基于表面肌电信号的肘关节运动角度的提取

随着人口老龄化问题的越来越严重,医疗护理机器人的开发,今后将会有大量的需求,基于表面肌电信号的医疗护理机器人的开发将是其中的一个热点.本文提出了基于Bayesian正则化的多层感知器人工神经网络方法来提取人体肘关节运动角度,解决了普通神经网络对于表面肌电信号这一复杂亚高斯随机信号泛化能力不强的缺点,有助于将表面肌电信号的研究推向医疗护理机器人研发的实际应用阶段.     

基于PATH模型的远程医疗绩效评价体系构建

目的 探索构建适用于我国远程医疗发展的绩效评价体系。方法 采用文献法、头脑风暴法初步构建评价框架和指标库,运用德尔菲法和层次分析法确定指标及其权重。结果 基于PATH模型建立了远程医疗绩效评价体系,包括以病人为中心、医疗效果与效率、员工为导向、安全性、反应性管理5个一级指标、11个二级指标和32个三级指标。结论 PATH模型适用于远程医疗绩效评价体系的建立,此外,以病人为中心的指标权重最高,因此,应加强对远程医疗服务费用的控制,同时从各个角度入手,提高患者满意度。     

应用神经网络和多谱段遥感数据对大屿山岛土地覆盖分类的研究

 土地覆盖是植物群落研究的重要参数,反映植物群落的生长状况及其所处生存环境的优劣。小尺度常规的测定方法费力、费时,而且是破坏性的,不能动态监测其变化。而对于大尺度的测定,常规方法无能为力,只能采用遥感方法。应用人工神经网络和多谱段遥感数据对香港大屿山岛进行土地覆盖的分类,设计了一个合适的多层感知器前向反馈神经网络用于土地覆盖分类,并将分类结果与传统的最大似然分类方法所得的结果作比较,结果表明神经网络方法在分类精度上有了很大的提高。     

我国公立医院过度医疗网络治理研究

在当前经济社会新常态下,过度医疗问题依然存在,其治理问题形势严峻。本研究从医、患、督、社会第三方不同视角切入,运用网络治理理论,分析研究各治理主体之间关系构成,构建过度医疗网络治理模式。     

生态系统响应气候变化脆弱性的人工神经网络模型评价

生态系统的脆弱性评价对于生态系统的管理具有重要作用。在分析生态系统脆弱性特征和影响因素的基础上 ,构建了针对森林和草地生态系统的脆弱性评价指标体系 ,涵盖了生态系统的结构、功能和生境 3个方面 ,评价指标分别是物种多样性、群落覆盖度、NPP、建群种年生长量、地表干燥度以及土壤有机碳等。评价系统将生态系统的脆弱性划分为轻微脆弱、中度脆弱、重度脆弱以及系统崩溃 4级。作为案例研究 ,构建了结构和性能优化的多层感知器 ,评价了温带落叶阔叶林生态系统的脆弱性。结果表明 ,通过人工神经网络模型评价生态系统的脆弱性是一条可行的途径     

北京松山自然保护区森林群落物种多样性及其神经网络预测

物种多样性是群落结构和功能复杂性的一种度量,物种多样性的空间分布格局受许多环境因子的影响.运用多样性指数,多层感知器网络,分析了松山保护区森林群落物种多样性与群落类型、结构和生境之间的关系.结果表明:(1)大果榆+山杨混交林、油松+青杨混交林物种丰富度、多样性和均匀度均较高,而大果榆林、华北落叶松林的各项指数值均较低.Patrick指数和Shannon-Weiner指数在森林群落中均表现为草本层＞灌木层＞乔木层;Pielou指数在榆林中表现为草本层＞乔木层＞灌木层,而在其他森林群落中表现为灌木层＞草本层＞乔木层.(2)功能层物种多样性在海拔梯度上的变化趋势不同,在乔木层,丰富度、多样性和均匀度随海拔的升高逐渐降低;在灌木层,丰富度、多样性和均匀度均呈比较明显的单峰曲线变化趋势;在草本层,丰富度和多样性随海拔的升高都呈下降趋势,而在草本层,均匀度变化不大.(3)用多层感知器网络预测功能层多样性效果很好,结果发现坡向对乔木层和灌木层物种多样性的影响最大,而海拔高度对草本层物种多样性的影响最大.     

黑龙江省县级医院绩效评价指标体系构建研究

目的 构建适用于黑龙江省县级医院的绩效评价模型和指标体系,为县级医院开展绩效评价、改善绩效管理提供决策参考。方法 应用文献分析法和专题小组讨论法构建评价模型和初始指标库,运用专家咨询法筛选评价指标并确定指标权重。结果 运用关键绩效指标理念构建了以工作质量、工作效率、医疗费用、综合管理及满意度评价为核心维度的县级医院绩效评价模型及指标体系。结论 指标体系的可信程度较高,能有效反映县级医院绩效管理的核心环节。     

基于神经网络简单集成的湖库富营养化综合评价模型

根据中国水利部推荐的地表水富营养化控制标准,以叶绿素a、总磷、总氮、化学需氧量和透明度为评价指标,采用线性插值方法生成均匀分布的训练样本,建立了用于湖泊、水库富营养化综合评价的神经网络简单集成模型,其个体网络采用反向传播网络。通过递增法分别确定个体网络隐含层节点数为3,集成规模为40。所有个体网络均采用弹性反传训练算法和带动量的梯度下降学习算法。将该模型应用于巢湖富营养化综合评价,结果表明该模型有效消除了单个反向传播神经网络对初始网络权重的敏感性,泛化能力得到显著的提高。该模型的评价结果与综合营养状态指数法差异极显著,而与插值评分法差异不显著;但相关性较高,相关系数分别为0．9406和0．8891。通过对比分析,表明该模型较好地归纳了评价标准中的潜在评价规则,评价结果客观、可靠。     

应用人工神经网络评价湖泊的富营养化

应用人工神经网络方法,以化学需氧量、总氮、总磷和透明度作为评价参数,经反复尝试,构建了具有４层结构用于评价湖泊富营养化的误差逆传播网络．其输入层有４个神经元,２个隐含层也各有４个神经元,输出层有１个神经元．以太湖富营养化评价标准作为样本模式提供给网络,按照误差逆传播网络的学习规则对网络进行训练,经过３７６８４次学习后,网络达到预先给定的收敛标准．使网络具备了识别湖泊富营养化程度的功能．应用该网络对我国１７个湖泊的富营养化程度进行评价,操作过程简便易行,评价结果切合实际,展示了这种方法的一系列优点．     

PATH模型对我国医院绩效评价体系构建的启示

绩效评价工具的选择对发挥医院绩效管理体系的作用和反映医院运营情况有着重要作用。本文简要介绍了医院质量改进的绩效评价工具（The Performance Assessment Tool For Quality Improvement In Hospitals,PATH）及其优势,提出我国医院绩效评价改革可以借鉴PATH模型,建立科学统一的指标评价体系,同时加快医疗领域信息化建设以及发挥第三方评价机构在医院绩效评价中的作用。     

基于病例分型原理的病种难易度评估模型研究

目的 基于病例分型理论,建立病种难易度评估模型,并将病例分型结果作为医疗服务绩效评价的客观依据。方法 对历史病案数据进行回顾性分析,明确影响病种难易度的关键指标及权重,构建病例分型判别公式。结果 建立基于信息平台的病例分型的管理模型。结论 利用病例分型管理,能够客观地评价医疗诊疗水平,促进医院内涵建设。     

基于TOPSIS综合评价法的医疗保险规制措施评价

?????? 目的 评价我国医疗保险规制效果,筛选优先干预措施,为建立有效的医院规制体系提供依据。方法 运用文献研究法明确现行医疗保险规制策略,通过问卷调查法调查策略实施情况,运用加权TOPSIS综合评价法对医疗保险规制的主要策略进行多维度综合评价。 结果 医疗保险支付方式是下一步规制改革的首要内容,接下来依次为医疗保险定点机构管理及医疗保险筹资和费用补偿。结论 在促进后付制（按项目付费）向预付制转变的同时,积极探索多种支付方式的结合运用。     

基于模糊综合评判法的医院费用规制效果综合评价

??????? 目的 评价我国医疗费用规制策略效果,筛选优先干预策略。方法 运用模糊综合评判法对医院费用的重要规制手段：医疗服务定价方式、药品流通体制、医疗保险支付方式的重要性、可操作性、失效程度、干预迫切性四个维度进行综合评价。 结果 导致我国医疗费用控制效果不佳的首要原因在于药品流通体制的管制失效;现行医保支付方式对医疗费用的规制作用不强,这是导致快速上涨的医疗费用难以得到有效遏制控制的第二位原因。 结论 改善我国医疗费用规制效果的优先策略是进一步强化药品流通体制规制改革的推进力度;其次,亟待深化医保制度支付方式的费用控制机制探索,发挥医保制度作为第三方对医疗费用的重要规制作用。     

基于融合理念的公立医院内部绩效考核体系探索研究

目的 建立与公立医院目标任务及外部绩效评价相匹配的内部绩效考核体系。方法 监控样本公立医院内部绩效考核体系的运行状态,对现行内部绩效考核体系的运行效果及医务人员反馈意见进行分析。调研管理部门、临床科室,访谈部门科室管理人员。结果 总结了现行内部绩效考核体系待改进的问题,提出基于医疗过程和医疗结果相结合进行全面评价、改进内部绩效工资测算方法、建立完善职能部门绩效评价体系、建立绩效沟通数据平台、融合政策执行评估的改进方案。结论 内部绩效考核体系的动态改进是公立医院实现医院目标任务、执行外部绩效评价的必然要求。     

基于病种的精细化医疗管理模式研究与实践

目的 以肺部专科疾病为主要研究内容,探索基于病种的精细化医疗管理模式。方法 借鉴澳洲版DRGs体系,建立医院病种分类目录,并按病种目录进行绩效评价与考核。结果 实施病种管理以来,病例组合指数（CMI）呈明显升高趋势,从2013年0.94提高到2016年的1.04;医疗费用指标基本保持稳定;6个医疗质量指标有明显提高。结论 按病种管理有利于优化医院病种结构调整、控制医疗费用以及保证医疗质量。     

基于故障树方法的非计划再次手术风险评估

目的 探索一种适合于在过程复杂、环境多变、风险多样的手术治疗系统中,对术前准备、术中操作、术后医疗护理及管理等贯穿围手术期全过程进行风险评估的方法。方法 通过危险事件的风险影响因子识别、定性分析与定量分析、基本事件综合风险等级评价,绘制具有实践操作意义的风险矩阵图,全面识别手术治疗系统风险、科学分析危险事件与风险影响因子,有效评价风险等级与可容忍度。结果 构建包括7个中间事件、29个基本事件、9个逻辑或门和1个逻辑与门的非计划再次手术故障树模型,故障树由8个一阶割集和104个二阶割集组成。当所有最小割集均存在时,被调查医院非计划再次手术的发生概率为0.950 10,同时确定25个基本事件在该医院的综合风险重要性等级,并根据绘制的风险图谱进一步确定风险应对的优先顺序。结论 基于故障树的手术治疗系统风险评估方法,可以全面识别手术治疗系统风险,科学分析风险影响因子,有效评价风险等级。     

Fully automatic and robust segmentation of the clinical target volume for radiotherapy of breast cancer using big data and deep learning

PurposeTo train and evaluate a very deep dilated residual network (DD-ResNet) for fast and consistent auto-segmentation of the clinical target volume (CTV) for breast cancer (BC) radiotherapy with big data.MethodsDD-ResNet was an end-to-end model enabling fast training and testing. We used big data comprising 800 patients who underwent breast-conserving therapy for evaluation. The CTV were validated by experienced radiation oncologists. We performed a fivefold cross-validation to test the performance of the model. The segmentation accuracy was quantified by the Dice similarity coefficient (DSC) and the Hausdorff distance (HD). The performance of the proposed model was evaluated against two different deep learning models: deep dilated convolutional neural network (DDCNN) and deep deconvolutional neural network (DDNN).ResultsMean DSC values of DD-ResNet (0.91 and 0.91) were higher than the other two networks (DDCNN: 0.85 and 0.85; DDNN: 0.88 and 0.87) for both right-sided and left-sided BC. It also has smaller mean HD values of 10.5 mm and 10.7 mm compared with DDCNN (15.1 mm and 15.6 mm) and DDNN (13.5 mm and 14.1 mm). Mean segmentation time was 4 s, 21 s and 15 s per patient with DDCNN, DDNN and DD-ResNet, respectively. The DD-ResNet was also superior with regard to results in the literature.ConclusionsThe proposed method could segment the CTV accurately with acceptable time consumption. It was invariant to the body size and shape of patients and could improve the consistency of target delineation and streamline radiotherapy workflows.     

上海市医疗质量控制综合评分体系研究

目的 构建一套客观通用的医疗质量综合评分体系,从而加强对各医疗机构总体医疗质量的控制,促进医疗机构质量不断提升,为政府有关部门提供可操作性的政策建议。方法 在文献综述的基础上应用德尔菲法（Delphi Method）对医疗机构质量控制综合评分指标体系的重要性、评估难度以及理想评估次数进行评价,建立评价指标体系。结果 构建的指标体系包含三个层级结构,共32个指标,各级指标的重要性评价意见的协调系数均有统计学意义,专家们较一致的认为管理类别的评价指标评估难度较大,理想的评估频次是一年2次。结论 构建的评价指标体系符合上海市的实际情况,可以应用到实际质量控制综合评价工作中。     

基于老年人口卫生服务分析的医保效果评价

目的 通过对某省老年人口卫生服务需求、利用、就医流向及费用负担等卫生服务指标进行测算,了解现行医保制度的实施效果。方法 通过抽取某省第五次卫生服务调查的老年人群数据,对社会人口学特征、卫生服务需求与利用、医疗卫生费用负担及住院流向等指标进行测算与分析。结果 不同医保制度下,老年人口卫生服务需求与利用存在差异性,且在住院就医服务的选择上尚未形成合理格局,卫生费用负担较重。结论 某省现行医保制度对老年人口的经济保护力度仍有待提高,应调整医保制度卫生福利包的覆盖范围并提高补偿水平,通过政策倾斜构建合理就医格局,进而减轻老年人口的疾病经济负担。     

Five-Year Prognosis Model of Esophageal Cancer Based on Genetic Algorithm Improved Deep Neural Network

ObjectivesEsophageal cancer is a high occult malignant tumor. Even with good diagnosis and treatment, the 5-year survival rate of esophageal cancer patients is still less than 30%. Considering the influence of clinical characteristics on postoperative esophageal cancer patients, the construction of a neural network model will help improve the poor prognosis of patients in the five years.Material and methodsIn this study, genetic algorithm optimized deep neural network is exploited to the clinical dataset of esophageal cancer. The independent prognostic factors are screened by Relief algorithm and Cox proportional risk regression. FTD prognostic staging system is established to assess the risk level of esophageal cancer patients.ResultsFTD staging system and independent prognostic factors are integrated into the genetic algorithm optimized deep neural network. The Area Under Curve (AUC) of FTD staging system is 0.802. FTD staging system is verified by the Kaplan-Meier survival curve, and the median survival time is divided for different risk grades. The FTD staging system is superior to the TNM stages in the prognosis effect. The AUC of deep neural network optimized by genetic algorithm is 0.91.ConclusionThe deep neural network optimized by genetic algorithm has good performance in predicting the 5-year survival status of esophageal cancer patients. The FTD staging system has a significant prognostic effect. The FTD staging system and genetic algorithm optimized deep neural network can be successfully availed in clinical diagnosis and treatment.