高校附属医院文化建设和党建工作的关系研究

文化建设与党建工作之间存在着一定的关联,随着经济的不断发展,我国卫生管理体制改革也不断深入,在此过程中,对于高校附属医院文化建设和党建工作提出更高水平的要求。从医院层面来看,通过加强文化建设以及发展党建工作,能够有效提高医院的凝聚力,促进医院树立良好的形象、培养优秀的医护人员等。文化建设和党建工作息息相关,在医院管理与发展的过程中,两者之间相辅相成。文章在研究的过程中,采用访谈法、问卷调查法等方法,通过访谈法、问卷调查法对医院各个方面人员进行调查,根据调查结果总结高校附属医院文化建设和党建工作的关系。

人体测量学指标用于社区老年人轻度认知障碍筛查研究

目的评估人体测量学指标对老年人轻度认知障碍的筛查能力,确定最佳筛查指标。方法采用多阶段分层抽样的方法,对广西3个市6个社区/乡镇的60岁以上常住老年人502名进行蒙特利尔认知评估量表-北京版(MoCA-B)测评和人体指标测量,以认知评估结果为金标准,将老年人分为认知正常组和轻度认知障碍组,比较两组人体测量学指标的差异,绘制受试者工作特征曲线,评价人体测量学指标对轻度认知障碍的筛查能力。结果认知正常组244名,轻度认知障碍组258名。两组身高、腰围、小腿围、BMI、腰高比、腰小腿围比、身体圆度指数、腹部体积指数和体脂肪指数比较,差异有统计学意义(均P<0.05);腰小腿围比对总样本轻度认知障碍具有较高的筛查能力(AUC=0.681);联合指标腰小腿围比+腰高比在60~<65岁老年人中筛查能力最高(AUC=0.708);腰小腿围比+体脂肪指数在65~<75岁老年人中筛查能力最高(AUC=0.735)。结论腰小腿围比、体脂肪指数和腰高比对老年人轻度认知障碍具有一定筛查价值。腰小腿围比+腰高比是60~<65岁老年人的最佳联合筛查指标;腰小腿围比+体脂肪指数是65~<75岁老年人的最佳联合筛查指标。

老年人口腔健康评估工具的研究进展

选择适合的工具对老年人口腔健康进行评估,以及时了解老年人口腔健康,有助于护理人员、照护者针对老年人口腔健康情况制订及实施个性化的口腔护理方案,降低老年人因口腔健康问题导致的肺炎、认知障碍等不良结局的发生率。本文对国内外用于评估老年人口腔健康的工具进行总结,包括评估工具的主要内容、特点、应用现状及局限性,以期为老年人口腔健康评估工具的开发及合理化选用提供参考,为完善老年人口腔护理方案提供依据。

列线图与机器学习算法预测中老年龋齿的比较研究

目的对比列线图与不同机器学习算法构建中老年人龋齿预测模型的效能。方法采用多阶段分层随机抽样法,选取南宁市、贵港市、崇左市510名中老年人为研究对象,进行问卷调查及口腔检查。采用单因素分析和Lasso回归筛选相关变量,使用多因素logistic回归分析确定最终独立影响因素。基于显著特征,建立列线图预测模型,并运用线性判别分析(LDA)、偏最小二乘算法(PLS)、距离多普勒算法(RDA)、广义线性模型(GLM)、随机森林(RF)、支持向量机(SVM)核函数(SVM-Radial)及SVM线性核函数(SVM-Linear)7种机器学习算法构建7种龋齿风险预测模型。采用受试者工作特征(ROC)曲线下面积(AUC)中位数评价各模型预测性能,以及不同变量筛选方法所构建模型的预测性能。结果中老年人龋齿检出率为71.18%。经过特征筛选后最终保留5个预测因子,分别是年龄(OR=0.945,95%CI:0.917~0.973)、刷牙频率(OR=0.688,95%CI:0.475~0.997)、过去1年是否洗牙(OR=0.303,95%CI:0.103~0.890)、牙存留数(OR=1.062,95%CI:1.038~1.087)和口腔健康评估量表(OHAT)得分(OR=1.363,95%CI:1.234~1.505)。各模型对比结果显示,RF算法所构建的预测模型表现最佳,AUC中位数为0.747,其次为列线图,AUC中位数为0.733。单因素+Lasso+多因素logistic(简称Lasso+logistic)筛选自变量构建预测模型的AUC中位数均高于RF算法筛选自变量构建的预测模型。结论基于Lasso+logistic筛选变量,RF较列线图及其他机器学习算法在中老年龋齿预测中提供了更可靠的预测性能。

老年人轻度认知障碍风险列线图预测模型的构建

目的 构建60岁及以上老年人轻度认知障碍(MCI)风险列线图预测模型。方法 采用多阶段分层随机抽样的方法,选取广西常住老年人502例作为研究对象,采用一般情况调查表、蒙特利尔认知评估量表-北京版(MoCA-BJ)对老年人进行调查,并收集其人体测量学指标;采用最小绝对收缩率和选择算子(LASSO)回归筛选特征变量,建立MCI风险列线图预测模型,并采用受试者工作特征(ROC)曲线和校准曲线对预测模型进行拟合效应检验。结果 502例老年人中,244例(46.04%)认知正常,258例(48.68%)为MCI;logistic回归分析显示,年龄、学历、月收入、子女支持、小腿围、BMI、体脂肪指数是老年人MCI的影响因素。以此7个变量构建老年人MCI风险列线图预测模型,模型ROC曲线下面积为0.790(95%CI:0.750~0.829),灵敏度为0.64,特异度为0.62,C-index为0.790,模型拟合χ~2=8.111,P=0.454,预测值与实际值基本一致。结论 成功构建老年人MCI风险列线图预测模型,模型具有较好的预测效果。