XiaoMi-AI文件搜索系统
World File Search SystemNephrologist
2型糖尿病
护理原则：第一条治疗方法包括健康的生活方式管理和基于合并症和目标的个性化药物治疗。治疗的选择取决于患者的肥胖症，心脏，脑血管和肾脏状况。组合疗法通常是需要的，应涉及具有互补作用机理的药物。必须管理合并症以进行全面护理，包括管理脂质和BP异常的管理以及适当的疗法以及对其他相关疾病的治疗。应基于许多因素，例如年龄，预期寿命，合并症，糖尿病持续时间以及低血糖的风险以及低血糖症，患者动机和依从性的不良后果。A1C水平≤6.5％，如果可以安全且负担得起的方式实现，但更高的目标可能是合适的，并且可能会随着时间的推移而改变。我们认可最低标准A1c <9％。最大程度地减少严重和非重度低血糖的风险是优先事项。应以尽快实现目标的时间间隔进行药物调整。以人为本的共同决策方法应指导药理学剂的选择。建议在有助于患者安全达到血糖目标时，建议连续葡萄糖监测（CGM）。每年进行一次完整的体检，包括病史，体格检查，支持实验室，生活方式因素，药物和疫苗接种，行为和糖尿病自我管理技能以及技术使用。考虑转介到糖尿病自我管理教育和支持（DSMES）计划，认证的糖尿病护理和教育专家（CDCE），医疗营养疗法（MNT），营养师，行为健康专业人员和/或生活方式医学诊所。评估健康的社会决定因素（SDOH）需求，并根据需要进行推荐。经历不受控制的葡萄糖或意外并发症时，请考虑转介到适当的专家，包括内分泌学家/糖尿病学家，眼科医生/验光师，肾脏科医生，足病医生，牙医，听力学家和其他方面。在整个护理轨迹中利用共同的决策来促进患者在护理过程中的参与。解决有效DM自我保健的潜在障碍，包括健康的社会决定因素（SDOH）需求，并实施干预措施并根据需要进行推荐。在整个护理过程中启动护理目标和生命终结讨论，以赋予患者做出决定。
KDIGO_BP_Exec_Summary_final.pdf
1 美国犹他州盐湖城犹他健康大学内科肾脏病和高血压分部；2 美国加利福尼亚州帕洛阿尔托斯坦福大学医学院肾脏病分部；3 美国田纳西州孟菲斯田纳西大学健康科学中心预防医学系；4 美国宾夕法尼亚州费城宾夕法尼亚大学佩雷尔曼医学院儿科；5 美国宾夕法尼亚州费城费城儿童医院肾脏病分部；6 中国广东广州南方医科大学南方医院肾脏病分部；7 美国加利福尼亚州圣地亚哥加利福尼亚大学圣地亚哥分校医学系肾脏病和高血压分部；8 美国加利福尼亚州拉霍亚圣地亚哥退伍军人事务医疗系统肾脏病科；9 加拿大安大略省渥太华渥太华大学渥太华医院医学系；加拿大渥太华医院研究所临床流行病学项目；10 美国阿拉巴马州伯明翰市阿拉巴马大学伯明翰分校公共卫生学院流行病学系；11 美国密歇根州安娜堡 Arbor 健康研究合作组织；12 巴西巴拉那州库里蒂巴巴拉那天主教大学医学院；13 美国马萨诸塞州波士顿塔夫茨医学中心医学系肾脏病分部；14 加拿大安大略省多伦多市多伦多大学医学系肾脏病分部；15 加拿大安大略省萨德伯里北安大略医学院；16 英国纽卡斯尔医院 NHS 信托机构 Freeman 医院肾脏病顾问；17 加拿大安大略省汉密尔顿 MAGIC Evidence 生态系统基金会； 18 加拿大安大略省汉密尔顿市麦克马斯特大学卫生研究方法、证据和影响系；19 澳大利亚南澳大利亚州阿德莱德市弗林德斯大学医学与公共卫生学院；20 澳大利亚新南威尔士州悉尼市科克伦肾脏与移植中心；21 澳大利亚新南威尔士州悉尼市悉尼大学悉尼公共卫生学院；22 加拿大艾伯塔省卡尔加里市卡尔加里大学；23 比利时布鲁塞尔 KDIGO；24 德国慕尼黑 KfH 肾脏中心；德国埃尔朗根-纽伦堡弗里德里希亚历山大大学
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
针对患有慢性肾脏疾病的患者的试点计划将在其成功后扩大。 2024年9月9日
针对患有慢性肾脏疾病的患者的试点计划将在其成功后扩大。2024年9月9日，针对莱斯特，莱斯特郡和拉特兰（LLR）患有慢性肾脏疾病的人的试点计划正在帮助彻底改变患者护理，并可以在其他地方推出。它遵循了一份独立报告*的发现，概述了飞行员成功的LLR慢性肾脏疾病综合护理递送计划（LUCID），并已作为John Walls肾单位，大学医院Leicester Leicester和Astrazeneca UK的联合工作计划的一部分开发。Lucid方法将多学科团队中的GP，肾脏顾问，临床药剂师，社会处方者，数据人员和专家汇集在一起，从而对每个患者的护理计划进行了详尽的讨论，以确保其健康的所有方面都认为其健康方面以减少心脏病的风险和疾病的风险，从而延迟了对透过诊断和医院的进展。慢性肾脏疾病（CKD）是一种长期疾病，随着时间的流逝，肾脏功能的逐渐损失导致肾脏在从血液中过滤废物中的有效性降低。在英国，据估计，约有720万人生活在CKD阶段1-5。肾脏疾病每年耗资70亿英镑的英国经济，在短短十年内可能会增加到139亿英镑。“较早的肾脏疾病的检测和干预对于降低需要透析或肾脏移植以及心脏病发作和中风的风险至关重要，如果您患有肾脏疾病，这更为常见。1莱斯特大学副教授，莱斯特大学医院NHS Trust的副教授，同事的名誉顾问肾脏科医生说：两者都对生活的质量和数量产生深远的影响，因此我们很高兴这份独立报告表明了Lucid方法的好处，并期待在整个地区和全国范围内分享它。”对飞行员的评估始于2022年4月，在54家诊所进行了跨9个初级保健网络（PCN）的试验，涵盖了LLR的大部分。