更全的杂志信息网

人工智能技术在神经重症监护中的应用

更新时间:2009-03-28
 

杨中华,首都医科大学附属北京天坛医院神经病学中心,脑血管病中心,神经重症医学科主任医师,长期从事脑血管病及重症脑血管病的抢救和治疗工作。中国医师协会急诊分会神经急诊委员会副主任委员,北京神经内科学会常务理事,北京神经内科学会神经重症专业委员会副主任委员兼秘书长,北京医学会神经病学分会神经重症学组副组长,中国卒中学会质量控制委员会常委,中国卒中学会重症脑血管病学会常委。发表论文40余篇,参与编写书籍10部。

报纸行业经历了长期的发展,具有一定的优势,在这个过程中拥有较大的受众基础。但如今,报纸编辑在创新的过程中,只重视提高阅读量,各大报纸不断相互借鉴、模仿,导致报纸原有的优势和特点丢失。例如,一些报社为了吸引读者,增加了娱乐明星版块。这些报社利用这种方法虽然提高了报纸的阅读量,但也失去了报纸原有的优势和特点,而且有可能会丧失原有的忠实读者。报纸编辑创新率低还表现在,报社之间的相互模仿。比如,一些报纸出现了版面上的新颖设计,很多报社争相模仿,这种缺乏创新的报纸编辑方法对报纸行业的发展失去了生命力。

随着计算机技术的发展,互联网的普及,人类社会迎来数据化信息化的大浪潮,如何更好的处理海量的繁杂数据,如何优化信息处理的流程,最大程度提高信息转化应用的效率,人工智能技术孕育而生。数十年间人工智能技术获得了巨大成功,被广泛应用于涉及到认知科学、自动化、生物学、脑科学、数学、医学等多个学科及领域,具有显著的跨界属性。伴随着各学科的飞速发展,促使人工智能交叉研究迅速应用于实践。目前人工智能的实际应用包括图像识别,专家系统,智能搜索,自动程序设计等。随着人工智能研究领域的拓展,现实场景中人工智能的应用越来越广阔、越深入和越复杂。其中最为明显的就是人工智能在医学中的应用。人工智能已经深入到了医疗健康领域的各个环节,随着人工智能技术的发展,以及更紧密的与医疗的需求、场景结合,最终人工智能将为医疗行业做出巨大贡献,人工智能应用于医疗领域具有广阔的应用前景[1]

脑科学研究是理解自然和人类本身的终极疆域。人工智能技术来源于人们对于大脑,对于神经科学的理解和模仿。这两门科学的交叉衍生理所应当并事半功倍。神经重症医学为神经科学、临床医学、重症医学、急诊医学的交叉学科,具有病患危重复杂、治疗决策困难、不可预测性强、个体化趋势明显等特点。NICU患者的各项生理指标、临床信息、影像数据等多形式数据被实时监测并优先记录。这些多维、复杂的数据往往需高年资医师凭借多年临床经验进行有效分析,才可获取最终的诊治策略。然而由于NICU患者先验治疗经验相对不足、监测数据的海量性,即便是优秀的临床医师也难以制定适应每位患者的最优化诊治方案。借助人工智能技术可以有效的减轻NICU医师工作负担、提出更佳的诊治方案、获取有效的数据分析。

1 人工智能技术的医学应用原理

目前人工智能主要有3个分支,分别是机器学习,深度学习,认知学习。机器学习是人工智能的核心。机器学习就是通过算法,使得机器能从大量历史数据中学习规律,从而对新的样本做智能识别或对未来做预测。机器学习的发展分为浅层学习和深度学习。机器学习的主体是对算法的研究,涉及概率学、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习的核心是数据,它通过对大量混乱数据的排序、归类发现规律,并在实践中不断完善和改进自我。深度学习是机器学习中的新领域,其主要目的是建立模仿人脑的神经网络,因此被称为人工神经网络。与以往的非学习方法相比,其神经网络的层数更多,可以处理更加庞大的数据,经过长时间的训练,可以达到更高的准确度。认知计算可以轻松处理复杂和二义性的事物,包括处理语言、图像,视频等。其独特之处在于通过大数据的方式,利用数据采集、模式识别和自然语言处理,让计算机系统能够像人的大脑一样学习、思考,并做出正确的决策。

2 人工智能技术在神经重症监护中的应用

2.1 人工智能技术在NICU预后判别中的应用 随着神经重症监护、神经病学及交叉学科技术的展开及革新,一些NICU患者预后提高。然而即便获得了充分监护及治疗,大部分患者仍然难以获得满意的预后,高死亡率、高致残率仍为NICU的最主要特点。此时早期预后评估是非常必要的,早期甄别不良预后的出现,采取合适的治疗撤回或限制治疗,能够减少患者需继续承受的病痛,减少社会医疗资源的浪费,减轻个体家庭的负担,并改善患者的最终结局。寻找一种可靠的、高特异度、高灵敏度、可重复性强的预测方法具有重要意义。目前有多种不同的评分系统对于进入NICU患者疾病的严重程度及死亡率进行预测,这些评分系统能在一定程度上为医生提供临床决策支持,但受限于ICU患者病情复杂性、不同生理指标监测的断点数据丢失、以及知识储备不足,在评分过程中容易导致评价结果失真,难以达到理想的预测能力。因此在信息技术和人工智能高速发展的背景下,利用机器学习、深度学习技术进行ICU数据分析、疾病预后预测、病情预测成为研究热点。

如何提高ICU死亡率预测准确性是一个巨大挑战,在过去数十年各样的死亡率评分系统被逐一提出,这些评分能一定程度上帮助我们对患者进行预后判别,但仍然欠缺足够的精准度。Pirracchio等[2]运用多种机器学习方法提出的超级ICU学习者算法(The Super ICU Learner Algorithm, SICULA)体现出了很好的预后预测价值。作者通过对2001~2008年间MIMIC-Ⅱ数据库中的24508例连续病例进行新型机器学习算法的建模与矫正,并在随机选取的另外200例ICU患者中进行模型检验,发现SICULA模型明显优于传统评分系统[AUC:SAPS-Ⅱ 0.78(0.77~0.78),SOFA 0.71(0.70~0.72) vs SICULA 0.94(0.90~0.98)]。

尽管运用机器学习技术建立的新型死亡率预测模型表现出很好的准确性,但由于数据需要量大,消耗人力资源明显,并没有被广泛采纳,为了提出更轻盈的预测工具,Delahanty等[3]试图运用机器学习的方法建立对于ICU患者死亡率评估的自动预测模型,该研究团队回顾性收集了2014~2016年间53家医院的131家不同类型ICU连续纳入的237 173例患者的电子病历信息,并将随机抽取的36家医院患者的电子病历信息进行特征识别和死亡评估模型的训练,在随机筛出的17家医院的患者中进行模型可行性验证及模型预测准确性分析,最终建立了一个基于17项临床特征的死亡率预测模型(The Risk of Inpatient Death score)。该模型表现出了很好的预测能力,其预测ICU患者死亡的接受者操作特征曲线(ROC曲线)下面积(AUC)为0.94,与以往传统ICU死亡率预测模型相比较具有更高的准确性,并可完全基于电子病历信息自动合成评估结果,减少医护工作负担,可避免由于ICU医生主观因素引起的评估偏倚。不过仍需更进一步前瞻性研究明确该模型可靠性。

在过去的数年间已有很多运用机器学习方法对于不同疾病住院患者死亡率、预后水平成功预测的范例,然而在神经重症医学领域,这样的研究设计仍在探究阶段。已有的ICU患者死亡率预测模型或评分系统通常需要采集患者住院24~48小时的临床信息,甚至需要更为准确的连续信息才可获得较为理想的预测结果。因为ICU住院费用昂贵,很多治疗是否开展,患者家属及医生均需要更为提前的预后预测结果以指导后续治疗方案及监护登记,并对预后不良患者提前终止治疗。Awad等[4]运用新型机器学习技术基于ICU患者死亡率预测模型(Early Mortality Prediction for Intensive Care Unit patients,EMPICU)成功在数小时内完成不劣于以往传统预测评分或模型的极早期预测,与传统评分系统SOFA, SAPS-Ⅰ, APACHE-Ⅱ, NEWS 和qSOFA相比具有更好的准确性。

上述研究运用不同数据挖掘技术在不同时期对于ICU患者的预后判别提供帮助,这些基于人工智能技术的预后评估模型对于患者预后预测能力明显优于传统评分系统[5-8],更加适用于NICU的预后模型仍待进一步研究挖掘。NICU预后判别十分重要,另外一些早期征象的发现能帮助我们提高对于高危险性的并发症、合并症的预测,以便能尽早采取应对措施或考虑治疗方案的变更,使患者最终获益[9-10]。然而同样受限于医疗经验及数据复杂性,传统方式下的预测往往十分困难,人工智能技术的参与使预测可靠性提高。

2.2 人工智能技术在NICU并发症预测中的应用 在NICU中,继发颅内感染是多种疾病常见并发症之一,也是NICU最主要的医源性感染之一。Savin等[11]通过运用树学习模型的机器学习方法对于NICU医源性脑室炎、脑膜炎(healthcare-associated ventriculitis and meningitis,HAVM)的发生进行预测,并试图探究主要影响因素。该研究纳入2010~2017年收治的2286例高危NICU患者,并进行回顾性分析。其中最终发生HAVM 216例,HAVM发病率为9.45%(95%CI=8.25~10.65)。通过数据挖掘发现其中引起HAVM的最主要因素为:颅内置管、开颅术后、术后切口感染、脑脊液漏。而这些非线性影响因素采用传统统计学方法无法评估和验证。

颅内压监测是NICU中的特色监护手段之一。重型颅脑损伤患者极易发生继发性颅高压,继发性颅高压导致的占位效应、脑水肿将会导致二次损伤,进一步加重病情,也是患者预后不良的预警,应尽早采取积极措施以避免或降低损伤后颅高压的发生。Guiza等[12]回顾性分析了来自11个国家22家NICU共计264例颅脑外伤患者的脑功能监测临床信息,包括每名患者的连续颅内压监测数据、以及连续动脉监测数据。采用多元回顾等传统统计学技术并利用机器学习技术建立30分钟提前预警颅高压的预测模型。该模型在外部数据库中验证仍具有较好的预测价值(预测30分钟后发生颅高压的AUC为0.87),联合动态血压监测可准确预测患者6个月后不良预后(AUC为0.90)。该模型既能早期发现继发性颅高压前兆,从而指导NICU医生是否采取更积极的减压手段,同时也能对于患者长期预后进行准确预测。

有研究[4]对151例患者选取前列腺尖部、中部和底部三个层面行超声造影检查后,行经会阴10针系统性穿刺活检和对超声造影异常处靶向性穿刺活检2~4针,结果显示系统性穿刺活检和超声造影引导下靶向性穿刺活检对前列腺癌的检出率分别为33.1%和31.1%(P=0.712),说明靶向性穿刺能够保持检出率相同的情况下减少穿刺针数。

谵妄是NICU最常发生、但最容易被忽视的ICU相关综合征,临床医生常常容易将其与各种不适后的应激反应,神经系统疾病的临床表现,其他各种原因导致的疾病相关的认知功能障碍混淆。各种约束性措施、治疗相关镇静又可能掩盖谵妄的临床表现,在临床决策中谵妄常常被忽视,因而无法采取针对性治疗,导致病情加重或加重患者不适。为了更好的鉴别谵妄的发生,Oh等[13]试图运用人工智能技术鉴别谵妄或潜在谵妄的存在。该研究前瞻性纳入140例ICU患者的心电图信息以及连续监测心率的数据以及临床信息,精神专科医生每日对这140例患者(其中39例明确诊断谵妄)的精神状态进行评估,包括是否发生谵妄,谵妄的类型,严重程度,以及谵妄病因。并将收集临床信息运用多种机器学习技术进行模型分析,包括线性支持向量机(linear support vector machine SVM), 基于基函数(radial basis function RBF)的SVM, 线性极限学习机(linear extreme learning machine ELM), 基于基函数的 ELM, 线性判别分析(linear discriminant analysis), 以及二次判别分析(quadratic discriminant analysis)。该研究最终发现采用基于基函数的SVM能获得最好的甄别效果,并优于以往传统评估手段。采用新型谵妄预测模型能够自动化识别谵妄的发生,并具有较好的准确性。

2.3 人工智能技术在重症监测中的应用 良好的监测手段是NICU能够正常运行的基础。在NICU中除外对于患者进行生命体征、出入量等常规指标的监测,还会有选择的对患者神经电生理、颅内压进行监测。

[10] Ngufor C, Murphree D, Upadhyaya S, et al. Predicting Prolonged Stay in the ICU Attributable to Bleeding in Patients Offered Plasma Transfusion[J]. AMIA Annu Symp Proc, 2016: 954-963.

过去数十年间国内外已有大量研究试图运用机器学习的方法对于神经科患者脑电图进行自动识别或分级。然而这些研究实用性欠缺,并不被神经科医生所接受,此主要源于脑电图的复杂性,以及评估的滞后性。在NICU中欠缺与心电图自动识别技术相似的脑电图实时自动监测方法。Dhakal等[14]试图探究脑电图实时监测识别技术的可行性,通过对一名接受机械通气及神经肌肉阻滞剂的动脉瘤性蛛网膜下腔出血患者的连续脑电图分析发现,基于人工智能技术的自动脑电图识别模型可超越临床医师对于癫痫发生的判别,从而可更快更好的为患者变革适宜的治疗方案。然而这一结果需要在更多样本中验证。

[5] Hoogendoorn M, El Hassouni A, Mok K, et al. Prediction using patient comparison vs. modeling: a case study for mortality prediction[J]. Conf Proc IEEE Eng Med Biol Soc, 2016: 2464-2467.

《课程标准》指出,阅读是学生的个性化行为,阅读教学应引导学生钻研文本,在主动积极的思维和情感活动中,加深理解和体验,有所感悟和思考,受到情感熏陶,获得思想启迪,享受审美乐趣。作为教师要加强对学生阅读的引领,更多的是点拨,不应是代劳。教师要重视学生个体的理解和感受,不应以固化模式引导。教师要引导学生通过合作学习解决阅读中遇到的问题,但是也要避免集体阅读代替个人阅读。

2.4 人工智能技术在NICU治疗决策中的应用 人工智能技术的应用既可以协助完成早期疾病严重程度、预后预测的评估,同时可以优化各种监测技术的自动识别,另外还可以协助医生进行治疗的决策[17-18]

门上的草帘要进行加固,及时修补漏洞,对门的覆盖做到严丝合缝,起到应有的保温作用。晚上临下班时可以用泡沫板等把猪舍的前后窗户在舍内临时封堵,也能起到很好的保温作用,待第二天早上再去掉。根据猪只的大小及舍内的空气质量及时的封堵通风孔,以避免温度的不必要损失。

以人工智能为基础的新型监测技术必将为下一代NICU床边监测系统带来巨大变革[16],医生及患者均将从新技术的应用中获益,医护人员能从繁杂的高重复性、低技术性工作中解脱,患者将能获得更好的监测效果。

ICU体液管理是所有治疗中的基石,临床医生可以通过临床指标、出入量、皮肤、体液性状等判断患者的体液程度,这些判断显然具有一定主观性。然而对于危重患者特别是血流动力学不稳定患者,由于病情的复杂性,体液的管理甚至无法按常规患者的管理模式进行,更多依赖于患者个体化情况的判断及临床医生的多年经验。Celi等[20]通过对MIMIC II数据库患者数据信息进行分析,选择其中接受血管活性药物治疗6小时以上患者,提取其24小时与体液容量相关的临床数据,以第2个24小时检查临床状态,出入量和容量情况,并进行综合分析。采用贝叶斯神经网络方法对于底层数据集进行分析,并建立容量预测模型,以指导患者后续24小时补液计划。最终该模型的后验准确度为77.8%,具有一定的指导意义。临床医生根据该模型结果可预测患者后续补液需要量。

近10年来,人工智能的飞速发展令人瞠目。医学人工智能,以计算机为工具,最终目标直指疾病。通过运用抽象医学思维,并将其模型化,运用智能方法,辅助医务人员扩大视界,更好地发挥聪明才智。然而通过对国内NICU患者人工智能应用相关文献的研究发现,目前相关领域仍鲜有成功研究,虽然近年来人们开始尝试将人工智能技术方法解决NICU或ICU中临床问题,并取得了一些研究和进展,初步显示出良好的模型优势。但是目前的研究样本量较小,或准确度不高,距离临床使用还有很大距离。同时人工智能的结果有时解释性很差,临床医护人员很难理解和接受。无论是实际问题还是研究方法都需要更进一步研究。

参考文献:

[1] Musib M, Wang F, Tarselli M A, et al. Artificial intelligence in research[J]. Science, 2017, 357(6346): 28-30.

[2] Pirracchio R, Petersen ML, Carone M, et al. Mortality prediction in intensive care units with the Super ICU Learner Algorithm (SICULA): a population-based study[J]. Lancet Respir Med, 2015, 3(1): 42-52.

镇静类药物为NICU乃至ICU中最常使用的药物之一。然而如何对于患者的镇静水平进行判别、如何选择恰当的药物剂量往往无确切根据,临床医生往往依据临床经验进行选择和调节。最常使用的镇静评分RASS评分尽管相对简便,但具有明显的主观性,且无法做到及时调整和评估,为了更好的控制镇静深度,Nagaraj等[19]试图运用人工智能技术解决上述问题。该多中心研究纳入具有明显异质性的70例ICU患者,并收集了其连续心电监护数据,所有纳入患者均接受机械通气及镇静治疗。之后作者通过采用支持向量机技术,结合收集患者的多点RASS评分及24小时心率变异度,建立了基于个体化镇静水平自动化评估模型,24小时后使用该模型实时自动评估镇静水平的准确度能达到75%(鉴别轻度镇静与深度镇静)。与以往研究不同,认识到不同患者心率差异性的存在,该模型在对每个患者进行预测时均进行了24小时的心率变异度与镇静深度的矫正学习,使模型能够个体化较为准确预测镇静水平。尽管该研究使我们看到了实时监测镇静水平的可能性,然而该模型准确性仍欠佳,未来希望能够结合更全面临床指标,建立个体化的精准评估模型,以更好指导临床镇静药物的使用。

[3] Delahanty RJ, Kaufman D, Jones SS. Development and Evaluation of an Automated Machine Learning Algorithm for In-Hospital Mortality Risk Adjustment Among Critical Care Patients[J]. Crit Care Med, 2018, Feb 6. [Epub ahead of print]

[4] Awad A, Bader-El-Den M, McNicholas J, et al. Early hospital mortality prediction of intensive care unit patients using an ensemble learning approach[J]. Int J Med Inform, 2017, 108: 185-195.

NICU中患者如脑电图一样可能会有诸多生理指标被连续监测,这些复杂生理指标的快速准确评估完全依托于临床医生的充足临床经验,全面的数据分析是诊治中难点,Zhang等[15]认为采用人工智能技术可以有效解决上述问题,并提高诊治准确性。该研究团队通过分析小儿ICU中的一组队列数据,建立了基于机器学习技术的ICU床边生理指标预警系统,该系统在196小时内能够以1 Hz频率同时对于325项临床紧急情况进行判别。该系统床边判别临床紧急情况的判别准确性高达89%,假阳性率仅5%。

[6] Marafino BJ, Boscardin WJ, Dudley RA. Efficient and sparse feature selection for biomedical text classification via the elastic net: Application to ICU risk stratification from nursing notes[J]. J Biomed Inform, 2015, 54: 114-20.

《公羊传》曰:“大去者何?灭也。孰灭之?齐灭之。曷为不言齐灭之?为襄公讳。《春秋》为贤者讳。何贤乎襄公?复仇也。……远祖者,几世乎?九世矣。九世犹可以复仇乎?虽百世可也。家亦可乎?曰不可。国何以可?国君一体也。先君之耻,犹今君之耻也;今君之耻,犹先君之耻也。国君何以为一体?国君以国为体,诸侯世,故国君为一体也。……上无天子,下无方伯,缘恩疾者可也。”[7]112

除尘器阻力主要由自身结构和滤料产生,取ΔP1=800 Pa,依据同种类型的滤筒除尘器的值取ΔP2=1 000 Pa,经计算得P=1 944 Pa.

[7] Houthooft R, Ruyssinck J, van der Herten J, et al. Predictive modelling of survival and length of stay in critically ill patients using sequential organ failure scores[J]. Artif Intell Med, 2015, 63(3): 191-207.

[8] Kim S, Kim W, Park RW. A Comparison of Intensive Care Unit Mortality Prediction Models through the Use of Data Mining Techniques[J]. Healthc Inform Res, 2011, 17(4): 232-243.

[9] Temple MW, Lehmann CU, Fabbri D. Natural Language Processing for Cohort Discovery in a Discharge Prediction Model for the Neonatal ICU[J]. Appl Clin Inform, 2016, 7(1): 101-15.

数字式平均的主要用于避免系统偶然误差及潜在噪声。主控软件在对每路信号进行检测时每间隔一定的时间对系统进行一次信号转换采集,共采集36次,对得到的36个数据值进行校正得到最终的采样结果。转换方式为:

在煤炭建设大直径煤仓的施工中,往往需要搭设上人梯,而钢管式上人梯最为常见,但施工中须注意搭设方式、附着方式、基础承载力要求,重点考虑受水平荷载(主要是风荷载)影响,因上人梯一般搭设在两个相邻仓之间,该处风荷载通过时会大大加强,因此本文通过实例作了一些总结。

主要考察了政府会计制度的改革以及国家会计制度改革对事业单位现有财务管理的影响,旨在促进未来治理制度和公共财务管理的某些改革。发现我国公用事业会计系统存在的一些问题,如会计核算和登记等系统管理不够规范,制度内容不健全等。在现行的会计和预算管理系统中,原有财务系统并不能反映该机构的实际情况。制度核算体制改革至关重要,会计制度改革是一项长期任务。目前,事业单位会计制度改革后,可以更有效地改善事业单位会计制度,大大提高事业单位的经济管理和资产管理,同时提高事业单位的办事效率。

[11] Savin I, Ershova K, Kurdyumova N, et al. Healthcare-associated ventriculitis and meningitis in a neuro-ICU: Incidence and risk factors selected by machine learning approach[J]. J Crit Care, 2018, 45: 95-104.

1月1日起,由国家税务总局制定的《环境保护税法》开始施行。环保税法规定,应税大气污染物的税额幅度为每污染当量1.2元-12元,水污染物的税额幅度为每污染当量1.4元-14元,具体适用税额的确定和调整,可由各地人民代表大会常务委员会在法定税额幅度内决定。

[12] Guiza F, Depreitere B, Piper I, et al. Novel methods to predict increased intracranial pressure during intensive care and long-term neurologic outcome after traumatic brain injury: development and validation in a multicenter dataset[J]. Crit Care Med, 2013, 41(2): 554-564.

[13] Oh J, Cho D, Park J, et al. Prediction and early detection of delirium in the intensive care unit by using heart rate variability and machine learning[J]. Physiol Meas, 2018, 39(3):035004.

对于大人,我会向他们证明,那种认为因衰老而失去爱的想法是多么错误,我们是因为失去爱而衰老而不是与之相反。对于孩子,我会给他们插上翅膀而让他们自己学会飞翔;对于老人,我会教给他们死亡的来临不是因为衰老而是因为遗忘。

[14] Dhakal LP, Tatum WO, Freeman WD. Train of four stimulation artifact mimicking a seizure during computerized automated ICU EEG monitoring[J]. Epilepsy Behav Case Rep, 2017, 8: 69-72.

[15] Zhang Y, Silvers CT, Randolph AG. Real-time evaluation of patient monitoring algorithms for critical care at the bedside[J]. Conf Proc IEEE Eng Med Biol Soc, 2007, 2007: 2783-2786.

[16] Li Q, Clifford GD. Signal quality and data fusion for false alarm reduction in the intensive care unit[J]. J Electrocardiol, 2012, 45(6): 596-603.

[17] Cismondi F, Celi LA, Fialho AS, et al. Reducing unnecessary lab testing in the ICU with artificial intelligence[J]. Int J Med Inform, 2013, 82(5): 345-358.

[18] DeJournett J, DeJournett L. Comparative Simulation Study of Glucose Control Methods Designed for Use in the Intensive Care Unit Setting via a Novel Controller Scoring Metric[J]. J Diabetes Sci Technol, 2017, 11(6): 1207-1217.

[19] Nagaraj SB, Biswal S, Boyle EJ, et al. Patient-Specific Classification of ICU Sedation Levels From Heart Rate Variability[J]. Crit Care Med, 2017, 45(7): e683-e690.

[20] Celi LA, Hinske LC, Alterovitz G, et al. An artificial intelligence tool to predict fluid requirement in the intensive care unit: a proof-of-concept study[J]. Crit Care, 2008, 12(6): R151.

 
聂曦明,王龙,刘丽萍,杨中华
《临床荟萃》 2018年第04期
《临床荟萃》2018年第04期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号