玻璃化冷冻技术积累卵母细胞在卵巢低反应患者中的应用分析 - .pdf

为了通过声辐射力脉冲（ARFI）弹性成像技术评估偏瘫患者的腓肠肌/比目鱼肌和肱二头肌肱肌的刚度，招募了中风后偏瘫的60例患者。 收集基线数据，包括年龄，性别，体重指数，受教育程度，显性面，患侧，中风后时间，中风病因。 所有患者在治疗前和治疗后均采用Broonstroom分期，改良的Ashworth痉挛量表和功能独立性量表进行评估。 该患者分为3组：1）神经肌肉电刺激组，2）康复组，3）神经肌肉电刺激+康复组。 受影响和未受影响的侧二头肌和腓肠肌，使用ARFI弹性成像测量来测量厚度和弹性值。 另外，在治疗之前和之后，测量所有患者的长度和厚度。 在60名受试者中，女性为28名（46.7％），男性为32名（53.3％），平均年龄为58.42±9.03岁。 就Brunstroom分期而言，治疗后上肢和下肢之间存在显着差异。 就改良的Ashworth量表而言，仅在治疗后下肢才有显着差异。 当与患侧/未患侧进行比较时，在治疗前后，三组内侧腓肠肌和外侧腓肠肌的测量值均存在显着差异。 需要对更多患者进行更长时间的进一步研究，以阐明肌肉硬度与痉挛程度之间的关系。

PACS dicom数据，可以用来测试

医务人员履行患者参与医疗安全活动责任和义务的相关规定.pdf

鼓励患者参与医疗安全的具体措施与流程..docx

医疗保健分析 存储库内容： Python Notebook文件包含用于数据探索，功能工程和机器学习模型（朴素贝叶斯，XGBoost，神经网络）的项目代码。 PDF报告文件包含项目，谓词和结果的概述。 Datasets.zip包含项目中使用的测试和训练数据。 HTML文件是jupyter笔记本的降价促销，其中所有输出均无需使用python或其IDE即可查看。 介绍： 医疗机构承受着越来越大的压力，以改善患者的护理效果并获得更好的护理。 尽管这种情况是一个挑战，但它也为组织提供了一个机会，可以利用其数据中的更多价值和洞察力来显着提高护理质量。 医疗保健分析是指使用定量和定性技术对数据进行分析，以探索所获取数据中的趋势和模式。 尽管医疗保健管理使用各种指标来衡量绩效，但患者的住院时间很重要。 能够预测住院时间（LOS），使医院能够优化其治疗计划以减少LOS，从而降低患者，工作人员和

该数据集旨在允许测试不同的方法，以检查与使用对比度和患者年龄相关的CT图像数据的趋势。基本思想是识别与这些特征密切相关的图像纹理，统计图案和特征，并可能构建简单的工具，以便在对这些图像进行错误分类时自动对这些图像进行分类（或查找可能是可疑情况，测量错误或机器校准不良的异常值） ） overview.csv CT Medical Images_datasets.txt CT Medical Images_datasets.zip

糖尿病预测：使用Cima决策树算法和K-最近模型，根据患者的实验室测试结果变量（例如葡萄糖，血压等​​），使用Pima Indians糖尿病数据集来预测患者是否患有糖尿病。 Python-Scikit学习，SciPy，熊猫，MatPlotLib

心衰预测 分类项目可根据某些患者属性预测由于心力衰竭导致的死亡。

癫痫发作检测 该存储库包含“深度学习”项目的代码，用于识别癫痫诊断患者的异常脑电图。 参考 ChronoNet：用于异常EEG识别的深度递归神经网络 如果您发现存储库中的代码很有用，请使用以下命令将其引用： @misc{chitlangia2021epileptic, author = {Chitlangia, Sharad}, title = {Epileptic Seizure Detection using Deep Learning}, year = {2021}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/Sharad24/Epileptic-Seizure-Detection/}}, }