排序方式: 共有35条查询结果,搜索用时 0 毫秒
31.
针对心脏诊断学教学实践性强和临床教学资源困难,尤其对心脏病理性杂音听诊的教学资源困乏,电子模拟人在一定的程度上解决了教学资源困乏并且提供了学生反复练习的机会,为心脏科诊断学物诊教学开辟了一个新的领域。先模拟人后真人教学模式的应用,也就是电子模拟人和传统教学模式的结合应用可能是将来的发展方向。 相似文献
32.
穆珺 《糖尿病天地(学术刊)》2011,(11):22-23
别再为了“面子”拒绝胰岛素注射
临床上糖尿病患者越来越多,随着糖尿病知识的普及,糖尿病患者对胰岛素的接受程度越来越高。尽管如此.还是有一些患者对胰岛素治疗有很多疑问和困惑,尤其是一些男性患者.他们年富力强,平时有很多应酬。在胰岛素治疗中主要担心的是:“打胰岛素多不方便,到吃饭时拿出针来打,不知道的还以为我吸毒呢。 相似文献
33.
目的探讨血清巨噬细胞移动抑制因子(macrophage migration inhibitory factor,MIF)、肿瘤坏死因子-α(tumor necrosisfactor alpha,TNF-α)浓度在2型糖尿病(type 2 diabetes mellitus,T2DM)正常尿蛋白组及糖尿病合并肾病(diabetic nephropathy,DN)患者中的变化及其临床意义。方法将97例T2DM患者根据尿蛋白排泄率(urinary albumin excretion rate,UAER)分为正常尿蛋白组(A组,31例)、微量尿蛋白组(B组,35例)、大量尿蛋白组(C组,31例),取30例健康体检者作为对照组(D组),ELLSA方法检测各组血清MIF、TNF-α浓度,同时检测患者空腹血糖(fasting plasma glucose,FBG)、糖化血红蛋白(glycosylatedhemoglobin,HbA1c)、三酰甘油(triglycerides,TG)、总胆固醇(total cholesterol,TC)、高密度脂蛋白(high-density lipoprotein,HDL-C)、低密度脂蛋白(low-density lipoprotein,LDL-C)、尿素氮(blood urea nitrogen,BUN)肌酐(serum creatinine,Cr)。结果正常尿蛋白组(A组,31例)及糖尿病肾病(B、C)组血清MIF浓度高于正常对照组(P<0.05);糖尿病正常尿蛋白组(A组)与微量尿蛋白组(B组)、大量尿蛋白组(C组)血清MIF浓度差异无统计学意义。糖尿病肾病(B、C)组血清TNF-α高于正常对照组(P<0.05);糖尿病肾病(B、C)组血清TNF-α高于糖尿病正常尿蛋白组(A组)。采用Spearman相关分析,血清MIF与DM病程(r=0.435,P<0.01)、HbA1c(r=0.459,P<0.01)、FBG(r=0.520,P<0.01)、TG(r=0.256,P<0.05)呈正相关,与HDL-C(r=-0.244,P<0.05)浓度呈负相关;血清TNF-α与尿A/C(r=0.254,P<0.01)、DM病程(r=0.182,P<0.05)呈正相关。Logistic回归分析结果表明,在校正年龄、糖尿病病程、BMI、HbA1c、HDL、Cr等因素后,血清TNF-α与蛋白尿的OR=1.069(95%CI:1.005~1.137,P=0.035),血清MIF浓度与蛋白尿无相关关系。结论 2型糖尿病患者血清TNF-α浓度的变化在糖尿病肾病病程中更敏感,临床上可参考血清TNF-α浓度或同时检测血清MIF与TNF-α浓度,来判断糖尿病肾脏的损伤程度。 相似文献
34.
目的:探讨血清尿酸(SUA)水平与2型糖尿病(T2DM)患者糖尿病周围神经并发症(DPN)的关系。方法选取2011年3月至2013年3月在首都医科大学附属复兴医院内分泌科住院及门诊就诊的T2DM患者920例。采集血清进行生化指标[空腹血糖(FBG),糖化血红蛋白(HbA1c),总胆固醇(TC),甘油三酯(TG),低密度脂蛋白胆固醇(LDL-C),高密度脂蛋白胆固醇(HDL-C),SUA]检测,同时对入组患者是否患有DPN进行诊断并记录。SUA水平四分位法分为4个水平,logistic回归分析不同尿酸水平与DPN发病率的关系。结果 logistic回归分析结果显示SUA水平>3.5mg/dl即第2个四分位后,SUA即为DPN的危险因素,且随着SUA水平的升高,其影响程度增加,OR值分别为2.95(2.02~8.76),3.06(1.75~6.45),4.15(0.84~6.74),均P<0.05。结论 SUA是DPN的一个危险因素,在DPN的临床治疗中除了降糖、降脂和降压之外,有效地降低SUA水平应该成为治疗中的一个重要环节。 相似文献
35.
眼底血管在许多疾病的检测和诊断中含有丰富的信息,因此提高眼底血管分割精度对于多种疾病的诊断和临床研究具有重要意义。本文提出了一种基于小波变换和U-Net神经网络的眼底图像血管分割算法,该算法通过数据增广与预处理、小波系数图像获取、U-Net神经网络训练与预测、阈值分割与后处理等步骤完成眼底血管的分割。采用分割准确率、特异度、灵敏度与AUC等指标,对本文算法进行了性能分析。实验结果显示,本文提出的眼底图像血管分割算法能得到满意的分割结果,在中医现代目诊中具有潜在的应用价值。 相似文献