简介:摘要目的探讨术后疼痛管理质量综合评分法能否有效评价出医院/科室术后疼痛管理质量的优劣。方法采用目的抽样法和便利抽样法,2018年1—5月,选取浙江省、江苏省共9家医院的9个骨科科室为研究对象,根据是否为医院认证的无痛病房,分为无痛病房组(4个科室)和非无痛病房组(5个科室),分别应用术后疼痛管理质量综合评分法、加权秩和比法和加权TOPSIS法计算各科室得分及排名,比较不同组别的得分差异,并对不同评价方法的排序结果进行相关性分析。结果无痛病房疼痛管理质量综合评分一级指标总分及各维度得分均高于非无痛病房,差异均有统计学意义(P<0.05);无痛病房疼痛管理质量综合评分二级指标中环境和用物、制度/指南/规程、疼痛评估、镇痛治疗、镇痛效果的得分高于非无痛病房,差异均有统计学意义(P<0.05)。3种方法对科室术后疼痛管理质量评价的结果不全相同,但呈正相关,术后疼痛管理质量综合评分法与加权TOPSIS法、加权秩和比法的相关系数分别为0.933和0.833(P<0.01)。结论术后疼痛管理质量综合评分法可有效反映出医院/科室术后疼痛管理质量的优劣。
简介:摘要目的建立并验证气管导管拔除评分法(tracheal extubation score, TES),探讨更合适、更精准的拔管时机。方法根据气管拔管的相关指南和专家共识,提取气管拔管中3个关键因素(意识、肌力、呼吸),请麻醉科专家分别就这3个因素的重要性进行评分赋分,建立TES。纳入2020年1月—2020年5月行气管插管的患者183例。患者TES评分≥2分时可拔除气管导管,并按拔管时患者的情况将183例患者分为深麻醉拔管组(A组,潮气量≥6 ml/kg、呼吸频率≥10次/min、呼之不应)、清醒拔管组(B组,潮气量≥6 ml/kg、呼吸频率≥10次/min、肌力≥3级、完全清醒并能遵指令)和实验组(C组,TES评分≥2分的其余患者),每组61例。比较3组患者一般情况、拔管后呼吸不良事件(① SpO2<90%;②拔除气管导管时咬住导管或牙垫;③需抬下颌或插入口咽通气道处理的部分上气道阻塞;④完全性喉痉挛;⑤支气管痉挛;⑥持续10 s以上的严重咳嗽)发生情况、拔管时患者舒适度及躁动发生率(Riker镇静躁动评分≥5分)。对患者入组情况与患者性别、年龄、麻醉时间、术中舒芬太尼用量进行相关性分析。结果3组患者ASA分级、BMI差异无统计学意义(P>0.05)。与A组比较,B组、C组患者术中舒芬太尼用量少(P<0.05)、麻醉时间短(P<0.05)、女性占比高(P<0.05),C组患者年龄大(P<0.05)。与B组比较,C组患者年龄大(P<0.05)、麻醉时间长(P<0.05)。C组患者拔管后呼吸不良事件总发生率低于A组(P<0.05),3组患者拔管时舒适度和躁动发生率差异无统计学意义(P>0.05)。A组患者不良事件③的发生率高于B组和C组(P<0.05),3组患者不良事件①、②、④、⑤、⑥的发生率差异无统计学意义(P>0.05)。患者入组情况与患者性别、年龄呈正相关,与麻醉时间、术中舒芬太尼用量呈负相关。结论TES可以安全应用于临床,并将气管导管拔除时机进行了细化、分值化,可为气管导管拔除时机提供参考。
简介:【摘要】目的:针对改良HEART评分法指导急诊胸痛患者分层治疗的疗效展开分析。方法:选取我院2020年2月-2021年1月期间收治的160例急诊胸痛患者作为研究对象,其中心源性心痛72例(1组,急性心肌梗死28例,心绞痛34例),非心源性胸痛88例(2组),对所有患者均进行传统HEART评分改良HEART评分,比较两组患者HEART评分差异。比较改良HEART评分中低危、中危、高危患者血糖、糖化血红蛋白指标。结果:1组与2组改良HEART评分均高于常规HEAR评分,因为改良HEART评分分层增加,患者血糖、糖化血红蛋白指标升高, 差异均有统计学意义(P<0.05)。结论:使用改良HEART评分法分析急诊胸痛患者病情,准确率更高,数据更全面,可以更准确评估患者病情。
简介:【摘要】目的:目的:探讨护理评分法在儿童危重病中的应用效果。方法:选择我院2019年10月至2020年10月收治的78例危重患儿为观察对象。所有患者按随机数字表法分为两组,即对照组和观察组。对照组接受常规护理干预,观察组接受危重症评分干预。比较患儿家属对护理的满意度。结果:对照组患儿家属总满意度不高,仅为64.10%,观察组患儿家属总满意度高达94.87%。组间比较结果p
简介:摘要目的通过构建和验证过度医疗行为线索富集模型,为医保基金安全合理使用提供技术支持。方法利用等级赋分法构建过度医疗行为线索富集模型。获取2016—2019年北京市5家肿瘤专科医院的职工医保和居民医保患者住院交易记录,验证模型的有效性。将每条交易记录转化为标准化分值V(0~100分),并根据V值大小将全部交易分为22个组,计算每组的拒付率和富集效率。富集效率随V值增加的变化趋势采用Cochran-Armitage趋势性检验,组间拒付率比较采用χ2检验,V值与拒付金额的相关性分析采用Pearson检验。结果纳入模型验证的职工医保和居民医保患者住院交易记录分别有872 599条和86 356条,各含1 164条和103条拒付交易记录。职工医保和居民医保交易记录V值平均分均为49分,中位数均为50分。当V>0分时,随着职工医保和居民医保交易记录V值的增加,富集效率呈增高趋势(Z=23.86,P<0.001; Z=11.02,P<0.001),不同组间的拒付率差异有统计学意义(χ2=1 307.16,P<0.001),V值与职工医保和居民医保拒付金额有相关性(r=0.29,P<0.001; r=0.30,P=0.003)。结论基于等级赋分的过度医疗行为线索富集模型通过分析大量医保交易记录,能够聚焦在有疑似过度医疗行为的医保交易上,在医保基金管理方面具有一定的事前指导作用。
简介:摘要:暂态稳定评估(transient stability assessment,TSA)在电力系统规划和运行中具有重要意义。随着智能电网的飞速发展,高比例新能源、高比例电力电子设备接入电力系统,系统运行特性发生了显著变化。这些因素增加了电力系统暂态稳定风险,对TSA的快速性和准确性提出了更加严格的要求。随着同步相量测量单元(phasormeasure ment unit,PMU)在电力系统中的广泛安装和通信技术的快速发展,控制中心能够实时采集电力系统运行数据和存储历史数据,这为基于机器学习的TSA提供了数据支撑。与传统TSA方法计算速度较慢不同,机器学习凭借其计算速度快、评估精度高,已被广泛应用于电力系统TSA研究中。
简介:摘要:暂态稳定评估(transientstabilityassessment,TSA)在电力系统规划和运行中具有重要意义。随着智能电网的飞速发展,高比例新能源、高比例电力电子设备接入电力系统,系统运行特性发生了显著变化。这些因素增加了电力系统暂态稳定风险,对TSA的快速性和准确性提出了更加严格的要求。随着同步相量测量单元(phasormeasurementunit,PMU)在电力系统中的广泛安装和通信技术的快速发展,控制中心能够实时采集电力系统运行数据和存储历史数据,这为基于机器学习的TSA提供了数据支撑。但在实际电力系统运行场景中,系统发生暂态失稳的情况并不多见,这导致用于TSA的不稳定样本远少于稳定样本,数据集中存在样本不平衡问题。因此,基于机器学习的TSA方法能更完整地学习到与稳定样本相关的信息,而对不稳定样本信息的学习不够充分,导致训练好的评估模型更加侧重于稳定样本,进而产生对不稳定样本的误判。基于此,本篇文章对基于隐式形积分法的电力系统暂态稳定进行研究,以供参考。