【摘 要】
：
目的:对计划免疫儿童接种采用细致健康宣教,对家长满意度的影响和儿童接种依从性的影响进行探讨.方法:研究样本为我中心的计划免疫儿童200例,样本选取时间为2020年1月到2011
【机 构】
：
北京市通州区玉桥街道社区卫生服务中心 101100
论文部分内容阅读
目的:对计划免疫儿童接种采用细致健康宣教,对家长满意度的影响和儿童接种依从性的影响进行探讨.方法:研究样本为我中心的计划免疫儿童200例,样本选取时间为2020年1月到2011年1月之间,按照随机数字分组法,将所有儿童分为采用常规健康教育的对照组和采用细致健康宣教的观察组,每组的儿童例数为100,对两组儿童接种依从性和家长满意度的差异进行比较.结果:对比两组儿童的接种依从性,对照组显著低于观察组,数据对比差异显著(P<0.05).对比两组儿童家长的满意度,对照组显著低于观察组,数据对比差异下显著(P<0.05).结论:在计划免疫儿童接种过程中采用细致健康宣教能够显著提高儿童接种依从性和家长满意度,效果理想,值得临床参考和借鉴.
其他文献
目的:探究对急性呼吸窘迫综合征患者行ICU护理风险管理模式后患者呼吸机相关性肺炎的发生率、呼吸功能改善情况.方法:以急性呼吸窘迫综合征80例(2017年6月至2019年6月)病患开
近年来,深度学习在卫星影像目标检测领域得到了快速的发展,如何精准高效定位目标物体是卫星影像目标检测研究中的主要难点。提出了一种基于旋转矩形空间的YOLOv3改进算法来精准定位卫星影像目标,对原有网络进行改进,增加角度变换的数据预处理过程,防止实例角度变化对网络训练造成影响。使用双旋转坐标进行回归训练,增加了角度锚点,提高了网络对卫星目标的检测有效性。提出了基于旋转矩形空间的非极大值抑制改进算法,可
目前人机交互方式多以键盘鼠标为主,而基于深度学习手势识别的交互方式算法准确率不高,且实时性和系统稳定性均有待提升。提出一种新颖的针对轻量级OpenPose进行改进的幻影机手势交互系统。采用轻量级OpenPose将人手简化建模为21个关键点,以MobileNetV1作为基础模型,应用部分亲和域(Part Affinity Fields,PAF)方法实现人手关键点的检测并画出简化骨骼图。为进一步提升人
基于无线体域网(Wireless Body Area Network,WBAN)的智慧医疗在取得广泛关注的同时也面临诸多挑战,传统方法引入云计算解决体域网网关设备(HUB)资源受限问题,但实时性差。采用低时延的雾计算辅助的方法对体域网生理数据进行处理,提出了一种雾计算目标节点优化选择及任务卸载方法。该方法充分考虑紧急任务的实时性需求,采用抢占式任务调度及有效的资源分配方式降低紧急任务的总时延。同时该方法根据任务紧急与否自适应调整目标节点的评价尺度,在紧急情况下,以时延及任务负载最小为优化目标,在非紧急情况
从数据中学习模糊系统是其智能建模的重要方法之一,针对目前模糊系统建模及优化方法对于学习后的模糊系统的规则数以及结构优化关注不足而影响了其精度和可解释性的问题,提出了一种结合模拟退火与基于支持度约简规则的模糊系统优化方法。该方法通过支持度约简系统冗余规则进而提高模糊系统的可解释性;同时利用模拟退火算法优化模糊系统的隶属度函数参数进一步提高模糊系统的精度。针对回归任务,与BP(Back Propagation)神经网络、径向基(Radial Basis Function,RBF)神经网络以及经典的模糊算法WM
目的:研究健康教育联合心理护理,运用在帕金森患者护理中的成效.方法:选取本院2019年9月-2021年2月,实施诊治的60例帕金森患者作为客体,具体分成两组,对照组使用常规护理,观
目的探讨以促性腺激素释放激素激动剂（GnRH-a）为基础的联合治疗方案对口服孕激素治疗失败的子宫内膜非典型增生（AEH）及子宫内膜癌（EC）患者的疗效、复发及妊娠结局。方法收集2012年1月至2020年12月中国医学科学院北京协和医学院北京协和医院收治的口服孕激素治疗失败后要求再次保留生育功能治疗，经评估仍符合保留生育功能治疗指征的患者共40例，其中AEH 7例、EC 33例，对其进行以GnRH-
目的:探讨启发式临床医学教学(PCMC)联合问题式教学(PBL)教学法在泌尿外科护理带教中的应用效果.方法:选择2019年12月-2020年12月在本院泌尿外科实习的84名实习生作为研究对
目的:分析社区老年人生活质量及自理能力之间的相关性.方法:采用便利抽样法,于2018年4—8月对兰州市500名≥60岁社区老年人进行一对一的访问,调查工具有巴氏指数评分表(BI)、
针对股票数据共线性和非线性的特点,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)神经网络的混合预测模型,并对沪深300指数、上证综指和深证成指进行了预测。该模型首先采用CNN提取特征向量,对原始数据进行降维,然后利用GRU神经网络学习特征动态变化规律进行股指预测。仿真结果表明,与GRU神经网络、长短时记忆(Long-Short-Term Memory,LSTM)神经网络和CNN相比,该模型能够