基于医疗设备故障数据集的医疗设备可靠性分析

目的提出一种建立在医疗设备故障数据集的医疗设备可靠性分析方法,为医疗设备预防性维护策略研究提供参考。方法收集2017—2020年华东地区三级医院呼吸机、麻醉机、消化道内镜与血液透析机故障数据作为实验集,收集同期温州市中医院、温州市中心医院医疗设备故障数据作为测试集,在收集的设备故障数据集的基础上建立并计算Logistic分布函数,并从医疗设备失效密度、可靠性、失效率、平均首次故障时间(Mean First Time Failures,MFTF)等方面进行分析。结果实验集医疗设备故障频率趋于尾重峰高的类正态分布;四种故障实验集Logistic分布函数拟合优度值分别为0.91、0.85、0.87、0.89,对应P值分别为0.87、0.54、0.61、0.72,接受原假设,设备故障实验集符合Logistic分布;四种故障数据集Kolmogorov-Smirnov(KS)检验P值分别为0.35、0.25、0.11、0.42,实验集和测试集服从统一分布;四种设备MFTF值分别为1233.8、1733.8、779.2、1003.6 d。结论建立的Logistic分布函数可有效反映设备故障分布,可根据可靠性计算结果适时调整医院医疗设备预防性维护策略,值得进一步研究和推广。

基于奇异值分解的医疗数据信息提取及分类方法

当医疗数据存在缺失和冗余信息的情况下如何提高预测准确率一直是一个极具挑战的问题。为解决这一挑战,大多数预测模型要么直接删除缺失和冗余的实例,要么使用均值或其他方式对缺失数据进行填补。基于加权KNN算法(weightedk-nearest neighbor,WKNN),提出一种改进的医疗数据分类方法,该方法首先利用KNNI(knearest neighbor imputation,KNNI)对包含缺失数据的数据集进行预填补,然后采用奇异值分解(singular value decomposition,简称SVD)对填补后完整的数据进行有效信息提取,最后使用修订权重的WKNN算法进行分类预测。实验表明,在对数据进行填补和信息提取后,显著提高了分类准确率。在5个医疗数据集上,相较于传统的KNN算法分类准确率提升10%左右。在8个医疗数据集上均使用随机森林算法、朴素贝叶斯算法和支持向量机算法进行实验对比,算法分类准确率均取得较好效果。

医疗术语编码方案与可交换信息结构绑定方法探讨

探讨医疗术语编码方案与可交换信息结构绑定的一种方法。通过将卫生部颁布的基本医疗数据集(BDS)中的相关数据元与HL7 v3 CDA R2体系结构相结合,实现用一种特定的方式捕获、显示临床医疗数据,以标准化、无歧义的数据格式处理临床描述。

识别具有高失明和截肢风险的糖尿病患者——一个新的风险评估工具，有助于个体化照护、提供建议、将资源定向于最需要帮助的人群

失明和下肢截肢是最令人恐惧的糖尿病并发症。尽管这些并发症的发病率高、对患者的影响很大，但目前缺乏用于识别有极高风险失明和截肢的糖尿病患者的方法。最近Julia Hippisley—Cox和Carol Coupland的研究（见本期第123页；doi：10．1136／bmj．h5441）填补了这一空白，该研究使用的数据来自于QResearch，一个大型临床数据库，源自于英国全科医疗所使用的电子病历记录。