简介:摘要:随着科技的迅速发展,教育领域也正在经历着一场革命性的变革。创新教育技术正逐渐走进课堂,为传统的医学教育注入新的活力和可能性。本研究旨在探讨创新教育技术在儿科医学教学中的应用与效果。通过采用现代教育技术,如虚拟仿真、在线学习平台等,以及教学方法的创新,研究在儿科医学教育中提高学生学习效果和兴趣的可行性。研究结果表明,创新教育技术的应用可以提高学生的主动参与,增强他们的临床技能和知识水平。学生对于采用创新教育技术的教学方法持积极态度,认为其能够更好地满足他们的学习需求。
简介:摘要目的分析影响北京市新型冠状病毒肺炎(COVID-19)患者核酸复阳的危险因素,并初步建立预测模型。方法收集2021年10月21日至2021年12月5日在首都医科大学附属北京地坛医院住院的45例COVID-19患者临床数据,根据出院后14 d新型冠状病毒(SARS-CoV-2)核酸复查是否阳性分为复阳组(n=9)和持续阴性组(n=36),将两组患者临床指标进行单因素分析,筛选出影响COVID-19患者复阳的可能危险因素;进一步进行logistic回归分析并构建预测模型,绘制受试者工作特征(ROC)曲线评价预测价值。结果两组间病程、阴转时间(SARS-CoV-2核酸ORF或N单基因首次阴性日期至出院日期的间隔天数)、IgM、CRP、SAA、LYMP%、WBC、N-Ct(鼻咽拭子核酸RT-PCR的Ct值)、联合治疗方式、肺部病变时间(胸部CT提示病毒性肺炎的日期与提示病变吸收日期的间隔天数)等指标差异有统计学意义( P<0.05)。logistic回归分析显示病程(OR = 0.801,95%CI:0.660~0.973)、联合治疗方式(OR = 0.346,95%CI:0.124~0.965)、肺部病变时间(OR =0.787,95%CI:0.641~0.965)为COVID-19患者复阳的独立预测因素。创建预测模型:logit(P)= 7.053-0.222×病程-1.361×联合治疗-0.240×肺部病变好转时间。预测模型的ROC曲线下面积为0.872,95%CI [0.759,0.985]。此ROC曲线的约登指数为0.584,灵敏度为0.788,特异度为0.806。结论病程、联合治疗方式、肺部病变时间为预测COVID-19患者复阳的独立因素,所建立的预测模型对COVID-19患者复阳具有较好的预测价值。