软件X 21（2023）101310原始软件出版物CRISSPAC：一个预测SYNTAX评分和冠状动脉疾病严重程度的网络平台Nikolaos Mittasa，a，Fani Chatzopouloub，c，EfstratiosKaragiannaid，Dimitrios Chatzidimitrioub，Georgios Sianosd，Lefteris Angelise，扬尼斯·SVizirianakisf，g，乌克兰a希腊卡瓦拉国际希腊大学化学系b希腊塞萨洛尼基亚里士多德大学医学院微生物学实验室c希腊塞萨洛尼基Labnet实验室d希腊塞萨洛尼基AHEPA大学总医院第一心脏科希腊塞萨洛尼基亚里士多德大学信息学院f希腊塞萨洛尼基亚里士多德大学药学院药理学实验室g塞浦路斯尼科西亚尼科西亚大学生命与健康科学系ar t i cl e i nf o文章历史记录：接收28六月2022收到修订版2022年12月10日接受2023年保留字：冠状动脉疾病（CAD）个性化（精确）医学预测算法决策支持工具a b st ra ctCRISSPAC是一个开源的基于网络的平台，用于预测冠状动脉疾病（CAD）的严重程度，通过易于使用的图形界面环境提供各种数据分析和机器学习解决方案。该软件的目的是双重的：（1）促进回顾性和前瞻性的目标，致力于诊断CAD的复杂性;（2）通过公开源代码来支持开放科学原则。我们的设想是促进软件的可扩展性和利用，以实现准确的诊断，决策过程和个性化的患者管理和咨询活动。版权所有©2023作者。由爱思唯尔公司出版这是CC BY-NC-ND下的开放获取文章许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。代码元数据当前代码版本1.0此代码版本使用的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-22-00162Code Ocean compute capsule NA法律代码许可证GPL-3使用的代码版本控制系统在Windows操作系统软件代码使用的语言、工具和服务R、RStudio、R包编译要求、操作环境依赖性R如果可用，链接到开发人员文档/手册NA问题支持电子邮件nmittas@chem.ihu.gr1. 动机和意义在当前的数字医学实践中，人工智能（AI）方法面临着关于开发先进的机器学习（ML）算法、计算机化工具和实际临床实用平台的挑战，用于广泛的*通讯作者。作者单位：药学院药理学实验室，希腊塞萨洛尼基亚里士多德大学电子邮件地址：nmittas@chem.ihu.gr（Nikolaos Mittas），ivizir@pharm.auth.gr（Ioannis S.Vizirianakis）。https://doi.org/10.1016/j.softx.2023.101310预测任务涉及但不限于实现研究和保健目标的回归、分类、聚类、降维技术关于这一点，包含各种预测算法的ML平台的实现可以为从业者提供帮助，改善他们的实践，同时有助于精准医学的最新进展[1通过提及多因素疾病，如心血管疾病（CVD），各种患者人群和临床表型中的现有异质性通过限制临床环境中的治疗结局对医疗保健系统产生显著的值得注意的是，在CVD中，2352-7110/©2023作者。由爱思唯尔公司出版。这是一篇开放获取的文章，使用CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxNikolaos Mittas，Fani Chatzopoulou，Efstratios Karagiannoug etal.软件X 21（2023）1013102=实践中，患者处理和监测极大地受益于基于AI方法的ML模型和算法的实施[6此外，将ML建模技术应用于CVD之前已显示其在患有急性冠状动脉综合征（MI）和非ST 段抬高型心肌梗死（非STEMI）的患者中的有益此外，ML方法指导个性化临床决策的能力也已在急性冠状动脉综合征（ACS）患者的护理中得到证明[3，10在CVD中，冠状动脉疾病（CAD）定义为冠状动脉的狭窄或阻塞，通常是由于动脉壁上的斑块堆积而引起的。总体而言，心血管疾病仍然是全球死亡率的主要原因，进而对患者的生活质量和生产力造成不利影响另一方面，CAD被认为是全球范围内死亡和残疾调整生命年损失的主要单一原因[15，16]。在某种程度上，为了解决CAD的负面影响，由于由于其高患病率和相关的高单位成本，应用先进的统计和ML方法来早期识别高风险个体是非常必要的[17]。重要的是，这种开发的ML预测工具必须容易地在护理点单元中实现，以低成本、高准确性和可再现性执行。这对于试图面对导致CAD疾病的社会问题的医生来说也是非常重要的[18]。在这项研究中，我们设计并开发了一个名为CRISSPAC（冠状动脉疾病风险分层评分预测算法计算器）的开源平台，专注于预测SYNTAX评分和CAD的严重程度，使研究人员和从业者能够深入了解影响CAD严重程度的风险因素，通过利用数据驱动解决方案的优点和隐藏在异构EHR中的信息。2. 软件描述2.1. 软件框架CRISSPAC（冠状动脉疾病RIsk-分层评分预测算法计算器）的开发基于Mittas等人[7]提出的数据驱动框架和从一项回顾性队列研究（GESS试验，ClinicalTrials.gov标识符：NCT 03150680）中收集的数据，该研究招募了919名疑似CAD的成人患者，这些患者在希腊塞萨洛尼基的AHEPA大学医院接受了侵入性冠状动脉血管造影术[19]。简要描述方法学背景[7]，该方法的第一阶段包括从包含每例患者各种医疗和临床健康记录的异质来源收集数据的过程。同时，由两名专 家心脏病专家 独立评估关注 变量， 即每位患者的SYNTAX评分，而两名评估者之间的任何可能冲突均通过第三名专家的参与解决。通过结合解剖学和临床预后变量，SYNTAX评分是用于预测接受冠状动脉造影术患者CAD复杂性和严重程度的最知名评分算法，并以这种方式指导经皮冠状动脉介入治疗和冠状动脉旁路移植术之间的选择[19]。在执行与特征编码、不一致值的校正和去除、缺失值的处理等相关的适当数据预处理任务之后，为了确保所收集数据的质量，该阶段产生了最终的电子健康记录（EHR）集，其中包含我们先前研究中使用的一组七十二（72）个预测因子（或风险因素）[7]。第二阶段致力于对收集的信息进行回顾性分析，旨在通过采用三种类型的数据分析方法探索和识别可能影响患者SYNTAX评分的潜在风险因素。最初，进行描述性统计技术以获得关于入组患者的特征和症状的见解，而探索性数据分析也用于检测隐藏在数据中的模式，一个特别的兴趣，揭示有意义的协会之间的一套预测和语法得分分布。描述性和探索性数据分析都是了解所收集样本特征的有用和易于解释的方法，但另一方面，它们并不能提供所研究现象的全貌。在这方面，采用了众所周知的推理统计假设检验基于使用过去数据的知识获取（回顾性分析），第二个目标可以表征为前瞻性，旨在预测即将到来的患者的SYNTAX评分。必须强调的是，临床医生使用侵入性冠状动脉造影的结果来估计CAD患者的SYNTAX评分等级，因此风险分层算法的发现可以有利地改变预后计划，并促进CAD复杂性和严重性的无创估计为了实现这一预期目标，该框架通过ML方法进行了增强，重点是开发SYNTAX评分风险分层算法。在这方面，所提出的ML算法可以被描述为两部分方法，将该过程区分为（a）用于将患者分类为具有零SYNTAX评分（SS0）的患者和具有非零、阳性SYNTAX评分（SS>0）的患者的二元分类任务，以及（b）假设患者呈现非零SYNTAX评分（SS>0），则估计患者的SYNTAX评分的期望的回归任务[7]。此外，ML包装器特征选择方法，即Boruta算法[20]，独立用于每个任务（分类/回归），以识别对响应产生影响的关键风险因素，因此，它们对于准确估计SYNTAX评分响应的预期值非常重要。2.2. 软件构架CRISSPAC为最终用户提供了一个交互式平台，以易于使用的工具原型实现上述工作流程。该平台的开发基于开源统计编程语言R [21]和R shiny [22]框架。CRISSPAC的核心组成部分是(a)后端数据访问层和（b）前端仪表板层（图1）。①的人。主要数据来源是在GESS研究期间收集的电子健康记录（EHR），对个人信息进行适当匿名化处理。更具体地，与72个测量的风险因素相关的五种类型的EHR（历史、条目、生化、全血计数和分类）被存储到构成平台的主要输入的XLSX文件中。前端层由四个模块组成，负责（i）进行两种类型的分析（回顾性和前瞻性），以及（ii）通过易于解释的表格和可视化技术呈现提取的结果，提供一目了然的细粒度2.3. 软件功能CRISSPAC由一组功能组成，通过四个模块实现，即描述性，探索性，推理性和预测性分析，通过平等的方式向最终用户显示。Nikolaos Mittas，Fani Chatzopoulou，Efstratios Karagiannoug etal.软件X 21（2023）1013103图1.一、CRISSPAC 平台的架构概述基于[7]中提出的框架。可独立查看的部分（选项卡项）的数量。下文概述了拟议框架所涉四个模块的主要功能以及相关的统计背景资料。描述性分析。 该模块负责根据所收集数据中的变量类型进行适当的描述性统计分析。此外，描述性选项卡分为子选项卡，将EHR分类为与患者的五种医疗和临床健康记录（病史、登记、生化、全血细胞计数和分类健康记录）相关的预先指定对于分类变量，每个因子的频率分布通过条形图以图形方式显示。关于连续变量，风险因素的分布通过直方图可视化，而总表总结了集中趋势（平均值和中位数）和偏差（标准差，最小值和最大值）的统计测量，以得出有关检查的研究人群的潜在分布的有意义的结论探索性分析。该模块使最终用户能够进一步挖掘数据，主要目的是探索可能影响SYNTAX评分的分布通过箱形图可视化，便于（i）探索代表不同亚群的比较组之间的SYNTAX评分分布，（ii）识别离群值和极值点，（iii）比较经验分布与理论正态分布。后者是一个关键的步骤，因为它可以指导选择过程中的推理机制，应采用推导出可靠的结论，未知的人口参数。对于连续因子，生成一个线图，显示响应（SYNTAX评分）和预测因子集之间的估计推理分析。该模块提供了一个完全自动化的功能，用于应用适当的统计假设检验程序，并决定与SYNTAX评分差异相关的风险因素。根据可用信息的类型（收集并存储在EHR中的变量类型），向用户显示一份报告，指导他们识别影响患者SYNTAX评分变化或与患者SYNTAX评分变化相关的一组风险因素考虑到SYNTAX评分变量的严重偏态分布，采用适当的非参数统计假设检验程序进行推断[23]。更具体地说，在识别 对于被检验的假设中涉及的变量类型，自动选择适当的非参数检验。关于可以描述为比较两个或多个群体的过程表明，通过分类变量的不同水平，非参数Wilcoxon符号秩检验和对于可用于研究两个连续变量之间关系存在性的相关设计，计算非参数Spearman rho系数。预测分析。该模块包括以下功能：（i）在包含915名患者的EHR的拟合模型的分类和回归部分上执行Boruta特征选择算法所产生的最重要风险因素的报告;（ii）一组输入/输出小部件，用于根据新患者的医疗和临床特征评估其预期SYNTAX评分3. 说明性实例为了说明CRISSPAC的使用，我们提出了通过其功能演示所提出方法的工作流程的步骤除了提供与所提出的风险分层ML框架相关的背景信息的主页选项卡之外，最终用户还可以通过一系列下拉 选 项 卡 （ 描 述 性 、 探 索 性 、 推 理 性 、 预 测 性 ） 导 航 到CRISSPAC平台，例如图图2显示了由入门EHR的探索性模块和相关仪表板产生的结果的屏幕截图，该仪表板可以指导最终用户在通过描述性模块总结EHR中发现的最重要特征后，识别关于每个级别的入门风险因素的SYNTAX分数分布的信息模式在下一步，推理模块进行适当的统计假设检验程序，以调查探索性分析（图2）确定的潜在影响是否可以推广到未知人群。 图图3说明了对入境EHR执行适当推理机制的结果。每个统计假设检验的关键成分汇总到一个表（表的行）中，该表报告了根据待检验假设的类型（方法列）、相关检验统计量（统计量列）、自由度（df列）和检验显著性（p列）自动选择的推理机制的名称此外，统计学显著性结果（p <0. 05）。05）以红色突出显示，以指导最终用户轻松识别影响SYNTAX评分分布的重要风险因素。最后一个模块（预测）侧重于识别最重要的风险因素，将被插入到Nikolaos Mittas，Fani Chatzopoulou，Efstratios Karagiannoug etal.软件X 21（2023）1013104图二. CRISSPAC的屏幕截图显示了由探索性模块（条目子选项卡）生成的仪表板。图3.第三章。CR I S S P A C 的屏幕截图显示了推理模块（Entry子选项卡）生成的仪表板。基于执行Boruta选择算法（“特征选择”子选项卡）的两部分模型。关于模型的零部分分量（分类任务），该算法识别了十三（13）个显著的预测因子（图中的左图）。然而，十（10）个风险因素显著影响患者的SYNTAX评分（图4中的右图）。基于先前的研究结果表明最重要的风险因素，CRISSPAC准备评估患者的预期SYNTAX评分，考虑到他/她的临床和医学概况（预测子选项卡）。在通过一组单选按钮（分类风险因素）和文本输入（连续风险因素）小部件将参与分类和回归组件的预测因子的值插入后，最终用户只需点击"运行"按钮（图10）。 5）。CRISSPAC将结果显示在两个信息框中，即：（i）患者呈现非零SYNTAX评分的概率（ii）预期SYNTAX评分，前提是先前估计的概率超过阈值0.49。在这方面，对于不满足先前条件规则的情况，估计的SYNTAX分数将为零。4. 影响疾病易感性和多因素疾病（如CAD）进展的变异性以及在不同患者人群中观察到的不同药理学反应特征作为对后者的补充，这种异质性显示了自然界中动态的生物系统如何通过适应和调节其功能在分子水平上表现。事实上，这也适用于试图翻译分子知识并在治疗上利用它，以一种使用的实验方法必须有效地解决这种异质性问题的方式[24]。后者可以通过在心血管疾病的临床环境中实施ML预测模型来实现，这是一种强大的工具，以便医疗保健从业者实时面对识别能够预测个人和特定人群未来心血管事件的最佳风险因素集的关键任务或者，风险分层模型的发展和应用，Nikolaos Mittas，Fani Chatzopoulou，Efstratios Karagiannoug etal.软件X 21（2023）1013105见图4。 CRISSPAC的屏幕截图显示了由预测模块（特征选择子选项卡）生成的仪表板。图五、CR IS S PA C 的屏幕截图显示了 预 测 模 块 的仪表板（预测子选项卡）。护理的能力给予临床医生以成功的方式减轻在临床表型中看到的异质性，从而避免治疗结果的限制。 事实上，在实践中，ML预测模型被认为是生物系统中分子异质性的可调节和可解释的工具，并且可以以常规方式应用。这些工具还提供了临床环境中所需的准确性和再现性，以实现符合全球监管问题的广泛临床实用性[2]。CRISSPAC旨在通过及时诊断CAD的严重程度和基于可疑症状对患者进行风险分层来解决有助于个性化（精确）心血管药物进展的研究CRISSPAC的自动化功能和交互式环境使用户，即使是那些缺乏数字能力的编程语言，开发工具和ML方法的技能），在演示数据集上进行实验。CRISS-PAC的方法框架旨在通过采用数据驱动的解决方案获得见解和综合知识，同时还提供了一个易于使用的工具箱，用于预测新患者的预期SYNTAX评分，从类似特征的健康记录中学习。更重要的是，CRISSPAC支持探索所提出的框架对具有不同特征的其他患者人群的能力，并识别可能影响SYNTAX评分的补充风险因素。通过简单地分别在现有指示性患者EHR上添加新病例和输入变量（风险因素）。关于拟议软件的验证，我们考虑了相关的：（a）食品和药物管理局（FDA）发布的指南;（b）软件确认原则（FDA-1997-D-0029）;和（c）临床决策支持软件开发指南（FDA-1997-D-6569）[25，26]。考虑到利益相关者不一定是IT专家，确认分为两个部分，旨在确认软件解决方案本身的临床有用性和可用性。一方面，CRISSPAC的临床有效性验证由GESS试验的专家心脏病学家进行评估。更具体地说，从业人员测试了CRISSPAC的软件功能及其容量Nikolaos Mittas，Fani Chatzopoulou，Efstratios Karagiannoug etal.软件X 21（2023）1013106准确预测患者的SYNTAX评分，从而评价该软件在诊断CAD复杂性相关临床决策中的实用价值。经过几次试验，心脏病专家团队提供了与CRISSPAC功能相关的有用反馈，并进行了一系列在此过程结束时，软件的功能正确性和完整性得到了临床医生的充分测试和批准。另一方面，第二轮验证对应于可用性测试。通过观察和应用“大声思考"协议进行评估因此，专家们认为CRISSPAC的可用性很高，即使对于没有编程技能的用户也是如此，因为所有功能都是完全自动化的，指导用户执行高级数据分析方法，而无需查阅大量手册或帮助文件，并将所有结果显示在友好和不言自明的用户界面中。总之，CRISSPAC基于开放式架构架构和开源代码概念化了一组功能，这些功能可以通过GitHub存储库访问和利用，允许修改和扩展当前版本的平台，从而形成两个独立的支柱：(a)软件可扩展性，即新功能和交互式模块的实现，以及（b）CRISSPAC中提出的数据分析方法的框架可扩展性。关于第二个支柱，有大量的ML特征选择算法值得进一步研究，以识别影响SYNTAX评分的重要风险因素，特别是各种分类和回归方法，可用于构建准确的风险分层算法。在这方面，CRISSPAC设想在全球研究人员、软件开发人员和数据科学家之间建立协同效应，从而促进有效合作和技能共享的精神，从而在一个具有挑战性的研究课题上进一步发展科学软件开发。5. 结论在本文中，我们介绍了CRISSPAC，这是一个开源平台，它基于从一项回顾性队列研究中收集的数据实施了一个独特的框架，该研究招募了接受冠状动脉造影术的CRISSPAC旨在利用大量的信息，这些信息可以在异构的医疗和临床记录中找到，先进的数据分析和ML方法，旨在提取与CAD严重程度相关的重要知识该平台提供了广泛的知名数据驱动方法，从描述性和探索性分析到高级ML特征选择算法和预测建模，服务于回顾性和前瞻性目标。总体而言，我们认为，该平台的实际重要性以及与其他类型的数据和分析方法的改进和扩展前景为未来的研究和软件的更新版本提供了巨大的潜力。资金这项研究由欧洲联盟的欧洲区域发展基金和希腊国家基金通过竞争力、创业和创新业务方案共同资助，称为研究-竞合利益提交人声明了以下可能被视为潜在竞争利益的经济利益/个人关系：Fani Chatzopoulou报告了与希腊塞萨洛尼基Labnet实验室的关系，其中包括：就业。合著者Fani Chatzopoulou受雇于Labnet实验室。其余作者声明，该研究是在没有任何商业或财务关系的情况下进行的，这些关系可能被解释为潜在的利益冲突。数据可用性源代码和数据的指示性样本是可用的在GitHub仓库中引用[1]Lau E，Omics Wu JC.心血管科学中的大数据和精准医学。Circ Res 2018;122（9）：1165-8。http://dx.doi.org/10.1161/CIRCRESAHA.118.313161.[2] Ngiam KY，Khor IW.医疗保健服务的大数据和机器学习算法柳叶刀肿瘤学 2019;20 （ 5 ） ： e262-73 。 http://dx.doi.org/10.1016/S1470-2045 （ 19 ）30149-4.[3]费尔南-鲁伊斯岛机器学习预测ACS的风险。Nat Rev Cardiol 2021;18（4）：230。http：//dx.doi.org/10.1038/s41569-021-00521-8]。[4]杨文伟，杨文伟，杨文伟. IBD中的Peyrin-biroulet L大数据：展望未来。NatRevGastroenterolHepatol2019;16（5）：312-21。http://dx.doi.org/10.1038/s41575-019-0102-5网站。[5][10]杨文辉，杨文辉，杨文辉.肿瘤学中的机器学习：临床评估。Cancer Lett2020;481：55-62. http://dx.doi的网站。org/10.1016/j.canlet.2020.03.032。[6]Judd RM.医学成像中的机器学习：所有旅程都从一个步骤开始。JACC血管成像2020;13（3）：696-8。http://dx.doi.org/10.1016/j.jcmg.2019.08.028.[7]Mittas N ， Chatzopoulou F ， KyritsisK ， Papagiannopoulos C ，Theodoroula N ， Papazoglou A ， Karagiannopoulos E ， Sofidis G ，Moysidis D，Stalikas N，Papa A，Chatzidimitriou D，Sianos G，AngelisL，Vizirianakis I.预测冠状动脉疾病的风险分层机器学习框架：来自GESS试验的 见 解 8. 第 八 届 中 国 国 际 医 疗 器 械 展 览 会 http://dx.doi 的 网 站 。org/10.3389/fcvm.2021.812182。[8] Seetharam K，Brito D，Farjo PD，Sengupta PP.人工智能在心血管成像中的 作 用 ： 最 新 评 论 。 前 血 管 医 学 2020;7 ： 618849 。http://dx.doi.org/10.3389/fcvm.2020.618849网站。[9] 张晓刚，王晓刚，王晓刚.大健康数据和心血管疾病：研究的挑战，临床护理的机会前线医学（洛桑）2019;6：36。http://dx.doi.org/10.3389/fmed.2019.00036网站。[10]Gibson WJ，Nafee T，Travis R，et al. Machine learning versus traditionalriskstratificationmethodsinacutecoronarysyndrome ： apooledrandomized clinical trial analysis. J Thromb Thrombol 2020;49 （ 1 ） ： 1-9.http://dx.doi.org/10.1007/s11239-019-01940-8.[11]Lee W，Lee J，Woo SI等，机器学习增强了性能非ST段抬高型心肌梗死短期和长期死亡率预测模型的研究Sci Rep 2021;11（1）：12886. http://dx.doi的网站。org/10.1038/s41598-021-92362-1。[12]D'Ascenzo F，Filippo ODe，Gallone G等人，基于机器学习的急性冠状动脉综合征（PRAISE）不良事件预测：对汇集的数据集进行建模研究。柳叶刀2021;397（10270）：199-207。http：//dx.doi.org/10.1016/s0140-6736（20）32519-8.[13]Alipour V，Zandian H，Yazdi-Feyzabadi V，et al.伊朗卫生改革计划前后心血管疾病的经济负担：来自伊朗转诊医院的证据。成本效益资源分配2021;19（1）. http://dx.doi.org/10.1186/s12962-020-00250-8网站。[14]佩 雷 拉 E 佩 雷 拉 H. 心 血 管 疾 病 的 社 会 经 济 影 响 。 Rev Portuguesa deCardiologia 2020;39 （ 5 ） ： 253-4 。 http://dx.doi.org/10.1016/j 的 网 站 。repc.2020.05.002网站。[15]Roth GA ， Mensah GA ， Johnson CO ， Addolorato G ， Ammirati E ，Baddour LM，Barengo NC，Beaton AZ，Benjamin EJ，et al.GBD-NHLBI-JACC全球心血管疾病负担编写组，全球心血管疾病负担和风险因素，1990 JAm Coll Cardiol 2020;76（25）：2982-3021。http://dx.doi.org/10.1016/j.jacc的网站。2020.11.010，勘误：J Am Coll Cardiol。2021年4月20日;77（15）：1958-1959年。[16]拉拉帕纳瓦冠状动脉疾病和急性冠状动脉综合征的流行病学和严重程度：一项叙 述 性 综 述 。 J Epidemiol Glob Health 2021;11 （ 2 ） ： 169-77.http://dx.doi.org/10.2991/JEGH的网站。K.201217.001。Nikolaos Mittas，Fani Chatzopoulou，Efstratios Karagiannoug etal.软件X 21（2023）1013107[17][10]李国雄，李国雄.法国缺血性事件高危患者冠状动脉疾病或外周动脉疾病的经济负担：一项索赔数据库分析。医学经济学杂志2020;23（5）：513-20。http://dx.doi.org/10.1080/13696998.2020的网站。一七一五四一五。[18] Havranek EP.社会经济因素对心脏病的影响JAMA Cardiol 2019;4（12）：1212-3。http://dx.doi.org/10.1001/jamacardio的网站。2019.3802。[19]Vizirianakis I，Chatzopoulou F，Papazoglou A，Karagiannakis E，SofidisG，Stalikas N，Stefopoulos C，Kyritsis K，Mittas N，Theodoroual N，Lampri A， Mezarli E ， Kartas A ， Chatzidimitriou D ， Papa A， AngelisL，Karvounis H，Sianos G. 更正：遗传语法评分：一对冠状动脉疾病复杂性进行分级的遗传风险评估实施工具-GESS研究的原理和设计BMC血管疾病2021;21（2021）：309. http://dx.doi.org/10.1186/s12872-021-02122-2，勘误表：BMC血管疾病21（2021）284。[20] Kursa MB，Rudnicki WR.使用Boruta软件包进行功能选择。统计软件杂志2010;36：1-13. http://dx.doi.org/10.18637/jss.v036.i11网站。[21]R核心团队R：统计计算的语言和环境。2021年，https://www.r-project.org。[22]R工作室，闪亮的R。 2021. https://shiny.rstudio.com/网站。[23]谢 斯金DJ参 数和 非参 数统 计 过程 手册 ： 第三 版（ 第 3版 ）。 Chapman 和Hall/CRC; 2003年，http://dx.doi。org/10.1201/9781420036268。[24]Vizirianakis IS， Miliotou AN， Mystridis GA ，Andriotis EG， AndreadisII ， PapadopoulouLC ， etal.TacklingpharmacologicalresponseheterogeneitybyPBPKmodelingtoadvanceprecisionmedicineproductivity of nanotechnology and genomics therapeutics. Expert Rev PrecMedDrug2019;4（3）：139-51。http://dx.doi.org/10.1080/23808993.2019.1605828网站。[25]FDA-2017-D-6569。临床决策支持软件。行业和食品药品监督管理局工作人员指南。https://www.fda.gov/regulatory-information/search-fda-guidance-documents/clinical-decision-support-software.[26]FDA-1997-D-0029 。软件 确认的一般原 则。行业和FDA 工作人员 指南。https://www.fda.gov/regulatory-information/search-fda-guidance-documents/general-principles-software-validation.
我的内容管理
展开
