目的:了解喉癌患者出院后的護理健康指導需求情況,為開展院外護理隨訪工作提供依據。方法:采用問卷調查法對52例喉癌患者的基本情況、是否需要院外護理健康指導、隨訪方式、指導內容等進行調查。結果:所有患者均選擇需要院外護理健康指導;隨訪方式以電話隨訪最多;備選的9項健康指導內容選擇的人次均超過了50%。結論:為了促進術后康復,提高生活質量,喉癌患者需要護理人員提供多元化院外健康指導。
摘要:目的: 了解泛發性膿皰型銀屑病患者在院外治療期間的遵醫行為情況,為院外治療提供指導。 方法 :采用問卷調查的方法對50例泛發性膿皰型銀屑病患者的院外治療情況進行調查,并對相關因素進行分析研究。 結果 :50例泛發性膿皰型銀屑病患者中, 在院外不能正確地按醫囑進行治療的情況為:有124人次為不完全遵醫,有25人次為完全不遵醫。在各因素中,遵醫程度差的項目分別是定期門診復查、自我監測、飲食治療及藥物治療。 結論 :幫助泛發性膿皰型銀屑病患者了解疾病,并提高自覺遵醫行為是非常必要的,提高遵醫行為不僅可控制疾病,還能提高生活質量和延長生命,同時也是減少并發癥以及減輕患者經濟負擔的關鍵。
目的系統評價機器學習（machine learning，ML）用于預測院外心臟驟停（out-of-hospital cardiac arrest，OHCA）神經系統結局，并研制預測模型。方法計算機檢索PubMed、Web of Science、EMbase、中國知網、萬方數據庫。搜集關于ML用于預測OHCA神經系統結局的研究，檢索時限為2011年1月1日—2021年11月24日。由兩名研究者獨立篩查文獻、提取資料并評價納入文獻的偏倚，評價不同模型的準確性，比較受試者工作特征曲線下面積（area under the receiver operating characteristic curve，AUC）。結果共納入20篇研究，其中11篇研究來自開源數據庫，9篇來自回顧性研究，16篇直接預測OHCA后神經系統結局，4篇預測OHCA后進行目標體溫管理治療后神經系統預后情況。共采用了7種ML算法，其中使用頻率最高的是神經網絡（n=5），其次為支持向量機和隨機森林（n=4），有3篇文章運用了多種算法。使用頻次最高的輸入特征為年齡（n=19），其次為初始心率（n=17）和性別（n=13）。共有4個研究比較了ML與其它經典統計學模型的預測價值，認為ML模型的AUC值高于經典統計學模型。結論現有證據表明，ML可更準確地預測OHCA后神經系統結局，在特定情況下ML的預測性能優于傳統統計學模型。
可穿戴技術是一種低生理、心理負荷的監測技術，具有長時間連續監測的優點，代表了未來監護技術的一個發展方向。本文以穿戴式生理參數監測技術為基礎，結合物聯網和人工智能等技術，研發了基于物聯網可穿戴技術的智能監護系統，包括可穿戴硬件、病區物聯網平臺、連續生理數據分析算法與軟件三大部分。基于該系統，經過大量臨床實踐探索了連續生理數據的臨床應用價值，給出了實時監護、病情評估、預測預警和康復訓練四大價值方向；依托真實臨床應用環境，探索了可穿戴技術在普通病房監護、心肺康復、院內-院外一體化監測等領域的應用模式。研究結果表明，本監護系統能夠有效用于院內患者監護、心肺功能評估與訓練以及院外患者管理。