•这项研究包括少数患者,数据完整性在患者的病历上有所不同,随访期的持续时间在患者的持续时间各不相同。•结果是描述性的,没有说明患者特征或其他潜在混杂因素的差异。•由于没有访问时间表,这些临时结果是基于医生在参与现场持有的患者病历可获得的信息。•由于不是随机选择站点,因此本研究的结果可能无法推广到所有≥25岁的SMA年龄≥25岁的成年患者。•治疗模式,疾病监测和医疗保健资源利用模式可能反映了特定地点方案。但是,本研究中包括多个站点以减轻这些影响。
摘要背景血小板减少是 HER2 靶向治疗药物 fam-trastuzumab deruxtecan (T-DXd) 和 ado-trastuzumab emtansine (T-DM1) 的常见不良事件。有报道称亚洲血统与此事件有关,值得调查以排除潜在的混杂因素。方法本回顾性队列的受试者是 HER2 阳性乳腺癌女性患者,具有亚洲或非西班牙裔白人血统,从 2017 年 1 月至 2021 年 10 月开始接受 T-DM1 或 T-DXd 治疗。随访于 2022 年 1 月结束。主要终点是血小板减少的剂量调整。竞争终点是因其他毒性、疾病进展或完成规定的周期而停药。在针对 4 个(主要和竞争)终点的子分布的比例风险模型中,p < 0.01 处检验了亚裔血统与血小板减少相关剂量调整之间的关联。作为潜在混杂因素检查的协变量包括年龄、转移性疾病、特定的 HER2 靶向药物和之前因毒性而更换药物。结果在 181 名受试者中,有 48 名报告有亚裔血统。亚裔血统患者和在 T-DM1 上出现血小板减少后换用 T-DXd 的患者中,因血小板减少而调整剂量的发生率较高。无论具体药物和之前更换药物如何,亚裔血统与因血小板减少而调整剂量有关(风险比 2.95,95% 置信区间 1.41–6.18),但与竞争终点无关。在亚裔血统的参与者中,祖先来源通常是中国或菲律宾(中国血统很常见)。结论亚裔血统与 HER2 靶向治疗引起的血小板减少症之间的关联与年龄、转移性疾病、药物和类似毒性史无关。这种关联可能具有与中国血统相关的遗传基础。
是否使用或允许学生在课程中使用生成式 AI 工具的决定权在于教职员工,前提是该使用符合本指南中提供的参数。请注意,不允许要求学生使用这些工具创建帐户,此类使用需要进行全面的隐私影响评估。鉴于这项技术不断发展的性质,我们已确定将原则应用于我们的方法是前进的最佳方式。已确定了许多风险领域,我们应谨慎使用,请参阅此处的指导文件。我们认识到,对于你们中的许多人来说,你们的担忧与生成式 AI 可能对学术诚信产生的混杂影响有关,与此相关的问题应直接发送至 academic.integrity@kpu.ca,因为它们很微妙,随附的指南可能无法提供您正在寻找的方向。
附件是一张散布表,旨在解决MPDAB的费用“确定缅因州公共付款人购买的处方药的年度支出目标,该目标是基于美国劳工部的医疗服务部门的10年滚动平均值,劳工统计局劳动统计局消费者价格指数医疗服务局的医疗服务部门的一部分,并确定了用于销售的一定数量的销售目标,并确定了一定的销售目标,并确定了一定的销售目标。确定10年的滚动平均值为3.9%。董事会确定处方药的年度支出目标所需的其他步骤很复杂,并且必须考虑许多混杂因素。这些包括以下几点,与哈佛医学院的法规,治疗学和法律(门户网站)协商时开发了以下几点:
表明,在调整了多个混杂因素后,骨骼肌指数(SMI)的每10%都伴随着糖尿病前期患病率(95%CI 1%-21%)的相对相对降低12%[26]。早期诊断和早期干预对于预防和治疗糖尿病的治疗至关重要。在我们的研究中,我们基于三种独立的因素性别,身高和腰围开发了一种新颖,实用,预测的nom图,这可能有助于临床医生预测糖尿病患者患肌肉减少症的风险。列摄图表现出良好的歧视性,校准能力和临床实用性,它表明身高较短和腰围较高的男性可能患有糖尿病性肌肉减少症的风险更高。
结果:在完全调整混杂变量的多元逻辑回归中,我们的分析显示 TyG、TyG-BMI、TyG-WC 和 TyG-WHtR 与胸痛之间存在显著关联,调整后的 OR (95% CI) 分别为 1.21(1.05, 1.39)、1.06(1.01, 1.11)、1.08(1.04, 1.14)和 1.27(1.08, 1.48)。对于总 CVD,调整后的 OR 值(95% CI)分别为 1.32(1.08, 1.61)、1.10(1.03, 1.17)、1.13(1.06, 1.19)和 1.63(1.35, 1.97),其中 TyG、TyG-WC 和 TyG-WHtR 在 RCS 分析中呈现曲线关联(所有 P 非线性 < 0.05)。此外,ROC 曲线显示 TyG-WC 对总 CVD、冠心病 (CHD) 和心肌梗死 (MI) 具有最稳健的预测效能,而 TyG-WHtR 对心绞痛和心力衰竭具有最好的预测能力。
摘要 — 深度卷积神经网络最近已成为检测癫痫发作的先进工具。此类模型能够提取脑电图 (EEG) 信号的复杂非线性表示,与依赖手工制作特征的方法相比,其准确性更高。然而,神经网络容易受到脑电图信号中常见的混杂伪影的影响,并且难以解释。在这项工作中,我们提出了一种基于神经网络的癫痫发作检测算法,该算法利用信息论的最新进展来构建信号表示,其中包含区分癫痫发作和正常大脑活动所需的最少信息。我们展示了我们的方法自动学习忽略常见信号伪影并从原始信号中编码医学相关信息的表示。
结果:在控制所有混杂因素之后,多元逻辑回归分析表明,体育活动的各个领域与糖尿病肾脏疾病的患病率之间缺乏相关性。多个广义线性回归分析表明,PA的持续时间(B = 0.05,95%CI,0.01 - 0.09,P = 0.012)和TPA(B = 0.32,95%CI,0.10 - 0.55,0.55,P = 0.006)与EGFR水平有积极相关的; LTPA持续时间与UACR水平成反比(b = -5.97,95%CI,-10.50 -1.44,p = 0.011)。RCS曲线表明PA,OPA和EGFR之间存在非线性关系,以及PA和ACR之间的非线性相关性。亚组和灵敏度分析在很大程度上与多元广义线性回归的结果一致,从而强调了我们发现的鲁棒性。
摘要的药物ePIDEPIDEMIOLIGY研究提供了有关药物安全性和有效性的重要信息,但是研究结果的有效性可能会受到残留偏见的威胁。理想情况下,通过适当的研究设计和统计分析方法将偏差最小化。然而,例如,由于无法衡量的混杂因素,测量误差或选择中的选择,可以保留残留偏见。可用于评估,定量和透明的一组敏感性分析方法,称为定量偏置分析,研究结果对这些残留偏见的鲁棒性。这些处理包括在指定的关于潜在偏差的假设下如何更改估计效应的方法,以及根据效应估计的计算界限的方法。本文介绍了未衡量的混淆,错误分类和选择偏见的定量偏差分析,重点是它们对药物学人工学研究的相关性和应用。
墨西哥因 COVID-19 疫情而承受着沉重的负担。自 2020 年疫情爆发以来,许多研究都强调了土著人死于 COVID-19 的巨大风险。本研究旨在评估墨西哥土著语言使用者的 COVID-19 疫苗接种情况,重点了解他们在获得疫苗方面面临的障碍。我们使用了墨西哥全国代表性健康调查 Encuesta Nacional de Salud y Nutricio´n Continua (ENSANUT) 2022 来分析自我报告的 COVID-19 疫苗接种状况、未接种疫苗的原因和其他相关协变量的数据。我们采用逻辑回归来估计疫苗接种和接种障碍的优势比 (OR),所有模型都针对潜在混杂因素进行了调整。在 34,051 名参与者中,有 1793 人 (5.23%) 报告说自己讲土著语言。研究发现,与非土著语言使用者 (81%) 相比,土著语言使用者的疫苗接种率 (63%) 较低 (p < 0.005)。即使调整了混杂因素,他们接种 COVID-19 疫苗的可能性也低 59% (OR 0.41,95% CI 0.27–0.62)。在未接种疫苗的个体中,土著语言使用者更有可能以对疫苗的负面看法或恐惧作为不接种疫苗的理由 (OR 1.82,95% CI 1.11–3.00),而报告获取疫苗障碍的可能性较小 (OR 0.62,CI 95% 0.42–0.91)。这项研究强调了墨西哥土著语言使用者在 COVID-19 疫苗接种方面的差异。研究结果强调,迫切需要采取有针对性的、适合文化的公共卫生干预措施,并在优先接种疫苗时考虑社会和种族的脆弱性。