简介:摘要:本文旨在探讨生成式预训练大语言模型(GPT)在档案管理工作中的应用。本文介绍了档案管理工作的定义、重要性以及面临的挑战和限制,并阐述了引入GPT模型的动机;概述了GPT的基本原理和技术,并介绍了常见的GPT架构和应用领域,以及GPT在自然语言处理中的成功案例;重点探讨了GPT与档案管理工作的结合点;还讨论了GPT在自动识别和提取档案中的重要信息和关键词方面的应用,以及合规性保证和隐私保护。本文研究了GPT在档案管理工作中的潜力和优势,提出了将GPT应用于档案管理的可行性,并对未来的研究和应用进行了展望。
简介:摘要目的评价基于电子病历的预训练模型对急性呼吸道感染(ARI)的识别效果。方法收集重庆大学附属三峡医院2021年12月1至31日就诊于呼吸与危重症科、发热门诊、急诊门诊、儿科、感染科的所有患者的病历资料。使用基于Transformer的双向编码器表征(BERT)预训练模型对病历进行ARI病例识别与判断,以医学专业人员根据ARI病例定义判断的结果作为“金标准”,计算模型识别ARI的灵敏度、特异度、与“金标准”的一致性及受试者工作特征曲线下面积(AUC),评价模型对ARI病例识别的准确性。结果含有3 817条电子医疗记录的测试集中,共有1 200条经人工判定的ARI病历。模型判定ARI共计1 205例,灵敏度为92.67%(1 112/1 200),特异度96.45%(2 524/2 617),与“金标准”的一致性Kappa值为0.89,AUC为0.95。模型在男性和女性中识别ARI的准确性相近(AUC分别为0.95和0.94),且对未成年ARI病例识别较18~59岁及≥60岁(AUC分别为0.94,0.89和0.89)更准确。相较于住院患者,目前模型对门诊患者的ARI识别更好,AUC分别为0.74和0.95。结论使用基于电子病历的预训练模型对ARI病例判定具有良好的效果,特别是针对门诊患者及未成年患者。该模型在利用电子病历进行医疗机构ARI病例监测方面表现出良好的潜力。
简介:摘要: 根据机车车体结构及设备布置的不同,机车布线方式亦多种多样,主要分为中央连续型线槽布线,两侧连续型线槽布线,机械间间断型线槽布线,底架间断型线槽布线等。按照目前的布线工艺,只有中央连续型线槽布线采用车下预布线工艺,其余车型都采用车上直接布线。车上布线,作业空间狭小、作业环境欠缺,整体布线效率较低,质量隐患大。本文结合三段式布线理念,通过剖析中央线槽预布线工艺,拟为各车型构建模拟线槽布线模型,实现车下预布线,甚至预分线工艺,以提高整体布线效率,杜绝安全隐患,减少质量隐患,也为布线工艺统型奠基。
简介:摘要:随着人工智能的快速发展,生成式预训练模型,尤其是基于Transformer架构的模型,已在自然语言处理任务中取得了显著的成果。本文旨在探索这些模型在萨提亚心理治疗模式中的应用潜力,并研究其对提升治疗效果、改善患者体验的影响。
简介:目的用长期跑步训练诱导小鼠的生理性心脏肥厚模型,与主动脉缩窄手术诱导的病理性心脏肥厚模型进行比较。方法8周龄野生型雄性C57BL/6小鼠分为跑步运动组,正常对照组,手术刺激组和假手术组。运动组跑步训练40d,手术刺激组行主动脉缩窄手术2周,从组织形态学、超声心动图、分子标志物表达等方面对模型进行全面评估。结果运动训练组小鼠心脏体重比与正常对照组相比增加27.2%(P〈0.05),左心室体重比增加25.8%(P〈0.01),心脏显著肥厚。超声心动图显示,与各自的对照组相比,运动组和手术组小鼠模型的左心室后壁厚度均显著增加(P〈0.05),但运动组小鼠的相对室壁厚度无明显变化,而手术组小鼠相对室壁厚度显著增加50%(P〈0.05),提示两种不同的心脏肥厚导致在心脏结构改变上差别显著。心脏肥厚分子标志物心房利钠肽和脑钠肽在手术组表达显著上调9.5倍和4.5倍,而在运动组下调为对照组的0.48倍和0.58倍,提示两种不同肥厚的分子机制差别迥异。结论长期跑步运动可以成功的诱导小鼠生理性心脏肥厚模型,其表型和分子机制与手术刺激的病理性肥厚差别显著。
简介:摘要目的探讨远程缺血预适应训练在脑血管疾病(脑梗寒,脑血栓)预防中的作用。方法对30例有脑梗死常见早期征兆的患者采用远程缺血预适应训练。
简介:摘要随着超级显微外科技术的发展,目前主流的两种操作训练模型——离体鸡翅血管模型和活体实验鼠血管模型,逐渐不能满足需要。为了训练吻合直径小于0.8 mm的血管,特别是直径小于0.3 mm的血管,离体动物血管的灌注标本存在一定的局限性,而活体动物模型面临着获取困难、对后勤保障要求高的问题。以活体动物雏鸡为模型有望建立一种较为经济、低风险、高成效,可反复训练、可用于科学研究的超级显微外科模型;其分支可以满足超级显微外科领域直径小于0.8 mm的血管要求,可以模拟正常的血流动力学变化,更接近临床真实操作。但是,活体动物雏鸡模型尚有不足之处,在技能训练或科学研究的过程中,需要建立一套稳定的血管模型及其评价系统,并在术中对雏鸡进行麻醉。
简介:摘要面对当前互联网数据量的剧增,深度学习的训练集也随之指数增长,单台计算机的运算能力已经难以满足现状。例如,ImageNet和vgg16及vgg19模型所需要训练的参数在个人计算机的GPU上已难以完成训练。本文详细描述了通过研究机器学习的并行化计算及分布式训练来缩短训练周期,对集群的管理来合理分配训练的计算机资源,详细介绍了搭建Kubernetes集群的过程,实现在CentOS上部署Kubernetes集群,并且对云容器提高机器学习训练周期的示例做了展示。最后,对云容器分布式训练的应用价值进行了阐述。