XiaoMi-AI文件搜索系统
World File Search System生存
基于神经网络的生存模型的发展和验证缺血性心脏病的死亡率
。cc-by-nc 4.0国际许可证是根据作者/资助者提供的，他已授予Medrxiv的许可证，以永久显示预印本。（未通过同行评审认证）
开发相互作用的交互式列图，以预测具有性障碍性障碍性ICU患者的短期生存
背景：性障碍性贫血是一种严重的血液学疾病，其标志是全年症和骨髓衰竭。ICU的入院通常反映了需要重症监护的疾病进展或并发症。预测这些患者的短期生存对于个性化治疗和资源优化至关重要。编号图为整合临床参数提供了一种实用的工具，提供了准确的可视化生存预测，以指导ICU中性贫血患者的决策。方法：使用模拟IV数据库，我们确定了被诊断为性贫血的ICU患者。从数千个可用的变量中，我们从五个维度上提取数据：人口统计学，合成指标，实验室事件，合并症和药物使用情况。基于现有的性质贫血研究，进一步完善了400多个变量，并应用了机器学习技术来确定建模的七个最有效的预测指标。使用机器学习方法进行预处理，这些预测因素的可行性通过其他分类和回归模型验证，验证方法是AUROC。此外，使用来自EICU协作研究数据库的数据进行了外部验证，以评估我们的模型的普遍性。使用逻辑回归（LR）构建了互动命名图，以预测患有同性血症患者的7天，14天和28天的死亡率。结果：这项研究中总共包括了1,662名被诊断为性贫血的患者，其中7：3的比例分为训练和测试队列。逻辑回归模型表现出强烈的预测性能，分别为7天，14天和28天死亡率预测的AUC值分别达到0.8227、0.8311和0.8298。使用EICU数据库的外部验证进一步证实了该模型的通用性，AUC值为0.7391、0.7119和0.7093。这些结果突出了该模型在预测性障碍性贫血患者短期生存方面的稳定性和有效性。结论：APS III领导的一组七个预测因子被证明可有效地建模性质贫血患者的短期生存。使用这些预测因素，COX和Logistic回归模型生成了列线图，这些图可以准确预测7天，14天和28天的死亡率。这些工具可以支持临床医生进行个性化的风险评估和决策。
增殖和生存（D012491）
课程增殖和生存是基于在生物医学科学第三阶段的人类发病机理，CEL和组织培养和人类遗传学期间获得的知识。课程本身构成了第二大师中精确医学的基础。本课程的目的是获取知识和洞察力，对导致癌细胞增殖增强的分子过程。此外，讨论了细胞死亡的细胞和分子方面，重点是癌细胞用来逃避程序性细胞死亡的生存机制。此外，还提供了特定技术的概述，这些技术目前用于研究癌细胞的生长和存活以及靶向异常细胞增殖或作为一种新型癌症治疗的概念。
使用种群生存能力分析和化石的研究...
摘要：种群下降和灭绝通常是由多种压力源驱动的。自公元1500年以来，预测的鸟类的全球灭绝率估计比长期背景平均水平至少高出80倍。pāteke/棕色蓝绿色（Anas Chlorotis）是新西兰Aotearoa的威胁性水禽，目前的人口为c。 2500，分布在两个残余人群和少数重新引入地点。自人类到来以来，帕特克的下降是由于栖息地的丧失和破碎，捕食和其他人为相互作用而导致的。两个残余人群之一位于Aotea大屏障岛上，自1980年代以来一直在下降。我们使用了种群生存能力分析和物种分布建模的组合来更好地理解（1）AOTEA下降的驱动因素，（2）最有可能降低灭绝风险的管理干预措施以及（3）Pāteke在Aotearoa跨Aotearoa的史前分布。我们的模型通过了来自AOTEA的七年密集监控数据以及全国分布的化石记录的结合。人口生存能力分析结果表明，在接下来的100年中，AOTEA上的Pāteke人口灭绝的可能性为46％，有99％的机会降至50个人的丰度低于50个人。管理应主要关注成人的生命阶段，因为保护这个阶段导致人口增长率最大。物种分布建模结果表明，从历史上看，帕特克在沿海的大部分Aotearoa中都存在。正如人口下降通常是多种压力源的结果一样，通常需要进行多种干预措施才能停止灭绝。对于Pāteke，这将意味着控制多种哺乳动物捕食者物种，改善栖息地质量，并在其前范围内重新建立人口。对于Pāteke，这将意味着控制多种哺乳动物捕食者物种，改善栖息地质量，并在其前范围内重新建立人口。
脂肪衍生的间充质干细胞对大鼠腹肌腹肌肌皮瓣的生存能力的影响
简介：腹肌腹肌肌皮（TRAM）皮瓣用于乳房重建，但涉及坏死的风险。脂肪组织衍生的间充质干细胞（ADSC）可用于刺激新血管形成并降低TRAM瓣坏死的风险。AIM：确定ADSC对大鼠的TRAM瓣生存力的影响。方法：将二十四个Wistar-Epm大鼠分布成三组（n = 8）。在所有动物中均进行右尾部的小束瓣，并且是小组电车进行的唯一手术。分别在α -MEM和α -MEM -SC组中分别进行了皮内注射α -MEM培养基和含有荧光标记的ADSC的α -MEM的α -MEM的其他程序。确定了皮瓣坏死的百分比，并分别使用免疫组织化学分析和荧光显微镜评估了TRAM皮瓣中干细胞中干细胞的分布水平。结果：在α -MEM -SC组中观察到的坏死百分比低于在组和α -MEM中观察到的，分别为23.36％和50.42％和53.57％（p <0.05）。在皮瓣的IV区中，α -MEM -SC组中血管数量的数量大于其他组（p <0.05）。多个干细胞。在组TRAM或α -MEM中观察到没有干细胞。结论：ADSC提高了TRAM襟翼生存力和大鼠皮瓣IV区的血管数量。
血小板减少症的发展与接受免疫治疗的患者的生存率提高有关
背景：免疫相关不良事件与免疫检查点抑制剂 (ICI) 的疗效相关。我们假设免疫介导的血小板减少症可能是对 ICI 反应的生物标志物。材料和方法：这项回顾性研究包括 215 名接受 ICI 治疗的转移性恶性肿瘤患者。患者按最低血小板计数分层。感兴趣的结果是无进展生存期和总生存期。结果：在多变量分析中，与未发生血小板减少症的患者相比，1 级血小板减少症与总生存期呈正相关（风险比 [HR] = 0.28 [95% CI：0.13–0.60]；p = 0.001），而 2-4 级血小板减少症则无此相关性（HR = 0.36 [95% CI：0.13–1.04]；p = 0.060）。血小板减少程度与无进展生存期无相关性。结论：有必要进行后续研究以证实血小板减少对接受 ICI 治疗患者的预测意义。
迈向精确肿瘤学：使用临床数据预测头部和颈部癌的死亡率和无复发生存
摘要 - 由于其异质性和高死亡率，头部和颈部鳞状细胞癌（HNSCC）在临床肿瘤学上提出了重大挑战。本研究旨在利用临床数据和机器学习（ML）原则来预测HNSCC患者的关键结果：死亡率和无复发生存。利用来自癌症成像档案的数据，实施了广泛的管道，以确保强大的模型培训和评估。合奏和包括XGBoost，随机森林和支持向量在内的单个分类器被用来开发预测模型。该研究确定了影响HNSCC死亡率结果并实现预测准确性和Roc-AUC值超过90％的关键临床特征。支持向量机在无复发生存方面表现出色，召回率为0.99，精度为0.97。关键的临床特征，包括机能控制，吸烟和治疗类型，被确定为患者预后的关键预测指标。这项研究强调了使用ML驱动的见解来提高Prog-Prog-准确性并优化HNSCC中的个性化治疗策略的医学影响。索引术语 - HHNSCC，精确肿瘤学，机器学习，临床结果，无复发生存，死亡率预测，个性化医学。
空间转录组学揭示了独特且保守的肿瘤核心和边缘结构，可预测生存和靶向治疗反应
致谢：本研究由 Ohson 研究计划和 Charbonneau 癌症研究所向 PB 提供的精确口腔生物学 (PROBE) 资助。我们感谢健康基因组学和信息学中心 (CHGI) 提供测序基础设施，以便对我们的 RNAseq 文库进行空间分析。我们要感谢卡尔加里大学高性能计算集群 (ARC) 提供数据分析基础设施。我们感谢 Danielle Simonot 帮助从阿尔伯塔癌症研究生物库 (ACRB) 检索组织。我们感谢 Christina Yang 帮助进行冷冻切片和载玻片制备以及对分析样本进行 H&E 染色。我们感谢 Mayi Arcellana-Panlilio 博士和 Guido van Marle 博士的极度指导和富有成效的反馈。我们要感谢 Arzina Jaffer 和 Keerthana Chockalingam 帮助设置生物信息学工具和提供生物信息学咨询。我们还要感谢患者及其家属同意为本研究提供组织。
survivalsl：从审查数据中进行生存预测的超级学习者
lib_coxall。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>13 lib_coxes。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>14 lib_coxelasso。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。16 lib_coxridge。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 lib_ph exppentential。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 lib_phgompertz。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 lib_phspline。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22 lib_plann。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24 lib_rsf。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 lib_snn。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27个指标。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 plot.libbsl。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30个情节。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32 plot.sltime。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33 Predive.libbsl。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34 predict.sltime。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35 print.libbsl。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36 print.sltime。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。37 ROC。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 38 summary.libbsl。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 39 summary.sltime。 。 。 。37 ROC。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。38 summary.libbsl。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。39 summary.sltime。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。41 roverivalsl。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 tunecoxaic。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。46 Tuncoxen。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 47 Tuncoxlassso。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 49 Tunecoxidge。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。46 Tuncoxen。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 Tuncoxlassso。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 49 Tunecoxidge。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。47 Tuncoxlassso。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49 Tunecoxidge。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。49 Tunecoxidge。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>50 tunepspspline。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>52 Tunepann。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 53 Tunersf。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>52 Tunepann。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>53 Tunersf。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>53 Tunersf。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。55 tunesnn。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。56
pembrolizumab治疗持续时间对晚期非小细胞肺癌的整体生存和预后因素的影响：全国回顾性队列研究
发现391,106例肺癌患者被鉴定出来，其中43,359例接受了晚期pembrolizumab的晚期疾病。男性有67％（29,040/43,359），诊断年龄的中位年龄为65岁。中位随访时间为25.9个月（最小值 - 最大，[0-97.6]），pembrolizumab启动后的总体生存期（OS）中位数第一线的中位数为15.7 [CI 95，15.3 - 16.0]。在多变量分析中，几个协变量与较差的OS独立相关，包括男性性别免疫疗法，年龄，医院类别，高剥夺指数，第一次pembrolizumab的住院住院治疗，以及糖尿病，糖尿病，利尿剂，贝塔阻滞剂，止痛药的病史。在pembrolizumab启动后29个月的里程碑时间，延续超过2年与OS相比，与固定的2年治疗更好，HR = 0.97 [0.75 - 1.26] p = 0.95。