Т 0 66 уз: 71031-18: Т-0,66 У3 и Т-0,66 М У3 Трансформаторы тока

1060.00 грн.

---

• Описание
• Отзывы (0)

Трансформатор тока Т-0,66-1-У3 150/5А (0,5S) 16 лет ТОПА является продуктом украинского происхождения,но совсем не уступает качеством и сроком эксплуатации европейским производителям. Трансформатор тока Т-0,66-1-У3 150/5А предназначен, чтобы передавать информацию измерений установкам переменного тока частотой 50Гц и номинальным напряжением до 0, 66 кВ.

Трансформатор тока Т-0,66-1-У3 150/5А изготовляется из проверенных, соответствующих стандартам материалов, экологически чистым и имеющих хорошие характеристики устойчивости к высоким температурам. Корпус трансформатора подлежит опломбированию, поэтому трансформаторы не ремонтируются, и для того, чтобы их эксплуатационные параметры были высокими, необходим правильный качественный монтаж, от него же и зависит срок использования трансформатора.

К электропроводке нужно относиться серьезно и ответственно, поэтому наши менеджеры готовы рассказать вам о трансформаторах тока, помочь в выборе и оформлении заказа, а также предоставить приятную скидку и удобный вариант доставки. В интернет-магазине Электрос вы найдете большой ассортимент сопутствующих товаров по низкой стоимости от европейских и отечественных производителей.

Технические характеристики трансформатора тока Т-0,66-1-У3 150/5А:






















Производитель	Украина
Материал корпуса	термостойкий пластик
Вид	трансформатор тока
Номинальный первичный ток, А	150
Номинальный вторичный ток, А	5
Класс точности	0,5S
Номинальная вторичная нагрузка	5

Купить трансформатор тока Т-0,66-1-У3 150/5А вы можете в нашем интернет-магазине Электрос. Доверяя нам, вы получаете качественный това, большой ассортимент продукции, отличные доступные цены и удобные варианты доставки. Приглашаем к сотрудничеству розничных и оптовых покупателей. Звоните, мы ответим на все ваши вопросы по электротоварам и электрооборудованию. Ждем вас!

Написать отзыв

Ваше имя:

Ваш отзыв

Внимание: HTML не поддерживается! Используйте обычный текст!

Рейтинг
    Плохо 

 

 

 

 

 Хорошо

{th}$ центилей времени событий журнала. Расположение внутренних узлов можно изменить с помощью параметра узлов() , а расположение граничных узлов можно изменить с помощью параметра bknots() .

Энцо Ковиелло недавно спросил меня, почему мы используем эти местоположения узлов, и почему не места узлов, предложенные Фрэнком Харреллом при использовании ограниченных кубических шипов в его превосходной книге Стратегии регрессионного моделирования: с приложениями к линейным моделям, логистической регрессии и выживанию. Анализ . В таблице ниже показаны места узлов, предложенные Харреллом, и те, которые мы используем в stpm2 .

Количество узлов	Процентили (Харрелл)	Процентили ( шагов в минуту2 )
3	10 50 90	0 50 100
4	5 35 65 95	0 33 67 100
5	5 27,5 50 72,5 95	0 25 50 75 100
6	5 23 41 59 77 95	0 20 40 60 80 100
7	2,5 18,33 34,17 50 65,83 81,67 97,5	0 17 33 50 67 83 100

Мы провели ряд анализов чувствительности к расположению внутренних узлов, т. е. по-прежнему удерживая граничные узлы на минимальном и максимальном логарифмическом времени события, и обнаружили, что прогнозируемые функции опасности и выживания очень устойчивы к этим изменениям. Однако мы не так сильно изменили граничные узлы. Единственный раз, когда я могу вспомнить это, когда подбирал модели лечения (Andersson и др. 2011).

В своем ответе Энцо я объяснил, что мы мотивировали наш выбор узлов тем, что лучше не делать предположений о линейности в пределах диапазона данных, но предположение о линейности за пределами диапазона данных добавляет некоторую устойчивость к функция на пределе. Я также провел очень быстрое симуляционное исследование, основанное на тех же сценариях, что и в статье по моделированию Марка Резерфорда (Rutherford 2015 et al. ). Я расширяю это исследование моделирования здесь. 9{\gamma_2})
$$

Для каждого сценария используются следующие параметры:

Сценарий	$\лямбда_1$	$\лямбда_1$	$\gamma_1$	$\gamma_2$	$\пи$
1	0,6	—	0,8	–	1
2	0,2	1,6	0,8	1,0	0,2
3	1	1	1,5	0,5	0,5
4	0,03	0,3	1,9	2,5	0,7

Реальные функции выживания и опасности могут быть построены для каждого сценария. Ниже приведена программа, которую я использую для этого. Сначала я объявляю некоторые локальные макросы для определения параметров смеси Вейбулла в каждом сценарии. Они также будут использоваться при запуске моделирования.

 . локальный сценарий1 лямбда1(0,6) лямбда2(0,6) гамма1(0,8) гамма2(0,8) пи(1) maxt(5)
. локальный сценарий2 lambda1(0.2) lambda2(1.6) gamma1(0.8) gamma2(1) pi(0.2) maxt(5)
. локальный сценарий3 lambda1(1) lambda2(1) gamma1(1.5) gamma2(0.5) pi(0.5) maxt(5)
. локальный сценарий4 лямбда1(0,03) лямбда2(0,3) гамма1(1,9) гамма2(2,5) пи(0,7) maxt(5)
 

Затем я могу объявить и запустить программу, чтобы построить истинные функции выживания и опасности.

 . захват pr drop weibmixplot
. программа определяет weibmixplot
  1. синтаксис [ OBS(целое число 1000) lambda1(real 1) lambda2(real 1)///
> gamma1 (действительное 1) gamma2 (действительное 1) pi (действительное 0,5) maxt (действительное 5) сценарий (целое число 1)]
  2. локальный S1 exp(-`lambda1'*x^(`gamma1'))
  3. (`гамма2' - 1)
  6.
. двусторонняя функция y = `pi'*`S1' + (1-`pi')*`S2' ///
> , диапазон(0 `maxt') имя(s`сценарий',заменить) ///
> xtitle("Время (годы)") ///
> ytitle("S(t)") ///
> ylabel(,угол(h) формат(%3.1f)) ///
> title("Сценарий `сценарий'")
  7. двусторонняя функция y = (`pi'*`h2'*`S1' +(1-`pi')*`h3'*`S2') ///
> (`pi'*`S1' + (1-`pi')*`S2') ///
> , range(0 `maxt') name(h`scenario',replace) ///
> xtitle("Время (годы)") ///
> ytitle("ч(т)") ///
> ylabel(,угол(h) формат(%3.1f)) ///
> title("Сценарий `сценарий'")
  8. конец
.
. для значений я = 1/4 {
  2. weibmixplot, `сценарий`i'' сценарий(`i')
  3. }
. граф комбинировать s1 s2 s3 s4, nocopies name(true_s, replace) title("Функции выживания")
. объединение графиков h2 h3 h4 h5, nocopies name(true_h, replace) title("Функции опасности")
 

Реальная функция выживания для каждого сценария показана ниже.

а вот и настоящие функции опасности.

Подробнее о выборе этих функций см. Rutherford et al. 2015.

Программа моделирования

Для проведения исследования методом моделирования я напишу программу, которая выполняет три задачи. Он будет (i) моделировать данные, (ii) анализировать данные (возможно, с использованием различных методов/моделей) и (iii) сохранять результаты. После того, как я написал программу, я могу использовать Stata’s имитирует команду для многократного запуска моей программы (например, 1000). В моей программе я буду использовать модели с 4, 5 и 6 df (5, 6 и 7 узлов) и использовать положения узлов по умолчанию stpm2 и положения узлов, заданные Харреллом. Затем я сохраню AIC и BIC, чтобы их можно было сравнить. Полная программа показана ниже, а затем я объясню некоторые строки кода.

 очистить все
программа определяет enzosim, rclass
  синтаксис [ OBS(целое число 1000) lambda1(real 1) lambda2(real 1) ///
      gamma1 (действительное 1) gamma2 (действительное 1) pi (действительное 0,5) maxt (действительное 5)]
  прозрачный
  установить obs `obs'
  survsim t d, смесь lambda(`lambda1' `lambda2') gamma(`gamma1' `gamma2') ///
    pmix(`pi') maxt(`maxt')
  заменить t = потолок (t * 365,24)/365,24
  набор т, f (d == 1)
  местный харрелл4 27,5 50 72,5
  местный harrell4b 5 95
  местный харрелл5 23 41 59 77
  местный harrell5b 5 95
  местный харрелл6 18,33 34,17 50 65,83 81,67
  местный harrell6b 2,5 97,5
  для каждого я в 4 5 6 {
    stpm2, шкала df(`i')(опасность)
    вернуть скаляр AIC1_df`i' = e(AIC)
    вернуть скаляр BIC1_df`i' = e(BIC)
    stpm2, узлы(`harrell`i'') knscale(centile) масштаб(опасность) bknots(`harrell`i'b')
    вернуть скаляр AIC2_df`i' = e(AIC)
    вернуть скаляр BIC2_df`i' = e(BIC)
  }
  вернись чистым
конец
 

Сначала я удаляю программу, так как мне нужно создать новую версию, пока я ее редактирую (исправляю ошибки и т. д.). Я называю программу enzosim и сделать его программой rclass , так как я хочу, чтобы она возвращала некоторые результаты. Я использую команду с синтаксисом , чтобы моя программа могла принимать параметры. Опции включают количество наблюдений в каждом смоделированном наборе данных, параметры смешанного распределения Вейбулла и продолжительность наблюдения. Каждому из них присваивается значение по умолчанию.

Следующие пять строк выглядят следующим образом:

 очистить
установить obs `obs'
survsim t d, смесь lambda(`lambda1' `lambda2') gamma(`gamma1' `gamma2') ///
  pmix(`pi') maxt(`maxt')
заменить t = потолок (t * 365,24)/365,24
набор т, f (d == 1)
 

Сначала я очищаю все данные в памяти и устанавливаю наблюдения на то, что указано в опции obs() (или использую значение по умолчанию 1000, если оно не указано. Затем я использую команду survsim для моделирования из смеси Weibull модель (Crowther and Lambert 2012). Будут созданы две новые переменные t (время выживания) и d индикатор события. лет. Обратите внимание, что survsim использует параметры, которые я передаю своей программе для распределения смеси Вейбулла. После генерации данных в годах я преобразовываю их в дни и округляю до ближайшего целого числа, а затем снова преобразовываю в годы. Причина этого в том, что некоторые очень малые времена выживания могут привести к численным проблемам. Он также лучше отражает реальные данные, где выживаемость часто измеряется с точностью до дня. Затем я stset данные, так что теперь я могу подогнать некоторые модели.

Затем я объявляю некоторые локальные макросы для определения позиций узлов, заданных Харреллом,

 местный харрелл4 27,5 50 72,5
местный harrell4b 5 95
местный харрелл5 23 41 59 77
местный harrell5b 5 95
местный харрелл6 18,33 34,17 50 65,83 81,67
местный harrell6b 2,5 97,5
 

Внутренние узлы и граничные узлы нужно указать отдельно.

Затем я пишу небольшой цикл, который проходит по разным степеням свободы (4, 5 и 6).

 для каждого я в 4 5 6 {
  stpm2, шкала df(`i')(опасность)
  вернуть скаляр AIC1_df`i' = e(AIC)
  вернуть скаляр BIC1_df`i' = e(BIC)
  stpm2, узлы(`harrell`i'') knscale(centile) масштаб(опасность) bknots(`harrell`i'b')
  вернуть скаляр AIC2_df`i' = e(AIC)
  вернуть скаляр BIC2_df`i' = e(BIC)
 }
 

Для каждой df модели stpm2 используется расположение узлов по умолчанию, а затем положения узлов, рекомендованные Harrell. Обратите внимание на использование опции узлов() для внутренних узлов, опции bknots() для граничных узлов и опции knscale(centile) , поэтому я могу указать узлы как центили, а не конкретный момент времени (по умолчанию). После установки каждой модели я использую return для хранения как AIC, так и BIC.

Последняя строка кода,

 erturn clear
 

это просто немного лени с моей стороны так как если вы не укажете ничего для мониторинга при использовании команды симулировать она будет отслеживать коэффициенты модели в памяти. Если в памяти не хранится модель, она будет отслеживать все, что хранится в r() , чего я и хочу. Поэтому я использую ereturn clear для удаления последней модели из памяти и теперь мне не нужно давать длинный список того, что я хочу контролировать.

Тестирование программы моделирования

Когда я разрабатываю программу моделирования, я запускаю ее один раз. Это позволяет мне проверять любые созданные переменные, обнаруживать любые потенциальные ошибки, удостоверяться, что любой анализ, который я выполняю, верен, и убедиться, что результаты, которые я хочу сохранить, действительно сохранены. Если я просто наберу enzosim , моя программа запустится, используя значения по умолчанию, указанные в операторе синтаксиса программы. Это дает следующие результаты,

 . энзосим,
количество наблюдений (_N) было 0, теперь 1000
Предупреждение: 8 раз выживания были выше верхнего предела 5
         Они были установлены на 5 и могут считаться подвергнутыми цензуре. 
         Вы можете определить их по _survsim_rc = 3
     событие отказа: d == 1
наблюдения временной интервал: (0, t]
 выход во время или раньше: сбой
-------------------------------------------------- ----------------------------
      Всего 1000 наблюдений
          0 исключений
-------------------------------------------------- ----------------------------
      Осталось 1000 наблюдений, представляющих
        992 ошибки в данных с одной записью/одиночной ошибкой
  1 006 047 – общее время анализа с риском и под наблюдением
                                                подвержен риску с t = 0
                                     самая ранняя наблюдаемая запись t = 0
                                          последний наблюдаемый выход t = 5
Итерация 0: логарифмическая вероятность = -1615,2795
Итерация 1: логарифмическая вероятность = -1615,0025
Итерация 2: логарифмическая вероятность = -1615,0024
Логарифмическая вероятность = -1615,0024 Количество наблюдений = 1000
-------------------------------------------------- ----------------------------
             | Коэф.  стандарт Ошиб. z P>|z| [95% Конф. интервал]
----------------------------+------------------------------------ ----------------------------
хб |
       _rcs1 | 1,275779 ,0422624 30,19 0,000 1,192946 1,358612
       _rcs2 | -.0492945 .0335147 -1,47 0,141 -.1149821 .0163931
       _rcs3 | .0072627 .019518 0,37 0,710 -.0309919 .0455174
       _rcs4 | .0009645 .0117572 0,08 0,935 -.0220792 .0240082
       _против | -0,5789954 0,0405764 -14,27 0,000 -0,6585236 -0,4994671
-------------------------------------------------- ----------------------------
..... остальные выходные данные были опущены.
 

Программа работает без ошибок и подходит для моделей, которые я намереваюсь. Я могу проверить, что все, что я хочу сохранить, действительно сохранено, используя список возврата .

 . список возврата
скаляры:
           г (BIC2_df6) = 3275,609609295175
           г (AIC2_df6) = 3241,325674693275
           г (BIC1_df6) = 3275,271719530712
           г (AIC1_df6) = 3240,987784928811
           г (BIC2_df5) = 3273,020999377406
           г (AIC2_df5) = 3243,634769718634
           г (BIC1_df5) = 3273,04
74547
           г(AIC1_df5) = 3243,662812315775
           г (BIC2_df4) = 3267,19499496639
           г (AIC2_df4) = 3242,706470250746
           г (BIC1_df4) = 3266,905797538291
           г (AIC1_df4) = 3242,417272822648
 

Я вижу, что все значения AIC и BIC возвращены.

Запуск моделирования

Теперь я готов смоделировать 1000 наборов данных для каждого сценария, используя имитирует команду . Я могу перебрать 4 сценария, используя локальные макросы, уже объявленные для каждого сценария.

 набор семян 78126378
для значений я = 1/4 {
  симуляция, повторы (1000) сохранение (sim_scenario`i', заменить двойное): enzosim, `scenario`i''
}
 

Я передаю соответствующий локальный макрос для параметров для каждого сценария. Результаты сохраняются с помощью опции сохранения . Каждый из созданных наборов данных будет содержать 1000 наблюдений, по одному для каждого смоделированного набора данных. Затем я иду и делаю чашку кофе, пока жду результатов…

Подведение итогов моделирования

После запуска моделирования я могу начать просмотр результатов. Сначала я нанесу данные, сравнивающие AIC между размещением узла по умолчанию и размещением узла Харрелла для каждой из моделей 4, 5 и 6 df.

 .  для значений s = 1/4 {
  2. тихо {
  3. использовать sim_scenaro`s', заменить
  4. forvalues ​​df = 4/6 {
  5. gen AICdiff_df`df' = AIC2_df`df' - AIC1_df`df'
  6. hist AICdiff_df`df', name(AIC`df', replace) ylabel(none) ///
> ytitle("") xline(0) ///
> xtitle("Разница в AIC") ///
> title("`df' df", кольцо(0) позиция(1) размер(*0.8))
  7.
. }
  8. }
  9. объединение графиков AIC4 AIC5 AIC6, cols(3) nocopies name(scenario`s', replace) ///
> ycommon xcommon title("Сценарий `s'", размер(*0.8))
 10. }
. граф объединить сценарий1 сценарий2 сценарий3 сценарий4, nocopies cols(1) imargin(0 0 0 0)
 

Этот код вычисляет разницу в AIC между положениями узлов Харрелла и положениями узлов по умолчанию stpm2 . Положительное значение указывает на более низкий AIC для мест расположения узлов по умолчанию. Обратите внимание, что нет смысла вычислять разницу в BIC, поскольку она идентична разнице в AIC, поскольку количество параметров в сравниваемых нами моделях одинаково. Полученный график можно увидеть ниже.

Этот график показывает, что для всех сценариев имеет место более низкий AIC для расположения узлов по умолчанию. Это особенно верно для сценариев 2 и 3. Изменение AIC намного больше для этих двух сценариев.

Далее я вычислю процент времени, в течение которого AIC ниже для узлов по умолчанию.

 . для значений s = 1/4 {
  2. спокойно использовать sim_scenaro`s', заменить
  3. display _newline "Сценарий `s'"
  4. отображение "------------"
  5. forvalues ​​df = 4/6 {
  6. спокойно считать, если AIC2_df`df' > AIC1_df`df'
  7. di "Места узлов по умолчанию имели более низкий AIC для `df' df:" %4.1f 100*`r(N)'/_N "%"
  8. }
  9. }
Сценарий 1
------------
Места узлов по умолчанию имели более низкий AIC для 4 df: 72,8%.
Места расположения узлов по умолчанию имели более низкий AIC для 5 df: 73,4%
Места расположения узлов по умолчанию имели более низкий AIC для 6 df: 74,2%
Сценарий 2
------------
Места расположения узлов по умолчанию имели более низкий AIC для 4 df: 99,0%
Места расположения узлов по умолчанию имели более низкий AIC для 5 df: 97,5%
Места расположения узлов по умолчанию имели более низкий AIC для 6 df: 85,4%
Сценарий 3
------------
Места расположения узлов по умолчанию имели более низкий AIC для 4 df: 98,9%
Места расположения узлов по умолчанию имели более низкий AIC для 5 df: 98,8%. 
Места узлов по умолчанию имели более низкий AIC для 6 df: 9.0,7%
Сценарий 4
------------
Места расположения узлов по умолчанию имели более низкий AIC для 4 df: 68,3%
Места расположения узлов по умолчанию имели более низкий AIC для 5 df: 57,5%
Места расположения узлов по умолчанию имели более низкий AIC для 6 df: 53,1%
 

Опять же, мы можем видеть преобладание расположения узлов по умолчанию, особенно для сценариев 2 и 3. локации и локации узлов Харрелла. Я создаю некоторый код, чтобы найти df с самым низким AIC и BIC.

 . для значений s = 1/4 {
  2. спокойно использовать sim_scenaro`s', заменить
  3. egen double minAIC1 = rowmin(AIC1_df?)
  4. egen double minAIC2 = rowmin(AIC2_df?)
  5. gen AICmin1 = 4*(minAIC1==AIC1_df4) + 5*(minAIC1==AIC1_df5)+6*(minAIC1==AIC1_df6)
  6. gen AICmin2 = 4*(minAIC2==AIC2_df4) + 5*(minAIC2==AIC2_df5)+6*(minAIC2==AIC2_df6)
  7. egen double minBIC1 = rowmin(BIC1_df?)
  8. egen double minBIC2 = rowmin(BIC2_df?)
  9. gen BICmin1 = 4*(minBIC1==BIC1_df4) + 5*(minBIC1==BIC1_df5)+6*(minBIC1==BIC1_df6)
 10.  Ген BICmin2 = 4*(minBIC2==BIC2_df4) + 5*(minBIC2==BIC2_df5)+6*(minBIC2==BIC2_df6)
 11. di _newline "Сценарий `s'"
 12. ди "АИК"
 13. вкладка AICmin1 AICmin2
 14. ди "БИК"
 15. вкладка БИКмин1 БИКмин2
 16. }
Сценарий 1
АИК
           | AICмин2
   AICмин1 | 4 5 6 | Общий
--------------------------+---------------------------------+---- ------
         4 | 694 26 8 | 728
         5 | 23 106 25 | 154
         6 | 28 0 90 | 118
--------------------------+---------------------------------+---- ------
     Итого | 745 132 123 | 1000
БИК
           | БИКмин2
   БИКмин1 | 4 5 | Общий
--------------------------+----------------------+----------
         4 | 975 6 | 981
         5 | 7 10 | 17
         6 | 2 0 | 2
--------------------------+----------------------+----------
     Итого | 984 16 | 1000
Сценарий 2
АИК
           | AICмин2
   AICмин1 | 4 5 6 | Общий
--------------------------+---------------------------------+---- ------
         4 | 59 20 379 | 458
         5 | 1 19 240 | 260
         6 | 2 0 280 | 282
--------------------------+---------------------------------+---- ------
     Итого | 62 39 899 | 1000
БИК
           | БИКмин2
   БИКмин1 | 4 5 6 | Общий
--------------------------+---------------------------------+---- ------
         4 | 602 53 282 | 937
         5 | 1 5 40 | 46
         6 | 0 0 17 | 17
--------------------------+---------------------------------+---- ------
     Итого | 603 58 339 | 1000
Сценарий 3
АИК
           | AICмин2
   AICмин1 | 4 5 6 | Общий
--------------------------+---------------------------------+---- ------
         4 | 8 10 52 | 70
         5 | 0 12 162 | 174
         6 | 2 0 754 | 756
--------------------------+---------------------------------+---- ------
     Итого | 10 22 968 | 1000
БИК
           | БИКмин2
   БИКмин1 | 4 5 6 | Общий
--------------------------+---------------------------------+---- ------
         4 | 357 22 318 | 697
         5 | 4 8 119 | 131
         6 | 0 0 172 | 172
--------------------------+---------------------------------+---- ------
     Итого | 361 30 609 | 1000
Сценарий 4
АИК
           | AICмин2
   AICмин1 | 4 5 6 | Общий
--------------------------+---------------------------------+---- ------
         4 | 528 83 14 | 625
         5 | 31 131 66 | 228
         6 | 20 4 123 | 147
--------------------------+---------------------------------+---- ------
     Итого | 579218 203 | 1000
БИК
           | БИКмин2
   БИКмин1 | 4 5 6 | Общий
--------------------------+---------------------------------+---- ------
         4 | 935 24 5 | 964
         5 | 9 19 3 | 31
         6 | 1 0 4 | 5
--------------------------+---------------------------------+---- ------
     Итого | 945 43 12 | 1000
 

Что мне кажется интересным, так это то, что AIC имеет тенденцию выбирать меньше узлов для расположения узлов по умолчанию. Как и выше, это особенно верно для сценариев 2 и 3. Это не относится к более простому сценарию 1. Здесь истинное распределение Вейбулла, и поэтому все модели переобучаются по сравнению с истиной.

Я не думаю, что различия, которые мы видим здесь, настолько велики, и, конечно, мы рассматриваем только несколько сценариев. Тем не менее, меня обнадеживает то, что наше расположение узлов по умолчанию кажется разумным. Более подробный анализ позволил бы сравнить функции опасности и выживания с истинной функцией. Когда мы используем сплайны, я не думаю, что они представляют настоящую модель, но они должны давать очень хорошее приближение к ней. Это имеет решающее значение, поскольку с реальными данными мы никогда не знаем истинную модель.

Андерссон, Т.М.-Л., Дикман, П.В., Элоранта, С., Ламберт, П.К. Оценка и моделирование излечения в популяционных исследованиях рака в рамках гибких параметрических моделей выживания. BMC Med Res Methodol 2011; 11 :96

Кроутер, М. Дж., Ламберт, П.К. Моделирование сложных данных о выживании. The Stata Journal 2012; 12 :674-687.

Harrell, F.E. Стратегии регрессионного моделирования с применением к линейным моделям, логистической регрессии и анализу выживаемости . Springer, 2001

Резерфорд, М.Дж., Кроутер, М.Дж., Ламберт, П.К. Использование ограниченных кубических сплайнов для аппроксимации сложных функций опасности при анализе данных о времени до события: исследование моделирования. Журнал статистических вычислений и моделирования 2015; 85 :777-793

Длина конца нити как функция целостности узла

Сравнительное исследование

. 2009 сен-октябрь;66(5):276-80.

doi: 10.1016/j.jsurg.2009.10.003.

Тайлер М Маффли
¹
, Кристофер Кук, Дженнифер Дистасио, Аарон Дж. Бонэм, Роберта Э. Блэндон

принадлежность


• ¹ Отделение акушерства и гинекологии, Фонд клиники Кливленда, 9500 Euclid Avenue, Cleveland, OH 44195, США. [email protected]
• PMID:

  20005500

• DOI:

  10.1016/j.jsurg.2009.10.003

Сравнительное исследование

Tyler M Muffly et al.

J Surg Educ.

2009 сен-окт.

. 2009 сен-октябрь;66(5):276-80.

doi: 10.1016/j.jsurg.2009.10.003.

Авторы


Тайлер М Маффли
¹
, Кристофер Кук, Дженнифер Дистасио, Аарон Дж. Бонэм, Роберта Э. Блэндон

принадлежность


• ¹ Отделение акушерства и гинекологии, Фонд клиники Кливленда, 9500 Euclid Avenue, Cleveland, OH 44195, США. [email protected]

• PMID:

  20005500

• DOI:

  10.1016/j.jsurg.2009.10.003

Абстрактный


Цель:


Оценить натяжение при несостоятельности 3 обычно используемых швов, когда концы нитей были обрезаны на 3 длины.


Дизайн исследования:


Узлы завязывали с использованием полиглактина 910, шелка или полидиоксанона согласно Фармакопее США размера 0-0. Узлы были завязаны случайным образом на зажимном приспособлении одним и тем же хирургом. Затем концы были нарезаны на произвольные длины 0, 3 и 10 мм. Мы сравнили прочность отдельного узла при воздействии растягивающих усилий с помощью тензиометра с точкой разрыва узла, которая определялась как развязывание и/или разрыв узла.


Полученные результаты:


Три типа швов были разделены на 3 группы в зависимости от длины концов, всего 178 узлов. Логистический регрессионный анализ показал, что шансы развязать узлы были самыми высокими для полиглактина 910 (отношение шансов [ОШ] = 33,7; 95% доверительный интервал [ДИ] = 4,1-277,1). Длина конца также оказала значительное влияние на развязывание узлов, при этом узлы диаметром 0 мм чаще развязывались (ОШ 21,2; 95% ДИ 2,9–153,0). Апостериорные тесты для дисперсионного анализа 3 x 3 показали, что шелковые узлы разрушаются при значительно более низком натяжении, чем полидиоксанон (p <0,001) и полиглактин 9.10 (p < 0,001) узлов.


Выводы:


Узлы с длиной конца 0 мм значительно чаще развязывались, чем узлы 3 или 10 мм. Среди всех материалов полиглактин 910 оказался наиболее склонным к развязыванию; однако это привело к развязыванию при среднем натяжении, превышающем предел прочности шелка.

Похожие статьи


• Оценка четырех моделей тканей на прочность узла на растяжение.

  Muffly TM, Danford JM, Iqbal I, Barber MD.

  Muffly TM и др.
  J Surg Educ. 2012 янв-февраль;69(1):13-6. doi: 10.1016/j.jsurg.2011.07.001. Epub 2011 27 августа.
  J Surg Educ. 2012.

  PMID: 22208825

• Влияние количества бросков на надежность узла с неидентичными скользящими узлами.

  Айви Дж.Дж., Унгер Дж.Б., Хёрт Дж., Мукерджи Д.

  Айви Дж.Дж. и др.
  Am J Obstet Gynecol. 2004 г., ноябрь; 191(5):1618-20. doi: 10.1016/j.ajog.2004.05.029.
  Am J Obstet Gynecol. 2004.

  PMID: 15547532

• Оценка целостности узла при завязывании роботизированным и традиционным способом.

  Маффли Т., Маккормик Т.С., Дин Дж., Бонэм А., Хилл РФ.

  Маффли Т. и др.
  Am J Obstet Gynecol. 2009 г.Май; 200(5):e18-20. doi: 10.1016/j.ajog.2008.08.058. Epub 2008, 27 декабря.
  Am J Obstet Gynecol. 2009.

  PMID: 19111718

• Новая техника узлов для лигатур сосудов.

  Ботет Х, Суриньяч С, Молинас Дж.

  Ботет X и др.
  Мир J Surg. 29 октября 2005 г. (10): 1356-8. doi: 10.1007/s00268-005-7675-6.
  Мир J Surg. 2005.

  PMID: 16142430

  Обзор.

• Представление ансамбля РНК и белков: петли, узлы, территории и эволюция.

  Гросберг А.Ю.

  Гросберг А.Ю.
  Biophys J. 7 июня 2016 г.; 110 (11): 2289-2290. doi: 10.1016/j.bpj.2016.04.021.
  Биофиз Дж. 2016.

  PMID: 27276246
  Бесплатная статья ЧВК.

  Обзор.

  Аннотация недоступна.

Посмотреть все похожие статьи

Цитируется


• Улучшается ли качество квадратных узлов, завязанных новичками вручную, при повторении в течение одной тренировки?

  Тобиас К., Мулон П.Ю., Дэниелс А., Сан Х.

  Тобиас К. и др.
  Пир Дж. 2022, 26 сентября; 10:e14106. doi: 10.7717/peerj.14106. Электронная коллекция 2022.
  Пир Дж. 2022.

  PMID: 36187746
  Бесплатная статья ЧВК.

• Влияние обычных жидкостей для полоскания рта на механические свойства шовных материалов, используемых в стоматологических операциях: лабораторный эксперимент.

  Абулле С.С., Аль-Осман С.С., Аль-Кахтани С.М., Хан А.А., Нахид Р., Башир С.А., Джамиль А.С.

  Абулле С.С. и соавт.
  Полимеры (Базель). 2022 16 июня; 14 (12): 2439. doi: 10.3390/polym14122439.
  Полимеры (Базель). 2022.

  PMID: 35746015
  Бесплатная статья ЧВК.

• Демонстрация метода аппликатора с ватным наконечником для стандартизации длины хвоста нити в дерматологической хирургии.

  Лейбовиц Р., Лим Дж., Блэлок Т.В.

  Лейбовиц Р. и соавт.
  ДЖААД Интерн. 2022 18 апр;7:131-132. doi: 10.1016/j.jdin.2022.03.003. электронная коллекция 2022 июнь.
  ДЖААД Интерн. 2022.

  PMID: 35497639
  Бесплатная статья ЧВК.

  Обзор.

  Аннотация недоступна.

• Как завязать опасные хирургические узлы: легко. Можем ли мы этого избежать?

  Дрэббл Э., Спанопулу С., Сиока Э., Политаки Э., Параскева И., Палла Э., Стокли Л., Захарулис Д.

  Драббл Э. и др.
  BMJ Surg Interv Health Technol. 2021 13 июля; 3(1):e000091.