目的系統評價姑息照護干預心力衰竭患者的療效。方法計算機檢索PubMed、EMbase、CINAHL、The Cochrane Library、VIP、CNKI、CBM和WanFang Data數據庫，搜集關于姑息照護干預心衰患者療效的隨機對照試驗（RCT），檢索時限均為建庫至2021年9月。由2名研究者獨立篩選文獻、提取資料并評價納入研究的偏倚風險后，采用RevMan 5.3軟件進行Meta分析。結果共納入11個RCT，包括912例患者。Meta分析結果顯示，姑息照護可提高心力衰竭患者的生活質量［KCCQ或McGill QoL量表：SMD=0.85，95%CI（0.13，1.58），P=0.02；MLHFQ量表：SMD=?1.32，95%CI（?2.10，?0.54），P=0.000 9］、降低患者抑郁水平［SMD=?0.58，95%CI（?0.87，?0.28），P=0.000 1］與焦慮水平［SMD=?0.51，95%CI（?0.89，?0.13），P=0.008］、改善不良癥狀［SMD=?1.46，95%CI（?2.67，?0.24），P=0.02］，減少人均住院時間［MD=?0.94，95%CI（?1.28，?0.60），P<0.000 01］和降低再入院率［RR=0.64，95%CI（0.42，0.98），P=0.04］，但對于患者的死亡率［RR=1.00，95%CI（0.63，1.57），P=0.99］并無明顯影響。結論當前有限證據表明，姑息照護可改善心衰患者生活質量、情緒狀態、不良癥狀，減少住院時間和降低再入院率。受納入研究數量和質量的限制，上述結論尚待更多高質量研究予以驗證。
目的構建面向疾病風險智能預測研究全生命周期的電子病歷數據質量需求模型，為電子病歷數據集質量建設和評價體系構建提供參考。方法以機器學習全生命周期為過程，進行電子病歷數據質量需求分析。首先通過文獻內容分析，歸納疾病風險智能預測模型構建研究過程各階段所涉及的主要數據活動；然后根據各階段所采取的數據活動識別對電子病歷數據質量的具體需求；最后對各階段的具體質量需求進行聚類，形成質量需求維度。結果構建了一個環形的面向疾病風險智能預測研究過程的電子病歷數據質量需求模型。模型內核為數據采集、數據預處理、特征表示、特征選擇與提取、模型訓練、模型評估與優化、模型應用7個核心任務階段；中間為各階段的主要數據活動；外圍為可操作性、完整性、準確性、時效性4個核心質量需求維度。結論構建的模型能夠為真實世界電子病歷數據治理和質量建設提供參考，助力其向真實世界證據的轉變。