XiaoMi-AI文件搜索系统
World File Search SystemBiobank
对英国生物库队列的睡眠时间、失眠和大脑结构进行全面评估
睡眠对身心健康至关重要。睡眠不足或睡眠剥夺会导致血压升高 [1]、体重增加 [2、3]、糖尿病和心脏病风险增加 [4-6] 以及免疫系统功能障碍 [7]。就心理健康而言，睡眠问题（嗜睡症或失眠症）是许多精神疾病的特征，尤其是痴呆、精神分裂症、躁郁症、重度抑郁和焦虑症 [8-11]。睡眠具有多种功能，包括恢复大脑能量储备 [12、13]、清除清醒状态下的代谢副产物 [14-16] 以及维持注意力和记忆功能 [17-20]。一些研究已经探讨了睡眠与大脑结构之间的关系。 Lifebrain 联盟 (N = 1299) [21] 的研究表明，睡眠质量较低和存在睡眠问题与一生中海马体积减小有关，而 Framingham 心脏研究 (N = 2060) [22] 的研究表明，较长的睡眠时间与整体大脑体积较低有关。对于人类连接组计划 (N = 974) 的一个子样本，较短的睡眠时间及较差的睡眠质量与扣带回、中颞叶及眶额皮质部分皮质内髓鞘含量较低有关 [23]。在几个较小规模的研究中，
解锁医学的未来：生物库的作用
在医学研究和个性化医学的不断发展的景观中，生物库已成为重要的基石。这些生物样品的存储库以及相关数据在推进我们对疾病的理解，发现新疗法以及对个别患者的医疗干预措施方面起着关键作用。本文深入研究了生物库的世界，探讨了它们的意义，挑战，道德考虑以及它们塑造医疗保健未来的潜力。生物银行缩写的生物库是一个专业的设施，该设施存储和管理生物样品，例如组织，血液，DNA和其他体液，以及捐助者的全面临床和人口统计数据。这些存储库可以由学术机构，政府机构，制药公司或独立组织维护。这些从广泛的人群中收集样本和数据，从而实现了大规模的流行病学研究并确定对疾病的遗传倾向。专注于特定疾病或状况，这些生物库收集了来自受影响个体的样本和数据，以促进对该特定疾病的研究。学术机构和研究中心经常维持这些生物库来支持正在进行的研究项目，从而将其样本提供给科学界[1]。
评估吸烟对脑白质老化的因果影响：英国生物库的双样本孟德尔随机化分析
通讯作者： Shuo Chen，美国马里兰州巴尔的摩市马里兰大学医学院精神病学系马里兰精神病学研究中心。shuochen@som.umaryland.edu，Tianzhou Ma，美国马里兰州帕克市马里兰大学公共卫生学院流行病学和生物统计学系。tma0929@umd.edu。 作者贡献 Chen Mo：数据管理；形式分析；方法论；可视化；写作稿；写作评审和编辑。Jingtao Wang：形式分析；方法论；写作稿；写作评审和编辑。Zhenyao Ye：数据管理；方法论；可视化；写作稿；写作评审和编辑。Hongjie Ke：方法论；写作稿；写作评审和编辑。Song Liu：数据管理；写作评审和编辑。Kathryn Hatch：数据管理；写作评审和编辑。Si Gao：数据管理；写作-评论和编辑。Jessica Magidson：写作-评论和编辑。Chixiang Chen：写作-评论和编辑。Braxton D. Mitchell：写作-评论和编辑。Peter Kochunov：写作-评论和编辑。L. Elliot Hong：写作-评论和编辑。Tianzhou Ma：概念化；方法论；监督；写作-评论和编辑。Shuo Chen：概念化；资金获取；方法论；监督；写作-评论和编辑。
英国生物库和白厅II同伙的痴呆风险评分的老年精神病学发展和验证
抽象背景当前的痴呆症风险评分在始终如一地识别不同年龄和地理位置的处于危险中的个体方面取得了有限的成功。目的我们旨在使用两个同龄人：英国生物库和英国Whitehall II研究，为中年英国人口开发和验证新型痴呆症风险评分。方法，我们将英国生物库队列分为训练（n = 176 611，80％）和测试样本（n = 44 151，20％），并使用了Whitehall II队列（n = 2934）进行外部验证。我们使用Cox Lasso回归来从28个候选预测因子中选择最强的入射痴呆预测指标，然后使用竞争风险回归进行风险评分。调查结果我们的风险评分称为英国生物银行痴呆症风险评分（UKBDRS），包括年龄，教育，痴呆症的父母历史，材料剥夺，糖尿病，中风，抑郁，高血压，高胆固醇，家庭占用和性别的病史。分数在英国生物库测试样本（曲线下（AUC）0.8，95％CI 0.78至0.82）和白厅队列（AUC 0.77，95％CI 0.72至0.81）中具有很强的歧视精度。UKBDR还大大优于最初在澳大利亚同伙（澳大利亚国立大学阿尔茨海默氏病风险指数），芬兰（心血管风险因素，衰老和痴呆症评分）和英国（Dementia风险评分）的其他三个广泛使用的痴呆症风险评分。临床意义我们的风险评分代表了一个易于使用的工具，可以识别英国有痴呆症风险的人。需要进一步的研究来确定其他人群中该分数的有效性。
在英国生物银行和 Whitehall II 队列中开发和验证痴呆症风险评分
摘要 背景 目前的痴呆风险评分在持续识别不同年龄段和地理位置的高危人群方面效果有限。 目的 我们旨在开发和验证一种针对英国中年人口的新型痴呆风险评分，使用两个队列：英国生物银行和英国 Whitehall II 研究。 方法 我们将英国生物银行队列分为训练组（n=176 611，80%）和测试样本（n=44 151，20%），并使用 Whitehall II 队列（n=2934）进行外部验证。我们使用 Cox LASSO 回归从 28 个候选预测因子中选择最强的痴呆症预测因子，然后使用竞争风险回归开发风险评分。 结果 我们的风险评分称为英国生物银行痴呆风险评分 (UKBDRS)，包括年龄、教育程度、父母痴呆史、物质匮乏、糖尿病史、中风、抑郁、高血压、高胆固醇、家庭居住情况和性别。该评分在英国生物银行测试样本（曲线下面积 (AUC) 0.8，95% CI 0.78 至 0.82）和 Whitehall 队列（AUC 0.77，95% CI 0.72 至 0.81）中具有很强的判别准确度。UKBDRS 的表现还明显优于其他三个广泛使用的痴呆风险评分，这三个评分最初是在澳大利亚（澳大利亚国立大学阿尔茨海默病风险指数）、芬兰（心血管风险因素、衰老和痴呆评分）和英国（痴呆风险评分）的队列中开发的。临床意义我们的风险评分是一种易于使用的工具，可以识别英国有痴呆症风险的个体。需要进一步研究来确定该评分在其他人群中的有效性。
在英国生物库和Whitehall II队列的痴呆风险评分的发展和验证
抽象背景当前的痴呆症风险评分在始终如一地识别不同年龄和地理位置的处于危险中的个体方面取得了有限的成功。目的我们旨在使用两个同龄人：英国生物库和英国Whitehall II研究，为中年英国人口开发和验证新型痴呆症风险评分。方法，我们将英国生物库队列分为训练（n = 176 611，80％）和测试样本（n = 44 151，20％），并使用了Whitehall II队列（n = 2934）进行外部验证。我们使用Cox Lasso回归来从28个候选预测因子中选择最强的入射痴呆预测指标，然后使用竞争风险回归进行风险评分。调查结果我们的风险评分称为英国生物银行痴呆症风险评分（UKBDRS），包括年龄，教育，痴呆症的父母历史，材料剥夺，糖尿病，中风，抑郁，高血压，高胆固醇，家庭占用和性别的病史。分数在英国生物库测试样本（曲线下（AUC）0.8，95％CI 0.78至0.82）和白厅队列（AUC 0.77，95％CI 0.72至0.81）中具有很强的歧视精度。UKBDR还大大优于最初在澳大利亚同伙（澳大利亚国立大学阿尔茨海默氏病风险指数），芬兰（心血管风险因素，衰老和痴呆症评分）和英国（Dementia风险评分）的其他三个广泛使用的痴呆症风险评分。临床意义我们的风险评分代表了一个易于使用的工具，可以识别英国有痴呆症风险的人。需要进一步的研究来确定其他人群中该分数的有效性。
推定二甲双胍靶标对表型年龄和白细胞端粒长度的影响：使用英国生物银行数据的孟德尔随机化研究
公共卫生学院（S Luo Phd，C S L Chui Phd，C M Schooling Phd，S L Au Yeung教授），药理学与药学系（I C K Wong Phd教授）和护理学院（C S L CHUI），Li Ka Shing Shing Inderialt of Hong Kong Kong Kong Kong Kong Proseptial Andifarity Andial in n of Hong Kong Kong Special corame corame corame;英国伦敦伦敦大学学院药学学院实践与政策研究系（I C K Wong教授）；香港科学技术园，香港特殊行政区，中国的卫生数据发现实验室（C S L CHUI）；上海内分泌与代谢疾病研究所内分泌和代谢疾病系，中国上海上海大学医学院，中国上海医学院（J Zheng Phd教授）；上海国家代谢疾病临床研究中心，公关中国国家卫生卫生委员会的主要内分泌和代谢疾病实验室，上海内分泌肿瘤主要实验室，州医学基因组医学医学医院的重要实验室，上海jia Jiao jiao jiao tong tong in jiao tong tong jiao jiao tong英国布里斯托尔布里斯托尔大学布里斯托尔医学院的医学研究委员会综合流行病学部（J Zheng教授）；香港量子AI实验室，香港大学，香港特殊行政区，中国（Y Huang MPH）；美国纽约市纽约市公共卫生与健康政策学院（美国纽约州纽约教授）
血液蛋白水平预测英国生物库的主要事件疾病和死亡率
图1。对23种入射疾病和死亡率的蛋白质组学评估（n = 49,234）。 首先，单个COX比例危害（pH）模型用于概述基线蛋白分析物与入射疾病或死亡之间的关系。 在基本和完全调整的模型中都保留了P Bonferroni <5.4x10 -6的关联。 确定了与多种病因相关的蛋白质。 接下来，使用COX pH弹性净回归培训了蛋白质组学预测因子（蛋白质库），其中20个最少150例的事件结果。 使用随机列车和测试样品分配和情况：每个性状的对照比为1：3。 在测试集中选择了蛋白库，该蛋白库在5年或10年的发病率（根据特征的时间分布的适用性）中产生了中位数差异。 在基本模型中显着改善了AUC（p Bonferroni <0.0025）的11个蛋白质被前进，以进行更详细的协变量集进行分析。 HBA1C（一种临床使用的生物标志物）和多基因风险评分（PG）进一步检查了2型糖尿病蛋白库。对23种入射疾病和死亡率的蛋白质组学评估（n = 49,234）。首先，单个COX比例危害（pH）模型用于概述基线蛋白分析物与入射疾病或死亡之间的关系。在基本和完全调整的模型中都保留了P Bonferroni <5.4x10 -6的关联。蛋白质。接下来，使用COX pH弹性净回归培训了蛋白质组学预测因子（蛋白质库），其中20个最少150例的事件结果。使用随机列车和测试样品分配和情况：每个性状的对照比为1：3。蛋白库，该蛋白库在5年或10年的发病率（根据特征的时间分布的适用性）中产生了中位数差异。在基本模型中显着改善了AUC（p Bonferroni <0.0025）的11个蛋白质被前进，以进行更详细的协变量集进行分析。HBA1C（一种临床使用的生物标志物）和多基因风险评分（PG）进一步检查了2型糖尿病蛋白库。
生物银行对人工智能的准备情况
OpenAI 最近推出了语言和文本处理人工智能 (AI) 平台 ChatGPT，这显著提高了人们对 AI 的兴趣，并预示着机器和深度学习新时代的到来。AI 可以定义为一种自动化软件系统，它可以提取、编译和分析数据和领域知识，以呈现明智的、特定于上下文的输出。作为国际生物和环境资源库协会 (ISBER) 最佳实践第 5 版信息管理（数据、系统和网络）部分的贡献者，我们一直满怀期待地关注着 AI 在医疗保健、研究和生物银行领域的进展和实施。我们也看到了 ISBER 成员的同样兴奋，正如 ISBER 开放论坛上的积极讨论所表明的那样。根据其工程和功能，深度和机器学习 AI 平台有许多不同的类型和类别。尽管早在 20 世纪 50 年代，计算机科学领域就已描述了 AI，最早的 NIH 医学 AI 会议也于 1975 年举行，1 但直到最近，其使用中的一些技术限制才被克服，包括数据可用性，从而使其得到更广泛的应用。我们在日常生活中经常遇到 AI 驱动的程序，尽管在过去几年中我们可能并未完全意识到它们的存在。例子包括聊天机器人、语音助手（如亚马逊的 Alexa 或苹果的 Siri）以及基于筛选的算法（如乳房 X 线摄影中使用的算法），这些算法可以检测出可能表明需要更仔细检查的异常模式。成像算法可以通过持续使用进行学习，从而提高性能。最近，AI 已更广泛地融入医学和科学实践中。印度和美国已成功模拟了通过解读临床图像来筛查糖尿病视网膜病变的 AI 程序，2 泰国的全国性卫生系统也已实施了该筛查。3