道德與法治學習計劃范文

導語：如何才能寫好一篇道德與法治學習計劃，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞： 中學化學教學 教學方法 素質教育

一、實施素質教育，增強學生的環保意識

當前，我國環境問題形勢非常嚴峻，人們的環境保護意識仍需增強。面對嚴峻的現實環境，加強環保意識教育和環保法制的教育特別重要。為強化素質教育，在初中化學教學過程中，必須改變傳統教學方法，把學生學習化學知識同環境保護意識結合起來，才能達到較好的教學效果。在化學教學中，要加強化學與人類生活、社會、化學與生產活動的關系的教學，強化人文理念的培養，重視化學教學與環保意識的結合。當前，水污染、空氣污染和土壤污染是世界三大污染問題，防治污染是環境保護的重要內容，當今世界各國都面臨這一環境問題。環境的污染、治理和保護已列入我國的基本國策，它關系人類的生存，關系國計民生。為了教育學生，強化環保意識，在化學教學中，教師要讓學生深刻認識化學與環境的關系，了解環境污染的原因，可能造成什么樣的惡果，以及如何保護環境，深入淺出地闡明環保工作的重要意義。為了做好環保教育工作，化學教師平時應多收集、積累環保信息和先進科技成果，把材料自然滲透到教學中，使化學課堂教學氣氛生動活潑。增強學生環保意識，有利于激發學生的學習興趣，養成良好的學習習慣。

二、廣泛應用現代信息技術，促進化學教學改革

現代多媒體信息技術的廣泛應用正在對化學實驗教學產生積極影響，教師可以針對實驗課程內容、實驗教學重點，設計相對應的多媒體課件，輔助化學實驗教學，使之能夠順利而且有效完成。初中化學課程應提倡實現現代信息技術與實驗課程內容的有機整合。現代多媒體教學與化學教學整合的基本原則應該以提高素質教育和優化實驗教學環境為基本要求，進一步激發學生學習化學的興趣，以提高化學實驗教學質量為目的。實現教學資源整合有利于學生形象化地理解化學知識，通過多媒體輔助化學實驗教學，有利于學生認識和理解化學概念的形成過程。初中化學作為一門基礎性很強的學科，其教學過程應該是雙向、互動的，尤其是在化學實驗教學中，一定要發揮學生的主觀能動性，充分利用多媒體輔助教學的優勢，突破教學難點，突破條件限制。隨著多媒體技術的廣泛應用，可以把一些被學生認為單調、乏味的化學實驗變得更加生動、活潑，既提高學生的學習興趣，又增強學生對化學新知識的探究信心。在化學實驗中應用多媒體輔助教學，可以做好鋪墊，迅速集中學生的注意力，通過預設的一些相關教學情境視頻，把學生引入學習這一節課的能動思維中。首先能很快、很方便地為學生展現情境、畫面，或是圍繞一些很重要的化學知識，或是我們身邊不容易被重視的現象，學生觀看以后提出必須解答的問題，只有在完成此項化學實驗以后才能得到很好的解釋。這樣對于學生探究新知識，認真做好每一個化學實驗都有很重要的促進作用。在化學實驗教學中，教師借助已經準備好的多媒體教學課件，通過網絡等多媒體對相關化學問題進行有效的歸納后，需要在實驗過程中探究相關問題，啟發學生積極思考探索化學實驗中的重點和難點，有利于構建研究探討性化學實驗課堂。隨著現代科技的迅猛發展，化學教學面臨新的挑戰，教師要充分利用多媒體技術，以高度的注意力和極強的邏輯思維能力分析化學實驗中存在的問題。

三、結合現實生活，提高學生的實踐應用能力

在化學教學中培養安全文化意識是一項集科學性、系統性、長期性于一體的教學任務，要把教學過程中的總結與反思當做培養安全意識、提高綜合素養的重要教學內容，深刻分析發生問題的綜合因素，有的放矢地做好安全教學與實踐的每一個環節的預防工作，認真做好調查研究，弄清問題的根本原因，制定切實可行的安全措施，才能真正確保未來參與實踐中的安全能力和素質。要提高化學學科教學質量，必須激發學生的興趣，提高學生綜合素質。當前在教學實踐中，加強安全文化建設是構建社會主義和諧社會的迫切需要。堅持“以人為本”，高度重視做好全民安全教育工作，任何科學知識的利用都是在排除安全隱患的前提下實施的，化學教學同樣如此。可以說化學知識的應用與實踐是非常有價值的，但安全意識需要學生在充分掌握化學知識的同時逐步樹立。教育學生在運用科學技術發展生產的過程中，始終把保護自己和人民的健康與生命安全作為安全工作的出發點和落腳點，著力提高人的安全文化素質、啟發人的安全覺悟、調動人的積極性，這既是安全文化建設的重要內容，又是落實科學發展觀、構建社會主義和諧社會的內在需要。越是加快科學發展推進和諧建設，越要深入開展安全文化建設。在化學教學中，積極運用多種文化資源，充分發揮化學學科的功能和作用，促使學生樹立正確的安全價值觀、效益觀、榮辱觀，引導學生正確處理安全與效益、科學發展與安全建設的關系，激發學生在運用化學知識解決實際問題時的安全意識，調動積極性和主動性，把思想和行動凝聚到確保安全與和諧的教學過程與實踐過程中，為構建社會主義和諧社會多作貢獻。加強安全文化建設是國家實現安全生產長治久安的迫切需要，培養安全意識是一切教育工作的前提和基礎，直接決定未來各項工作的健康有序發展。

在化學教學中，我們應促使學生養成良好的思維習慣，學習科學的思維方法。化學教師應利用化學與生活、化學與社會、化學與環境和化學趣味實驗等有利條件，為提高學生素質奠定基礎。實施信息技術與化學課程整合成為初中化學教學的發展趨向，尤其是自實施新課改以來，為強化學生素質教育，充分發揮學生的主觀能動作用，更加重視教與學的互動。

參考文獻：

[1]李俊.素質教育觀下的理科課堂教學特征[J].北京教育，1999（12）.

篇2

[關鍵詞] 疏血通注射液；HIS安全性再評價；傾向評分加權；ALT；臨床真實世界

中藥注射液具有作用迅速、療效提高等特點，但是近年來，對應用中藥注射劑時出現毒副作用的報道逐漸增多，某些中藥注射劑引起的肝損害已引起了國內外學者的高度重視[1-2]。因此，對中藥上市后的安全性再評價（safety re-evaluation of post-marketing traditional Chinese medicine patent prescription， SRPTCM）已刻不容緩。疏血通注射液具有活血化瘀、通經活絡以及明顯的抗凝、促進纖溶且改善血液流變的作用，廣泛用于腦動脈粥樣硬化、腦血栓、心絞痛、心肌梗死、冠狀動脈硬化、急性腦梗死等疾病。隨著上市后時間的延長和用藥人群的擴大，相關不良反應和新的不良反應逐步地被報道和發現，但關于它可能對肝功能的損害目前還沒有文獻報道[3-4]。本研究選取全國18家大型三甲醫院信息管理系統（hospital information system，HIS）中的中藥注射劑臨床使用信息，旨在對臨床真實世界使用疏血通注射液是否可能對患者肝功能造成損害，以及哪些因素可能導致患者肝功能損害進行相關研究，為疏血通注射液安全應用于臨床提供指導。

本研究以谷丙轉氨酶（ALT）為肝功能評價指標，用實例闡述generalized boosted models（GBM）傾向評分加權法的優勢及應用過程，基于GBM傾向評分加權法，對提取的非隨機觀察性數據中存在的大量混雜因素進行偏倚平衡，利用多元Logistic回歸估計使用疏血通注射液對ALT指標異常變化的處理效應，即探討臨床真實世界中使用疏血通注射液是否對人體的肝功能有損害，以及導致ALT指標異常變化的可能影響因素，為臨床安全使用疏血通注射液提供指導。本研究的觀察性數據中存在大量混雜因素（也稱協變量），其在使用疏血通注射液（下面簡稱“用疏血通”）和未使用疏血通注射液（下面簡稱“未用疏血通”）的患者間的基線分布差異會影響研究的真實性，但是GBM傾向評分加權估計可以減少或消除大多數協變量在組間的差異，同時，“用疏血通”組和傾向評分加權后的“未用疏血通”組的比較結果提供了“用疏血通”相對于“未用疏血通”對ALT指標異常變化的處理效應，并在幾乎沒有混雜的情況下本質上修改了“用疏血通”對ALT指標異常變化的影響即處理效應，使結果更加貼近于臨床真實情況。

1 材料與方法

1.1 數據來源

本研究數據來源于北京市18家大型三甲醫院HIS數據庫中的部分“用疏血通”和“未用疏血通”的住院患者信息，共包括5個部分信息表：患者一般信息、西醫診斷、中醫診斷、醫囑記錄、實驗室理化指標檢查[實驗室指標信息系統（laboratory information management system， LIS）]。其中“用疏血通”的患者共54 254位，“未用疏血通”患者共40 472位，篩選其中至少具有2次ALT檢測指標的患者，并根據下面數據分析的提取標準，從中提取ALT指標發生指定變化的患者作為研究對象，與相同條件下“未用疏血通”的患者進行對比分析。

1.2 數據提取原則

1.2.1 數據規范化 在提取分析數據之前，需要對HIS和LIS數據庫進行標準化，標準化的流程主要涉及剔除患者一般信息中的重復數據、信息表不一致的數據、無用醫囑記錄、醫囑名稱的標準化、中西醫診斷名稱的標準化、用藥劑量單位的標準化以及理化指標檢測值的標準化等[5]。目的是確保被研究患者的唯一性；確保各信息表之間具有相關性；確保醫囑和診斷名稱的一致性；確保用藥劑量單位和理化指標結果的有效性。基于這4個方面的原則，對數據庫的信息進行統一標準化，形成完整有效的分析數據。

1.2.2 病例入選標準及排除標準 依據數據規劃化的準則，納入HIS和LIS數據庫中所有“用疏血通”和“未用疏血通”的住院患者，且在LIS數據庫中至少有2次ALT檢測指標的患者。排除不符合數據規范化的住院患者。

1.2.3 數據提取標準及安全性結局 由于HIS數據庫收集和存儲的數據非常龐大和結構復雜，而且沒有直接對不良事件的記錄，故需要對數據進行整合、清理、轉換和標準化之后，才能提取研究所需要分析的指標[5-6]。本研究需要提取2類人群①在所有“用疏血通”的住院患者中，提取具有ALT檢測指標的患者，將其“用疏血通”前7 d內的最近1次指標值定義為“用藥前ALT值”。然后考慮用藥后的ALT檢測指標值，若當次用藥期間及用藥停止后7 d內的所有ALT指標觀測都正常，則記錄該患者為“ALT用藥后正常變化”；若這段時間只要有1次指標觀測異常，則記錄該患者為“ALT用藥后異常變化”，并記錄第1次異常前患者的所有混雜因素情況。需要注意的是：①若患者在醫囑開始前沒有做ALT指標檢測，則將醫囑開始當天的檢測值定義為“用藥前ALT值”，若當天也沒有檢測，此患者不屬分析對象；②在所有“未用疏血通”的患者中，提取具有ALT檢測指標的患者，將其入院后的第1次ALT檢測值定義為“用藥前ALT值”，其他情況和①的提取原則一樣。但必須確保第一次異常值出現在使用了某種用藥之后。從而得到分組變量“是否用疏血通”，“用疏血通”組記為1，“未用疏血通”組記為0；安全性結局變量為“用藥后ALT是否異常變化”，用藥后異常變化記為1，用藥后正常變化記為0。

由于不同醫院ALT指標的正常范圍不同，因此，需要搜集各家醫院ALT指標范圍并根據不同醫院分別考慮異常值情況。首先，把ALT指標達到正常范圍上限的200%（即高于正常值上限2倍）定義為臨床異常；然后，再根據用藥前后是否臨床異常的變化，來定義本研究的安全性結局。按照數據提取的原則，最終提取的ALT指標的人群分布見表1。

1.3 數據提取結果

在“用疏血通”的54 254位患者中，有4 991位患者（約9.20%）滿足上述ALT指標的數據提取原則，其中用藥前后ALT指標發生異常變化的人數為358人（約7.17%）；在“未用疏血通”的40 472位患者中，有2 678位患者（約6.62%）滿足ALT指標的數據提取原則，用藥前后ALT未發生異常變化的人數為158人（約5.60%）。最終得到符合數據分析條件的2組人群分布如表1所示。

1.4 混雜因素

根據提取的HIS數據的實際情況以及醫學背景，考慮57個與分組變量和安全性結局（用藥后ALT是否異常變化）可能有關的所有混雜因素。具體變量包括性別、年齡（分段處理）、職業、醫院、住院科室、醫療費用類別 （醫療保險、公費、地方普通、新農合、自費、醫療照顧）、入院方式、入院病情（危、急、一般）、出院方式、住院費用（萬元）（分段處理）、病危天數、ICU天數、病重天數、住院天數（分段處理）、合并疾病、合并用藥（共41種）等，見表2。由于合并用藥的數量及名稱類別太多，需要對其進行清理合并與標準化，選取頻數最多的前41種合并用藥。

1.5 數據分析方法

依據文獻Rosenbaum和Rubin[7]以及Hirano和Imbens[8]，本研究利用虛擬事實（counterfactuals）定義觀察性研究中接受處理和未接受處理（即對照）間的處理效應。假定總體人群中每個個體都有2個潛在的結局值（potential values for any outcome）；一個是個體被分配或接受處理條件時的結局值y1，一個是個體被分配或接受對照條件時的結局值y0。對每個個體而言，這2個值僅有1個被觀察到，另一個虛擬結局是不可能被觀察到的。那么，處理組的平均處理效應（average treatment effect on the treated），記為ATE1[9]。令z為處理分配指標；如果個體接受處理，則z=1，否則z=0。從而，E（y1|z=1）就是處理組個體接受處理條件后的平均結局值，E（y0|z=1）就是處理組個體接受對照條件后的平均結局值。那么，處理組平均處理效應ATE1=E（y1|z=1）-E（y0|z=1），它的估計在本研究中很有意義，因為筆者特別關注在使用了疏血通注射液的患者中“用疏血通”的處理效應，即理想上期望“用疏血通”的處理相對于“未用疏血通”的對照對ALT指標異常變化的影響更小或影響不顯著。本研究關鍵是估計ATE1[9]。結局值y0對每個接受處理的個體而言是無法觀測到的，所以E（y0|z=1）必須從對照組的數據中估計得到。然而，Rosenbaum和Rubin[7]討論過，如果多個協變量在處理組和對照組之間存在差異的話，則此估計值是有偏的，從而ATE1的估計也會有偏，因此可以考慮利用傾向評分來調節這些差異[10]。

傾向評分法將多個混雜變量綜合為一個變量即傾向評分，通過平衡兩對比組的傾向評分而有效地均衡混雜變量的分布，從而達到控制混雜偏倚的目的[7，11]。由于經典的傾向評分方法缺乏靈活性，需要進行協變量選擇，即都是使用帶參數的Logistic回歸線性模型或通過變量選擇技術挑選出交互項或非線性項來估計傾向評分，這樣很可能會遺漏對處理選擇很重要的協變量或者錯誤指定了模型中協變量與處理選擇之間關系的函數形式[12-14]。因此，需要更加靈活的方法，本研究利用一種多元非參數回歸技術GBM估計傾向評分，它可以自動的根據數據利用自適應算法去估計所關注的處理變量和大量混雜變量（或協變量）之間的非線性關系，特別是當模型中協變量很多、協變量與處理變量之間線性、非線性或交互效應等函數形式無法確定時，此方法最具優勢[10]。

GBM估計傾向評分的過程中，通過使K-S統計量達到最小，不斷加權調整模型，使得“用疏血通組”和加權的“未用疏血通組”的混雜因素達到很好的平衡。為了找到使K-S統計量達到最小的迭代次數，理論上需采用很大的迭代次數，但迭代次數越多，模型估計的時間越長，所以實際應用中可以只選擇較大的迭代次數，如果無法使得K-S統計量達到最小，再加大迭代次數，或考慮其他的估計方法。本研究設定迭代次數為2萬。為確保模型形式的正確識別和模型的精確估計，取一個折中的4階交互項，即在每次迭代中，考慮所有協變量的4階交互項來最優化對數似然函數。一般來說，除非研究樣本足夠的大，一般不太可能去考慮5階或更高階的交互項。另外，在GBM估計傾向評分過程中還需要考慮一個足夠小的收縮系數λ（本研究取值0.000 5），它用于排除模型中大多數不相關的協變量、產生一個僅體現最重要作用的協變量和交互項的稀疏模型[15]。另外，處理效應估計的標準差利用leave-one-out刀切法（jackknife）進行估計。算法的實現利用R統計軟件中的gbm，survey和Twang等[16]編程實現。

2 實例結果分析

2.1 GBM估計傾向評分的非線性特點

根據GBM估計的過程，算法迭代直到7 322次時使得K-S統計量達到最小。算法自動的根據57個協變量對模型對數似然度整體改善的貢獻，來測量并排序每個協變量對處理分配的重要程度。可以用偏依賴圖（partial dependence plots）[17]來探索每個變量的邊際分布。當對其他56個協變量分布邊際積分以后，患者被分配到“用疏血通”組的對數優勢比與每個協變量之間的關系為非線性的，見圖1。這種非線性體現了GBM方法的優勢。而且，從圖1可以直觀看出，在對其他協變量邊際化后，使用奧拉西坦或入院病情危險等患者被分配到“用疏血通”組的可能性更大。

D102.奧拉西坦；V18.入院病情（1.缺失，2.急，3.危，4.一般）；V12.住院科室（1.缺失，2.CCU，3.ICU，4.兒科，5.耳鼻喉科，6.放射治療科，7.風濕病科，8.干部病房，9.骨科，10.呼吸內科，11.急診科，12.老年病科，13.理療科，14.內分泌科，15.其他科室，16.神經科，17.腎臟病科，18.外科，19.消化內科，20.心血管內科，21.血液病科，22.眼科，23.中醫科，24.腫瘤科）；V31.住院總費用。

2.2 混雜因素的平衡

在對照組個體進行傾向評分加權之前，協變量之間的均值差可以直接被觀測到。從表2“ALT未加權”欄下的第1列百分比中可以查看“用疏血通”組的患者人群的特征，比如，年齡在18～45歲段（占28.60%）和46～65歲（占36.00%）的患者比例要明顯更高。從表2“ALT傾向評分加權”欄下的第1列百分比中可以發現，在利用傾向評分給對照組個體進行加權之后，2組協變量之間的差異被大大減小。K-S統計量平均值由0.037減小到0.019，減小了50%。2組具體協變量的差異情況可查看表2。筆者只在表2中列出影響模型似然度變化比較大且2組間差異明顯的協變量分布情況。

經過傾向評分加權后，2組間57個協變量的差異接近于隨機分配的結果，見圖2。給定原假設：“用疏血通”組與“未用疏血通”組之間協變量的均值無差異。P為原假設成立的獨立性檢驗的值，它服從[0，1]均勻分布。圖2顯示了加權前后的P與均勻分布值的比較圖。加權前（紅色的實心圈），許多協變量在2組間有顯著的差異，故拒絕原假設，從而，許多P接近于0。加權后（白色的空心圈），大多數協變量在2組間的差異不顯著，故P都沿著45度的直線即[0，1]均勻變量的累積分布分散開，這就如在1個隨機試驗中通過檢驗接受2組協變量的無差異的P服從[0，1]均勻分布一樣。加權前后每個協變量均值無差異檢驗的具體P見表2。

多分類變量都經過啞變量編碼處理，P依賴于協變量的屬性，若是連續變量，則它為t檢驗值，若是分類變量，則它為卡方檢驗值。

2.3 安全性結局分析

本研究重點探討“用疏血通”對肝功能ALT指標異常變化的處理效應。即分析“用疏血通”的處理相對于“未用疏血通”的對照對ALT指標異常變化的影響。筆者建立ALT指標異常變化關于分組變量“是否用疏血通”的Logistic回歸模型，則分組變量的系數值即為處理組平均處理效應的估計值，見表3。未加權Logistic回歸分析表明“用疏血通”導致ALT發生異常變化的對數優勢比大于0（0.013），即“用疏血通”比“未用疏血通”導致ALT發生異常變化的可能性要大，且具有統計顯著性（P=0.034）；但經過GBM傾向評分加權后，雖然Logistic回歸分析也表明“用疏血通”導致ALT發生異常變化的對數優勢比大于0（0.011），即“用疏血通”比“未用疏血通”導致ALT發生異常變化的可能性要大，但估計的處理效應減小且不具有統計顯著性（P=0.104）。說明“用疏血通”對ALT異常變化的影響分析結論需要謹慎對待。

為了獲得雙穩健（doubly robust）的處理效應估計，有專家推薦利用傾向評分加權和協變量調節相結合的方法來估計處理效應會更加有效[18-20]。如果傾向評分估計正確或回歸模型指定正確，則它們的估計是一致的。例如，在對ALT指標分析時，注意到傾向評分加權后，雖然使得患者年齡、入院病情、住院總費用以及個別合并用藥等協變量分布在2組間更接近，但還是存在很明顯的差異，如“用疏血通”組中28.60%的患者處在18～45歲，而“未用疏血通”組中只有20.60%的患者處在18～45歲。所以，把“患者年齡”等協變量加入到估計處理效應的Logistic回歸模型中，可以適當調節存在的組間差異，從而得到更穩健的處理效應估計。協變量調節后的處理效應減小到0.008，且更不具有統計顯著性（P=0.273）。

一般來說，處理效應的估計對傾向評分模型以及回歸模型形式很敏感，但對很強的處理效應，其估計的結果應該是一致的。上面對ALT指標的分析出現不一致的情況，說明本研究中“用疏血通”的處理效應并不是很強。綜合上面的結論，筆者保守的認為使用了疏血通注射液的患者中“用疏血通”的處理相對于“未用疏血通”的對照對肝功能ALT指標異常變化的影響不顯著。

McCaffrey等[10]用實例說明GBM能提供更精確的傾向評分的估計；GBM對2組協變量均值平衡的更好；估計出來的處理效應要更小且具有更小的標準誤差。

2.4 敏感性分析

傾向評分加權可以調節可觀測到的變量，但不能調節未觀測到的因素即潛在偏倚。潛在偏倚的存在會導致這樣1種現象的發生：具有相同協變量觀測值的個體卻具有不同的處理分配概率，即處理分配依賴于未觀測到的協變量。例如，2個研究個體具有相同協變量觀測值，但是由于存在一些潛在的協變量沒有被觀測到，即在這些潛在變量上的取值可能是不同的，那么研究個體被分配到處理組的概率也不同。從而，估計出來的權重和平均處理效應就會有誤差。潛在偏倚是無法從數據中估計的，但是可以通過敏感性分析[19-20]來檢驗或評估研究結果對潛在偏倚的敏感程度。

潛在偏倚的存在意味著：研究個體被分配到處理組的真實優勢比（即真實權重）不是wi=w（Xi），而是w′i=w（Xi，Hi），這里H表示無法觀測到的因素即潛在偏倚。為了檢驗ATE1對潛在偏倚的敏感性，需要檢驗：隨著傾向評分加權wi的變化，ATE1變化的敏感性。令αi=w（Xi，Hi）/w（Xi），用不同的αi值改變傾向評分加權αiw（Xi），來測量ATE1的變化。由于模型中的變量太多，在不影響分析結果的情況下，部分重要變量的敏感性分析結果見表4。第1列Var表示從傾向評分模型中移除的協變量名稱；第2列E0表示排除Var后由傾向評分模型估計的E（y0|z=1）；第3列range（αi）表示排除Var中對應變量后得到的1組αi值的范圍（最小值和最大值）；第4列observed（ρ）表示第3列αi的值與結局yi計算的相關系數cor（αi，yi）=ρ；第5列range（ρ）表示從第3列αi值的經驗分布中找到的盡可能最大的和最小的ρ；第6列range（E0）表示使得ρ盡可能最大和最小的多組αi值，代入估計得到E（y0|z=1）的最大值和最小值。第7列為bread even（ρ）。

表4的結果表明，大多數協變量的range（E0）與E0比較，變化都不大，且它們對應的bread even（ρ）都很小，則說明ATE1對潛在偏倚不敏感，即表4暗示著本研究可能不存在沒有觀測到的變量。

3 討論

3.1 GBM傾向評分法的優勢與劣勢

由于中藥注射劑上市后數據難以收集且存在眾多的混雜因素，分析困難，因此在現有研究中鮮有涉及，尤其很少見到利用HIS數據庫信息對上市后中藥注射劑進行安全性評價。基于HIS數據庫中非隨機化的觀察性數據特點：存在大量混雜因素（也稱協變量），患者間的基線分布差異會影響研究的真實性。本研究利用傾向評分調整相關混雜因素，使得“用疏血通”與“未用疏血通”的分配接近隨機分配試驗設計的效果，從而，可以有效的分析“用疏血通”對肝功能ALT指標異常變化的影響。GBM傾向評分估計方法非常具有吸引力，它提供一種自適應、自動的估計傾向評分的方法，特別適合帶有很多協變量和多種類型變量（連續的、名義的或有序的）的數據。雖然，GBM提供了很多相對于其他模型的優勢，但分析者在分析的過程中必須適當的調整模型。比如，4階交互項的限制說明模型中不能包含更高階的交互項；又如，迭代次數和收縮系數，都會影響模型的擬合，雖然，足夠大的迭代次數（本研究為2萬）和足夠小的收縮系數（本研究為0.000 5）能夠提供更好的模型，但是卻大大增加了計算復雜度，且同時減小協變量對模型的邊際改善，可能導致算法不收斂。而且需要嚴格的假設條件，即盡可能地納入所有與預測變量和結局變量都有關的所有混雜因素，無法消除未知混雜因素的影響。

隨著中藥上市后臨床再評價的開展，觀察性數據無論是數量還是準確性都在不斷增加。因此，傾向評分法在觀察性研究中具有廣闊的應用前景。但與此同時，作為中藥上市后臨床再評價的一種新方法，還需要在今后的研究中得到進一步驗證和探索。

3.2 基于現有數據分析未發現“用疏血通”對ALT異常變化有顯著影響

本研究數據中包含大量的協變量且它們和處理變量的關系存在非線性的情況，見圖1，體現了GBM用于傾向評分估計的優勢。雖然處理組和對照組的多數協變量在加權前存在較大差異，但經過加權平衡以后，幾乎模型中所有協變量組間均值差異被消除（表2），這些協變量的組間差異會影響處理效應的估計。GBM提供更精確的傾向評分估計，對2組協變量均值平衡的更好。

本研究重點探討“用疏血通”對肝功能ALT指標異常變化的處理效應。即分析“用疏血通”的處理相對于“未用疏血通”的對照對ALT指標異常變化的影響。GBM傾向評分加權后，Logistic回歸分析表明：“用疏血通”導致ALT發生異常變化的對數優勢比大于0（0.011），即“用疏血通”比“未用疏血通”導致ALT發生異常變化的可能性要大，但不具有統計顯著性（P=0.104），這在本質上修改了“用疏血通”對ALT指標異常變化的處理效應估計，使結果更加貼近臨床真實情況。但本研究發現，通過GBM傾向評分加權并不能移除數據中每個協變量在2組間的差異，即使存在的差異并不大，且它們在2組的分布基本接近，但為了獲得雙穩健的處理效應估計，筆者利用傾向評分加權結合線性回歸調節的方法對估計處理效應再進行估計，結果表明，在ALT指標的分析中，協變量調節后得到的處理效應減小到0.008，卻不具有統計顯著性（P=0.273），且患者年齡、入院病情、住院總費用以及個別合并用藥等依然可能是影響ALT指標異常變化的因素。一般如果存在很強的處理效應，其估計的結果應該是一致的，本研究對ALT指標的分析的不一致性說明“用疏血通”的處理效應并不是很強。因此，筆者保守認為在使用了疏血通注射液的患者中“用疏血通”的處理相對于“未用疏血通”的對照對肝功能指標異常變化的影響不顯著。

本研究是基于北京市18家大型三甲醫院HIS數據庫中的部分數據得出的結論，未納入其他地區和其他等級醫療機構的數據，具有一定的局限性，僅能作為參考，需要通過對更多臨床醫療機構數據收集做更進一步的分析。

[參考文獻]

[1] 魏定基. 魚腥草注射液靜脈給藥不良反應分析[J]. 臨床合理用藥雜志， 2010， 3（4）： 60.

[2] 陳裕盛， 韓啟光.再論天然藥物的腎毒性及診治[J]，中國中西醫結合腎病雜志， 2003， 4（4）：236.

[3] 郭新峰， 溫澤淮， 謝雁鳴， 等. 疏血通注射液臨床安全性的系統分析[J]. 中國中醫雜志， 2012， 37（17）：2782.

[4] 李百強， 魯仲平， 方洪壯， 等. 疏血通注射液大樣本臨床使用安全性分析[J]. 中國藥物警戒， 2011， 8（10）：592.

[5] 莊嚴， 謝邦鐵， 翁盛鑫， 等. 中藥上市后再評價HIS“真實世界”集成數據倉庫的構建與實現[J]. 中國中藥雜志， 2011， 36（20）：2883.

[6] 楊薇， 謝雁鳴， 莊嚴. 基于HIS“真實世界”數據倉庫探索上市后中成藥安全性評價方法[J]. 中國中藥雜志， 2011， 36（20）：2779.

[7] Rosenbaum P R， Rubin D B. The central role of the propensity score in observational studies for causal effects[J]. Biometrika， 1983， 70（1）： 41.

[8] Hirano K， Imbens G. Estimation of causal effects using propensity score weighting： an application to data on right heart catheterization[J]. Health Services Outcomes Res Methodol， 2001，70（2）： 259.

[9] Wooldridge J. Econometric analysis of cross section and panel data[M]. Cambridge： MIT Press， 2001.

[10] McCaffrey D F， Ridgeway G， Morral A R. Propensity score estimation with boosted regression for evaluating causal effects in observational studies[J].Psychol Methods， 2004， 9（4）： 403.

[11] Alex ZFu. 傾向得分法綜述[J]. 中國藥物經濟學， 2008， 15（2）： 259.

[12] Shadish W R， Cook T D， Campbell D T. Experimental and quasi-experimental designs for generalized causal inference[M]. Boston： Houghton-Mifflin， 2002.

[13] Harder V S， Stuart E A， Anthony J. Propensity score techniques and the assessment of measured covariate balance to test causal associationsin psychological research[J]. Psychol Methods， 2010， 15（3）： 234.

[14] Stuart E A. Matching methods for causal inference： a review and a look forward[J]. Stat Sci， 2010， 25（1）： 1.

[15] Friedman J H， Hastie T， Tibshirani R. Additive logistic regression： a statistical view of Boosting[J]. Annals Stat， 2000， 28： 337.

[16] GRidgeway D， McCaffrey A， Morral. Toolkit for weighting and analysis of nonequivalent groups： a tutorial for the twang package. package manual[EB/OL]. 2010-01.http： ///src/contrib/Archive/twang.

[17] Friedman J H. Greedy function approximation： A gradient Boosting machine[J]. Annals Stat， 2001， 29： 1189.

[18] Huppler-Hullsiek K， Louis T A. Propensity score modeling strategies for the causal analysis of observational data[J]. Biostatistics， 2002， 2： 1.

[19] Rosenbaum P. Observational studies [M] .2nd. New York： Springer-Verlag， 2002.

[20] Bang H， J Robins. Doubly robust estimation in missing data and causal inference models[J]. Biometrics， 2005， 61：692.

Impact analysis of Shuxuetong injection on abnormal changes of

ALT based on generalized boosted models propensity score weighting

YANG Wei1， YI Dan-hui2， XIE Yan-ming1*， YANG Wei1， DAI Yi2， ZHI Ying-jie1， ZHUANG Yan3， YANG Hu2

（1.Institute of Basic Research in Clinical Medicine， China Academy of Chinese Medical Sciences， Beijing 100700， China；

2. Statistical Institute of Renmin University， Beijing 100872， China； 3.The PLA Navy General Hospital， Beijing 100048， China）

[Abstract] Objective： To estimate treatment effects of Shuxuetong injection on abnormal changes on ALT index， that is， to explore whether the Shuxuetong injection harms liver function in clinical settings and to provide clinical guidance for its safe application. Method： Clinical information of traditional Chinese medicine（TCM） injections is gathered from hospital information system （HIS） of eighteen general hospitals. This is a retrospective cohort study， using abnormal changes in ALT index as an outcome. A large number of confounding biases are taken into account through the generalized boosted models （GBM） and multiple logistic regression model （MLRM） to estimate the treatment effects of Shuxuetong injections on abnormal changes in ALT index and to explore possible influencing factors. Result： The advantages and process of application of GBM has been demonstrated with examples which eliminate the biases from most confounding variables between groups. This serves to modify the estimation of treatment effects of Shuxuetong injection on ALT index making the results more reliable. Conclusion： Based on large scale clinical observational data from HIS database， significant effects of Shuxuetong injection on abnormal changes in ALT have not been found.