零惩罚报告在消毒供应中心不良事件处理中的应用

目的探讨零惩罚报告在消毒供应中心不良事件处理中的应用。方法确认不良事件范围,建立零惩罚报告制度、规范其报告程序、培训消毒供应专业人员。将建立零惩罚报告制度前不良事件报告的2013年1~12月分为A组,其中2013年1~6月报告的不良事件数为A1组,7~12月为A2组,全年问卷调查为A3组;将建立零惩罚报告制度后不良事件报告的2014年1~12月作为B组,其中2014年1~6月报告的不良事件数为B1组,7~12月为B2组,全年问卷调查为B3组;分别比较组间、组内不良事件发生情况。结果 A组15件,B组21件,B组比A组增长了40%;B1组15件,B2组6件,B2组比B1组减少了60%。A3组23件,与A组15件比较,漏报了8件,漏报率53%,B3组21件与B组一致,漏报率0。组间、组内比较,差异具有统计学意义（P〈0.05）。结论消毒供应中心不良事件的判定、零惩罚上报及规范管理有助于减少漏报,及时发现和解决问题,可保障医疗安全和提高临床、手术服务的满意度。

美国学校的“零容忍”惩罚政策述评与反思

20世纪80年代末,美国学校开始实施“零容忍”惩罚政策,要求毫不容忍地惩罚涉及毒品和暴力问题的学校,以保障学校的安全。但是,这一政策的实施越来越极端和草率。我们在探讨这一政策在美国学校实施的效果、公众的态度及引发的问题的同时,对学校教育进行反思。

护理不良事件管理实践

建立护理不良事件电子上报系统,明确事件定义、分类及分级标准,严格按要求进行事件上报、分析与审核,实施护士—护士长—护理部的扁平化管理及主动上报零惩罚策略,使护理人员主动上报护理不良事件,方便了管理者对不良事件的实时监控,有利于护理质量持续改进。

一种融合模型和数据的全波形反演方法

全波形反演算法(Full Waveform Inversion, FWI)是一种强大的地球物理成像技术,它通过迭代最小化模拟和观测地震图之间的失配来生成高分辨率地下模型。近年来,随着机器学习方法和深度学习方法的发展,研究者提出了一些基于机器学习和深度学习的全波形反演技术。其中有一种融合模型和数据全波形反演方法(physics-informed training-free frameworks for two-dimensional FWI, FWIGAN)引人瞩目,其使用生成对抗网络的思想与物理学相结合,使用无监督学习的方式来自动地估计出符合物理学规律的模型,但其网络生成图像的质量及稳定性还有待提升。本研究在此方法上引入零中心梯度惩罚(Zero-centered gradient penalty, 0-GP),它是一种用于生成对抗网络的正则化技术,通过将判别器推向理论最优判别器来提高网络的稳定性和样本质量。结合正则化的新方法称之为(Full Waveform Inversion with Zero-Centered Gradient Penalty, FWILP) FWILP。经过实验,证明了FWILP可以提高模型质量和收敛速度,使得网络更加具有稳定性。

用于稀疏系统辨识的低复杂度集员NLMS算法

针对现有的稀疏集员(SM,Set-Membership)自适应滤波算法,普遍存在稳态均方偏差(MSD,Mean Square Deviation)的稳定性较低及运算复杂度较高等问题,提出了一种新颖的稀疏集员NLMS(NLMS,Normalized Least Mean Square)算法。该方案提出一种运算复杂度更低的零吸引(ZA,Zero-attracting)惩罚函数,使算法对稀疏信道的估计更为合理。在多种稀疏信道仿真中,与目前的稀疏集员算法相比,所提算法的稳态MSD更低且稳定性更高。最后,将所提算法应用于声波信号的稀疏系统辨识中,比目前的稀疏集员算法更具有优势。