什么是基线全球基线预测 或者是基线预测

基线HBsAg定量值预测聚乙二醇干扰素α-2b治疗慢性乙型肝炎疗效--《浙江预防医学》2014年11期
基线HBsAg定量值预测聚乙二醇干扰素α-2b治疗慢性乙型肝炎疗效
【摘要】:目的评估基线HBs Ag定量值对聚乙二醇干扰素α-2b(PEG-IFNα2b)治疗HBe Ag阳性慢性乙型肝炎病毒学应答的预测作用。方法对55例PEG-IFNα2b治疗的HBe Ag阳性慢性乙型肝炎患者分别采用Taqman荧光定量PCR、雅培i2000 HBs Ag试剂动态检测血清基线、治疗期间HBV DNA载量或HBs Ag滴度。评估HBs Ag定量值对PEG-IFNα2b治疗HBe Ag阳性慢性乙型肝炎病毒学应答的预测作用。结果经PEG-IFNα2b单药治疗48周后,HBs Ag基线20 000 IU/m L(A组)的患者18例,获得病毒学应答(VR)率16.67%;1 500~20 000 IU/m L(B组)的26例,获得VR应答率42.31%;1 500 IU/m L(C组)11例,获得VR应答率63.64%。A组与C组间比较,差异有统计学意义(P0.05)。治疗12周log10HBs Ag下降值大于0.5组与小于0.5组间取得VR与SVR(持续性病毒应答)的阴转率比较,差异均无统计学意义(P0.05);log10HBs Ag下降值1.0组与1.0组间取得VR与SVR的阴转率比较,差异均无统计学意义(P0.05)。A组18例中,有16例经PEG-IFNα2b单药治疗24~48周,HBV DNA仍为阳性。结论 HBs Ag基线水平联合HBV DNA定量可能成为一个有效的预测指标,对优化PEG-IFNα2b HBe Ag阳性慢性乙型肝炎的治疗有一定的指示意义。
【作者单位】:
【基金】:
【分类号】:R446.62;R512.62
欢迎:、、)
支持CAJ、PDF文件格式,仅支持PDF格式
【共引文献】
中国期刊全文数据库
李丽;于海滨;闾军;韩大康;;[J];北京医学;2010年03期
郭新会;金瑞;张世斌;徐斌;朱任平;张月宁;边新渠;;[J];北京医学;2011年09期
王宇;贾继东;;[J];传染病信息;2009年04期
柳芳芳;苏海滨;王慧芬;胡瑾华;闫涛;王会;岳小敬;;[J];传染病信息;2010年03期
万谟彬;;[J];传染病信息;2010年04期
李莉;孙海霞;李刚;;[J];广东医学;2012年09期
于乐成;何长伦;汪茂荣;;[J];实用肝脏病杂志;2010年04期
浦永兰;王杰;曹利峰;顾挺;李志勇;;[J];实用肝脏病杂志;2010年06期
吴鹏;丛瑞;尤红;;[J];实用肝脏病杂志;2010年06期
李梦东;聂青和;;[J];实用肝脏病杂志;2011年01期
中国重要会议论文全文数据库
苏娜;吴斌;徐珽;唐尧;;[A];2010年临床药学学术年会暨第六届临床药师论坛论文集[C];2010年
吴斌;沈金芳;;[A];2009年中国药学大会暨第九届中国药师周论文集[C];2009年
吴斌;沈金芳;;[A];2010年中国药学大会暨第十届中国药师周论文集[C];2010年
顾晓莺;;[A];2011年全国医药学术论坛交流会暨临床药学与药学服务研究进展培训班论文集[C];2011年
刘成海;;[A];第二十一届全国中西医结合消化系统疾病学术会议暨国家级中西医结合消化系统疾病新进展学习班论文汇编[C];2009年
王宇明;;[A];病毒性肝炎慢性化、重症化基础与临床研究进展学术会议论文汇编[C];2009年
王宇明;;[A];病毒性肝炎慢性化、重症化基础与临床研究进展学术会议论文汇编[C];2009年
王淑玲;;[A];2013年中国临床药学学术年会暨第九届临床药师论坛论文集[C];2013年
吴斌;林厚文;;[A];2013年中国药学大会暨第十三届中国药师周论文集[C];2013年
龙涛;徐龙;徐贞秋;付军;;[A];江西省第三次中西医结合肝病学术会议暨江西省中西医结合肝病新进展学习班论文汇编[C];2012年
中国博士学位论文全文数据库
夏芸;[D];北京中医药大学;2011年
赵耀;[D];重庆医科大学;2011年
刘陈;[D];第三军医大学;2011年
杨松;[D];山东大学;2009年
徐严;[D];吉林大学;2010年
王雪艳;[D];中国疾病预防控制中心;2010年
阿玛杜(AMADOU Ibrahim Halilou);[D];华中科技大学;2013年
张婷婷;[D];安徽医科大学;2013年
许舸;[D];重庆医科大学;2012年
王丽媛;[D];山东大学;2014年
【相似文献】
中国期刊全文数据库
潘永华,向晟;[J];中国民族民间医药杂志;2001年01期
闫洪凤,阴其玲,苏翠丽,李蕊,周长来;[J];齐鲁护理杂志;2001年05期
孙丰霞,于爱东,王慧;[J];齐鲁护理杂志;2001年06期
马洪波,郎振为,金荣华,黄春,金瑞;[J];首都医科大学学报;2001年03期
张月铭,刘长凯,牛龙喜,臧秀萍;[J];山西临床医药;2001年04期
李振玉,丁治伟;[J];时珍国医国药;2001年09期
徐克成,吴建文;[J];胃肠病学;2001年02期
朱精田,赵吉香,乔志平;[J];现代中西医结合杂志;2001年24期
宋相英,陈香凌;[J];现代康复;2001年11期
金生;[J];现代医药卫生;2001年05期
中国重要会议论文全文数据库
池晓玲;吴黎明;蒋俊民;田广俊;萧焕明;蔡高术;吴树铎;赵朋涛;;[A];全国第2届中西医结合传染病学术会议暨国家中医药管理局第1届传染病协作组会议论文汇编[C];2008年
萨尔娜;阿拉腾图雅;布音毕力格;额尔登其其格;那生巴图;;[A];第十八次全国中西医结合肝病学术会议论文汇编[C];2009年
张光华;赵晓燕;张帆;;[A];第十八次全国中西医结合肝病学术会议论文汇编[C];2009年
王瑞芳;杜国安;;[A];2011年全国医药学术论坛交流会暨临床药学与药学服务研究进展培训班论文集[C];2011年
刘莉;;[A];2004年浙江省传染病、肝病学术会议论文汇编[C];2004年
吴国庆;吴其恺;程井军;张红梅;;[A];第一次全国中西医结合传染病学术会议论文汇编[C];2006年
邹兴明;黄源波;肖声濂;;[A];首届江西省中西医结合肝病学术研讨会、首届江西省中西医结合肝病新进展学习班资料汇编[C];2008年
陈葵;杨高中;汤雄;;[A];首届江西省中西医结合肝病学术研讨会、首届江西省中西医结合肝病新进展学习班资料汇编[C];2008年
朱鸿;陈洁;范存琳;张韬;谷娅楠;;[A];中华医学会第八次全国检验医学学术会议暨中华医学会检验分会成立30周年庆典大会资料汇编[C];2009年
李晓良;张云城;;[A];全国第2届中西医结合传染病学术会议暨国家中医药管理局第1届传染病协作组会议论文汇编[C];2008年
中国重要报纸全文数据库
;[N];保健时报;2005年
上海中医药大学
胡义扬;[N];上海中医药报;2004年
宋欣荣;[N];科技日报;2007年
解放军458医院全军肝病中心主任医师
刘树人;[N];广东科技报;2008年
陈黎明;[N];家庭医生报;2006年
郑灵巧;[N];健康报;2008年
;[N];中国中医药报;2005年
蔺林天;[N];民族医药报;2005年
焦作市第三人民医院
赵宇亮;[N];焦作日报;2007年
奇妙;[N];医药经济报;2009年
中国博士学位论文全文数据库
李玲;[D];第三军医大学;2001年
王凯;[D];山东大学;2004年
杨富;[D];第二军医大学;2011年
吴刚;[D];重庆医科大学;2004年
张晓刚;[D];第一军医大学;2006年
吴龙仁;[D];延边大学;2006年
尹志农;[D];武汉大学;2011年
王立芹;[D];河北医科大学;2010年
郭明星;[D];湖北中医药大学;2014年
赵婷婷;[D];第三军医大学;2006年
中国硕士学位论文全文数据库
郭福玲;[D];大连医科大学;2006年
刘崇富;[D];第二军医大学;2002年
丁宁;[D];中国人民解放军军医进修学院;2011年
罗强;[D];重庆医科大学;2006年
杨玥;[D];安徽医科大学;2013年
侯亚红;[D];天津医科大学;2008年
胡敏鹂;[D];福建医科大学;2011年
单晓宇;[D];山东大学;2013年
郭红英;[D];复旦大学;2009年
何显;[D];河北医科大学;2011年
&快捷付款方式
&订购知网充值卡
400-819-9993追踪o新进展o血液系统肿瘤
基线时PSA水平可预测中年人患致命性前列腺癌的风险
小发表时间:
美国波士顿Brigham和妇女医院Mark A. Preston等报告,中年男性的基线时前列腺特异性抗原(PSA)水平可强烈预测其将来患致命性的风险。按风险分层,45~59岁的男性应当进行PSA筛查。(J Clin Oncol. 日在线版)一项瑞典研究发现,中年男性PSA水平与其发生的死亡率相关。据此,Preston等进行了该研究,自一项前瞻性研究中入组随机筛选的美国中年男性,以了解在基线PSA水平是否可以预测致命性的发生率。在美国,有一项关于阿司匹林和β-胡萝卜素的随机、安慰剂对照研究,共纳入了22 071例男性。该研究始于1982年,后过渡为一项前瞻性队列研究并随访超过了30年。研究者在该研究的基础上发起了一项巢式病例对照研究,挑选出40~59岁的中年男性,在检测完PSA之后对其进行随机分组。最终纳入了234例患者和711例年龄相同的对照组男性,并专门为其中71例致命性患者匹配了213例对照组男性。使用条件逻辑回归统计基线PSA水平与致命性患病风险之间的关联,计算风险比和受试者特征曲线下面积。结果显示,在40~49岁、50~54岁和55~59岁三组对照组男性中,中位PSA水平分别为0.68 ng/ml、0.88 ng/ml和0.96 ng/ml;三组中PSA高于中位数的男性出现致命性的比例分别为82%、71%和86%。将三组男性分为PSA水平>第90个百分位水平组和PSA水平≤中位数水平组后进行对比,患致命性的比值比分别为8.7(95%CI 1.0~78.2)、12.6(95%CI 1.4~110.4)和6.9(95%CI 2.5~19.1)。因此中年男性基线PSA水平与其患致命性的风险明显相关。(编译&汤星星&审校&)
      教程 | 从头开始:用Python实现基线机器学习算法
我的图书馆
教程 | 从头开始:用Python实现基线机器学习算法
选自MachineLearningMastery机器之心编译参与:Jane W、吴攀在预测建模时,确定基线性能(baseline performance)是很重要的。基线为评估更高级的方法提供了比较的标准。在本教程中,你将了解如何在 Python 中实现基线机器学习算法(Baseline Machine Learning Algorithms)。学完本教程后,你将了解:如何实现随机预测(random prediction)算法如何实现零规则(zero rule prediction)算法让我们开始吧!描述可供选择的机器学习算法有很多。事实上,有上百种。那么在选择算法之前,你需要评价它的预测结果。可是,你如何判断结果的好坏?答案是使用基线预测算法。如其它预测一样,基线预测算法提供了一组可以评估的预测结果,例如分类准确率(Accuracy)或 RMSE。这些评价指标的数值为评估所有其它机器学习算法提供了所需的比较标准。一旦计算出基线预测算法的评价指标,就可以知道一个给定算法比朴素基线算法到底好多少,为评价算法提供了依据。两种最常用的基线算法是:随机预测(random prediction)算法零规则(zero rule prediction)算法当遇到比传统分类或回归问题更棘手的新问题时,一个好的想法是首先设计一个基于该预测问题特征的随机预测算法。之后你可以在此基础上改进,并设计一个零规则算法。让我们执行这些算法代码,并看看它们是如何工作的吧。教程本教程分为两部分:随机预测算法零规则算法对于实施和计算给定机器学习算法的基线性能,下面的步骤将为你提供必要的基础。1. 随机预测算法正如在训练数据中观察到的那样,随机预测算法给出随机的预测结果。这可能是机器学习中最简单的算法。它要求训练集包含所有可能的因变量结果值,对于自变量取值很多的回归问题,这个集合可能非常大。因为随机数用于预测,所以最佳的方法是在使用算法之前固定随机数种子。这是为了确保我们获得相同的一组随机数,并且每次运行算法时都得到相同的决策。下面是随机预测算法在名为 random_algorithm() 的函数中的实现。该函数的输入参数为两部分:含有因变量数值的训练集和需要预测因变量数值的测试集。该函数将用于分类和回归问题。它假定训练集的预测输出值是每行观测值的最后一列。首先,从训练集得到所有因变量取值的集合。然后,从集合中随机选择一个值作为测试集每一行观测值的输出值。# Generate random predictionsdef random_algorithm(train, test): output_values = [row[-1] for row in train] unique = list(set(output_values)) predicted = list() for row in test: index = randrange(len(unique)) predicted.append(unique[index]) return predicted我们可以用一个小数据集测试这个函数,为了简单起见,它只包含输出列。训练集的输出值为 0 或 1,意味着算法的预测集合为 {0,1},并从中选择预测值。在预测之前,测试集的输出列为空。from random import seedfrom random import randrange# Generate random predictionsdef random_algorithm(train, test): output_values = [row[-1] for row in train] unique = list(set(output_values)) predicted = list() for row in test: index = randrange(len(unique)) predicted.append(unique[index]) return predictedseed(1)train = [[0], [1], [0], [1], [0], [1]]test = [[None], [None], [None], [None]]predictions = random_algorithm(train, test)print(predictions)运行示例代码,计算测试集的随机预测,并 print 预测结果。[0, 1, 1, 0]随机预测算法易于实现且运行速度快,但作为基线算法,我们可以做得更好。2. 零规则算法零规则算法是比随机预测算法更好的基线预测算法。对于给定问题,它运用更多相关的信息来建立规则以进行预测。此规则根据问题类型而有所不同。让我们从分类问题开始,预测每一类的标签。分类对于分类问题,一个规则是预测训练集中最常见类的取值。这意味着如果训练集有 90 个类为 0 的实例和 10 个类为 1 的实例,那么输出值将都预测为 0,此时的基线精度为 90/100 或 90%。这比平均只能达到 82% 准确率的随机预测算法要好得多。如何计算随机预测算法准确率估计值的细节如下:= ((0.9 * 0.9) (0.1 * 0.1)) * 100= 82%下面是一个基于分类问题的名为 zero_rule_algorithm_classification() 的零规则算法函数。# zero rule algorithm for classificationdef zero_rule_algorithm_classification(train, test): output_values = [row[-1] for row in train] prediction = max(set(output_values), key=output_values.count) predicted = [prediction for i in range(len(test))] return predicted该函数使用带有 key 属性的 max() 函数,这是一个聪明的做法。给定训练集中观察到的所有类的取值,max() 函数将通过调用计数函数统计每一类数值的数量,采用数量最多的一组类值。结果是它返回训练集中观察到的具有最高计数类值的数值。如果所有类值具有相同的计数,则选择在数据集中观察到的第一个类值。一旦我们选择好计数最大的类值,它将用于每一行测试集数据的预测。下面是一个例子,这个构造的数据集包含 4 个类为 0 的实例和 2 个类为 1 的实例。算法将选择类值 0 作为测试集中每一行的预测。from random import seedfrom random import randrange# zero rule algorithm for classificationdef zero_rule_algorithm_classification(train, test): output_values = [row[-1] for row in train] prediction = max(set(output_values), key=output_values.count) predicted = [prediction for i in range(len(train))] return predictedseed(1)train = [['0'], ['0'], ['0'], ['0'], ['1'], ['1']]test = [[None], [None], [None], [None]]predictions = zero_rule_algorithm_classification(train, test)print(predictions)运行此代码将进行预测并将其 print 到屏幕。如预期,类值 0 被选择并用来预测。['0', '0', '0', '0', '0', '0']现在,让我们看看回归问题的零规则算法。回归回归问题需要预测非离散型值。一个默认的好的预测方法是预测数据的集中趋势(central tendency)。这可以是平均值或中值。使用训练集观察到的因变量的平均值是一个很不错的默认方法。它的误差可能比随机预测低,因为后者将返回任何观察到的因变量值。下面是一个名为 zero_rule_algorithm_regression()的函数。它的原理是计算观察到的因变量的平均值。mean = sum(value) / total values一旦计算出平均值,它将用于每一行训练数据的预测。from random import randrange# zero rule algorithm for regressiondef zero_rule_algorithm_regression(train, test): output_values = [row[-1] for row in train] prediction = sum(output_values) / float(len(output_values)) predicted = [prediction for i in range(len(test))] return predicted这个函数可以用一个简单的例子来测试。我们可以构造一个小数据集,其中平均值已知为 15。101512151820mean = (10 15 12 15 18 20) / 6mean = 90 / 6mean = 15下面是完整的例子。我们期望 4 行测试集的预测值为平均值 15。from random import seedfrom random import randrange# zero rule algorithm for regressiondef zero_rule_algorithm_regression(train, test): output_values = [row[-1] for row in train] prediction = sum(output_values) / float(len(output_values)) predicted = [prediction for i in range(len(test))] return predictedseed(1)train = [[10], [15], [12], [15], [18], [20]]test = [[None], [None], [None], [None]]predictions = zero_rule_algorithm_regression(train, test)print(predictions)运行示例代码,计算测试集的预测值,并 print 预测结果。如预期,每一行测试集的预测值为平均值 15。[15.0, 15.0, 15.0, 15.0, 15.0, 15.0]扩展以下是基线预测算法的一些扩展,你可以自己来实现这些算法。用中位数值、众数等其它中心趋势统计量预测,而不是平均值对于时间序列问题,当最后 n 条记录的平均值已经预测出来时,使用滑动平均值(Moving Average)用于预测回顾在本教程中,你了解了计算机器学习问题的基线性能的重要性。你现在知道了:如何实现分类和回归问题的随机预测算法如何实现分类和回归问题的零规则算法本文为机器之心编译,转载请联系本公众号获得授权。------------------------------------------------加入机器之心(全职记者/实习生):投稿或寻求报道:广告&商务合作:
TA的最新馆藏
喜欢该文的人也喜欢什么是基线_百度知道
该问题可能描述不清,建议你
什么是基线
就可以说这个文档被“基线化”了“基线”是一个很常见的术语,在配置管理和项目管理里面都能看到,开发即将开始的时候。 以上就是我个人对“基线”这个术语的两种不同含义的理解,取bbb.c的版本1.3,取ccc,否则开发人员就无所适从了,可能导致每个人所参照的文档并不是同一个文档。用一句上海这里的生活用语来
说,就叫做要把这个文档“敲定”。 一个文档如果经过讨论被通过了,被固定了.1;,然后再编译、集成、TSP了解比较多一些,这些流程里面对“基线”的概念提的不多,取名为&Build2394&quot。 当然。 2)代表文档的一个稳定状态。 比如有一个项目设计文档,就不能随便动。 但是到了一定时候,修改积累到一定程度,就需要把很多修改合并到原来的文档中去了,并生成一个新版本的文档作为团队中所有的人的参考标准,并把老的版本淘汰掉。这就叫做“基线提升”。因为既然是“基线”。(1.1,1.3,1.0)就是一个基线.0。但接触RUP、MSF以及项目管理以后,看到到处都有baseline,通常在vss和cvs里面做label,就是在做基线,现在我觉得我们通常看到的“基线”这个术语有两个意思.c的版本1,例如基线提升、基线化、基线审计,所以当对文档的修改仍然会不断进行,但这种修改并不会随时随地的添加到被“基线化”了的文档中去。这样,以后如果要找到和build 2394对应的原文件,就觉得迷惑了。 经过我自己的理解,以及和几个同事的讨论,等等等等。 我个人以前对微软的那套开发流程(就是product cycle model)以及PSP。换
句话说,文档不可能一成不变,然后所有人就可以在这个“基线”的基础上工作,大家可以讨论讨论看,只需要
到vss或者cvs里面把所有文件对应label Build2394的版本取回来就可以了,需要把这个文档固定下来。 比如有三个文件,aaa.c、bbb.c和ccc.h。可以对这三个文件做一个基线,取aaa,可以先对所有源文件做一个label,当设计基本完成: 1)代表多个源代码文件的一组版本。 这种基线对“构建审计”特别有用:在做build的时候.h的版本1,而且还有很多衍生的术语,内容不能再频繁改变
采纳率:96%
为您推荐:
其他类似问题
基线的相关知识
换一换
回答问题,赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。Baseline budget
欢 迎 光 临 ... Baseline|基准 Baseline
budget|基线预算 Baseline
business|基线商业 ...
基于134个网页-
baseline budget
&2,447,543篇论文数据,部分数据来源于
最后,描述了基线与预算的区别和联系。
At last, this paper describes the difference between the baseline complete cost and the budget.
相对于这样的基线 国会预算局预计刺激经济能够降低失业率一到两个百分点。
Relative to its baseline, CBO projects that a fiscal stimulus could reduce the unemployment rate by about one or two percentage points.
9月,国会预算处的基线赤字预测,2008年将达4070亿美金。
In September the Congressional Budget Office's baseline deficit forecast for 2008 was $407 billion.
$firstVoiceSent
- 来自原声例句
请问您想要如何调整此模块?
感谢您的反馈,我们会尽快进行适当修改!
请问您想要如何调整此模块?
感谢您的反馈,我们会尽快进行适当修改!}

我要回帖

更多关于 基线预测 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信