| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 英文缩略语 | 第8-12页 |
| 第一部分 研究背景及思路 | 第12-20页 |
| 前言 | 第12页 |
| 1 研究背景 | 第12-17页 |
| 2 研究思路 | 第17-19页 |
| 3 技术路线 | 第19页 |
| 4 创新与不足 | 第19-20页 |
| 第二部分 研究方法 | 第20-23页 |
| 1 数据库的生成 | 第20-21页 |
| 1.1 条件参数的选择原则 | 第20页 |
| 1.2 训练用数据集 | 第20页 |
| 1.3 测试用数据集 | 第20页 |
| 1.4 MATLAB用数据矩阵 | 第20-21页 |
| 1.5 数据代换和归一化 | 第21页 |
| 2 模型的建立 | 第21-23页 |
| 2.1 logistics回归分析模型 | 第21-22页 |
| 2.2 classification tree模型 | 第22-23页 |
| 2.3 neural network模型 | 第23页 |
| 3 各模型预测结果与真值比对 | 第23页 |
| 第三部分 结果 | 第23-33页 |
| 1 各个模型模拟结果参数 | 第23-32页 |
| 1.1 各个模型结果对比 | 第23-25页 |
| 1.2 各个模型预测结果对比 | 第25-28页 |
| 1.3 树形图结果 | 第28-31页 |
| 1.4 综合考虑classification tree和neural network的交互结果 | 第31-32页 |
| 2 现有医院感染系统预测结果 | 第32-33页 |
| 第四部分 分析与讨论 | 第33-39页 |
| 1 各个预测模型的优劣对比 | 第33-38页 |
| 1.1 现有系统预测模型的劣势——logistics回归分析模型的局限性 | 第33-34页 |
| 1.2 classification tree的矛盾和应用 | 第34-36页 |
| 1.3 neural network的优势与不足 | 第36-37页 |
| 1.4 神经网络模型与决策树分类器的交互 | 第37页 |
| 1.5 不平衡数据集的影响 | 第37-38页 |
| 2 预测模型的实际应用 | 第38-39页 |
| 第五部分 结论 | 第39-40页 |
| 附录 | 第40-57页 |
| 附表：2017年3月院感病例核查——厂家自查表 | 第40-57页 |
| 本文创新性自我评价 | 第57-58页 |
| 参考文献 | 第58-68页 |
| 综述：统计学模型在医院感染病例预警分析的应用比较 | 第68-78页 |
| 引言 | 第68-69页 |
| 1 资料与方法 | 第69页 |
| 1.1 纳入标准 | 第69页 |
| 1.2 检索策略 | 第69页 |
| 2 统计学模型的比较 | 第69-72页 |
| 2.1 时间序列模型 | 第69-70页 |
| 2.2 logistic回归模型 | 第70-71页 |
| 2.3 神经网络及序列分析树 | 第71-72页 |
| 3 问题与讨论 | 第72-74页 |
| 3.1 研究原始数据库(训练用数据库) | 第72页 |
| 3.2 微生物检验 | 第72-73页 |
| 3.3 模型预测检验 | 第73-74页 |
| 结语 | 第74页 |
| 参考文献 | 第74-78页 |
| 在学期间科研成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 个人简历 | 第80页 |
