马斯洛需要层次理论在护理管理中的应用

护理人员是医院的主要组成部分,由于编制不到位,护理人员不足,护士常处于一种超负荷工作状态,工作压力和心理压力很大,给医院管理及医疗服务带来隐患。运用马斯洛需要层次理论原理应用于护理管理之中,针对护理人员的各种需要,实行人性化管理,减轻其工作压力,保持身心健康,充分调动护士群体的工作积极性,使她们全身心地投入到护理工作中,不断提高护理工作的质量和效率。

盐酸多奈哌齐诱发老年性膀胱过度活动症1例

病人,男,95岁。2011年10月17日因＂阿尔茨海默型痴呆＂住院治疗。入院后,完善相关检查,于10月19日开始首次服用盐酸多奈哌齐片（安理申）2.5 mg 1次/晚,1周后加至5 mg 1次/晚,在服用多奈哌齐后,患者出现尿频现象,昼夜排尿次数由住院前的7～8次增加到20余次,夜尿也由原来的2～3次增加到6～7次,当时考虑可能与前列腺肥大和服用多奈哌齐药物有关,4 d后,又将多奈哌齐恢复到2.5 mg 1次/晚,但尿频症状仍逐渐加重,

高龄老年患者颈动脉粥样硬化与心血管危险因素及缺血性脑卒中的相关规律

目的:探讨高龄老年患者颈动脉粥样硬化与心血管危险因素及缺血性脑卒中之间的关系,寻求进行干预的可能性。方法:老年患者198例,男196例,女2例,年龄72～92岁。应用彩色多普勒B超显像仪进行颈动脉检测。结果70岁以上老年患者,颈动脉粥样硬化检出率81.3%。颈动脉粥样硬化高龄老年患者的高血压检出率显著高于颈动脉正常患者(χ2=8.8342,P<0.01)。糖尿病、冠心病、高脂血症在高龄老年患者颈动脉粥样硬化的检出率与颈动脉正常高龄老年患者比较,差异无显著性意义(χ2=0.0332,P>0.05;χ2=0.6275,P>0.05;χ2=1.07018,P>0.05),颈动脉粥样硬化患者急性缺血性脑卒中的检出率(26.1%)与颈动脉正常患者急性缺血性脑卒中的检出率(8.1%)比较相差显著(χ2=9.9675,P<0.01)。但是,当并存两个或两个以上心血管危险因素时,颈动脉粥样硬化检出率(72%)显著高于颈动脉正常检出率(18.9%)。结论:颈动脉粥样硬化在高龄老年患者中常见,高血压是高龄老年患者颈动脉粥样硬化的危险因素,多重心血管危险因素重叠增加后者的危险性,并与急性缺血性脑卒中密切相关。

住院老年人常见慢性病临床调查与分析

目的探讨住院老年人常见慢性病现状及其在病程中对老年人健康的影响。方法从60-96岁住院老年人中检出慢性病,并就慢性病临床进行描述性分析。结果本组老年人患有2种及多种慢性病的检出率达96.2%,涉及多种脏器病变。结论多种慢性病并存成为老年人患病特点,居前20位的慢性病是影响老年人健康的主要疾病,其临床症状及并发症随增龄而增多,重视对这些常见慢性病的医疗干预有助于改善老年患者生存质量及提高生存率。

用户界面中一种面向对象图形和输入处理的新方法

创建可直接操纵式图形用户界面的困难之一是需要管理图形对象之间的相互关系,图形的数据结构以及处理各种输入设备,本文提出了一种面向对象的图形用户界面(OOGUI)的处理新方法,通过一些图形对象来帮助设计与实现图形用户界面,同时还提出了一种处理异步输入设备的新方法.为输入处理,图形系统,应用程序的设计提供了清晰的界面。这种方法已被实践证明是相当方便、有效.

组合模型在电信客户流失预测中的应用

针对电信客户流失模型的构建,提出了基于不均衡数据处理与组合模型相结合的集成方法。按固定比例同时对数据集中多数类样本和少数类样本抽样,形成一个新的子数据集,重复该过程并训练多个基分类器;将基分类器进行线性组合,利用Lagrange函数求解组合模型的系数。利用某企业宽带客户行为数据训练模型,进行隔月预测。实验结果表明:该方法相对于各单模型,在F1值和对少数类的预测命中率上分别提升了2.3%和2.1%,可以帮助企业制定挽留方案。

基于分类问题的选择性集成算法研究

集成学习是时下非常流行的机器学习算法,它是通过集成多个模型的输出结果来实现的。但随着基学习器数目的增多,集成学习的预测速率明显下降,其所需的运行内存也迅速增加。对此,本文提出了选择性集成分类算法,该算法首先采用集成学习思想训练一定数目的分类器,然后综合多个评价标准对一些效果较差的分类器进行剔除,并使基分类器具有一定的差异性,来实现选择性集成学习,并在不同数据集进行实验论证了该算法的泛化能力与有效性。

基于深度置信神经网络的电信客户流失分析

电信客户流失预测难度较大,因为针对的是人的行为问题,人的行为琢磨不定,因此需要多种基于观察人的数据特征,包括行为特征和基本特征,通过对这些特征建模来解决问题。针对电信行业客户流失的问题,本文设计提出一种基于(XGB)极度梯度提升树和深度置信网络(DBN)的电信客户流失预测方法(XGB-DBN)。首先利用XGB对原数据集产生新特征,通过和原数据集的集成,再通过深度置信网络对新数据集进行学习建模,对某电信公司宽带客户流失数据进行了仿真。实验表明,XGB-DBN获得的召回率、精确率、准确率、F1分数远远高于其他预测方法,说明极度梯度提升树结合深度置信网络的数据挖掘方法具有很好的预测效果,为电信客户流失预测提供了一种新方法。

基于客户细分的客户流失预测研究

本文基于客户细分进行客户流失预测,首先采用K-Means聚类方法进行客户细分,然后对客户细分后的客户群体采用XGBoost算法进行流失预测,并与未进行客户细分的客户流失预测模型进行比较,对比客户细分前后模型的表现情况。

不平衡数据集的分类研究在医疗数据方面的应用

面对医疗数据中存在的不平衡现象,本文采用SMOTEENN采样,该方法可以降低过采样带入过多噪声的缺陷,同时也可以克服欠采样剔除关键信息的不足,进一步提升少数类的识别率,并选择Catboost算法对数据进行学习训练,进一步提升数据分类的效果。这对于不平衡数据集的分类问题,具有一定的借鉴意义。

国内命名实体识别研究的热点和趋势——基于CNKI的知识图谱分析

命名实体识别经过几十年的发展在我国已经取得了丰厚的成果。本文使用CiteSpace作为分析工具,对中国知网学术期刊库中的以命名实体识别为主题的论文进行可视化分析。通过作者分析、研究机构分析、和关键词分析对我国命名实体识别的研究路径和研究热点进行探讨。研究结果发现,我国已经出现了一批有影响力的作者和研究机构。我国的研究路径经历了三个阶段,目前国内的研究热点是命名实体识别的深度学习方法。

国内文本挖掘的热点主题和前沿演进——基于CNKI收录文献的可视化分析

使用数据可视化软件CiteSpace基于中国学术网络出版总库(CNKI)收录的关于研究文本挖掘的中文文献对机构、作者、关键词等绘制图谱并进行分析与评述。经研究表现出三方面结论:1) 各研究机构之间合作比较分散,合作较少;2) 各学者间的交流与合作不显著,合作意识仍然有待提高;3) 研究的热点主题有web挖掘、文本分类、中成药、西药、数据分层算法、大数据文本、情感分析;大数据下文本挖掘与情感分析为我国文本挖掘研究的主要研究趋势。

面向网站群的主题爬虫研究

聚焦爬虫(Focused Crawler)又称为主题爬虫,是从网络上获取特定主题数据的有效工具。为了避免传统聚焦爬虫预训练主题相关性分类器的繁复工作,提出一种自举聚焦爬虫(Bootstrapping Focused Crawler),用于从特定网站群中收集主题数据。自举聚焦爬虫省略了预先训练分类器的步骤,转而采用一些样本页面以相似度排序的方式替代分类器功能。在实验中,自举聚焦爬虫以牺牲一定准确率为代价,取得了0.62的召回率以及0.45的F1值,表现优于传统聚焦爬虫(召回率0.16、F1值0.25)。对于网站群主题数据采集任务,采用相似度排序替代主题分类器,不仅可以减轻分类器训练负担,还可以达到更好的效果。

基于Cox模型的电信用户流失研究

客户流失是客户管理中极其重要的一环,相比用户拉新,客户挽留的成本是较低的。因此,客户流失精准预测成了电信运营商亟须解决的问题。另外,生存分析已广泛应用于医学领域,该方法可以预测患者的生存时间,如果将其应用于客户管理领域,可以将用户流失看作医学上的"死亡"。本文利用生存分析方法中的Cox模型对电信用户生存时间进行预测,跟踪每个用户从入网到可能流失的时间,可以为用户挽留提供有效的决策。

成纤维细胞皮下转归的新模型

目的建立一种有效的研究成纤维细胞体内转归的新模型。方法以绿色荧光蛋白转基因小鼠成纤维细胞为研究对象，将其以每毫升20×10。个细胞浓度注射1个点，每点0．15ml注射到裸鼠头皮下，注射后形成直径1cm的圆丘。1周后通过活体荧光检测仪，冰冻切片荧光显微镜及GFP蛋白免疫组化检测，观察其在裸鼠头部皮下存在的数量和分布情况。结果GFP小鼠成纤维细胞裸鼠头皮下注射1周后，活体荧光定性分析可见荧光以注射点为中心成同心圆分布，并且荧光区域大于注射区域，荧光强度不均匀；活体荧光信号定量分析可见其平均荧光灰度强度值：92677419692（Ph／mm^2·s）；冰冻切片荧光显微镜可发现注射部位的细胞发出明显的绿色荧光；GFP蛋白免疫组化染色可发现注射部位明显的GFP蛋白存在。结论通过绿色荧光蛋白转基因小鼠成纤维细胞体内注射，活体荧光检测仪，冰冻切片荧光显微镜及GFP蛋白免疫组化观察其在裸鼠头部皮下存在的数量和分布情况的方法，建立一种有效的研究成纤维细胞体内转归的模型。