針對肝移植術前清洗器官的灌注環節所引發的血管內流體動力學行為進行研究, 為術前清洗的相關操作提供理論指導。構建了帶有異物的一級直血管、彎曲血管實體模型和血管內液體湍流的控制方程。實驗測定醫用灌注液的物理參數, 提出了估算灌注技術參數的方法, 實現了不同條件下的灌注仿真。基于構建的流體控制方程和血管模型進行計算, 其初步結果符合醫療現場實際操作值, 結果較為清晰地顯示了灌注過程中(尤其是管內異物周圍)的流體動力學行為, 如回流滯留現象等。同時, 結果也顯示了血管內各處流速場大小和管壁面壓強值分布。隨著入口初始灌注速度的增加, 兩種類型的血管模型內的壓強值和流速場均增大, 在異物處產生壁透壓和回流滯留區, 同時由于彎曲血管形狀的影響, 其內部流體動力學行為比直血管更加復雜。
目的 觀察中心視網膜厚度對非增生型糖尿病視網膜病變(NPDR)眼底血管充盈狀態的影響。方法 眼科及內分泌科住院治療的無眼底病變的糖尿病患者及NPDR患者248例248只右眼納入研究。所有患者均行光相干斷層掃描（OCT）、熒光素眼底血管造影（FFA）、眼部彩色多普勒血液成像（CDFI）檢查。排除中心視網膜有明顯水腫、出血、滲出的其它眼底病變者。OCT測量距黃斑中心注視點1、1~3、3~6 mm處中心視網膜厚度，將患者按中心視網膜厚度分入視網膜厚度正常、變薄、增厚組。確定中心視網膜厚度正常范圍為216.4~304.9 μm。中心視網膜厚度介于216.4~304.9 μm者納入視網膜厚度正常組，＜216.4 μm者納入視網膜厚度變薄組，＞304.9 μm者納入視網膜厚度增厚組。FFA檢查時，觀察并記錄臂-視網膜循環時間、視網膜動脈期-靜脈期（A-V）熒光充盈時間。CDFI檢查時，檢測各組患者眼動脈（OA）、視網膜中央動脈（CRA）及睫狀后短動脈（PCA）的收縮峰值速度（PSV）、搏動指數（PI）及阻力指數（RI）。對比觀察不同視網膜厚度組眼底血管充盈狀態及眼部血流動力學指標異同。結果 視網膜厚度正常、變薄、增厚組患者的臂-視網膜循環時間分別為（10.42±0.51）、（10.36±0.64）、（12.94±0.46） s；視網膜A-V熒光充盈時間分別為（9.15±1.36）、（6.36±1.15）、（13.56±2.04） s。視網膜厚度增厚組與視網膜厚度正常組間（t=1.93， P=0.04）、視網膜厚度增厚組與視網膜厚度變薄組間（t=4.49，P=0.00）臂-視網膜循環時間比較，差異有統計學意義；視網膜厚度變薄組與視網膜厚度正常組間（t=2.13，P=0.03）、視網膜厚度增厚組與視網膜厚度正常組間（t=2.49，P=0.02）、視網膜厚度增厚組與視網膜厚度變薄組間（t=5.38，P=0.00）視網膜A-V熒光充盈時間比較，差異有統計學意義。視網膜厚度增厚組與視網膜厚度變薄組間OA、CRA、PCA的PSV（t=3.290、－5.520、－4.900）、PI（t=－4.310、－5.230、－4.390）、RI（t=4.970、6.160、5.990）比較，差異均有統計學意義（P＜0.05）。結論 中心視網膜厚度對無眼底病變的糖尿病患者及NPDR患者眼底血管充盈狀態有明顯影響。
物聯網技術作為實現業務數字化和智能化的關鍵基礎支撐技術，在智慧醫療中發揮著重要作用。本文探討了醫院內急救醫療設備物聯網解決方案，提出基于“云-邊-端”架構的急救設備物聯網設計方案：端側實現設備物聯，邊中進行流數據封裝、解析、分發以及計算，云上存儲數據并開展數據挖掘可視化等。該系統自從2021年1月在急診科上線運行以來，已穩定工作近20個月。項目組對近20個月的運行情況作了分析，包括數據采集情況分析、物聯網性能測試以及預測預警模型開發等，實施效果驗證了基于該技術方案的急救設備物聯網系統的可行性和可靠性，能長時間、持續采集急救設備數據并支持機器學習、人工智能算法模型的開發和部署。本文最后對急救設備物聯網中醫療設備數據交換、無線傳輸、院內外急救設備物聯以及下一步開展急救設備物聯網數據分析應用進行了展望。