简介：摘要：建筑工程建设下造价预算管理工作涉及多方面内容，预算控制贯穿项目整个流程，合理的预算编制与管理能够为成本控制提供依据。文章对建筑工程造价预算管理面临问题进行分析，探讨建筑工程施工过程中的造价预算控制的有效措施。

简介：摘要：建筑工程造价预结算审核工作是保证工程项目成本目标得以实现的关键环节，预结算审核涉及工程量、工作范围、成本支出等多方面内容。文章对建筑工程造价预结算审核工作要点与面临问题进行分析，探讨预结算审核工作措施。

简介：摘要肝病与肝癌是威胁我国人民生命健康的常见疾病，大数据和人工智能已成为提高临床诊断与治疗水平和服务能力的重要支撑。然而，大数据的发展应用尚不成熟，主要存在以下问题：（1）海量健康医疗数据种类繁多，来源各异，但较为分散，缺乏一体化数据存储与分析平台。（2）不同医疗中心之间数据标准不同，数据概念亦存在较大差异，以及个人表达习惯等问题，均导致数据难以处理，无法充分融合。因此，大规模健康医疗数据并不等同于健康医疗大数据。笔者团队结合东南肝胆健康大数据研究所在肝病与肝癌领域大数据平台建设方面的实践经验，提出肝病与肝癌大数据平台建设标准化体系，包括大数据联盟统筹建设大数据平台、完善的大数据标准体系、标准化数据治理流程及结合循证医学与新兴技术的大数据应用。该体系可为健康医疗大数据产业高质量发展提供全新模型，并可推广复制到其他专病领域，为建设健康中国贡献力量。

简介：摘要目的贝叶斯网状Meta分析预测腹腔镜胆总管探查术(LCBDE)后胆道内支架引流(BDS)与单纯一期缝合的临床疗效。方法以( "Choledocholithiasis" OR "common bile duct stone" OR "CBDS" OR "extrahepatic bile duct stone" ) AND ( "laparoscopic common bile duct exploration" OR "LCBDE" ) AND ( "primary duct closure" or "PDC" ) AND ( "T-tube drainage" or "TTD" or "T-tube" ) AND ( "biliary drainage stenting or BDS) AND ( "clinical trials" )、胆总管结石、腹腔镜胆总管探查、T管引流、一期缝合、胆道内支架引流为检索词，检索PubMed、MedLine、Embase、the Cochrane Library、Web of Science、CNKI、万方等数据库。检索时间为1990年1月1日至2020年1月31日。纳入评价LCBDE后胆总管缝合行BDS、单纯一期缝合和T管引流临床疗效的随机对照研究(RCT)。BDS组为LCBDE后行BDS，一期缝合组为LCBDE后行单纯一期缝合，T管引流组为LCBDE后行T管引流。结局指标：术后总体并发症发生率、术后胆汁漏发生率、术后残留结石发生率。在Rstudio环境下应用GeMTC软件进行Meta分析。在贝叶斯框架下采用随机效应模型执行。采用马尔科夫链蒙特卡罗法直接评估和间接预测。采用Brooks-Gelman-Rubin作图法、迹图法和密度图法对模型收敛性进行评价。因各干预措施间没有闭环，不需要评估研究的一致性。同时绘制各结局指标不同胆总管缝合方式的等级概率矩阵图。结果(1)文献检索结果：最终纳入符合标准的相关文献12篇。12篇文献均为RCT，文献累积样本量为982例，其中BDS组190例，一期缝合组296例、T管引流组496例。(2)贝叶斯网状Meta分析结果：①BDS组和一期缝合组患者术后总体并发症发生率均低于T管引流组(优势比＝0.21，0.48，95%可信区间为0.06～0.52，0.24～0.87，P<0.05)；间接预测BDS组和一期缝合组患者术后总体并发症发生率比较，差异无统计学意义(优势比＝0.43，95%可信区间为0.12～1.30，P>0.05)。②BDS组术后胆汁漏发生率低于T管引流组(优势比＝0.18，95%可信区间为0.02～0.86，P<0.05)，一期缝合组与T管引流组术后胆汁漏发生率比较，差异无统计学意义(优势比＝0.70，95%可信区间为0.27～1.70，P>0.05)；间接预测BDS组和一期缝合组患者术后胆汁漏发生率比较，差异无统计学意义(优势比＝0.25，95%可信区间为0.03～1.60，P>0.05)。③BDS组和一期缝合组分别与T管引流组患者术后残留结石发生率比较，差异均无统计学意义(优势比＝0.58，1.40，95%可信区间为0.13～2.40，0.41～5.50，P>0.05)；间接预测BDS组和一期缝合组患者术后残留结石发生率比较，差异无统计学意义(优势比＝0.39，95%可信区间为0.05～2.70，P>0.05)。(3)3组患者术后总体并发症发生率等级排名：BDS组、一期缝合组、T管引流组术后总体并发症发生率排名第1的概率分别为0.08%、0.98%、98.94%，排名第2的概率分别为6.57%、92.38%、1.05%，排名第3的概率分别为93.36%、6.64%、0.01%，3组患者术后总体并发症发生率排序：T管引流组>一期缝合组>BDS组。BDS组、一期缝合组、T管引流组术后胆汁漏发生率排名第1的概率分别为1.25%、18.93%、79.82%，排名第2的概率分别为6.11%、74.01%、19.88%，排名第3的概率分别为92.64%、7.06%、0.30%，3组患者术后胆汁漏发生率排序：T管引流组>一期缝合组>BDS组。BDS组、一期缝合组、T管引流组术后残留结石发生率排名第1的概率分别为10.89%、67.37%、21.74%，排名第2的概率分别为16.09%、21.09%、62.82%，排名第3的概率分别为73.02%、11.55%、15.44%，3组患者术后残留结石发生率排序：一期缝合组>T管引流组>BDS组。结论具有适应证的胆总管结石患者，LCBDE后优先采用BDS，可降低胆总管缝合相关并发症。本研究在http：//www.crd.york.ac.uk/ero/注册，注册号为CRD42019137344。

简介：摘要目的探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料；男235例，女42例；年龄为(56±10)岁，年龄范围为33～80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图，支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标：(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以±s表示，组间比较采用配对t检验。计数资料以绝对数表示，组间比较采用χ2检验。单因素和多因素分析采用Logistic回归模型。结果(1)训练集及验证集患者临床病理资料分析：训练集和验证集患者性别(男，女)分别为157、36例和78、6例，两组比较，差异有统计学意义(χ2＝6.028，P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析：训练集193例患者中，MVI阳性108例，MVI阴性85例。单因素分析结果显示：年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比＝0.971，2.449，1.368，4.050，2.956，4.083，2.532，1.996，95%可信区间为0.943～1.000，1.169～5.130，1.180～1.585，1.316～12.465，1.310～6.670，2.214～7.532，1.016～6.311，1.323～3.012，P<0.05)。多因素分析结果显示：AFP>20 μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比＝3.680，3.100，1.438，3.628，95%可信区间为1.842～7.351，1.334～7.203，1.201～1.721，1.438～9.150, P<0.05)，而年龄越大，MVI发生风险越低(比值比＝0.958，95%可信区间为0.923～0.994，P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较：①应用多因素分析结果筛选指标，包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界，构建逻辑回归列线图，SVM、RF、ANN及LightGBM机器学习算法预测模型，一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815，SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较，差异均无统计学意义[(95%可信区间为0.731～0.849，0.744～0.860，0.752～0.867，0.747～ 0.862，Z＝0.995，0.245，0.130，0.102，P>0.05)和(95%可信区间为0.690～0.873，0.679～0.865，0.702～0.882，0.715～ 0.891，Z＝0.325，0.026，0.744，0.803，P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序，选择重要度>0.01的指标，包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ－谷氨酰转移酶、ALP和纤维蛋白原，构建RF机器学习算法预测模型；挑选重要度>5.0的指标，包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原，构建LightGBM机器学习算法预测模型；由于ANN及SVM机器学习算法不具备筛选指标能力，应用单因素分析结果筛选指标，包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平，构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836，分别与逻辑回归列线图AUC比较，差异均无统计学意义[(95%可信区间为0.740～0.857，0.779～0.887，0.729～0.848，0.789～0.895，Z＝0.421，0.119，0.689，1.517，P>0.05)和(95%可信区间为0.710～0.888，0.700～0.881，0.701～0.881，0.740～0.908，Z＝0.856，0.458，0.532，1.306，P>0.05)]。结论机器学习算法可用于术前预测肝细胞癌MVI，但其应用价值尚需多中心大样本数据进一步验证。

简介：