XiaoMi-AI文件搜索系统
World File Search System出血
在CT图像中具有缺血和出血检测，具有分类模型的超参数优化和改进的UNET分割模型
抽象深度学习是一种强大的技术，已应用于使用医学成像进行中风检测。中风是一种医疗状况，当大脑的血液供应中断时，会导致脑部损伤和其他严重的并发症。中风检测对于最大程度地减少损害并改善患者预后很重要。中风检测最常见的成像方式之一是CT（计算机断层扫描）。ct可以提供大脑的详细图像，可用于识别中风的存在和位置。深度学习模型，尤其是卷积神经网络（CNN），已经显示出使用CT图像检测中风的希望。这些模型可以学会自动识别图像中指示中风的模式，例如梗塞或出血的存在。在CT图像中用于中风检测的深度学习模型的一些示例是U-NET，通常用于医疗图像分割任务，而CNN已经过训练，这些CNN已经过训练，可以将脑CT图像分类为正常或异常。这项研究的目的是确定在没有造影剂的情况下拍摄的脑CT图像的中风类型，即闭塞（缺血）或出血（出血）。中风图像，并由医学专家构建数据集。深度学习分类模型通过超参数优化技术评估。并使用改进的UNET模型进行了分割，以可视化CT图像中的中风。分类模型，VGG16获得了％94成功。UNET模型达到了％60 iou，并检测到缺血和出血差异。
tranexamic酸对脑损伤患者颅内出血和梗塞的影响：crash-3试验患者样本中的预先计划的质量
©2022 Wiley-VCH GMBH。这是以下文章的同行评审版本：Bhatti，M。R. A.，Kernin，A.，Tausif，M.，Zhang，H.，Papageorgiou，D.，Bilotti，E.，Peijs，E.，Peijs，T.，Bastiaansen，C。W. M.adv。光学母校。2022，10，2102186，该形式以https://doi.org/10.1002/adom.202102186出版。本文可以根据Wiley使用自算版版本的条款和条件来将其用于非商业目的。未经Wiley的明确许可或根据适用立法的法定权利的明确许可，本文可能不会增强，丰富或以其他方式转化为衍生作品。版权声明不得删除，遮盖或修改。该文章必须链接到Wiley在Wiley在线图书馆上的记录版本，并且必须禁止第三方通过平台，服务和网站提供任何嵌入，框架或以其他方式提供其文章或页面。
威胁直接因子XA抑制剂患者的出血
ASHP基金会通过专家咨询小组（AP）的意见来促进本资源指南的创建。本指南描述了将Focus-PDCA框架作为模拟MUE过程改进的应用，并将其创建用于使用Andexanet Alfa（“ Andexanet”）的MUE模板，这是一种用于管理直接口服因子XA XA抑制剂（DOACS）的患者的特定反转代理。广泛使用DOAC，用于抗凝和管理威胁生命的出血的逆转和管理的国家准则，与大量出血相关的重大发病率和死亡率，对逆转剂的及时管理的需求，对治疗的高成本，高度的临床临床以及正在进行中的临床委托进行培训的疗法，并在疗法中进行了预防措施。虽然此示例是针对抗凝剂逆转剂的特异性，但可以将描述的框架应用于进行MUE并将模板调整为其他药物和临床情况。
sub -basin出血
电子邮件：marcelogustavopaixao@gmail.com摘要亚蛛网膜下腔出血（HS）是一种高发病率和死亡率的疾病，构成神经系统紧急情况；涉及的主要病因是动脉瘤性疾病和脑创伤（TCE）。其他不太常见的HS原因包括先天性血管异常，感染，自身免疫性疾病，过度使用药物或酒精和抗凝剂。此外，最常见的HS症状包括严重的头痛，恶心，呕吐和头晕；在某些情况下，它可能导致肢体瘫痪，行为改变，癫痫发作或昏迷。计算机断层扫描检查（CT）有助于HS的诊断，因为它可以可视化该疾病的典型特征，例如危险性水肿，Silvio的incisura和钙化的存在。有助于诊断的其他因素是解血和临床评估。吸血管可以提供重要的数据，例如症状的持续时间，触发因素的存在，其他症状的存在和家族病史。临床评估也很重要，因为局灶性神经信号的存在可能表明与HS相关的并发症风险更高。此外，治疗是基于原因，但通常涉及使用药物，手术或康复疗法；在肿瘤头痛的情况下，主要方法是药物和外科手术。可以使用缓解症状的止痛药和/或抗抑郁药进行药物治疗。但是，如果发生恶性肿瘤，则需要手术来切除肿瘤，然后进行放疗或化学疗法。简而言之，头痛患者的方法取决于病因和相关的警报标志。重要的是要精确诊断以使治疗足够有效。
PARP抑制剂相关的出血：实时...
聚（ADP-核糖）聚合酶（PARP）是介导DNA修复的重要因素，可以将其与其他DNA修复蛋白结合使用以修复DNA损伤（1）。PARP抑制剂（PARPIS）是某些癌症（例如卵巢癌，乳腺癌，胰腺癌和前列腺癌）最有希望的PARP靶向药物之一（2-5）。2014年，世界第一个Parpi Olaparib被美国食品药品监督管理局（FDA）批准，以治疗乳房，卵巢，胰腺和前列腺癌（6，7）。此后，Rucaparib和Niraparib在2016年和2017年（8）均连续出现。到目前为止，与Talazoparib一起，FDA批准了四种针对PARP的药物进行营销。然而，它们的广泛使用会诱导一些与药物相关的不良反应。PARPI的不良反应包括血液学毒性（9，10），胃肠道毒性（11）等，每种药物也具有其特定的毒性。如表1（12-16）所总结，贫血，疲劳/弱势和恶心是所有parpis的三个常见不良反应。对于Niraparib，血小板减少症是一个常见的不良事件，任何等级的比例均为61.3％，≥3级为33.8％（13）。其他研究还指出，塔拉唑巴位与频繁≥3级血液学不良事件之间的关联（贫血39％，中性粒细胞减少21％，血小板减少15％）（17）（17）。最近，使用Niraparib单一疗法的患者报告了由于胃出血而导致的死亡（18）。这表明出血可能是parpis的严重但不可忽略的不良反应。现实世界的证据仍然有限。胃肠道毒性也是所有parpis的常见不良反应，因为在用Olaparib治疗的260名患者中，有152例（77.7％）在用Niraparib治疗的367名患者中，有270名（74％）接受Niraparib（13）和280例（75％）（75％）（75％）（75％）患者（142）患者（14％）。但是，单个病例报告可能不足以评估PARPI治疗与这种罕见的不良影响之间的关联。此外，尚不清楚与出血相关的不良事件是否发生在其他parpis后发生。因此，我们通过使用FAERS数据库来表征和评估与PARPIS相关的与出血相关的不良事件进行表征和评估。
在出血模型中的可穿戴外围血管补偿传感器的开发和评估
Method 30 fps 1920p 80 fps 640p 100 fps 320p Focal length 3.04 mm 3.04 mm 3.04 mm Lens diameter 1.52 mm 1.52 mm 1.52 mm f/# 2.0 2.0 2.0 Camera pixel size 1.12 x 1.12 µm 2.24 x 2.24 µm 4.48 x 4.48 µm Distance per pixel 1.12 µm 2.24 µm 4.47 µm放大1.000x 1.000x 1.002x
巨噬细胞靶向的脂质纳米粒子递送microRNA-146A以减轻出血性休克诱导的急性呼吸窘迫综合征
甘露糖基化的LNP，分别包含2％，4.85％或9.3％的甘露糖偶联的PA-PEG脂质），通过∆ΔCT方法计算得出，标准化为cramble载荷的LNP对照。数据通过Shapiro-Wilk测试正态分布。通过Tukey的多重比较测试通过单向方差分析进行统计分析。b）与9.3-MLNP相比，在5nm，5nm或100nm miR-146a的9.3-MLNP递送后，AM中的剂量依赖性miR-146a水平。数据通过Shapiro-Wilk测试正态分布。通过单向方差分析分析了Tukey的多重比较测试。c）在存在或不存在20 mM甘露糖的情况下，使用LNP或9.3-MLNP递送miR-146a后AM中的miR-146a水平。通过Kruskal-Wallis分析了Dunn的多重比较测试。统计差异表示为 *p <0.05，** p <0.005，*** p <0.001。数据以最大最小为单位表示。显示所有点，n =每组3井。进行了两次实验。
子宫内膜异常出血患者子宫内膜恶性肿瘤的发展和验证
目的：本研究旨在确定可以将子宫内膜癌（EC）和非典型子宫内膜增生（AEH）整合到异常子宫出血（AUB）女性中的危险因素和超声变量。材料和方法：这项回顾性研究包括1837例出现AUB并接受子宫内膜采样的患者。根据临床和超声协变量（子宫内膜厚度（ET），子宫内膜脉管系统的抗性指数（RI）），根据开发组（n = 1369）的EC/AEH的关联，并提出了预测性的NOMOMPOM。该模型在468名患者中得到了验证。结果：组织学检查显示开发组中有167名患者（12.2％）患有EC或AEH。使用多变量逻辑回归，在子宫内膜恶性肿瘤的预测中纳入了以下变量：代谢疾病[优势比（OR）= 7.764，95％置信区间（CI）5.042-11.955] 95％CI 1.878–5.435），RI≤0.5（OR = 8.733，95％CI 4.311–17.692）和ET≥10mm（OR = 8.479，95％CI 5.440-13.216）。使用这五个变量创建了一个列图，该变量在曲线下为0.837（95％CI 0.800–0.874）。校准曲线在观察到的事件和预测发生之间显示出良好的一致性。为验证组，该模型提供了可接受的歧视和校准。结论：拟议的nom图模型显示出AUB女性良性和恶性子宫内膜病变之间的差异化中等预测准确性。
法国南部的克里米亚-刚果出血热蜱媒介Hyalomma marginatum：模拟其分布并确定影响其在新入侵地区定居的因素
图 2 气候数据的主成分分析，在主成分 1 (PC1) 和 2 (PC2) (2A) 以及主成分 2 (PC2) 和 3 (PC3) (2B) 下。颜色表示主成分上气候变量坐标的平方和。红色表示高相关性，而蓝色表示低相关性。横轴对应于图 2a 中的 PC1 和图 2b 中的 PC2，纵轴对应于图 2a 中的 PC2 和图 2b 中的 PC3。T max：最高温度，T min：最低温度，ETP：潜在蒸散量，Prec：降水量，Humr：相对湿度。数字后缀对应于月份（1 表示一月至 12 表示十二月）
法国南部的克里米亚-刚果出血热蜱媒 Hyalomma marginatum：模拟其分布并确定影响其在新入侵地区定居的因素
图 2 气候数据的主成分分析，包括主成分 1 (PC1) 和 2 (PC2) (2A) 以及主成分 2 (PC2) 和 3 (PC3) (2B)。颜色表示主成分上气候变量坐标的平方和。红色表示相关性高，蓝色表示相关性低。横轴对应图 2a 中的 PC1 和图 2b 中的 PC2，纵轴对应图 2a 中的 PC2 和图 2b 中的 PC3。T max：最高温度，T min：最低温度，ETP：潜在蒸散量，Prec：降水量，Humr：相对湿度。数字后缀对应月份（1 表示一月，12 表示十二月）