文摘

客观的。探讨接受全面的护理对患者术前焦虑的影响在不同的时间进入手术室。方法。生成模型应用于病人的术前焦虑援助诊断模型,用于解决由于病人术前焦虑。集团ICA首先构建了一个动态全脑功能连接网络,和一个初始数据集是由肯德尔的等级相关系数方法;然后,扩展数据集由一个条件深卷积生成对抗网络(CDCGAN),最后,一个动态分类研究的患者术前焦虑和健康受试者进行了特征选择和判别模型。七十名患者进入手术室在不同时间进行回顾性分析。孩子进入手术室后14:00在对照组(包括 ),和那些进入12:00之间包含在观察组( )。两组病人被给予综合护理,术前焦虑两组之间的比较。结果。早期的患者进入手术室,术前焦虑越低。结论。综合护理可以减少患者的术前焦虑,保持情绪稳定,并改善其遵守治疗。

1。介绍

承认,手术,出院的病人的一个工作日内,被称为天手术模型,首次于1909年由英国儿科医生Nichol [1]。第一个独立日间手术中心成立于1970年的美国(2]。在发达国家,一天手术的数量快速增长,手术和麻醉技术改进和病人接受增加了。在英国,一天手术,手术后得的比例从15%上升到70%在1989年到2003年之间;在美国,它在1985年至2003年间从35%上升到83.5%;超过1000种执行手术,这一比例是每年增加3]。

门诊手术的好处是公认,包括以下几点:(1)医院:减少住院时间,增加床周转率和利用率,并增加访问照顾病人;(2)病人的一面:它可以缩短手术的等待时间,减少医院的日子,减少经济负担,并减少院内感染;(3)经济方面:它可以减少住院时间,避免院内感染很大程度上减少了治疗费用,减轻患者的经济负担;(4)病人手术后尽快恢复正常生活,减少住院和环境变化造成的心理负担,并有利于恢复和康复;(5)照顾者负荷:它可以减轻心理负担,时间,家庭成员照顾病人的经济成本(4]。

眼科手术模型研究了各领域,包括麻醉实践,护理实践,病人的经验,治疗结果,和经济效益5]。众多研究表明,病人一天手术可能面临更大的心理压力比住院手术,需要有效的专业支持,帮助他们应付一天手术过程(6]。

文献回顾发现心理康复。尽管手术是治疗这种疾病,它也是一个严重的压力来源(2]。增加肠的声音通常清单术前生理应激;焦虑是最典型的临床表现,术前的心理压力。焦虑是一种复杂的情绪反应,包括张力。手术前病人的焦虑水平会稳步增加,急剧上升到峰值在麻醉前(7]。温和的术前恐惧有利于术后恢复(8]。低水平的焦虑表明病人术前心理状态不佳;过于依赖医护人员或手术;缺乏足够的心理准备,手术风险,术后并发症,术后恢复;由于术后疼痛和可能经历过度焦虑。过度焦虑会导致增加儿茶酚胺的分泌和促肾上腺皮质激素,尤其是糖皮质激素,可以延迟伤口愈合9]。之间存在线性相关术前焦虑和各种指标的术后心身恢复(术后疼痛,术后满意度,疲惫,等等。10])。术前焦虑也被报道术后恶心和呕吐的发生率增加,加重术后疼痛,增加术后止痛剂的使用,导致认知障碍和延长病人的住院治疗。术后强调病人的并发症和死亡率的显著增加。(11)研究指出,焦虑程度高的患者应给予术前预防措施。总之,术前焦虑应该合理有效管理促进手术后患者的身心康复。

应对是个体的认知和行为努力应对压力的情况。另一方面,医学应对病人的有意识的心理策略和行为反应疾病(12]。的应对是否有助于缓冲压力的影响,因此对健康有利或不利影响,有积极应对和消极应对13),研究发现,那些不善于积极应对更容易感到焦虑。王等人还显示,积极应对少患者术前焦虑和消极应对患者更高的焦虑。人们普遍认为积极应对有利于调动病人的内部因素,使患者更好的配合治疗和促进疾病的稳定和恢复,而消极应对提高病人的应激反应,减少人体对疾病的防御功能,对疾病回归产生不利影响。因此,护理人员应指导患者采取积极应对,避免消极应对根据他们的个性特点来改善他们的心理适应性手术压力(14]。

眼科手术是一种新的手术治疗方法,患者的不熟悉的过程,过程的安全担忧,担忧自我照顾不足,和困难在快速适应一个陌生的手术环境中可能会增加他们的术前焦虑15]。现象学的一项研究显示,英国成人20天手术患者抱怨被遗弃的感觉在等待手术的病人手术前(16]。112名儿童接受手术的一项研究显示,家庭的孩子间隔手术术前焦虑水平要明显高于家庭的儿童住院手术。所有(17]研究表明,间隔手术患者焦虑的重要术前焦虑和令人担忧的水平。(18)研究指出,大部分的手术患者认为术前信息是非常重要的19]。这项研究进一步指出,孩子间隔手术需要干预由专业人士,包括护士。

健康教育和心理干预是有效的和被广泛接受的护理干预方法。国外研究表明,护理干预措施能有效减少手术患者术前的心理压力。他们发挥重要和积极的作用在减少焦虑,减少恶心和呕吐,减少术后感染的发生率,提高经济效率20.]。术前干预孩子的生活顾问142天手术显著降低儿童术前焦虑和增加孩子满意。在[21),一个音乐干预是有效地降低间隔手术患者术前焦虑(22]。音乐是有效的管理工具interoperative手术患者术前焦虑和建议作为一个有效的管理工具天手术患者术前焦虑(23]。电话随访的238例患者接受interoperative过程表明,许多个性化的问题可以很容易地通过充分的术前准备和教育。

目前,机器学习算法应用于术前患者焦虑主要是传统的机器学习,如支持向量机,随机森林、事例,肤浅的人工神经网络。使用机器学习的基本原理构建病人术前焦虑的预测模型是收集病人术前焦虑的风险因素和生物标记的数据,然后这些数据获得正常数据集进行预处理。

2。方法

2.1。患者术前焦虑研究的数据收集

机器学习的力量在于潜在挖掘数据中的模式。因此,收集数据的第一步是建立一个预测模型。数据收集方法越来越多样由于科学和技术的发展,例如,摄取相关调查,健康通过各种传感器收集的数据,从网络平台公开的数据。还有一个多样性的数据收集方法和基于机器学习的数据类型病人术前焦虑的研究。

病人焦虑的预测是基于机器学习的因素能反映患者的术前焦虑倾向和各种疾病标记,包括病人的术前焦虑影响因素、症状和生理特征(24]。目前,主要有社会人口数据,如年龄,性别和滥用药物,临床数据身体症状和心理状态,和生理数据如脑电图(EEG)、磁共振成像(MRI),眼动数据,心率变异性参数收集的医疗器械。脑电图和MRI是最广泛使用的,但MRI和其他生理信号的成本很高,所以学者们逐步探索的可能性收集低成本数据可以预测病人的术前焦虑(25,26]。

2.2。MVPA过程

本节的研究框架是构建基于MVPA框架,主要包括特征提取、特征选择和分类器选择MVPA方法。CDCGAN应用在本节需要尽可能大的样本的数量(即。,滑动窗口构造很大)。基于实验结果的动态功能连接网络部分3的滑动时间窗口(窗口宽度 ,步长 )用于构建动态网络和提取功能,导致最后一个数据集的 ( )。初始数据集特征维度的100年建造使用肯德尔等级相关系数方法(构建数据集的原因使用特征选择方法是降低数据的维数比降维特征选择给出更好的结果)。此外,本节适用于混合特征选择算法对特征选择和区分了LDC分类器和LSVM分类器训练判别模型如图1。


图1
基于CDCGAN抑郁症的分类过程。
2.2.1。构建扩展数据集

我们通过CDCGAN扩展数据。首先,我们使用了肯德尔排名相关系数排序方法 数据集的特性和选择辨别力强的前100维的特征作为初始数据集( ),以消除冗余特征,从而加速计算。然后,CDCGAN用于生成和样品相同的分布作为初始数据(生成的样本的数量是一样的样本的数量在最初的数据)。最后,生成的数据集和相同的初始数据集主题连接形式( )扩展数据集。

CDCGAN是一个网络,结合经典的优点生成对抗网络DCGAN和CGAN,如图2组成的网络 DCGAN添加约束 。它相对容易训练,模型是可控的,生成的样本更符合研究者的期望。CDCGAN DCGAN有类似的结构,生成网络 和识别网络 既重组cnn,识别网络 是生成网络的核心网和负责生成均匀的数据。


图2
CDCGAN的结构图。

网络 在这项研究中由一个输入层( 和 ),完全连接层、两个卷积层和一个输出层,示意图见图3。此外,CDCGAN优化过程类似于其他生殖对抗的网络,它是一个“二进制minimal-extreme游戏”的问题,在对手的错误是最大化通过交替迭代更新(在这项研究中, 每两个更新更新一次 ),纳什均衡是最终达到双方,表达


图3
发电机网络的结构图。

详细的构建块在这项研究中使用的CDCGAN如下:(1)提供的网络carpedm20用于生成网络 和歧视的网络 ;(2) 主体的ID号( ),和所有窗口相同的主题有相同的ID号;(3)噪声 是一个100维随机数服从标准正态分布;和(4) 是初始数据集。

2.3。案例研究

回顾性分析70例患者术前进行在我们医院。他们被分为对照组和观察组根据进入手术室时,与35例。

在护理之前,焦虑分数的差异表所示1。

表1
比较之前和之后的焦虑护理( ,%)。

在对照组,10例阳性,19日平均,和6负,与合规率为82.86%;观察组11例阳性,平均21,和3负,合规率为91.43%。没有统计上的显著差异在两组之间的合规率(27]。

3所示。结果

3.1。分类结果

应用混合特征选择方法,最好的正确分类率使用T-LSVM和T-LDC方法分别为0.6585和0.6829,分别。这两种方法相结合,并没有使用CDCGAN,作为基线控制实验。

混合特征选择方法用于扩展数据集的特征选择和LSVM LDC分类器申请分类,分别。为分析交叉验证方法,训练集的扩展数据集40主题,和测试集的初始数据集和扩展数据集剩余1主题。最好的两个测试集分类精度为92.68%是通过使用不同的分类器。CDCGAN的参数(噪声 和网络权重 )随机初始化,这可能会影响生成的质量数据,10轮CDCGAN实验。每个实验迭代进行1000次,每50迭代生成样本提取一次。20集的生成样本提取,这导致了数据集的扩展 集。图4显示了四个扩展数据集不同方法下的最优分类结果。


图4
分类结果与CDCDAN没有CDCDAN。

像实验中的CDCGAN随机初始化参数,为了评估CDCGAN使用一个辅助诊断模型的性能,整体 扩展数据集是总结。图5显示了平均增长率( )最好的正确分类率为扩展数据集使用的四种组合方法相对于基线控制参数时最好的分类速度 是多种多样的。


图5
最好的准确率的平均增长速度参数 。

可以看到从图5,平均增长速度最好的正确分类率为以上四种组合方法是零刻度线,表明CDCGAN方法有助于提高正确分类率。进一步分析不同特征组合分类的影响,图6给出的平均增长率不同特征尺寸的正确分类率 。


图6
分类精度的平均增长率在不同特征维度。
3.2。分析的结果

CDCGAN生成模型的影响,参数 混合的特征选择算法,并结合功能患者术前焦虑的分类提出了基于功能磁共振成像数据的数据4,5,6,分别。不仅这三个数据表明CDCGAN的应用可以显著改善患者术前焦虑的正确分类率也证明的可行性应用CDCGAN术前患者焦虑磁共振成像数据。为了进一步分析模型在本章提出的影响特性的贡献,一个特定的数据集的分析(c)在图4进行了。分类过程使用分析交叉验证方法为每个主题特征选择和分类,这可能会导致不同的功能组合过滤的特征选择每次由于在每个交叉验证训练集的小差异。使用数据集(c)图4,我们最好的正确分类率相比使用不同的特征选择方法和不同的组合方法,如表所示2。

表2
最好的分类结果和相应的参数值。

从表2可以看到,同样的训练集和测试集,混合特征选择算法达到更高的分类精度,还可以看到,分类精度通过应用CDCGAN模型,不管特征选择方法,高于没有CDCGAN模型实现的。

4所示。讨论

在手术室术前等待时间期间,病人容易坏情绪影响操作的结果。病人常常考虑风险,并发症,创伤,手术的结果,增加了他们对手术焦虑。中午12:00之前执行手术可以缩短时间担心手术的风险,减少术前焦虑,确保手术患者有足够的精力。你等待手术的时间越长,病人变得越焦虑,身心疲惫的他或她。因此,除了手术缩短等待时间,有效的护理也给病人在等待期。心理、环境、和饮食护理给患者改善生理和心理条件,避免在等待期间情绪波动。心理护理可以减轻患者的焦虑在等待期和提高他们对治疗的信心;环境护理可以消除病人的治疗不熟悉环境和减少情绪波动;饮食治疗可以改善患者的免疫系统,确保他们有足够的体力和精力来完成操作,提高手术的安全性。

本研究也有一些缺点。首先,病人在这项研究中都从同一家医院,这并不代表整体情况。其次,本研究的样本量太小,很容易导致偏见的结果。最后,本研究只综合手术前后护理效果相比,但是否有不同的护理效果在不同时间点操作后,仍然需要进一步的研究。

本文首次应用生成模型(CDCGAN)病人的术前anxiety-assisted诊断模型和解决这一问题,一些不能使用机器学习算法由于可用的样本数量不足的病人术前焦虑功能磁共振成像数据。集团ICA构造整个大脑动态功能连接网络,和初始数据集是由肯德尔的等级相关系数的方法。结果表明,基于CDCGAN的正确分类率显著高于没有CDCGAN。

5。结论

这表明患者术前焦虑的MVPA-assisted诊断模型基于功能磁共振成像数据使用混合特征选择算法和CDCGAN提出是有效的和可行的尝试。

数据可用性

使用的数据集和分析在当前研究可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

金惠陈是第一作者。