登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《一项支持中国父母HIV披露模型的混合方法研究》

  • 来源专题：艾滋病防治
  • 编译者： 门佩璇
  • 发布时间：2015-04-22

  • HIV阳性的父母在是否、何时以及如何向自己的子女披露HIV感染时往往面临艰难的抉择。在中国，由于HIV污名化的影响，甚少的研究对父母HIV感染披露情况开展研究。本研究拟在考虑中国文化背景的情况下，基于混合方法研究建立起一个父母亲HIV披露的模型。研究对中国上海和北京HIV感染的双亲进行了个人深度访谈（N=24）和问卷调查（N=84），结果发现，HIV披露最主要的障碍在于污名化，害怕暴露其HIV感染途径，给子女带来心理负担，怕被子女拒绝，以及给家庭带来的负面社会后果等。调查者中，许多父母都不会主动披露自己的HIV感染情况（68%），其中大多数仅披露其患有某种血液疾病但未说明是HIV感染。研究结果揭示了中国父母亲HIV披露模型的发展情况。该模型突出强调了中国父母HIV披露过程的文化背景，并可能对未来的观察性研究和干预工作提供有用的指导。

24浏览量
原文链接
相关报告

  • 《中国武汉的2019-nCoV爆发的潜在国内和国际传播预测：一项模型研究》
    • 来源专题：新发突发疾病（新型冠状病毒肺炎）
    • 编译者：蒋君
    • 发布时间：2020-02-02
    • 自2019年12月31日以来，中国武汉市报告了由2019年新型冠状病毒（2019-nCoV）引起的肺炎暴发。病毒已传播到中国其他城市以及国际上，有可能引发全球性疾病爆发。在此，研究人员根据从武汉输出到其他中国大陆城市的病例数来估算武汉市的流行病规模，并预测流行病在国内和全球范围内的公共卫生风险（包括社会和非公共卫生风险） -药物预防干预措施。 研究人员使用2019年12月31日至2020年1月28日从武汉输出到其他地方的病例数（已知症状发生日为2019年12月25日至2020年1月19日）来推断武汉市2019年12月1日到2020年1月25日的感染人数，然后对国内的病例进行估计。研究人员预测了2019-nCoV在全国和全球范围内的传播，并考虑到了从2020年1月23日至24日实施的武汉及周边城市隔离的影响。研究者使用了《官方航空指南》和腾讯数据库在中国大陆300多个地级市的人口流动数据。确诊病例的数据来自中国疾病预防控制中心发布的报告。连续时间间隔的估计是基于先前对严重急性呼吸系统综合症冠状病毒（SARS-CoV）的研究得出的。采用易感暴露的传染恢复集合种群模型模拟了我国各大城市的疫情。使用马尔可夫链蒙特卡罗方法估算基本生殖数，并使用所得的后验均值和95％可信区间（CrI）表示。 在基线方案中，研究人员估计2019-nCoV的基本生殖数量为2.68（95％CrI 2.47-2.86），并且已经感染了75,815人（95％CrI 37,304–130,330）。截至2020年1月25日，武汉的流行倍增时间为6.4天（95％的CrI 5.8-7.1）。在基线情况下，重庆，北京，上海，广州和深圳分别从武汉输入病例461例（95％CrI 227-805），113例（57-193），98例（49-168），111例（56-191）和80例（40–139）。如果2019-nCoV的可传播性在国内各地以及随着时间的推移都相似，则我们可以推断，中国多个主要城市的疫情已经呈指数增长，滞后于武汉爆发约1-2周。 鉴于2019-nCoV已不限于在武汉范围内传播，其他中国主要城市可能仍在继续局部爆发疫情。除非与人口和个人层面都实施实质性公共卫生干预措施，否则与中国有着紧密交通联系的海外大城市也可能成为爆发中心。由于大量的症状前病例输出和缺乏大规模公共卫生干预措施，全球主要城市的独立自我维持爆发可能不可避免。备灾计划和缓解措施应做好准备，以便在全球范围内快速部署。
    186浏览量
    原文链接

  • 《小时太阳辐照度预测的混合深度神经模型》
    • 来源专题：可再生能源
    • 编译者：pengh
    • 发布时间：2021-03-14
    • 由于将光伏太阳能系统集成到电网中，太阳辐照度的准确预测在电力能源规划和管理中发挥着越来越重要的作用。但现有的混合模型忽略了除辐照度时间序列外的其他因素的影响，采用单一分支独立的网络结构，可能导致预测精度下降。本文提出了一种新的基于WPD-CNN-LSTM-MLP的1 h前太阳辐照度预测多元混合深度神经模型。小说WPD-CNN-LSTM-MLP模型是基于一个复杂的多分支混合结构与多变量输入、多分支混合结构结合了小波包分解(WPD)卷积神经网络(CNN),长期短期记忆(LSTM)网络和多层感知器网络(MLP)和多变量输入包括小时太阳辐照度和三个气候变量,即:温度、相对湿度、风速和他们的组合。该模型充分提取了多层输入的内在特征，克服了传统模型的不足，获得了更准确的预测结果。该模型的性能通过美国丹佛、克拉克和福尔松的实际数据进行了验证。比较研究传统的个人反向传播神经网络,支持向量机,递归神经网络,LSTM, climatology-persistence参考和提出LSTM-MLP模型预测方法,CNN-LSTM-MLP模型,WPD-CNN-LSTM模型显示,该WPD-CNN-LSTM-MLP深度学习小时辐照度预测模型具有更好的预测精度。
    271浏览量
    原文链接