X线引导下鼻肠管置入及临床应用

目的:探讨x线透视下鼻肠管的置入及其临床应用价值.方法:89例因疾病限制不能经口进食而生命体征相对平稳的危重病患者,鼻肠管经一侧鼻孔插入,在X线引导下将鼻肠管插至十二指肠曲氏韧带附近或更远处的小肠.结果:全部病例鼻肠管均顺利通过幽门插入预定位置,平均置管时间为14.5(7～55)min.置管中及置管后未发生严重并发症.经鼻肠管滴(注)入营养液,促进了患者消化道功能恢复,改善了机体的营养状况,效果满意.结论:X线引导下经鼻鼻肠管置入是一种安全、经济、有效的肠内营养途径,因而具有广泛的临床应用价值.     

多发性硬化误诊分析

多发性硬化是一种青壮年起病的中枢神经系统炎性脱髓鞘病 ,发病病因至今未明。其特点为病灶多发 ,病程中常有缓解与复发 ,由于病灶不定 ,临床表现不尽相同。在疾病早期或初次发病时易误诊为椎基底动脉供血不足 ,颈椎病 ,脑梗塞 ,散发性脑炎。其他多神经损害的内科疾病也易误诊为该疾病。文章中提出了一系列措施可防止误诊发生     

关联规则挖掘技术在冠心病诊断中的应用

针对传统的关联规则算法挖掘效率低且产生的频繁项集庞大的缺陷,提出一种改进的基于直接频繁闭超项集理论的关联规则挖掘算法。该算法针对候选频繁闭项集具有快速检测闭合性和缩减查找范围的优势,有效地提高了挖掘效率。在冠心病诊断中的应用结果表明,该算法可有效地挖掘冠心病诊疗规则。     

应用高分子材料整治铁路桥梁支座病害

分析了铁路桥梁支座病害的成因,介绍了应用高分子材料整治桥梁支座病害的施工工艺和取得的效果.     

周口店北京人遗址环境地质条件及地质病害机理分析

自周口店北京人遗址区被发现后的几十年以来,由于自然和人为因素的影响,在各发掘点内出现了诸多不同类型的地质病害,严重威胁着遗址区的安全与保护.基于此,通过现场及室内试验对遗址区环境工程地质条件进行了分析并在此基础上通过岩石薄片镜下鉴定、岩石化学分析及崩解试验等对影响遗址区病害的因素及机理做了分析.结果发现,周口店遗址区7个发掘点共有20处类型不一、规模不等、变形程度不同的潜在地质病害点.其破坏的原因可以归结为地质、环境及人类活动3个因素,其中着重讨论了环境因素的影响.环境因素分析结果表明,不同地点处由于其胶结物成份不同所以环境因素对其的影响方式也不同.图12,表3,参8.     

幽门螺杆菌与上消化道疾病关系的临床研究

目的研究幽门螺杆菌与上消化道疾病的关系及致病机理.方法进行临床病例分析及相关病理、毒理实验.结果研究表明,幽门螺杆菌与慢性胃炎、消化性溃疡、消化道肿瘤等消化道疾病有密切的关系.结论功能性基因组可能填补我们对幽门螺杆菌感染发病机制理解的许多空白,加速新疗法的产生.     

中老年人身心健康与体育锻炼

研究体育运动对中老年人身心健康的作用，认为中老年人通过经常参加体育锻炼，可提高呼吸系统、血液循环系统及神经系统的机能，增强体质，提高健康水平及新陈代谢能力，延续衰老过程，延长寿命。     

非心肌梗死冠心病患者心率变异性分析

目的探讨非心肌梗死冠心病（NⅧcHD）患者在合并心力衰竭和／或合并非恶性室性心律失常情况下心率变异性的变化情况。方法39例NMICHD患者根据有无合并室性心律失常和有无合并心力衰竭分A、B、C、D4组,与30例健康志愿者的心率变异性进行分析对比。结果A、B、C组的SDNN较健康对照组降低（P〈0．05）,D组的SDNN、SDNNindex、rMSSD、PNN50与健康对照组比较差异无显著性（P〉0．05）;A或B组较C或D组的SDNN、SDNNindex、rMSSI）、PNN50皆豆著降低（P〈0．05）;A与B组之间,C与D组之间的SDNNindex、rMSSD、PNN50差异无显著性（P〉0．05）。结论在观察的心率变异性时域指标中,SDNN是反映非心肌梗死冠心病患者自主神经受损最敏感的指标。非心肌梗死冠心病患者合并心力衰竭较合并非恶性室性心律失常更易引起心率变异性下降,可能具有更高的危险性。     

湿陷性黄土路基病害分析与处理

在黄土地区,由于黄土特有的湿陷性导致的路基病害主要有路堤陷穴、下沉、路堤冲蚀及路堑坡面坍塌等.本文对以上湿陷性黄土路基病害的机理进行了分析,提出了针对性的防治及处理措施,为T程顺利进行提供借鉴.     

A classifier based on rough set and relevance vector machine for disease diagnosis

A new intelligent method for disease diagnosis based on rough set theory (RST) and the relevance vector machine (RVM) for classification is presented as the rough relevance vector machine (RRVM). The RRVM mixes rough set’s strong rule extraction ability with the excellent classification ability of the relevance vector machine through preprocessing initial information, reducing data, and training the relevance vector machine. Compared with traditional intelligence methods such as neural network (NN), support vector machine (SVM), and relevance vector machine (RVM), this method manages to identify disease samples objectively and effectively with less transcendental information. Biography: LI Dingfang (1965–), male, Professor, Ph. D., research direction: computational learning theory, computing in science and engineering.