目的观察晚期血吸虫病患者应用营养健康管理联合延续性护理对其治疗依从性及生活质量的影响。方法选取瑞昌市疾病预防控制中心2017年5月—2020年6月收治的60例晚期血吸虫病患者作为研究对象,根据随机分配法将入组患者分为对照组与观察组...目的观察晚期血吸虫病患者应用营养健康管理联合延续性护理对其治疗依从性及生活质量的影响。方法选取瑞昌市疾病预防控制中心2017年5月—2020年6月收治的60例晚期血吸虫病患者作为研究对象,根据随机分配法将入组患者分为对照组与观察组,各30例。2组均给予吡喹酮持续治疗,对照组患者接受临床常规护理,观察组在对照组基础上给予营养健康管理联合延续性护理。对比治疗前后2组治疗依从性、心理状态、营养状况、生活质量等变化情况,记录2组住院情况,随访2个月统计2组护理满意度。结果干预前,2组Morisky服药依从性量表(morisky medication adherence scale,MMAS-8)评分、抑郁自评量表(self-rating depression scale,SDS)评分、焦虑自评量表(self-rating anxiety scale,SAS)评分、血清白蛋白(ablumin,ALB)、前白蛋白(prealbumin,PA)、转铁蛋白(transferrin,TF)水平及简明健康状况调查表(the MOS item short from health survey,SF-36)评分比较,差异无统计学意义(P>0.05);干预后,2组上述指标均得到显著改善,且观察组改善效果优于对照组(P<0.05)。观察组住院时间短于对照组,医疗费用及并发症发生率低于对照组(P<0.05)。结论营养健康管理联合延续性护理用于晚期血吸虫病中,护理效果显著,不仅能提高患者治疗依从性,减轻其不良情绪对疾病治疗的影响,还能改善其营养状况及生活质量,在一定程度上缩短住院时间,减少医疗开销,且安全性较好,利于病情康复,值得临床应用推广。展开更多
股市是金融市场的重要组成部分,对股票价格预测有着重要的意义.同时,深度学习具有强大的数据处理能力,可以解决金融时间序列的复杂性所带来的问题.对此,本文提出一种结合自注意力机制的混合神经网络模型(ATLG).该模型由长短期记忆网络(L...股市是金融市场的重要组成部分,对股票价格预测有着重要的意义.同时,深度学习具有强大的数据处理能力,可以解决金融时间序列的复杂性所带来的问题.对此,本文提出一种结合自注意力机制的混合神经网络模型(ATLG).该模型由长短期记忆网络(LSTM)、门控递归单元(GRU)、自注意力机制构建而成,用于对股票价格的预测.实验结果表明:(1)与LSTM、GRU、RNN-LSTM、RNN-GRU等模型相比, ATLG模型的准确率更高;(2)引入自注意力机制使模型更能聚焦于重要时间点的股票特征信息;(3)通过对比,双层神经网络起到的效果更为明显.(4)通过MACD (moving average convergence and divergence)指标进行回测检验,获得了53%的收益,高于同期沪深300的收益.结果证明了该模型在股票价格预测中的有效性和实用性.展开更多
文摘目的观察晚期血吸虫病患者应用营养健康管理联合延续性护理对其治疗依从性及生活质量的影响。方法选取瑞昌市疾病预防控制中心2017年5月—2020年6月收治的60例晚期血吸虫病患者作为研究对象,根据随机分配法将入组患者分为对照组与观察组,各30例。2组均给予吡喹酮持续治疗,对照组患者接受临床常规护理,观察组在对照组基础上给予营养健康管理联合延续性护理。对比治疗前后2组治疗依从性、心理状态、营养状况、生活质量等变化情况,记录2组住院情况,随访2个月统计2组护理满意度。结果干预前,2组Morisky服药依从性量表(morisky medication adherence scale,MMAS-8)评分、抑郁自评量表(self-rating depression scale,SDS)评分、焦虑自评量表(self-rating anxiety scale,SAS)评分、血清白蛋白(ablumin,ALB)、前白蛋白(prealbumin,PA)、转铁蛋白(transferrin,TF)水平及简明健康状况调查表(the MOS item short from health survey,SF-36)评分比较,差异无统计学意义(P>0.05);干预后,2组上述指标均得到显著改善,且观察组改善效果优于对照组(P<0.05)。观察组住院时间短于对照组,医疗费用及并发症发生率低于对照组(P<0.05)。结论营养健康管理联合延续性护理用于晚期血吸虫病中,护理效果显著,不仅能提高患者治疗依从性,减轻其不良情绪对疾病治疗的影响,还能改善其营养状况及生活质量,在一定程度上缩短住院时间,减少医疗开销,且安全性较好,利于病情康复,值得临床应用推广。
文摘股市是金融市场的重要组成部分,对股票价格预测有着重要的意义.同时,深度学习具有强大的数据处理能力,可以解决金融时间序列的复杂性所带来的问题.对此,本文提出一种结合自注意力机制的混合神经网络模型(ATLG).该模型由长短期记忆网络(LSTM)、门控递归单元(GRU)、自注意力机制构建而成,用于对股票价格的预测.实验结果表明:(1)与LSTM、GRU、RNN-LSTM、RNN-GRU等模型相比, ATLG模型的准确率更高;(2)引入自注意力机制使模型更能聚焦于重要时间点的股票特征信息;(3)通过对比,双层神经网络起到的效果更为明显.(4)通过MACD (moving average convergence and divergence)指标进行回测检验,获得了53%的收益,高于同期沪深300的收益.结果证明了该模型在股票价格预测中的有效性和实用性.