|
|
|
某大型综合医院神经外科手术患者医院感染模型与预测研究 |
|
论文目录 |
|
摘要 | 第5-8页 | Abstract | 第8-11页 | 1. 引言 | 第14-18页 | 1.1 选题意义 | 第14页 | 1.2 研究现状 | 第14-16页 | 1.3 本文要解决的问题及意义 | 第16-18页 | 2. 基本理论概述 | 第18-26页 | 2.1 多元 logistic 回归模型 | 第18-22页 | 2.1.1 基本定义 | 第18-20页 | 2.1.2 基本理论 | 第20页 | 2.1.3 模型的建立与检验方法 | 第20-22页 | 2.2 粗糙集属性约简与支持向量机理论 | 第22-24页 | 2.2.1 粗糙集基本理论 | 第22-23页 | 2.2.2 Johnson 约简算法 | 第23页 | 2.2.3 支持向量机理论 | 第23-24页 | 2.3 人工神经网络模型 | 第24-26页 | 2.3.1 人工神经网络定义 | 第24页 | 2.3.2 人工神经网络的构筑理念及特征 | 第24-25页 | 2.3.3 BP 神经网络 | 第25页 | 2.3.4 神经网络的实际应用 | 第25-26页 | 3 神经外科手术患者医院感染危险因素分析与模型预测研究 | 第26-60页 | 3.1 数据的采集和预处理 | 第26-27页 | 3.1.1 数据采集 | 第26页 | 3.1.2 数据的预处理 | 第26-27页 | 3.2 基本情况描述分析 | 第27-30页 | 3.2.1 感染部位统计 | 第28页 | 3.2.2 检出病原菌统计 | 第28-29页 | 3.2.3 讨论 | 第29-30页 | 3.3 危险因素分析 | 第30-39页 | 3.3.1 纳入手术次数的危险因素分析 | 第30-33页 | 3.3.1.1 单因素分析结果 | 第30-32页 | 3.3.1.2 多因素分析结果 | 第32-33页 | 3.3.2 一次手术患者的危险因素分析 | 第33-35页 | 3.3.2.1 单因素分析结果 | 第33-34页 | 3.3.2.2 多因素分析结果 | 第34-35页 | 3.3.3 两次手术患者的危险因素分析 | 第35-37页 | 3.3.3.1 单因素分析结果 | 第35-37页 | 3.3.3.2 多因素分析结果 | 第37页 | 3.3.4 结果讨论 | 第37-39页 | 3.4 医院感染风险预测 | 第39-57页 | 3.4.1 纳入手术次数的医院感染风险预测 | 第39-46页 | 3.4.1.1 多元 Logistic 回归分析 | 第39-43页 | 3.4.1.2 粗糙集、属性约简与 SVM 分析 | 第43-45页 | 3.4.1.2.1 属性约简结果 | 第43页 | 3.4.1.2.2 分类结果 | 第43-45页 | 3.4.1.3 BP 神经网络模型分析 | 第45-46页 | 3.4.2 一次手术患者的医院感染风险预测 | 第46-52页 | 3.4.2.1 多元 Logistic 回归分析 | 第46-49页 | 3.4.2.2 粗糙集属性约简与 SVM 分析 | 第49-51页 | 3.4.2.2.1 属性约简结果 | 第49页 | 3.4.2.2.2 分类结果 | 第49-51页 | 3.4.2.3 BP 神经网络模型 | 第51-52页 | 3.4.3 两次手术患者的医院感染风险预测 | 第52-57页 | 3.4.3.1 多元 Logistic 回归分析 | 第52-54页 | 3.4.3.2 粗糙集属性约简与 SVM 分析 | 第54-56页 | 3.4.3.2.1 属性约简结果 | 第54-55页 | 3.4.3.2.2 分类结果 | 第55-56页 | 3.4.3.3 BP 神经网络分类结果 | 第56-57页 | 3.5 模型结果的对比和讨论 | 第57-60页 | 4.讨论 | 第60-62页 | 4.1 本文创新点 | 第60页 | 4.2 本文的不足及未来的工作 | 第60-62页 | 参考文献 | 第62-66页 | 附录 | 第66-74页 | 致谢 | 第74-76页 | 个人简历 | 第76页 | 发表的学术论文 | 第76-77页 |
|
|
|
|
论文编号BS3693589,这篇论文共77页 会员购买按0.35元/页下载,共需支付26.95元。 直接购买按0.5元/页下载,共需要支付38.5元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|