目的 通过基于髋关节数字化X射线摄影(Digital Radiography,DR)的放射组学诺莫图预测Ⅰ-Ⅱ期股骨头缺血性坏死(Osteonecrosis of the Femoral Head,ONFH),拓展常规DR在Ⅰ-Ⅱ期ONFH评估中的应用范围。方法 选取61例ONFH患者和24例健康志愿者为研究对象,所有患者和健康志愿者均接受髋关节的DR和MRI扫描。从DR图像人工标注的感兴趣区域中提取1409个放射组学特征,采用最小绝对收缩选择算子回归法进行特征选择,构建多层感知器(Multilayer Perceptron,MLP)和支持向量机(Support Vector Machine,SVM)2种机器学习分类模型进行ONFH检测。结合放射组学评分和独立人口统计学数据,通过逻辑回归分析建立放射组学诺莫图,并通过受试者工作特征曲线及其曲线下面积(Area Under the Curve,AUC)、准确度、特异性和敏感度等指标评估所有模型诊断性能。结果 将所有研究对象随机分为训练集(n=58)和验证集(n=27)。在验证集中,MLP和SVM放射组学模型的AUC分别为0.980和0.954,放射组学诺莫图的AUC为0.981。结论 基于DR放射组学特征的机器学习有助于筛查I-II期ONFH的高危人群。
目的 旨在通过智能手术排程系统优化手术安排,提高手术室利用率与患者满意度。方法 系统基于数据中台,以SQL Server 2016、Visual Studio 2019及C#构建Vue+.Net Core前后端分离B/S架构。设计含手术室预分配、医师与手术室映射、手术排序与调度的智能算法,开发6大模块实现手术自动排班与手动调整。以2024年4—9月13313条智能排程数据为观察组,2023年同期12442条手工排程数据为对照组(护士人数、手术室数量相近),对比8项评价指标。结果 基于数据中台的智能手术排程系统实现了手术排程、人员排班的智能化管理,并结合排程结果实现了智能提醒及手术室业务智能分析功能。临床应用显示,与系统应用前相比,术前等候时间缩减16%,护士加班时长降低16%,手术排程效率提升62%,手术调整频率降低35%,手术错漏情况减少60%,日均手术量增长8.2%,患者满意度上升1.3%,手术准台率提高22.5%,差异均有统计学意义(P<0.05)。结论 智能手术排程系统是现代医院管理中的重要工具,其能通过智能化、自动化的方式优化手术排程、提高手术室利用率、减少手术延误及提升患者满意度。