目的 探讨高龄住院老年患者产超广谱β-内酰胺酶(ESBL)大肠埃希菌定植的影响因素并构建预测模型.方法 选取2022年8月—2023年11月长治市人民医院收治的140例高龄患者划分至建模队列,另选取同期本院收治的63例高龄患者为验证队列,将建模队列中检出产ESBL大肠埃希菌定植的患者划分至暴露组,未检出产ESBL大肠埃希菌定植的患者划分至非暴露组,收集两组基线数据、抗菌药物使用情况、合并症情况,对存在差异的指标行多因素logistic回归分析,将多因素logistic回归分析结果构建列线图模型,通过C指数评定列线图辨识度,同时采取ROC曲线对内部验证结果进行评估,绘制ROC曲线评价预测模型的价值,构建校准曲线与决策曲线.结果 建模队列与验证队列的基线数据比较,差异均无统计学意义(P＞0.05).建模队列中,35例检出产ESBL大肠埃希菌定植者为暴露组,105例未检出者为非暴露组,两组的第三代头孢菌素使用、尿管留置、胃管留置、联用抗生素及住院时间比较,差异均有统计学意义(P＜0.05).多因素logistic回归分析结果显示:第三代头孢菌素使用、尿管留置、胃管留置、联用抗生素及住院时间是影响产ESBL大肠埃希菌定植的独立危险因素(P＜0.05).用验证队列对构建的预测模型进行内部验证,结果显示在建模队列和验证队列中模型均表现出较高的区分度和校准度,Hosmer-Lemeshow检验显示验证队列和建模队列预测概率与实际概率差异均无统计学意义(P＞0.05).以多因素logistic回归分析结果建立的列线图预测模型,经验证队列验证,ROC曲线显示AUC为0.917(95％CI:0.861～0.973),表明预测模型准确性较高.结论 第三代头孢菌素使用、住院时间、尿管留置、胃管留置及联用抗生素均为患者产ESBL大肠埃希菌定植的重要影响因素,以此为基础构建的列线图模型具有较高的临床价值.

由于胃系膜在胚胎发育过程中出现复杂的旋转、折叠和融合，手术中通常难以辨识。如何正确认识胃系膜的边界与范围，精准进入膜解剖层面，完成胃系膜的完整切除，是胃癌膜解剖手术的难点。本中心多年来在龚建平膜解剖理论的基础上结合日本Shinohara的筋膜解剖理论，提出膜解剖“精准手术理念”，并应用于胃癌临床实践中，在保证D 2根治的前提下实行分区完整胃系膜精准切除术，现以腹腔镜下膜解剖胃癌D 2+完整系膜切除（CME）根治术为例，总结如下。见视频1。

目的:整合老年女性尿失禁非药物干预的最佳证据，并形成实践建议。方法:本研究为系统综述，以“老年女性”“尿失禁”“膀胱训练”“盆底肌训练”“elderly woman”“urinary incontinence”“enuresis”“leakage of urine”等为检索词，根据6S证据资源金字塔模型循序逐层检索BMJ最佳临床实践、UpToDate、世界卫生组织、国际指南协作网、英国国家卫生与保健优化研究所、中华医学会、苏格兰院际指南网、加拿大安大略注册护士协会网、Cochrane图书馆、JBI循证卫生保健中心数据库、新西兰指南工作组、波兰妇产科医师学会、PubMed、Embase、Medline、Web of Science、中国生物医学文献服务系统、中国知网、万方等数据库中的所有证据，包括循证知识库资源、临床实践指南、专家共识、系统综述等。检索时间为2017年1月1日至2022年5月1日，数据整理时间为2022年5月2至25日。由2名研究者根据AGREE Ⅱ和JBI循证卫生保健中心的评价工具独立进行文献质量评价和资料提取，使用JBI循证卫生保健中心的证据预分级系统和证据推荐级别系统对证据等级进行划分，在JBI的证据结构指导下结合研究组讨论及专家意见确定证据推荐强度并进行最佳证据的提取和汇总，形成实践建议。结果:共纳入文献9篇，其中指南7篇、系统评价2篇；指南6篇质量等级为A，1篇质量等级为B；系统评价2篇质量等级均为A，84%（27/32）的条目评价结果为“是”。证据总结汇总“整体建议、尿失禁类型与程度评估、生活方式改变、行为疗法、促发因素防范、特殊人群干预”6个维度34条最佳证据，针对筛查、评估、特殊症状、生活方式及行为疗法梳理了流程图，形成了实践建议。结论:老年女性尿失禁非药物干预文献总体质量较高，证据级别较高；尽早辨识尿失禁类型并评估严重程度，改变生活方式，避免诱发因素，采取行为疗法，是尿失禁非药物治疗的关键。

目的:探讨时序预测模型中的差分自回归滑动平均(ARIMA)和自回归(AR)模型在预测广州市急救调度日出车数量方面的价值。方法:采用Matlab仿真软件对广州市2021年1月1日至2021年12月31日的急救调度出车记录分析计算日出车数量时间序列，对该序列进行时序预测模型辨识，得到ARIMA(1,1,1)、AR(4)以及AR(7)模型，利用这些模型对日出车数量做出预测拟合。ARIMA(1,1,1)模型将数据分为训练集和测试集，参数运算采用Prony方法，预测拟合未来的出车数量；AR(4)和AR(7)模型采用均匀系数，预测当天出车数量。结果:ARIMA(1,1,1)、AR(4)以及AR(7)都可以实现对日出车数量的有效预测，ARIMA(1,1,1)的预测拟合误差随着预测时间的延长下降。两个月内的急救调度日出车量预测拟合平均绝对百分比误差（MAPE）低于6%，结果基本都位于95%置信区间内，利用模型的残差分析验证了模型显著有效。结论:ARIMA模型可以对两个月内的急救调度日出车量做长期预测拟合，AR模型可以对急救调度日出车量做短期有效预测。

目的:探索深度学习技术识别喉返神经（recurrent laryngeal nerve，RLN）在经胸乳入路腔镜甲状腺手术（endoscopic thyroidectomy，ETE）中的应用价值。方法:收集2020年2月至2021年8月北京协和医院基本外科进行的经胸乳入路ETE视频。经2名甲状腺医师的筛选后，符合条件的手术视频根据一位高年资医师的意见分为低辨识度及高辨识度组，经过抽帧、标注、审核与校对后，按照随机数方法以5:1的比例分为训练集及测试集，统一输送至D-Linknet模型进行训练。根据交并比计算测试集中的灵敏度、精确率及平均Dice系数。结果:46个视频共153 520帧图片纳入了本研究。其中训练集共39个视频131 039帧，测试集共计7个视频22 481帧。交并比阈值为0.1及0.5时，高辨识度组中灵敏度及精确率分别为92.9%/72.8%及85.8%/67.2%，而在低辨识度组中则分别为47.6%/54.9%及37.6%/43.5%，平均Dice系数在两组中分别为0.781及0.663，证实了该模型对RLN具有较好的识别能力。结论:基于深度学习的人工智能RLN识别在经胸乳入路ETE视频中可行，有可能帮助外科医生降低手术中误损伤风险，提高手术安全性。

目的 基于掩膜区域的卷积神经网络(Mask R-CNN)算法,在裂纹舌识别与提取的基础上探索裂纹舌严重程度的客观评价方法.方法 从中国中医科学院西苑医院收集200例裂纹舌与200例非裂纹舌的舌象图片,建立基于神经网络的裂纹舌识别模型,以准确率、精确率、召回率对模型裂纹舌识别效果进行评价.由3名中医专业主任医师对200张裂纹舌图片按照轻度裂纹、中度裂纹、重度裂纹进行严重程度分级标注,通过裂纹识别模型进行裂纹舌的识别与特征提取,选择裂纹面积比(x)、裂纹方向(z)、裂纹条数(n)、主裂纹长度(l)作为裂纹评价指标,以医生标注结果作为分级标准,根据分级结果对各指标进行权重赋值,裂纹严重程度综合权重计算公式:W=(∑wi)/4(i=x,z,n,l),计算裂纹多维度指标的分布区间,评价裂纹的严重程度.结果 模型识别裂纹舌,准确率为0.945,精确率为0.949,召回率为0.940.舌裂纹的严重程度评价结果:W∈[1,3]为轻度裂纹,W∈(3,6]为中度裂纹,W∈(6,10]为重度裂纹.经验证,裂纹舌总体评价准确率为88.3％,其中轻度裂纹的评价准确率为88.9％,中度裂纹的评价准确率为91.7％,重度裂纹评价准确率为83.3％.结论 选择裂纹面积比、裂纹方向、裂纹条数、主裂纹长度作为评价裂纹舌严重程度的指标,可较好地完成辨识任务,实现舌象裂纹程度的定量化评价.

目的 比较蓝激光放大内镜成像技术(BLI)和联动成像技术(LCI)对早期胃癌和胃其他病变(如萎缩性胃炎、非萎缩性胃炎、息肉等)的诊断价值分析.方法 选取收治的早期胃癌患者和胃其他病变患者142例为研究对象.分别对所有患者进行传统白光内镜、蓝激光内镜和联动成像技术检查,白光内镜下的早期胃癌患者记为研究组,胃其他病变患者记为对照组.比较两组患者通过蓝激光内镜及联动成像技术对胃内病变的辨识度准确性,并通过金标准病理证实.结果 蓝激光成像技术诊断早期胃癌的符合率为93.66％,联动成像技术诊断早期胃癌的符合率为94.77％,两者无统计学差异;研究组内镜下通过VS分型判断为早期胃癌的病理准确率达72.55％;对照组通过VS分型诊断为胃其他病变,准确率可达96.70％,差异有统计学意义(P＜0.05).两种方法与金标准进行一致性检验,Kappa值分别为0.842,0.861,P均＜0.05,蓝激光内镜成像技术对胃早期癌检出率为94.59％,较联动成像技术(97.30％)低,两种诊断方式比较差异无统计学意义(P＞0.05).结论 蓝激光内镜和联动成像技术对早期胃癌及其他病变的诊断效果显著,与病理学金标准诊断一致性极好,并对分化程度及病变性质进行判断,为临床治疗提供依据,值得应用和推广.

目的 尝试通过自动化分析舌象图像,填补传统中医体质辨识方法的不足之处,推动体质辨识的现代化和智能化.方法 通过使用体质调查问卷和DS01-A型舌诊仪采集受试者体质信息和舌象信息,最终纳入阳虚质舌象260张,阴虚质舌象114张.在训练阳虚质与阴虚质舌象分类模型之前,进行了数据增强和舌体分割.采用了 U-net网络来分割舌象图像.分类模型是基于ResNet-34网络结构进行训练,并使用了交叉熵损失和Dice损失进行优化.结果 在模型评价方面,研究使用精度、损失函数、召回率、F1分数等指标进行性能评估.实验结果显示,ResNet-34模型在验证集中达到了 88％的精度,并且在训练数据上表现良好.与其他模型(ResNet-18、ResNet-50和RegNet)相比,ResNet-34模型表现最佳.结论 使用深度学习方法可以有效地识别阳虚质和阴虚质的舌象特征,为中医体质现代化和智能化分类提供了新的可能性.

目的 通过卷积神经网络对冠心病痰湿证的舌象进行分类识别,提高冠心病痰湿证舌象识别准确率.方法 选取2020年10月至2022年8月在内蒙古自治区乌兰浩特市妇幼保健院、陕西中医药大学第二附属医院等地采集到的200例冠心病患者,其中痰湿证组、非痰湿证组各100例,运用ConvNeXt模型、朴素贝叶斯网络、K近邻模型、决策树算法、支持向量机模型进行舌象分类辨识.结果 不同模型的舌象分类平均准确度均在50％以上,ConvNeXt模型的平均准确度最高为89.44％;ConvNeXt模型验证集中痰湿证和非痰湿证2个类别的平均准确度、精确率、F1值和召回率均接近90％.结论 使用ConvNeXt模型进行舌象分类识别,能够较为准确地从舌诊上区分冠心病痰湿证与非痰湿证,客观化的人工智能识别技术,可以辅助冠心病痰湿证的临床诊断,有助于中医舌诊客观化研究的发展.

目的:运用经络知热感度测定法测量十二正经原穴在各证型失眠患者中的热敏状态及经络虚实变化,探究原穴在失眠证型辨识中的应用.方法:对符合原发性失眠标准的72例患者进行中医辨证分型,运用经络知热感度测定法测定其十二经原穴的测量值、中位数、热敏系数及不均衡点出现率,归纳总结其阳性穴位点,探究不同证型经络虚实的改变情况.结果:本研究纳入的失眠患者中证型分布以心脾两虚为主,肝火扰心次之.测量值方面,心脾两虚证与肝火扰心证患者的原穴在合谷、神门、大陵、太溪、京骨及冲阳穴差异有统计学意义(P＜0.05),心脾两虚型测量值的平均水平均高于肝火扰心型;热敏系数方面,两组的热敏系数在合谷、神门、大陵、太溪、太冲及冲阳穴差异有统计学意义(P＜0.05),心脾两虚证失眠患者合谷、神门、大陵、太溪及冲阳穴热敏系数的平均水平高于肝火扰心证,肝火扰心证失眠患者在太冲穴的热敏系数高于心脾两虚证;不均衡点出现率方面,两证型在腕骨、阳池、神门及冲阳穴的不均衡穴点出现率差异存在统计学意义(P＜0.05);在经络的虚实改变上,心脾两虚证经络改变以虚寒为主,肝火扰心证以实热为主.结论:原穴的热敏状态可为探察经络虚实改变、辨别失眠证型及指导治疗选穴提供参考依据.