简介:摘要:为解决工业企业中,工业机器人、大型盾构机、道岔等大型工业设备,施工环境恶劣,维护成本昂贵,乃至产品质量和有序生产。开发工业设备预测性维护系统。系统基于SpringBoot后端框架、VUE前端框架、TensorFlow大数据分析框架对系统进行开发;基于物联网设备系统在针对非计划停机维护的相关工业指标进行实时数据采集;基于多数据源设定标准化API读取;基于SPARK大数据处理框架对设备维护模块进行在线实时分析;基于行业应用模型,在确保生产质量和生产进度的基础上,使用机器学习回归算法对历史数据和行业数据进行预测模型训练,输出预测性维护指标和大型停机检修计划表及预应对方案;最后通过行业场景应用验证了设计系统的可行性。
简介:摘要目的构建重症患者压力性损伤风险预测模型,并对其预测效果进行验证。方法选取2019年2—9月入住天津医科大学总医院重症医学科的重症患者,采用队列研究,收集患者相关资料,以是否发生压力性损伤为因变量,对相关资料进行单因素和多因素分析建立预测模型,并进行风险分层和预测效果检验。结果重症患者329例,发生压力性损伤48例;对11个影响因素的单因素分析,血乳酸、体温、ICU住院日数、Braden评分、意识状态、年龄、升压药物治疗是压力性损伤发生的可疑影响因素,差异均有统计学意义(Z值为2.575~3.694,χ2值为6.800、30.510、6.344,P<0.05或0.01);可疑影响因素带入二元Logistic回归分析结果显示,患者入ICU 24 h内体温、Braden评分、意识状态、年龄及ICU住院时间是压力性损伤发生的独立影响因素(P<0.05或0.01),建立预测模型。内部验证构建模型有统计学意义且拟合度好,灵敏度为66.7%,特异度为72.2%;根据模型进行风险分层,高危组与低危组差异有统计学意义(t值为-33.371,P<0.01);临床验证预测效果特征(ROC)曲线下面积(AUC)为0.758。结论构建的预测模型是重症患者临床特征的客观指标科学组合有统计学意义;有预测重症患者发生压力性损伤风险的能力;同时具有良好的区分度,对重症患者风险分层管理提供理论依据,具有临床应用价值。
简介:摘要目的构建重症患者压力性损伤风险预测模型,并对其预测效果进行验证。方法选取2019年2—9月入住天津医科大学总医院重症医学科的重症患者,采用队列研究,收集患者相关资料,以是否发生压力性损伤为因变量,对相关资料进行单因素和多因素分析建立预测模型,并进行风险分层和预测效果检验。结果重症患者329例,发生压力性损伤48例;对11个影响因素的单因素分析,血乳酸、体温、ICU住院日数、Braden评分、意识状态、年龄、升压药物治疗是压力性损伤发生的可疑影响因素,差异均有统计学意义(Z值为2.575~3.694,χ2值为6.800、30.510、6.344,P<0.05或0.01);可疑影响因素带入二元Logistic回归分析结果显示,患者入ICU 24 h内体温、Braden评分、意识状态、年龄及ICU住院时间是压力性损伤发生的独立影响因素(P<0.05或0.01),建立预测模型。内部验证构建模型有统计学意义且拟合度好,灵敏度为66.7%,特异度为72.2%;根据模型进行风险分层,高危组与低危组差异有统计学意义(t值为-33.371,P<0.01);临床验证预测效果特征(ROC)曲线下面积(AUC)为0.758。结论构建的预测模型是重症患者临床特征的客观指标科学组合有统计学意义;有预测重症患者发生压力性损伤风险的能力;同时具有良好的区分度,对重症患者风险分层管理提供理论依据,具有临床应用价值。