创新实训-数据集的entity确定

PICO数据集

在医学研究和文献检索中，"PICO"是一个用来构建搜索查询的工具，它代表：

Patient/population（患者/人群）：指的是研究的对象或患者群体，包括年龄、性别、健康状况、疾病阶段等。

Intervention（干预）：指的是研究中施加的治疗、程序、诊断测试或其他操作，包括药物、手术、护理干预等。

Comparison（比较）：指的是研究中干预组与控制组之间的比较，如果没有对照组，则可能是干预前后的比较。

Outcome（结果）：指的是研究的主要和次要结果，包括临床结果、患者报告的结果、生物学指标等。

"PICO"框架帮助研究人员和医疗专业人员以一种结构化的方式提出临床问题，并在数据库中寻找相关的证据。通过明确这些要素，可以更有效地进行文献检索，找到最相关的研究来回答特定的临床问题。

我们依据此进行数据集entity的划分：

参与者：我们注释了描述研究中参与者特征的文本片段。我们注释了8个实体，其中包括研究中的参与者总数、干预组的参与者数量、对照组的参与者数量、条件、资格、年龄、种族和地点。

结果：我们注释了结果测量（主要和次要终点）和被测量的结果。我们还旨在获取结果的详细信息，特别是确定经历过特定结果的参与者数量的数字文本。在荟萃分析的统计分析中，这些数字文本对于计算汇总统计数据以确定干预的有效性是重要的

在注释中，我们主要考虑两种类型的结果，即二元结果和连续结果。二元结果取两个值，如治疗成功或失败，或存活（存活或死亡）。连续的结果并不像二元结果那样简单。疼痛等连续的结果是用数字量表来测量的（例如，疼痛评分分别为0和10）。连续结果通常在不同的时间点（如基线和随访时）进行测量，结果报告为平均值、标准差

我们创建了标签来捕获干预组和控制组中的各种类型的数字文本。我们使用“iv”、“cv”、“bin”和“cont”分别表示干预组、对照组、二元结果和连续结果。此外，二进制结果的数字文本往往是绝对值或百分比值。我们使用“abs”和“百分比”分别来标记绝对值和百分比值。此外，对于连续的结果，我们还设计了标签来捕获不同类型的数字文本。我们使用“mean”、“sd”、“median”分别表示均值、标准差、中位数。

其中，在医学研究和临床试验中，“outcome measures”（结果衡量指标）是指用于评估研究或治疗是否成功的量化指标。这些指标可以是患者报告的结果、生物学指标、或其他临床相关的测量结果。

“Primary and secondary end-points”（主要和次要终点）是结果衡量指标的具体分类：

主要终点（Primary end-points）：这是研究中最重要的问题，通常是研究人员最关心的结果。主要终点通常用来确定研究是否达到了其主要目标。例如，在癌症药物研究中，主要终点可能是无病生存期或总体生存率。
次要终点（Secondary end-points）：这些是研究中次要关注的结果，它们对于理解研究干预的效果也很重要，但不如主要终点那么关键。次要终点可以包括其他临床相关结果，如症状改善、生活质量评分、生物标志物的变化等。
简而言之，主要和次要终点是研究人员用来衡量和评估临床试验或研究效果的关键指标，它们帮助确定治疗或干预是否达到了预期的效果。

效果示意图：