基于机器学习的急性缺血性脑卒中医院感染预测模型建立与评价

目的利用急性缺血性脑卒中患者诊疗数据构建基于机器学习的急性缺血性脑卒中医院感染预测模型,为临床治疗早期干预提供支持。方法选取江西某三甲医院神经内科2020年10月—2021年12月2360例脑卒中住院患者作为研究对象。按8∶2的比例随机分为训练集(1888例)与测试集(472例),纳入人口统计学数据以及入院48 h内临床诊疗数据,分析急性缺血性脑卒中患者发生医院感染的独立危险因素。使用logistic回归和3种机器学习算法[随机森林(RandomForest)、XGBoost、LightGBM]构建急性缺血性脑卒中医院感染预测模型,应用ROC曲线下面积(AUC)评估4种预测模型的预测效果。结果574例发生医院感染,医院感染发生率为24.32%。logistic回归分析结果显示,年龄>65岁、入院NIHSS评分>5分、血白细胞计数>10×10^(9)/L、血清钠≤135 mmol/L、侵入性操作、吞咽困难为医院感染的危险因素。logistic回归、RandomForest、XGBoost、LightGBM预测模型在测试集中预测缺血性脑卒中医院感染的AUC值分别为0.854、0.850、0.881、0.870。结论基于机器学习医院感染预测模型有利于早期识别急性缺血性脑卒中患者医院感染及挖掘危险因素,及时采取防控措施,可降低医院感染发生率。

Bang-Bang型电推进氙贮供系统两相流仿真研究与开闭周期优化

针对某Bang-Bang型电推进氙贮供系统,基于Amesim仿真平台搭建起流动、传热动态数值模型进行两相流仿真研究,采用MBWR状态方程准确揭示氙工质相态变化。仿真模型与试验数据对比验证后,对Bang-Bang阀开闭周期进行参数敏感性分析来优化系统设计。结果表明:系统各工作阶段Bang-Bang阀下游缓冲罐压强以及各极流量仿真结果与试验数据或额定值误差在1.76%以内。Bang-Bang阀在异步工作周期中,中间小气容由于焦汤效应而温度瞬间下降,氙工质由气态转变为两相态并持续0.315s。采用适中的开闭周期可以在缩短缓冲罐建压响应时间的同时实现Bang-Bang阀的长寿命使用。

老年营养风险指数对急性缺血性脑卒中患者肺部感染的预测价值

目的探讨老年营养风险指数(GNRI)对急性缺血性脑卒中患者肺部感染的预测价值。方法回顾性选择2017年1月至2022年10月南昌大学第二附属医院神经内科收治的老年急性缺血性脑卒中患者1505例。根据GNRI营养评估等级分为4组,T1组(高营养风险<82)49例,T2组(中营养风险82~91)305例,T3组(低营养风险92~98)555例,T4组(无营养风险>98)596例。又根据出院诊断情况分为肺部感染组150例与非感染组1355例。研究对象按16︰4︰5的比例随机分为训练集、验证集和测试集。采用多因素logistics回归分析脑卒中患者并发肺部感染的危险因素。采用logistics回归算法及XGBoost算法建立急性缺血性脑卒中患者肺部感染预测模型,通过ROC曲线下面积(AUC)、准确性、敏感性、特异性评估模型。结果多因素logistics回归显示,高血压、侵入性操作、意识障碍、C反应蛋白、淋巴细胞、血红蛋白、GNRI为脑卒中肺部感染的危险因素(P<0.05)。测试集GNRI预测脑卒中肺部感染的AUC为0.742(95%CI:0.651~0.833),准确性为71.8%,敏感性为76.7%,特异性为71.2%。联合临床诊疗指标(高血压、侵入性操作、意识障碍、C反应蛋白、淋巴细胞、血红蛋白)与GNRI,在测试集中预测模型的AUC为0.776(95%CI:0.700~0.853),准确性为74.8%,敏感性为83.3%,特异性为73.8%。结论GNRI是老年急性缺血性脑卒中患者并发肺部感染独立危险因素,对预测脑卒中肺部感染具有一定的价值。

平行燃面推移方法在Pro/E软件上的应用

燃面推移的实体造型法与药形结合比较紧密,精度有所保证,可以直观显示不同时刻装药的构型以及面积、体积等相关信息。根据平行层燃烧规律,推导出"点推球,线推管,面平移"的几何推移规律,同时基于Pro/E Wildfire4.0软件的功能应用,介绍了使用Pro/E进行燃面推移的基本假设原则、常用的软件工具以及一般步骤,并进行了实例简介,最终得出结论。

中性粒细胞/淋巴细胞比值预测缺血性脑卒中90天功能预后的价值

目的探讨缺血性脑卒中患者入院时外周血中性粒细胞/淋巴细胞比值(NLR)预测其住院治疗后90 d功能预后的价值。方法收集南昌大学第二附属医院神经内科2018年7月至2019年7月1499例缺血性脑卒中住院患者的临床资料,终点指标是脑卒中90 d的功能预后。根据有无不良预后分为预后良好组1179例和预后不良组320例,比较2组的临床资料并通过受试者工作特征曲线(ROC)计算灵敏度和特异度及约登指数,以评价NLR对缺血性脑卒中功能预后的预测价值。结果与预后良好组相比,预后不良组入院时NIHSS评分、体温、白细胞计数、单核细胞计数、中性粒细胞计数、嗜酸性粒细胞计数、NLR、血糖、C反应蛋白、脂蛋白a、房颤史、脑卒中史、服用质子泵抑制剂均明显升高(P<0.05),淋巴细胞计数、平均血红蛋白浓度、甘油三酯、高脂血症均明显降低(P<0.05)。多因素Logistic回归分析显示,NLR是缺血性脑卒中功能预后不良的独立影响因素(OR=1.057,95%CI:1.024~1.092,P=0.001)。ROC曲线分析显示,NLR预测缺血性脑卒中患者功能预后的曲线下面积最大,为0.644,最佳临界值为3.08,相应的灵敏度和特异度分别为59.4%和67.1%,约登指数0.265,预测效果优于其他各项指标。结论NLR对缺血性脑卒中90 d功能预后不良有一定的预测价值。

基于XGboost学习算法构建模型对缺血性脑卒中合并房颤患者并发肺部感染的预测价值

目的探讨基于XGboost学习算法构建模型对缺血性脑卒中合并房颤患者并发肺部感染的预测价值.方法选择2018年1月-2019年12月南昌大学第二附属医院收治的缺血性脑卒中合并房颤患者1075例为研究对象,按照7∶3随机分为训练集与验证集,训练集用于构建预测模型,验证集用于评价模型效果;分别采用XGboost和Logistic回归构建缺血性脑卒中合并房颤并发肺部感染的预测模型,通过灵敏度、特异度和受试者特征(ROC)曲线下面积(AUC)评价模型的预测效果.结果共纳入1075例缺血性脑卒中合并房颤患者,年龄(74.82±10.85)岁,其中男性554例(51.53%),肺部感染341例(31.72%);Logistic回归分析模型和XGboost模型的AUC分别为0.671和0.723,灵敏度分别为72.63%和79.01%,特异度分别为68.10%和62.42%,约登指数分别为0.407和0.414.结论在针对缺血性脑卒中合并房颤患者是否并发肺部感染预测研究中,基于XGboost算法构建的预测模型较Logistic具有良好的预测效能.

面向医院的大数据治理模型设计

目前,促进健康医疗大数据发展已经成为我国健康产业发展的重要国策,但是国内医院普遍存在医疗数据使用困难、数据质量不高等问题。为此,本文提出了一种基于大数据架构的医院数据平台建设方法及治理模型。阐述了当前医疗数据面临的问题及其原因,总结数据仓库建模理论与医疗数据特点,分析医疗数据治理模型框架,旨在通过分层分域组织医疗数据,提升数据质量、加速数据应用,实现医院医疗数据资产化运营,促进大数据平台为医院临床、管理、科研发展赋能。

倒带

31世纪的世界航天水准已经达到了相当高的程度。我作为一个地球上的小屁孩竟得到了首批参观黑洞的特权。这可是我万万想不到的。这样平凡的我,怎么会突然受到邀请去看黑洞?但是,已经被固定在飞船座位上的我,并没有多少时间思考。嘭嘭.飞船的每个座位都瞬间进行了内封闭,使其成为一个独立的星际仓,从飞船中弹射出来进行逃离。