XiaoMi-AI文件搜索系统
World File Search SystemKawa
引用：Tsuno T，Fujimiya T，Kawaguchi T等。使用阿片类镇痛药治疗晚期
摘要简介阿片类镇痛药对于治疗癌症疼痛至关重要。但是，由于担心成瘾和依赖性，患者有时不愿使用它们。阿片类药物给药后快速缓解疼痛可能有助于克服阿片类镇痛药的心理障碍。本研究旨在确定晚期复发性癌症患者的心理抗药性与强烈的阿片类镇痛药的耐药性和缓解速度之间的关系。方法和分析这种持续的，多中心的观察性研究招募了20岁或20岁以上的患者，患有远处转移或晚期复发性癌症，首次接受强烈的阿片类镇痛药，以治疗癌症疼痛。所有的住院和门诊都从五家日本医院招募。我们正在研究这些患者在治疗开始时的心理障碍与缓解疼痛的关系之间的关系。主要结果是日本版本的基线障碍问卷-II得分。次要结果是心理障碍与强烈的阿片类镇痛药的使用与随着时间的推移疼痛的变化之间的关系。要求参与者在治疗的第一周每天填写电子患者报告的结果。样本量是根据使用强大的阿片类镇痛药的研究开始前一年确定的，符合资格标准，并有望同意参加该研究。试用注册号UMIN000042443。伦理和传播该协议得到了2020年8月24日在横滨城市大学的伦理委员会（批准ID ID B200600091）批准。该协议已由四个参与研究站点的机构审查委员会进行了审查。结果将在经过同行评审的期刊上发布，并将在相关会议上介绍。
川崎病的表观遗传学
川崎疾病（KD）是儿童中常见的高温多系统性炎症性疾病，优先影响冠状动脉动脉。患有KD的儿童患有冠状动脉动脉瘤的儿童患有终身性冠状动脉疾病的风险。固有易感性KD的假设得到了流行病学证据的支持，这些证据表明，某些种族和先前在兄弟姐妹或父母的KD史的儿童中疾病发展的风险增加。然而，集群，季节性变化和非常低的复发风险中发生病例表明疾病发展的触发因素（例如感染）。调节基因表达的表观遗传机制可以合理地解释KD中遗传和获得性倾向因子之间的联系。表观遗传因子的分析也可以用于得出KD中的生物标志物来诊断和预后。此外，表观遗传机制也可以帮助药物基因组学有助于靶向疗法的发展。在这篇综述中，我们分析了有关表观遗传因素（例如甲基化，微RNA和长期非编码RNA）的可用文献，并讨论了这些机制如何帮助我们更好地了解疾病的发病机理并推动KD中新生物标志物的发展。
口服分子靶向药物血液药物浓度的临床重要性对于肾细胞癌Shinya takasaki 1，Yoshihide Kawasaki 2，
摘要 - 目的：治疗药物监测（TDM）被广泛用于临床实践中，以最大程度地提高药物疗效并最大程度地减少毒性。目前，它在使用口服分子靶向药物方面也进行了实践。这项研究的目的是评估测量用于治疗肾细胞癌（RCC）的口服分子靶向药物的全身浓度的临床重要性。方法：口服分子靶向药物的全身浓度索拉非尼，舒尼替尼，阿昔替尼，帕索帕尼和用于RCC的Everolimus对治疗干预措施有用，并追溯地评估了临床结果。结果：在87个中的26个中确认了全身药物浓度的干预使用，并提出了它们的类别。Sunitinib的全身浓度可用于减少剂量和/或停药（n = 10），剂量升级（n = 3）和依从性监测（n = 2）。在降低剂量的10例患者中，有9名表现出降低的不良事件。两名介入依从性监测仪的患者表现出改善的依从性。确认了Axitinib，减少剂量和/或停用（n = 1）和剂量升级（n = 6）。确认了Pazopanib，剂量降低和/或停药（n = 1）和药物相互作用检测（n = 1），证实它们均已减少不良事件。确认了依维莫司，减少剂量和/或停药（n = 1）和药物相互作用检测（n = 1），从不良事件中恢复了剂量减少的患者。未确定索拉非尼的干预措施。结论：这项研究表明，针对RCC的口服分子靶向药物的全身浓度被认为在临床上可用于剂量调整，监测治疗依从性和检测药物相互作用。此外，这些信息可以成功地用于指导个性化的治疗，以最大程度地提高这些药物的抗肿瘤作用。引言肾细胞癌（RCC）是最常见的肾癌类型，被分子靶向药物和免疫检查点抑制剂广泛治疗（1）。分子靶向药物包括酪氨酸激酶抑制剂（TKI）和雷帕霉素抑制剂（MTORI）的机械靶标，它们以不同的作用模式显示抗肿瘤作用（1，2）。tkis与酪氨酸激酶结合，并阻止促进RCC生长和增殖的信号，而MTORI阻止了磷酸盐的转移和缓慢的肿瘤生长（1，2）。在日本，TKIS Sorafenib，Sunitinib，Axitinib，Pazopanib和Cabozantinib以及Mtori Everolimus和Temsirolimus用于RCC治疗（3，4）。尽管这些靶向药物显示出更高的客观反应率，并且比其他药物更延长了中值无进展的生存率，但它们会引起各种不良事件
脚手架ADHD Brain Berger，I.，Dakwar-Kawar，O ...
博士I. Berger，医学博士Assuta Ashdod大学医院健康科学学院，本盖伊大学本·古里安大学7 Harefua St. Ashdod，以色列电话：+972（0）25852300电子邮件地址：dr.itai.itai.berger@gmail@gmail.com
2.5D/3D 封装和异构集成的技术趋势 Masaya Kawano 新加坡 A*STAR 微电子研究所，kawanom@ime.a-st
除了使用有机基板封装外，为了克服尺寸限制，人们还提出了新的封装技术并将其应用于半导体产品。晶圆级封装 (WLP) 和扇出型晶圆级封装 (FOWLP) 的开发是为了通过采用晶圆工艺而不是基于层压的工艺来进一步缩小封装尺寸。对于亚微米互连，还提出了通过 Si 中介层 (TSI) 进行互连，并用于高密度 2.5D/3D 封装，其中 Cu BEOL 互连可用作再分布层 (RDL)。热压键合 (TCB) 目前用于 2.5D/3D 组装，然而，混合键合将是进一步缩小芯片连接尺寸的关键推动因素，这将在后面讨论。英飞凌于 2006 年提出了一种称为嵌入式晶圆级球栅阵列 (eWLB) 的 FOWLP [1]，该技术于 2009 年转让给 STATS ChipPAC 进行批量生产。台积电开发了另一种类型的 FOWLP，称为
全局收敛修正牛顿法用于直接最小化 Ohta-Kawasaki 能量及应用于二嵌段共聚物的定向自组装
嵌段共聚物 (BCP) 是由通过共价键连接的化学性质不同的单体的子链或嵌段组成的聚合物，每个嵌段都是一系列相同单体的线性序列。大量一种类型的嵌段共聚物的集合称为熔体。在高温下，不可压缩熔体中的嵌段会均匀混合。随着温度降低，不同的嵌段会分离，并导致称为微相分离的过程。BCP 熔体的微相分离导致中观尺度多相有序结构的自组装，如片层、球体、圆柱体和螺旋体 [1, 5, 26]。微相分离可进一步由在下面表面形成的化学和/或拓扑图案化模板引导，从而实现复杂纳米结构的设计。该过程称为 BCP 的定向自组装 (DSA)。设计 BCP 的 DSA 以复制具有所需特征的纳米结构在纳米制造应用中非常有吸引力 [4, 31, 40, 45]。已证明，BCP 的 DSA 的计算研究在确定材料特性、薄膜厚度、聚合物-基底相互作用和几何限制对自组装过程的影响方面非常有价值 [23, 34, 48, 49]。BCP 熔体的微相分离连续模型 [37]，如自洽场论 (SCFT) 模型、Ohta-Kawasaki (OK) 模型和 Swift-Hohenberg 模型，使得以相对较低的计算成本探索由 DSA 过程形成的纳米结构空间成为可能。它们通常用于与 BCP 的 DSA 相关的设计和逆问题 [ 21 , 27 – 29 , 32 , 36 , 43 ]。为了进一步降低计算成本，必须开发快速而强大的算法来获得模型解，特别是因为在解决设计和逆问题的过程中必须反复求解模型。在本文中，我们重点研究了二嵌段共聚物（具有两个
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
MTA-川崎-合同-R34211.pdf
合同条款和条件 第 1 章 一般规定和定义 条款 页码 101 协议 1 102 定义 1 103 通知和文件传送 28 104 项目描述 29 105 政府对财产的权利 29 106 专利、版权等侵权索赔 36 107 分租或转让需政府同意 40 108 分包商和供应商 41 109 承包商提供拟议工作计划 43 110 合同文件的优先顺序 44 111机密信息、批准出版 44 报告和新闻稿 第 2 章 交付和验收 201 一般时间考虑 48 202 设备的提货和交付 48 203 完成时间/交付时间表 48 204 违约金 50 205 延长时间 52 206 延长时间不累计 54 207 验收 55 208 拒绝 58 209 停工命令 58 210 主管部门为方便而终止 59 211 设备所有权 60 第 3 章 价格和付款 301 金额包括的内容和应付的价格 61 302 可变数量条款 61 303 向承包商付款 62 304 最终完成认证 85 305 禁止反言 86 306 禁止弃权 86 307 作为释放的最终付款 86 308 与担保/保证义务相关的付款 87 309 抵销、预扣和扣除 87