课程文献中心 更多>>

关键词： 血型实验室   输血质量   输血安全   输血检验   交叉配血   质量控制  

摘要： 目的探究在临床输血质量控制及输血安全中应用血型实验室检验的作用。方法此次选择2014年2月—2018年4月本院进行输血的336例患者作为研究对象。根据输血时间先后顺序,将其分为实验组(n=168)和常规组(n=168)。常规组进行普通输血检验,实验组则进行输血检验质量控制,将两种方式输血液后出现的情况进行对比分析。结果在输血安全事故总发生率上,实验组低于对照组(4.76%vs. 23.81%);在交叉配血合格率上,实验组高于对照组(96.43%vs.80.95%),差异具有统计学意义(P <0.05)。影响交叉配血不合格的因素包括输血史、妊娠史等。结论质量控制应用于血型实验室检验,能够确保输血的安全性和质量,减少输血不良事件的发生率。

关键词： 全血C反应蛋白   血常规检验   儿科   细菌性感染性疾病  

摘要： 分析研究全血C反应蛋白与血常规联合检验在儿科细菌性感染性疾病中的诊断作用。方法:选择于2017年3月—2018年7月间在我院进行细菌性感染性诊断的患儿共120例进行研究,采取随机抽样分为对照组和观察组,各为60例。其中对照组应用血常规进行诊断,观察组联合应用全血C反应蛋白进行诊断,对两组诊断的准确度进行对比。结果:观察组诊断准确度为95%,对照组诊断准确度为65%,观察组诊断准确度高于对照组诊断准确度,差异具有统计学意义(P<0.05)。结论:在进行儿科细菌性感染性疾病诊断时应用全血C反应蛋白联合血常规检验可以有效提高总检出率,确保诊断的准确度。

关键词： 人防工程   防护设备   质量检测  

摘要： 人防工程是一种特殊的地下建筑,其防护设备是重要的组成部分,对人防工程发挥防护作用起着关键的作用。本文探讨了门式人防工程防护设备的现状、存在的问题和防护设备质量检测,从而加强防护设备的质量检测,全面提高人防工程防护设备的防护能力。

关键词： 微生物   原始   涂片  

摘要： 目的:探析检验原始涂片的作用。方法:随机抽取1023例住院患者或门诊患者的检验标本研究导航作用,标本抽取时间段为2015年9月～2017年11月,比较涂片检验与培养检验的阳性率。结果:培养检验、涂片检验阳性率无显著差异。结论:检验标本涂片可有效导航微生物检验过程。

关键词： 公司债券   债券违约   处理方法  

摘要： 截止2017年10月末,中国资本市场上共有将近130只债券违约事件发生,累计违约资金达700多亿元。在这些违约债券中,私募债券违约数量最多,定向工具违约规模最大。在建筑、工程、钢铁、贸易公司、建材等周期性较强的行业违约比重较大。华东、华北、东北地区为债券违约的高发区域。对于债券违约,人们习惯政府来处理,政府的"兜底"政策甚至被视为我国处理债券违约问题的"常规"做法。党的"十三届三中全会"提出的"发展并规范债券市场,提高直接融资比重",充分表明未来债券市场必须打破以往依赖政府来处理的惯例,研究并思考如何应对债券偿付危机办法,减少损失。

关键词： 妊娠   高血压   D-二聚体   凝血指标   临床检验  

摘要： 目的探讨妊娠期高血压患者D-二聚体与凝血指标临床检验的作用。方法选2017年3月至2018年4月在我院进行就诊的妊娠期高血压患者30例作为实验组,选同期体检正常孕妇30例作为对照组,对两组人员均进行D-二聚体与凝血指标检测,对两组检验指标情况进行观察。结果 D-二聚体指标水平会随着孕妇孕周的增加而升高,和对照组检测数据比较,数据差异明显(P <0.05)。实验组孕妇凝血酶时间、部分凝血活酶时间、凝血酶时间、纤维蛋白原指标情况与对照组孕妇比较,数据差异有统计意义(P <0.05)。结论 D-二聚体联合凝血指标检验能够有效提高妊娠期高血压患者病症的检出率,与正常孕妇比较,妊娠期高血压孕妇具备较高的凝血状态,并且有血栓形成的倾向,并且会随着病情的加重而加重。

关键词： 检验检测   公正为本   服务社会   品牌管理   核心竞争力   提升  

摘要： 我国是全球增长最快、潜力最大的检验检测认证市场。然而,目前我国检验检测市场竞争激励,检验检测市场的#张速度与检验检测机构数量的增幅不平衡。与此同时,我国的检验认证行业仍然存在"小、散、弱"的不足,缺乏国际性的检测认证平台。目前越来越多的外资、国有、民营资本正不断地涌入检验检测市场。只有充分发挥品牌管理引领作用,提升检验检测机构的核心竞争力,才能在残酷的市场竞争中争得一席之地。

关键词： Hyperspectral image   Classification   Features fusion   Belief propagation  

摘要： In order to solve the massive information but low accuracy problem of hyperspectral image (HSI) classification, a novel HSI classification method MFSSL-BPMRF based on belief propagation (BP) Markov random field (MRF) using multi-features and small sample learning (MFSSL) is proposed in this paper. Firstly, an extended morphological multi-attributes profiles algorithm is used to extract spatial information of HSI, and a spatial-spectral multi-features fusion model is established to improve classification results. Then, BPMRF is used for image segmentation and classification because of its superiority in the spatial-spectral combination classification. MRF can describe the spatial distribution features of ground objects based on neighborhood model, and the spectral information of pixels can be integrated into the calculation of conditional probability. BP is used to learn the marginal probability distributions from the multi-features fusion information. Finally, the small sample training set is selected to enhance the computational efficiency. In the experiments of several hyperspectral images, the proposed method provides higher classification accuracy than other methods, and it is efficient for the classification with limited labeled training samples.

关键词： Linear discriminant analysis   semi-supervised learning   robust classification   feature selection   sample outlier detection   Alzheimer's disease   Parkinson's disease   biomarker identification   disease diagnosis   nuclear norm   regularization   ALZHEIMERS-DISEASE   DIAGNOSIS  

摘要： Discriminative methods commonly produce models with relatively good generalization abilities. However, this advantage is challenged in real-world applications (e.g., medical image analysis problems), in which there often exist outlier data points (sample-outliers) and noises in the predictor values (feature-noises). Methods robust to both types of these deviations are somewhat overlooked in the literature. We further argue that denoising can be more effective, if we learn the model using all the available labeled and unlabeled samples, as the intrinsic geometry of the sample manifold can be better constructed using more data points. In this paper, we propose a semi-supervised robust discriminative classification method based on the least-squares formulation of linear discriminant analysis to detect sample-outliers and feature-noises simultaneously, using both labeled training and unlabeled testing data. We conduct several experiments on a synthetic, some benchmark semi-supervised learning, and two brain neurodegenerative disease diagnosis datasets (for Parkinson's and Alzheimer's diseases). Specifically for the application of neurodegenerative diseases diagnosis, incorporating robust machine learning methods can be of great benefit, due to the noisy nature of neuroimaging data. Our results show that our method outperforms the baseline and several state-of-the-art methods, in terms of both accuracy and the area under the ROC curve.