论文部分内容阅读
互联网技术的高速发展,使得“大数据”作为当前的热门行业之一愈来愈受人们的关注,而医疗相关的“大数据”与人的健康有着密切的联系。处理好这些“大数据”可以预测疾病的发生、改善医疗方案、降低医疗的风险、降低医疗成本,进而改善患者的健康状况、促进人们的生活水平的提高。免疫检查点抑制剂药物是当前治疗癌症的最有效的手段之一,虽然它能有效提高癌症患者的生存率,但是它能导致患者发生免疫不良反应事件,严重影响患者的健康状况,因此对此需要特别重视。当前没有方法预测对于不同药量免疫检查点抑制剂与免疫不良反应事件的相关性,因此本文把效应量和95%置信区间作为重要的指标,提出了一套完整的荟萃分析模型,该荟萃分析模型主要由异质性检验模型、固定效应模型、随机效应模型和发表偏倚检验模型组成。在本文中,异质性检验模型由Q检验模型和I~2检验模型组成,通过Q检验模型得出的指标p值和I~2检验模型得出的指标I~2值判断异质性。若Q检验模型得出的指标p值大于0.1或者I~2检验得出的指标I~2小于50%,则采用固定效应模型,否则采用随机效应模型。固定效应模型和随机效应模型是荟萃分析模型的核心,通过它们可以得出指标效应量OR值和指标95%置信区间CI来判断不同药量的免疫检查点抑制剂与免疫不良反应的相关性。如果指标OR值大于1,并且指标CI的内的数值都大于1,则说明接受高药量的免疫检查点抑制剂更容易免疫不良反应事件;如果指标OR值小于1,并且指标CI内的所有数值都小于1,则说明接受高药量的免疫检查点抑制剂更容易免疫不良反应事件;否则两者不相关。实验结果可由森林图直观给出。发表偏倚检验模型由Begg检验模型和Egger检验模型组成,通过Begg检验模型和Egger检验模型得出的指标p值判断荟萃分析中的发表偏倚现象。如果Begg检验模型和Egger检验模型得出的指标p值都小于0.05,则该荟萃分析中不存在发表偏倚;否则存在发表偏倚现象。本文最后采用该荟萃分析模型对于不同药量免疫检查点抑制剂与免疫不良反应的相关性进行预测。实验结果表明,相比其它低药量的免疫检查点抑制剂,高药量(10 mg/kg)的免疫检查点抑制剂更容易出现天冬氨酸转氨酶升高、结肠炎和皮疹等免疫不良反应事件。