目的:检索并总结下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的相关证据,为下肢动脉硬化闭塞症伴间歇性跛行病人进行运动锻炼提供参考。方法:根据“6S”金字塔证据模型,系统检索BMJ Best Practice、UpToDate、the Cochrane Library、...目的:检索并总结下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的相关证据,为下肢动脉硬化闭塞症伴间歇性跛行病人进行运动锻炼提供参考。方法:根据“6S”金字塔证据模型,系统检索BMJ Best Practice、UpToDate、the Cochrane Library、澳大利亚Joanna Briggs Institute(JBI)循证卫生保健中心、英国国家卫生和临床优化研究所(NICE)、苏格兰校际指南网(SIGN)、美国国立指南库(NGC)、医脉通、美国血管外科协会、美国心脏病学会(ACC)、美国心脏协会(AHA)、欧洲心脏协会、PubMed、CINANL、MedLine、Web of Science、中国生物医学文献数据库、中国知网、万方数据库和维普数据库公开发表的下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的相关文献,包括临床实践指南、专家共识、证据总结、系统评价和Meta分析,检索时限从2017年10月—2023年10月。经过质量评价并结合专业判断,对纳入的文献进行证据的提取和汇总。结果:共纳入25篇文献,包括2篇临床实践指南、4篇证据总结、1篇专家共识、18篇系统评价,最终从运动的适用对象、运动的评估/培训、运动地点、运动流程、运动类型/方式、运动时间/频次/周期、运动强度、运动时的质量控制、运动的效果评价、运动时的注意事项10个方面形成下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的最佳证据。结论:本研究总结了下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的最佳证据,为制定下肢动脉硬化闭塞症伴间歇性跛行病人的运动方案提供证据支持。展开更多
文摘目的:检索并总结下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的相关证据,为下肢动脉硬化闭塞症伴间歇性跛行病人进行运动锻炼提供参考。方法:根据“6S”金字塔证据模型,系统检索BMJ Best Practice、UpToDate、the Cochrane Library、澳大利亚Joanna Briggs Institute(JBI)循证卫生保健中心、英国国家卫生和临床优化研究所(NICE)、苏格兰校际指南网(SIGN)、美国国立指南库(NGC)、医脉通、美国血管外科协会、美国心脏病学会(ACC)、美国心脏协会(AHA)、欧洲心脏协会、PubMed、CINANL、MedLine、Web of Science、中国生物医学文献数据库、中国知网、万方数据库和维普数据库公开发表的下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的相关文献,包括临床实践指南、专家共识、证据总结、系统评价和Meta分析,检索时限从2017年10月—2023年10月。经过质量评价并结合专业判断,对纳入的文献进行证据的提取和汇总。结果:共纳入25篇文献,包括2篇临床实践指南、4篇证据总结、1篇专家共识、18篇系统评价,最终从运动的适用对象、运动的评估/培训、运动地点、运动流程、运动类型/方式、运动时间/频次/周期、运动强度、运动时的质量控制、运动的效果评价、运动时的注意事项10个方面形成下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的最佳证据。结论:本研究总结了下肢动脉硬化闭塞症伴间歇性跛行病人运动疗法的最佳证据,为制定下肢动脉硬化闭塞症伴间歇性跛行病人的运动方案提供证据支持。
文摘针对人工跛行检测不够及时,难以发现突发中、重度跛行及轻度跛行行为的问题,该文提出了一种基于正态分布背景统计模型(normal background statistical model,NBSM)与局部循环中心补偿跟踪模型(local circulation center compensation track,LCCCT)和线性斜率最近邻分类(distilling data of KNN,DSKNN)技术的奶牛跛行检测方法。首先利用NBSM模型对奶牛序列图像中的目标奶牛像素区域进行分割,然后对得到的奶牛像素区域利用LCCCT模型提取目标奶牛身体前部像素区域,用其区域通过DSKNN模型提取目标奶牛的头部、颈部以及与颈连接的背部轮廓线拟合直线斜率数据,基于大样本视频序列帧数据将视频集制成轻度跛行、中重度跛行及正常等3类标签的斜率数据集。为了验证算法的有效性,对随机选取的18段奶牛视频进行了验证,其中正常奶牛、轻度跛行奶牛及中重跛行奶牛视频段各6段,获得头部、颈部及背部连接处的拟合直线斜率数据集。在未清洗的数据集上,分别利用SVM、Naive Bayes以及KNN分类算法进行了奶牛跛行的分类检测试验,试验结果表明,SVM与Naive Bayes跛行分类检测正确率均为82.78%,KNN奶牛跛行检测正确率为81.67%。将未清洗的数据集进行清洗后,3类算法的结果表明,KNN分类算法的跛行检测正确率达93.89%,高于SVM分类算法的91.11%及Naive Bayes分类算法的86.11%。上述结果表明通过头部、颈部及背部连接处的拟合直线斜率特性可以正确检测奶牛跛行,未清洗的数据经数据清洗后,KNN分类算法可以取得更好的检测结果。该研究结果对于奶牛跛行疾病的预防、诊断具有重要意义。