1946年5月28日,在德国的兰德斯堡,美国军事当局准备绞死74岁的克劳斯·卡尔·席林博士。在达豪的一次战争罪审判中,他被判利用1200名集中营囚犯做疟疾实验。30人直接死于接种,300至400人后来死于该病的并发症。他的实验始于1942年,实验对象都是非自愿的。防限流,原图及更多历史图片资源,关注公众号:Like历史,发送“图片社区”获取。
建模四大模型
优化模型
1.1 数学规划模型线性规划、整数线性规划、非线性规划、多目标规划、动态规划。1.2 微分方程组模型阻滞增长模型、SARS传播模型。
1.3 图论与网络优化问题
最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。
1.4 概率模型
决策模型、随机存储模型、随机人口模型、报童问题、Markov链模型。
1.5 组合优化经典问题
1.5.1 多维背包问题(MKP)
背包问题:个物品,对物品,体积为,背包容量为。如何将尽可能多的物品装入背包。
多维背包问题:个物品,对物品,价值为,体积为,背包容量为。如何选取物品装入背包,是背包中物品的总价值最大。
多维背包问题在实际中的应用有:资源分配、货物装载和存储分配等问题。该问题属于难问题。
1.5.2 二维指派问题(QAP)
工作指派问题:个工作可以由个工人分别完成。工人完成工作的时间为。如何安排使总工作时间最小。
二维指派问题(常以机器布局问题为例):台机器要布置在个地方,机器与之间的物流量为,位置与之间的距离为,如何布置使费用最小。
二维指派问题在实际中的应用有:校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。
1.5.3 旅行商问题(TSP)
旅行商问题:有个城市,城市与之间的距离为,找一条经过个城市的巡回(每个城市经过且只经过一次,最后回到出发点),使得总路程最小。
1.5.4 车辆路径问题(VRP)
车辆路径问题(也称车辆计划):已知个客户的位置坐标和货物需求,在可供使用车辆数量及运载能力条件的约束下,每辆车都从起点出发,完成若干客户点的运送任务后再回到起点,要求以最少的车辆数、最小的车辆总行程完成货物的派送任务。
TSP问题是VRP问题的特例。
1.5.5 车间作业调度问题(JSP)
车间调度问题:存在个工作和台机器,每个工作由一系列操作组成,操作的执行次序遵循严格的串行顺序,在特定的时间每个操作需要一台特定的机器完成,每台机器在同一时刻不能同时完成不同的工作,同一时刻同一工作的各个操作不能并发执行。如何求得从第一个操作开始到最后一个操作结束的最小时间间隔。
分类模型
判别分析是在已知研究对象分成若干类型并已经取得各种类型的一批已知样本的观测数据,在此基础上根据某些准则建立判别式,然后对未知类型的样品进行判别分析。
聚类分析则是给定的一批样品,要划分的类型实现并不知道,正需要通过局内分析来给以确定类型的。
2.1 判别分析
2.1.1 距离判别法
基本思想:首先根据已知分类的数据,分别计算各类的重心即分组(类)的均值,判别准则是对任给的一次观测,若它与第类的重心距离最近,就认为它来自第类。
至于距离的测定,可以根据实际需要采用欧氏距离、马氏距离、明科夫距离等。
2.1.2 Fisher判别法
基本思想:从两个总体中抽取具有个指标的样品观测数据,借助方差分析的思想构造一个判别函数或称判别式。其中系数确定的原则是使两组间的区别最大,而使每个组内部的离差最小。
对于一个新的样品,将它的p个指标值代人判别式中求出 y 值,然后与判别临界值(或称分界点(后面给出)进行比较,就可以判别它应属于哪一个总体。在两个总体先验概率相等的假设下,判别临界值一般取:最后,用统计量来检验判别效果,若则认为判别有效,否则判别无效。
以上描述的是两总体判别,至于多总体判别方法则需要加以扩展。
Fisher判别法随着总体数的增加,建立的判别式也增加,因而计算比较复杂。
2.1.3 Bayes判别法
基本思想:假定对所研究的对象有一定的认识,即假设个总体中,第个总体的先验概率为,概率密度函数为。利用bayes公式计算观测样品来自第个总体的后验概率,当时,将样本判为总体。
2.1.4 逐步判别法
基本思想与逐步回归法类似,采用“有进有出”的算法,逐步引入变量,每次引入一个变量进入判别式,则同时考虑在较早引入判别式的某些作用不显著的变量剔除出去。
2.2 聚类分析
聚类分析是一种无监督的分类方法,即不预先指定类别。
根据分类对象不同,聚类分析可以分为样本聚类(Q型)和变量聚类(R型)。样本聚类是针对观测样本进行分类,而变量聚类则是试图找出彼此独立且有代表性的自变量,而又不丢失大部分信息。变量聚类是一种降维的方法。
2.2.1 系统聚类法(分层聚类法)
基本思想:开始将每个样本自成一类;然后求两两之间的距离,将距离最近的两类合成一类;如此重复,直到所有样本都合为一类为止。
适用范围:既适用于样本聚类,也适用于变量聚类。并且距离分类准则和距离计算方法都有多种,可以依据具体情形选择。
2.2.2 快速聚类法(K-均值聚类法)
基本思想:按照指定分类数目,选择个初始聚类中心;计算每个观测量(样本)到各个聚类中心的距离,按照就近原则将其分别分到放入各类中;重新计算聚类中心,继续以上步骤;满足停止条件时(如最大迭代次数等)则停止。
使用范围:要求用户给定分类数目,只适用于样本聚类(Q型),不适用于变量聚类(R型)。
2.2.3 两步聚类法(智能聚类方法)
基本思想:先进行预聚类,然后再进行正式聚类。
适用范围:属于智能聚类方法,用于解决海量数据或者具有复杂类别结构的聚类分析问题。可以同时处理离散和连续变量,自动选择聚类数,可以处理超大样本量的数据。
2.2.4 模糊聚类分析
2.2.5 与遗传算法、神经网络或灰色理论联合的聚类方法
2.3 神经网络分类方法
评价模型
3.1 层次分析法(AHP)
基本思想:是定性与定量相结合的多准则决策、评价方法。将决策的有关元素分解成目标层、准则层和方案层,并通过人们的判断对决策方案的优劣进行排序,在此基础上进行定性和定量分析。它把人的思维过程层次化、数量化,并用数学为分析、决策、评价、预报和控制提供定量的依据。
基本步骤:构建层次结构模型;构建成对比较矩阵;层次单排序及一致性检验(即判断主观构建的成对比较矩阵在整体上是否有较好的一致性);层次总排序及一致性检验(检验层次之间的一致性)。
优点:它完全依靠主观评价做出方案的优劣排序,所需数据量少,决策花费的时间很短。从整体上看,AHP在复杂决策过程中引入定量分析,并充分利用决策者在两两比较中给出的偏好信息进行分析与决策支持,既有效地吸收了定性分析的结果,又发挥了定量分析的优势,从而使决策过程具有很强的条理性和科学性,特别适合在社会经济系统的决策分析中使用。
缺点:用AHP进行决策主观成分很大。当决策者的判断过多地受其主观偏好影响,而产生某种对客观规律的歪曲时,AHP的结果显然就靠不住了。
适用范围:尤其适合于人的定性判断起重要作用的、对决策结果难于直接准确计量的场合。要使AHP的决策结论尽可能符合客观规律,决策者必须对所面临的问题有比较深入和全面的认识。另外,当遇到因素众多,规模较大的评价问题时,该模型容易出现问题,它要求评价者对问题的本质、包含的要素及其相互之间的逻辑关系能掌握得十分透彻,否则评价结果就不可靠和准确。
改进方法:
(1) 成对比较矩阵可以采用德尔菲法获得。
(2) 如果评价指标个数过多(一般超过9个),利用层次分析法所得到的权重就有一定的偏差,继而组合评价模型的结果就不再可靠。可以根据评价对象的实际情况和特点,利用一定的方法,将各原始指标分层和归类,使得每层各类中的指标数少于9个。
3.2 灰色综合评价法(灰色关联度分析)
基本思想:灰色关联分析的实质就是,可利用各方案与最优方案之间关联度大小对评价对象进行比较、排序。关联度越大,说明比较序列与参考序列变化的态势越一致,反之,变化态势则相悖。由此可得出评价结果。
基本步骤:建立原始指标矩阵;确定最优指标序列;进行指标标准化或无量纲化处理;求差序列、最大差和最小差;计算关联系数;计算关联度。 优点:是一种评价具有大量未知信息的系统的有效模型,是定性分析和定量分析相结合的综合评价模型,该模型可以较好地解决评价指标难以准确量化和统计的问题,可以排除人为因素带来的影响,使评价结果更加客观准确。整个计算过程简单,通俗易懂,易于为人们所掌握;数据不必进行归一化处理,可用原始数据进行直接计算,可靠性强;评价指标体系可以根据具体情况增减;无需大量样本,只要有代表性的少量样本即可。 缺点:要求样本数据且具有时间序列特性;只是对评判对象的优劣做出鉴别,并不反映绝对水平,故基于灰色关联分析综合评价具有“相对评价”的全部缺点。
适用范围:对样本量没有严格要求,不要求服从任何分布,适合只有少量观测数据的问题;应用该种方法进行评价时,指标体系及权重分配是一个关键的问题,选择的恰当与否直接影响最终评价结果。 改进方法: (1) 采用组合赋权法:根据客观赋权法和主观赋权法综合而得权系数。 (2) 结合TOPSIS法:不仅关注序列与正理想序列的关联度,而且关注序列与负理想序列的关联度,依据公式计算最后的关联度。
优化模型
1.1 数学规划模型线性规划、整数线性规划、非线性规划、多目标规划、动态规划。1.2 微分方程组模型阻滞增长模型、SARS传播模型。
1.3 图论与网络优化问题
最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。
1.4 概率模型
决策模型、随机存储模型、随机人口模型、报童问题、Markov链模型。
1.5 组合优化经典问题
1.5.1 多维背包问题(MKP)
背包问题:个物品,对物品,体积为,背包容量为。如何将尽可能多的物品装入背包。
多维背包问题:个物品,对物品,价值为,体积为,背包容量为。如何选取物品装入背包,是背包中物品的总价值最大。
多维背包问题在实际中的应用有:资源分配、货物装载和存储分配等问题。该问题属于难问题。
1.5.2 二维指派问题(QAP)
工作指派问题:个工作可以由个工人分别完成。工人完成工作的时间为。如何安排使总工作时间最小。
二维指派问题(常以机器布局问题为例):台机器要布置在个地方,机器与之间的物流量为,位置与之间的距离为,如何布置使费用最小。
二维指派问题在实际中的应用有:校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。
1.5.3 旅行商问题(TSP)
旅行商问题:有个城市,城市与之间的距离为,找一条经过个城市的巡回(每个城市经过且只经过一次,最后回到出发点),使得总路程最小。
1.5.4 车辆路径问题(VRP)
车辆路径问题(也称车辆计划):已知个客户的位置坐标和货物需求,在可供使用车辆数量及运载能力条件的约束下,每辆车都从起点出发,完成若干客户点的运送任务后再回到起点,要求以最少的车辆数、最小的车辆总行程完成货物的派送任务。
TSP问题是VRP问题的特例。
1.5.5 车间作业调度问题(JSP)
车间调度问题:存在个工作和台机器,每个工作由一系列操作组成,操作的执行次序遵循严格的串行顺序,在特定的时间每个操作需要一台特定的机器完成,每台机器在同一时刻不能同时完成不同的工作,同一时刻同一工作的各个操作不能并发执行。如何求得从第一个操作开始到最后一个操作结束的最小时间间隔。
分类模型
判别分析是在已知研究对象分成若干类型并已经取得各种类型的一批已知样本的观测数据,在此基础上根据某些准则建立判别式,然后对未知类型的样品进行判别分析。
聚类分析则是给定的一批样品,要划分的类型实现并不知道,正需要通过局内分析来给以确定类型的。
2.1 判别分析
2.1.1 距离判别法
基本思想:首先根据已知分类的数据,分别计算各类的重心即分组(类)的均值,判别准则是对任给的一次观测,若它与第类的重心距离最近,就认为它来自第类。
至于距离的测定,可以根据实际需要采用欧氏距离、马氏距离、明科夫距离等。
2.1.2 Fisher判别法
基本思想:从两个总体中抽取具有个指标的样品观测数据,借助方差分析的思想构造一个判别函数或称判别式。其中系数确定的原则是使两组间的区别最大,而使每个组内部的离差最小。
对于一个新的样品,将它的p个指标值代人判别式中求出 y 值,然后与判别临界值(或称分界点(后面给出)进行比较,就可以判别它应属于哪一个总体。在两个总体先验概率相等的假设下,判别临界值一般取:最后,用统计量来检验判别效果,若则认为判别有效,否则判别无效。
以上描述的是两总体判别,至于多总体判别方法则需要加以扩展。
Fisher判别法随着总体数的增加,建立的判别式也增加,因而计算比较复杂。
2.1.3 Bayes判别法
基本思想:假定对所研究的对象有一定的认识,即假设个总体中,第个总体的先验概率为,概率密度函数为。利用bayes公式计算观测样品来自第个总体的后验概率,当时,将样本判为总体。
2.1.4 逐步判别法
基本思想与逐步回归法类似,采用“有进有出”的算法,逐步引入变量,每次引入一个变量进入判别式,则同时考虑在较早引入判别式的某些作用不显著的变量剔除出去。
2.2 聚类分析
聚类分析是一种无监督的分类方法,即不预先指定类别。
根据分类对象不同,聚类分析可以分为样本聚类(Q型)和变量聚类(R型)。样本聚类是针对观测样本进行分类,而变量聚类则是试图找出彼此独立且有代表性的自变量,而又不丢失大部分信息。变量聚类是一种降维的方法。
2.2.1 系统聚类法(分层聚类法)
基本思想:开始将每个样本自成一类;然后求两两之间的距离,将距离最近的两类合成一类;如此重复,直到所有样本都合为一类为止。
适用范围:既适用于样本聚类,也适用于变量聚类。并且距离分类准则和距离计算方法都有多种,可以依据具体情形选择。
2.2.2 快速聚类法(K-均值聚类法)
基本思想:按照指定分类数目,选择个初始聚类中心;计算每个观测量(样本)到各个聚类中心的距离,按照就近原则将其分别分到放入各类中;重新计算聚类中心,继续以上步骤;满足停止条件时(如最大迭代次数等)则停止。
使用范围:要求用户给定分类数目,只适用于样本聚类(Q型),不适用于变量聚类(R型)。
2.2.3 两步聚类法(智能聚类方法)
基本思想:先进行预聚类,然后再进行正式聚类。
适用范围:属于智能聚类方法,用于解决海量数据或者具有复杂类别结构的聚类分析问题。可以同时处理离散和连续变量,自动选择聚类数,可以处理超大样本量的数据。
2.2.4 模糊聚类分析
2.2.5 与遗传算法、神经网络或灰色理论联合的聚类方法
2.3 神经网络分类方法
评价模型
3.1 层次分析法(AHP)
基本思想:是定性与定量相结合的多准则决策、评价方法。将决策的有关元素分解成目标层、准则层和方案层,并通过人们的判断对决策方案的优劣进行排序,在此基础上进行定性和定量分析。它把人的思维过程层次化、数量化,并用数学为分析、决策、评价、预报和控制提供定量的依据。
基本步骤:构建层次结构模型;构建成对比较矩阵;层次单排序及一致性检验(即判断主观构建的成对比较矩阵在整体上是否有较好的一致性);层次总排序及一致性检验(检验层次之间的一致性)。
优点:它完全依靠主观评价做出方案的优劣排序,所需数据量少,决策花费的时间很短。从整体上看,AHP在复杂决策过程中引入定量分析,并充分利用决策者在两两比较中给出的偏好信息进行分析与决策支持,既有效地吸收了定性分析的结果,又发挥了定量分析的优势,从而使决策过程具有很强的条理性和科学性,特别适合在社会经济系统的决策分析中使用。
缺点:用AHP进行决策主观成分很大。当决策者的判断过多地受其主观偏好影响,而产生某种对客观规律的歪曲时,AHP的结果显然就靠不住了。
适用范围:尤其适合于人的定性判断起重要作用的、对决策结果难于直接准确计量的场合。要使AHP的决策结论尽可能符合客观规律,决策者必须对所面临的问题有比较深入和全面的认识。另外,当遇到因素众多,规模较大的评价问题时,该模型容易出现问题,它要求评价者对问题的本质、包含的要素及其相互之间的逻辑关系能掌握得十分透彻,否则评价结果就不可靠和准确。
改进方法:
(1) 成对比较矩阵可以采用德尔菲法获得。
(2) 如果评价指标个数过多(一般超过9个),利用层次分析法所得到的权重就有一定的偏差,继而组合评价模型的结果就不再可靠。可以根据评价对象的实际情况和特点,利用一定的方法,将各原始指标分层和归类,使得每层各类中的指标数少于9个。
3.2 灰色综合评价法(灰色关联度分析)
基本思想:灰色关联分析的实质就是,可利用各方案与最优方案之间关联度大小对评价对象进行比较、排序。关联度越大,说明比较序列与参考序列变化的态势越一致,反之,变化态势则相悖。由此可得出评价结果。
基本步骤:建立原始指标矩阵;确定最优指标序列;进行指标标准化或无量纲化处理;求差序列、最大差和最小差;计算关联系数;计算关联度。 优点:是一种评价具有大量未知信息的系统的有效模型,是定性分析和定量分析相结合的综合评价模型,该模型可以较好地解决评价指标难以准确量化和统计的问题,可以排除人为因素带来的影响,使评价结果更加客观准确。整个计算过程简单,通俗易懂,易于为人们所掌握;数据不必进行归一化处理,可用原始数据进行直接计算,可靠性强;评价指标体系可以根据具体情况增减;无需大量样本,只要有代表性的少量样本即可。 缺点:要求样本数据且具有时间序列特性;只是对评判对象的优劣做出鉴别,并不反映绝对水平,故基于灰色关联分析综合评价具有“相对评价”的全部缺点。
适用范围:对样本量没有严格要求,不要求服从任何分布,适合只有少量观测数据的问题;应用该种方法进行评价时,指标体系及权重分配是一个关键的问题,选择的恰当与否直接影响最终评价结果。 改进方法: (1) 采用组合赋权法:根据客观赋权法和主观赋权法综合而得权系数。 (2) 结合TOPSIS法:不仅关注序列与正理想序列的关联度,而且关注序列与负理想序列的关联度,依据公式计算最后的关联度。
最近一件医疗纠纷频繁出现在大家视野,关注度特别高。
被关注的原因是因为被做手术的人社会影响力很大,并且非常有钱。
做手术的人同样是国内业界的翘楚,非同一般。
做手术的医院更是不得了,起点就是由多位医疗届的大咖,院士领衔,并且能第一时间有特权应用到世界最前沿的技术。
综合以上因素,全部是顶级的聚集在一起保驾护航,手术也不是难度特别高的听神经瘤手术,按道理来讲应该皆大欢喜。
可是世事难料,患者最后脑死亡了,可以说基本没有什么逆转的可能。基于这个结果,家属提出了高额赔偿,这个赔偿的计算方法很有特点,把患者的社会影响力,以及对企业的影响都统统计算在内。
原来人和人是不平等的,起码这是给我的第一印象。
看到各方面的信息,仔细的研究了一下,作为一名神经外科的医生,对这件事有了一个大体的推断。
以下文字谨限于个人观点,不代表本人单位意见,与他人无关。
在阐述自己观点前,我想先跟大家分享一个自己最近经历的一件真实病例。
患者是车祸受伤的,男性,老年,颅内有少量挫裂伤,状态逍遥,没什么特殊病理体征,在病房已经保守治疗了一周左右。
有一天晚上我值班,护士跟我说这患者觉得不舒服,我去查看。
具体也说不清楚哪里不舒服,稍微有些胸闷,立即心电图检查,除了心率快点,各个心电示波都无异常。
为了保险起见,还是决定验血,血常规,心肌酶谱,肌钙蛋白全部急检。
患者再述头痛加重,考虑了一下决定去复查头部和肺部CT,结果也未见异常。
这个时候患者开始出冷汗,面色苍白,急检回来的血常规提示贫血,患者的血压也由正常降到90/50,这一切指标均提示有急性失血啊,可患者急腹症的查体不明显,况且我是神经外科医生,已经很久不接触普外了,心里多少没底,况且患者外伤已经过去一周了。
想了想,还是不放心,补液,抗休克,再次推患者下楼查腹部CT,结果(脾破裂),腹腔里全是血!
于是这患者直接被推到普外,急诊手术治疗,转危为安。
结果很美好,过程很凶险,如果我稍微犹豫了些,那就不是故事,是事故了。
回头跟普外医生讨论这病例,总结了一下,赢在三点:
1 整体意识,患者受伤一周后突然脾破裂不可控制,大概可能受伤后脾破裂被膜包裹。不是只看见自己科室的那一亩三分地,看病救人是整个人,要有大局观。
2 检查要充分,在事情没有明朗时,化验和检查就是千里眼,顺风耳,你总会在这里面剥茧抽丝,找到有意义的蛛丝马迹。
3时间!时间!时间!这样急症的患者处理起来千万不能拖沓!危险的加重甚至于有可能是按秒计算的,就是和死亡赛跑,时间太重要了。
咱们把眼光再回到这件事儿上来。
做手术的医生说国内头颈外科业内大咖,这种级别的手术对他来说基本是熟练操作,安全性完全可以保障的。
一般听神经瘤没有神外医生参与,多半不会经颅入路,大概率是经迷路入路,即使术后有并发症也大多是听觉丧失,面瘫脑脊液等,而出现再出血的几率不高。
况且根据报道来说,
出血的位置在小脑,显然出血的位置和术野不是同一个位置!!!
这很关键,提示这个出血恐怕跟手术并无直接关联!
那这个小脑出血怎么来的呢?患者术前有明确高血压病史,术中复合麻醉需要控制血压,术后患者清醒恐惧都可能是引起脑出血的诱因。换句话说,这患者挺倒霉的,
按起来了葫芦又起瓢,一波未平一波又起。
根据经验推断,后期的小脑开颅,去除部分小脑都可以解释清楚。
基本脉络就清晰可见了,听神经瘤手术没问题,出问题的是术后的高血压引起的小脑出血。切除部分小脑,是因为小脑出血清除术前,患者已经枕骨大孔疝,术中脑肿胀高危,没办法才切除部分小脑,否则手术都无法关颅。小脑出血的去骨瓣减压意义不大,因为枕后的肌肉太厚了,但也一样该做的还得做,只是预后肯定不好。
事情发展到枕骨大孔疝这一步大概率已经预后不良了,那么我们讨论一下,有没有什么可能避免到这一步呢?
首先患者家属提出的那个什么把患者写成“患儿”什么的不是重点,因为病志有固定模板,每个人的病例都是表格化的,只是有些没完全删除而已,不影响后面任何问题。
患者家属提出的血压药迟迟不能被应用的问题有一定影响,但同样不是重点。如果血管本身条件好的话,不会因为血压高点就出血的,那不是主因。
说了这么半天,也举了例子,应该进入正题了。
如果如图时间线准确的话,那么根据一个有经验的神经外科医生推断,13:57烦躁,头晕,血压升高这些都是提示继发脑出血的。
隔行如隔山,隔科也是。头颈外无论多大的腕,他脑出血手术也不在行,脑血管风险意识也未必很敏锐,这无可厚非。
那当时首要应该做什么呢?
立即!马上!复查头部CT!
韩教授所说的三小时以后复查CT那是基于听神经瘤手术,不是脑出血。
这就涉及到上面例子的另一个关键点
时间!
时间!
时间!
小脑出血一但确诊,抢救和准备手术时间是以秒来计算的,同样急骤的还有脑干出血,在临床经常看见我们拼命准备,患者突然呼吸心跳骤停,没了机会。
为什么脑干出血和小脑出血病情这么急呢?那是因为脑干和小脑都在一个后颅窝狭小的空间里,迂回的机会很小,特别凶险。
今天说的这些有些晦涩难懂,但还是有必要从中吸取经验教训,真理不辩不明。
最后说一点,支持患者合理合法的维权,拒绝医闹!
被关注的原因是因为被做手术的人社会影响力很大,并且非常有钱。
做手术的人同样是国内业界的翘楚,非同一般。
做手术的医院更是不得了,起点就是由多位医疗届的大咖,院士领衔,并且能第一时间有特权应用到世界最前沿的技术。
综合以上因素,全部是顶级的聚集在一起保驾护航,手术也不是难度特别高的听神经瘤手术,按道理来讲应该皆大欢喜。
可是世事难料,患者最后脑死亡了,可以说基本没有什么逆转的可能。基于这个结果,家属提出了高额赔偿,这个赔偿的计算方法很有特点,把患者的社会影响力,以及对企业的影响都统统计算在内。
原来人和人是不平等的,起码这是给我的第一印象。
看到各方面的信息,仔细的研究了一下,作为一名神经外科的医生,对这件事有了一个大体的推断。
以下文字谨限于个人观点,不代表本人单位意见,与他人无关。
在阐述自己观点前,我想先跟大家分享一个自己最近经历的一件真实病例。
患者是车祸受伤的,男性,老年,颅内有少量挫裂伤,状态逍遥,没什么特殊病理体征,在病房已经保守治疗了一周左右。
有一天晚上我值班,护士跟我说这患者觉得不舒服,我去查看。
具体也说不清楚哪里不舒服,稍微有些胸闷,立即心电图检查,除了心率快点,各个心电示波都无异常。
为了保险起见,还是决定验血,血常规,心肌酶谱,肌钙蛋白全部急检。
患者再述头痛加重,考虑了一下决定去复查头部和肺部CT,结果也未见异常。
这个时候患者开始出冷汗,面色苍白,急检回来的血常规提示贫血,患者的血压也由正常降到90/50,这一切指标均提示有急性失血啊,可患者急腹症的查体不明显,况且我是神经外科医生,已经很久不接触普外了,心里多少没底,况且患者外伤已经过去一周了。
想了想,还是不放心,补液,抗休克,再次推患者下楼查腹部CT,结果(脾破裂),腹腔里全是血!
于是这患者直接被推到普外,急诊手术治疗,转危为安。
结果很美好,过程很凶险,如果我稍微犹豫了些,那就不是故事,是事故了。
回头跟普外医生讨论这病例,总结了一下,赢在三点:
1 整体意识,患者受伤一周后突然脾破裂不可控制,大概可能受伤后脾破裂被膜包裹。不是只看见自己科室的那一亩三分地,看病救人是整个人,要有大局观。
2 检查要充分,在事情没有明朗时,化验和检查就是千里眼,顺风耳,你总会在这里面剥茧抽丝,找到有意义的蛛丝马迹。
3时间!时间!时间!这样急症的患者处理起来千万不能拖沓!危险的加重甚至于有可能是按秒计算的,就是和死亡赛跑,时间太重要了。
咱们把眼光再回到这件事儿上来。
做手术的医生说国内头颈外科业内大咖,这种级别的手术对他来说基本是熟练操作,安全性完全可以保障的。
一般听神经瘤没有神外医生参与,多半不会经颅入路,大概率是经迷路入路,即使术后有并发症也大多是听觉丧失,面瘫脑脊液等,而出现再出血的几率不高。
况且根据报道来说,
出血的位置在小脑,显然出血的位置和术野不是同一个位置!!!
这很关键,提示这个出血恐怕跟手术并无直接关联!
那这个小脑出血怎么来的呢?患者术前有明确高血压病史,术中复合麻醉需要控制血压,术后患者清醒恐惧都可能是引起脑出血的诱因。换句话说,这患者挺倒霉的,
按起来了葫芦又起瓢,一波未平一波又起。
根据经验推断,后期的小脑开颅,去除部分小脑都可以解释清楚。
基本脉络就清晰可见了,听神经瘤手术没问题,出问题的是术后的高血压引起的小脑出血。切除部分小脑,是因为小脑出血清除术前,患者已经枕骨大孔疝,术中脑肿胀高危,没办法才切除部分小脑,否则手术都无法关颅。小脑出血的去骨瓣减压意义不大,因为枕后的肌肉太厚了,但也一样该做的还得做,只是预后肯定不好。
事情发展到枕骨大孔疝这一步大概率已经预后不良了,那么我们讨论一下,有没有什么可能避免到这一步呢?
首先患者家属提出的那个什么把患者写成“患儿”什么的不是重点,因为病志有固定模板,每个人的病例都是表格化的,只是有些没完全删除而已,不影响后面任何问题。
患者家属提出的血压药迟迟不能被应用的问题有一定影响,但同样不是重点。如果血管本身条件好的话,不会因为血压高点就出血的,那不是主因。
说了这么半天,也举了例子,应该进入正题了。
如果如图时间线准确的话,那么根据一个有经验的神经外科医生推断,13:57烦躁,头晕,血压升高这些都是提示继发脑出血的。
隔行如隔山,隔科也是。头颈外无论多大的腕,他脑出血手术也不在行,脑血管风险意识也未必很敏锐,这无可厚非。
那当时首要应该做什么呢?
立即!马上!复查头部CT!
韩教授所说的三小时以后复查CT那是基于听神经瘤手术,不是脑出血。
这就涉及到上面例子的另一个关键点
时间!
时间!
时间!
小脑出血一但确诊,抢救和准备手术时间是以秒来计算的,同样急骤的还有脑干出血,在临床经常看见我们拼命准备,患者突然呼吸心跳骤停,没了机会。
为什么脑干出血和小脑出血病情这么急呢?那是因为脑干和小脑都在一个后颅窝狭小的空间里,迂回的机会很小,特别凶险。
今天说的这些有些晦涩难懂,但还是有必要从中吸取经验教训,真理不辩不明。
最后说一点,支持患者合理合法的维权,拒绝医闹!
✋热门推荐