目的 为了实时监测医疗器械设备异常状态,以便及时预警和应对设备异常情况,确保医疗器械的安全运行,提出基于自编码器的医疗器械设备异常状态预警方法.方法 以某医院2022年8月起因故障停用的10台心电图监护仪为研究对象,使用数据恢复设备连接到心电图监护仪的内部存储器,恢复和提取器械因故停用点的前1 min的全部特征数据,具体包括:信号质量和设备状态.利用多元状态估计技术构建医疗器械设备健康状态评估模型,通过对比各参数的贡献率,确定引发设备异常的关键参数.基于这些关键参数构建自编码器预警模型,将异常状态参数输入模型进行归一化处理,并计算参数误差平均值与基准值的偏差.当误差平均值偏离基准值超过60％时,触发预警机制.结果 经过实验,该方法可以在3 s内准确检测出198个异常样本,证实了该预警方法能够在短时间内准确检测出异常样本.同时,为进一步分析该医疗器械设备的具体故障原因,运用3种方法分别对设备各个故障原因进行识别与定位,以贡献率为衡量标准,并与实际贡献率进行对比分析,该方法贡献率与实际贡献率数值较为接近,可以全面预测引起医疗器械设备异常情况.结论 基于自编码器的医疗器械设备异常状态的预警方法具有高度的精确性和先导性,为实时监测和预警医疗器械设备异常状态提供了有效的技术手段,有助于提升医疗器械的安全性和可靠性.

心血管植入型电子器械（CIED）主要用于心动过缓、心动过速和心力衰竭的诊断、监测和治疗。对已接受CIED治疗的患者进行定期随访是CIED治疗过程中的重要环节。通过随访可了解CIED治疗的效果，及时发现和处理手术及CIED本身可能出现的并发症及故障，了解CIED是否处于最佳工作状态，使患者得到最优治疗获益。因患者植入CIED类型不同，其随访目的、频度、方式和内容均有所不同。随访方式包括诊室随访和远程随访，但远程随访的患者，仍建议每年至少1次诊室随访。常规起搏器患者建议选择合适的起搏方式并优化参数，以满足患者不同的需求。植入型心律转复除颤器（ICD）患者，建议程控合适的心动过速识别参数和治疗参数，以减少ICD电击治疗。对于心脏再同步治疗（CRT）患者，则需要优化再同步参数，保证高比例的再同步起搏，以提高CRT反应性。希氏-浦肯野系统（希浦系统）起搏参与的CIED患者的随访和程控，需要专门人员经过培训合格后方能胜任。而对于植入型心电事件记录仪（ICM）患者的随访，建议设置合理的感知和监测参数，并根据随访检出事件结果来决定其后续的诊疗措施。所有开展CIED治疗的医院均应建立规范的CIED资料的登记和管理制度。

目的:深入研究急性职业中毒事故的发生原因，为事故的事前预防提供科学依据和决策支持。方法:于2022年9月至2023年5月，查找文献并收集2013至2022年发生的232例急性职业中毒事故案例，结合专家评分确定事故致因节点。采用解释结构模型（ISM）构建致因节点之间的关联性模型，获得因素之间的层级关系，结合贝叶斯网络（BN）研究各致因节点对急性职业中毒事故发生的影响。通过Netica 5.18软件分析各致因节点之间的关系和影响，建立急性职业中毒事故的事前预防模型，识别关键致因因素。结果:纳入重大、较大、一般急性职业中毒事故分别为23、203、6例，其中，窒息性气体、刺激性气体和混合性气体分别为179、29、24例。急性职业中毒事故的ISM将致因因素划分为一个7层3阶的多层递阶结构模型，其中操作情况、防护措施、通风设备、隐患排查、应急管理、违章操作、设备设施和盲目施救情况是导致事故发生与扩大的直接影响因素；警示装置、检测情况、安全教育情况、安全操作规程、生产工艺技术是间接影响因素；安全生产责任制度、企业监督管理及政府部门监管情况为深层根源影响因素。BN推理可见，急性职业中毒事故的最大概率致因链为安全生产责任制度→企业监督管理→安全教育培训→防护措施→事故发生。导致急性职业中毒事故发生的关键因素为防护措施不到位、设备设施故障、操作失误、通风设备未正常使用和应急管理不当。结论:在对急性职业中毒事故的预防中，要从正确使用防护措施、作业前检测设备设施、按规程进行作业操作、确保通风设备正常使用、强化应急管理等方面入手，从而降低急性职业中毒事故的发生率。

强化医保基金监管是促进医疗保障制度健康持续发展的重要举措。2022年1月，北京某三甲综合医院开展了医保基金使用风险识别与防控实践，通过运用故障树分析和风险矩阵等方法，量化评估事件发生可能性和金额影响度，识别医保基金使用过程中的高风险事件，并制定相应的风险防控措施，依托智能化监管系统进行防控。2022年1—11月由超药品说明书适应证、超医保适应证和超年龄限制高风险事件造成的医院门诊医保拒付金额(20 080元)较2021年同期(11 585元)下降了42.30%，医保患者出院结账时间从3个工作日降至1个工作日。该实践有效提升了医院医保基金的监管质量和效率，改善了患者就医体验，为加强医疗机构安全规范使用医保基金提供参考。

目的:基于Kolb经验学习理论联合加速康复外科（enhanced recovery after surgery，ERAS）理念构建机器人手术护理培训模式，并探讨其应用效果。方法:于2019年2月—2020年2月采用"问卷星"软件调查浙江省人民医院25名手术室护士的机器人手术护理培训需求，根据培训需求采用Kolb经验学习理论和ERAS理念进行培训。比较培训前后手术室护士的理论考核得分、护理操作完成时间及临床实践综合能力的差异。结果:25名护士培训后的ERAS相关理论知识得分为（45.16±2.03）分，高于培训前的（27.44±2.86）分，差异有统计学意义（ t=25.249， P<0.01）；培训后25名护士的机器人手术专科知识中的术中故障识别处理理论考核得分为（18.48±0.65）分，高于培训前的（15.12±1.51）分，差异有统计学意义（ t=10.218， P<0.01）；培训后的护理操作完成时间中的间歇充气加压装置安置与调节完成时间为（2.56±0.91）min，短于培训前的（4.34±1.30）min，差异有统计学意义（ t=5.605， P<0.01）；培训后术中每次故障识别及处理时间为（1.16±0.51）min，短于培训前的（3.46±1.41）min，差异有统计学意义（ t=7.644， P<0.01）；培训后临床实践能力得分为（73.36±1.58）分，高于培训前的（66.48±2.06）分，差异有统计学意义（ t=13.241， P<0.01）。 结论:Kolb经验学习理论联合ERAS理念培训能提高手术室护士的机器人手术配合技能，值得在临床推广应用。

目的:构建故障管理方法(V-SHEL)风险管理控制模型,探讨其在影像设备管理中的应用效果.方法:基于影像设备风险评估、影像设备管理和影像设备安全风险因素构建V-SHEL风险管控模型,对影像设备进行风险识别和管理控制.选取2021-2022年天津中医药研究所附属医院临床在用的20台影像设备,2021年1-12月设备使用期间采取常规风险管理模式(简称常规管理),2022年1-12月设备使用期间采用基于V-SHEL风险管控模型的风险管控模式(简称V-SHEL模型管理),两种管理模式的影像设备分别进行120次巡视检查,对比其风险事件发生情况、设备工作质量评分、设备使用满意度以及设备风险事件应急管理用时.结果:120次检查V-SHEL模型管理的器械损坏4次、记录缺失4次和关联感染5次,发生率分别为3.33%、3.33%和4.17%,均低于常规管理模式,差异有统计学意义(x2=11.852、12.904、11.042,P＜0.05);采用V-SHEL模型的设备管理、运行状态、器械清洗和包装质量平均评分分别为(90.65±6.25)分、(92.14±5.36)分、(90.14±3.45)分和(94.57±4.36)分,均高于常规管理模式,差异有统计学意义(t=8.382、8.446、12.654、14.443,P＜0.05);影像设备操作人员对采用V-SHEL模型管理的设备整洁度、设备规范度、设备运行性能和设备维修及时性平均评分分别为(22.36±2.12)分、(21.69±2.37)分、(22.54±1.87)分和(21.59±2.03)分,均高于常规管理模式,差异有统计学意义(t=14.689、10.481、9.883、10.163,P＜0.05);采用V-SHEL模型管理的设备用电安全、诊疗安全、生物安全和辐射安全风险事件应急管理用时分别为(2.01±0.69)h、(2.03±0.868)h、(3.02±0.96)h和(2.39±0.96)h,均少于常规管理模式,差异有统计学意义(t=16.394、14.894、15.692、16.519,P＜0.05).结论:V-SHEL风险管控模型管理影像设备,可进行设备风险识别,减少影像设备故障发生频率,提高设备使用效能,提升操作人员满意度.

目的:为有效识别防疫物资生产设备的工况,提出一种基于改进K-SVM的防疫物资生产设备健康度识别方法.方法:首先,通过K-means算法过滤掉部分不利于支持向量机(support vector machine,SVM)分类器样本训练的数据;其次,利用K-means算法及特征提取算法获取新的SVM分类器训练样本,并依据此样本训练SVM分类器;最后,利用训练好的SVM分类器对初始样本进行分类从而得到最终的预测结果.为验证改进K-SVM算法对设备健康度的识别性能,将该算法与SVM算法、未改进K-SVM算法、XGBoost算法进行对比实验.结果:改进K-SVM算法能较为准确地识别设备故障点,识别准确率为89.79％,优于SVM算法、未改进K-SVM算法和XGBoost算法.结论:提出的改进K-SVM算法能够较好地识别防疫物资生产设备健康度,对保证防疫物资生产设备的工作效率具有重要意义.

目的 在影像归档和通信系统(Picture Archiving and Communication System,PACS)数据库文件丢失或损坏后,实现影像资料和PDF报告关键信息的快速识别和重组,供患者回诊使用.方法 利用基于深度学习的光学字符识别技术和Pydicom技术分别读取PDF和DCOM文件中的基本信息,重新建立起患者、影像、报告三者之间的联系,并将关联数据写入数据库.结果 经抽样验证,该方法识别同类图像精度的准确度、精准度及召回率均为100%,综合指标F1值为1,在不同组别独立样本间的识别精度表现出一致性.平均每份报告识别时间约为0.14 s(t=-1.005,P=0.315),说明不同组别独立样本间的识别时间表现出一致性.结论 该方法的使用能有效缩短数据库故障后患者等待时长,能够在短时间内恢复医疗秩序,可用于PACS数据库数据丢失后的应急处置,也为PACS的数据整合提供依据,为医学影像数据恢复和数据整合提供一种新思路.

目的:基于粒子群优化(PSO)算法构建设备风险管理模型,探讨其在急诊科心电监护设备管理中的应用价值.方法:采用PSO算法优化神经网络模型构建心电监护设备风险管理模型,收集北京市普仁医院心电监护设备运行风险数据进行归一化处理,并将2021年11月至2023年10月北京市普仁医院急诊科在用的30台心电监护设备,按照设备管理模式不同对其分别采用反向传播(BP)神经网络模型(简称传统BP模式,设备运行时段为2021年11月至2022年10月)和PSO算法的设备风险管理模型(简称PSO算法模式,设备运行时段为2022年11月至2023年10月)进行管理,比较两种管理模型设备风险故障识别效果(测试集与训练集)、警报风险控制效果和设备故障维修诊断用时.结果:采用PSO算法的测试集风险故障数据识别受试者工作特征(ROC)曲线下面积(AUC)值、准确率、灵敏度和特异度分别为0.869、93.6%、92.8%和95.1%,训练集风险故障数据识别AUC值、准确率、灵敏度和特异度分别为0.839、95.6%、97.9%和96.7%,均高于传统BP模式,差异有统计学意义(x2测试=3.691、4.023、3.557、3.409,x2训练=6.884、5.962、5.334、3.215;P＜0.05).采用PSO算法的心电监护设备警报阈值合格率和设备维护平均合格率分别为(98.61±3.07)%和(98.79±3.11)%,均高于传统BP模式,警报静音率为(1.14±0.27)%,低于传统BP模式,差异均有统计学意义(Z=11.831、10.020、21.141,P＜0.05).采用PSO算法的心电监护设备内部报修用时、外部报修用时、故障诊断用时和报修总用时分别为(1.21±0.96)、(3.18±1.09)、(5.08±1.93)和(10.95±2.81)min,均少于传统BP模式,差异有统计学意义(t=15.404、19.020、16.694、25.511,P＜0.05).结论:基于PSO算法构建的心电监护设备风险管理模型应用,能够提高心电监护设备风险故障数据识别灵敏度、特异度和准确性,提升警报阈值合格率和设备维护合格率,降低警报静音率,缩短故障诊断报修用时.

目的:基于动态贝叶斯网络(DBN)构建风险识别模型,探讨其在医院骨科设备运行管理中的应用价值.方法:基于DBN模型识别骨科设备管理中的风险因素,建立风险评价指标集,对可能出现的风险因素进行预警和防范.选取2020年1月至2022年2月空军军医大学第二附属医院临床在用的12台骨科医疗设备,分别采用传统骨科设备质量运行管理方法(简称传统管理模式)和基于DBN的风险识别模型进行设备管理(简称DBN管理模式),比较两种管理模式的设备运行效果、风险发生率和治疗有效率.结果:采用DBN管理模式的设备开机运转效率和设备质量合格率分别为(93.54±4.05)%和(97.51±6.68)%,均高于传统管理模式,故障处理时长和设备零部件损坏率分别为(7.14±1.64)h和(0.48±0.11)%,均少于传统管理模式,其差异有统计学意义(t=8.862、8.228、32.994、73.047,P＜0.05);采用DBN管理模式的479份设备使用资料、897例手术、300例设备消毒记录和500份设备日常检查记录中设备功能故障率、零部件破损率、清洁消毒不合格率和设备管理不当发生率分别为0.21%(1/479)、0.33%(3/897)、1.33%(4/300)和2.0%(10/500),均低于传统管理模式,其差异有统计学意义(x2=21.527、12.964、3.485、6.914,P＜0.05);采用DBN管理模式的500例骨科医疗设备治疗有效率为97.8%(489/500),显著高于传统管理模式,其差异有统计学意义(x2=12.617,P＜0.05).结论:基于DBN的风险识别模型应用于医院骨科医疗设备管理,能够加强骨科设备管理质量,提升设备运行和治疗有效率,预防和规避设备风险.