排序方式: 共有31条查询结果,搜索用时 156 毫秒
11.
目的 探究右归丸调节肾阳虚过程中垂体-靶腺轴功能的动态变化规律.方法 SD大鼠90只随机分为3组:正常组、模型组、右归丸组;分别测定3个组早、中、晚期垂体-甲状腺轴生物分子[促甲状腺激素(TSH),三碘甲腺原氨酸(T3),四碘甲腺原氨酸(T4)]、垂体-肾上腺轴生物分子[促肾上腺皮质激素(ACTH)和皮质醇(CORT)]以及垂体-性腺轴生物分子[黄体生成素(LH),促卵泡激素(FSH),睾酮(T)]的含量,利用成组比较及因子分析方法探究右归丸调节肾阳虚时垂体-靶腺轴功能的动态变化规律.结果 右归丸调节肾阳虚的早中晚3个时期除LH和ACTH外,垂体-靶腺轴其余生物分子指标值均随着用药时间增加而逐渐增大且差异有统计学意义;右归丸组因子分析结果表明:早期主调控因子主要包括靶腺层生物分子,中期增加了1个垂体层生物分子,晚期增加了2个垂体层生物分子.结论 右归丸调节肾阳虚相对西药是一个较为缓慢长期的过程;右归丸调节肾阳虚过程中首先对靶腺层起作用,进而反馈到垂体层. 相似文献
12.
目的:探讨"小结+考试"模式评价学生学习生物化学的效果。方法:课程成绩评定采用"小结+考试"模式。问卷调查了解该模式评价学生学习生物化学的效果。结果:72.83%的学生认可、支持"单元小结+考试"模式;82.08%的学生认可它是一种综合测试。结论:"小结+考试"模式能较全面、客观反映学生的学习情况,是多数学生认可的一种学习综合评价模式,值得研究和推广。 相似文献
13.
14.
15.
目的 系统评价以团队为基础的学习(team-based learning,TBL)相对于以讲授为基础的学习(lecture-based learning,LBL)在国内医学本科教育基础医学课程中的应用效果。方法 计算机检索中国知网、维普中文科技期刊数据库和万方医药数据库,搜索关于TBL教学在我国医学本科基础医学课程中应用效果的随机对照试验研究,其中实验组采用TBL教学,对照组采用LBL教学,课程考核以成绩分数评价。按照纳入与排除标准筛选文献,对所纳入的文献提取数据、质量评价后采用RevMan 5.3软件进行Meta分析。结果 最终纳入12篇文献的研究,研究方法学质量评级均为C。Meta分析显示,TBL教学的课程成绩分数总体优于传统LBL教学,差异具有统计学意义[WMD=9.33,95%CI(5.67,13.00),P=0.000]。结论 相比LBL教学,医学本科基础医学课程中应用TBL教学对教学效果有促进作用,但需更多设计严谨的随机对照试验来验证。 相似文献
16.
17.
目的 评价用径向基(RBF)神经网络所建立的预测奋乃静(抗精神病药)稳态血药浓度模型的预测性能.方法 将数据分为训练集、校验集和测试集,来建立获取输出变量(患者的性别、年龄、体质量、剂量、血压、多项生理生化指标等37项参数)与输出变量(奋乃静稳态血药浓度)两者间关系的RBF网络模型,并评价其预测性能.结果 当扩展速度(SP)值为1.53时,所建立的RBF网络模型预测奋乃静稳态血药浓度的效果和泛化能力较好.结论 RBF网络用于预测奋乃静稳态血药浓度的研究是可行的和有效的. 相似文献
18.
药代动力学建模的人工神经网络新方法 总被引:2,自引:3,他引:2
人工神经网络(ANN)在药代动力学领域主要用于血药浓度预测、药物结构和药代动力学定量关系、体内体外相关关系研究,群体药物动力学数据分析、药代动力学-药效动力学统一模型研究等。本文就ANN的基本理论及其在药代动力学研究的应用作简要综述。 相似文献
19.
目的:评价用径向基(RBF)神经网络所建立的预测氯氮平稳态血药浓度模型的预测性能。方法:将数据分为训练集、校验集和测试集来建立获取输入、输出变量两者间关系的RBF网络模型,其中以患者的性别、年龄、体重、剂量、血压、多项生理生化指标等37项参数为输入变量,氯氮平稳态血药浓度为输出变量。用训练集和校验集的网络计算输出值与目标输出值之间的均方差(MSE)和相关系数(R)来综合评价网络模型的学习效果,用测试集的网络计算输出值与目标输出值之间的MSE和R来评价网络模型的预测性能。结果:当扩展系数(SP)值为3.0时,训练集的MSE为1.33×10-5、R值为0.99985,校验集的MSE为0.002833、R值为0.97186,测试集的MSE为0.005439、R值为0.93676,网络模型的预测效果和泛化能力较好。结论:RBF网络用于预测氯氮平稳态血药浓度的研究是可行和有效的。 相似文献
20.
目的:评价用径向基(RBF)神经网络所建立的预测利培酮稳态血药浓度模型的预测性能。方法:将数据分为训练集、校验集和测试集来建立获取输出变量与输入变量两者间关系的RBF网络模型,其中以患者的性别、年龄、体重、剂量、血压、多项生理生化指标等37项参数为输入变量,利培酮稳态血药浓度为输出变量。用训练集和校验集的网络计算输出值与目标输出值之间的均方差(MSE)和相关系数(R)来综合评价网络模型的学习效果,用测试集的网络计算输出值与目标输出值之间的MSE和R来评价网络模型的预测性能。结果:当扩展系数值为1.5时,训练集的MSE为6.93×10-6,R值为0.99988;校验集的MSE为8.24×10-3,R值为0.86669;测试集的MSE为8.58×10-3,R值为0.80899;网络模型的预测效果和泛化能力较好。结论:RBF网络用于预测利培酮稳态血药浓度的研究是可行的。 相似文献