【摘要】 總結(jié)加強(qiáng)分診隊(duì)伍建設(shè)，提高門診醫(yī)療護(hù)理質(zhì)量，持續(xù)提升門診患者的就醫(yī)體驗(yàn)的方法與經(jīng)驗(yàn)。通過(guò)建立管理機(jī)制、加強(qiáng)分診隊(duì)伍人才培養(yǎng)、優(yōu)化分診隊(duì)伍結(jié)構(gòu)、完善考核體制、評(píng)價(jià)體系，提高分診護(hù)士綜合素質(zhì)等措施，提高了門診醫(yī)療護(hù)理質(zhì)量及患者滿意度及分診護(hù)士的自身價(jià)值感和自信心。實(shí)踐表明，加強(qiáng)分診隊(duì)伍建設(shè)，提高分診護(hù)士整體素質(zhì)結(jié)構(gòu)是持續(xù)提升門診患者就醫(yī)體驗(yàn)至關(guān)重要的環(huán)節(jié)。
【摘要】 目的 總結(jié)開(kāi)展“優(yōu)質(zhì)護(hù)理服務(wù)示范工程活動(dòng)”以來(lái)，護(hù)士滿意度提高的原因與經(jīng)驗(yàn)?！》椒ā》謩e于2010年1月和11月采用一般情況調(diào)查表及明尼蘇達(dá)工作滿意度問(wèn)卷短式量表調(diào)查干部/老年科的護(hù)士在開(kāi)展“優(yōu)質(zhì)護(hù)理服務(wù)示范工程活動(dòng)”前后的工作滿意度?！〗Y(jié)果 開(kāi)展“優(yōu)質(zhì)護(hù)理服務(wù)示范工程活動(dòng)”1年以來(lái)，護(hù)士的內(nèi)在滿意度上升了35.27%，外在滿意度上升了29.25%，一般滿意度上升了27%?！〗Y(jié)論 干部/老年科通過(guò)提高護(hù)士對(duì)各崗位的價(jià)值與責(zé)任的認(rèn)可，科學(xué)規(guī)劃護(hù)士的職業(yè)生涯，完善科室文化建設(shè)、薪酬與激勵(lì)機(jī)制使護(hù)士的職業(yè)成就感、自身價(jià)值滿意度均有不同程度提高?！続bstract】 Objective To summarize the reasons and experience of enhancing nurse′s satisfaction after improving the “high-quality nursing services”. Methods A general questionnaire and Minnesota Satisfaction Questionnaire (MSQ) were used to investigate satisfactions of nurses working at the senior leader/ person′s wards before and after improving the activity on “high-quality nursing service”. Results One year later, the inner satisfactions of participates increased 35.27%, the outer satisfactions increased 29.25%, and the general satisfactions increased 27%. Conclusion Nurse′s professional achievability and the satisfaction on self-value increase after enhancing professional value and responsibility of nurse, planning reasonably professional career of nurse, and perfecting culture construction, and the salary and encourage mechanism.
心音是診斷心血管疾病常用的醫(yī)學(xué)信號(hào)之一。本文對(duì)心音正常/異常的二分類問(wèn)題進(jìn)行了研究，提出了一種基于極限梯度提升（XGBoost）和深度神經(jīng)網(wǎng)絡(luò)共同決策的心音分類算法，實(shí)現(xiàn)了對(duì)特征的選擇和模型準(zhǔn)確率的進(jìn)一步提升。首先，本文對(duì)預(yù)處理后的心音信號(hào)進(jìn)行心音分割，在此基礎(chǔ)上提取了 5 個(gè)大類的特征，前 4 類特征采用遞歸特征消除法進(jìn)行特征選擇，作為 XGBoost 分類器的輸入，最后一類為梅爾頻率倒譜系數(shù)（MFCC），作為長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）的輸入?？紤]到數(shù)據(jù)集的不平衡性，本文在兩種分類器中皆使用了加權(quán)改進(jìn)的方法。最后采用異質(zhì)集成決策方法得到預(yù)測(cè)結(jié)果。將本文所提心音分類算法應(yīng)用于 PhysioNet 網(wǎng)站在 2016 年發(fā)起的 PhysioNet 心臟病學(xué)挑戰(zhàn)賽（CINC）所用公開(kāi)心音數(shù)據(jù)庫(kù)，以測(cè)試靈敏度、特異性、修正后的準(zhǔn)確率以及 F 得分，結(jié)果分別為 93%、89.4%、91.2%、91.3%，通過(guò)與其他研究者應(yīng)用機(jī)器學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等方法的結(jié)果比較，在準(zhǔn)確率和靈敏度上有明顯提高，證明了本文方法能有效地提高心音信號(hào)分類的準(zhǔn)確性，在部分心血管疾病的臨床輔助診斷應(yīng)用中有很大的潛力。
清晨醒來(lái)時(shí)刻前后是心血管疾?。–VD）事件發(fā)生的高峰期，這一點(diǎn)很可能與夜間睡眠結(jié)束時(shí)交感神經(jīng)活動(dòng)的激增有關(guān)。本文以 70 位在兩年隨訪期內(nèi)發(fā)生了 CVD 事件和 70 位未發(fā)生 CVD 事件的 140 位受試者為研究對(duì)象，提出了一種兩層模型方法以探究覺(jué)醒前的心率變異性（HRV）特征是否有利于兩類受試者的區(qū)分。在該方法中，第一層采用極端梯度提升算法（XGBoost）構(gòu)建分類器，通過(guò)評(píng)估該分類器的特征重要性實(shí)現(xiàn)特征篩選；篩選出來(lái)的特征作為第二層模型的輸入來(lái)構(gòu)建最終的分類器。在第二層模型中，比較了 XGBoost、隨機(jī)森林和支持向量機(jī)三種機(jī)器學(xué)習(xí)算法，以確定基于何種算法建立的模型可以得到最優(yōu)的分類效果。研究結(jié)果顯示，基于覺(jué)醒前 HRV 特征構(gòu)建的 XGBoost+XGBoost 模型性能最優(yōu)，準(zhǔn)確率高達(dá) 84.3%；在所使用的 HRV 特征中，非線性動(dòng)力學(xué)指標(biāo)在模型中的重要性優(yōu)于傳統(tǒng)的時(shí)域、頻域分析指標(biāo)；其中尺度 1 下的排列熵、尺度 3 下的樣本熵較為重要。本研究結(jié)果對(duì) CVD 的預(yù)防、診斷以及 CVD 風(fēng)險(xiǎn)評(píng)估系統(tǒng)的設(shè)計(jì)有著積極的參考價(jià)值。
目的 制備負(fù)載TGF-β3及BMSCs的Pluronic F-127復(fù)合凝膠，觀察其體內(nèi)、外成骨及成血管作用。方法 取新西蘭大白兔脛骨及股骨骨髓，分離培養(yǎng)BMSCs并傳代，取第3代細(xì)胞經(jīng)成骨、成脂誘導(dǎo)培養(yǎng)鑒定后用于后續(xù)實(shí)驗(yàn)。采用L-DMEM培養(yǎng)基溶解Pluronic F-127粉末、TGF-β3，分別制備 Pluronic F-127凝膠、TGF-β3+Pluronic F-127凝膠、BMSCs+Pluronic F-127凝膠、TGF-β3+BMSCs+Pluronic F-127凝膠。取第3代BMSCs，分別采用L-DMEM培養(yǎng)基（A組）、成骨誘導(dǎo)液（B組）、含Pluronic F-127凝膠的成骨誘導(dǎo)液（C組）、含TGF-β3+Pluronic F-127凝膠的成骨誘導(dǎo)液（D組）培養(yǎng)14 d后，ALP染色和茜素紅染色觀測(cè)成骨情況；另采用含Pluronic F-127凝膠的L-DMEM培養(yǎng)基（實(shí)驗(yàn)組）、L-DMEM培養(yǎng)基（對(duì)照組）培養(yǎng)1、2、3、4 d，MTT法檢測(cè)細(xì)胞增殖情況。取10只新西蘭兔制備上頜竇提升模型后，于每只兔骨缺損處注入Pluronic F-127凝膠（A組）、TGF-β3+Pluronic F-127凝膠（B組）、BMSCs+Pluronic F-127凝膠（C組）、TGF-β3+BMSCs+Pluronic F-127凝膠（D組），于第8周取材行影像學(xué)檢查、HE染色觀察新骨形成情況，免疫組織化學(xué)染色觀察骨組織VEGF及BMP-2表達(dá)情況，Western blot檢測(cè)骨組織VEGF、抑瘤素M（oncostatin M，OSM）及BMP-4蛋白表達(dá)。結(jié)果 成骨、成脂誘導(dǎo)鑒定示分離培養(yǎng)細(xì)胞為BMSCs。體外實(shí)驗(yàn)染色顯示D組ALP活性及茜素紅濃度高于其他組（P<0.05）；MTT法檢測(cè)示隨著時(shí)間延長(zhǎng)，兩組吸光度（A）值均逐漸升高，各時(shí)間點(diǎn)組間比較差異均無(wú)統(tǒng)計(jì)學(xué)意義（P>0.05）。體內(nèi)實(shí)驗(yàn)影像學(xué)檢查示D組成骨密度及成骨連續(xù)性最好，新骨體積占比優(yōu)于其他組（P<0.05）；HE染色示與其他組比較，D組骨小梁致密且排列規(guī)則，其上分布大量成骨細(xì)胞和破骨細(xì)胞，可見(jiàn)大量新骨形成；免疫組織化學(xué)染色示D組BMP-2、VEGF呈強(qiáng)陽(yáng)性表達(dá)（P<0.05）；Western blot檢測(cè)D組VEGF、OSM及BMP-4蛋白相對(duì)表達(dá)量高于其他組（P<0.05）。結(jié)論 負(fù)載TGF-β3及BMSCs的Pluronic F-127復(fù)合凝膠中的BMSCs能被誘導(dǎo)分化為成骨細(xì)胞，并且復(fù)合凝膠對(duì)細(xì)胞無(wú)毒性，在兔上頜竇內(nèi)有明顯成骨及成血管效果。
目的 旨在開(kāi)發(fā)一種在保證骨肌運(yùn)動(dòng)分析過(guò)程和結(jié)果一致性前提下，提高骨肌運(yùn)動(dòng)分析效率的Matlab工具箱。方法 采用“批處理馭繁瑣操作”設(shè)計(jì)理念，基于Matlab連接OpenSim接口函數(shù)保證骨肌運(yùn)動(dòng)分析過(guò)程和結(jié)果一致性，應(yīng)用函數(shù)式編程將骨肌運(yùn)動(dòng)分析所需模型縮放、逆運(yùn)動(dòng)學(xué)分析、殘差縮減算法、靜態(tài)肌力優(yōu)化、關(guān)節(jié)力分析五步驟包裝為功能函數(shù)，應(yīng)用命令式編程對(duì)大批量患者進(jìn)行骨肌運(yùn)動(dòng)分析，開(kāi)發(fā)了一種名為L(zhǎng)LMKA（Lower Limbs Musculoskeletal Kinematics Analysis）的工具箱。以120例膝關(guān)節(jié)內(nèi)側(cè)骨關(guān)節(jié)炎患者為研究對(duì)象，選擇1位臨床研究人員分別使用LLMKA工具箱和OpenSim對(duì)同1例患者進(jìn)行骨肌運(yùn)動(dòng)分析，檢驗(yàn)兩種方法分析過(guò)程和結(jié)果是否具有一致性。同一位研究人員再應(yīng)用LLMKA工具箱對(duì)120例患者進(jìn)行骨肌運(yùn)動(dòng)分析，驗(yàn)證使用該工具箱與使用OpenSim相比，能否提升骨肌運(yùn)動(dòng)分析效率。 結(jié)果 使用LLMKA工具箱能對(duì)大批量患者進(jìn)行骨肌運(yùn)動(dòng)分析，其分析過(guò)程和結(jié)果與使用OpenSim具有一致性。與使用OpenSim相比，使用LLMKA工具箱只需2次操作+輸入患者體質(zhì)量數(shù)據(jù)即可完成120例患者的骨肌運(yùn)動(dòng)分析，操作步驟減少99.19%，分析總時(shí)間減少66.84%，人工參與時(shí)間減少99.72%，僅需0.079 1 h（4 min 45 s）。結(jié)論 LLMKA工具箱不僅分析過(guò)程和結(jié)果與OpenSim一致，還能一鍵完成大批量患者骨肌運(yùn)動(dòng)分析，減少骨肌運(yùn)動(dòng)分析總時(shí)間，將臨床研究人員從繁瑣重復(fù)的步驟中解放出來(lái)，使其有更多精力投入到骨肌運(yùn)動(dòng)分析結(jié)果的臨床意義研究。
針對(duì)先天性心臟病相關(guān)肺動(dòng)脈高壓聽(tīng)診特征不明顯，已有的機(jī)器輔助診斷算法相對(duì)復(fù)雜等問(wèn)題，提出一種基于第二心音信號(hào)高頻分量統(tǒng)計(jì)特征的分析方法。首先，采用端點(diǎn)檢測(cè)自適應(yīng)分割方法提取第二心音。其次，使用離散小波變換分解出高頻分量，并提取該分量的赫斯特（Hurst）指數(shù)、勒佩爾-齊夫（Lempel-Ziv）信息和樣本熵等統(tǒng)計(jì)特征。最后，使用這些特征訓(xùn)練極端梯度提升算法（XGBoost）分類器，在三分類中準(zhǔn)確率達(dá)到了80.45%。該方法無(wú)需進(jìn)行降噪處理，特征提取速度快，且只需三個(gè)特征即可實(shí)現(xiàn)較好的多分類效果，有望用于先天性心臟病相關(guān)肺動(dòng)脈高壓早期篩查。