Application of WeChat health education platformin the continuous nursing of patientswith chronic renal failure
-
摘要:目的 探讨微信健康教育平台应用于慢性肾衰竭(CRF)患者的护理效果。方法 对84例CRF患者的临床资料进行回顾性分析，将接受常规院外宣教指导干预的患者纳入对照组(n=38), 将通过微信健康教育平台开展延续护理干预的患者纳入微信组(n=46)。比较2组干预3个月后知识掌握情况、自我效能、应对方式、自我管理行为、生活质量及干预1个月、3个月的住院率差异。结果 干预3个月后，微信组患者知识掌握情况、自我效能、应对方式、自我管理行为、生活质量评分均显著优于对照组(P < 0.05)。干预1个月内, 2组患者住院率比较，差异无统计学意义(P>0.05);干预3个月内，微信组患者的住院率显著低于对照组(P < 0.05)。结论 微信健康教育平台能有效帮助CRF患者在院外学习相关知识，并实现科学、规范的自我管理，对改善其预后有利。Abstract:Objective To explore the nursing effects of WeChat health education platform for patients with chronic renal failure (CRF).Methods The clinical data of 84 patients with CRF were retrospectively analyzed. The patients in control group(n=38) were given routine out-of-hospital education guidance intervention, and those in WeChat group (n=46) received continuous nursing intervention by WeChat health education platform. The knowledge mastery, self-efficacy, coping styles, self-management behaviors and quality of life and hospitalization rate after 1 and 3 months of intervention were compared between the two groups.Results After 3 months of intervention, the scores of knowledge mastery, self-efficacy, coping styles, self-management behaviors and quality of life in WeChat group were significantly higher than those in control group (P < 0.05). There was no statistically significant difference in the hospitalization rate between the two groups within 1 month of intervention (P>0.05). The hospitalization rate in WeChat group was significantly lower than that in control group within 3 months of intervention(P < 0.05).Conclusion WeChat health education platform can effectively help CRF patients to learn relevant knowledge outside the hospital, and achieve scientific and standardized self-management, and it is beneficial to improve the prognosis.
-
Keywords:
- WeChat platform /
- health education /
- chronic renal failure /
- continuous nursing /
- prognosis /
- self-efficacy /
- quality of life
-
重症脑出血属于神经系统疾病，是脑卒中的危重表现，其发病突然且进展迅速，致残率和致死率均较高[1]。多数重症脑出血患者伴有吞咽困难及意识障碍，易引发营养不良，严重影响预后[2]。对于重症脑出血患者而言，肠内营养是首选的营养支持方式，但存在喂养不耐受(FI)风险[3]。重症脑出血患者的FI发生率高达62.3%[4], 这可能是因为此类患者多存在严重意识障碍，加之急性期高代谢、高应激反应，易诱发胃肠道功能障碍[5]。FI可导致患者喂养困难，能量摄入不足，从而使住院时间延长，病死率升高[6]。因此，早期预测重症脑出血患者的FI风险因素并识别高危患者具有重要意义。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法，目前已被用于疾病风险预测、临床决策支持、护理实践等领域中[7-8]。本研究基于机器学习算法构建重症脑出血患者肠内营养FI风险预测模型，并进一步构建列线图模型，以期对FI发生风险进行可视化、个体化、精准化预测，为医护人员制订针对性预防措施提供参考依据。
1. 对象与方法
1.1 研究对象
回顾性分析2020年1月—2022年12月扬州大学附属苏北人民医院神经重症监护室485例脑出血患者的临床资料。纳入标准: ①年龄≥18岁者; ②接受肠内营养支持治疗且时间≥5 d者。排除标准: ①入院前已接受肠内营养支持者; ②既往有胃肠道疾病史或胃肠道手术史患者。本研究经扬州大学护理学院伦理委员会审核批准(审批号YZUHL20220061)。
1.2 方法
1.2.1 FI诊断
参照欧洲重症医学会指南[9], FI被定义为肠内营养过程中发生的腹泻、便秘、腹胀、呕吐、胃肠道出血、反流、胃潴留等胃肠道症状所致肠内营养中断或暂停。①腹泻，指稀便或半流质便≥3次/d, 便量>200 g/d; ②便秘，指连续3 d及以上未排便; ③腹胀，以不适的饱腹感和腹胀为特征; ④呕吐，指胃内容物从口咽部排出; ⑤消化道出血，指肉眼可见呕吐液、胃内容物或粪便有血; ⑥反流，指胃内容物反流至口咽部，有营养液从管道溢出; ⑦胃潴留，指单次回抽胃内容物容积超过200 mL。从肠内营养开始之日起，连续5 d观察患者的胃肠道症状，若出现以上1项症状即诊断为FI。
1.2.2 临床资料收集
查阅文献[10-12]、参考专家建议后，结合临床实际情况收集患者的临床资料。①一般资料，包括年龄、性别、体质量指数(BMI)、格拉斯哥昏迷量表(GCS)评分、既往疾病史(高血压病、糖尿病、心脏疾病); ②治疗措施，包括手术、放置脑室引流管、机械通气和使用镇静剂、镇痛剂、抑酸剂、钾制剂、血管活性药物、促胃动力药物、抗生素、糖皮质激素和利尿剂; ③肠内营养实施情况，包括置管途径、营养液类型、肠内营养每日总量; ④入神经重症监护室48 h内实验室指标，包括血糖、红细胞、血红蛋白、白细胞、血小板、血清白蛋白、动脉血乳酸、血钾、血钠、血氯、血钙和C反应蛋白水平。本研究从医院电子病历信息系统收集患者的资料数据，由双人录入至Excel表格，以确保数据的真实性与准确性。根据是否发生FI将患者分为不耐受组和耐受组，比较2组患者的临床资料。
1.3 统计学分析
本研究采用Stata 17.0和R4.3.2软件进行数据整理和统计学分析。采用Kolmogorov-Smirnov正态性检验评估连续变量是否分布均匀，正态分布者以(x±s)描述，组间比较采用独立样本t检验，偏态分布者以[M(P25, P75)]描述，组间比较采用Mann-Whitney U检验。分类变量以[n(%)]描述，组间比较采用Fisher精确检验或卡方检验。根据7∶3比例将患者分为训练集和验证集，采用最小绝对收缩和选择算子(LASSO)回归方法筛选出有意义的预测因子，再分别采用Logistic回归分析、决策树(DT)、K近邻(KNN)、随机森林(RF)和支持向量机(SVM)算法在训练集中构建肠内营养FI风险预测模型。绘制受试者工作特征(ROC)曲线，通过曲线下面积(AUC)评估风险预测模型对FI的预测效能。选择预测效能最高的模型作为本研究的最优模型，构建可视化列线图模型。通过校准曲线和决策曲线分析(DCA)评估列线图模型的校准度和临床净获益情况。
2. 结果
2.1 临床资料比较
本研究共纳入485例重症脑出血患者，根据是否发生FI分为不耐受组186例和耐受组299例，肠内营养FI发生率为38.4%(186/485)。不耐受组的GCS评分、血清白蛋白水平低于耐受组，放置脑室引流管者占比和使用机械通气、血管活性药物、利尿剂者占比高于耐受组，差异有统计学意义(P<0.05), 见表 1。
表 1 2组患者临床资料比较[n(%)][M(P25, P75)]指标 分类 耐受组(n=299) 不耐受组(n=186) P 年龄 <65岁 170(56.9) 101(54.3) 0.58 ≥65岁 129(43.1) 85(45.7) 性别 男 192(64.2) 126(67.7) 0.43 女 107(35.8) 60(32.3) 体质量指数/(kg/m2) 24.5(22.0, 26.7) 24.0(11.0, 26.1) 0.16 格拉斯哥昏迷量表评分 ≤5分 134(44.8) 140(75.3) <0.01 >5~8分 165(55.2) 46(24.7) 既往病史 高血压病 160(53.5) 96(51.6) 0.68 糖尿病 45(15.1) 40(21.5) 0.07 心脏疾病 14(4.7) 14(7.5) 0.19 治疗措施 手术 163(54.5) 91(48.9) 0.23 放置脑室引流管 131(43.8) 110(59.1) <0.01 机械通气 212(70.9) 170(91.4) <0.01 镇静剂 248(82.9) 149(80.1) 0.43 镇痛剂 195(65.2) 121(65.1) 0.97 抑酸剂 216(72.2) 149(80.1) 0.05 钾制剂 261(87.3) 161(86.6) 0.81 血管活性药物 167(55.9) 157(84.4) <0.01 促胃动力药物 20(6.7) 17(9.1) 0.32 抗生素 288(96.3) 181(97.3) 0.48 糖皮质激 117(39.1) 72(38.7) 0.93 利尿剂 242(80.9) 172(92.5) <0.01 置管途径 鼻肠管 2(0.7) 3(1.6) 0.54 鼻胃管 295(98.7) 181(97.3) 口胃管 2(0.7) 2(1.1) 营养液类型 要素型 57(19.1) 46(24.7) 0.14 非要素型 242(80.9) 140(75.3) 肠内营养每日总量/mL 1 243.3(1 075.2, 1 428.0) 1 224.9(1 006.7, 1 433.3) 0.55 实验室指标 血糖/(mg/dL) 8.7(7.0, 9.7) 8.7(6.4, 10.2) 0.98 红细胞/(×1012/L) 3.7(3.2, 4.1) 3.7(3.1, 4.3) 0.42 血红蛋白/(g/L) 112.3(97.0, 126.0) 112.8(95.0, 133.0) 0.82 白细胞/(×109/L) 12.2(8.9, 14.6) 12.1(8.1, 14.9) 0.79 血小板/(×109/L) 172.4(103.0, 210.0) 172.1(109.0, 202.0) 0.97 血清白蛋白<35 g/L 98(32.8) 153(82.3) <0.01 动脉血乳酸/(mmol/L) 2.4(1.2, 3.1) 2.3(1.1, 2.9) 0.36 血钾/(mmol/L) 3.8(3.5, 4.1) 3.9(3.6, 4.2) 0.10 血钠/(mmol/L) 141.0(137.0, 144.0) 140.1(137.0, 143.8) 0.18 血氯/(mmol/L) 106.2(102.0, 109.2) 105.3(101.1, 109.1) 0.17 血钙/(mg/dL) 2.1(1.9, 2.2) 2.1(2.0, 2.2) 0.31 C反应蛋白/(mg/dL) 72.7(22.8, 97.9) 66.2(17.9, 78.9) 0.25 2.2 预测因子筛选
将预测因子纳入LASSO回归进行变量筛选，当λ=0.026时模型表现最佳，此时共得到11个预测因子，包括BMI、GCS评分、心脏疾病史、使用机械通气、使用血管活性药物、使用利尿剂、使用镇静剂、血钾、白蛋白、C反应蛋白和血氯，见图 1。
2.3 预测模型的构建与验证
模型构建结果显示, 5个机器学习算法模型中, Logistic回归模型对重症脑出血患者肠内营养FI的预测效能最高(AUC=0.88), 其后依次是DT模型(AUC=0.79)、SVM模型(AUC=0.76)、RF模型(AUC=0.76)、KNN模型(AUC=0.75), 见图 2。Logistic回归模型分析结果显示，使用利尿剂、使用机械通气、GCS评分≤5分、使用血管活性药物、白蛋白<35 g/L是重症脑出血患者发生肠内营养FI的危险因素。
2.4 列线图模型的构建与评价
基于Logistic回归模型进一步构建列线图模型，依据各指标对结局变量的影响程度分别评分，各指标得分相加得到总分，其对应的风险轴数值即FI发生概率，见图 3A。例如, 1例重症脑出血患者治疗期间使用机械通气、血管活性药物，并伴有低蛋白血症，则该患者发生FI的概率约为50.3%, 见图 3B。
校准曲线分析结果显示，校准曲线与理想曲线贴合度较高，说明该列线图模型的预测概率与实际发生概率差异较小，即该列线图模型的校准度高，见图 4。DCA结果显示，当阈值概率在5%~73%时，应用该列线图模型筛查能使患者在临床中获益，具有较高的临床价值，见图 5。
3. 讨论
本研究共采用5种机器学习算法构建重症脑出血患者肠内营养FI的风险预测模型，其中Logistic回归模型的预测效能最佳。Logistic回归模型分析结果显示，使用利尿剂、使用机械通气、GCS评分≤5分、使用血管活性药物和白蛋白<35 g/L是重症脑出血患者发生FI的危险因素。基于这5种危险因素构建的列线图模型能可视化预测FI发生概率，为医护人员筛选高危患者并针对性制订预防措施提供参考依据。
本研究发现，使用利尿剂是重症脑出血患者发生FI的危险因素。脑出血患者容易出现血肿和脑水肿，常用利尿剂进行脱水治疗。然而，长期大剂量使用利尿剂可造成肾功能损伤，引起水和电解质紊乱，产生逆向渗透压差，促使体内过多水分排出导致便秘，继而引发FI[13]。本研究还发现，使用血管活性药物是重症脑出血患者发生FI的危险因素，与刘佳欣等[14]研究结论一致。这可能是因为血管活性药物会减少消化道血流量，加重胃肠道缺血缺氧状况，导致胃肠功能障碍，继而引发FI[15]。血管活性药物还可显著升高胃黏膜pH值，造成肠道菌群失衡，影响胃排空[16-17]。因此，若患者循环稳定，应适时予以滋养型喂养，以加速胃肠道功能恢复，减轻消化道缺血缺氧状态。使用利尿剂或血管活性药物控制重症脑出血患者颅内水肿和稳定循环状态时，医护人员应密切关注患者胃肠道状况，尽早评估FI发生风险。
本研究发现，使用机械通气是重症脑出血患者发生FI的危险因素。研究[18]显示，机械通气患者发生FI的概率为80%~85%。病情危重的脑出血患者常因伴随意识障碍和吸入性肺炎，需要接受机械通气治疗[19]。机械通气治疗可升高腹内压，引起消化液分泌减少和黏膜萎缩，还可影响心输出量，造成胃肠道供血不足，进而引起胃排空延迟和胃肠功能下降，诱发FI[20-21]。因此，对于接受机械通气治疗的重症脑出血患者，不仅要监测呼吸功能，还要及时评估胃肠功能，对于可拔管患者，应尽早停止机械通气或早期行气管切开，以减少FI的发生。
GCS常被用于评估患者的昏迷程度、意识水平，评分越低表示病情越严重[10]。本研究发现, GCS评分≤5分是患者发生FI的危险因素。GCS评分为3~5分时，患者病情可判定为特重型，临床表现为昏迷、胃排空延迟、胃肠蠕动减慢等，常伴发FI[22]。重症脑出血患者病情加重时，机体的应激反应可触发神经-体液机制的改变，使腹腔脏器血管强烈收缩，造成胃肠黏膜缺血，继而导致患者肠内营养耐受性下降，引发FI[11]。因此，对重症脑出血患者实施肠内营养支持时，医护人员应重点关注GCS评分≤5分患者的喂养耐受性情况，同时综合考虑患者每日能量及蛋白质摄入需求，灵活采用多途径喂养策略。
本研究发现，白蛋白<35 g/L是患者发生FI的危险因素，与既往研究[23]结论一致。白蛋白对维持胶体渗透压具有重要意义，患者体内白蛋白水平较低时，机体分解代谢增加，可引起胃肠道黏膜水肿，进而加重胃肠道功能障碍[24]。白蛋白水平明显下降提示机体营养状况较差，无法对抗重大创伤时炎症反应引起的胃肠功能损害[25]。在炎症状态下，机体大量释放细胞因子和应激相关激素，诱发高分解代谢状态，伴随大量能量消耗及蛋白分解，毛细血管通透性增加，大量蛋白由血浆进入组织液引起胃肠道黏膜水肿，降低胃肠吸收功能，进而增加FI发生风险[26]。因此，对于白蛋白<35 g/L的重症脑出血患者，医护人员在喂养过程中应加强白蛋白监测与补充。严重FI患者可采用肠内营养与肠外营养相结合的营养支持策略，从而有效补充白蛋白及其他必需营养成分[27]。
综上所述，基于5种机器学习算法构建的重症脑出血患者肠内营养FI风险预测模型中, Logistic回归模型的预测效能最优，根据该最优模型筛选的FI危险因素(使用利尿剂、使用机械通气、GCS评分≤5分，应用血管活性药物以及白蛋白<35 g/L)构建列线图模型，可帮助医护人员尽早识别肠内营养FI高危患者，从而针对性预防FI的发生发展。但本研究为单中心回顾性研究，且纳入样本量有限，未来有待进一步开展多中心、大样本的前瞻性研究加以验证。
-
表 1 2组患者知识问卷调查结果比较(x±s)
分 组别 疾病知识 服药知识 饮食知识 相关行为知识 总分 对照组(n=38) 2.06±0.59 2.32±0.75 2.21±0.70 1.96±0.65 8.55±1.35 微信组(n=46) 2.45±0.73* 2.77±0.82* 2.59±0.81* 2.34±0.76* 10.15±1.56* 与对照组比较, *P < 0.05。 
下载: 导出CSV
表 2 2组患者GSES、MCMQ评分结果比较(x±s)
分 组别 GSES评分 MCMQ评分 面对 回避 屈服 总分 对照组(n=38) 26.23±6.75 18.31±4.95 17.24±4.31 11.16±3.07 46.71±7.25 微信组(n=46) 29.64±6.22* 20.68±5.41* 19.87±5.25* 12.97±3.82* 53.52±8.45* GSES:一般自我效能感量表; MCMQ:医学应对问卷。与对照组比较, *P < 0.05。
下载: 导出CSV
表 3 2组患者自我管理量表评分比较(x±s)
分 组别 饮食管理 治疗管理 躯体活动管理 社会心理管理 总分 对照组(n=38) 27.80±7.04 20.44±4.91 10.99±3.02 10.43±2.89 69.66±9.55 微信组(n=46) 31.47±7.52* 22.93±5.40* 12.58±3.71* 11.94±3.25* 78.92±10.49* 与对照组比较, *P < 0.05。
下载: 导出CSV
表 4 2组患者QLICD-CRF评分结果比较(x±s)
分 组别 共性模块 特异模块 总分 对照组(n=38) 90.65±21.83 27.94±6.68 60.82±11.71 微信组(n=46) 102.48±24.11* 31.73±7.20* 68.83±12.90* QLICD-CRF:慢性病患者生命质量测定量表-慢性肾衰竭。
与对照组比较, *P < 0.05。
下载: 导出CSV
表 5 2组患者住院情况比较[n(%)]
组别 干预1个月内住院 干预3个月内住院 对照组(n=38) 3(7.89) 7(18.42) 微信组(n=46) 0 1(2.17)* 与对照组比较, *P < 0.05。
下载: 导出CSV
-
[1] 张立波, 范红兵, 栾琳, 等.老年慢性肾衰竭发病机制及防治研究进展[J].人民军医, 2018, 61(8): 752-755, 757. https://www.cnki.com.cn/Article/CJFDTOTAL-RMJZ201808026.htm [2] 唐青, 郭瑜洁.慢性肾脏病患者运动康复的研究进展[J].中华护理杂志, 2016, 51(8): 984-988. doi: 10.3761/j.issn.0254-1769.2016.08.019 [3] 盛梦丹, 黄玮, 周江桥, 等.以信息管理为基础的延续性护理干预对肾移植患者生命质量及满意度的影响[J].检验医学与临床, 2017, 14(21): 3234-3236. doi: 10.3969/j.issn.1672-9455.2017.21.041 [4] 孙雪玲, 刘兴宇, 甄艳凤, 等.联合微信群的个体化健康教育对2型糖尿病患者认知功能的影响[J].中国现代医学杂志, 2016, 26(7): 58-61. doi: 10.3969/j.issn.1005-8982.2016.07.013 [5] 冯俊艳, 张冰倩, 何文英, 等.微信健康教育在脑卒中患者延续护理中的应用[J].河北医药, 2017, 39(3): 474-477. https://www.cnki.com.cn/Article/CJFDTOTAL-HBYZ201703045.htm [6] De Rosa S, Samoni S, Villa G, et al. Management of chronic kidney disease patients in the intensive care unit: mixing acute and chronic illness[J]. Blood Purif, 2017, 43(1/2/3): 151-162. http://www.ncbi.nlm.nih.gov/pubmed/28114127
[7] De Las Cuevas C, Peñate W. Validation of the general self-efficacy scale in psychiatric outpatient care[J]. Psicothema, 2015, 27(4): 410-415. http://europepmc.org/abstract/MED/26493581
[8] 沈晓红, 姜乾金.医学应对方式问卷中文版701例测试报告[J].中国行为医学科学, 2000, 9(1): 18-20. doi: 10.3760/cma.j.issn.1674-6554.2000.01.008 [9] 于萍, 刘纯艳, 施月仙.慢性肾脏病病人自我管理量表编制的研究[J].护理研究, 2011, 25(34): 3200-3202. doi: 10.3969/j.issn.1009-6493.2011.34.043 [10] 杨铮, 黄新萍, 万崇华, 等.基于经典测量理论与概化理论的慢性肾功能衰竭生命质量测定量表QLICD-CRF的信度评价[J].中国卫生统计, 2015, 32(2): 224-226. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGWT201502011.htm [11] 郑妍, 庞冬, 高铸烨, 等.延续护理模式结合中医健康教育对高血压病人慢性疾病管理自我效能的影响[J].护理研究, 2016, 30(8): 972-974. doi: 10.3969/j.issn.1009-6493.2016.08.027 [12] 廖春霞, 马红梅, 张倩, 等.老年慢性病病人延续性护理需求状况及影响因素分析[J].护理研究, 2016, 30(25): 3175-3177. doi: 10.3969/j.issn.1009-6493.2016.25.030 [13] 张业荣.延续性护理对慢性心力衰竭患者自我护理能力的影响[J]..中国急救医学, 2016, 36(1): 314-315. https://www.cnki.com.cn/Article/CJFDTOTAL-QKYX201421033.htm [14] 杨蓓蕾, 房海英.慢性肾衰竭血液透析患者的延续护理[J].实用临床医药杂志, 2018, 22(18): 21-24. doi: 10.7619/jcmp.201818007 [15] 郭琳, 沙丽艳, 李楠, 等.应用护理结局分类对慢性肾脏病住院患者的护理评估研究[J].护理学报, 2017, 24(17): 51-55. https://www.cnki.com.cn/Article/CJFDTOTAL-NFHL201717018.htm [16] 宫立辉, 胡莹, 张兆敏, 等.类集体健康教育在出院前慢性肾功能衰竭透析患者中的应用[J].中华现代护理杂志, 2018, 24(8): 935-938. doi: 10.3760/cma.j.issn.1674-2907.2018.08.017 [17] 李龙倜, 余可斐, 邵亚, 等.慢性肾脏病患者饮食管理体验的质性研究[J].护理学杂志, 2018, 33(23): 87-89. https://www.cnki.com.cn/Article/CJFDTOTAL-HLXZ201823030.htm [18] 邓慧, 王美青, 季红, 等.基于信息动机行为技巧模型的微信教育对糖尿病肾病患者自我管理的影响[J].中华现代护理杂志, 2018, 24(1): 76-80. [19] 王伟, 丁小萍.微信健康教育对人工全膝关节置换术后患者康复效果的影响[J].解放军护理杂志, 2016, 33(14): 67-70. https://www.cnki.com.cn/Article/CJFDTOTAL-JFHL201614026.htm [20] 任清丽, 连敏玲, 罗连华, 等.基于行为转变理论微信健康教育对维持性血液透析患者自我管理效果的研究[J].护理管理杂志, 2017, 17(7): 524-526. https://www.cnki.com.cn/Article/CJFDTOTAL-HLGL201707029.htm [21] 杜金金.微信平台健康教育对出院脑卒中病人疾病知识、生活质量及治疗依从性的影响[J].全科护理, 2019, 17(3): 315-317. https://www.cnki.com.cn/Article/CJFDTOTAL-JTHS201903024.htm [22] 倪惠琴, 邵筱敏, 黄海.微信平台健康教育对心房颤动患者治疗依从性、自我效能和生活质量的影响[J].中华现代护理杂志, 2017, 23(24): 3080-3083. https://www.cnki.com.cn/Article/CJFDTOTAL-SDDS201903010.htm [23] 卢琦, 吕婕, 孟宪静, 等.基于微信平台的健康教育对空腹血糖受损体检人群生活质量影响的研究[J].河北医学, 2017, 23(1): 141-144. https://www.cnki.com.cn/Article/CJFDTOTAL-HCYX201701047.htm [24] 肖衡秀, 曾彩虹, 彭雪辉.利用微信平台进行的延续护理对慢性心力衰竭患者出院后自我护理能力及生活质量的影响[J].河北医药, 2018, 40(13): 2061-2064. https://www.cnki.com.cn/Article/CJFDTOTAL-HBYZ201813037.htm [25] 陈婕, 娄小平, 赵贝贝, 等.慢性肾脏病患者电话和微信干预效果评价[J].预防医学, 2018, 30(4): 424-426. https://www.cnki.com.cn/Article/CJFDTOTAL-ZYFX201804034.htm
计量
- 文章访问数: 253
- HTML全文浏览量: 179
- PDF下载量: 5
苏公网安备 32100302010246号
