今天给大家分享一篇在 2024年8月发表在《JAMA Netw Open》（1区，IF=10.5）的文章。研究背景：AEG患者的脊柱通常较差，目前尚祭术前CRT与重症术前或围手术期化疗相比，哪种治疗方式对整体生存率（OS）及结局更有利。研究目的：本文旨在通过网络荟萃分析，评估这两种术前治疗方法与手术单独治疗相比的治疗效果。研究方法：检索方法：研究团队在多个数据库中进行了文献检索，包括PubMed、Cochrane Library、护理和相关健康文献累积索引（CINAHL）、ClinicalTrials.gov，以及国际临床试验注册平台（ICTRP），检索时间从数据库创立至2023年4月21日。检索策略预先定义，涵盖了所有比较术前化放疗（CRT）联合手术、单纯术前或围手术期化疗联合手术与单独手术的随机对照试验（RCT）。两名研究人员独立筛选文献，首先通过标题和摘要筛选，然后对符合条件的全文进行进一步评估，并由第三方研究者解决筛选过程中产生的任何分歧。最终，共有17项试验符合纳入标准。统计方法：研究采用了两阶段贝叶斯网络荟萃分析方法。第一阶段中，研究者使用Cox比例风险回归模型估算每项试验的相对治疗效果（如生存率的对数危险比），并对性别和年龄进行了调整。在估算二分类结局（如术后并发症率和死亡率）时，采用逻辑回归模型估算对数比值比。第二阶段中，采用贝叶斯随机效应模型将各项研究的效果估计进行汇总，并计算合并后的危险比和比值比及其95%可信区间。此外，研究还进行了网络一致性检查、异质性评估以及治疗方案的排名，通过累积排名曲线下的面积（SUCRA）值来比较各治疗方案的效果。

大家好，今天我们将来挑战七天完成一篇网状Meta的第六到七天，希望对大家的学习有所帮助。

今天给大家分享一篇2023年5月发表在《Computers in Biology and Medicine》（Q1区，IF= 7）的文章，通过机器学习分析和蛋白互作网络的方法探讨了阿片类药物使用障碍（OUD）的治疗策略。研究的背景：OUD是一个全球性的重大公共卫生挑战和社会问题，随着阿片类药物依赖的人数急剧上升，滥用的可能性也随之增加。尽管已有一些药物被批准用于治疗OUD，但这些药物的疗效需要进一步提高，以提供更安全、更有效的药物和心理社会治疗。研究的目的：利用基于蛋白-蛋白相互作用（PPI）网络的机器学习方法，系统地评估和重新定位超过120,000种药物候选物，以发现具有理想药效和ADMET（吸收、分布、代谢、排泄和毒性）特性的抑制化合物，为OUD的药物治疗开发提供有价值的工具。研究方法：1.从String v11数据库中获取了与五大阿片类药物受体（MOR、DOR、KOR、NOR和ZOR）相关的PPI网络。2.从ChEMBL数据库收集了与这些蛋白靶标相关的抑制剂数据集，并构建了机器学习模型。3.使用基于自然语言处理的transformer和autoencoder学习模型生成的潜在向量（LV）指纹表示抑制剂化合物。4.将这些潜在向量与梯度提升决策树（GBDT）算法结合，构建了结合亲和力（BA）预测器。