1例青年女性自身免疫性脑炎伴中度焦虑病人的护理

自身免疫性脑炎（autoimmune encephalitis,AE）是指机体对神经元抗原成分发生异常免疫反应,通常会累及局部或广泛的中枢神经系统,临床上以急性或亚急性起病的脑病、癫痫、认知损害和神经精神症状为特点。

防范逃废金融债务的法律对策

当前，随着国有企业改制的不断深入，为数众多的国有企业借改制之机，逃避或悬空金融债务的事时有发生。以濮阳市为例，2006年发生逃废债诉讼案件4030件，涉案金额5115万元，结案42件，执行已收回金额491万元，结案率为1．04％，收回资金仅为9．6％。用法律手段遏制逃废债行为效率低下的原因，主要有四方面的法律问题。

基层央行“非义务性经济金融信息数据”采集的难点

所谓非义务性经济金融信息数据是指除金融机构义务报送的报表资料等义务性经济金融信息数据（如金融机构各项本外币存贷款、现金收支、资产负债和财务状况等报表）之外的人民银行应利用而没有法律授权的经济金融信息数据。人民银行职能调整以来，对经济金融信息需求的覆盖面拓宽、需求量增大，对信息采集工作提出了更高的要求。

18例慢性心力衰竭急性加重的因素分析及护理研究

慢性心力衰竭患者受到多种因素影响,病情发展迅速,会造成患者死亡,因此需对慢性心力衰竭急性加重的因素进行探讨与分析,并制定针对性的护理措施,以提高慢性心力衰竭患者的护理质量。

脓毒症患者早期发生急性肾损伤的预测模型构建与内部验证

目的构建预测重症监护室(intensive care unit,ICU)脓毒症患者发生急性肾损伤(acute kidney injury,AKI)的列线图模型,并验证其早期预测的有效性。方法回顾性纳入2015年4月至2021年12月入住济宁医学院附属医院ICU的脓毒症患者,将符合纳入标准的患者以7∶3的比例随机分为训练集和验证集。采用单因素和多因素Logistic回归分析脓毒症患者发生AKI的影响因素并建立列线图模型,通过校正曲线、受试者工作曲线(receiver operating characteristic curve,ROC)以及决策曲线分析(decision curve analysis,DCA)对模型进行评价。结果741例脓毒症患者纳入研究,其中335例入ICU 7 d内发生AKI,AKI发生率为45.1%。随机分为训练集(n=519)和内部验证集(n=222)。多因素分析发现急性生理学与慢性健康状况评分Ⅱ、序贯器官衰竭评分、血乳酸、降钙素原、去甲肾上腺素使用剂量、尿素氮、中性粒细胞百分比是发生AKI的独立影响因素,结合以上变量构建列线图绘制列线图。在训练集中,列线图AUC为0.875(95%CI:0.767~0.835),校正曲线显示其预测概率和实际概率具有一致性,DCA显示其具有良好的临床净获益。在内部验证集中,列线图对AKI具有相似的预测价值(AUC=0.871,95%CI:0.734~0.854)。结论基于入室的危重症评分联合炎性标志物构建的列线图可用于ICU脓毒症患者发生AKI的早期预测,帮助临床医师早期识别脓毒症患者发生AKI。

基于机器学习的重症监护病房脓毒症患者住院病死率预测模型的构建

目的基于机器学习分析重症监护病房(ICU)脓毒症患者院内死亡的危险因素,并构建预测模型,探讨预测模型的预测价值。方法回顾分析2015年4月至2021年4月在济宁医学院附属医院ICU住院治疗的脓毒症患者的临床资料,包括人口统计学信息、生命体征、合并症、实验室检查指标、诊断和治疗等。根据患者是否发生院内死亡分为死亡组和存活组。随机抽取数据集中70%的病例作为训练集用于模型建立,其余30%的病例作为验证集。基于逻辑回归(LR)、K-最近邻(KNN)、支持向量机(SVM)、决策树(DT)、随机森林(RF)、极端梯度提升(XGBoost)和人工神经网络(ANN)等7个机器学习模型,构建脓毒症患者住院病死率预测模型。分别用受试者工作特征曲线(ROC曲线)、校准曲线、决策曲线分析(DCA)从鉴别、校准和临床应用等方面评估7个模型的预测性能。此外,将基于机器学习的预测模型与序贯器官衰竭评分(SOFA)和急性生理学与慢性健康状况评分Ⅱ(APACHEⅡ)模型进行比较。结果共纳入741例脓毒症患者,其中好转出院390例,院内死亡351例,院内病死率为47.4%。死亡组与存活组间性别、年龄、APACHEⅡ评分、SOFA评分、格拉斯哥昏迷评分(GCS)、心率、氧合指数(PaO2/FiO2)、机械通气比例、机械通气时间、使用去甲肾上腺素(NE)比例、NE最大量、血乳酸(Lac)、活化部分凝血活酶时间(APTT)、白蛋白(ALB)、血肌酐(SCr)、尿素氮(BUN)、血尿酸(BUA)、pH值、碱剩余(BE)、血钾(K+)等差异有统计学意义。ROC曲线分析显示,RF、XGBoost、LR、ANN、DT、SVM、KNN模型和SOFA评分、APACHEⅡ评分预测脓毒症患者住院病死率的曲线下面积(AUC)分别为0.871、0.846、0.751、0.747、0.677、0.657、0.555、0.749和0.760。在所有模型中,RF模型具有最高的精确度(0.750)、准确度(0.785)、召回率(0.773)、F1得分(0.761),辨别力最佳。校准曲线显示RF模型在7个机器学习模型中表现最佳。DCA曲线分析显示,与其他模型相比,RF模型表现出更大的净效益以及阈值概率,表明RF模型是具有良好临床实用性的最佳模型。结论机器学习模型可以作为预测脓毒症患者住院病死率的可靠工具。RF模型具有最佳的预测性能,有助于临床医生识别高危患者并早期实施干预以降低病死率。