简介：摘要为了对急性脑卒中患者采取护理干预措施提供依据，对我院1090例急性脑卒中患者的发病时间按四季发病分布进行比较；每日000～600；～1200；～1800；～2400，4个时段进行比较。结果经统计学处理，分别P＜0.01，0.01，提示患者发病分布每年以1～3月；每日600～1200时段居多。提示急性脑卒中发病具有时间节律性。

简介：目的探讨急性心肌梗死（AMI）发病时间特点，为冠心痛的预防和治疗提供依据。方法将153例确诊为AMI者1天24h、每年12个月发病分为4个时间段。找出4个时间段的分布规律。结果每天早晨6时至中午12时，每年1～3月是AMI的发病高峰。每日6～12时发生率为38．6％，每年1～3月发生率为39．9％，与其他时间段的发病例数及占总例数的百分比相比较，差异有显著性（P〈0．01）。结论AMI发病高峰为每天上午。每年的1～3月．发病在我市有一定的时间规律。

简介：

简介：目的观察脑出血发病的时间分布.方法佳术斯地区的脑出血患者624例,采用圆形分布理论,统计分析脑出血的发生和时间分布的关系.结果脑出血发病人数日发病时间分布存在显著性差异(P＜0.01).脑出血发病人数的月分布有显著性差异(P＜0.01).结论脑出血发病是有节律的.

简介：

简介：

简介：

简介：

简介：目的对于时间护理在目前监测急性心肌梗死发病规律中的应用效果进行相关的分析。方法选择我院2017年1月至2018年1月进行治疗的80名患有急性心肌梗死患者作为本文的研究对象，并且对于患者实际的时间给予观察。结果601至1200、1801至000这两个时间段与急性心肌梗死发病规律具有统计学意义。结论临床护理中，不同时段的护理，与急性心肌梗死发病有一定相关规律，因此，护理人员要掌握急性心肌梗死发病时间规律，针对患者情况给予有效的护理措施，提高临床护理质量，为患者争取救治时间，促进治疗效果。

简介：摘要目的探讨基于DWI和液体衰减反转恢复序列（FLAIR）的深度学习技术构建预测急性卒中发病时间模型的效果。方法回顾性分析于2017年1月至2020年5月在南京市第一医院就诊且发病时间明确的急性卒中患者324例。采用7∶3比例按照完全随机法将患者分为训练集226例，测试集98例；再根据发病时间将患者分为≤4.5 h和>4.5 h两组。由医师对DWI图像上急性梗死区及FLAIR相应的高信号区进行轮廓勾勒标注。利用InceptionV3模型作为图像特征提取的基本模型，构建并验证基于单序列（DWI、FLAIR）和多序列（DWI+FLAIR）的深度学习预测模型。比较人工识别、单序列模型及多序列模型预测急性卒中发病时间的ROC曲线下面积（AUC）、准确度等性能。结果发病时间≤4.5 h患者中94例（94/207）存在DWI-FLAIR不匹配，发病时间>4.5 h患者中28例（28/117）存在DWI-FLAIR不匹配。ROC分析显示人工识别DWI-FLAIR不匹配预测急性卒中发病时间的AUC为0.607，准确度为60.2%。基于单序列的深度学习预测模型显示FLAIR序列预测急性卒中发病时间的AUC为0.761，准确度为71.4%；DWI序列预测急性卒中发病时间的AUC为0.836，准确度为81.6%；基于多序列（DWI+FLAIR）深度学习模型预测急性卒中发病时间的AUC为0.852，明显优于人工识别（Z=0.617，P=0.002）、基于FLAIR序列深度学习模型（Z=2.133，P=0.006）和基于DWI序列深度学习模型（Z=1.846，P=0.012）。结论基于DWI和FLAIR的深度学习模型预测急性卒中发病时间明显优于人工识别，可为未知发病时间的卒中患者提供静脉溶栓治疗指导。

简介：

简介：

简介：

简介：

简介：摘要目的基于急性脑卒中弥散加权成像(diffusion weighted imaging，DWI)和液体衰减反转恢复序列(fluid attenuated inversion recovery，FLAIR)的影像组学特征，通过机器学习构建急性脑卒中发病时间的预测模型。材料与方法回顾性分析188例急性脑卒中患者的MRI图像。采用ITK-SNAP软件对DWI上高信号梗死区和FLAIR上对应的急性梗死区进行分割，并应用人工智能应用平台(artificial intelligent kit,A.K.)进行影像组学特征提取和降维，最终使用最小绝对收缩与选择算子算法(least absolute shrinkage and selection operator,LASSO)确定发病时间相关的最佳影像组学特征，通过支持向量机分类器评估其在发病时间预测中的价值，并与人工识别的结果进行比较。结果共筛选出10个(7个DWI特征及3个FLAIR特征)与卒中发病时间密切相关的影像组学特征。人工识别受试者操作特征(receiver operating characteristic,ROC)分析显示DWI-FLAIR不匹配预测急性脑卒中发病时间的曲线下面积(area under curve, AUC)为0.634，敏感度和特异度分别为0.667、0.622。ROC分析显示该模型预测训练集患者发病时间的AUC为0.975，敏感度和特异度分别为0.932、0.950；预测测试集患者发病时间的AUC为0.915，敏感度和特异度分别为0.868、0.852。结论基于DWI和FLAIR影像组学的机器学习，能够较为准确地预测急性脑卒中患者的发病时间，为临床静脉溶栓治疗的选择提供影像指导。

简介：

简介：摘要目的本文主要探讨的是尿激酶在不同发病时间心肌梗塞患者中的疗效问题，并且给相关的研究人员提供借鉴和参考。方法为了保证研究的准确性和可靠性，主要选择的是某医院2014年全年的所有心肌梗塞患者。按照发病时间的不同将患者分成不同的小组，其中发病时间在6小时之内溶栓的42例病人分成一组，将其作为观察组。然后发病时间控制在6-12小时内溶栓的23例患者分成一个小组，将其定位对照组。两组患者分别采用的是尿激酶来进行治疗，然后对患者的反应进行观察。结果在观察组的42例患者中，出现冠脉再通的患者共有35例，有出血现象的患者共有2例，死亡例数为1例。在对照组当中，冠脉再通患者共有11例，出血的患者同样为2例，死亡的人数为1人。经过比较可一直，出血例数并无明显的统计学意义。结论通过对临床现象进行分析可知，在进行心肌梗塞病症进行治疗的过程中，如果采用的是尿激酶溶栓，做好要在早期进行治疗，同时还应该对并发症问题加强重视。

简介：摘要目的了解杭州市江干区其它感染性腹泻病发病时间规律，为制定针对性预防控制措施提供参考。方法对杭州市江干区2005—2019年其它感染性腹泻病的发病数据进行整理，采用集中度法和圆形分布法对发病时间规律进行分析。结果2005—2019年杭州江市干区累计报告其它感染性腹泻病53 501例，其中男性29 468例（55.08%），女性24 033例（44.92%），≤4岁组人群高发（28 499例，占53.27%）。2005和2006年其它感染性腹泻病报告发病率分别为889.58/10万和1 204.73/10万，此后报告发病率逐年下降后趋于平稳。集中度法显示，江干区其它感染性腹泻病部分年份发病有一定的季节性（0.3<M<0.5）。圆形分布法结果显示，2005—2008年江干区其它感染性腹泻病仅8—9月单峰高发，2009—2019年存在7—8月和11月至次年1月双峰高发。2013年（102 d）和2019年（112 d）第2个发病高峰期较其余年份有延长趋势。结论杭州市江干区其它感染性腹泻病的发病具有一定的季节性，7—8月和11月至次年1月存在2个发病高峰，不同年份发病高峰日和高峰期有所不同。

简介：【摘要】目的 研究时间序列分析在肺结核发病趋势预测中的应用，分析新冠肺炎疫情对模型发病趋势预测的影响，为肺结核防制策略制定提供科学参考依据。方法 以2010-2019年南京市建邺区肺结核月报告发病数建立时间序列模型，原始序列经平稳化处理和季节差分后，对模型参数定阶并估计参数，建立ARIMA模型进行拟合验证和外推预测。结果

简介：无