目的 采用血小板添加液ⅢM作为介质悬浮浓缩血小板,检测不同保存期血小板的质量,并探究保存浓缩血小板的介质中血小板添加液ⅢM与血浆的合适比例。方法 采用带有血小板保存袋的一次性使用塑料血袋,采集健康无偿献血者全血,用富浆法制备...目的 采用血小板添加液ⅢM作为介质悬浮浓缩血小板,检测不同保存期血小板的质量,并探究保存浓缩血小板的介质中血小板添加液ⅢM与血浆的合适比例。方法 采用带有血小板保存袋的一次性使用塑料血袋,采集健康无偿献血者全血,用富浆法制备收集浓缩血小板,容量约50 mL,每袋所含血小板≥4.0×10~(10)个。分别采用不同比例的血小板添加液ⅢM与血浆组成的介质来悬浮血小板。根据悬浮血小板的介质中血小板添加液ⅢM∶血浆体积比的不同,将血小板分为3组:对照组(采用血浆介质悬浮血小板)、试验1组(采用血小板添加液ⅢM∶血浆体积比为6.5∶3.5的介质悬浮血小板)和试验2组(低血浆组,采用血小板添加液ⅢM∶血浆体积比为9∶1的介质悬浮血小板),每组标本量为50例。将不同介质悬浮的3组血小板置于(22±2)℃振荡保存,分别在保存期d1、3、5、7采用无菌接驳取样5 mL,检测血小板计数、pH值、乳酸脱氢酶、CD62P阳性率及Annexin V阳性率。应用SPSS24.0统计软件分析上述检测所得参数,采用单因素方差分析,多个样本均数间的两两比较用Bonferroni法,比较3组参数的差异。结果 随保存时间延长,3组血小板计数均下降、Annexin V阳性率均升高,3组差异不具统计学意义(P>0.05);3组pH值下降,在d1、3、5、7分别为7.44±0.13 vs 7.44±0.14 vs 7.41±0.11、7.31±0.68 vs 7.43±0.23 vs 7.22±0.12、7.30±0.15 vs 7.42±0.14 vs 7.17±0.12、7.29±0.33 vs 7.26±0.18 vs 7.04±0.12,对照组和试验1组pH值下降幅度小,差异不具统计学意义,试验2组在d5、7下降幅度较大,差异具有统计学意义(P<0.05);3组乳酸脱氢酶均升高(mmol/L),在d1、3、5、7分别为169.62±99.33 vs 105.80±150.71 vs 77.14±105.38、225.10±112.86 vs 116.00±72.77 vs 94.42±88.74、249.42±79.55 vs 119.00±53.51 vs 118.35±80.39、253.34±86.95 vs 147.71±90.71 vs 124.68±128.68,与对照组相比,差异具有统计学意义(P<0.05),其中试验1组升高幅度最小;3组CD62P阳性率升高(%),在d1、3、5、7分别为26.22±11.74 vs 23.48±12.48 vs 40.49±11.86、41.29±8.36 vs 33.53±25.64 vs 50.42±22.36、59.59±10.13 vs 36.39±23.1 vs 50.94±20.50、72.92±15.44 vs 55.54±23.65 vs 61.89±18.82,与对照组相比,试验1组阳性率升高幅度更小,差异具有统计学意义(P<0.05)。结论 体积比为6.5∶3.5的血小板添加液ⅢM∶血浆介质在血小板体外保存期维持血小板质量优于传统血浆。展开更多
联邦学习是一种新型的分布式机器学习方法,可以在不共享原始数据的前提下训练模型。当前,联邦学习方法存在针对模型准确率最优化、通信成本最优化、参与者性能分布均衡等多个目标同时优化难的问题,难以做到多目标的同步均衡。针对该问题...联邦学习是一种新型的分布式机器学习方法,可以在不共享原始数据的前提下训练模型。当前,联邦学习方法存在针对模型准确率最优化、通信成本最优化、参与者性能分布均衡等多个目标同时优化难的问题,难以做到多目标的同步均衡。针对该问题,提出联邦学习四目标优化模型及求解算法。将全局模型错误率、模型准确率分布方差、通信成本、数据成本作为优化目标,构建优化模型。同时,针对该模型的求解搜索空间大,传统NSGA-Ⅲ算法难以寻优的问题,提出基于佳点集初始化策略的改进NSGA-Ⅲ联邦学习多目标优化算法GPNSGA-Ⅲ(Good Point Set Initialization NSGA-Ⅲ),以求取Pareto最优解。该算法通过佳点集初始化策略将有限的初始化种群以均匀的方式分布在目标求解空间中,相较于原始算法,使第一代解最大限度地接近最优值,提升寻优能力。实验结果证明,GPNSGA-Ⅲ算法得到的Pareto解的超体积值相较于NSGA-Ⅲ算法平均提升107%;Spacing值相较于NSGA-Ⅲ算法平均下降32.3%;对比其他多目标优化算法,GPNSGA-Ⅲ算法能在保证模型准确率的情况下,更有效地实现模型分布方差、通信成本和数据成本的均衡。展开更多
文摘目的 采用血小板添加液ⅢM作为介质悬浮浓缩血小板,检测不同保存期血小板的质量,并探究保存浓缩血小板的介质中血小板添加液ⅢM与血浆的合适比例。方法 采用带有血小板保存袋的一次性使用塑料血袋,采集健康无偿献血者全血,用富浆法制备收集浓缩血小板,容量约50 mL,每袋所含血小板≥4.0×10~(10)个。分别采用不同比例的血小板添加液ⅢM与血浆组成的介质来悬浮血小板。根据悬浮血小板的介质中血小板添加液ⅢM∶血浆体积比的不同,将血小板分为3组:对照组(采用血浆介质悬浮血小板)、试验1组(采用血小板添加液ⅢM∶血浆体积比为6.5∶3.5的介质悬浮血小板)和试验2组(低血浆组,采用血小板添加液ⅢM∶血浆体积比为9∶1的介质悬浮血小板),每组标本量为50例。将不同介质悬浮的3组血小板置于(22±2)℃振荡保存,分别在保存期d1、3、5、7采用无菌接驳取样5 mL,检测血小板计数、pH值、乳酸脱氢酶、CD62P阳性率及Annexin V阳性率。应用SPSS24.0统计软件分析上述检测所得参数,采用单因素方差分析,多个样本均数间的两两比较用Bonferroni法,比较3组参数的差异。结果 随保存时间延长,3组血小板计数均下降、Annexin V阳性率均升高,3组差异不具统计学意义(P>0.05);3组pH值下降,在d1、3、5、7分别为7.44±0.13 vs 7.44±0.14 vs 7.41±0.11、7.31±0.68 vs 7.43±0.23 vs 7.22±0.12、7.30±0.15 vs 7.42±0.14 vs 7.17±0.12、7.29±0.33 vs 7.26±0.18 vs 7.04±0.12,对照组和试验1组pH值下降幅度小,差异不具统计学意义,试验2组在d5、7下降幅度较大,差异具有统计学意义(P<0.05);3组乳酸脱氢酶均升高(mmol/L),在d1、3、5、7分别为169.62±99.33 vs 105.80±150.71 vs 77.14±105.38、225.10±112.86 vs 116.00±72.77 vs 94.42±88.74、249.42±79.55 vs 119.00±53.51 vs 118.35±80.39、253.34±86.95 vs 147.71±90.71 vs 124.68±128.68,与对照组相比,差异具有统计学意义(P<0.05),其中试验1组升高幅度最小;3组CD62P阳性率升高(%),在d1、3、5、7分别为26.22±11.74 vs 23.48±12.48 vs 40.49±11.86、41.29±8.36 vs 33.53±25.64 vs 50.42±22.36、59.59±10.13 vs 36.39±23.1 vs 50.94±20.50、72.92±15.44 vs 55.54±23.65 vs 61.89±18.82,与对照组相比,试验1组阳性率升高幅度更小,差异具有统计学意义(P<0.05)。结论 体积比为6.5∶3.5的血小板添加液ⅢM∶血浆介质在血小板体外保存期维持血小板质量优于传统血浆。
文摘联邦学习是一种新型的分布式机器学习方法,可以在不共享原始数据的前提下训练模型。当前,联邦学习方法存在针对模型准确率最优化、通信成本最优化、参与者性能分布均衡等多个目标同时优化难的问题,难以做到多目标的同步均衡。针对该问题,提出联邦学习四目标优化模型及求解算法。将全局模型错误率、模型准确率分布方差、通信成本、数据成本作为优化目标,构建优化模型。同时,针对该模型的求解搜索空间大,传统NSGA-Ⅲ算法难以寻优的问题,提出基于佳点集初始化策略的改进NSGA-Ⅲ联邦学习多目标优化算法GPNSGA-Ⅲ(Good Point Set Initialization NSGA-Ⅲ),以求取Pareto最优解。该算法通过佳点集初始化策略将有限的初始化种群以均匀的方式分布在目标求解空间中,相较于原始算法,使第一代解最大限度地接近最优值,提升寻优能力。实验结果证明,GPNSGA-Ⅲ算法得到的Pareto解的超体积值相较于NSGA-Ⅲ算法平均提升107%;Spacing值相较于NSGA-Ⅲ算法平均下降32.3%;对比其他多目标优化算法,GPNSGA-Ⅲ算法能在保证模型准确率的情况下,更有效地实现模型分布方差、通信成本和数据成本的均衡。
