XiaoMi-AI文件搜索系统
World File Search SystemNOMOGRAM
主癌调节剂PIN1在癌症的发展和治疗中的作用
T2DM, a widespread chronic metabolic condition, is predominantly identi fi ed by elevated levels of glucose in the blood.This condition stems from a dual complication: the body ' s resistance to insulin and a de fi ciency in insulin production ( 1 ).根据国际糖尿病联合会截至2021年9月的报告，估计2019年糖尿病的全球发病率为9.3％（涉及4.63亿人），预测表明，预测显示到2030年，到2030年，达到10.9亿人口，达到10.9亿人（占2045人）（占2045年）。Notably, approximately 90% of these cases are identi fi ed as T2DM ( 2 ).这种惊人的人物表明对医疗保健基础设施和被诊断为疾病的人的生活产生了重大影响。T2DM患者经常经历DPN，这是一种严重的并发症，其特征是从四肢向内逐渐降低神经功能（3）。在30-50％的T2DM患者中，这种情况普遍存在，导致了显着的后果，例如身体障碍和潜在的严重神经性疼痛（3-5）。除了对生活质量产生负面影响并增加轻伤的可能性，这可能会升级为严重的感染甚至截肢（6），DPN的存在与糖尿病患者中的各种原因，包括心血管问题在内的各种原因，包括心血管疾病的各种原因显着相关（7）。Despite this, awareness of DPN among diabetic individuals remains inadequate.明确而迫切需要使用包容性，易于导航的工具，该工具巩固了T2DM中DPN识别的风险因素，从而促进了每个患者的精确风险评估。拟议图越来越被认为是临床风险评估中的有效工具，因为它们在将各种变量整合到具有凝聚力和视觉上可理解的仪器中的提高效率。我们的假设是，基于列诺图的模型，包括各种临床，人口统计和实验室参数，将发展为一个全面的预测模型，从而有效地估计了DPN风险。这项研究的目的是通过创建和验证T2DM患者的DPN预测的诺明图来弥合显着的研究差距，从而促进对高风险患者的早期鉴定，并为初始临床干预提供可靠的指南。
比较机器学习算法和小儿创伤性脑损伤的术中颅内损伤的可预测性
目的是讨论了头部CT检查的过度使用，尤其是那些因脑部造成轻微创伤的脑损伤（TBI）。在破坏性时代，机器学习（ML）是在神经外科各个领域使用和应用的预测工具之一。这项研究的目的是比较ML和nom图之间的预测性能，这是TBI儿童颅CT后颅内损伤的另一种预测工具。将来自964名TBI儿科患者的方法数据随机分为训练数据集（75％），以进行超疗法调整和来自14个临床参数的监督学习，而其余数据（25％）用于销售目的。此外，从具有相似参数的训练数据集开发了一个nom图。因此，通过基于Web的应用程序构建和部署了来自各种ML算法的模型。结果，随机森林分类器（RFC）算法确立了预测大脑颅内颅内损伤的最佳性能。RFC算法性能的接收器操作特性曲线下的面积为0.80，灵敏度为0.34，特异性为0.95，0.73正预测值，0.80负值预测值和0.79的精度。结论ML算法，尤其是RFC，表明相对出色的预测性能，可以支持医生在过度使用头部CT扫描并降低一般实践中小儿TBI的治疗费用。
的开发和验证诺夫图优于乍得2和CHA 2 DS 2 -VASC模型，用于预测左心房附件密集的自发回声
这些患者的抗凝治疗。在当前的指南建议和临床实践中，CHA 2 DS 2 -VASC（充血性心力衰竭或左心室功能障碍高血压，年龄≥75岁，糖尿病，中风，血管疾病，年龄65-74岁，年龄）模型是主要的中风预测模型（6）。在CHA 2 DS 2 -VASC模型中，人口特征和病史是主要变量，使其适合临床应用。然而，许多研究也表明该模型的预测价值有限（8,9）。左室附属血栓（LAAT）的脱离是AF患者中风的原因，而血栓形成不仅与全身因子有关，而且与心脏的局部血液动力学高度相关（10）。 这些左心房功能变量不包括在CHA 2 DS 2 -VASC预测模型中，该模型可能部分解释了其低预测性能。左室附属血栓（LAAT）的脱离是AF患者中风的原因，而血栓形成不仅与全身因子有关，而且与心脏的局部血液动力学高度相关（10）。这些左心房功能变量不包括在CHA 2 DS 2 -VASC预测模型中，该模型可能部分解释了其低预测性能。
构建具有IRAE和诊所特征的nom图，以预测接受抗PD-1治疗的晚期G/GEJ腺癌患者的存活
方法：组装了255名被诊断为晚期G/ GEJ腺癌的成年患者的数据集。将影响整体生存（OS）至显着程度的IRAE识别为候选变量，并将其整合为候选变量，以及其他12个候选变量。These included gender, age, Eastern cooperative oncology group performance status (ECOG PS) score, tumor stage, human epidermal growth factor receptor 2 (HER2) expression status, presence of peritoneal and liver metastases, year and line of anti-PD-1 treatment, neutrophil-to-lymphocyte ratio (NLR), controlling nutritional status (CONUT) score, and Charlson comorbidity index （CCI）。为了减轻与伊拉斯有关的时机偏见，采用了具有里程碑意义的分析。使用最小绝对收缩和选择算子（LASSO）回归进行了变量选择以查明明显的预测因子，并应用了方差障碍因子来解决多重共线性。随后，使用正向似然比方法进行了COX回归分析来开发生存预测模型，排除未能满足比例危害（PH）假设的变量。该模型是使用整个数据集开发的，然后通过Bootstrap重新采样进行内部验证，并通过另一家医院的同类进行外部验证。此外，创建了一个列图来描述预测模型。
中国东部健康居民 2 型糖尿病风险预测的列线图模型：一项为期 14 年的 15,166 名参与者的回顾性队列研究
摘要 背景 风险预测模型有助于识别 2 型糖尿病高风险个体。然而，在中国东部地区，尚未将此类模型应用于临床实践。目的 本研究旨在基于体检数据开发一种简易模型，识别中国东部地区 2 型糖尿病高危人群，以进行预测、预防和个性化医疗。方法 对 15,166 名每年进行体检的非糖尿病患者（12-94 岁；37% 为女性）进行了 14 年的回顾性队列研究。构建多元逻辑回归和最小绝对收缩和选择算子 (LASSO) 模型，用于单变量分析、因子选择和预测模型构建。校准曲线和受试者工作特征 (ROC) 曲线用于评估列线图的校准和预测精度，并使用决策曲线分析 (DCA) 评估其临床效度。结果 本研究中 2 型糖尿病的 14 年发病率为 4.1%。本研究开发了预测2型糖尿病风险的列线图，校准曲线显示该列线图具有良好的校准能力，内部验证中ROC曲线下面积（AUC）显示统计准确性（AUC = 0.865）。最后，DCA支持该列线图的临床预测价值。结论该列线图可作为一种简单、经济、可广泛推广的工具来预测中国东部地区2型糖尿病的个体化风险。早期成功识别和干预高危个体有助于从预测、预防和个性化医疗的角度提供更有效的治疗策略。
基于计算机断层扫描放射组学的列线图在全脑放射治疗非小细胞肺癌脑转移瘤生存预测中的应用
预后参数和模型被认为有助于改善脑转移瘤 (BM) 患者的治疗结果。本研究旨在调查基于计算机断层扫描 (CT) 放射组学的列线图预测接受全脑放射治疗 (WBRT) 的非小细胞肺癌 (NSCLC) BM 患者生存期的可行性。回顾性分析了 2012 年 1 月至 2016 年 12 月接受 WBRT 的 195 名 NSCLC BM 患者。使用最小绝对收缩和选择算子 (LASSO) 回归从治疗前 CT 图像中提取和选择放射组学特征。通过整合放射组学特征和临床因素来开发和评估列线图以预测个体患者的生存期。根据 LASSO Cox 回归从 105 个放射组学特征中筛选出 5 个放射组学特征。根据放射组学评分（Rad-score）的最佳截断值，将患者分为低危（Rad-score <= − 0.14）组和高危（Rad-score > − 0.14）组。多变量分析表明，性别、卡氏评分（KPS）和 Rad-score 是总生存期（OS）的独立预测因素。训练队列和验证队列中列线图的一致性指数（C 指数）分别为 0.726 和 0.660。短期和长期生存预测的曲线下面积（AUC）分别为 0.786 和 0.788。综上所述，基于 CT 图像的放射组学特征和临床因素的列线图可用于预测接受 WBRT 的 NSCLC BM 患者的 OS。
使用2015年CHARLS数据建立并验证中国中老年人高脂血症风险预测模型
结果：6 629名中老年人高脂血症患病率为26.32%（1 745/6 629）。LASSO回归和多因素Logistic回归分析均显示，体质指数（BMI）、空腹血糖、血尿酸、C反应蛋白、白细胞计数是该人群高脂血症的独立危险因素（比值比（OR）大于1，p值小于0.05）。据此构建列线图预测模型，用于估计中老年人高脂血症的风险。列线图的受试者工作特征（ROC）曲线下面积（AUC）为0.717（95%可信区间（CI）：0.703～0.731），判别能力良好。决策曲线分析 (DCA) 表明当中老年人群患高脂血症的概率在 0.11 至 0.61 之间时，应用列线图可获得最高净收益，表明列线图模型具有良好的临床适用性。Spiegelhalter 的 z 统计量检验证实，列线图模型的预测概率与观察到的高脂血症频率具有很好的一致性（p = 0.560）。列线图模型的 Brier 评分为 17.1%，低于 25% 的阈值，表明校准性良好。为了内部验证列线图模型，我们进行了 500 次引导重采样。来自
2021-2022计划周期的经济评估假设更新
•模型与电池和其他资源共同关注的资源模型（已经在7月的利益相关者会议上进行了讨论）•删除有条件的PCM中有条件可信的N-2偶然性，并删除为保护此类意外事件所建立的列格图，例如PATH 15和PATH 26 IRAS NOMOGRAM•考虑使用5000 MW CAISO Extert限制限制>“
探索中国的关键采用障碍
接下来，我们进行了多元COX回归分析。分析表明，NKCAS以及年龄，M期和肿瘤等级都是GC患者的独立预后因素（表1）。接下来，我们通过整合临床因素和NKCAS风险模型来预测GC患者的短期和长期存活率（图在1年，3年和5年中，列图的AUC值分别为0.763、0.858和0.847（图5b-d）;随着时间的流逝，这些值仍然高于其他因素，因此表明该杂物图在预后方面具有良好的预测性能（图5e）。校准曲线表明预测值与观察值高度一致（图5f）。此外，DCA发现该列图在临床上比
引用Zhu J-L，Xu X-M，Yin H-Y，Wei J-R和Lyu J（2023），《预测住院时间超过14 da
心室间隔缺陷（VSD）是先天性心脏病的最常见形式，约占先天性心脏病病例的40％（Penny and Vick，2011年）。VSD导致血液分流，从而导致肺部血管的肺部血液循环体积和病理变化增加，这使得患有VSD的儿童特别容易发生肺部感染。随着疾病的发展，当肺循环压力高于全身循环压力时，血液从右侧到左心室的流动会增加左心室的预紧力，从而很容易导致心力衰竭。年轻婴儿的肺泡发育不是完美的，呼吸系统不成熟，并且肺泡II型上皮细胞的合成功能是有效的，导致肺泡表面活性剂的产生较少，因此呼吸功能不成熟。肺动脉症和感染都可能导致氧动脉部分压力降低，这进一步导致呼吸率变化。感染的发生可能是VSD患者长时间住院的危险因素。延长医院可能会进一步增加医院感染的可能性。肺部感染可能会导致肺间隙水肿，导致肺通风和低氧血症减少，最终导致呼吸迅速。某些情况的感染诊断尚不清楚，因此很难确定住院是否延长。因此，我们将本研究的结果设定为住院时间超过14天。但是，呼吸率（RR）是一个易于监控的指标，其测量精度很高，因此它可能具有住院时间的预测价值。一项研究发现，入院率高的呼吸率与疗养院接纳的患者的院内死亡率的增加有关（Myint等，2011）。我们旨在开发一个列图，以评估小儿VSD患者的住院风险超过14天。我们希望临床医生能够根据戒号模型中风险因素的变化进行及时调整治疗方案，以减少小儿VSD患者住院治疗。