با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
اجرای یک پروتکل استاندارد مدیریت خالی سازی جهت کاهش میله گذاری دوباره غیرضروری – یک پروژه بهبود کیفیت
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 19 هدف: طراحی و اجرای یک پروتکل استاندارد مدیریت پساعملی خالی سازی که بیمارانی با نگه داشتن ادرار را به صورت دقیق شناسایی می کند و میله گذاری ضروری دوباره را کاهش می دهد.
روشها: یک پروتکل پساعملی مدیریت خالی سازی در بیمارانی که عمل جراحی شدید، بستری شدن و وریدهای شکمی غیر ریشه ای را تحمل می کنند با یک تومورشناس زنان طراحی و اجرا شد. هیچ بیماری میله اپیدورالی نداشت. پروتکل بهبود کیفیت اجرا شده شامل موارد زیر بود: 1) حذف صدا در شش ساعت به صورت پساعملی؛ 2) اسکن عمومی مثانه پس از اولین خالی سازی؛ و 3) کاهش میله گذاری دوباره برای بیمارانی با حجم اسکن مثانه ای بیشتر از 150 میلی لیتر. درکل اجرای پساپروتکل 96 بیمار با پیش- پروتکل 52 بیمار مقایسه شد. درکنار داده های جمعیتی مبنا و زمان سنجی حذف میله گذاری، ما حضور یا عدم حضور نگه داشتن ادرار یا میله گذاری دوباره غیرضروری و نرخ عفونت پساعملیاتی دسته تارهای ادراری را ثبت کردیم. آزمایش واقعی فیشر و آزمایش های t دانشجویی برای مقایسه ها انجام شد.
نتایج: نرخ کلی نگه داشتن ادرار پس از عمل جراحی برابر با 6/21% (148/32) بود. پروتکل جدید مدیریت خالی سازی، نرخ میله گذاری دوباره غیرضروری را تا 90 درصد (5/13 درصد دربرابر ½ درصد، 01/0 = p)، بدون چشم پوشی از نگه داشتن واقعی ادرار (1/23% دربرابر 8/20%، 83/0 = p) کاهش داد. به علاوه، افزایش قابل توجهی در ترخیص زودتر از زمان تعریف شده توسط بیمارستان قبل از ساعت 11 قبل از ظهر وجود داشت (40% دربرابر 22%، 022/0 = p). هیچ تفاوتی در نرخ عفونت تارهای ادراری پسا از عمل بین گروهها وجود نداشت (1 = p). عوامل خطر درکنار نگه داشتن ادرار شامل سن بالا (01/0>p)، استفاده از داروهایی با ویژگی های استیل کولین (01/0>p) و عملکرد غیرمعمول ادرارِ ازقبل موجود می شود.
نتیجه گیری ها: اجرای این پروتکل مدیریتی جدید خالی سازی، میله گذاری دوباره غیرضروری را کاهش داد، نگه داشتن ادرار واقعی را به دست داد و ترخیص بیمارستانی پیشین را تسهیل کرد.
|
مقاله ترجمه شده |
2 |
Highly Accurate Image Reconstruction for Multimodal Noise Suppression Using Semisupervised Learning on Big Data
بازخوانی تصویر دقیق برای از بین بردن سر و صدای چند منظوره با استفاده از یادگیری نیمه نگهدارنده با داده های بزرگ-2018 Impulse noise corruption in digital images frequently occurs because of errors generated by noisy sensors
or communication channels, such as faulty memory locations
in devices, malfunctioning pixels within a camera, or bit errors
in transmission. Although recently developed big data streaming
enhances the viability of video communication, visual distortions
in images caused by impulse noise corruption can negatively
affect video communication applications. Additionally, sparsity,
density, and multimodality in large volumes of noisy images
have often been ignored in recent studies, whereas these issues
have become important because of the increasing viability of
video communication services. To effectively eliminate the visual
effects generated by the impulse noise from the corrupted images,
this study proposes a novel model that uses a devised cost function
involving semisupervised learning based on a large amount of
corrupted image data with a few labeled training samples. The
proposed model qualitatively and quantitatively outperforms the
existing state-of-the-art image reconstruction models in terms of
the denoising effect.
Index Terms: Noise removal, big image data, semisupervised learning |
مقاله انگلیسی |