加强药学干预对临床合理应用抗生素的效果分析

探讨加强药学干预对临床抗生素药物合理使用的作用。方法 本研究选取200名住院患者作为研究对象,将其随机分成2组,对照组(n=100)和观察组(n=100),并进行药物干预,比较两组干预效果。结果 两组疗效差异显著(P<0.05)。结论 加强药学介入,可以降低不合理用药的现象发生,防止副作用,加速患者的恢复,增强患者的依从性,很大程度上缩短抗生素的使用周期和患者的住院天数,节省医疗费用,在临床上具有推广价值。

Transformer模型在上消化道部位识别中的临床应用

目的验证深度学习新技术(Transformer模型)在上消化道部位识别的灵敏度及有效性,进一步为上消化道疾病、胃镜视频的识别提供基础。方法由2018年8月至2020年4月于南方医科大学南方医院、南方医科大学顺德医院等三甲医院收集胃镜图像21782张,其中18640张胃镜图像用于标注和Transformer模型训练,3142张胃镜图像用于验证阶段,设计实验组和对照组(人工常规标注),记录标注时间。结果验证阶段共有3142张胃镜图像(7282个部位标签),实验组整体准确度、特异度、整体有效度分别为83.4%、66.9%、77.8%,整体时间为9分30秒。对照组整体准确度、特异度、整体有效度分别为78.4%、68.9%、73.8%,整体时间为10小时15分30秒。结论实验组结果整体优于对照组,准确度和整体有效度具有明显优势,耗时实验组显著缩短。

Transformer模型在胃镜视频部位实时识别的研究探索

目的探索深度学习技术(Transformer模型)在胃镜视频中部位实时识别的性能评价。方法使用深圳市第二人民医院2021年5至7月录制的50部胃镜视频为研究资料,抽帧形成“视频图像集合”,其中40部为训练集1,10部为测试集;以含有25525张胃镜图像的“胃镜图像集合”为对照组,形成训练集2。Transformer模型基于训练集1、训练集2、“训练集1+训练集2”学习训练分别形成“基于视频智能系统”、“基于图像智能系统”、“基于视频和图像智能系统”。通过测试集比较视频智能系统、图像智能系统、视频和图像智能系统的准确度、特异度等差异。结果研究组1基于视频智能系统准确度、特异度、总体有效度分别为84.3%、78.9%、81.5%;研究组2基于视频和图像智能系统准确度、特异度、总体有效度分别为82.9%、81.5%、82.2%;对照组基于胃镜图像智能系统准确度、特异度、整体有效度分别为80.0%、76.8%、78.4%。结论结果具有统计学意义,Transformer模型视频学习效果优于胃镜图像,Transformer模型学习视频+图像效果优于单独视频学习。

中西医结合治疗消化性溃疡的疗效观察

目的:观察中西医结合治疗消化性溃疡的临床疗效。方法:选择医院门诊及住院的消化性溃疡患者82例,并随机分为治疗组和对照组。对照组单纯服用奥美拉唑、甲硝唑、阿莫西林。治疗组在此基础上加用自拟溃疡汤,两组治疗均为8周为1个疗程,1个疗程后评定疗效。结果:治疗组治愈率58.53%,总有效率为95.13%;对照组治愈率36.59%,总有效率为78.05%。两组治愈率和总有效率比较,差异具有统计学意义(P<0.05)。结论:采用中西医结合治疗消化性溃疡疗效显著,不良反应少,具有疗程短、疗效可靠、复发率低等优点,值得临床推广应用。

中西医结合治疗慢性胃溃疡50例疗效观察

目的:探讨在慢性胃溃疡胃炎患者临床治疗过程中中西医结合治疗方法的应用效果,旨在为慢性胃溃疡患者快速康复提供重要依据。方法:选取我院2015年4月-2016年3月收治的慢性胃溃疡患者50例,随机均分成两组,对照组患者主要接受常规西药治疗,观察组患者在对照组的治疗基础上加以中药治疗,研究对比两组患者临床治疗有效情况。结果:观察组疗效明显优于对照组,且在患者后期病情复发情况上比较,观察组也明显优于对照组。结论:针对慢性胃溃疡患者加强中西医结合治疗十分有效,不仅可以明显改善临床症状和体征,还能在降低病情复发率的基础上促进患者痊愈。

面向病例的人工智能良恶性溃疡识别研究

目的建立基于深度学习的人工智能模型,通过对胃良、恶性溃疡及正常黏膜病例图片的学习,使其对良、恶性溃疡病例具有较高的识别能力,从而在一定程度上提高内镜医师的诊断水平,为胃癌的早期诊断提供极大的助力。方法按照纳入和排除标准,共纳入病例3238例,其中恶性胃溃疡、良性胃溃疡及正常胃的病例数分别为:747例、761例及1730例。采用随机原则将原始病例按照大致8∶1∶1的比例分为训练集(正常病例1380例,良性胃溃疡病例614例,恶性胃溃疡病例596例)、验证集(正常病例179例,良性胃溃疡病例75例,恶性胃溃疡病例70例)和测试集(正常病例171例,良性胃溃疡病例72例,恶性胃溃疡病例81例)。建立基于多图片输入的efficientNet-b4深度学习模型对训练集及验证集中的病例进行训练,然后与2名经验丰富的内镜医师一起对测试集的324例病例进行识别,得出相关统计学指标,从而比较人工智能与内镜医师的对胃正常黏膜及良、恶性胃溃疡病例识别的诊断水平。结果经验丰富内镜医师1、经验丰富内镜医师2及人工智能对病例识别的整体准确率分别为:92.09%、91.36%及95.06%,人工智能对病例识别的整体准确率要明显优于经验丰富的内镜医师。对于正常病例的识别,人工智能的灵敏度为98.25%,略低于两位内镜医师的99.42%和100%,但其阳性预测值为100%,优于其中一位医师的97.14%,与另一位医师的100%结果一样;对于良性胃溃疡病例的识别,人工智能的灵敏度和阳性预测值分别为:91.67%和86.84%,均优于两位经验丰富的内镜医师;对恶性胃溃疡病例的识别,人工智能的灵敏度和阳性预测值分别为:91.36%和92.50%,均优于两名经验丰富的内镜医师;人工智能及两名内镜医师对于良、恶性胃溃疡病例识别的灵敏度及阳性预测值都要明显低于其对正常病例的识别。结论通过深度学习的人工智能模型对胃正常黏膜及良、恶性胃溃疡病例的识别的误诊要低于内镜医师;在良、恶性胃溃疡病例的识别方面,人工智能模型的误诊和漏诊也要优于经验丰富的内镜医师。但人工智能对于正常胃黏膜病例的识别的漏诊要高于内镜医师,且其对于良、恶性胃溃疡病例识别的漏诊和误诊也均要高于其对胃正常黏膜病例的识别,还需要进一步的完善,以优化人工智能对良、恶性胃溃疡病例的识别能力。

高血压合并冠心病患者采用氨氯地平阿托伐他汀钙片进行治疗的临床效果

总结高血压疾病以及冠心病发病等情况,研究如何治疗预后效果更好,以提高患者的安全性。方法:选择我院于2019-2020年期间收治病历,从中选取了符合诊断标准的高血压并冠心病患者(n=100)。进行患者分组治疗,均进行药物干预。对照组50例患者、采取氨氯地平治疗,观察组50例患者、采取氨氯地平阿托伐他汀钙片治疗。两组合并症患者均顺利完成治疗,分析治疗后情况,例如心绞痛发作、血压、血脂情况。另外,统计学分析两组合并症患者的治疗效果与相关不良反应。结果:治疗前,分析了患者的心绞痛症状、血压、血脂,各项指标对比非常均衡,P>0.05。顺利完成治疗后,两组合并症患者症状体征改善,其中,与对照组患者比较,观察组的心绞痛发作次数减少以及时间缩短的情况更为明显,且血压、血脂水平降低幅度更大,高密度脂蛋白胆固醇升高幅度更大,P<0.05。另外,对两组患者治疗后效果与安全性分析,观察组疗效理想,均存在不良反应情况,观察组安全性高,P<0.05。结论:氨氯地平阿托伐他汀钙片治疗后,助于稳定患者的血压与血脂,促进患者症状改善。另外,患者顺利完成治疗,且安全性理想。