目的研究泪膜破裂时间(tear film rupture time,TBUT)测定在青少年干眼症诊断中的准确性和可靠性评价。方法选取2021年9月至2023年9月,于笔者医院就诊的青少年干眼症患者185例作为观察组,并选取20例健康青少年作为对照组,分析TBUT测定...目的研究泪膜破裂时间(tear film rupture time,TBUT)测定在青少年干眼症诊断中的准确性和可靠性评价。方法选取2021年9月至2023年9月,于笔者医院就诊的青少年干眼症患者185例作为观察组,并选取20例健康青少年作为对照组,分析TBUT测定在青少年干眼症诊断中的准确性和可靠性评价。结果185例患者,侵入性TBUT检测检出132例,总检出率为71.35%,非侵入性TBUT检测检出160例,总检出率为84.49%,组间差异有统计学意义(P<0.05);185例患者,非睑板腺功能障碍128例、睑板腺功能障碍57例,侵入性TBUT检测非睑板腺功能障碍检出率为41.62%、睑板腺功能障碍检出率为29.73%,非侵入性TBUT检测非睑板腺功能障碍检出率为63.24%、睑板腺功能障碍检出率为23.24%,组间差异有统计学意义(P<0.05);与对照组比较,观察组TBUT、首次TBUT、平均TBUT显著降低(P<0.05);与A组比较,B组TBUT、首次TBUT、平均TBUT显著降低,组间差异有统计学意义(P<0.05);侵入性TBUT检测的敏感度为72.49%,特异性为75.88%,AUC为0.762,非侵入性TBUT检测敏感度为87.24%,特异性为90.05%,曲线下面积(areaunder the curve,AUC)为0.926。结论TBUT测定在青少年干眼症诊断中具有诊断价值,且与侵入性TBUT检测比较,非侵入TBUT检测的准确性及可靠性更好。展开更多
在基于位置的社交网络(Location-based Social Networks,LBSN)中,用户共享位置和与位置信息相关的内容。兴趣点推荐是LBSN的重要应用,根据用户历史访问签到记录推荐其可能感兴趣的位置。与其他推荐问题(如产品推荐或电影推荐)相比,用户...在基于位置的社交网络(Location-based Social Networks,LBSN)中,用户共享位置和与位置信息相关的内容。兴趣点推荐是LBSN的重要应用,根据用户历史访问签到记录推荐其可能感兴趣的位置。与其他推荐问题(如产品推荐或电影推荐)相比,用户对兴趣点的偏好在时间感知特征上尤为凸显。文中探索了时间感知特征对兴趣点推荐任务的影响,提出了时间感知的兴趣点推荐方法TAPR(Time Aware POI Recommendation)。该算法基于不同的时间尺度构建不同的关系矩阵,并且利用张量分解将构建出的多个关系矩阵分解从而得到用户与兴趣点的表示。最后,该算法利用余弦相似性计算用户与未访问POIs的相似性得分,并结合用户偏好建模的算法得到最终推荐分数。在两个公开数据集上的实验结果表明,TAPR算法比其他基于兴趣点推荐算法表现更好。展开更多
文摘目的研究泪膜破裂时间(tear film rupture time,TBUT)测定在青少年干眼症诊断中的准确性和可靠性评价。方法选取2021年9月至2023年9月,于笔者医院就诊的青少年干眼症患者185例作为观察组,并选取20例健康青少年作为对照组,分析TBUT测定在青少年干眼症诊断中的准确性和可靠性评价。结果185例患者,侵入性TBUT检测检出132例,总检出率为71.35%,非侵入性TBUT检测检出160例,总检出率为84.49%,组间差异有统计学意义(P<0.05);185例患者,非睑板腺功能障碍128例、睑板腺功能障碍57例,侵入性TBUT检测非睑板腺功能障碍检出率为41.62%、睑板腺功能障碍检出率为29.73%,非侵入性TBUT检测非睑板腺功能障碍检出率为63.24%、睑板腺功能障碍检出率为23.24%,组间差异有统计学意义(P<0.05);与对照组比较,观察组TBUT、首次TBUT、平均TBUT显著降低(P<0.05);与A组比较,B组TBUT、首次TBUT、平均TBUT显著降低,组间差异有统计学意义(P<0.05);侵入性TBUT检测的敏感度为72.49%,特异性为75.88%,AUC为0.762,非侵入性TBUT检测敏感度为87.24%,特异性为90.05%,曲线下面积(areaunder the curve,AUC)为0.926。结论TBUT测定在青少年干眼症诊断中具有诊断价值,且与侵入性TBUT检测比较,非侵入TBUT检测的准确性及可靠性更好。
文摘在基于位置的社交网络(Location-based Social Networks,LBSN)中,用户共享位置和与位置信息相关的内容。兴趣点推荐是LBSN的重要应用,根据用户历史访问签到记录推荐其可能感兴趣的位置。与其他推荐问题(如产品推荐或电影推荐)相比,用户对兴趣点的偏好在时间感知特征上尤为凸显。文中探索了时间感知特征对兴趣点推荐任务的影响,提出了时间感知的兴趣点推荐方法TAPR(Time Aware POI Recommendation)。该算法基于不同的时间尺度构建不同的关系矩阵,并且利用张量分解将构建出的多个关系矩阵分解从而得到用户与兴趣点的表示。最后,该算法利用余弦相似性计算用户与未访问POIs的相似性得分,并结合用户偏好建模的算法得到最终推荐分数。在两个公开数据集上的实验结果表明,TAPR算法比其他基于兴趣点推荐算法表现更好。