耐碳青霉烯类肠杆菌科细菌耐药的临床危险因素分析

目的:分析重症监护病房(ICU)中耐碳青霉烯类肠杆菌科细菌(CRE)发生耐药的临床危险因素,为临床降低肠杆菌科细菌耐药性提供依据。方法:统计本院2018年5月—2019年6月180例ICU住院患者(其中CRE感染组60例,非CRE感染组120例)的基本病史、基础疾病、免疫功能、抗生素暴露、侵入性手术等资料,应用SPSS16.0软件对数据进行分析。结果:入住ICU时间>7 d、伴有神经系统疾病、淋巴细胞减少、使用β-内酰胺酶抑制剂、使用碳青霉烯类抗生素、抗生素联合用药等因素与CRE耐药的发生有关。结论:入住ICU时间>7 d、淋巴细胞减少、使用β-内酰胺酶抑制剂和使用碳青霉烯类抗生素是发生CRE耐药的独立临床危险因素。

针对大规模数据的分布一致缺失值插补算法

缺失值插补(missing value imputation,MVI)作为数据挖掘领域的重要研究分支,旨在为机器学习算法的训练提供高质量的数据支持。不同于现有的以算法性能提升为导向的MVI算法,为对大规模数据的缺失值进行有效插补,该文提出一种以数据结构还原为导向的数据分布一致MVI(distribution consistency-based MVI, DC-MVI)算法。首先,DC-MVI算法基于概率分布一致性原则构建了用于确定最优插补值的目标函数;其次,利用推导出的可行缺失值优化规则获取与原始完整值保持最大分布一致性且方差最为接近的插补值;最后,在分布式环境下,针对大数据的随机样本划分(random sample partition, RSP)数据块并行训练DC-MVI算法,获得大规模数据缺失值对应的插补值。实验结果表明:DC-MVI算法不仅能生成与原始完整值保持给定显著性水平下概率分布一致的插补值,还具有比另外5种经典的和3种最新的MVI算法更快的插补速度和更好的插补效果,进而证实DC-MVI算法是一种可行的大规模数据MVI算法。