目的:通过Meta分析了解我国住院患者压疮现患率及医院获得性压疮现患率。方法:检索CNKI、Wanfang、VIP、CBM、Pubmed及Web of Science数据库从建库至2018年2月发表的相关文献;对纳入文献进行Meta分析,并对性别、年龄、压疮分期、科室、...目的:通过Meta分析了解我国住院患者压疮现患率及医院获得性压疮现患率。方法:检索CNKI、Wanfang、VIP、CBM、Pubmed及Web of Science数据库从建库至2018年2月发表的相关文献;对纳入文献进行Meta分析,并对性别、年龄、压疮分期、科室、压疮部位等进行亚组分析。结果:纳入20篇文献进行Meta分析,研究总样本量为422 523例,压疮患者4 019例,其中17篇文献报道了医院获得性压疮发生人数共计709例。Meta分析结果显示,我国住院患者压疮现患率为1.67%,医院获得性压疮现患率为0.68%;亚组分析中,男性压疮现患率为1.19%,高于女性压疮现患率(0.69%);大于80岁年龄段患者的压疮现患率最高(5.33%);I期和II期压疮现患率较高,分别为0.59%、0.50%;ICU患者压疮现患率最高(18.76%);骶尾部压疮现患率最高(0.70%),其次是足跟部(0.13%)、髂嵴(0.10%)和大转子(0.10%,仅一篇文献);华南地区压疮现患率最高(3.98%),华北地区最低(0.56%,仅一篇文献);二级医院压疮现患率高于三级医院,分别为2.55%(仅一篇文献)、1.70%;按发表年份分组,我国住院患者压疮现患率呈上升趋势。结论:不同特征人群压疮现患率不同,男性、高年龄、ICU患者、华南地区及二级医院是需要关注的高发群体,I期、II期压疮是临床重要防控目标,骶尾、足跟、髂嵴及大转子部位是压疮好发部位,需重点检查,每年应进行压疮现患率调研,以获得压疮现况资料,为临床护理工作提供依据。展开更多
情感分类是用于判断数据的情感极性,广泛用于商品评论、微博话题等数据。标记信息的昂贵使得传统的情感分类方法难以对不同领域的数据进行有效的分类。为此,跨领域情感分类问题引起广泛关注。已有的跨领域情感分类方法大多以共现为基础...情感分类是用于判断数据的情感极性,广泛用于商品评论、微博话题等数据。标记信息的昂贵使得传统的情感分类方法难以对不同领域的数据进行有效的分类。为此,跨领域情感分类问题引起广泛关注。已有的跨领域情感分类方法大多以共现为基础提取词汇特征和句法特征,而忽略了词语间的语义关系。基于此,提出了基于word2vec的跨领域情感分类方法 WEEF(cross-domain classification based on word embedding extension feature),选取高质量的领域共现特征作为桥梁,并以这些特征作为种子,基于词向量的相似度计算,将领域专有特征扩充到这些种子中,形成特征簇,从而减小领域间的差异。在SRAA和Amazon产品评论数据集上的实验结果表明了方法的有效性,尤其在数据量较大时。展开更多
文摘目的:通过Meta分析了解我国住院患者压疮现患率及医院获得性压疮现患率。方法:检索CNKI、Wanfang、VIP、CBM、Pubmed及Web of Science数据库从建库至2018年2月发表的相关文献;对纳入文献进行Meta分析,并对性别、年龄、压疮分期、科室、压疮部位等进行亚组分析。结果:纳入20篇文献进行Meta分析,研究总样本量为422 523例,压疮患者4 019例,其中17篇文献报道了医院获得性压疮发生人数共计709例。Meta分析结果显示,我国住院患者压疮现患率为1.67%,医院获得性压疮现患率为0.68%;亚组分析中,男性压疮现患率为1.19%,高于女性压疮现患率(0.69%);大于80岁年龄段患者的压疮现患率最高(5.33%);I期和II期压疮现患率较高,分别为0.59%、0.50%;ICU患者压疮现患率最高(18.76%);骶尾部压疮现患率最高(0.70%),其次是足跟部(0.13%)、髂嵴(0.10%)和大转子(0.10%,仅一篇文献);华南地区压疮现患率最高(3.98%),华北地区最低(0.56%,仅一篇文献);二级医院压疮现患率高于三级医院,分别为2.55%(仅一篇文献)、1.70%;按发表年份分组,我国住院患者压疮现患率呈上升趋势。结论:不同特征人群压疮现患率不同,男性、高年龄、ICU患者、华南地区及二级医院是需要关注的高发群体,I期、II期压疮是临床重要防控目标,骶尾、足跟、髂嵴及大转子部位是压疮好发部位,需重点检查,每年应进行压疮现患率调研,以获得压疮现况资料,为临床护理工作提供依据。
文摘情感分类是用于判断数据的情感极性,广泛用于商品评论、微博话题等数据。标记信息的昂贵使得传统的情感分类方法难以对不同领域的数据进行有效的分类。为此,跨领域情感分类问题引起广泛关注。已有的跨领域情感分类方法大多以共现为基础提取词汇特征和句法特征,而忽略了词语间的语义关系。基于此,提出了基于word2vec的跨领域情感分类方法 WEEF(cross-domain classification based on word embedding extension feature),选取高质量的领域共现特征作为桥梁,并以这些特征作为种子,基于词向量的相似度计算,将领域专有特征扩充到这些种子中,形成特征簇,从而减小领域间的差异。在SRAA和Amazon产品评论数据集上的实验结果表明了方法的有效性,尤其在数据量较大时。
