ESC guideline的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

以疾病不確定感理論發展整合性心動健康網路照顧模式提升心房顫動病人因應策略之成效探討

為了解決ESC guideline的問題，作者謝慧玲 這樣論述：

正文目錄正文目錄『表』目錄 IV『圖』目錄 V『附錄』目錄 VII中文摘要 VIII英文摘要 X第一章 緒論 1 第一節 研究背景、動機及重要性 1 第二節 研究目的 7第二章 文獻查證 8 第一節 心房顫動疾病簡介 8 第二節 疾病不確定感理論 15 第三節 疾病不確定感相關研究 22 第四節 整合性健康網路照顧模式的發展及運用 31第三章 研究架構與假設 36 第一節 研究架構 36 第二節 研究假設 37 第三節 名詞界定 38第四章 研究方法與過程 43 第一節 研究設計 43 第二節 研究對象及場所 45 第三節 研究工具 46

第四節 研究工具之信效度檢定 52 第五節 研究過程 59 第六節 研究倫量 63 第七節 資料處理與統計分析 64第五章 研究結果 66 第一節 心房顫動病人的基本屬性68 第二節 心房顫動病人的症狀困擾、疾病知識、社會支持、疾病不確定感、因應策略及心理困擾之前後測情形 76 第三節 介入「整合性心動健康網路照顧模式」對於心房顫動病人症狀困擾、疾病知識、社會支持、疾病不確定感、因應策略及心理困擾之成效 85第六章 討論 107 第一節 心房顫動病人的基本屬性現況分析 108 第二節 介入「整合性心動健康網路照顧模式」對於改善心房顫動病人症狀困擾之成效 111

第三節 介入「整合性心動健康網路照顧模式」對於改善心房顫動病人疾病知識之成效 113 第四節 介入「整合性心動健康網路照顧模式」對於改善心房顫動病人社會支持之成效 115 第五節 介入「整合性心動健康網路照顧模式」對於改善心房顫動病人疾病不確定感之成效 117 第六節 介入「整合性心動健康網路照顧模式」對於改善心房顫動病人因應策略之成效 119 第七節 介入「整合性心動健康網路照顧模式」對於改善心房顫動病人心理困擾之成效 121 第八節 研究限制 124第七章 結論與建議 125 第一節 結論 125 第二節 建議 127參考文獻 129附錄 141『表』目錄表1. 資料處理

與分析 65表2. 心房顫動病人之人口基本屬性 70表3. 心房顫動病人的疾病特性 74表4. 心房顫動病人症狀困擾、疾病知識、社會支持、疾病不確定感、因應策略及心理困擾之前測與後測結果 83表5. 以 GEE 方法探討整合性心動健康網路照顧模式於心房顫動病人症狀困擾改變之成效 86表6. 以 GEE 方法探討整合性心動健康網路照顧模式於心房顫動病人疾病知識改變之成效 89表7. 以GEE方法探討整合性心動健康網路照顧模式於心房顫動病人社會支持改變之成效 92表8. 以GEE方法探討整合性心動健康網路照顧模式對於心房顫動病人疾病不確定感之改變成效 95表9. 以GEE方法探討整合性心動健康網路

照顧模式對於心房顫動病人因應策略改變之成效 98表10. 以GEE方法探討整合性心動健康網路照顧模式對於心房顫動病人心理困擾改變之成效 103『圖』目錄圖1. 不確定感理論架構 21圖2. 研究架構圖 36圖3. 研究設計 44圖4. 流程圖 67圖5. 兩組在第三版症狀頻率-嚴重程度評估量表之症狀頻率次量表平均分數於前測、後測第一個月、第三個月與第六個月的變化 87圖6. 兩組在心房顫動知識量表平均分數於前測、後測第一個月、第三個月與第六個月的變化 90圖7. 兩組在醫療社會支持量表平均分數於前測、後測第一個月、第三個月與第六個月的變化 93圖8. 兩組在中文版Mishel疾病不確定感量表平

均分數於前測、後測第一個月、第三個月與第六個月的變化 96圖9. 兩組在簡易因應量表之應對因應策略次量表平均分數於前測、後測第一個月、第三個月與第六個月的變化 99圖10. 兩組在簡易因應量表之迴避因應策略次量表平均分數於前測、後測第一個月、第三個月與第六個月的變化 100圖11. 兩組在醫院焦慮憂鬱量表平均分數於前測、後測第一個月、第三個月與第六個月的變化 104圖12. 兩組在醫院焦慮憂鬱量表之焦慮次量表平均分數於前測、後測第一個月、第三個月與第六個月的變化 105圖13. 兩組在醫院焦慮憂鬱量表之憂鬱次量表平均分數於前測、後測第一個月、第三個月與第六個月的變化 106『附錄』目錄附錄一

心房顫動病人基本屬性量表 附錄一附錄二 第三版症狀頻率-嚴重程度評估量表之症狀頻率次量表 附錄二附錄三 心房顫動知識量表 附錄三附錄四 醫療社會支持量表 附錄四附錄五 中文版Mishel疾病不確定感量表 附錄五附錄六 簡易因應量表 附錄六附錄七 醫院憂鬱焦慮量表 附錄七

以人工神經網路(ANN)分析心臟衰竭再住院的危險因子

為了解決ESC guideline的問題，作者邱彥蓁 這樣論述：

研究目的：以人工神經網路及統計運算方法預測人口學特徵與疾病因子對於心臟衰竭再住院的影響程度。研究方法：本研究以次級資料進行分析，運用北部某醫學大學臨床研究資料庫資料，採人工神經網路(Artificial Neural Network, ANN)演算法來預測心臟衰竭住院病患再住院的危險因子，本研究個案之基本人口學特徵為年齡、性別、BMI；疾病因子為高血壓、高血脂、冠狀動脈疾病、心肌梗塞、糖尿病、慢性阻塞性肺病、慢性腎臟病。研究資料區間自2010年01月01日至2020年12月31日，總樣本數為3,256筆，以R軟體進行隨機分組，分為75%訓練組(N=2,442)及25%測試組(N=814)，透

過輸入變項之不同，進行各模組間比較。每項模組訓練以十折交叉驗證進行試驗，取其準確度最佳之結果作為評估心臟衰竭再住院模型之標準。最後針對選擇出的最佳模組，呈現各變項在神經網路模型中的相對重要程度。研究結果：經各項模組比較後發現，納入所有變項之模組表現最佳，測試組之敏感度為94.49%、準確度為80.96%，以及ROC曲線下面積為85.96%，其表示各項危險因子納入模型中對於預測結果皆有幫助。最後，依據此結果進行變項重要性評估，結果發現，慢性腎臟病為影響心臟衰竭再住院最重要的危險因子，比例為19.86%，糖尿病則次之(11.78%)，冠狀動脈疾病位居第三(10.82%)。影響較小則為BMI(6.0

3%)及高血壓(6.27%)。結論：依據本研究結果，納入所有危險因子之模組表現最佳，亦表示各項危險因子對於心臟衰竭再住院患者皆有其影響性。目前國內多數醫療器材廠商較難取得疾病患者原始資料，來輔助產品之優化，期望可透過本研究實際的預測結果，將各項危險因子之影響程度提供醫療器材廠商增強儀器訓練及模型校正，達到產品最佳化之精準預測能力。