目前北京重症患者救治情况，市卫健委发布— —******url:https://m.gmw.cn/2023-01/07/content_1303246850.htm,id:1303246850
1月6日，在北京新型冠状病毒感染疫情防控工作第433场新闻发布会上，北京市卫健委副主任、新闻发言人李昂介绍，医疗救治是当前工作的重点，北京市立足群众需求，采取扩增发热门诊、优化急救转运、畅通入院通道、强化医联体协作、加强重症救治等系列措施，有效缓解了就医压力。目前，全市门急诊量稳步回落，重症患者救治呈现向好趋势，仍处于高位。
李昂介绍，本市提升发热门诊接诊服务能力。发热门诊应开尽开，全市发热门诊和诊室总数达1263家，其中二级及以上医院303家、社区卫生服务机构960家；采取院内原址扩容、方舱转化、社区巡诊等方式扩容发热诊室数量，全市累计扩容诊室449个；充实发热门诊诊疗队伍，设置简易药房，满足单纯开药患者需求；通过互联网医疗、设置合作诊室和强化分级诊疗等措施，满足市民就诊需求。发热门诊接诊量从2022年12月15日最高峰7.3万人次，逐渐回落到2023年1月4日1.2万人次。
本市优化院前急救、急诊、住院流程。采取扩容增补急救资源、增加调度席位、分流咨询非急危重症需求电话，解决市民急救需求；提升全市急诊接诊和留观能力，截至2023年1月4日，全市急诊实有留观床位2472张，可转化急诊留观床位1312张，扩容达145.7%；做好院前急救和医院急诊衔接，打通患者入院治疗通道，实施跨科收治，分流急诊、重症、呼吸、感染等科室收治压力。急诊接诊量从2022年12月30日最高峰5.2万人次，逐渐回落至目前4.2万人次。
本市强化医联体协作。依托医联体建设网格化三级救治体系，推进分级诊疗。全市组建56个新冠网格化救治体系，每个网格均由一所三级医院（或区域医疗中心）作为牵头医院，与若干所二级医院、基层医疗机构建立分级转诊机制，基层医疗机构接诊超过自身救治能力的重症患者时，对口三级医院开通绿色通道，及时转诊救治，经三级医院诊疗并病情稳定的患者，转至下级医疗构机进行延续输液、吸氧等康复性治疗，有效分流三级医院诊疗压力。
本市加强社区医疗卫生机构能力建设。坚持关口前移，加强重点人群排查和早期介入管理，对65岁及以上老人、严重基础疾病和免疫力低下人群，做好健康监测，全面动态掌握居民健康情况，对病情症状做到早发现、早诊断、早治疗，防止病情转重。对符合在社区卫生服务机构用药条件的新冠重点人群，采取早期应用抗病毒药物，同时在全市社区卫生服务中心开展吸氧服务，为全市社区卫生服务中心（站）、村卫生室配备指氧夹4.5万个。
本市全力做好重症患者救治。扩容重症救治资源，全市ICU开放床位数从2022年12月中旬的3000余张增至7000余张，二级以上医疗机构经重症医学专业培训的医师数和护士数分别达到1.4万人和2.8万人。成立由知名专家组成的重症管理评估组，建立专家组分片巡查指导机制，按区域对全市收治重症患者的二级及以上医院进行巡诊和指导，提高重症患者救治规范化、同质化水平。
下一步，将继续聚焦“保健康、防重症”，全力以赴做好医疗救治工作，进一步加大医疗资源建设储备，分级分类救治患者，加强三级医疗救治体系建设，保障重点人群医疗健康服务，千方百计提高治愈率，降低重症率、病亡率，最大程度保障人民群众生命安全和身体健康。
转自：北京市新型冠状病毒肺炎疫情防控工作第433场新闻发布会
提速近10倍！基于深度学习的全基因组选择新方法来了******
近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。
全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。
统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。
相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。
该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。
与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。
该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。
学术支持
中国农业科学院作物科学研究所
记者
宋雅娟
