随风消散的梦
随风消散的梦

系统评价与Meta分析基础

一、基础知识

  1. Cochrane图书馆是最权威的循证医学数据库
  2. Cochrane系统评价的指导是按照《Cochrane Handbook for Systematic Reviews of Interventions》进行，格式固定，一定要用RevMAN录入与分析数据，撰写系统评价计划书和全文。
    ----》可下2019载中文版，Cochrane干预措施系统评价手册

二、报告规范

  1. 基本步骤：提出问题-》收集资料-》评价资料-》分析和解释结果-》发表
  2. 报告规范标准参考：
    • 1999年QUOROM(Quality of Reporting of Meta-analysis)
    • 2009年PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-analyses）
    • Cochrame制定的专用报告格式
    • MOOSE（Meta-analysis of observational Studies in Epidemiology）
      -->都有中文版可以找
  3. 制作步骤参考：
    • 《Cochrane Handbook for Systematic Reviews of Interventions》-->提出了10个步骤
    • 《Systematic Reviews in Health Care: Meta0analysis in Context》-->提出了8个步骤
    • 上面两个是基于随机对照试验的系统评价设计的，还可以参考诊断性研究的手册《Cochrane handbook for Diagnostic Test Accuracy Reviews》-->参考：http://srdta.cochrane.org/handbook-dta-reviews

三、原始研究类型和报告规范

  1. 参考书目《临床流行病学：临床科研设计、测量与评价》、《The lancet handbook of essential concepts in clinical research》、《A dictionary of epidemiology》

  2. 分类

    • 是否认为干预：实验性研究（experimental study）与观察性研究（observational study）。具体细节原文描述。

  3. RCT（Randomized controlled trial）随机对照试验

    • 有试验组合对照组。
    • 结果一般是阳性或阴性，组成四格表。
    • 报告规范《Consolidated Standards of Reporting Trials》CONSORT声明，可参考2010年版本。
    • 针对其他试验类型CONSORT有很多扩展版。可以参考http://www.consort-statement.org/home

  4. 非随机实验性研究(none-randomized experimental study)

    • 非随机交叉试验
    • 非随机同期对照试验
    • 前-后对照试验
    • 报告规范TREND声明（The transparent reporting of evaluations with nonrandomized designs）,参考：http://www.cdc.gov.trendstatement/

  5. 观察性研究（observational study）

    • 分为分析学研究（analytic study）和描述性研究（descriptive study）。
    • 队列研究（cohort study），也叫发病率研究（incidence study）,纵断面研究（longitudinal study）,前瞻性研究（forward-looking study/perspective study）,随访性研究(follow-up study),并行性研究(concurrent study)
    • 病例-对照研究（case-control study）
    • 描述性研究
    • 报告规范：STROBE(Strengthening the Reporting of Observational Studies in Epidemiology)，参考 http://www.strobe-statement.org
    • 另一个规范是ＳＴＲＥＧＡ（Strengthing the Reporting of Genetic Association Studies）

  6. 筛查试验（screening test）与诊断性实验（diagnostic test/trial）

    • 涉及的指标： 灵敏度（sensitivity,Sen）/真阳性率，特异度（specificity,Spe)/真阴性率，阳性预测值（positive predictive values, PPV）,阴性预测值（negative predictive values,NPV）以及似然比（likelihood ratio,LR）
    • 报告规范：STARD(The Standards for Reporting of Dignostic Accuracy),参考：http://www.stard-statement.org/

  7. 动物实验

    • 报告规范： 《动物实验研究报告指南》（Animals in Research: Reporting in Vivo Experiments,ARRIV），参考 http://www.nc3rs.org.uk/page.asp?id=1357

四、常用中英文数据库

  1. 原始研究的获取：
    • 全文数据库： 中国知网（cnki），威立（Wiley）,爱思唯尔（Elservier）
    • 文献传递服务机构： 清华大学文献馆际互借系统，中国高等教育文献保障系统（CALIS），国家科技图书文献中心（NSTL）
    • 免费资源： DOAJ（www.doaj.org）, www.freefulltext.com, intl.highwire.org, www.pubmedcentral.org, www.plos.org, www.freefullpdf.com
  2. 常用数据库：
    • Cochrane图书馆
    • PubMed：www.ncbi.nlm.nih.gov/pubmed
    • EMBASE: www.embase.com
    • OVID: gateway.ovid.com
    • 中国生物医学文献数据库： www.sinomed.ac.cn

五、原始研究的质量评价工具

第一节、相关术语

主要工具：

  • 单个评价条目（components/items）
  • 清单（checklist/list）
  • 量表（scale）

  1. 随机化（randomization）

    • 两种形式：随机抽样（random sample）与 随机分组（random allocation）--->随机分入实验组（intervention）或对照组（control）/比较组（comparsion）
    • 正误方法：正确的随机方法可以分为手工方法和计算机随机方法。手工方法可以是掷硬币，掷骰子，抽签/抓阄等计算机随机是产生随机数。

  2. 分配隐藏(allocation concealment)

    • 这是指在双臂或多臂随机对照试验中采用的一种方法，使研究对象及研究者不知道对象的任何情况，避免因为认为因素影响随机分组。
    • 正误方法：顺序编号、不透明的封口信封、药房控制、编号或编码的容器，中心随机法（电话告知研究办公室），或其他描述分配隐藏包括隐藏可信因素的方法。

  3. 盲法（blinding）or 面罩法（masking）

    • 研究对象和研究者对研究对象的分配、接受试验及来源处于未知状态
    • 可以分为：单盲（single blinding），双盲(double blinding)，三盲(triple blinding)，四盲(quadruple blinding)
    • 正误方法：单模拟(simple-dummy)与双模拟(double-dummy)

  4. 基线可比性（baseline characteristics）

  5. 损耗（attrition）包括失访(lost to follow-up)，退出(dropout/withdraw)，无应答(non-response)

  6. 意向性治疗分析（intention-to-treat analysis ITT）

  7. 点估计值（point estimation）：也是效应值的点估计，指直接使用统计量估计总体参数的方法。比如从总体中抽样N个样本，样本的中位数就可以当做是总体的中位数。但是点估计不能告诉所估计的未知总体中位数的可信程度，可信程度用可信区间（confidence interval,CI）表示。

    --》一般衡量点估计是否优良三个标准： 无偏性(unbiasdness)，一致性(consistency)，有效性(validity)

  8. 暴露（exposure）：研究对象接触过某种待研究的物质。

第二节、质量评价的相关概念

  1. 质量：实验设计产生无偏倚的可能性或者设计与研究过程中反映结论有效性的一些列因素，这些因素与临床试验的内部有效性、外部有效性和统计分析（external validity）有关。

  2. 真实性（vaildity）：内部真实性（internal validity）与外部真实性（external validity）

  3. 精确性（percision）：又称为可靠性（reliability）或重复性（reproducibility）

  4. 偏倚：包括选择偏倚，实施偏倚，失访偏倚和测量偏倚

  5. 质量评价（quality assessment）：评估单个研究在设计、实施、结果分析整个过程中可能出现的偏倚程度。

第三节、随机对照试验的质量评价工具

  1. 随机对照试验(randomized controoled trial, RCT)与临床对照试验（controlled clinical trial,CCT）,判定标准主要包括：

    • 在一个或多个患者中中进行的一种研究
    • 比较两种干预措施
    • RCT采用随机分配法，CCT采用半随机分配法
    • 提示性术语有：随机（random）、交替（crossover/cross-over）、双盲（double-blind）或安慰剂（placebo）等

  2. Cochrane风险偏倚评估工具

    • Cochrane系统评价手册 认为“研究质量”和“研究偏倚”是有区别的，偏倚 能够更加真实反映a研究存在的缺陷。 参考“Cochrane风险偏倚评估工具（the Cochrane collaboration's tool for assessing risk of bias）”

  3. PEDro量表

    • PEDro（物理治疗证据数据库 Physiotherapy Evidence Database）, http://www.pedro.org.au， 这个数据库旨在使用最佳证据与临床应用来强化物理治疗服务的有效性。
      • PEDro量表（PEDro scale）是CEBP基于Delphi清单制作的RCT评价量表。

  4. Delphi清单（Delphi list）

  5. CASP清单

    • 这是英国牛津循证医学 中心文献严格评价项目CASP (Critical Appraisal Skills Programme)

    • CASP Checklist参考 http://www.casp-uk.net

  6. Jadad量表（Jadad scale）

    • 简单明了，但是在Cochrane系统评价员手册5.0被指出有问题，不被推荐

    • 建议将Jadad量表和Kenneth F. Schulz的隐蔽分组评价方法结合起来更合适。

  7. Chalmers量表 （Chalmers scale）

    • 实施繁琐，花费时间较长，当前应用好像较少

  8. CONSORT声明

    • CONSORT声明（Consolidated Standards of Reporting Trials Statement）
    • 告RCT必备的基本项目清单和描述整个试验过程中受试者流程的流程图组成
    • 主要针对的是两组平行设计的RCT
    • 边振甲指定了针对中医药的CONSORT声明。

第四节、观察性研究的质量评价工具

  1. 观察性 研究（observational study）又称为 非实验性研究（non-experimental study），是指没有加入研究人员的 任何干预措施，允许事件自然发展的研究过程。

  2. NOS量表

    • The Newcastle-Ottawa Scale（NOS）适用于评价病例-对照研究和队列研究。
    • http://www.ohri.ca/programs/clinical_epidemiology/oxford.asp

  3. CASP清单
    * Critical Appraisal Skill Program（CASP）

  4. JBI标准

    • JBI PACES是澳大利亚循证护理 中心(Joanna Briggs institute ,JBI)的临床证据评鉴系统（Practical Application of Clinical Evidence System, PACES）
      • http://www.joannabriggs.edu.au

  5. AHRQ(Agency for Healthcare Research and Quality)

  6. Combie横断面研究评价工具

    • 出自 Iain Crombie在 1996年的书《The Pocket Guide to Critical Appraisal》

  7. STROBE声明:
    * The Strengthening the Reporting of Observational Studies in Epidemiology
    * 分子流行病学观察性研究科参考扩展版 STROBE-ME

  8. STREGA声明
    * Strengthening the Reporting of Genetic Association Studies，这也是 属于 STROBE的扩展版
    * http://www.medicine.uottawa.ca/public-health-genomics/web.eng.strega.html

第五节、非随机实验性研究的质量评价工具

  1. MINORS条目（Methodological Index for Non-randomized Studies）

  2. Reisch评价工具

  3. TREND声明：The Transparent Reporting of Evaluations with Nonrandomized Designs, 参考： http://www.cdc.gov/trendstatement

第六节、诊断性研究及动物实验的质量评价工具

诊断性研究

诊断实验是指为给患者做出诊断而采用的各种实验室检查、仪器设备检查及其他方法

  1. QUADAS工具： Quality Assessment of Diagnostic Accuracy Studies
  2. CASP清单： Critical Appraisal Skill Program
  3. STARD声明： The Standards for Reporting of Diagnostic Accuracy

动物实验

  1. STAIR清单：The Initial Stroke Therapy Academic Industry Roundtable
  2. CAMARADES清单： Collaborative Approach to Meta Analysis and Review of Animal Data From Experimental Stroke， http://www.camarades.info
  3. ARRIV指南： Animals in Research: Reporting in Vivo Experiments

六、资料提取

主要参考 Cochrane handbook for Systematic Reviews of Interventions。

  1. 资料来源： 期刊，书籍，论文集，会议摘要，图书馆，网站，联系作者等等。
  2. 基本原则：客观、提前进行培训、预提取、多人提取以及妥当处理分歧。
  3. 设计资料提取表数据的转换

数据的转换

  1. 利用组内均数的可信区间计算标准差（SD）

    • 一般使用95%可信区间
  • 若数据符合正态分布：若样本量大（）,则, 如果是90%可信区间则3.92换为3.29，若可信区间99%，则为5.15
    • 若样本量小（）,则, 其中t值可以在excel中用公式“”获得，其中 ，。
  • 若样本量,两种方法都可以
    • 数据不符合正态分布，则可以对原始数据进行对数转换，然后如果转换后的数据符合正态分布，则继续用上面的方法。

  1. 利用组间均数差以及标准误、可信区间、t值或P值计算标准差。

    若原始研究仅仅提供了利用组间均数差（MD）以及标准误（SE）、可信区间、t值或P值，也可以换算出标准差（SD）。此时，需假设各组的SE相等，且进行Meta分析时计算出的SE将被同时应用到实验组和对照组，即输入的两组的SE是同一个值。

    • 通过P值计算SD，第一、通过P计算t，还是可以通过上面的tinv公式计算，概率即P值，自由度=（NE+NC-2），如果没有报告具体P值，而是报告P<0.05，则可用P值得上限做概率估计，即P=0.05; 第二、通过t计算SE。 ; 第三、通过SE计算SD。
    • 通过t值计算SD。报告了t值就直接用上面的后两步。
    • 通过可信区间计算SD, 方法和组内计算的方法完全一致。

  2. 通过中位数和四分位数间距估算均数和标准差。

    • 如果数据呈现正态分布，则直接用中位数代替均数进行Meta分析
    • 如果非正态分布，不能用中位数代替均数。
    • 四分位数间距（interquartile range）是指上四分位数和下四分位数的差值，IQR反映偏态分布数据的离散程度，类似于正态分布数据的标准差。如果样本量大，近似正态分布，那么。 如果不满足条件，那么久不能用这个公式算SD。

  3. 合并亚组数据

    • 二分类变量情况下：直接将各亚组的样本量和发生目标事件的病例数相加即可。

    • 连续性变量的情况：假设亚组A的样本量为,均数为,标准差；亚组的相关数据为,。那么合并后的样本量 ，均数为；标准差为：

  4. OR与RR值：

  • 观察性研究中，因需要对相应的风险因素进行校正，故原始研究多提供了RR,OR以及95%可信区间。

  • RR值多用于队列研究

  • OR值多用于病例-对照研究及横断面研究

  • ,其中表示非暴露组结局事件的发生率，表示暴露组结局事件的发生率。所以：

    标准误（SE）的计算公式为：

  1. HR与RR：在队列研究中，因为有些涉及生存资料，所以报告的是HR以及其95%CI，这个时候可以认为，直接将HR看成RR，进行合并。

七、Meta分析中常用统计学指标及方法

第一节、相关概念

  1. 效应量（effect size/effect magnitude）:这是指临床上有意义或实用价值的数值或观察指标变量，是单个研究结果的综合指标，需要根据研究的性质、资料的类型进行确定。
  2. 率（rate）、比值（ratio）、比例（proportion）
  3. 计数（dichotomous data）,计量（measurement data），等级资料（ranked data）
    • 计数资料：清点个数
      • 计量资料：对连续型变量或者离散型变量进行测量
        • 等级资料：对不同程度进行分等级，然后再分类。
  4. 时间-事件数据（time-to-event data）:既反映事件发生与否，又反映发生时间的数据。
    • 生存分析（survival analysis）:是将事件的结果和出现这个结果所经历的时间结合起来分析的一类统计分析方法。
  5. 危险度（risk）和几率（odds）
    • risk： 某个时间将要发生的概率
    • odds: 时间发生与不发生的比率
  6. 可信区间（confidence interval,CI）
    • 也叫置信区间，主要用于估计总体参数，从获取的样本数据资料估计某个指标的总体值。
    • 常用的有率的可信区间，两率差值的可信区间，均数的可信区间，两均数差值的可信区间，相对危险度可信区间等等。
    • 循证医学常用的是率的可信区间，RR或者OR的可信区间，均数的可信区间，两均数差值的可信区间。

第二节、计数资料的效应量

  1. 表格

    • 循证医学中计数资料常用的描述性指标有RD,OR,RR,RRR,ARR,NMT等。计数资料中的数据通常以两组发生事件数和未发生事件数来表示，即经典的表格。根据这些数据可以计算RR,OR或者RD。
    事件数 未发生事件数 合计（N）
    干预组/暴露组 A B
    对照组/非暴露组 C D

  2. EER（experimental event rate）、CER(control event rate): EER即实验组中某时间发生率，CER即对照组中某时间的发生率。
    *

  3. RD（rate difference）及CI
    * 两个发生率的差即RD,率差。比如EER-CER，他表达的是两组事件发生率的绝对差（absolute risk difference，ARD），其大小反映试验效应的大小。

    • RD的意义还取决于时间的临床重要性
    • RD等于0，表示等效。当RD的可信区间不包含0，那么两个率是有差别的。反之，RD的CI包含0，则无统计学意义。
      • 通常只有队列研究和随机对照试验的结果可以计算RD。
      • RD的计算为：
      • RD的CI计算：
      • RD的标准误：

  4. RR（relative risk）及CI
    * RR也可以是risk ratio， 他是暴露组中发生结局的频率除以非暴露组中解决的频率，是前瞻性研究中较常见的指标。

    • 如果RR=1，表示两组中的频率相同，暴露与结局无关联。RR>1，表示结局在暴露组中更加频繁，暴露与危险性增加相关联。RR<1，提示一种保护性作用。
    • RR的CI应该用自然对数进行计算，就是求RR的自然对数值以及他的标准误
      • 的CI为：
      • RR的CI为：

  5. OR(odds ratio)及CI

    • odds raatio也称为交叉乘积比（cross-product ratio）或相对比值（relative odds）
    • OR是病例-对照研究中常见的衡量关联的方法，他显示在病例组中暴露的可能性除以对照组中暴露的可能性。
    • OR=0，没什么意义。OR>1，提示暴露与为危险性增高有关系，OR<1，提示有保护作
    • OR的CI同样需要通过自然对数计算：
    • 的CI为：
    • OR的CI为：

  6. RRR(relative risk reduction)及CI
    * RRR是相对危险减少率。
    *
    * RRR的CI=1-RR的CI、
    * RRR反映了某试验因素使某个结果的发生率增加或减少的相对量，但是该指标无法衡量发生率增减的绝对量。

  7. RRI(relative risk increase)及CI

    • RRI：相对危险增加率
    • 试验组中某不利结果的发生率为,对照组中某不利结果的发生率为
    • 这个指标可反映采用试验因素处理后，患者的不利结果增加的百分比。
    • CI的计算与RRR相同

  8. RBI（relative benefit increase）

    • 相对收益增加率
    • 试验组中某有利结果的发生率为,对照组中某有利结果的发生率为
    • 反映采用试验因素处理后，患者有益结果增加的百分比。

  9. AAR(absolute risk reduction)与CI

  • 绝对危险减少率 ARR
  • AAR=|CER-EER|
  • AAR的CI：
  1. AAI（absolute risk increase）及CI
    • 绝对危险度增加率（ARI）,他是试验组中不利结果发生率与不利结果发生率的差值。
    • 可以反映采用试验因素后，患者的不利结果增加的绝对值。
  2. ABI（absolute benefit increase）及CI
    * 绝对收益增加率
    *
  3. NNT（the number needed to treat）及CI
    * the number of patients who needed to treated to achieve one additional favorable outcome.
    *
    * NMT越小，防治效果就越好，临床意义就越大
    * NMT的SE没法计算，但是NNT=1/ARR,故 NNT 95%CI 的计算可以利用ARR的CI
    * NNT 95% CI的下限=1/ARR的上限值
    * NNT 95% CI的上限=1/ARR的下限值
  4. NNH（the number need to harm）及CI
    * NNH是对患者采用某种防治措施处理，出现1例副作用需要处理的病例数。 the number need to harm one more pateents from the therapy
    *
    * NNH越小，某治疗措施引起的副作用就越大。
    * NNH的CI可由ARI的上下限导数计算得到。
  5. LHH（linkelihood of being helped vs harmd）
    * LHH是防治性措施收益与危害的似然比
    * LHH=NNH/NNT
    * 他反映了防止措施给受试者带来的受益于危害的比例。
    * LHH>1:利大于弊；LHH<1，弊大于利。

第三节、计量资料的效应量

  1. 数值资料的单个研究主要使用加权均数差（WMD）和标准化均数差（SMD）来描述其效应量。计量资料常用的描述指标有均数（mean， ）,中位数（median，M）、几何均数（geometric mean, G）、标准差（standard deviation, S）、四分位距（interquartile range,IQR）等。
    WMD和SMD的森林图无效线竖线的横轴尺度为0，每条横线为该研究的95%CI上下限的连线。其线条长短直观地表示了CI范围的大小。线条中央的小方块为WMD,SMD值得位置。 方块大小为该研究权重大小。若某个研究95%CI的线条横跨为无效竖线，则该研究没有统计学意义；反之，若该横线落在无效竖线的左侧或者右侧，该研究具有统计学意义。
  2. WMD（weighted mean difference）
  • 加权均数差用于meta分析中所有研究具有相同连续性结局变量（eg,体重）和测量单位时。
  • 计算WMD，需知道每个原始研究的均数、标准差和样本量
  • RevMan定义计算WMD的权重为方差的倒数
  • 两均数差（d）可计算为：
  • d的方差,其中与分别是两组的样本量。
  • 两均数差（d）的SE的计算：
  • 95%CI位：
  • WMD即为两均数的差值，他反映一试验原有的测量单位，真实反映了试验效应，消除了绝对值大小对结果的影响。
  1. SMD(standardized mean defference)
    • 标准化均数差SMD为两组估计均数差值除以平均标准差。由于消除了量纲的影响，因而结果可以被合并。
    • SMD的方法不适用于尺度方向不同的情况。
    • 某个研究的标准化均数差d：
    • 标准化均数差d的方差，也叫.

第四节、Meta分析方法及模型

  1. 常用的Meta分析方法：包括倒方差法（generic inverse variance）、Mantel-Haenszel法（M-H法）、Peto法、Dersimonian-Laird法（D-L法）

    • Peto法适用于大型研究的小效应量的合并分析，包括生存资料（eg：死亡率）

    • 倒方差法，M-H法和Peto法优于在分配权重方法上的差异，各研究的权重仍然可能出现很大的差异，但是对合并效应量的影响不会太大。

    • OR,RR,RD的选择一般按照小事件时候选择OR Peto法或M-H法。大事件选择RR。 另外RD在两种情况下都可以选。

    • 常用的Meta分析方法

      资料类型 合并效应量 模型选择 计算方法
      计数资料 OR 固定效应模型 Peto
      固定效应模型 M-H
      随机效应模型 D-L
      RR 固定效应模型 M-H
      随机效应模型 D-L
      RD 固定效应模型 M-H
      随机效应模型 D-L
      计量资料 WMD 固定效应模型 倒方差法
      随机效应模型 D-L
      SMD 固定效应模型 倒方差法
      随机效应模型 D-L
      个案（时间-事件）资料 OR 固定效应模型 Peto

  1. Meta分析的合并效应量

    资料类型 研究设计类型 合并效应量
    计数资料 随机对照试验 RR,OR,RD
    非随机实验性研究 OR,RR,RD
    队列研究 RR,OR,RD
    病例对照研究 OR
    横断面研究 OR
    诊断准确性试验 OR
    计量资料 随机对照试验 WMD,SMD
    非随机实验性研究 WMD,SMD
    队列研究 WMD,SMD
    病例对照研究 WMD,SMD
    横断面研究 WMD,SMD

  1. Meta分析的效应模型。

    • 主要分为固定效应模型(fixed-effect model)和随机效应模型（random-effects model）
    • 研究间的同质性好（）选固定效应模型，反之，选随机效应模型
    • 区别在于：a. 使用情况不同。固定效应模型应用的前提是假设全部研究结果的方向和效应大小基本相同，也就是各个独立研究的结果趋向一致，一致性检验差异无显著性，所以用于无差异或差异较小的研究。随机效应模型相反。b.产生的结果不同，固定效应模型产生同质研究特集的结果推论，而随机效应模型产生研究全集的结果推论。 c.用随机效应模型方法可以代替固定效应模型。但固定不能完全代替随机。d. 固定效应模型常用M-H法，Peto法，以及使用率直接计算OR值法。

八、Meta分析中的异质性

第一节、异质性的含义及类型

  1. 异质性（heterogeneity）：就是各个研究间的不相似性。
  2. 类型：临床异质性，方法学异质性，统计学异质性

第二节、异质性的识别

  1. Q检验

    如果Q检验无效假设为,即纳入研究效应量都相同。假设真正的效应量是一致的，但是由于存在抽样误差导致实际结果不一致，这时候仍然可以认为研究间效应是同质的。如果研究结果差异过大，超出抽样误差所能解释的范围，则需要考虑异质性存在。Q统计量可以定义为:

    其中，为第i个研究的效应量，可以是OR,RR或RD。 为所有研究的平均效应量。、分别是第i个研究的标准误和权重。。

    Q值为（对数）效应量的标准化的平方和，因此服从自由度的中心分布，K是纳入研究的个数。Q值越大，其对应的p值越小。若， 则,表明研究间存在异质性。

    • Q检验的检验标准通常设定为,就是当时候，研究间存在异质性。

  2. 检验

    • 这个统计量反映异质性部分在效应量总的变异中所占的比重。
    • ，其中Q为异质性检验的卡方值，K为纳入Meta分析的研究个数。
    • 的取值在0-100%之间，当为0时（实际为负值也视为0），表明没有观察到异质性。值越大则异质性越大。
    • Higgins JPT分为了三个程度：低中高,对应为25%，50%，75%。
    • Cochrane分为四个程度：0-40%轻度，40%-60%中度，50%-90%较大，75%-100%很大的异质性。
    • 作为一个率，用于描述由各个研究所致的，而非抽样误差所引起的异质性占总变异的百分比。他克服了Q统计量对纳入研究个数的依赖，可以更好衡量多个研究结果间异质性程度大小。
    • 在Cochrane中，只要不大于50%，异质性就可以接受。

  3. 检验

    • 通过对统计量Q进行自由度（文献数）的校正，结果方差分布的参数估计可以得到：

    , 其中K表示纳入meta分析的研究数。

    • H的标准误为：

    • 按照正态近似法可以求得H统计量的可信区间为：

      其中为标准正态分布分位点的值，比如.

    • H为1，表示无异质性，一般H>1.5，表示存在异质性； H<1.2则提示可认为各研究同质。若在1.2

  4. 图示法：森林图(forest plot), 星状图（radial plot），拉贝图（L' Abble plot）,加尔布雷思图（Galbraith plot）

第三节：异质性的处理

  1. 处理流程：

    系统评价与Meta分析基础_第1张图片
    image.png

  1. Meta回归

    通过回归方程，反应1个或多个解释变量与结果变量之间的关系。只有研究数量大于10个才可以用回归。可以在Stata中用“metareg”实现。

    其他软件还有Comprehensive Meta Analysis V2，Meta-Disc, MetaAnalyst。

  2. 亚组分析（subgroup analysis）

    这是在出现异质性或要回答特定患者、特定干预措施或特定研究时，从临床异质性和方法学异质性的角度探讨异质性的来源，根本上解决同质性才能合并效应量的问题。可以按照不同年龄，病情程度，性别，设计方案，等等进行亚组分析。

  3. 敏感性分析（sensitivity analysis）

    用于决定一个研究结果的敏感性，或者他对系统评价或meta分析如何改变的一种分析方法。可以有几种方法：

    • 改变研究类型的纳入标准、研究对象、干预措施或终点指标；
    • 纳入或排除某些含糊不清的研究，不管其是否符合纳入标准
    • 使用某些结果不太确定的研究估计值重新分析数据
    • 对缺失数据进行合理的估计后重新分析数据。
    • 使用不同统计方法重新分析数据，比如随机效应模型代替固定效应模型。
    • 从纳入研究中提出质量相对较差的文献后重新进行Meta分析，比较前后合并效应间是否有显著性差异。
    • 按照不同的研究特征，比如不同的统计方法，研究的方法学质量高低、样本量大小、是否包括未发表的研究等，对纳入文献进行分层Meta分析。

  4. 选用随机效应模型

    • 固定效应模型假设所有观察到的差异都是由偶然机会引起的一种合并效应量的计算模型，这些研究假定为测量相同的总体效应。
    • 随机效应模型则是统计Meta分析中研究内抽样误差（方差）和研究间变异以估计结果的不确定性（可信区间）的模型。
    • 随机效应模型比固定效应模型有更宽的可信区间。

  5. 改变效应量

    仅仅改变结局指标的效应量，也可能达到充分去除异质性的效果。比如对二分类变量，结局指标的效应量由绝对测量标度（如危险差RR）变为相对测量标度（比如对数比OR）。对于连续型变量，由WMD改变为SMD，或者转换为对数形式。

  6. 放弃行Meta分析

    如果异质性国语明显，就放弃Meta分析，只能对结果做一般的统计描述，即定性分析或狭义的系统评价。

九、系统评价/Meta分析中的偏倚

第一节、偏倚的含义及类型

  1. bias: 也称为系统误差（systematic error），他是指研究的结果或推论偏离真实值，或导致这种偏离的过程，也可以说是在资料的收集、分析、解释或发表过程中，能够导致结论系统地与真实值有所不同的任何趋势。
  2. 原始文献的bias: 选择偏倚selection bias, 实施偏倚performance bias, 损耗偏倚attrition bias, 测量偏倚detection bias，报告偏倚reporting bias, 其他偏倚 other bias.
  3. 系统评价/Meta分析中的偏倚
    • Felson分类：抽样偏倚，选择偏倚和研究内偏倚
    • Cochrane分类：发表偏倚 publication bias, 时滞偏倚 time lag bias, 多重/重复发表偏倚（multiple/duplicate publication bias）,发表位置偏倚（location bias）,引用偏倚 citation bias, 语言偏倚 language bias, 结果报告偏倚 outcome reporting bias。

第二节、报告偏倚的评价

  1. 漏斗图（funnel plot）

    • 漏斗图是假设效应量的精度随着样本量的增加而增加，因此样本量小的研究精度低，分布在漏斗图的地步，且向周围分散。样本量大的精度高，分布在漏斗图的顶部，且向中间集中
    • 发表偏倚会导致漏斗图不对称（底部出现一个角落缺失）。
    • 其他导致不对称可能原因有低质量小样本试验(poor methodological quality of smaller studies), 真实的异质性（true heterogeneity）,假象（artefactual），机遇（chance）

  2. Egger线性回归法

    • Egger线性回归法是为了口服漏斗法的不足，而开发的一种简便的线性回归法检验漏斗图的对称性的定量方法。
    • 具体方法：先计算纳入Meta分析的每个研究的标准正态离差（standard normal deviate, SND）和精确性（precision）。假设有个研究纳入，和为第个研究的效应和方差，那么, ; 以精度为自变量，SND为因变量建立回归方程，即 。小样本量研究精确性低，在x轴上接近0，标准误大，则SND也较小，在y轴上也接近0，所以小样本量研究代表的散点在回归直线中应该是接近远点。大样本量研究精确性高，SND较大。理论上，如果纳入Meta分析的研究同质性好，并且没有报告偏倚，则回归直线的截距 ，即该回归直线经过原点，而回归系数b则代表了效应的大小和方向，这也对应了对称的漏斗图。如果回归直线不经过原点，则截距代表了漏斗图的不对称程度，越大，不对称的程度越高。实际操作中，求出线性回归方程的截距以及95% CI,再对是否为0进行假设检验，以进一步推断漏斗图是否对称，从而判断是否存在报告偏倚。
    • 在Stata软件中，Egger回归法以标准化的效应量（或者）为因变量y，以效应估计量的精确性（比如标准误的倒数）为自变量x，建立线性回归方程。

  3. Begg秩相关法

    ​ Begg rank correlation test是检验标准化的效应（）与效应方差（）之间的相关关系。一般情况下，方差与样本量成反比，秩相关检验也是检验效应和样本量的相关性。在不存在报告偏倚的无效假设下，标准化的效应可认为是独立同分布的。

    ​ 假设和分别是Meta分析中第i个研究的效应量及其方差，和分别为标准化的效应量及的方差，则：

    ​ ,其中，, .

    ​ 按照每个纳入研究中和的大小排列秩次，再按的值对子排序，然后比较所有可能的对和的秩次，计算这两组秩的相关性。

    ​ 如果用表示，按照和相同顺序排队候的对子数。那么由下式计算正态统计量：

    , 若,则提示存在报告偏倚，反之则没有报告偏倚。

  4. 减补法（trim and fill method）

    这是先减掉初步估计后漏斗图的不对称部分，用剩余对称部分估计漏斗图的中心值，然后沿着中心两侧补上被剪切部分以及相应的遗漏部分，最后基于贴补后的漏斗图估计合并效应量的真实值。

  5. 失安全系数（fail-safe number）

    这是一种敏感性分析方法，他是当分析结果具有统计学意义的时候，计算需要多少阴性结果的报告才可以使得结论逆转。计算公式是：， 其中为每个有统计学意义的研究的Z值，未显著性水平的单侧Z值，一般选, 为1.645。失安全系数越大，说明Meta分析的结果越稳定，结果被推翻的可能性很小。

  6. Macaskill's 检验

    Macaskill's检验也叫做漏斗图回归法（funnel plot regression method）,他的原理是直接以效应值（ ）为因变量，样本量（ ）为自变量建立回归方程。如果不存在发表偏倚，那么斜率应该是0，截距代表总体的效应值。如果得到的回归方程，经过假设检验后斜率不是0，那么可能有发表偏倚；如果斜率接近0，并且无统计学意义，那么可以认为效应量和研究例数之间无数量依存关系，即Meta分析不存在发表偏倚。权重为效应量的方差的倒数。漏斗图回归也可以认为是将漏斗图顺时针旋转90度后在进行回归。

  7. Richy法

    这个方法引入了物理学力矩（moment of force）原理。他计算这样一个统计量：

    其中表示每个研究的效应值，为平均效应值，为精度。

    , 相当于物理中的力乘以力矩的概念，利用非参数方法求出所有MF的95% CI，如果X的值在这个区间外，就认为存在发表偏倚。

  8. 敏感性分析(sensitivity analysis)

  9. 其他方法

    包括Hackshaw's法、Sugita's法等，但是不成熟。

十、诊断准确性试验及Meta分析的统计学基础

第一节、诊断试验研究的基本要点

  1. 确定正确金标准，也就是学术界可以明确肯定和排除某种疾病最佳、最准确的诊断方法。

  2. 选择合适的研究对象

  3. 盲法的实施以及同步对比实验结果

  4. 诊断试验研究样本量估计

    可以按照有关总体率的样本含量估计方法，以灵敏度来估计病例组、特异度估计对照组样本容量：

    其中，p为灵敏度或特异度， 为灵敏度或特异度，为容许误差的大小，为型错误的概率，为与检验水准相对应的界值。

第二节、诊断试验的评价指标

  1. 对于二分类结果，我们将测定值分为阴性和阳性两种，那么可以将金标准及诊断实验的检测结果整理为表格。诊断实验及金标准的检测结果：

    诊断试验结果（T） 金标准诊断（D） 合计
    病例（D+） 对照（D-）
    阳性（T+） TP 真阳性 FP 假阳性 TP+FP
    阴性（T-） FN 假阴性 TN 真阴性 FN+TN
    合计 TP+FN FP+TN N

  1. 灵敏度（sensitivity,Sen）

    也叫做真阳性率，即实际有病并且按照诊断试验被正确判断有病的概率。反应诊断试验检出有病的能力。

  2. 特异度（specificity ,Spe）

    也叫做真阴性率，就是实际无病并且按照诊断试验被正确判断为无病的概率。反映诊断试验排除无病的能力。

  3. 假阴性率(false negative rate, FNR)

    也叫漏诊率或者第二类错误()，他是实际有病但是被诊断试验错判为无病的概率，因此灵敏度越高，漏诊越少。

  4. 假阳性率(false positive rate, FPR)

    也叫误诊率或者第一类错误，就是实际无病却被诊断试验错判为有病的概率，因此特异度越高，误诊越少。

  5. 正确诊断指数（Youden's index）

    他是灵敏度和特异度之和减去1。

  6. 似然比（likelihood rate, LR）

    病例组与对照组中出现阳性或阴性结果的概率之比，反映了测定结果的诊断价值。包括阳性似然比(positive likelihood ratio, LR+)和阴性似然比（negative likelihood ratio, LR-）。

    LR=1说明在病例组和对照组中诊断试验的检测结果的概率是相同的，则该方法无诊断价值。 LR+越大，检测方法证实疾病的能力越强；LR-越小，检测方法排除疾病的能力越强。 一般似然比大于10可以确诊疾病，而小于0.1排除患病的可能。

  7. 预测值（predictive value, PV）

    是反映诊断试验结果与实际（金标准结果）符合的概率，包括阳性预测值(positive PV, PV+)和阴性预测值(negative PV， PV-)。阳性预测值是试验结果中真正患病的概率，阴性预测值是阴性结果中真正未患病的概率。

    通过Bayes公式可以推到预测值与患病率、灵敏度以及特异度相关的。当灵敏度和特异度确定后，阳性预测值与患病率成正比，阴性预测值与患病率成反比。

第三节、 ROC曲线

  1. ROC(receiver operating characteristic curve)，也叫受试者工作特征曲线。基本思想是不固定诊断截断值，将灵敏度和特异度看为一个连续变化的过程，以不同诊断截断值下的诊断试验的灵敏度作为纵坐标，假阳性率作为横坐标，按照连续分组（一般大于5组）测定数据，分别计算灵敏度和特异度，将绘制的各点连接成曲线，即为ROC曲线。

  2. ROC曲线必然经过原点和(1,1)，这两个点的连线也叫做机会线。ROC曲线越偏向左上角，即向左上角远离机会线，曲线下的面积越大。

  3. AUC（area under curve），ROC曲线下的面积。

    • ROC曲线主要的作用是评价诊断试验的效能，主要采用AUC及其置信区间来判断诊断试验的准确性。AUC可以说明阳性和阴性结果重叠的程度。

    • 数学解释是：a、所有可能特异度下灵敏度的平均值。b、所有可能灵敏度下特异度的平均值。c、某一诊断试验中，某一特定值对患病的可能性大小。

    • AUC本质是异常组观察值大于正常组观察值的概率，即 , 为随机抽取一个患者的检验指标的取值，为随机抽取一个非患者的检验指标的取值。

    • AUC的范围是[0.5,1]，一般认为AUC在[0.5,0.7]之间诊断价值较低，[0.5,0.9]之间诊断价值中等，0.9以上认为诊断价值较高。

    • AUC面积估计有非参数法和参数法两种。非参数法中Hanley-McNeil法是根据诊断试验的结果计算相应截断点的真阳性率及假阳性率，绘制非光滑的ROC，由梯形规则计算AUC。参数法估计采用双正态模型。

    • AUC应与完全随机情况下获得的面积（AUC=0.5）进行统计学假设检验，可以根据z统计量进行判断，即, z统计量服从标准正态分布，z>1.96时，P<0.05。如有两个AUC进行比较，则, 。

    • 举例：

      系统评价与Meta分析基础_第2张图片
      image.png

第四节、诊断试验的Meta分析统计基础

  1. 单个指标的合并。

    • 同一诊断试验的多个不同研究最简单的合并方法即为灵敏度，特异度及似然比的加权平均。

    • 仅仅适用于无阈值效应的情况。

    • 灵敏度和特异度的异质性可以采用单个率进行合并，计算Cochran-Q值，按照标准卡方检验进行评价。诊断似然比、DOR可以按照OR值的标准Meta分析方法进行合并。

    • 当存在阈值效应时，灵敏度和特异度之间存在一定相关性，可以通过计算灵敏度和特异度(一般取logit转换)的Spearman相关系数来进行统计检验。

    • 如果存在相关性，也即存在阈值效应时，采用加权平均合并后会低估相应的效应值，此时SROC及其他模型更加合适。

    • 举例

      系统评价与Meta分析基础_第3张图片
      image.png

  2. 综合受试者工作特征法（SROC）

    • 先构建变量D和S。

      D即为诊断优势比的对数值。S被解释为诊断阈值的度量，其越大则提示纳入的标准中有不同的诊断阈值。

    • SROC回归系数的估计可以有普通最小二乘法，加权最小二乘法和稳健法。

    • SROC曲线的构建以及曲线下的面积（AUC）

      系统评价与Meta分析基础_第4张图片
      image.png

  3. 双变量模型及分层综合受试者工作特征曲线

    • 分层综合受试者工作特征曲线法（Hierarchical SROC, HSROC）,他扩展了logistic回归模型，更加完整地解释了TPR及FPR研究内和研究间的变异。
    • 双变量模型：基本原理是将各个研究的灵敏度及特异度经过logit变换后使其符合正态分布，两者有特定的期望及方差。

十一、系统评价/Meta分析相关图形的解读

以下绘制图形的数据源：

系统评价与Meta分析基础_第5张图片
image.png

[图片上传失败...(image-b62739-1578754779852)]

[图片上传失败...(image-3785ce-1578754779852)]

  1. 森林图（forest plot）

    • 可以使用RevMan绘制
    系统评价与Meta分析基础_第6张图片
    image.png

    • 平行与横轴的每个线段表示被纳入研究的效应量和可信区间，以及Meta分析合并效应量和CI。

    • 用正方形点表示每个研究结果，点的大小是权重。线段长度是CI。

    • 注意图上的说明：从左往右，从上往下依次是干预组，对照组，效应量，统计方法和效应模型，研究第一作者姓名及其年份，研究权重，研究间的异质性较大，95% CI值，研究同质性好，95%CI，无效线，效应值，使用A药的总样本量，使用B药的总样本量，合并效应值及其95%CI，A药的有效例数，B药的有效例数，标尺，异质性检测，卡方检验，异质性定量检测，合并结果是否有统计学意义，本例具有统计学意义，利于B药，利于A药品

  2. 漏斗图（funnel plot）

    系统评价与Meta分析基础_第7张图片
    image.png
    • Funnel plot是一种定性测量发表偏倚的常用方法。

  3. 星状图（radial plot）

    radial plot可以探索纳入研究的异质性以及每个研究在总体估计中贡献的大小。radial plot是关于标准化效应的值与标准误倒数的散点图。Galbraith图是在radial plot的基础上发展的，因此基于固定效应模型Galbraith与radial plot基本相同。

    如果纳入研究对应点集中于一侧，且与原点的回归线的斜率接近，则说明纳入的研究同质性较好。

    系统评价与Meta分析基础_第8张图片
    image.png

  4. 拉贝图（L'Abbe plot）

    • 常用于随机对照试验的二分类变了数据的Meta分析异质性检验，可以直观地看出干预组事件发生率相对于对照组事件的发生率的关系。
    • 他是根据每个研究的干预组事件发生率相对于对照组事件的发生率作图，若研究结果同质，则所有点呈现线性分布；若偏离该线太远，则表面结果存在异常，异常点可以用于敏感性分析。
    系统评价与Meta分析基础_第9张图片
    image.png

  5. 加尔布雷斯图（Galbraith plot）

    • Galbraith plot能以点状、编号、作者姓名等标明各研究的具体位置，可以很直观看出异质性来源的异常点。
    • 回归线（非加权回归线）穿过原点代表合并效应量，在这条直线的上线两个单位处两条与合并效应量的斜率平行的线是95% CI。
    • 如果Meta分析纳入研究间没有明显的异质性，那么所有点会落在CI内部，并且围绕在原点回归线附近。
    • 下面图中表示纳入研究的精度都大于3.4，其中研究2有明显异质性。
    • 用R画图可以有右侧的logRR尺度。
    系统评价与Meta分析基础_第10张图片
    image.png

  6. 风险偏倚图（risk of bias graph 和risk of bias summary）

    • risk of bias graph，是根据偏倚的6个领域多纳入研究产生偏倚风险的项目所占百分比的判断。
    • 下图中低风险48%,中风险约27%，高风险约25%
    系统评价与Meta分析基础_第11张图片
    image.png
    • risk oof bias summary，反映了作者对纳入研究中每个偏倚风险项目的判断。

    ​
    系统评价与Meta分析基础_第12张图片
    image.png

  7. 文献筛选流程图

    主要直观反映文献筛选的整个过程，RevMan中提供了模板。

    举个例子：

    系统评价与Meta分析基础_第13张图片
    image.png

  8. Egger线性回归图

    • 他的原理是先计算每个研究的效应值,以及相应的标准误,计算每个研究的方差.以为因变量，标准误为自变量,为权重，进行加权线性回归。
    • 理论上，如果样本来自一个无偏倚的总体，则每个纳入研究的散点分布能形成一条过原点的直线。
    • Egger法对偏倚的检测统计量为对应的t值和P值，同时通过95%CI是否包含0来判断是否有发表偏倚。
    • 如果截距对应的，或者95% CI不包含0，则有发表偏倚。
    • 下图中，左侧竖线即为截距对应的CI，由于95 % CI (-2.28,4.04),P=0.543，因此不存在发表偏倚。
    系统评价与Meta分析基础_第14张图片
    image.png

  1. Begg漏斗图

    • 他是检验标准化效应值和方差的关系，实质为漏斗图的倒置.
    • 解释与漏斗图一样。
    系统评价与Meta分析基础_第15张图片
    image.png

  2. Meta回归图

    • 这是通过建立回归方程来反映1个或多个解释变量（explanatory variable）与结果变了（outcomevariable）之间的关系。
    系统评价与Meta分析基础_第16张图片
    image.png

  3. SROC图

系统评价与Meta分析基础_第17张图片
image.png

十二、GRADE系统

  1. GRADE(Grades of Recommendations Assessment ,Development and Evaluation),“推荐分级的评价、制定与评估”工作组。 地址：www.gradeworkinggroup.org/society/index.htm。高分SCI一般都建议采用GRADE系统。

  2. GRADE系统将证据质量分为高，中，低，极低，4个等级，推荐强度分为”强推荐和弱推荐“。

    系统评价与Meta分析基础_第18张图片
    image.png

  3. GRADE证据降级和升级因素

    系统评价与Meta分析基础_第19张图片
    image.png

十三、系统评价/Meta分析的质量评价工具

  1. AMSTAR量表
    • AMSTAR（A measurement tool for the "assessment of multiple systematic reviews"）
    • 用于评价方法学质量
  2. OQAQ量表
    • OQAQ(Oxman-Guyatt Overview Quality Assessment Questionnaire)
    • 用于评价真实性
    • 不涉及发表质量和研究的重要性，主要针对系统评价中容易产生偏倚的几个关键环节。
  3. CASP清单
    • CASP(Critical Appraisal Skills Programme)
    • 这是对质量评价的工具
  4. SQAC量表
    • SQAC(Sacks Quality Assessment Checklist)
    • 用于评价随机对照试验的Meta分析质量的工具。
    • 不被推荐使用
  5. 报告规范:QUOROM,PRISMA,MOOSE

你可能感兴趣的:(系统评价与Meta分析基础)

  • 斤斤计较的婚姻到底有多难？ 白心之岂必有为
    很多人私聊我会问到在哪个人群当中斤斤计较的人最多？我都会回答他，一般婚姻出现问题的斤斤计较的人士会非常多，以我多年经验，在婚姻落的一塌糊涂的人当中，斤斤计较的人数占比在20～30%以上，也就是说10个婚姻出现问题的斤斤计较的人有2-3个有多不减。在婚姻出问题当中，有大量的心理不平衡的、尖酸刻薄的怨妇。在婚姻中仅斤斤计较有两种类型：第一种是物质上的，另一种是精神上的。在物质与精神上抠门已经严重的影响
  • QQ群采集助手，精准引流必备神器 2401_87347160 其他经验分享
    功能概述微信群查找与筛选工具是一款专为微信用户设计的辅助工具，它通过关键词搜索功能，帮助用户快速找到相关的微信群，并提供筛选是否需要验证的群组的功能。主要功能关键词搜索：用户可以输入关键词，工具将自动查找包含该关键词的微信群。筛选功能：工具提供筛选机制，用户可以选择是否只显示需要验证或不需要验证的群组。精准引流：通过上述功能，用户可以更精准地找到目标群组，进行有效的引流操作。3.设备需求该工具可以
  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • android系统selinux中添加新属性property 辉色投像
    1.定位/android/system/sepolicy/private/property_contexts声明属性开头：persist.charge声明属性类型：u:object_r:system_prop:s0图12.定位到android/system/sepolicy/public/domain.te删除neverallow{domain-init}default_prop:property
  • 底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说 造命者说
    底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说我叫吴起，生于公元前440年的战国初期，正是群雄并起、天下纷争不断的时候。后人说我是军事家、政治家、改革家，是兵家代表人物。评价我一生历仕鲁、魏、楚三国，通晓兵家、法家、儒家三家思想，在内政军事上都有极高的成就。周安王二十一年（公元前381年），因变法得罪守旧贵族，被人乱箭射死。我出生在卫国一个“家累万金”的富有家庭，从年轻时候起就不甘平凡
  • 随笔 | 仙一般的灵气 海思沧海
    仙岛今天，我看了你全部，似乎已经进入你的世界我不知道，这是否是梦幻，还是你仙一般的灵气吸引了我也许每一个人都要有一份属于自己的追求，这样才能够符合人生的梦想，生活才能够充满着阳光与快乐我不知道，我为什么会这样的感叹，是在感叹自己的人生，还是感叹自己一直没有孜孜不倦的追求只感觉虚度了光阴，每天活在自己的梦中，活在一个不真实的世界是在逃避自己，还是在逃避周围的一切有时候我嘲笑自己，嘲笑自己如此的虚无，
  • 一百九十四章. 自相矛盾 巨木擎天
    唉！就这么一夜，林子感觉就像过了很多天似的，先是回了阳间家里，遇到了那么多不可思议的事情儿。特别是小伙伴们，第二次与自己见面时，僵硬的表情和恐怖的气氛，让自己如坐针毡，打从心眼里难受！还有东子，他现在还好吗？有没有被人欺负？护城河里的小鱼小虾们，还都在吗？水不会真的干枯了吧？那对相亲相爱漂亮的太平鸟儿，还好吧！春天了，到了做窝、下蛋、喂养小鸟宝宝的时候了，希望它们都能够平安啊！虽然没有看见家人，也
  • 地推话术，如何应对地推过程中家长的拒绝 校师学
    相信校长们在做地推的时候经常遇到这种情况：市场专员反馈家长不接单，咨询师反馈难以邀约这些家长上门，校区地推疲软，招生难。为什么？仅从地推层面分析，一方面因为家长受到的信息轰炸越来越多，对信息越来越“免疫”；而另一方面地推人员的专业能力和营销话术没有提高，无法应对家长的拒绝，对有意向的家长也不知如何跟进，眼睁睁看着家长走远；对于家长的疑问，更不知道如何有技巧地回答，机会白白流失。由于回答没技巧和专业
  • 微服务下功能权限与数据权限的设计与实现 nbsaas-boot 微服务java架构
    在微服务架构下，系统的功能权限和数据权限控制显得尤为重要。随着系统规模的扩大和微服务数量的增加，如何保证不同用户和服务之间的访问权限准确、细粒度地控制，成为设计安全策略的关键。本文将讨论如何在微服务体系中设计和实现功能权限与数据权限控制。1.功能权限与数据权限的定义功能权限：指用户或系统角色对特定功能的访问权限。通常是某个用户角色能否执行某个操作，比如查看订单、创建订单、修改用户资料等。数据权限：
  • 学点心理知识，呵护孩子健康 静候花开_7090
    昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
  • 《投行人生》读书笔记 小蘑菇的树洞
    《投行人生》----作者詹姆斯-A-朗德摩根斯坦利副主席40年的职业洞见-很短小精悍的篇幅，比较适合初入职场的新人。第一部分成功的职业生涯需要规划1.情商归为适应能力分享与协作同理心适应能力，更多的是自我意识，你有能力识别自己的情并分辨这些情绪如何影响你的思想和行为。2.对于初入职场的人的建议，细节，截止日期和数据很重要截止日期，一种有效的方法是请老板为你所有的任务进行优先级排序。和老板喝咖啡的好
  • Long类型前后端数据不一致 igotyback 前端
    响应给前端的数据浏览器控制台中response中看到的Long类型的数据是正常的到前端数据不一致前后端数据类型不匹配是一个常见问题，尤其是当后端使用Java的Long类型（64位）与前端JavaScript的Number类型（最大安全整数为2^53-1，即16位）进行数据交互时，很容易出现精度丢失的问题。这是因为JavaScript中的Number类型无法安全地表示超过16位的整数。为了解决这个问
  • 如何在 Fork 的 GitHub 项目中保留自己的修改并同步上游更新？github_fork_update iBaoxing github
    如何在Fork的GitHub项目中保留自己的修改并同步上游更新？在GitHub上Fork了一个项目后，你可能会对项目进行一些修改，同时原作者也在不断更新。如果想要在保留自己修改的基础上，同步原作者的最新更新，很多人会不知所措。本文将详细讲解如何在不丢失自己改动的情况下，将上游仓库的更新合并到自己的仓库中。问题描述假设你在GitHub上Fork了一个项目，并基于该项目做了一些修改，随后你发现原作者对
  • 扫地机类清洁产品之直流无刷电机控制 悟空胆好小 清洁服务机器人单片机人工智能
    扫地机类清洁产品之直流无刷电机控制1.1前言扫地机产品有很多的电机控制，滚刷电机1个，边刷电机1-2个，清水泵电机，风机一个，部分中高端产品支持抹布功能，也就是存在抹布盘电机，还有追觅科沃斯石头等边刷抬升电机，滚刷抬升电机等的，这些电机有直流有刷电机，直接无刷电机，步进电机，电磁阀，挪动泵等不同类型。电机的原理，驱动控制方式也不行。接下来一段时间的几个文章会作个专题分析分享。直流有刷电机会自动持续
  • Linux下QT开发的动态库界面弹出操作（SDL2） 13jjyao QT类qt开发语言sdl2linux
    需求：操作系统为linux，开发框架为qt，做成需带界面的qt动态库，调用方为java等非qt程序难点：调用方为java等非qt程序，也就是说调用方肯定不带QApplication::exec()，缺少了这个，QTimer等事件和QT创建的窗口将不能弹出(包括opencv也是不能弹出)；这与qt调用本身qt库是有本质的区别的思路：1.调用方缺QApplication::exec()，那么我们在接口
  • 店群合一模式下的社区团购新发展——结合链动 2+1 模式、AI 智能名片与 S2B2C 商城小程序源码 说私域 人工智能小程序
    摘要：本文探讨了店群合一的社区团购平台在当今商业环境中的重要性和优势。通过分析店群合一模式如何将互联网社群与线下终端紧密结合，阐述了链动2+1模式、AI智能名片和S2B2C商城小程序源码在这一模式中的应用价值。这些创新元素的结合为社区团购带来了新的机遇，提升了用户信任感、拓展了营销渠道，并实现了线上线下的完美融合。一、引言随着互联网技术的不断发展，社区团购作为一种新兴的商业模式，在满足消费者日常需
  • 2021-08-26 影幽
    在生活中，女人与男人的感悟往往有所不同。人生最大的舞台就是生活，大幕随时都可能拉开，关键是你愿不愿意表演都无法躲避。在生活中，遇事不要急躁，不要急于下结论，尤其生气时不要做决断，要学会换位思考，大事化小小事化了，把复杂的事情尽量简单处理，千万不要把简单的事情复杂化。永远不要扭曲，别人善意，无药可救。昨天是张过期的支票，明天是张信用卡，只有今天才是现金，要善加利用！执着的攀登者不必去与别人比较自己的
  • 高级编程--XML+socket练习题 masa010 java开发语言
    1.北京华北2114.8万人上海华东2,500万人广州华南1292.68万人成都华西1417万人（1）使用dom4j将信息存入xml中（2）读取信息，并打印控制台（3）添加一个city节点与子节点（4）使用socketTCP协议编写服务端与客户端，客户端输入城市ID，服务器响应相应城市信息（5）使用socketTCP协议编写服务端与客户端，客户端要求用户输入city对象，服务端接收并使用dom4j
  • 抖音乐买买怎么加入赚钱?赚钱方法是什么 测评君高省
    你会在抖音买东西吗?如果会，那么一定要免费注册一个乐买买，抖音直播间，橱窗，小视频里的小黄车买东西都可以返佣金!省下来都是自己的，分享还可以赚钱乐买买是好省旗下的抖音返佣平台，乐买买分析社交电商的价值，乐买买属于今年难得的副业项目风口机会，2019年错过做好省的搞钱的黄金时期，那么2022年千万别再错过乐买买至于我为何转到高省呢？当然是高省APP佣金更高，模式更好，终端用户不流失。【高省】是一个自
  • 三大师传 beca酱
    巴尔扎克的作品被誉为“法国社会的一面镜子”。文学大师维克多·雨果对巴尔扎克的评价是：“在最伟大的人物中间，巴尔扎克是名列前茅者；在最优秀的人物中间，巴尔扎克是佼佼者之一。”一个原本寂寂无名的小人物，从地中海的某个海岛上，只身一人来到巴黎，没有朋友，也没有名望。作为一个一文不名的外乡人，凭着赤手空拳赢得了巴黎，征服了整个法兰西，并且赢得了世界。这个人就是十九世纪法国伟大的军事家、政治家，法兰西第一帝
  • 2018-07-23-催眠日作业-#不一样的31天#-66小鹿 小鹿_33
    预言日：人总是在逃避命运的路上，与之不期而遇。心理学上有个著名的名词，叫做自证预言；经济学上也有一个很著名的定律叫做，墨菲定律；在灵修派上，还有一个很著名的法则，叫做吸引力法则。这3个领域的词，虽然看起来不太一样，但是他们都在告诉人们一个现象：你越担心什么，就越有可能会发生什么。同样的道理，你越想得到什么，就应该要积极地去创造什么。无论是自证预言，墨菲定律还是吸引力法则，对人都有正反2个维度的影响
  • 回溯 Leetcode 332 重新安排行程 mmaerd Leetcode刷题学习记录leetcode算法职场和发展
    重新安排行程Leetcode332学习记录自代码随想录给你一份航线列表tickets，其中tickets[i]=[fromi,toi]表示飞机出发和降落的机场地点。请你对该行程进行重新规划排序。所有这些机票都属于一个从JFK（肯尼迪国际机场）出发的先生，所以该行程必须从JFK开始。如果存在多种有效的行程，请你按字典排序返回最小的行程组合。例如，行程[“JFK”,“LGA”]与[“JFK”,“LGB
  • 每日一题——第九十题 互联网打工人no1 C语言程序设计每日一练c语言
    题目：判断子串是否与主串匹配#include#include#include//////判断子串是否在主串中匹配//////主串///子串///boolisSubstring(constchar*str,constchar*substr){intlenstr=strlen(str);//计算主串的长度intlenSub=strlen(substr);//计算子串的长度//遍历主字符串，对每个可能得
  • Python数据分析与可视化实战指南 William数据分析 pythonpython数据
    在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
  • 《庄子.达生9》 钱江潮369
    【原文】孔子观于吕梁，县水三十仞，流沫四十里，鼋鼍鱼鳖之所不能游也。见一丈夫游之，以为有苦而欲死也，使弟子并流而拯之。数百步而出，被发行歌而游于塘下。孔子从而问焉，曰：“吾以子为鬼，察子则人也。请问，‘蹈水有道乎’”曰：“亡，吾无道。吾始乎故，长乎性，成乎命。与齐俱入，与汩偕出，从水之道而不为私焉。此吾所以蹈之也。”孔子曰：“何谓始乎故，长乎性，成乎命？”曰：“吾生于陵而安于陵，故也；长于水而安于
  • 水泥质量纠纷案代理词 徐宝峰律师
    贵州领航建设有限公司诉贵州纳雍隆庆乌江水泥有限公司产品质量纠纷案代理词尊敬的审判长、审判员：贵州千里律师事务所接受被告贵州纳雍隆庆乌江水泥有限公司的委托，指派我担任其诉讼代理人，参加本案的诉讼活动。下面，我结合本案事实和相关法律规定发表如下代理意见，供合议庭评议案件时参考：原告应当举证证明其遭受的损失与被告生产的水泥质量的因果关系。首先水泥是一种粉状水硬性无机胶凝材料。加水搅拌后成浆体，能在空气中
  • Pyecharts数据可视化大屏：打造沉浸式数据分析体验 我的运维人生 信息可视化数据分析数据挖掘运维开发技术共享
    Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
  • Goolge earth studio 进阶4——路径修改与平滑 陟彼高冈yu Googleearthstudio进阶教程旅游
    如果我们希望在大约中途时获得更多的城市鸟瞰视角。可以将相机拖动到这里并创建一个新的关键帧。camera_target_clip_7EarthStudio会自动平滑我们的路径，所以当我们通过这个关键帧时，不是一个生硬的角度，而是一个平滑的曲线。camera_target_clip_8路径上有贝塞尔控制手柄，允许我们调整路径的形状。右键单击，我们可以选择“平滑路径”，这是默认的自动平滑算法，或者我们可
  • Python教程：一文了解使用Python处理XPath 旦莫 Python进阶python开发语言
    目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
  • 从鸡肉高汤到记忆的魔法再到有效提示的艺术 步子哥 人工智能
    还记得小时候那些天马行空的白日梦吗？也许只要按下键盘上的某个神奇组合，电脑就会发出滴滴的声响，一个隐藏的世界突然在你眼前展开，让你获得超凡的能力，摆脱平凡的生活。这听起来像是玩过太多电子游戏的幻想，但实际上，间隔重复系统给人的感觉惊人地相似。在最佳状态下，这些系统就像魔法一样神奇。本文将以一个看似平凡的鸡肉高汤食谱为例，深入浅出地探讨如何编写有效的间隔重复提示，让你像掌握烹饪技巧一样轻松地掌握记忆
  • web前段跨域nginx代理配置 刘正强 nginxcmsWeb
    nginx代理配置可参考server部分 server {         listen       80;         server_name  localhost;
  • spring学习笔记 caoyong spring
    一、概述     a>、核心技术 : IOC与AOP b>、开发为什么需要面向接口而不是实现     接口降低一个组件与整个系统的藕合程度，当该组件不满足系统需求时，可以很容易的将该组件从系统中替换掉，而不会对整个系统产生大的影响 c>、面向接口编口编程的难点在于如何对接口进行初始化,(使用工厂设计模式)
  • Eclipse打开workspace提示工作空间不可用 0624chenhong eclipse
    做项目的时候，难免会用到整个团队的代码，或者上一任同事创建的workspace， 1.电脑切换账号后，Eclipse打开时，会提示Eclipse对应的目录锁定，无法访问，根据提示，找到对应目录，G:\eclipse\configuration\org.eclipse.osgi\.manager，其中文件.fileTableLock提示被锁定。 解决办法，删掉.fileTableLock文件，重
  • Javascript 面向对面写法的必要性？ 一炮送你回车库 JavaScript
    现在Javascript面向对象的方式来写页面很流行，什么纯javascript的mvc框架都出来了：ember 这是javascript层的mvc框架哦,不是j2ee的mvc框架   我想说的是，javascript本来就不是一门面向对象的语言，用它写出来的面向对象的程序，本身就有些别扭，很多人提到js的面向对象首先提的是：复用性。那么我请问你写的js里有多少是可以复用的，用fu
  • js array对象的迭代方法 换个号韩国红果果 array
    1.forEach 该方法接受一个函数作为参数， 对数组中的每个元素 使用该函数  return 语句失效 function square(num) { print(num, num * num); } var nums = [1,2,3,4,5,6,7,8,9,10]; nums.forEach(square); 2.every 该方法接受一个返回值为布尔类型
  • 对Hibernate缓存机制的理解 归来朝歌 session一级缓存对象持久化
    在hibernate中session一级缓存机制中，有这么一种情况： 问题描述：我需要new一个对象，对它的几个字段赋值，但是有一些属性并没有进行赋值，然后调用 session.save()方法，在提交事务后，会出现这样的情况： 1：在数据库中有默认属性的字段的值为空 2：既然是持久化对象，为什么在最后对象拿不到默认属性的值？ 通过调试后解决方案如下： 对于问题一，如你在数据库里设置了
  • WebService调用错误合集 darkranger webservice
     Java.Lang.NoClassDefFoundError: Org/Apache/Commons/Discovery/Tools/DiscoverSingleton 调用接口出错， 一个简单的WebService import org.apache.axis.client.Call;import org.apache.axis.client.Service; 首先必不可
  • JSP和Servlet的中文乱码处理 aijuans Java Web
    JSP和Servlet的中文乱码处理 前几天学习了JSP和Servlet中有关中文乱码的一些问题，写成了博客，今天进行更新一下。应该是可以解决日常的乱码问题了。现在作以下总结希望对需要的人有所帮助。我也是刚学，所以有不足之处希望谅解。 一、表单提交时出现乱码： 在进行表单提交的时候，经常提交一些中文，自然就避免不了出现中文乱码的情况，对于表单来说有两种提交方式：get和post提交方式。所以
  • 面试经典六问 atongyeye 工作面试
    题记：因为我不善沟通，所以在面试中经常碰壁，看了网上太多面试宝典，基本上不太靠谱。只好自己总结，并试着根据最近工作情况完成个人答案。以备不时之需。 以下是人事了解应聘者情况的最典型的六个问题： 1 简单自我介绍 关于这个问题，主要为了弄清两件事，一是了解应聘者的背景，二是应聘者将这些背景信息组织成合适语言的能力。 我的回答：(针对技术面试回答，如果是人事面试，可以就掌
  • contentResolver.query()参数详解 百合不是茶 androidquery()详解
    收藏csdn的博客,介绍的比较详细,新手值得一看 1.获取联系人姓名 一个简单的例子，这个函数获取设备上所有的联系人ID和联系人NAME。 [java]  view plain copy   public void fetchAllContacts() {      
  • ora-00054:resource busy and acquire with nowait specified解决方法 bijian1013 oracle数据库killnowait
            当某个数据库用户在数据库中插入、更新、删除一个表的数据，或者增加一个表的主键时或者表的索引时，常常会出现ora-00054:resource busy and acquire with nowait specified这样的错误。主要是因为有事务正在执行（或者事务已经被锁），所有导致执行不成功。 1.下面的语句
  • web 开发乱码 征客丶 springWeb
    以下前端都是 utf-8 字符集编码 一、后台接收 1.1、 get 请求乱码 get 请求中，请求参数在请求头中； 乱码解决方法： a、通过在web 服务器中配置编码格式：tomcat 中，在 Connector 中添加URIEncoding="UTF-8"； 1.2、post 请求乱码 post 请求中，请求参数分两部份， 1.2.1、url？参数，
  • 【Spark十六】： Spark SQL第二部分数据源和注册表的几种方式 bit1129 spark
    Spark SQL数据源和表的Schema case class apply schema parquet json JSON数据源 准备源数据 {"name":"Jack", "age": 12, "addr":{"city":"beijing&
  • JVM学习之:调优总结 -Xms -Xmx -Xmn -Xss BlueSkator -Xss-Xmn-Xms-Xmx
      堆大小设置JVM 中最大堆大小有三方面限制：相关操作系统的数据模型（32-bt还是64-bit）限制；系统的可用虚拟内存限制；系统的可用物理内存限制。32位系统下，一般限制在1.5G~2G；64为操作系统对内存无限制。我在Windows Server 2003 系统，3.5G物理内存，JDK5.0下测试，最大可设置为1478m。典型设置： java -Xmx355
  • jqGrid 各种参数 详解(转帖) BreakingBad jqGrid
      jqGrid 各种参数 详解 分类：  源代码分享  个人随笔请勿参考  解决开发问题 2012-05-09 20:29   84282人阅读   评论(22)   收藏   举报 jquery 服务器 parameters function ajax string  
  • 读《研磨设计模式》-代码笔记-代理模式-Proxy bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ import java.lang.reflect.InvocationHandler; import java.lang.reflect.Method; import java.lang.reflect.Proxy; /* * 下面
  • 应用升级iOS8中遇到的一些问题 chenhbc ios8升级iOS8
    1、很奇怪的问题，登录界面，有一个判断，如果不存在某个值，则跳转到设置界面，ios8之前的系统都可以正常跳转，iOS8中代码已经执行到下一个界面了，但界面并没有跳转过去，而且这个值如果设置过的话，也是可以正常跳转过去的，这个问题纠结了两天多，之前的判断我是在 -(void)viewWillAppear:(BOOL)animated  中写的，最终的解决办法是把判断写在 -(void
  • 工作流与自组织的关系？ comsci 设计模式工作
      目前的工作流系统中的节点及其相互之间的连接是事先根据管理的实际需要而绘制好的，这种固定的模式在实际的运用中会受到很多限制，特别是节点之间的依存关系是固定的，节点的处理不考虑到流程整体的运行情况，细节和整体间的关系是脱节的，那么我们提出一个新的观点，一个流程是否可以通过节点的自组织运动来自动生成呢？这种流程有什么实际意义呢？   这里有篇论文，摘要是：“针对网格中的服务
  • Oracle11.2新特性之INSERT提示IGNORE_ROW_ON_DUPKEY_INDEX daizj oracle
    insert提示IGNORE_ROW_ON_DUPKEY_INDEX 转自：http://space.itpub.net/18922393/viewspace-752123 在 insert into tablea ...select * from tableb中，如果存在唯一约束，会导致整个insert操作失败。使用IGNORE_ROW_ON_DUPKEY_INDEX提示，会忽略唯一
  • 二叉树:堆 dieslrae 二叉树
        这里说的堆其实是一个完全二叉树,每个节点都不小于自己的子节点,不要跟jvm的堆搞混了.由于是完全二叉树,可以用数组来构建.用数组构建树的规则很简单:     一个节点的父节点下标为: (当前下标 - 1)/2     一个节点的左节点下标为: 当前下标 * 2 + 1   &
  • C语言学习八结构体 dcj3sjt126com c
    为什么需要结构体，看代码 # include <stdio.h> struct Student //定义一个学生类型，里面有age, score, sex, 然后可以定义这个类型的变量 { int age; float score; char sex; } int main(void) { struct Student st = {80, 66.6,
  • centos安装golang dcj3sjt126com centos
    #在国内镜像下载二进制包 wget -c  http://www.golangtc.com/static/go/go1.4.1.linux-amd64.tar.gz tar -C /usr/local -xzf go1.4.1.linux-amd64.tar.gz   #把golang的bin目录加入全局环境变量 cat >>/etc/profile<
  • 10.性能优化-监控-MySQL慢查询 frank1234 性能优化MySQL慢查询
    1.记录慢查询配置 show variables where variable_name like 'slow%' ; --查看默认日志路径 查询结果：--不用的机器可能不同 slow_query_log_file=/var/lib/mysql/centos-slow.log 修改mysqld配置文件：/usr /my.cnf[一般在/etc/my.cnf，本机在/user/my.cn
  • Java父类取得子类类名 happyqing javathis父类子类类名
      在继承关系中，不管父类还是子类，这些类里面的this都代表了最终new出来的那个类的实例对象，所以在父类中你可以用this获取到子类的信息！   package com.urthinker.module.test; import org.junit.Test; abstract class BaseDao<T> { public void
  • Spring3.2新注解@ControllerAdvice jinnianshilongnian @Controller
    @ControllerAdvice，是spring3.2提供的新注解，从名字上可以看出大体意思是控制器增强。让我们先看看@ControllerAdvice的实现：   @Target(ElementType.TYPE) @Retention(RetentionPolicy.RUNTIME) @Documented @Component public @interface Co
  • Java spring mvc多数据源配置 liuxihope spring
    转自：http://www.itpub.net/thread-1906608-1-1.html 1、首先配置两个数据库 <bean id="dataSourceA" class="org.apache.commons.dbcp.BasicDataSource" destroy-method="close&quo
  • 第12章 Ajax（下） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • BW / Universe Mappings blueoxygen BO
      BW Element OLAP Universe Element Cube  Dimension Class Charateristic A class with dimension and detail objects (Detail objects for key and desription) Hi
  • Java开发熟手该当心的11个错误 tomcat_oracle java多线程工作单元测试
    #1、不在属性文件或XML文件中外化配置属性。比如，没有把批处理使用的线程数设置成可在属性文件中配置。你的批处理程序无论在DEV环境中，还是UAT（用户验收 测试）环境中，都可以顺畅无阻地运行，但是一旦部署在PROD 上，把它作为多线程程序处理更大的数据集时，就会抛出IOException，原因可能是JDBC驱动版本不同，也可能是#2中讨论的问题。如果线程数目 可以在属性文件中配置，那么使它成为
  • 推行国产操作系统的优劣 yananay windowslinux国产操作系统
    最近刮起了一股风，就是去“国外货”。从应用程序开始，到基础的系统，数据库，现在已经刮到操作系统了。原因就是“棱镜计划”，使我们终于认识到了国外货的危害，开始重视起了信息安全。操作系统是计算机的灵魂。既然是灵魂，为了信息安全，那我们就自然要使用和推行国货。可是，一味地推行，是否就一定正确呢？ 先说说信息安全。其实从很早以来大家就在讨论信息安全。很多年以前，就据传某世界级的网络设备制造商生产的交
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他