目的以信息化手段采集數據作為依據，以循證管理的方法對軟式內鏡進行故障管理，降低嚴重故障的發生率，控制維修成本。方法2017 年 1 月—2018 年 12 月通過對中日友好醫院消化科 2015 年—2018 年軟式內鏡使用、測漏、洗消、維修等數據的采集和分析，得出軟式內鏡故障的三大原因：測漏不及時、操作不規范、物理化學損耗，針對這些原因制定相應的管理方案：測漏監管、故障追溯和可靠性維修，并在實施中持續改進，最后統計各等級故障發生率和維修費用的變化。結果經過 2 年的管理實踐，與 2015 年－2016 年相比，2017 年—2018 年軟式內鏡的 A、C 級故障年均發生率分別下降 10.3 個百分點和 16.7 個百分點，年均維修費下降 53.2%。結論應用循證管理的理念，以數據作為基礎，從軟式內鏡故障的根源入手制定并實施一系列針對性的管理方案，可有效控制軟式內鏡的維修成本，基于數據的循證管理理念在醫療設備故障管理中有著廣闊的應用前景。
目的 自主搭建神經網絡架構，利用深度學習技術輔助膝關節CT圖像自動分割，并對其準確性進行評估。方法 建立膝關節CT圖像數據庫，對骨性結構進行手動分割標注。自主搭建神經網絡架構，并使用已標注的CT圖像對該神經網絡進行訓練并測試，通過Dice系數、平均表面距離（average surface distance，ASD）、豪斯多夫距離（Hausdorff distance，HD）評價該神經網絡分割性能，并比較自動分割與手動分割所需時間。5名臨床醫師參照李克特量表對兩種方法分割準確性進行評分，比較準確性差異。結果 股骨側Dice系數為0.953±0.037、ASD為（0.076±0.048）mm、HD為（3.101±0.726）mm；脛骨側分別為0.950±0.092、（0.083±0.101）mm、（2.984±0.740）mm。自動分割每個膝關節CT圖像數據所需時間為（2.46±0.45）min，較手動分割的（64.73±17.07）min縮短，差異有統計學意義（t=36.474，P<0.001）。臨床評價顯示股骨側自動分割組評分為（4.3±0.3）分、手動分割組為（4.4±0.2）分，脛骨側評分分別為（4.5±0.2）、（4.5±0.3）分；股骨側及脛骨側兩組比較差異均無統計學意義（t=1.753，P=0.085；t=0.318，P=0.752）。結論基于深度學習的膝關節CT圖像自動分割準確性高，可以實現快速分割與三維重建，提升人工全膝關節置換術前規劃的工作效率。