关键词： 孤独症谱系障碍   睡眠障碍   儿童   研究进展  

摘要： 孤独症谱系障碍是一组高度异质性的神经发育障碍性疾病,临床观察发现孤独症谱系障碍患儿常合并其它疾病,其中睡眠障碍是严重影响孤独症谱系障碍儿童日常生活、生长发育及其核心症状改善的共患病之一。基于现代生物-心理-社会医学模式,现阶段研究影响ASD儿童睡眠障碍发病的因素包括生理病理因素,家庭、社会环境等因素。药物及非药物疗法都被临床证实对孤独症谱系障碍的核心症状及睡眠问题有治疗效果,但其内容繁多。本文综述孤独症谱系障碍儿童睡眠障碍发病的影响因素及其治疗现状,并从中医理论分析孤独症谱系障碍儿童睡眠障碍发病的病因病机及治疗思路。本文可为形成规范化的治疗方案提供新的方向。

关键词： 心理动力理论   社会环境影响   心理社会治疗模式   服务对象   社会工作理论   外在行为   服务案例   内心世界  

摘要： 心理动力理论是社会工作临床治疗的基石,它建立在弗洛伊德及其追随者的理论及后续发展的基础之上。该理论假设人们外在行为的原初动力来自内心世界与精神深处,它强调心理激发行为的方式,以及心理和行为如何影响个人的社会环境,又如何受个人的社会环境影响。在心理动力理论框架下开展服务,社工需要打开服务对象的内心世界,并不断发掘服务对象情绪、行为等外显状态的精神归因,洞察其被压抑的情感,使之得以释放或缓解,达到治疗目的。心理社会治疗模式则是心理动力视角社会工作理论的一个重要理论模式,不仅形成了独特的理论视角,也形成了较完善的临床治疗体系。本期选取几篇以心理动力理论为指导的服务案例与大家分享。

关键词： 儿童   青少年   睡眠   睡眠障碍   经颅磁刺激   经颅直流电刺激   光照疗法   高压氧治疗  

摘要： 睡眠障碍在儿童青少年中非常普遍,在患有神经发育障碍、精神心理疾病等特殊人群中患病率更高,这对儿童青少年睡眠障碍的治疗提出了挑战。儿童青少年睡眠障碍的治疗方法主要包括认知行为治疗、手术治疗、药物治疗及物理治疗。传统的认知行为治疗费用高、合格的睡眠医师及治疗师数量少、患者依从性低。药物治疗虽然是儿童青少年失眠最常用的治疗方法,但缺少适应证和安全性数据的支持,不良反应多,长期疗效未知。通过磁、电、声、光等物理刺激改变中枢和外周神经活性的物理治疗技术可能为无法获得常规治疗、耐受性差或无效的睡眠障碍个体提供有价值的替代治疗选择或补充治疗方案。现就经颅磁刺激、经颅直流电刺激、光照疗法和高压氧治疗4种临床常见的物理治疗及其在儿童青少年睡眠障碍中的应用进展进行综述,为今后儿童青少年睡眠障碍临床治疗提供科学依据和新思路。

关键词： 孤独症谱系障碍   应用行为分析   感觉统合训练   行为   发育   睡眠障碍  

摘要： 目的:评价应用行为分析(ABA)联合感觉统合训练对孤独症谱系障碍(ASD)儿童行为、发育以及睡眠障碍的影响。方法:选入我院2021年1月~2023年1月收治的ASD儿童62例,随机分为对照组和观察组,各31例。两组均予以ABA疗法,观察组在此基础上接受感觉统合训练。评价两组的行为、发育及睡眠情况等,并进行统计比较。结果:观察组治疗总有效率87.10%,显著高于对照组的61.29%(P<0.05);两组治疗后ABC和ATEC量表的各项得分及总分均较治疗前减少,而观察组减少幅度更大,与对照组差异显著(P<0.05);与治疗前比较,两组治疗后Gesell量表各项得分明显升高(P<0.05),而观察组升高幅度显著大于对照组(P<0.05);两组治疗前CSHQ的各项评分及总分无明显差异(P>0.05),而治疗后,与对照组相比,观察组CSHQ各项评分及总分均较低(P<0.05)。结论:ABA疗法联合感觉统合训练能够减轻ASD患儿的疾病症状,改善行为状态及睡眠质量,促进患儿发育,提高临床疗效。

关键词： 脑性瘫痪   儿童   睡眠障碍   重复经颅磁刺激   多导睡眠监测  

摘要： 目的:观察重复经颅磁刺激(rTMS)治疗脑瘫患儿睡眠障碍的临床疗效。方法:选取2020年7月至2023年1月期间在郑州大学第三附属医院就诊的102例脑瘫伴睡眠障碍儿童作为研究对象,采用随机数字表法将其分为观察组及对照组,每组51例。对照组患儿给予常规康复训练及睡眠健康教育,观察组患儿在此基础上辅以rTMS治疗,持续治疗2周。记录治疗前、后2组患儿的多导睡眠监测(PSG)结果并进行数据分析。结果:治疗后2组患儿PSG各因子监测结果均较治疗前有不同程度改善( P<0.05);通过分析非快速眼动睡眠期各时相发现,干预后重度脑瘫组N2(浅睡期睡眠深度)百分比、中度脑瘫组N3(深睡期睡眠深度)百分比的增加幅度均较轻度脑瘫组更显著( P<0.05);干预后混合型脑瘫组N2、N3百分比、不随意运动型脑瘫组N3百分比的增加幅度均较痉挛型脑瘫组更显著( P<0.05)。 结论:rTMS治疗可改善脑瘫儿童的睡眠障碍,尤其对中重度脑瘫患儿N2期睡眠、混合型脑瘫及不随意运动型脑瘫患儿N3期睡眠的改善作用较显著。

关键词： 患者记录   中医证候   注意力缺陷多动障碍(ADHD)   睡眠障碍  

摘要： 研究目的 1.采用回顾性研究对北京中医药大学东直门医院儿科门诊过去五年诊断为注意缺陷多动障碍的病例进行分析。 2.探讨注意缺陷多动障碍儿童的年龄及性别分布情况。 3.分析注意缺陷多动障碍儿童共患睡眠障碍的患病率和特征,探讨其潜在风险因素,并评估睡眠障碍对注意缺陷多动障碍患儿整体健康和功能的影响。 4.分析注意缺陷多动障碍儿童共患其他精神障碍的情况。 5.探讨治疗注意缺陷多动障碍共患不同疾病的用药异同。 研究方法 我们采用回顾性研究的方法,收集了就诊于北京中医大学东直门医院儿科门诊诊断为注意缺陷多动障碍共患和睡眠障碍的4至17岁儿童的门诊病历数据。注意缺陷多动障碍由儿科医生使用《美国精神障碍诊断与统计手册》第五版(DSM-V)进行诊断,并负责制定管理计划。科室医生会进一步完善患者的智力评估以及其他神经心理学评估,并对这些记录进行彻底检查,以确定确诊的注意缺陷多动障碍儿童共患睡眠障碍及其他精神障碍的情况。我们收集的数据信息包括详细的人口统计学信息,症状,病史,诊断、共患疾病以及治疗频率和用药。最后使用Excel和SPSS进行统计分析,采用描述性统计和比较评估来调查患病率、影响因素和临床表现。此外,还将根据年龄、性别、注意缺陷多动障碍的中医证候和共患疾病进行亚组分析,以探讨注意缺陷多动障碍儿童的表现和睡眠模的潜在差异。 研究结果 根据医院数据库中的患者记录,根据DSM-V标准和中医诊断标准诊断为ADHD共患睡眠障碍128例。患者确诊时平均年龄9岁,以男性为主(109例,占比85.2%),男女比例为5.7:1。大多数就诊儿童年龄为12岁或以下(n=117例,占比91.4%),只有11例患者年龄超过12岁(占比8.6%)。大约80%的患者来自北京。儿童ADHD临床发病率较高。对患有睡眠障碍和注意缺陷多动障碍儿童的医院记录数据分析表明,抽动障碍(抽动秽语综合症)是最常见的共患病(n=34,占比26.5%)。在中医证候分析方面,纳入的128例患者最常见的中医证候为“气阴两虚”证(n=64,占比71.11%)。 研究结论 这项回顾性研究全面了解注意缺陷多动障碍儿童睡眠障碍的发展情况,对注意缺陷多动障碍与睡眠障碍之间的相关性提供了有价值的见解,并分析了纳入病例的其他共患病及用药情。

关键词： 深度学习   癫痫分类   变分模态二次分解   儿童睡眠障碍   命名实体识别  

摘要： 在医学与计算机科学的融合领域内,算法模型的构建能显著提高医疗诊断的速度和精度。这些模型在医学领域的应用覆盖了一系列脑疾病,包括如阿尔茨海默病、帕金森病、癫痫、多发性硬化症和睡眠障碍等;而癫痫与睡眠障碍的患者基数大,为典型的脑疾病,故本文以癫痫与睡眠障碍为例,探究算法模型在脑疾病中的具体应用。对于频发的癫痫,精确分类其脑电信号发作类型至关重要,可以优化治疗策略并避免不适宜的治疗方法。通过分析癫痫患者的脑电信号数据对癫痫发作周期进行精准分类,旨在为医生提供辅助诊断工具,以提升诊疗效率。同时,家长对儿童的睡眠障碍的识别尚未得到足够重视,导致家长可能错过早期治疗的最佳时机。因此,开发专门针对儿童睡眠障碍的脑电命名实体识别模型显得尤为重要,该模型通过搜集关于儿童睡眠障碍的脑电信号分析论文文本资料并进行人工标注,运用命名实体识别技术帮助家长早期发现孩子的睡眠问题,促使及时就医。本文利用深度学习技术构建了针对上述疾病的模型,旨在推进相关疾病的科学研究和临床应用: (1)本文在时频分析的背景下,提出了一款基于变分模态二次分解(VMQD)的癫痫分类模型。该模型深入分析癫痫患者的脑电信号数据,结合变分模态二次分解与深度神经网络,致力于精确分类癫痫发作情况。特别是,VMQD模型在初步的变分模态分解后,针对剩余信号执行了变分模态二次分解,有效挖掘出隐藏的信号信息,显著提高了分类的性能。通过混淆矩阵的对比分析,本文成功证明了VMQD算法在癫痫分类方面的应用价值。更进一步的比较研究显示,VMQD模型在分类准确率上优于现有技术,展现了其在诊断癫痫发作阶段的出色能力和高效性。 (2)在儿童睡眠障碍领域,本文提出了一种面向儿童睡眠障碍的脑电命名实体识别模型(NER-ECSD),旨在高效准确地提取脑电信号分析关键实体,如睡眠障碍类型、脑电波形和睡眠分期等。该模型采用了BERT预训练语言模型作为基础,通过融合双向门控循环单元(Bi GRU)与注意力机制,并借助条件随机场(CRF)的应用,本研究实现了对实体的精确识别及其分类的目标。NER-ECSD模型充分利用了文本的上下文信息,有效地解决了专业术语的多义性和文本的复杂性问题。实验结果表明,该模型在儿童睡眠障碍的脑电命名实体识别任务上具有出色的性能,准确率和效率均优于现有技术,展现了在医学文本分析和信息抽取领域的巨大潜力。