一、癌症已不等于死亡 诊断也应当公开（论文文献综述）
苏静静[1]（2022）在《哈佛脑死亡定义与标准的历史探源》文中进行了进一步梳理通过追溯哈佛脑死亡定义和标准的提出的历史语境和过程,哈佛脑死亡委员会成员的遴选,与器官移植的利益纠葛及其具体的贡献,可以发现这一概念是受到科学、医学、社会和文化的影响,彰显了医学人文学界、医学界和公众之间在脑死亡问题上不断纠结的医学化和去医学化张力。
袁志平[2]（2021）在《公众安宁疗护认知影响因素分析及社会工作介入研究》文中认为
刘爽[3]（2021）在《医疗侵权诉讼因果关系证明实证研究》文中指出
何伊文[4]（2021）在《从翻译批评理论看突发公共卫生事件的报道编译 ——以《东洋经济周刊》对《财新周刊》新冠专题的日译为例》文中认为
鲍兰兰[5]（2021）在《医疗侵权中机会丧失损害赔偿研究》文中研究指明
余文清[6]（2021）在《生物样本权利的民法保护问题研究》文中指出
崔兆一[7]（2021）在《宠物饲养状况对社区老年人运动行为及身心健康的影响》文中研究指明
武子祺[8]（2021）在《科普类文本中隐性信息的翻译 ——《核武器》（第一、二、四、七章）翻译实践报告》文中研究表明
李茵[9]（2021）在《面向医院管理的数据驱动决策研究》文中提出信息技术的快速发展与应用以及大数据战略的深入实施,使得大数据成为科技创新引领与决策支撑的重要战略资源,科学研究与实践正在完成“假设驱动”到“数据驱动”的巨大转变,大数据的深度挖掘与利用能够为社会发展、政府治理、国家安全等提供新的动能。围绕国家大数据战略,丰富和拓展大数据应用创新领域,推动管理升级,给学术界、产业界以及政府部门带来许多新的重要课题。其中面向健康服务供给侧的决策支持、决策引导和决策创新中的数据驱动、数据价值转换问题即是管理学、数据科学的核心科学问题之一,更是情报学应对大数据环境开展智慧型情报服务必须解决的关键问题之一。健康医疗大数据时代的到来,促使医院管理和医院管理者的观念都随之变化。数据驱动对医院精细化、智慧化管理决策具有重要意义。本研究从提升医疗管理决策质量的角度出发,构建数据驱动医院管理决策过程模型,分析数据驱动医院管理决策的影响因素,进而提出面向医院管理的数据驱动决策模型,并展开实证研究,为数据驱动决策领域的研究理论基础和实证研究提供参考依据,为促进医院精细化管理提供对策及建议。基于此,通过界定“数据驱动”、“医院管理”、“医院管理评价”与“数据驱动决策”等相关概念,以回顾数据驱动决策、面向医疗健康领域的数据驱动决策、面向医院管理的数据驱动决策以及数据驱动决策的影响因素研究现状为基础,综合运用文献调研法、半结构访谈法、问卷调查法、扎根理论法、结构方程法、统计分析法、机器学习法分析了面向医院管理的数据驱动决策的过程模型和影响因素模型,并构建了面向医院管理的数据驱动决策模型。围绕面向医院管理的数据驱动决策模型这一核心研究内容,本文第三章在已有BASM模型研究过程的基础上,结合医院管理决策场景的特殊性,探索面向医院管理的数据驱动决策的运行机理,构建面向医院管理的数据驱动决策过程模型,以梳理驱动的路径,理清其中的内在逻辑。该模型由处理过程模型及支持过程模型两部分构成,旨在分别回答面向医院管理的数据驱动决策过程中两个核心问题,一是数据本身如何转化并如何嵌入到医院管理决策过程中,二是医院中能够支持并且推动数据驱动决策的途径是什么。第四章采用扎根理论进行了面向医疗管理领域数据驱动决策的影响因素识别研究,编码面向医院管理者的半结构化访谈资料,经过饱和度测试,最终识别出了四个维度的影响因素。第五章在对影响因素定性研究的基础上利用结构方程模型方法进一步验证影响因素,探讨相关变量的权重和关系。阐述各个因素对医院管理决策的影响关系,验证数据驱动医院管理决策影响因素模型。第六章整合数据驱动医院管理决策过程模型和影响因素模型,构建支持医院管理决策全过程的数据驱动决策模型,探讨过程模型与影响因素模型的内在联系。第七章根据已构建的面向医院管理的数据驱动决策模型,进行基于DRGs分组的医疗服务能力评价和医生绩效评价管理工作的实证研究,修正和完善已构建的模型。具体内容如下:（1）构建面向医院管理的数据驱动决策过程模型。基于现有的数据驱动决策机制模型,结合医院管理实践,构建面向医院管理的数据驱动决策过程模型,该模型由处理过程模型及支持过程模型两部分构成,处理过程模型包括面向医院管理决策的数据处理过程和数据驱动的医院管理决策处理过程。决策处理过程既是数据处理过程的最后阶段,对数据处理的结果进行展示与应用,又会不断地产生新的数据,前推已有数据的老化和错误,补充和修正数据处理过程。而数据处理过程以决策处理过程中的阶段性需求为导向,能嵌入到决策处理过程的所有阶段,为决策处理的全流程服务。支持过程模型主要涉及两用户一技术。两用户包括数据分析人员和管理者,使能技术是创建和改进能够嵌入到操作系统的分析工具,这三个主体不能割裂独立,而可以互相转化并可能同时存在,共同对数据和决策进行处理,支持处理过程模型运转。（2）系统分析了面向医院管理的数据驱动决策影响因素。对主观及客观上影响管理者数据驱动决策的因素进行整合和相关分析,确定四个核心影响因素范畴分别是医疗数据质量,信息技术,医院组织管理和管理者信息素养,构建了影响因素模型,发现数据驱动医院管理决策能受到管理者信息素养、医院组织管理和信息技术的正向影响,其中管理者信息素养最强,其次是医院组织管理和信息技术;医院组织管理对医疗数据质量、管理者信息素养、决策目标均有影响,对医疗数据质量的影响要强于管理者信息素养;医疗数据质量能够对信息技术产生正向影响;信息技术对决策目标具有正向影响。（3）构建了面向医院管理的数据驱动决策模型。将过程模型与影响因素模型有机结合在一起,构成了面向医院管理的数据驱动决策模型。打造数据驱动决策模型,将医院数据质量标准化管理贯穿于医院管理全流程、智能化管理提升医务人员的信息技术、高效化管理增效医院组织三个方面分析模型的实现,提出模型优化建议。（4）基于DRGs的肺癌医疗服务绩效分析实证研究。模拟医院管理中运用DRGs分组工具解决绩效问题的真实场景,应用数据驱动医院管理决策模型,优化DRGs分组,优化绩效管理。研究最终确定性别、年龄、入院途径、离院方式、住院次数、医保付费方式、是否手术、合并症严重情况八个因素为影响肺癌医疗服务费用的因素,构建了8个DRGs分组,其中合并症严重程度、是否手术、住院次数是决策树分组的分类结点变量。选用医疗服务能力的指标（DRGs总权重、CMI）根据获取的数据进行比较,完成绩效评价工作,实现基于数据驱动决策的绩效管理。
赵宏倩[10]（2021）在《复杂疾病过程中个体单样本的临界状态研究》文中提出复杂疾病是遗传模式复杂、在众多因素共同作用下发生的疾病,严重危害人类的健康。复杂疾病的发展过程往往不可逆,因此对于癌症等复杂疾病而言,早期的诊断和治疗至关重要。近年来有研究表明,动态网络生物标志物（DNB）可以作为多种复杂疾病的早期预警信号,能有效识别疾病发展过程中存在的临界状态。但是大多数DNB相关的算法是基于患者的组织数据且计算复杂度较高,因此通常在临床诊断中无法实现。本文在DNB理论与构建个体特异性网络的基础上,分别提出了基于三维景观动态标志物和基于模拟退火算法的两种复杂疾病临界状态检测方法,能够对单个样本进行个性化诊断,大大提升了临床应用价值。通过定量分析HRG诱导MCF-7乳腺癌细胞系分化过程以及HCV诱导的肝发育异常和肝细胞癌（HCC）两个时间序列数据集验证了本方法的有效性,并成功确定了乳腺癌细胞分化以及HCC发展进程中存在的临界状态。KEGG通路分析的结果和大量文献证实了本方法所确定的DNB模块与疾病的发展进程确实存在关联。本文工作如下:（1）针对单样本数据特性构建个体特异性网络。生物数据中单独的一列难以形成分子网络图谱,因此本文引入了个体特异性网络来解决这一问题。首先需要若干个非患病的参考样本数据构建参考网络,然后在参考样本中添加一例患病的样本构建新的网络。加入患病样本的新网络与参考样本网络之差作为该患病样本与正常样本之间的扰动网络,即个体特异性网络。在临床实践中,只需要给定一定数量的参考样本,就可以为任何单个患病样本数据构建个体特异性网络。（2）基于（1）的研究,提出了基于三维景观动态网络生物标志物的复杂疾病临界状态识别方法。该方法是在DNB理论以及构建个体特异性网络基础上的一种无模型计算方法。依据DNB分子在系统临界状态下的三个统计条件,可以对个体特异性网络中每一个节点（分子）计算相应的局部得分。根据给定阈值,则可以自动确定每一例样本中的DNB模块并给出该样本的全局得分,全局得分最高的样本所处的状态即可被确认为该疾病的临界状态。本方法能够对单个样本进行得分评定,能有效检测疾病所处的状态,但由于局部得分需要遍历网路中全部节点,复杂度相对较高。（3）基于（1）的研究,提出了基于模拟退火的复杂疾病临界状态识别方法。该方法是在DNB理论以及个体特异性网络基础上结合智能算法来对DNB分子进行求解。在构建个体特异性网络的基础上,根据DNB分子在临界状态下的三个条件建立恰当的目标函数从而将DNB分子的求解转化成单目标优化问题。模拟退火算法的应用则能够实现该问题的快速寻优,确定DNB组内分子之后再对单个样本的得分进行评估。本方法在DNB大小,算法运行时间和生物学相关性方面均更加优秀,生物学相关性是指临界状态下确定的DNB的表达水平与感兴趣的表型之间的皮尔逊相关系数。此外,本方法不仅可以解决临床诊断中单个样本的问题,而且可以描述每种疾病状态的统计特征。（4）使用（2）和（3）两种计算方法定量分析HRG诱导MCF-7乳腺癌细胞系分化过程以及HCV诱导的肝发育异常和肝细胞癌两个标准化基因表达数据集,分别确定了乳腺癌细胞系分化过程和HCC疾病进程中存在的临界状态。通过KEGG通路分析和文献搜索两种方案分别验证了两种计算方法的可靠性能。个体特异性网络的构建大幅提升了DNB理论的临床运用价值,对生物医学领域的复杂疾病早期诊断有重要的意义。
二、癌症已不等于死亡 诊断也应当公开（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、癌症已不等于死亡 诊断也应当公开（论文提纲范文）
（1）哈佛脑死亡定义与标准的历史探源（论文提纲范文）
| 一、历史语境 |
| 二、哈佛脑死亡的提出 |
| (一)源起:Beecher |
| (二)组建“哈佛医学院脑死亡定义审查特别委员会” |
| 1. 幕后英雄：Ebert |
| 2. 哈佛黄金团队 |
| 3. 内部争论 |
| (1)定义死亡，不可逆昏迷还是脑死亡综合征? |
| (2)不可逆昏迷的诊断标准 |
| (3)关于器官移植的关联性 |
| 三、争议与应用 |
| 四、结论 |
（9）面向医院管理的数据驱动决策研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 数据驱动决策的研究现状 |
| 1.3.2 数据驱动医疗健康领域决策的研究现状 |
| 1.3.3 数据驱动医院管理决策的研究现状 |
| 1.3.4 数据驱动决策的影响因素研究现状 |
| 1.3.5 研究现状述评 |
| 1.4 研究框架与研究内容 |
| 1.4.1 研究框架 |
| 1.4.2 主要研究内容 |
| 1.4.3 拟解决的关键问题 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 第2章 相关基础理论和方法 |
| 2.1 医院管理相关概念 |
| 2.1.1 医院管理 |
| 2.1.2 医院管理评价 |
| 2.1.3 医院管理者 |
| 2.2 决策支持相关理论 |
| 2.2.1 西蒙决策理论 |
| 2.2.2 数据驱动决策相关理论 |
| 2.3 信息链理论 |
| 2.3.1 信息链与信息技术 |
| 2.3.2 “信息”上溯到“数据”带来的变化 |
| 2.3.3 信息链视域下的数据驱动医院管理决策 |
| 2.4 BASM模型 |
| 2.4.1 BASM模型的产生 |
| 2.4.2 BASM模型的研究现状 |
| 2.4.3 基于BASM模型的数据驱动医院管理决策研究 |
| 2.5 相关研究方法 |
| 2.5.1 扎根理论 |
| 2.5.2 结构方程模型 |
| 2.5.3 决策树算法--CHAID |
| 2.6 相关应用场景 |
| 2.6.1 医疗服务绩效 |
| 2.6.2 DRG在医疗服务绩效管理中的应用 |
| 2.7 本章小结 |
| 第3章 面向医院管理的数据驱动决策过程模型构建 |
| 3.1 面向医院管理决策的数据驱动过程模型 |
| 3.1.1 数据驱动决策模式运行机制 |
| 3.1.2 BASM的过程模型 |
| 3.1.3 基于BASM过程模型的数据驱动医院管理决策过程模型构建 |
| 3.2 面向医院管理的数据驱动决策过程模型要素分析 |
| 3.2.1 驱动要素 |
| 3.2.2 需求要素 |
| 3.2.3 支持要素 |
| 3.2.4 要素间关系 |
| 3.3 数据驱动的医院管理决策中数据处理过程 |
| 3.3.1 医疗数据存在的问题 |
| 3.3.2 面向医院管理决策的数据处理原则 |
| 3.3.3 面向医院管理决策的数据处理过程 |
| 3.4 面向医院管理的数据驱动决策过程模型运行机制 |
| 3.4.1 面向医院管理决策的信息链转化过程 |
| 3.4.2 数据驱动的医院管理决策制定过程 |
| 3.5 本章小结 |
| 第4章 基于扎根理论的数据驱动医院管理决策的影响因素分析 |
| 4.1 研究问题与研究程序 |
| 4.1.1 研究问题 |
| 4.1.2 研究方法 |
| 4.1.3 研究程序 |
| 4.2 研究设计 |
| 4.2.1 研究对象选取 |
| 4.2.2 资料收集 |
| 4.2.3 信效度检验 |
| 4.3 编码分析 |
| 4.3.1 开放式编码 |
| 4.3.2 主轴编码 |
| 4.3.3 选择性编码 |
| 4.3.4 理论饱和度检验 |
| 4.4 数据驱动医院管理决策影响因素理论模型与阐释 |
| 4.4.1 影响因素理论模型构建 |
| 4.4.2 影响因素分析 |
| 4.4.3 影响因素关系分析 |
| 4.5 本章小结 |
| 第5章 数据驱动医院管理决策的影响因素模型构建 |
| 5.1 数据驱动医院管理决策影响因素变量选择与界定 |
| 5.1.1 医疗数据质量维度 |
| 5.1.2 信息技术维度 |
| 5.1.3 医院组织管理维度 |
| 5.1.4 管理者信息素养维度 |
| 5.1.5 数据驱动医院管理决策维度 |
| 5.2 相关研究假设 |
| 5.2.1 医疗数据质量 |
| 5.2.2 信息技术 |
| 5.2.3 医院组织管理 |
| 5.2.4 管理者信息素养 |
| 5.3 调查问卷的编制与问卷修正 |
| 5.4 数据获取与统计分析 |
| 5.4.1 研究对象 |
| 5.4.2 样本量的选择 |
| 5.4.3 信度分析 |
| 5.4.4 样本分布 |
| 5.4.5 样本数据相关性 |
| 5.5 效度分析 |
| 5.5.1 探索性因子分析 |
| 5.5.2 验证性因子分析 |
| 5.6 基于结构方程的影响因素模型构建与检验修正 |
| 5.6.1 影响因素模型构建 |
| 5.6.2 模型基本适配评估 |
| 5.6.3 假设检验的结果 |
| 5.7 结构方程模型检验结果分析 |
| 5.7.1 影响因素强度分析 |
| 5.7.2 医疗数据质量对信息技术影响的验证结果分析 |
| 5.7.3 信息技术对数据驱动医院管理决策影响的验证结果分析 |
| 5.7.4 医院组织管理对医疗数据质量影响的验证结果分析 |
| 5.7.5 医院组织管理对管理者信息素养影响的验证结果分析 |
| 5.7.6 医院组织管理对数据驱动医院管理决策影响的验证结果分析 |
| 5.7.7 管理者信息素养对医疗数据质量影响的验证结果分析 |
| 5.7.8 管理者信息素养对信息技术影响的验证结果分析 |
| 5.7.9 管理者信息素养对数据驱动医院管理决策影响的验证结果分析 |
| 5.8 本章小结 |
| 第6章 面向医院管理的数据驱动决策模型研究 |
| 6.1 数据驱动医院管理决策模型构建 |
| 6.2 面向医院管理的数据驱动决策模型的驱动机制 |
| 6.2.1 面向医院管理的数据驱动决策模型的驱动目标 |
| 6.2.2 面向医院管理的数据驱动决策模型的驱动特征 |
| 6.2.3 面向医院管理的数据驱动决策模型的驱动过程 |
| 6.3 数据驱动医院管理决策模型影响因素的作用机制 |
| 6.3.1 医疗数据质量在数据驱动决策模型中的影响机制 |
| 6.3.2 信息技术在数据驱动决策模型中的影响机制 |
| 6.3.3 医院组织管理在数据驱动决策模型中的影响机制 |
| 6.3.4 管理人员素养在数据驱动决策模型中的影响机制 |
| 6.4 数据驱动医院管理决策模型对医院管理的提升策略 |
| 6.4.1 提升医疗数据质量 |
| 6.4.2 发挥信息技术使能作用 |
| 6.4.3 发挥医院组织管理支持作用 |
| 6.4.4 提高管理人员信息素养 |
| 6.5 本章小结 |
| 第7章 面向医院管理的数据驱动决策的实证研究 |
| 7.1 资料来源与研究对象 |
| 7.2 原发性肺癌患者的DRGS分组 |
| 7.2.1 数据基础 |
| 7.2.2 数据纳入 |
| 7.2.3 术语映射 |
| 7.2.4 DRGs分组结果对比 |
| 7.3 基于DRGS细分组的医疗服务绩效评估 |
| 7.3.1 基于决策树的原发性肺癌患者DRGs细分组模型 |
| 7.3.2 基于DRGs细分组的医疗服务绩效评估指标 |
| 7.3.3 医生医疗服务绩效指标统计结果 |
| 7.3.4 科室医疗服务绩效指标统计结果 |
| 7.4 讨论 |
| 7.4.1 数据驱动医院管理决策过程 |
| 7.4.2 数据驱动医院管理决策影响因素 |
| 7.5 本章小结 |
| 第8章 结论与创新 |
| 8.1 结论 |
| 8.2 研究创新点 |
| 8.3 研究局限 |
| 参考文献 |
| 附录1 病案组DRGS分组情况 |
| 附录2 医生组DRGS分组情况 |
| 附录3 访谈提纲 |
| 附录4 调查问卷 |
| 作者简介及在学期间所取得的科研成果 |
| 后记与致谢 |
（10）复杂疾病过程中个体单样本的临界状态研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 生物信息学概述 |
| 1.2 研究背景和意义 |
| 1.3 国内外研究现状 |
| 1.4 论文的主要内容及框架 |
| 第二章 预备知识 |
| 2.1 动态网络生物标志物理论 |
| 2.1.1 动态网络生物标志物概念 |
| 2.1.2 动态网络生物标志物理论模型 |
| 2.2 个体特异性网络 |
| 2.3 相关生物信息学方法 |
| 2.3.1 差异基因表达分析 |
| 2.3.2 基因富集分析 |
| 2.3.3 通路分析 |
| 第三章 基于三维景观动态网络生物标志物的识别方法 |
| 3.1 数据收集与整理 |
| 3.1.1 乳腺癌数据集 |
| 3.1.2 肝细胞癌数据集 |
| 3.2 研究方法 |
| 3.3 乳腺癌数据集的应用结果及分析 |
| 3.3.1 局部得分的三维景观图 |
| 3.3.2 利用全局得分量化乳腺癌细胞分化过程中的临界状态 |
| 3.3.3 通路分析与文献挖掘 |
| 3.4 肝细胞癌数据集的应用结果及分析 |
| 3.4.1 局部得分的三维景观图 |
| 3.4.2 利用全局得分量化肝细胞癌发展过程中的临界状态 |
| 3.4.3 通路分析与文献挖掘 |
| 3.5 本章小结 |
| 第四章 基于模拟退火算法的识别方法 |
| 4.1 研究背景 |
| 4.2 数据收集与整理 |
| 4.3 研究方法 |
| 4.3.1 构建个体特异性网络 |
| 4.3.2 DNB复合指标 |
| 4.3.3 模拟退火搜索算法 |
| 4.4 乳腺癌数据集的应用结果及分析 |
| 4.4.1 利用综合指标量化乳腺癌细胞分化过程中的临界状态 |
| 4.4.2 通路分析与文献挖掘 |
| 4.5 肝细胞癌数据集的应用结果及分析 |
| 4.5.1 利用综合指标量化肝细胞癌发展过程中的临界状态 |
| 4.5.2 通路分析与文献挖掘 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1:本文算法识别出的生物标志物 |
| 附录2:作者在攻读硕士学位期间发表的论文及其他学术成果 |
四、癌症已不等于死亡 诊断也应当公开（论文参考文献）
- [1]哈佛脑死亡定义与标准的历史探源[J]. 苏静静. 北京航空航天大学学报(社会科学版), 2022(01)
- [2]公众安宁疗护认知影响因素分析及社会工作介入研究[D]. 袁志平. 广东外语外贸大学, 2021
- [3]医疗侵权诉讼因果关系证明实证研究[D]. 刘爽. 甘肃政法大学, 2021
- [4]从翻译批评理论看突发公共卫生事件的报道编译 ——以《东洋经济周刊》对《财新周刊》新冠专题的日译为例[D]. 何伊文. 北京外国语大学, 2021
- [5]医疗侵权中机会丧失损害赔偿研究[D]. 鲍兰兰. 西北大学, 2021
- [6]生物样本权利的民法保护问题研究[D]. 余文清. 江西财经大学, 2021
- [7]宠物饲养状况对社区老年人运动行为及身心健康的影响[D]. 崔兆一. 华北理工大学, 2021
- [8]科普类文本中隐性信息的翻译 ——《核武器》（第一、二、四、七章）翻译实践报告[D]. 武子祺. 大连外国语大学, 2021
- [9]面向医院管理的数据驱动决策研究[D]. 李茵. 吉林大学, 2021(01)
- [10]复杂疾病过程中个体单样本的临界状态研究[D]. 赵宏倩. 江南大学, 2021(01)