度文本信息表示,且特征提取阶段存在噪声,导致构建画像不够准确。针对以上问题,提出一种融合多粒度信息的用户画像生成方法(user profile based on multi-granularity information fusion,UP-MGIF)。首先,该...现有用户画像方法缺乏不同粒度文本信息表示,且特征提取阶段存在噪声,导致构建画像不够准确。针对以上问题,提出一种融合多粒度信息的用户画像生成方法(user profile based on multi-granularity information fusion,UP-MGIF)。首先,该方法在嵌入层融合字粒度、词粒度表示向量以扩充特征内容;其次,在改进双向门控循环单元网络基础上,结合降噪自编码器和注意力机制设计一种特征提取混合模型Bi-GRU-DAE-Attention,实现特征降噪和语义增强;最后,将鲁棒性强的特征向量输入到分类器中实现用户画像生成。实验表明,该用户画像生成方法在医疗和互联网两个画像数据集上的分类准确率高于其他基线方法,并通过消融实验验证了各个模块的有效性。展开更多
文摘目的系统梳理并综合评估现有维持性血液透析患者衰弱风险预测模型的构建特征、预测效能与方法学质量,为该领域模型的优化与临床转化提供全面的证据总结与参考。方法系统检索PubMed、Embase、Web of Science、Cocharne Library、中国知网、万方数据库、维普数据库和中国生物医学文献数据库,收集建库至2025年9月发表的维持性血液透析患者衰弱风险预测模型的相关研究。文献筛选和数据提取由2名研究人员独立完成,并采用预测模型偏倚风险评估工具对所有纳入研究的偏倚风险及临床适用性进行评估。结果共纳入15项研究,涉及19个预测模型。Meta分析显示,模型整体区分度良好(合并曲线下面积=0.882,95%CI:0.839~0.924),但研究间存在高度异质性(I^(2)=92.57%),且敏感性分析证实此结果稳健。质量评价结果显示,13项研究存在高偏倚风险。预测因子可归纳为患者基线资料、疾病负担、实验室指标和功能状态4个类别,其中年龄、合并症指数、血清白蛋白、抑郁症状和体力活动水平是高频的核心风险因素。结论现有维持性血液透析患者衰弱风险预测模型研究呈现出“表现性能良好,但研究严谨性不足”的矛盾特征,然而,识别出的核心风险因素集可为当前临床提供实用的高风险个体警示信号。未来还需开展高质量的风险预测模型研究,并通过临床实际部署验证其临床适用性和有效性。
文摘现有用户画像方法缺乏不同粒度文本信息表示,且特征提取阶段存在噪声,导致构建画像不够准确。针对以上问题,提出一种融合多粒度信息的用户画像生成方法(user profile based on multi-granularity information fusion,UP-MGIF)。首先,该方法在嵌入层融合字粒度、词粒度表示向量以扩充特征内容;其次,在改进双向门控循环单元网络基础上,结合降噪自编码器和注意力机制设计一种特征提取混合模型Bi-GRU-DAE-Attention,实现特征降噪和语义增强;最后,将鲁棒性强的特征向量输入到分类器中实现用户画像生成。实验表明,该用户画像生成方法在医疗和互联网两个画像数据集上的分类准确率高于其他基线方法,并通过消融实验验证了各个模块的有效性。
