XiaoMi-AI文件搜索系统
World File Search SystemATIC
在实时步行期间和中风后进行步行干预期间的大脑活动：系统评价
对步行过程中实时大脑激活的抽象研究对于有助于恢复中风后的步行越来越重要。个体的大脑激活模式可以是康复过程中神经可塑性的有价值的生物标志物，并且可以改善个性化医学以康复。该系统的目的 - 审查是通过确定在中风后行走过程中探索脑部激活特征：（1）如果步态的不同组成部分（即起始/加速度，稳态，稳态，复杂）会导致不同的脑部激活，（2）（2）脑部激活是否与健康的个体不同。搜索了6个数据库，从而进行了22项研究。启动/加速表现出在额叶区域的双侧激活；稳态和复杂的步行显示出广泛的激活，大多数探索和发现在额叶区域增加，一些研究也表明了顶叶激活的增加。不对称的激活通常与性能不对称性有关，并且在步态速度较慢的研究中更常见。过度激活和非对称激活通常会随着步行间的间隔而降低，并且步行性能的改善。过度激活通常在经历严重中风的个体中持续存在。只有三分之一的研究包括与健康群体的比较：与年轻人相比，中风后使用了更大的脑部激活，而与老年人的比较则不太清晰和有限。关键字：中风，大脑成像，步态，FNIRS，脑电图，FDG-PET，康复课程文献提出了步行恢复的一些指标，但是，未来的研究需要研究更多的大脑区域和与健康年龄匹配的成年人的比较，以进一步了解中风对步行相关的大脑激活的影响。
MMWR，2 剂 BNT162b2（辉瑞 BioNTech）mRNA 疫苗在 5-11 岁儿童和 12-15 岁青少年中预防 SARS-CoV-2 感染的有效性 — PROTECT 队列，2021 年 7 月至 2022 年 2 月
CDC 免疫实践咨询委员会于 2021 年 5 月 12 日建议 12-15 岁人群（本报告中称为青少年）接种 BNT162b2（辉瑞-BioNTech）mRNA COVID-19 疫苗，并于 2021 年 11 月 2 日建议 5-11 岁儿童接种 BNT162b2（辉瑞-BioNTech）mRNA COVID-19 疫苗。需要这些年龄组关于疫苗有效性（VE）的真实世界数据，特别是因为当 B.1.1.529（Omicron）变体于 2021 年 12 月在美国流行时，对 VE 的早期调查显示，该疫苗对 12-15 岁青少年和成人*（的症状性感染保护率下降）(5)。 PROTECT† 前瞻性队列包括 1,364 名 5-15 岁儿童和青少年，在 2021 年 7 月 25 日至 2022 年 2 月 12 日期间，每周对他们进行 SARS-CoV-2 检测（无论有无症状），并检测是否患有 COVID-19 相关疾病。在未接种疫苗的参与者（即未接种过 COVID-19 疫苗剂量的人）中，经实验室确诊感染 SARS-CoV-2 的人中，感染 B.1.617.2（Delta）变体的人报告 COVID-19 症状的可能性（66%）高于感染 Omicron 的人（49%）。在完全接种疫苗的 5-11 岁儿童中，接种辉瑞-BioNTech 疫苗第 2 剂后 14-82 天（该年龄组中接种第 2 剂后最长间隔时间）对任何有症状和无症状 Omicron 感染的 VE 为 31%（95% CI = 9%–48%），已根据社会人口统计学特征、健康信息、社交接触频率、口罩使用情况、地点和当地病毒传播情况进行调整。在 12-15 岁的青少年中，接种第 2 剂后 14-149 天的调整后 VE 对有症状和无症状 Delta 感染为 87%（95% CI = 49%–97%），对 Omicron 感染为 59%（95% CI = 22%–79%）。完全
三种超声检查方法对下肢深静脉血栓形成的诊断准确性：系统评价与荟萃分析
对于临床怀疑为深静脉血栓形成 (DVT) 的患者，诊断管理中一线影像学检查是压迫超声检查 (CUS)。从历史上看，造影静脉造影是 DVT 诊断的金标准，可评估下肢远端和近端深静脉。当 CUS 出现时，人们发现它对远端 DVT 的诊断准确率与静脉造影相比并不理想。然而，技术的进步使 CUS 能够更好地显示深静脉系统，目前，临床实践中交替使用三种 CUS 策略：单次有限、连续有限和整条腿 CUS。有限 CUS 也称为两点、快速或近端 CUS，由于仅评估下肢近端深静脉（即腘静脉或更近端的血管），因此更容易且更快速地执行。它可以采用单次或连续方法进行。后者包括在初次 CUS 阴性后 5 到 10 天进行第二次 CUS 检查，以评估可能的远端 DVT 是否已蔓延至近端静脉。全腿 CUS 也称为完整 CUS，是对下肢远端和近端深静脉的一次检查，从而检测远端和近端 DVT。它比有限 CUS 相对耗时且技术要求更高。因此，不同中心的可用性可能有所不同，取决于专业知识和繁忙急诊室的可行性。不同 CUS 策略的相对诊断性能尚不清楚。目前的指南对首选 CUS 策略的建议相互矛盾[1-5]。该指南主要基于策略之间的间接比较，因为该特定领域的个体内比较和随机试验很少。本系统回顾了已发表的文献并对报告结果进行了荟萃分析，旨在总结和比较单次有限、连续有限和整条腿 CUS 对 DVT 的诊断准确性。
机器学习是一种预测癌症患者血栓形成的诊断和预后工具：系统评价
摘要Khorana评分（KS）是一种用于预测癌症相关血栓形成的既定风险评估模型。但是，它忽略了几个危险因素，并且在某些癌症类型中的预测能力差。机器学习（ML）是一种新的技术，用于在特定诊断方式接受培训时，用于多种疾病的诊断和预后，包括与癌症相关的血栓形成。合并有关使用ML预测癌症相关血栓形成的文献对于了解其相对于KS的诊断和预后能力是必要的。这项系统评价旨在评估ML算法在癌症患者中预测血栓形成的当前使用和性能。这项研究是根据首选的报告项目进行的，以进行系统审查和荟萃分析指南。数据库MEDLINE，EMBASE，COCHRANE和CLINICALTRIALS.GOV搜索从成立到2023年9月15日，用于评估使用ML模型预测癌症患者血栓形成的研究。使用了搜索术语“机器学习”，“人工智能”，“血栓形成”和“癌症”。包括使用任何ML模型检查成人癌症患者的研究。两名独立的审阅者进行了研究选择和数据提取。筛选了300次引用，其中29项研究接受了全文综述，最终包括22,893例患者的8项研究。样本量范围为348至16,407例。血栓形成为静脉血栓栓塞（n¼6）或周围插入的中央导管血栓形成（n¼2）。癌症的类型包括乳房，胃，结直肠，膀胱，肺，食管，胰腺，胆汁，胆汁，前列腺，卵巢，卵巢，泌尿生殖器，头颈和肉瘤。所有研究都报告了有关ML的预测能力的结果。极端的梯度提升似乎是表现最好的模型，并且几个模型在其各自的数据集中的表现都优于KS。
工作场所母乳喂养的推动因素和障碍......
摘要简介英国没有保护员工获得母乳喂养设施的立法。没有特定的母乳喂养政策，获得工作设施的规定可能是不一致的，并且会对员工的母乳喂养持续时间，保留和士气产生负面影响，尤其是在多样化和苛刻的军事环境中工作的服务妇女。这是英国军队保留才华横溢和受过训练的士兵的重要政策领域。使用首选报告项目进行系统评价和荟萃分析陈述原则，PubMed，Embase，Cinahl和Pro-Quest数据库的方法进行了搜索，以获取与访问英国工作场所和高收入国家 /地区武装部队中适当的母乳喂养设施相关的研究。确定了作为障碍的因素，并确定了进入设施的障碍。英国政府和武装部队的网站被搜索有关现有政策和访问设施的指导的灰色文献。结果障碍和促成者可以从16项研究中获得访问，这是由三个主题领域描述的：对母乳喂养的态度，设施的规定和设施的使用。雇主可能影响的因素包括特定的母乳喂养政策，普遍的工作场所教育，合适的设施和个性化的乳房喂养计划。政策制定的关键领域是明确定义的责任；个性化的风险评估和母乳喂养计划；适当但灵活的设施提供和访问；相关工作场所的路标；和身体健康条款。结论提出了五个建议：乳房喂养政策的发展，实施和评估；普遍的工作场所母乳喂养教育；基于个人母乳喂养实践的母乳喂养风险评估和计划的需求；母乳喂养设施和通道的书面最小和理想的标准，这考虑了工作场所的位置；以及部署和身体健身测试的例外。
摘要
血管内电极阵列是内部电极输送的一种新型形式。植入的支架电极（Stentrode）设备目前正在瘫痪的患者中作为微创脑计算机界面（BCI）进行研究。的装置长期植入上矢状窦，通过跨颈间静脉连接到内部遥测单元，该遥测单元位于锁骨下袋中。患者的安全是对板岩设备的早期可行性研究的首要任务，特别是避免避免血栓栓塞事件，即支架血栓形成。虽然尚未植入导致严重的不良事件，但所有与血流接触的异物都有引起血栓形成的倾向。血栓形象的风险必须被口袋杂质的风险抵消。创建一个标准程序，固有地带有出血的风险。这可能会发展为临床上显着的血肿和相关的口袋感染，需要在管理中升级。当前缓解固定体相关的血栓形成风险的策略涉及给药预防双重抗血小板治疗（DAPT），在植入植入前5天启动并延长了3个月，随后是一年长的阿司匹林单疗法。该方案是根据SSS支架的颅内高血压支架的优选实践所改善的。我们筛选了3099篇文章，这是由于搜索3个数据基础而产生的。我们使用混合方法评估工具评估了偏差的风险。然而，颅内静脉鼻窦支架的理想抗凝血疗法尚未很好地定义，并且尚未考虑与锁骨下袋有关的额外风险。，我们进行了系统审查和荟萃分析，以在不同的抗血栓形成剂的背景下捕获这些风险中的每一个，以帮助确定最佳的抗血栓形成方案。在盲目的独立筛选后，我们从96篇文章中提取了数据，其中大多数报道了口袋血肿的风险。
接种 COVID-19 疫苗后出现格林-巴利综合征
关键临床信息 格林-巴利综合征 (GBS) 是一种罕见但可能发生的并发症，可能在接种 COVID-19 疫苗后发生。在本次系统评价中，我们发现患有格林-巴利综合征的患者平均年龄为 58 岁。症状出现的平均时间为 14.4 天。医疗保健提供者应注意这种潜在的并发症。摘要 大多数格林-巴利综合征 (GBS) 病例是由免疫刺激引起的，在接种破伤风类毒素、口服脊髓灰质炎和猪流感疫苗后发现。在这项系统研究中，我们调查了接种 COVID-19 疫苗后报告的 45 例格林-巴利综合征病例。基于 PRISMA 指南，我们于 2021 年 8 月 7 日在五个数据库（PubMed、Google Scholar、Ovid、Web of Science 和 Scopus 数据库）中搜索了关于 COVID-19 疫苗接种和 GBS 的研究。为了进行分析，我们将 GBS 变异型分为两组，即急性炎症性脱髓鞘性多发性神经病和非急性炎症性脱髓鞘性多发性神经病（AIDP 和非 AIDP），并将两组与 mEGOS 和其他临床表现进行比较。在本系统评价中，14 项研究纳入 29 例病例。10 例属于 AIDP 变异型，17 例为非 AIDP（1 例为 MFS 变异型，1 例为 AMAN 变异型，15 例为 BFP 变异型），其余 2 例未提及。接种 COVID-19 疫苗后，GBS 病例的平均年龄为 58 岁。GBS 症状出现的平均时间为 14.4 天。约 56% 的病例 (56%) 被归类为布莱顿 1 级或 2 级，这定义了 GBS 患者诊断确定性的最高水平。本系统评价报告了 29 例接种 COVID-19 疫苗后患上 GBS 的病例，特别是接种阿斯利康/牛津疫苗后的病例。需要进一步研究来评估所有 COVID-19 疫苗的副作用，包括 GBS。
出版版本引用（哈佛）：Tercero-Hidalgo, JR, Khan, KS, Bueno-Cavanillas, A, Fernández-López, R, Huete, JF, Amezcua-Prieto, C, Zamora, J & Fernández-Luna, JM 2022，“COVID-19 证据合成中的人工智能未得到充分利用，但有影响力：一项方法学研究”，《临床流行病学杂志》，卷。 148，第 124-134 页。 https://doi.org/10.1016/j.jclinepi.2022.04.027
目标：像大流行这样快速发展的情景需要迅速制作高质量的系统评价，而这可以使用人工智能 (AI) 技术实现自动化。我们评估了 AI 工具在 COVID-19 证据综合中的应用。研究设计：在前瞻性注册审查协议后，我们自动下载了 COVID-19 生活证据概览数据库中所有开放获取的 COVID-19 系统评价，为它们编制了与 AI 相关的关键字的索引，并找到了使用 AI 工具的评价。我们将他们的期刊的 JCR 影响因子、每月引用量、筛选工作量、完成时间（从预注册到预印本或提交给期刊）和 AMSTAR-2 方法评估（最高分 13 分）与一组没有 AI 的出版日期匹配的对照评论进行了比较。结果：在 3,999 篇 COVID-19 评论中，有 28 篇（0.7%，95% CI 0.47 e 1.03%）使用了 AI。平均而言，与对照组（n = 64）相比，AI 评论发表在影响因子更高的期刊上（中位数 8.9 vs. 3.5，P !0.001），每位作者筛选的摘要更多（302.2 vs. 140.3，P = 0.009）和每项纳入的研究（189.0 vs. 365.8，P !0.001），但每位作者检查的全文较少（5.3 vs. 14.0，P = 0.005）。在引用计数（0.5 vs. 0.6，P = 0.600）、每项纳入研究的全文检查（3.8 vs. 3.4，P = 0.481）、完成时间（74.0 vs. 123.0，P = 0.205）或 AMSTAR-2（7.5 vs. 6.3，P = 0.119）方面均未发现差异。结论：AI 是 COVID-19 系统评价中未充分利用的工具。与不使用 AI 的评价相比，使用 AI 可以更有效地筛选文献并提高出版影响力。AI 在系统评价自动化方面具有应用空间。2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http:// creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
肠道微生物组合物在肌肉减少症中发生了变化
越来越多的证据表明，肠道菌群（GM）通过多种途径（例如蛋白质合物，慢性炎症和免疫力）以及代谢不平衡的多种途径参与了肌肉骨骼疾病的病理生理学。我们对人类研究进行了系统综述和荟萃分析，以评估患有和没有肌肉核心的个体之间的GM多样性差异，并探索有可能成为生物标志物的细菌。PubMed，Embase和Cochrane库从成立到2024年2月16日进行系统地搜索。如果他们（1）对成年人进行了肌肉减少症，并且（2）进行了GM分析并报告了α-多样性，β多样性或相对丰度，则包括研究。通过乔安娜·布里格斯（Joanna Briggs）研究所的关键评估清单评估了包括研究的方法论质量和证据的确定性，分别用于分析横截面研究和建议，评估，开发和评估（等级）工作组系统的等级。加权标准化平均差异（SMD）和相应的95％置信区间（CI）。beta分歧性和GM的相对丰度被定性地汇总。本研究中总共包括了19项涉及6,565名参与者的研究。在84.6％的研究和97.3％的参与者中始终观察到β多样性的差异。对肌肉减少症的肠道微生物差异丰度的详细分析确定了肌肉减少症中普雷托氏菌，prevotella和megamonas的损失。与对照组相比，发现肌肉减少症参与者的微生物丰富度显着降低（CHAO1：SMD = -0.44; 95％CI，-0.64至-0.64至-0.23，I 2 = 57.23％，13％，13个研究；观察到：SMD = -0.68; 95％CI，-1.1.68; 95％ci，-1.1.68; 95％，-1.1.00 to -0.1.00 to-0.1.00 to -0.1.00 to -0.1.00 to.ci to -0.1.00 to.ci xi xi to.95％to.ci xi。 66.07％，5个研究; ACE指数：SMD = -0.30； 95％CI，-0.56至-0.04，I 2 = 8.12％，4个研究）结论性，发现肌肉减少症与GM的丰富度降低有关，并且补充上述肠道细菌可能有助于预防和治疗这种肌肉疾病。研究方案已在Prospero（CRD42023412849）中注册和批准。
帕金森病的机器学习模型
背景：随着数据，计算资源的可用性越来越多，机器学习（ML）越来越多地用于疾病检测和预测中，包括帕金森氏病（PD）。尽管每年进行了大量研究，但实际使用的ML系统很少。，缺乏外部有效性可能会导致这些系统在临床实践中的性能不佳。ML设计和报告中的其他方法论问题也可能会阻碍临床采用，即使对于将从此类数据驱动系统中受益的应用也是如此。目的：为了采样PD应用中当前的ML实践，我们对2020年和2021年发表的研究进行了系统的综述，该研究使用ML模型诊断PD或TRACK PD进展。方法：我们根据2020年1月至2021年4月之间的PubMed进行了Prisma（首选的系统审查和荟萃分析项目的首选报告项目），使用以下确切的字符串：使用以下确切的字符串：“帕金森氏症”和（“ ML”或“ ML”或“ Predictional”或“或“检测”或“人为”或“人为”或“人”或“ AI” AI II II，我们在PubMed进行了系统文献综述。搜索产生了1085个出版物。在搜索查询和审查后，我们发现了113个出版物，这些出版物将ML用于基于PD或PD相关症状的分类或基于回归的预测。结果：只有65.5％（74/113）的研究使用了持有测试集来避免潜在膨胀的准确性，而没有保留测试集的研究中，大约一半（25/46，54％）的研究并没有表明这是潜在的问题。令人惊讶的是，研究的38.9％（44/113）没有报告如何调整模型，而另外的27.4％（31/113）使用了临时模型调整，这通常在ML模型优化中皱眉。只有15％（17/113）的研究与其他模型进行了直接比较结果，严重限制了结果的解释。结论：本综述重点介绍了当前ML系统和技术的显着局限性，这些系统可能会导致研究中报告的性能与旨在检测和预测PD等疾病的ML模型的现实生活适用性之间的差距。