《七哀》、《三良》:王粲人生的诗意言说

《三良》、《七哀》深契王粲感伤性格,是王粲人生的诗意言说。王粲人生的光点在于前期悲壮的悯世与 有为追求;后期效命曹氏,惶奔仕途,建安理想渐渐淡化,他对文学侍臣的处境虽有自觉的认识,并因此而痛苦,但 更多的是对这种生存环境的无奈和认同。《三良》、《七哀》表达了一种难以言说的极深极痛的悲哀情绪。

薄层扫描法测定三黄片中大黄素含量

本文用薄层扫描法对三黄片中大黄素含量进行测定．并经过对样品扫描测定及稳定性、加样回收试验，说明了该方法准确稳定、结果可靠．

不同机器学习模型预测严重创伤患者院内不良结局的效能比较

目的比较不同机器学习模型利用院前数据对严重创伤患者院内不良结局的预测效能。方法采用回顾性队列研究分析2017年1月至2018年12月美国国家创伤数据库(NTDB)中100135例严重创伤患者的临床资料,其中男69644例,女30480例(性别变量缺失11例);年龄16~89岁[(50.1±21.1)岁]。临床特征包括人口学信息(性别、年龄)、创伤类型(钝性伤或穿透伤)、院前时间[急救医疗服务(EMS)反应时间、EMS现场时间和EMS转运时间]、院前生命体征(收缩压、脉率、呼吸频率和血氧饱和度)、创伤评分[格拉斯哥昏迷评分(GCS)、损伤严重度评分(ISS)]。将原始数据按入院年份分为训练集(2017年)和测试集(2018年)。其中训练集50429例,测试集49706例,按有无发生不良结局将患者分为无不良事件发生组(94526例)和不良事件发生组(5609例)。训练集中不良事件组为2808例,测试集中不良事件组为2801例。所有模型均基于训练集构建,采用神经网络(NNET)、朴素贝叶斯(NB)、梯度提升树(GBM)、自适应增强机(Ada)、随机森林(RF)、袋装树(BT)、分类增强机(CatBoost)和极度梯度提升(XGB)8种机器学习算法根据患者临床特征构建严重创伤患者临床结局的预测模型。根据预测模型的灵敏度、特异度、受试者工作特征(ROC)的曲线下面积(AUC)和Hosmer-Lemeshow拟合优度检验来评价模型预测效能。结果NNET、NB、GBM、Ada、RF、BT、CatBoost和XGB模型在测试集中的灵敏度分别0.84,0.83,0.27,0.79,0.83,0.81,0.62,0.78;特异度分别为0.79,0.76,0.81,0.79,0.79,0.74,0.83,0.79;AUC分别为0.89(95%CI 0.88,0.90),0.86(95%CI 0.85,0.87),0.54(95%CI 0.53,0.55),0.86(95%CI 0.85,0.87),0.88(95%CI 0.88,0.90),0.83(95%CI 0.82,0.85),0.77(95%CI 0.76,0.79),0.86(95%CI 0.85,0.87),其中NNET模型的区分度最佳。NNET模型和NB模型的校准度也表现出良好的性能,Hosmer-Lemeshow拟合优度检验P值>0.05。结论NNET模型对严重创伤患者院内不良结局的预测效能较好,可在一定程度上为快速预测严重创伤患者的预后提供参考。