基于机器学习方法的PCI术预后主要不良心血管事件预测模型研究

目的:通过对比分析六种典型机器学习方法构建的PCI术后12个月MACE(主要不良心血管事件)风险预测模型,获得最优MACE风险预测模型。方法:利用随机抽样和SMOTE方法进行样本均衡化处理,再分别利用CART回归树、C4.5条件树、Ada Boost、Bagging、Random Forest(RF)和Na?ve Bayes六种机器学习方法构建MACE风险预测模型。结果:SMOTE方法处理后的训练集可以提高预测模型的预测能力。利用RF算法构建的模型预测精度达到88.7%,预测能力明显优于其他模型。结论:利用RF算法构建的PCI术后发生MACE的风险预测模型,可有效帮助医护人员对患者提早进行干预指导,降低患者不良事件的发生。

糖尿病ACS急诊科心理护理干预效果分析

选取2016年10月至2017年4月糖尿病ACS(急性冠脉综合征)患者50例,随机平分为对照组实施常规护理,观察组实施心理护理干预。结果观察组PCI术接受率高和首次医疗接触至导管室时间缩短,均优于对照组(P<0.05)。结论糖尿病ACS患者PCI术前接受急诊心理护理可明显提高PCI术接受率,缩短首次医疗接触至导管室时间。