学科分类
/ 1
6 个结果
  • 简介:摘要:我国心血管疾病患病率及仍处于上升阶段,死亡率占城乡居民总死亡原因的首位。膳食不合理、身体活动不足、烟草使用、有害饮酒、超重、肥胖、血脂异常等慢性病的共同危险因素普遍存在,慢性病导致的社会经济负担呈上升趋势,慢性病防控形势严峻。

  • 标签: 超重 肥胖影响因素
  • 简介:摘要目的了解重庆市巴南区居民健康素养水平和吸烟状况,为政府和卫生部门进行决策提供科学依据。方法实施多阶段分层随机抽样对重庆市巴南区15至69岁居民进行问卷调查。结果健康素养水平为12.1%。基本知识和理念、生活方式和行为、基本技能水平分别为16.7%、20.8%、12.9%,6类健康问题素养水平如下科学健康观(41.3%),传染病预防(28.8%),慢性病预防(7.5%),安全与急救(47.1%),基本医疗(17.1%),健康信息(9.2%)。吸烟率为29.6%。多因素分析,文化程度(OR=3.307)、吸烟状况(OR=1.969)影响居民健康素养水平。结论巴南区居民健康素养水平较低,吸烟率较高。应针对重点人群和重点健康问题,进行综合干预以提高居民健康素养水平。

  • 标签: 健康素养 水平 吸烟状况 调查 影响因素
  • 简介:摘要 目的 分析钦南区 2008-2015年流行性腮腺炎发病特征,为制定有效的防控对策提供科学依据。方法 收集钦南区 2008-2015年流行性腮腺炎疫情报告资料,采用描述流行病学方法进行统计分析。结果 钦南区 2008-2015年累计报告流行性腮腺炎病例 784例,年均发病率达 19.53/10万。发病以 4~ 7月为高发季节,有明显的季节性。以学生、儿童发病居多,男性高于女性,发病年龄主要集中在 4~ 9岁年龄段。结论 钦南区流行性腮腺炎疫情呈逐年下降趋势,以学生、儿童发病居多,发病年龄是 4~ 9岁,城区高于乡镇,应针对重点地区、重点人群开展流行性腮腺炎疫苗接种工作。

  • 标签: 流行性腮腺炎 流行病学 分析
  • 简介:摘要:目的 通过回顾性分析江南区13272例女性宫颈的人乳头瘤病毒(HPV)感染情况及不同年龄段的人群在各个型别分布特征,为本地区宫颈癌预防和治疗提供可靠理论依据。 方法 采用核酸分子快速导流杂交基因芯片实验技术手段,对2021年1月1日至2022年7月31日期间在我院就诊的13272名女性进行生殖道HPV感染基因亚型筛查检测,将筛查结果与年龄及感染情况相结合进行统计分析。结果 调查的13272名女性筛查结果显示,HPV感染阳性总人数为2560例,总体感染率19.29%。不同年龄组女性的HPV感染率存在显著统计学差异(X =177.639,P<0.001),各年龄组HPV感染率由高到低依次为<36岁(11.64%)、36-50岁(5.34%)、>50岁(2.31%)。21种HPV亚型均有阳性病例,阳性型别累计总数为3494,高危型别构成比为75.16%,低危型别构成比为24.84%,在不同年龄段中,高危HPV亚型以52型占比最高,低危HPV亚型以6型和53型感染居多。在2560例阳性病例中,单一亚型的感染占比最高(75.40%),双重感染(17.73%)次之,多重感染占比最低(6.88%)。结论 南宁市江南区13272例女性宫颈HPV感染主要以高危型、单一亚型感染为主。本地区最常见的感染亚型为52型、58型和16型,并且以<36岁年轻女性感染居多。

  • 标签: 人乳头瘤病毒 感染 基因分型 江南地区
  • 简介:【摘要】 目的:构建术后肺部并发症(postoperative pulmonary complications, PPCs)的预测模型并进行验证。方法:回顾性收集2019年1月1日至2021年12月31日在重庆医科大学附属巴南医院实施的头颈胸及上腹部三、四级手术的患者,其中满足纳入排除标准的病例有2157例。数据预处理后,通过循证和临床结合的方式筛选出预测模型的特征变量,基于机器学习技术分别构建Logistic回归模型、梯度提升决策树(gradient boosting decision tree, GBDT)模型和人工神经网络(artificial neural network, ANN)模型。通过比较预测模型的准确度、灵敏度、特异度和曲线下面积(the area under the curve, AUC)等指标,评估三种模型的预测性能。结果:Logistic回归模型、GBDT模型和ANN模型的AUC值,分别为0.823 (95% CI: 0.790~0.855)、0.877 (95% CI: 0.841~0.913)和0.908 (95% CI: 0.878~0.938)。结论:基于机器学习算法构建PPCs风险预测模型具有可行性。在本研究构建的三种PPCs机器学习模型中,ANN模型具有良好的预测表现和临床价值。

  • 标签: 机器学习 术后肺部并发症 风险评估 预测模型