XiaoMi-AI文件搜索系统
World File Search SystemMulticenter
AJ1 的多中心、开放标签、 1 期临床试验 - ...
1 – 纽约州纽约市西奈山伊坎医学院 Tisch 癌症研究所；2 – 俄亥俄州立大学，俄亥俄州哥伦布市；3 – 德克萨斯州休斯顿德克萨斯大学 MD 安德森癌症中心；4 – 俄亥俄州辛辛那提大学，俄亥俄州辛辛那提市；5 – 马萨诸塞州波士顿哈佛医学院丹娜法伯癌症研究所；6 – 加利福尼亚州帕洛阿尔托斯坦福大学；7 – 北卡罗来纳州夏洛特市 Atrium 莱文癌症研究所；8 – 马萨诸塞州波士顿麻省总医院；9 – 佛罗里达州坦帕市莫菲特癌症中心；10 – 北卡罗来纳州温斯顿塞勒姆维克森林浸信会综合癌症中心；11 – 密苏里州圣路易斯华盛顿大学医学院；12 – 纽约州纽约市纪念斯隆凯特琳癌症中心；13 – 堪萨斯大学14 - Ajax Therapeutics，马萨诸塞州剑桥和纽约州纽约市
评估Ki-67表达和大细胞含量作为MZL中的预后标记：多中心队列研究
边缘区域淋巴瘤（MZL）可以具有多样化的表现和病理特征，包括高KI-67表达（> 20％）以及增加的大B细胞数量（LC）。但是，可用的数据有限，证明了这些变量在MZL患者中的预后意义。在这项在10个中心接受MZL患者的多机构回顾性队列研究中，我们评估了KI-67表达的存在与LCS的存在与组织学转化的生存风险（HT）之间的关联。总共包括785例患者（60％的MZL外，有20％的Nodal MZL，脾脏MZL的20％）。在440例KI-67染色患者中，22％的KI-67（KI-67> 20％）。高KI-67患者的无进展生存期（PFS）为5。4年，而KI-67患者为7.0岁（HR = 1.45，95％CI = 1.03 - 2.05）。KI-67> 20％与高LDH水平密切相关。KI-67患者的HT风险高于没有患者（5年风险，9.8％，而3.87％，P = 0.01）。十二％的患者报告了活检的LC，其中6％的LC> 10％。LC的存在与高KI-67（P <0.001）有关，但与较短的PFS或总生存期（OS）无关。与没有LC的患者相比，LC患者的HT累积风险更高（5年风险，9.4％，2.9％，P = 0.04）。接受基于蒽环类药物的治疗均未影响任何一组的PFS或OS。KI-67染色> 20％是生存率较差的预后因素，并且与LDH升高密切相关。应研究新的疗法，以克服MZL中的高风险特征的潜在能力。我们的数据增强了在复发或进展中获得活检的重要性，尤其是在基线高基-67和LCS增加的患者中，鉴于其HT的风险增加。
Zanubrutinib，obinutuzumab和Venetoclax（Boven）的多中心II期试验在没有治疗的慢性淋巴细胞性白血病中：
Jucking D. Soumarai 1，Ahmet Dog 2，Sysha 2，Chaley Flahery 2，圣诞斜坡2，Carter 2，以法莲汉密尔顿2，Ariela Noy 2，Coletete N. Owent 2，M。Speers妇女2，Stuive 2，Islam Philiy 2，Islam Griot 2，Ghiione Group Loenzo Falchi 2，J。EdgeHaydu 1，P。ConnorJohnson Johnson 1，Joanana Pendleton 2，Allsa Pumbare 2，12 ，摩根·乔恩（Morgan Chone） Allyson Jacob 5，Abedel-Wahab 2，Andrew D. Zelentz
肥厚性心肌病患者的心肌疤痕和心脏猝死一项多中心队列研究
Raymond H. Chan，医学博士，MPH； Laurine van der Wal，医学博士；医学博士Gabriela Liberato；医学博士Ethan Rowin；乔纳森·索斯洛（Jonathan Soslow），医学博士；医学博士Shiraz Maskatia；医学博士Sherwin Chan；医学博士Amee Shah；马克·福格尔（Mark Fogel），医学博士；医学博士Lazaro Hernandez；医学博士Shafkat Anwar； Inga Voges，医学博士；马库斯·卡尔森（Marcus Carlsson），医学博士； Sujatha Buddhe，医学博士；医学博士Kai Thorsten Laser；医学博士Gerald Greil； Emanuela ValsangiaComo-Buechel，医学博士； Iacopo Olivotto，医学博士；医学博士Derek Wong；马里兰州柯卢拉·沃尔夫（Cordula Wolf）； Heynric Grotenhuis，医学博士；医学博士Carsten Rickers；医学博士Kan Hor；医学博士Tobias Rutz；医学博士谢尔比·库蒂（Shelby Kutty）；玛格丽特·萨明（Margaret Samyn），医学博士；蒂法尼·约翰逊（Tiffanie Johnson），医学博士；医学博士Keren Hasbani；杰里米·P·摩尔（Jeremy P. Moore），医学博士；马里兰州Ludger Sievering；乔恩·德特里奇（Jon Deetterich），医学博士；罗德里戈·帕拉（Rodrigo Parra），医学博士；马里兰州Paweena Chungsomprysong；医学博士Olga Toro-Salazar； Arno A. W. Roest，医学博士； Sven Dittrich，医学博士；亨里克·布伦（Henrik Brun），医学博士；约瑟夫·斯宾纳（Joseph Spinner），医学博士； Wyman Lai，医学博士； Adrian Dyer，医学博士；罗伯特·贾布洛诺夫斯克（Robert Jablonowsk），医学博士； Christian Meierhofer，医学博士； Dominik Gabbert博士；米兰PRSA，医学博士； Jyoti Kandlikar Patel，医学博士；医学博士Andreas Hornung；医学博士Simone Goa Diab；马里兰州Aswathy Vaikom House；医学博士Harry Rakowski；医学博士Lee Benson；马里·马龙（Martin S. Maron），医学博士； Lars Grosse-Wortmann，医学博士 div>Raymond H. Chan，医学博士，MPH； Laurine van der Wal，医学博士；医学博士Gabriela Liberato；医学博士Ethan Rowin；乔纳森·索斯洛（Jonathan Soslow），医学博士；医学博士Shiraz Maskatia；医学博士Sherwin Chan；医学博士Amee Shah；马克·福格尔（Mark Fogel），医学博士；医学博士Lazaro Hernandez；医学博士Shafkat Anwar； Inga Voges，医学博士；马库斯·卡尔森（Marcus Carlsson），医学博士； Sujatha Buddhe，医学博士；医学博士Kai Thorsten Laser；医学博士Gerald Greil； Emanuela ValsangiaComo-Buechel，医学博士； Iacopo Olivotto，医学博士；医学博士Derek Wong；马里兰州柯卢拉·沃尔夫（Cordula Wolf）； Heynric Grotenhuis，医学博士；医学博士Carsten Rickers；医学博士Kan Hor；医学博士Tobias Rutz；医学博士谢尔比·库蒂（Shelby Kutty）；玛格丽特·萨明（Margaret Samyn），医学博士；蒂法尼·约翰逊（Tiffanie Johnson），医学博士；医学博士Keren Hasbani；杰里米·P·摩尔（Jeremy P. Moore），医学博士；马里兰州Ludger Sievering；乔恩·德特里奇（Jon Deetterich），医学博士；罗德里戈·帕拉（Rodrigo Parra），医学博士；马里兰州Paweena Chungsomprysong；医学博士Olga Toro-Salazar； Arno A. W. Roest，医学博士； Sven Dittrich，医学博士；亨里克·布伦（Henrik Brun），医学博士；约瑟夫·斯宾纳（Joseph Spinner），医学博士； Wyman Lai，医学博士； Adrian Dyer，医学博士；罗伯特·贾布洛诺夫斯克（Robert Jablonowsk），医学博士； Christian Meierhofer，医学博士； Dominik Gabbert博士；米兰PRSA，医学博士； Jyoti Kandlikar Patel，医学博士；医学博士Andreas Hornung；医学博士Simone Goa Diab；马里兰州Aswathy Vaikom House；医学博士Harry Rakowski；医学博士Lee Benson；马里·马龙（Martin S. Maron），医学博士； Lars Grosse-Wortmann，医学博士 div>
来自随机，多中心的早期安全数据...
1美国纽约州瓦尔哈拉市威彻斯特医疗中心； 2号俄亥俄州立大学，美国俄亥俄州哥伦布； 3美国宾夕法尼亚州费城的托马斯·杰斐逊大学； 4美国密歇根州底特律的亨利·福特医院；美国纽约州纽约市莱诺克斯山医院5； 6宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州健康； 7，美国纽约州西奈山； 8扎克医学院在美国纽约州曼哈塞特的霍夫斯特拉/诺斯韦尔； 9美国北岸大学医院的诺斯韦尔，美国纽约州曼哈西特； 10泽西海岸大学医学中心，美国新泽西州海王星； 11 Weill Cornell Medicine，美国纽约，美国；美国马萨诸塞州波士顿市12塔夫茨医疗中心； 13美国纽约州布朗克斯的蒙特菲奥尔爱因斯坦； 14威斯康星大学，美国威斯康星州麦迪逊； 15美国纽约州纽约市纪念斯隆·凯特林癌症中心； 16美国新罕布什尔州黎巴嫩达特茅斯希区柯克医疗中心； 17哥伦比亚大学，纽约，美国纽约； 18北卡罗来纳大学，美国北卡罗来纳州教堂山； 19号布朗大学/罗德岛医院，美国罗德市普罗维登斯； 20宾夕法尼亚州宾夕法尼亚大学，美国宾夕法尼亚州； 21梅奥诊所 - 美国佛罗里达州杰克逊维尔杰克逊维尔； 22 Imvax，Inc。，美国宾夕法尼亚州费城 *介绍作者； †相应的作者1美国纽约州瓦尔哈拉市威彻斯特医疗中心； 2号俄亥俄州立大学，美国俄亥俄州哥伦布； 3美国宾夕法尼亚州费城的托马斯·杰斐逊大学； 4美国密歇根州底特律的亨利·福特医院；美国纽约州纽约市莱诺克斯山医院5； 6宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州健康； 7，美国纽约州西奈山； 8扎克医学院在美国纽约州曼哈塞特的霍夫斯特拉/诺斯韦尔； 9美国北岸大学医院的诺斯韦尔，美国纽约州曼哈西特； 10泽西海岸大学医学中心，美国新泽西州海王星； 11 Weill Cornell Medicine，美国纽约，美国；美国马萨诸塞州波士顿市12塔夫茨医疗中心； 13美国纽约州布朗克斯的蒙特菲奥尔爱因斯坦； 14威斯康星大学，美国威斯康星州麦迪逊； 15美国纽约州纽约市纪念斯隆·凯特林癌症中心； 16美国新罕布什尔州黎巴嫩达特茅斯希区柯克医疗中心； 17哥伦比亚大学，纽约，美国纽约； 18北卡罗来纳大学，美国北卡罗来纳州教堂山； 19号布朗大学/罗德岛医院，美国罗德市普罗维登斯； 20宾夕法尼亚州宾夕法尼亚大学，美国宾夕法尼亚州； 21梅奥诊所 - 美国佛罗里达州杰克逊维尔杰克逊维尔； 22 Imvax，Inc。，美国宾夕法尼亚州费城 *介绍作者； †相应的作者
标题：ECARTV5的多中心开发和预期验证：梯度增强机器学习预警得分作者：Matthew M. Chu
6 Department of Medicine, Loyola University Medical Center, Chicago, IL 7 Department of Emergency Medicine, University of Wisconsin-Madison, Madison WI 8 BayCare, Clearwater, FL 9 Department of Medicine, Yale University, New Haven, CT Corresponding author: Matthew M Churpek, MD, MPH, PhD Email: mchurpek@medicine.wisc.edu Financial support used for the study: This work was supported by funding根据其研究创新与风险投资部（DRIVE）的一部分，来自美国国立卫生研究院（PI：MMC； R01HL157262）和生物医学高级研发局（Barda），作为其研究创新与风险投资部（DRIVE）的一部分。披露和利益冲突：Drs。Churpek和Edelson是获得患者风险评估专利（US11410777）专利的发明者，并从芝加哥大学获得此知识产权的特许权使用费。Edelson博士受雇，并在Agilemd拥有股权，该股份销售和分发Ecart。关键字：预警评分；临床恶化；机器学习；快速响应系统；人工智能抽象词计数：283主要文字字数：2,999
标题：ECARTV5的多中心开发和验证：机器学习预警得分作者：Matthew M. Churpek，医学博士，MPH，MPH，PHD，ATSF 1,2
6 Department of Medicine, Loyola University Medical Center, Chicago, IL 7 Department of Emergency Medicine, University of Wisconsin-Madison, Madison WI 8 BayCare, Clearwater, FL 9 Department of Medicine, Yale University, New Haven, CT Corresponding author: Matthew M Churpek, MD, MPH, PhD Email: mchurpek@medicine.wisc.edu Financial support used for the study: This work was supported by funding根据其研究创新与风险投资部（DRIVE）的一部分，来自美国国立卫生研究院（PI：MMC； R01HL157262）和生物医学高级研发局（Barda），作为其研究创新与风险投资部（DRIVE）的一部分。披露和利益冲突：Drs。Churpek和Edelson是获得患者风险评估专利（US11410777）专利的发明者，并从芝加哥大学获得此知识产权的特许权使用费。Edelson博士受雇，并在Agilemd拥有股权，该股份销售和分发Ecart。关键字：预警评分；临床恶化；机器学习；快速响应系统；人工智能抽象词计数：283主要文字字数：2,999
虚拟现实运动认知训练对认知脆弱者的影响：多中心随机对照试验
背景：认知脆弱是指临床综合征，其中身体虚弱和轻度认知障碍并存。运动认知训练和虚拟现实（VR）已被用来推出各种治疗方式，以促进老年人的健康。文献主张的是，运动认知训练和VR有效地促进老年人的认知和身体功能。但是，对认知脆弱的老年人的影响尚不清楚。目的：本研究检查了VR运动认知训练（VRMCT）对全球认知功能，身体脆弱，步行速度，视觉短期记忆，认知干扰的抑制和执行功能的影响。方法：本研究使用了多中心的，评估者盲，2-平行组随机对照试验设计。参与者是在8个老年人社区中心面对面招募的。符合条件的参与者年龄≥60岁，社区住宅具有认知能力，没有痴呆症，并且没有受到限制。在干预小组中，参与者接受了由干预主义者领导的VRMCT，每周两次进行16个小时的培训课程，持续8周。在对照组中，参与者获得了老年人社区中心提供的通常的护理，调查人员没有干扰。主要结果是全球认知功能。次要结果包括身体上的脆弱，步行速度，言语短期记忆，认知干扰的抑制和执行功能。在基线（T0）和干预后的一周（T1）收集数据。广义估计方程用于检查组，时间和相互作用（时间×组）对结果的影响。结果：总共有293名合格的参与者参加了研究。参与者的平均年龄为74.5（SD 6.8）年。大多数参与者是女性（229/293，78.2％），已完成初等教育（152/293，52.1％），已婚（167/293，57.2％），与朋友一起生活（127/293，43.3％），没有VR经验（232/293，79.5％）。在干预组中，有81.6％（119/146）的参与者参加了会议总数的80％（13/16，81％）。一定数量的参与者经历了VR疾病症状（1/146，0.7％至5/146，3％）。vrmct可有效促进全球认知功能（交互作用：p = .03），略有促进执行功能（交互作用效果：p = .07）和降低脆弱性（交互作用效果：p = .03）。这些影响对其他结果没有统计学意义。
用于深度学习脑转移瘤自动分割的多中心隐私保护模型训练
目标：本研究旨在探索多中心数据异质性对深度学习脑转移瘤 (BM) 自动分割性能的影响，并评估增量迁移学习技术，即学习而不遗忘 (LWF)，在不共享原始数据的情况下提高模型通用性的有效性。材料和方法：使用了来自埃尔朗根大学医院 (UKER)、苏黎世大学医院 (USZ)、斯坦福大学、加州大学旧金山分校、纽约大学 (NYU) 和 BraTS Challenge 2023 的总共六个 BM 数据集。首先，分别针对单中心专项训练和混合多中心训练建立 DeepMedic 网络的 BM 自动分割性能。随后评估了隐私保护双边合作，其中将预训练模型共享到另一个中心以使用迁移学习 (TL) 进行进一步训练（带或不带 LWF）。结果：对于单中心训练，在相应的单中心测试数据上，BM 检测的平均 F1 分数范围为 0.625（NYU）至 0.876（UKER）。混合多中心训练显著提高了斯坦福大学和纽约大学的 F1 分数，而其他中心的改善可以忽略不计。当将 UKER 预训练模型应用于 USZ 时，在组合 UKER 和 USZ 测试数据上，LWF 获得的平均 F1 分数 (0.839) 高于朴素 TL (0.570) 和单中心训练 (0.688)。朴素 TL 提高了灵敏度和勾勒准确度，但损害了精度。相反，LWF 表现出令人称赞的灵敏度、精度和勾勒准确度。当应用于斯坦福大学时，观察到了类似的表现。结论：数据异质性（例如，不同中心的转移密度、空间分布和图像空间分辨率的变化）导致 BM 自动分割的性能不同，对模型的通用性构成挑战。LWF 是一种很有前途的点对点隐私保护模型训练方法。
评估CRISPR-CAS9基因编辑在转移性黑色素瘤中的个性化肿瘤病毒疗法的功效：一项纵向多中心研究
转移性癌是一种侵略性的皮肤癌，由于其高死亡率和有限的补救选择，在治疗方面提出了重大挑战。本文提出了一项纵向多中心研究，旨在估算CRISPR-CAS9基因编辑的效果，以证实转移性癌中的溶瘤传播疗法。该研究旨在评估这种创新方法的安全性，可行性和补救性，该方法结合了基因编辑的完美与溶瘤传播的挑剔性质。该研究的设计涉及保留从多个中心诊断为转移性癌的病例。排泄样本，以识别与投诉相关的特定基因突变。crispr- cas9技术将用于靶向和修改这些可继承的差异，从而增强了溶瘤传染的能力，以专门靶向和破坏癌细胞。修改后的传染病将使用彩色递送样式（类似于肿瘤内注射或全身输注）对案例进行管理。在整个研究中，将进行临床和分子评估，以涵盖治疗反应和隐式副商品。