目的 分析应用平板电脑APP的认知训练对精神分裂症患者的康复效果.方法 选取我院于2020年10月～2022年10月期间收治的90例精神分裂症患者作为研究对象,以随机数字表法分组.两组均给予常规治疗,对照组45例给予健康教育,实验组45例增加基于平板电脑APP的认知训练.对比两组精神障碍严重程度、认知功能、生活质量.结果 实验组一般精神病理症状、阴性症状、阳性症状分值均低于对照组(P＜0.05);实验组定向力、记忆力、注意力和计算力、回忆能力、语言能力分值均高于对照组(P＜0.05);实验组社会功能、认知功能、角色功能、躯体功能分值均高于对照组(P＜0.05).结论 基于平板电脑APP的认知训练能够有效减轻精神分裂症患者临床症状,改善认知功能及生活质量.

目的 探究腕踝针配合头针治疗在脑卒中偏瘫患者中的临床疗效.方法 选取2020年8月至2023年8月安徽中医药大学附属淮北中医院收治的114例脑卒中偏瘫患者为研究对象,随机数字表法分为3组,A组(n=38)进行常规的康复训练,B组(n=38)在A组基础上联合腕踝针治疗,C组(n=38)在A组基础上联合头针与腕踝针治疗.记录3组患者治疗3个月后的临床疗效,比较治疗前及治疗3个月后的中医证候积分、肌力恢复情况、运动功能[Fugl-Meyer运动量表(FMA)]、步行能力(Holden步行功能分级)和生活质量(Barthel指数).结果 治疗3个月后,C组患者临床疗效高于A组和B组(P<0.05);3组患者中医证候积分均降低,且C组低于A组及B组(P<0.05);3组患者肌力、FMA、Holden、日常生活活动能力(ADL)评分均升高,且C组患者高于A组及B组(P<0.05).结论 对脑卒中偏瘫患者实施头针联合腕踝针的治疗方式疗效确切,能促进患者肌力恢复,改善其生活质量.

目的 探讨脑血管疾病患者实行认知行为干预和运动疗法的临床效果.方法 病历资料选取于2021年1月～2023年1月区间,入选对象为医院收治的脑血管疾病患者,共计入选90例,"简单随机化方法"原则做1:1分组各45例,划分为对照组(实行常规治疗和康复训练)与观察组(同时开展认知行为干预和运动疗法);观察对比两组焦虑抑郁程度、心理弹性、神经功能缺损程度和生活能力.结果 干预后,两组焦虑自评量表(Self-Rating Anxiety Scale,SAS)、抑郁自评量表(Self-rating depression scale,SDS)评分均降低,且观察组较对照组更低(P＜0.05);干预后,两组心理弹性量表(Connor Davidson-Resilience scale,CD-RISC)评分呈不同程度升幅,且观察组升幅更显著(P＜0.05);经干预后,两组巴氏指数(Barthel Index,BI)评分均显著升高,美国国立卫生研究院卒中量表(the National Institutes of Health Stroke Scale,NIHSS)评分均明显下降,且观察组更优(P＜0.05).结论 脑血管疾病患者辅助开展认知行为干预联合运动疗法,一方面发挥减轻焦虑抑郁、维持健康心理状态的积极作用,另一方面有利于患者神经功能恢复及提高肢体功能.

目的 用现有药代动力学(PK)药物相互作用(DDI)信息的数据库,构建出可用于预测AUC倍数变化(FC)的机器学习模型,用于探究对现有DDI预测的可能,为临床用药提供一定的合理建议.方法 从美国食品药品监督管理局(FDA)认证的药品标签中提取DDI的PK数据和AUC倍数变化的数据.通过DrugBank检索出DDI有关的多肽和药效学(PD)信息,用蛋白质资源(UniProt)对相关多肽ID进行药物类型(PPDT)标识,用矩阵归一化的代码生成便于分析的多维向量数据.PPDT对AUC的影响和所产生的倍数变化作为因变量,进行机器学习模型构建.用均方根误差(RMES)值最小的模型进行模型构建,训练出袋装决策树(Bagged)预测模型.利用训练好的模型对部分药物检验,检测模型的预测性别.通过查阅现有的有关检测DDI对的文献研究结果,对预测值进行分析比较,对模型进行评价.结果 检验模型药物对共16对,分别为16种药物对他克莫司的影响,发现对DDI的有无预测准确率为81.25％;预测结果根据FDA标准分类强弱,结果表明,DDI强弱预测,偏离较大的预测较少.结论 模型预测DDI的有无评价一般;但对DDI的强弱分类后,对DDI的预测结果较好,预测结果说明模型预测性能对于在临床试验之前进行潜在的DDI评估具有一定的参考价值.

步态稳健是老年人保持日常基本身体活动的基础,全身振动训练可以帮助改善老年人步态问题.全身振动训练通过多方面机制来改善老年人步态,包括改善肌力下降和肌少症、改善骨质疏松症、提高平衡能力、增强姿势控制、缓解慢性病患者的步态后遗症等方面,本文旨在探讨全身振动训练在改善老年人步态研究中的应用效果,为临床工作者运用新型锻炼方法促进老年人身体健康提供思路.

热射病是由于机体暴露于高温高湿环境中,大量热量蓄积,从而出现全身多器官功能障碍的严重致命性疾病.热射病分为经典型热射病和劳力型热射病[1](Exertional heat stroke,EHS).其中EHS是夏季常见的突发公共卫生事件[2],多见于部队训练人员、运动员等.笔者所在科室于2022年5月成功处置了一起由业余马拉松赛事导致的群体EHS事件.现将临床特征及救治过程进行回顾性分析,以提高群体EHS的诊治水平.本研究经福建省立医院伦理委员会审查,符合伦理要求(伦理审查编号:K2023-03-045).

目的 利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素.方法 回顾性收集2020年7-12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因素变量筛选,合成少数过采样技术-标称连续处理数据不平衡,数据集按8∶2的比例分为训练集与测试集,网格搜索10折交叉验证构建轻量梯度提升机(light gradient boosting machine,LightGBM)、支持向量机(support vector machine,SVM)模型,并与逻辑回归(logistic regression,LR)模型进行比较,基于ROC的AUC、校准曲线分别评价模型的区分度与校准度,性能最好的模型通过Shapley加性解释(Shapley additive explanation,SHAP)模型对预测结果进行解读.结果 本研究共纳入520例MIS患者,2年内复发93例(17.9％),测试集中LightGBM、SVM、LR预测患者2年内复发的AUC分别为0.935(95％CI 0.896～0.973)、0.833(95％CI 0.770～0.896)、0.764(95％CI 0.691～0.835),准确度分别为0.890、0.773、0.693,布里尔分数分别为0.105、0.167、0.200.结果 显示LightGBM模型性能最优,基于SHAP的LightGBM可解释模型重要性前5的是舒张压、年龄、糖尿病、LDL-C、吸烟.结论 本研究建立的LightGBM模型预测效果良好,可为MIS患者2年内复发的预测提供借鉴.通过SHAP可解释性帮助临床医师更好地理解预测模型结果背后的原因,对MIS患者做出更个性化与合理化的临床决策.

目的:采用Lasso-Logistic回归分析肝癌患者术后营养不良的影响因素,并进行列线图预测模型构建,为肝癌患者术后营养状况调整提供参考.方法:选取2021年1月至2023年6月本院收治的460例肝癌手术患者,按照7:3分为训练队列和验证队列,根据患者主观整体评定量表评判患者术后营养状态,分为营养正常组和营养不良组,采用Lasso-Logistic回归分析其影响因素并构建列线图预测模型.结果:训练队列与验证队列一般临床资料比较差异均无统计学意义(P＞0.05).Lasso-Logistic回归分析显示,年龄、术前体质量指数(BMI)、术前营养风险筛查评分(NRS2002)、贫血、糖尿病、肿瘤分期、白蛋白(ALB)、胰高血糖素样肽-1(GLP-1)、总胆汁酸(TBA)、甘胆酸(CG)均是训练队列中肝癌患者术后营养不良的独立影响因素(P＜0.05).ROC曲线显示,肝癌患者术后营养不良的列线图预测模型在训练队列、验证队列中预测的曲线下面积分别为0.873、0.902;校准曲线显示,该列线图模型在训练队列、验证队列中预测肝癌患者术后营养不良风险与实际风险状况基本一致.结论:构建的列线图模型对肝癌患者术后营养不良预测价值较高,且有良好预测效用,但需要进一步的验证评估.

目的 总结肩袖损伤术后康复护理的最佳证据,为临床实施相关干预提供参考.方法 检索肩袖损伤术后康复护理相关文献,采用JBI循证卫生保健中心的文献评价标准和证据分级系统进行质量评价和证据级别评定.检索时限为2013年1月至2023年12月.结果 最终纳入10篇文献,包括4篇指南、3篇专家共识、3篇系统评价.提取归纳肩袖损伤术后康复护理相关证据共34条,汇总9个主题,分别为康复目的、制定康复计划、康复原则、支具固定、运动时间及内容、运动频率,运动监督、疼痛控制、健康教育.结论 总结的最佳证据可为临床医护人员实施肩袖损伤术后康复护理提供指引,在证据转化和应用过程中应结合临床情境,充分评估每条证据的适宜性和可行性.

目的 通过机器学习方法对流行性感冒临床证候学资料进行训练,获得流感辨证模型.方法 收集2019年12月-2022年3月就诊于中日友好医院发热门诊的流行性感冒患者病历资料,使用数据采集系统进行数据处理,将不同数据处理过程产生的数据分别存储,以逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM和随机森林为备选模型,通过Optuna进行超参数优化选择,并在各数据集中分别训练模型,以macro-F1评分为核心指标,对模型的预测性能进行评价.结果 整理得到训练样本1 011个,其中风热犯卫证453个、风寒束表证152个、表寒里热证406个;得到用于训练的数据集8个,包含数据80份.经训练,逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM、随机森林模型的macro-F1评分分别为0.783 0、0.774 2、0.731 5、0.782 4、0.716 7、0.793 8、0.815 3.加权样本能显著提高平均模型性能,而主成分分析降维会降低平均模型性能.单一模型中,逻辑回归模型预测性能最佳;集成方法模型中,随机森林模型预测性能最佳.结论 在样本量较小的情况下,流行性感冒中医辨证模型使用逻辑回归、决策树、支持向量机和lightGBM较为适宜,随着样本量增加,逻辑回归、支持向量机、lightGBM和随机森林可能更为合适.不同数据处理方式会影响模型性能,对证型典型程度信息的采集有利于提高模型性能.