益气化聚消利方治疗合并代谢综合征的高尿酸血症疗效研究

目的:评估益气化聚消利方治疗合并代谢综合征的高尿酸血症的临床疗效。方法:纳入符合代谢综合征与高尿酸血症诊断标准的患者60例,随机分为两组。(1)中药治疗组:在常规西药治疗基础上,加载益气化聚消利方颗粒剂;(2)对照组:在常规西药治疗基础上,加载安慰剂。每组30例,每日2次,每次1包冲服,疗程为12周。观察两组治疗前后血清尿酸、形体学指标、糖脂代谢指标、血压以及尿蛋白相关指标等变化情况。结果:治疗组与对照组治疗前基线指标差异无统计学意义。中药干预治疗后,治疗组与对照组血清尿酸、糖代谢指标(空腹血糖、餐后2 h血糖)、血脂(总胆固醇、三酰甘油、低密度脂蛋白胆固醇)、尿蛋白指标(尿微量白蛋白、尿微量白蛋白/尿肌酐)、血压(收缩压、舒张压、平均动脉压)均较治疗前有明显改善(P<0.05),其中治疗组的血清尿酸、形体学指标(腰围、腰臀比、体质指数)、糖代谢指标(空腹及餐后2 h血糖、糖化血红蛋白、稳态模型胰岛素抵抗指数及空腹胰岛素)、高密度脂蛋白胆固醇、尿蛋白指标(尿微量白蛋白、尿微量白蛋白/尿肌酐、24 h尿总蛋白)及血压(收缩压、平均动脉压)的改善更优于对照组(P<0.05)。结论:益气化聚消利方能通过增强代谢综合征伴高尿酸血症的胰岛素敏感性,降低血清尿酸,减轻糖脂代谢紊乱、高血压,改善微量白蛋白尿水平,缓解肾损伤。

准噶尔盆地南缘侏罗纪沉积相演化与盆地格局

通过对准噶尔盆地南缘侏罗系5条剖面的沉积特征对比,结合钻井资料和地震资料,确定了准噶尔盆地南缘侏罗纪盆地边界、沉积相演化及盆地格局。头屯河剖面和后峡剖面的沉积相对比及古流向测量表明二者在早、中侏罗世形成于同一沉积体系。在早、中侏罗世,沉积相逐渐从以辫状河—三角洲—湖泊相为主过渡到以河流—湖泊相为主,沉积水体逐渐变浅;其中三工河组沉积时期盆地沉积范围达到最大,西山窑组沼泽相发育,车排子—莫索湾凸起自西山窑组沉积时期开始构成相对高地并遭受部分剥蚀。早、中侏罗世的盆地边界至少位于后峡以南附近,此时不存在地理分割明显的天山山脉。晚侏罗世—早白垩世早期,沉积相从辫状河—滨浅湖相为主迅速演变为以辫状河—冲积扇相为主。在此期间盆地边界明显向北迁移,天山山脉明显隆升并造就天山南北沉积环境的巨大差异,博格达山构成盆地南缘的又一重要物源体系。

构造演化与含油气系统的形成——以准噶尔盆地东部吉木萨尔凹陷为例

准噶尔盆地东部自晚石炭世洋壳消减后进入陆相盆地演化阶段,是一个构造演化复杂、由多个含油气凹陷和凸起构成的构造带,其构造演化历史主要分为4个阶段,即裂谷—断陷盆地阶段、断—坳盆地阶段、陆内坳陷盆地阶段和再生前陆盆地阶段。结合盆地东部吉木萨尔凹陷复合含油气系统特征,探讨了构造演化与含油气系统形成之间的关系。研究表明,构造演化在一定程度上控制着生储盖组合的形成,影响烃源岩的演化进程,控制着含油气系统的多期生烃和多期成藏,构成含油气系统的运聚、改造和后期保存的关键时刻。

利用标签相关性先验的弱监督多标签学习方法

多标签学习是一种非常重要的机器学习范式.传统的多标签学习方法是在监督或半监督的情况下设计的.通常情况下,它们需要对所有或部分数据进行准确的属于多个类别的标注.在许多实际应用中,拥有大量标注的标签信息往往难以获取,限制了多标签学习的推广和应用.与之相比,标签相关性作为一种常见的弱监督信息,它对标注信息的要求较低.如何利用标签相关性进行多标签学习,是一个重要但未研究的问题.提出了一种利用标签相关性作为先验的弱监督多标签学习方法(WSMLLC).该模型利用标签相关性对样本相似性进行了重述,能够有效地获取标签指示矩阵;同时,利用先验信息对数据的投影矩阵进行约束,并引入回归项对指示矩阵进行修正.与现有方法相比,WSMLLC模型的突出优势在于:仅提供标签相关性先验,就可以实现多标签样本的标签指派任务.在多个公开数据集上进行实验验证,实验结果表明:在标签矩阵完全缺失的情况下,WSMLLC与当前先进的多标签学习方法相比具有明显优势.

双下肢钙化防御一例

患者,女,56岁。双小腿红斑、结节、溃疡伴疼痛3个月。病史、临床表现结合组织病理学诊断为钙化防御。患者经治疗疼痛症状略改善,皮损无明显好转,2个月后失访。

三肇凹陷扶杨油层油气“倒灌”运聚成藏规律研究

松辽盆地三肇凹陷扶杨油层有着丰富的油气资源,但由于油"倒灌"运聚成藏的复杂性,使得如何进一步扩大储量区和已探明区块如何开发成为困扰勘探家的两大难题。扶杨油层油成藏的特殊性体现在两个方面:一是断层密度大、规模小且密集成带;二是三肇凹陷扶杨油层处于物源交汇区,主要的储集体河道砂展布规律难以预测。本研究在系统油源对比的基础上,以断裂形成演化为核心,标定油源断层,分析断裂与砂体的配置关系及其控油规律,建立了成藏模式。油源对比表明,三肇凹陷扶杨油层油主要来自青山口组烃源岩,成藏关键时刻为明水组沉积末期,因此断陷期形成坳陷期和反转期活动的断层以及坳陷期形成反转期活动的断层为主要的油源断层,油在超压作用下沿着油源断层"倒灌"运移,下排的深度一般为200m,因此只有扶杨油层的顶部才是有利的目的层。扶杨油层断裂具有密集成带的特征,油源断层多为断裂密集带的边界断层,是主要的控藏断裂。油沿油源断层"倒灌"运移动力条件、断裂多期变形机制以及反转期青山口组泥岩水平拆离作用形成的水平裂缝的输导作用决定油主要富集在油源断层下盘河道砂中,在油源断层控制的地垒型断块中油最富集,断裂密集带处于构造低部位,不是主要的富集区。

西藏日喀则地区老年轻度认知损害患者的中医证型分布特点和影响因素分析

目的探讨西藏日喀则地区老年轻度认知损害(MCI)患者的中医证型分布特点和影响因素。方法2018年6月-2019年8月,选取MCI患者132例,对其人口学资料进行调查,检测简易精神状态检查(MMSE)、照顾者负担量表(ZBI)、蒙特利尔认知评估量表(MoCA)、日常生活活动(ADL)及中医证型积分。结果中医证型中瘀血阻络最多,其次为肾精亏虚、痰浊阻窍、气血亏虚、肝阳上亢、热毒内盛和腑滞浊流。阅读和交际与MMSE呈正相关,ZBI与MMSE呈负相关,经济与MMSE、MoCA呈正相关,认知功能与年龄、文化程度、职业类型、MCI确诊时间和基础疾病等无相关性。结论日喀则地区MCI患者中医证型以瘀血阻络最多,认知功能与中医证型无相关性,但阅读和交际对防治MCI具有积极作用。

鲁棒自加权的多视图子空间聚类

随着收集和存储数据的能力不断提高,真实数据通常由不同的表现形式(视图)组成。因此多视图学习在机器学习与模式识别领域中扮演着重要的角色。近年来,多种多视图学习方法被提出并应用于不同的实际场景中。然而,在目标函数中大部分数据点存在平方残差,少数误差较大的离群点很容易令目标函数失效,因此如何处理冗余数据是多视图学习面临的重要挑战。为解决上述问题,提出一种鲁棒自加权的多视图子空间聚类模型。该模型利用Frobenius范数来处理数据的平方误差的同时利用ℓ1范数来处理数据的离群点,有效地平衡了离群点与普通数据点对性能的影响。此外,与通过引入超参数来衡量不同视图对模型的影响的传统方法不同,该模型自动学习了每个视图的权重。由于该模型是一个非光滑非凸问题,很难直接求解,设计了一个有效的算法并分析了算法的收敛性和计算复杂度。相比于传统的多视图子空间聚类算法,在多个多视图数据集上的实验结果表明了算法的有效性。

X油田边水治理途径探讨

X油田南块外扩井处于油水过渡带，由于初期对边水认识不足，能量充足的边水推进导致含水上升，综合含水由初期的33．8％上升到51．0％，日产油由33．4t下降到17．4t。在验证边水存在的基础上，计算了边水水体规模及水侵系数等参数，针对边水对油田开发的影响，提出了合理控制油井的生产压差、关闭水线见水油井、卡堵见水层和加强内部注水等措施，采取上述施后取得了增油降水的效果。

并非成本越低越好

在做好房地产项目成本管控之前，首先要全面了解项目、成本的构成。房地产项目的成本大致由几个部分构成。一是土地征用（出让）及拆迁补偿费。

基于边际概率分布匹配的主动标记分布学习

标记分布学习是在以标记分布标注的示例上学习的新型学习范式,近年来已成功应用于面部年龄估计、头部姿势估计和情感识别等实际场景中。在标记分布学习中,需要足够多的标记分布数据才能训练出预测性能好的模型。然而,标记分布学习有时会面临标记数据不足和注释成本太高的困境。基于边际概率分布匹配的主动标记分布学习(Active Label Distribution Learning Based on Marginal Probability Distribution Matching,ALDL-MMD)算法是针对标记分布学习注释成本过高的问题而设计的,以减少训练模型所需的标注数据量,从而降低注释成本。ALDL-MMD算法训练了一个线性回归模型,在保证其训练误差最小的同时,学习一个反映未标记数据上选点需求的稀疏向量,使选点后的训练集和未标记集的数据分布尽量相似,并对这个向量做松弛化处理,以简计算。在多个标记分布数据集上的实验结果表明,在“Canberra Metric”和“Intersection”这两个衡量标记分布的指标上,ALDL-MMD算法优于已有的主动示例选择方法,体现了其在降低注释成本方面的有效性。

规范社区医院感染管理保证社区医疗安全

医源性感染是世界卫生工作中普遍面临的一个问题,医院性感染情况的发生,不仅会威胁着患者的生命健康,医护人员的工作安全,也会对医疗技术产生一定的影响,在某种程度上还会增加社会医疗不稳定情况的发生,不利于社会的整体建设。社区医院作为医疗体系中体量较大的一种医疗工作平台,在实际工作中同样需要加强对于医院感染的管理的重视,需要完善相关管理制度,落实各项管理工作,确保患者以及医护人员的生命安全。

基于独立自表达学习的不完全多视图聚类

不完全多视图聚类是通过结合多视图数据的异构不完全特征来获得数据本征结构,从而提高聚类性能的一种学习范式.在实际应用中,各个视图除了缺失某些完整样本外,还会受到缺失值与异常值的影响,使得大部分传统的不完全多视图聚类方法失效.为解决上述问题,本文提出一种基于独立自表达学习的不完全多视图聚类方法.该方法通过自表达重构,补全缺失的特征的同时学习视图独有的自表达矩阵,然后为自表达矩阵添加低秩约束,更好地挖掘本征结构,并通过引入希尔伯特–施密特独立性准则来衡量不同视图间的差异性.多个数据集上的实验结果表明,所提方法在大多数情况下能取得较对比方法更优的聚类结果.