目的探讨右美托咪定联合丙泊酚全凭静脉麻醉(TIVA)对腹腔镜胃癌根治术患者术后疼痛、应激反应、不良反应及免疫功能的影响。方法选取兰州大学第二医院2021-03/2023-12期间行腹腔镜胃癌根治术患者100例,采用随机数字表法分为丙泊酚组(对...目的探讨右美托咪定联合丙泊酚全凭静脉麻醉(TIVA)对腹腔镜胃癌根治术患者术后疼痛、应激反应、不良反应及免疫功能的影响。方法选取兰州大学第二医院2021-03/2023-12期间行腹腔镜胃癌根治术患者100例,采用随机数字表法分为丙泊酚组(对照组,n=50)和右美托咪定联合丙泊酚组(联合组,n=50)。对照组泵入等量生理盐水;联合组麻醉诱导前静脉泵入1μg/kg右美托咪定10 min。麻醉维持2组均采用TIVA,联合组术中持续泵入右美托咪定0.4μg(/kg·h)。观察术后并发症,进行Ramsay镇静评分、VAS疼痛评分,并采集术前1 h和术后24 h血液,检测血清应激指标及外周血细胞免疫功能指标。结果联合组患者术后1 h Ramsay评分、术前1 h和术后24 h的血清应激指标及血液细胞免疫功能指标均高于对照组,差异有统计学意义(P<0.05),而术后1 h VAS评分和麻醉相关并发症总发生率均低于对照组,差异有统计学意义(P<0.05)。结论右美托咪定联合丙泊酚行腹腔镜胃癌根治术的麻醉效果优于单纯丙泊酚,患者术后细胞免疫功能恢复加快,术后应激反应和疼痛等不良反应减少。展开更多
精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测...精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。展开更多
文摘目的探讨右美托咪定联合丙泊酚全凭静脉麻醉(TIVA)对腹腔镜胃癌根治术患者术后疼痛、应激反应、不良反应及免疫功能的影响。方法选取兰州大学第二医院2021-03/2023-12期间行腹腔镜胃癌根治术患者100例,采用随机数字表法分为丙泊酚组(对照组,n=50)和右美托咪定联合丙泊酚组(联合组,n=50)。对照组泵入等量生理盐水;联合组麻醉诱导前静脉泵入1μg/kg右美托咪定10 min。麻醉维持2组均采用TIVA,联合组术中持续泵入右美托咪定0.4μg(/kg·h)。观察术后并发症,进行Ramsay镇静评分、VAS疼痛评分,并采集术前1 h和术后24 h血液,检测血清应激指标及外周血细胞免疫功能指标。结果联合组患者术后1 h Ramsay评分、术前1 h和术后24 h的血清应激指标及血液细胞免疫功能指标均高于对照组,差异有统计学意义(P<0.05),而术后1 h VAS评分和麻醉相关并发症总发生率均低于对照组,差异有统计学意义(P<0.05)。结论右美托咪定联合丙泊酚行腹腔镜胃癌根治术的麻醉效果优于单纯丙泊酚,患者术后细胞免疫功能恢复加快,术后应激反应和疼痛等不良反应减少。
文摘精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。