教学课程资源库 更多>>

关键词： 医学检验   护理   标本采集  

摘要： 目的观察分析精细化护理对医学检验质量的影响效果。方法本研究选择我院肾内科精细化护理实施前(2017年10月-12月)和精细化护理实施后(2018年1月-3月)递交至检验科的标本各100份为研究样本,实施前递交标本为普通护理标本采集组,实施后递交标本为精细化护理标本采集组,对上述两组标本的质量合格率加以比较研究。结果精细化护理标本采集组递交标本的质量合格率显著高于普通护理标本采集组(P<0.05)。结论加强临床护理人员标本采集运送知识培训,将精细化护理理念融入于标本采集工作之中,可显著提升标本质量合格率。

关键词： 卫生理化检验   疾病预防控制   作用   分析  

摘要： 当前,随着我国经济与社会的蓬勃发展,一些商家受到利益的驱使,在食品生产中大量使用化学添加剂或者有害物品,对公众的身体健康带来了严重的威胁,食品安全事件不断涌现,对我国社会的稳定带来一定程度的负面影响,卫生安全逐渐受到公众和社会的高度重视,理化检验作为控制疾病、食品检测的重要手段,其在预防以及检验食品安全中起到关键作用,同时也在预防和控制疾病中发挥了积极作用。因此,我国相关部门需要给予理化检验工作以高度重视,在实际工作中解放思想、更新设备、提升技术,切实发挥理化检验的功能与效应,为我国经济发展和社会稳定夯实基础。在此背景下,文章主要针对卫生理化检验在疾病预防控制中的作用进行分析和阐述,希望给予我国相关行业以参考和借鉴。

关键词： 痕迹检验技术   刑事侦查   作用  

摘要： 痕迹检验技术是公安部门在推进侦查工作中比较常用的一种技术手段,因为后期所有的侦查工作都要借助痕迹检验的成果,可以说是整个侦查工作中的基础性工作。除了为侦查工作提供信息和数据外,痕迹检验技术还能提高侦查工作的效率,推进侦查工作的进程。但是在我国的刑事侦查工作中,对痕迹检验技术的运用还存在很多误区,这就给侦查工作的推进造成了很大的阻碍,因此强化对痕迹检验技术的认识是非常有必要的。本文结合痕迹检验技术在刑事侦查工作的应用,对其具体作用提出了自己的看法,仅供参考。

关键词： 生化检验   病因病机   肝硬化   臌胀  

摘要： 目的探讨生化检验项目运用在肝硬化疾病诊断中的临床效果及其中医病因。方法选取2015年9月—2016年12月收治的56例肝硬化患者为观察组,同期健康体检者60例为对照组,行生化检验,对比2组检测结果。结果观察组TP CHE和ALB水平明显低于对照组,ALT、γ-GT、TBIL、AST、DBIL、ACP水平明显高于对照组,差异有统计学意义(P<0.05)。结论中医学认为肝硬化疾病的发生与肝肾阴虚、脾肾阳虚、瘀血阻滞、湿热蕴结以及气滞湿阻等有关,及时行生化检验可以提高诊断准确率。

关键词： 过程控制   质量控制   资源管理   质量分析  

摘要： 本文阐述了实验室信息管理系统(LIMS)在实验室质量管理中的作用,分析了LIMS在运行中的质量控制、资源管理、质量分析等问题,旨在强化和提升检验检测机构工作人员对LIMS系统的认识,提高人员素质、规范管理,主动学习和运用好LIMS系统,从基础上保证和维护检验机构的检验检测能力。

关键词： 急性脑梗死   缺血性修饰白蛋白   脂蛋白相关磷脂酶A2   超敏C-反应蛋白   心电图  

摘要： 目的:探讨缺血性修饰白蛋白(IMA)、脂蛋白相关磷脂酶A2(Lp-PLA2)、超敏C-反应蛋白(hs-CRP)和心电图(ECG)联合检验对急性脑梗死患者的作用和意义。方法:选取160例第一作者医院收取的急性脑梗死患者,按照OCSP分型分为完全前循环梗死(TACI)组、部分前循环梗死(PACI)组、后循环梗死(POCI)组和腔隙性梗死(LACI)组,每组40例。同时选取同期本院健康体检者40例为对照组。分析实验对象的IMA、Lp-PLA2和hs-CRP的含量,并分析其ECG差异。结果:随着脑梗死患者疾病程度的加重,TACI组、PACI组、POCI组和LACI组患者血液中IMA、Lp-PLA2、hs-CRP的含量显著上升; ECG异常人数明显增多,差异具有统计学意义(P <0. 05)。结论:患者ECG异常率,IMA、Lp-PLA2和hs-CRP含量随分型病情程度加重而增高,可用于临床监测患者急性脑梗死的病情。

关键词： 尿液标本   显微镜检查   全自动尿沉渣分析仪   作用  

摘要： 目的探讨和分析在尿沉渣检验中全自动尿沉渣分析仪作用。方法此次抽取2016年3月至2018年5月在我医院做尿沉渣检查的尿液标本(96例)当做分析的对象,此次研究所有标本均进行显微镜检查、全自动尿沉渣分析仪检查,把镜检结果当做诊断标准,比较两种方法的检验结果。结果在此次研究的96例标本中,镜检管型阳性是7例、白细胞阳性是31例、红细胞阳性是27例。全自动尿沉渣分析仪管型阳性是13例,检验假阳性是6.74%,检验准确率是93.26%;白细胞阳性是33例,检验假阳性是3.08%,检验准确率是96.92%;红细胞阳性是31例,检验假阳性是5.80%,检验准确率是94.20%。结论在尿沉渣检验中,全自动尿沉渣分析仪对于尿沉渣进行检验的准确率高,但是也存在一定的假阳性情况,所以在尿沉渣检验中,应镜检联合全自动尿沉渣分析仪进行检查,确保检验准确和可靠。

关键词： 国际危规   腐蚀性物质   分类   运输   包装  

摘要： 从定义、分类标准和分类方法等方面介绍了国际危规中8类腐蚀性物质的分类方式,主要服务于检测机构的分类工作,对企业如何根据准确的分类结果选择合适的包装,并进行规范的托运,确保运输的安全性给出建议。

关键词： Metabolomics   Reliability   Bootstrap   Uncertainty estimation   Chemometrics   Biomarker discovery  

摘要： Recent progress in metabolomics has been aided by the development of analysis techniques such as gas and liquid chromatography coupled with mass spectrometry (GC-MS and LC-MS) and nuclear magnetic resonance (NMR) spectroscopy. The vast quantities of data produced by these techniques has resulted in an increase in the use of machine algorithms that can aid in the interpretation of this data, such as principal components analysis (PCA) and partial least squares (PLS). Techniques such as these can be applied to biomarker discovery, interlaboratory comparison, and clinical diagnoses. However, there is a lingering question whether the results of these studies can be applied to broader sets of clinical data, usually taken from different data sources. In this work, we address this question by creating a metabolomics workflow that combines a previously published consensus analysis procedure with PCA and PLS models using uncertainty analysis based on bootstrapping. This workflow is applied to NMR data that come from an interlaboratory comparison study using synthetic and biologically obtained metabolite mixtures. The consensus analysis identifies trusted laboratories, whose data are used to create classification models that are more reliable than without. With uncertainty analysis, the reliability of the classification can be rigorously quantified, both for data from the original set and from new data that the model is analyzing.

关键词： Cell free DNA   liquid biopsy   fragmentation   pattern recognition  

摘要： Plasma cell-free DNA (cfDNA) has certain fragmentation patterns, which can bring non-random base content curves of the sequencing data's beginning cycles. We studied the patterns and found that we could determine whether a sample is cfDNA or not by just looking into the first 10 cycles of its base content curves. We analyzed 3,189 FastQ files, including 1,442 plasma cfDNA, 1,234 genomic DNA, 507 FFPE tumour DNA, and 6 urinary cfDNA. By deep analyzing these data, we found the patterns were stable enough to distinguish cfDNA from other kinds of DNA samples. Based on this finding, we built classification models to recognize cfDNA samples by their sequencing data. Pattern recognition models were then trained with different classification algorithms like k-nearest neighbors (KNN), random forest, and support vector machine (SVM). The result of 1,000 iteration .632+ bootstrapping showed that all these classifiers could give an average accuracy higher than 98 percent, indicating that the cfDNA patterns are unique and can make the dataset highly separable. The best result was obtained using a random forest classifier with a 99.89 percent average accuracy (sigma = 0.00068). A tool called CfdnaPattern (http://***/OpenGene/CfdnaPattern) has been developed to train the model and to predict whether a sample is cfDNA or not.