。cc-by-nd 4.0国际许可证是根据作者/资助者提供的,他已授予Medrxiv的许可证,以永久显示预印本。(未通过同行评审认证)
当遵守感染控制建议是非最佳选择时,医院可能在丙型肝炎(HCV)传播中发挥重要作用。然而,很少有研究基于详细的经验数据来解散医院HCV的获取风险。在这里,我们使用了2017年对Ain Shams医院(埃及开罗)500例患者进行的一项前瞻性队列研究的数据,目的是鉴定(i)(i)医院内的高风险患者特征和(ii)传播热点。数据包括有关入院后患者HCV状态的信息,他们在病房之间的轨迹和他们所接受的侵入性程序。我们首先进行了序列分析,以识别不同的住院特征。第二,我们根据病房的患病率和程序估计了每个患者的HCV获取风险,并通过计算病房级别的风险来估算风险热点。然后,使用Beta回归模型,我们评估了与HCV获取风险相关的入学因素,并建立了根据这些因素在住院期间估计HCV感染风险的分数。最后,我们评估并比较了以病房为中心和以患者为中心的HCV控制策略。基于患者轨迹的序列分析使我们能够识别四个不同的患者轨迹。与手术部门相比,内部医学部门的HCV感染风险更大(0 188%[0 142%-0 -0 235%] vs. 0 043%,CI 95%:[0 036%-0 -0 050%]),在毛状,热带医学和强化范围内的风险热点。入学风险预测因素包括入院来源,年龄,住院理由和病史。侧重于最高危患者的干预措施最有效地降低了HCV感染风险。我们的结果可能有助于通过将增强的控制措施定位到病房级传输热点和入院后的危险患者中,以降低埃及住院期间HCV获取的风险。
Justine Perino、Amandine Gouverneur、Fabrice Bonnet、Marin Lahouati、Noelle Bernard 等人。以 75 岁以下人群为目标,采用基于药物风险的方法优化药物协调:一项观察性研究。 Thérapie,2021 年,�10.1016/j.therap.2021.06.003�。�hal- 03328620�
目的:该研究评估了预防性产前皮质激素(ACS)对孕妇血糖(MBG)变化和胰岛素需求对妊娠糖尿病(GDM)的影响。材料和方法:GDM患者接受了常规的ACS方案。粉刷前葡萄糖水平确定胰岛素或剂量滴定的开始,如果已经使用胰岛素。在第一次剂量的ACS之后,对所有人进行了72小时的监测。从第3天开始,评估了空腹血糖,一小时的圆环葡萄糖水平。血糖监测持续了五天。结果:在52例患者中,首次需要12例胰岛素,在ACS之前已经进行了14例胰岛素,其余的是通过医疗营养疗法(MNT)管理的。母体血糖从第3天开始下降,在第4天达到了葡萄糖状态,并在第5天维持。在ACS后的前两天,平均MBG没有显着变化,但是从第3天开始逐渐下降。平均MBG变化与持续时间无关。平均胰岛素需求之间存在显着差异。没有胎儿损失。结论:产前皮质类固醇引起的高血糖增加了胰岛素的需求,或增加口服降血糖药。单独使用MNT或与药物治疗结合在继续监测下,可以实现良好的血糖状态。关键词:产前皮质类固醇,妊娠糖尿病,胰岛素治疗,医学营养疗法。临床意义:连续监测,满足增加营养需求,而不是同时提高MBG水平,并且应包括在治疗策略中添加药物治疗。南亚妇产科联合会杂志(2023):10.5005/jp-journals-10006-2305
在这项纵向观察性研究中,我们测量了尿葡萄糖浓度,身体成分和体积状态(生物阻抗光谱)以及n = 22个肾脏移植受者(KTRS)n = 22个基线(BL)以及1周和6个月的SGLT2I的n = 22个肾脏移植受者(KTRS)启动的血浆肾素和醛固酮浓度。估计的肾小球效果率(EGFR)在1周后降低-2 mL/min/min/1.73 m 2(IQR - 10 - 0),此后保持稳定。1周后,尿葡萄糖浓度为10(3-24)g/g肌酐,与EGFR相关(r 2 = 0.273; p = 0.057)。sglt2i不影响HBA1C,空腹血糖,体重,脂肪或瘦质量。sglt2i降低了流体过载,取决于基线过液(OH,r 2 = 0.54,p = 0.0003),而不会出现脱水。血浆醛固酮在第7天增加,而血浆肾素并未发生显着变化。总而言之,SGLT2I校正了基线过度水分升高的患者的流体过载,而在euvoLemic ktrs ktrs ktrs流体状态保持稳定,而没有降低参考范围以下的体水,从而促进了肾脏移植后SGLT2I治疗的安全性。葡萄糖尿以及SGLT2I对血糖控制和体重的影响,在KTR中降低了依赖于EGFR的KTR。
摘要背景与目的对结肠息肉进行精确的光学诊断可提高结肠镜检查的成本效益并减少息肉切除术相关的并发症。我们进行了这项研究以评估单独目视检查 (WLI + NBI) 和 EndoBRAIN (内吞细胞镜检查-计算机辅助诊断 [EC- CAD]) 在现实场景中使用 EC 识别病变是肿瘤性还是非肿瘤性的诊断性能。方法在这项观察性、前瞻性、先导性研究中,共研究了年龄大于或等于 18 岁患者的 55 个息肉。EndoBRAIN 是一个基于人工智能 (AI) 的系统,可实时分析细胞核、隐窝结构和血管模式以区分肿瘤性和非肿瘤性病变。内镜医师首先使用白光成像 (WLI)、窄带成像 (NBI) 评估息肉,然后使用 EC 和 NBI 以及 EC 和亚甲蓝染色进行评估。以组织病理学为金标准,比较内镜医师和 EndoBRAIN 在鉴别肿瘤性和非肿瘤性息肉方面的敏感性、特异性、阳性预测值、阴性预测值和准确性。结果共研究了 55 个息肉,其中大多数为小型息肉(36/55),位于直肠(21/55)。图像获取率为 78%(43/55),大多数组织病理学被鉴定为增生性(20/43)和低级别腺瘤(16/43)。 EndoBRAIN 识别结肠息肉的敏感性为 100%,特异性为 81.82%(95% 置信区间 [CI],59.7 – 94.8%),准确率为 90.7%(95% CI,77.86 – 97.41%),阳性预测值为 84%(95% CI,68.4 – 92.72%),阴性预测值为 100%。敏感性和阴性预测值明显高于内镜医师的目视检查。诊断准确度似乎更高;然而,并未达到统计学意义。两组的特异性和阳性预测值相似。结论 使用 EC 和 EC-CAD 的光学诊断在预测组织病理学诊断方面具有潜在作用。CAD 的诊断性能似乎比内镜医师使用 EC 预测肿瘤病变更好。
摘要。观察性人体工程学评估方法具有固有的主观性。即使使用相同的数据集,观察者的评估结果也可能不同。虽然运动捕捉 (MOCAP) 系统提高了运动数据收集的速度和准确性,但用于计算评估的算法似乎依赖于预定义的条件来执行它们。此外,这些条件的创作并不总是很清楚。利用人工智能 (AI) 和 MOCAP 系统,计算机化的人体工程学评估可以变得更像人类观察,并且随着时间的推移而改进,只要有适当的训练数据集。人工智能可以协助人体工程学专家进行姿势检测,这在使用需要姿势定义的方法(例如 Ovako 工作姿势评估系统 (OWAS))时很有用。本研究旨在证明人工智能模型在进行人体工程学评估时的实用性,并证明拥有专门的数据库用于当前和未来的人工智能训练的好处。使用 Xsens MVN MOCAP 数据集训练了几种算法,并比较了它们在用例中的性能。人工智能算法可以提供准确的姿势预测。所开发的方法旨在提供基于对多名工人的观察来进行人工智能辅助人体工程学评估的指导方针。
从索赔数据库、登记处和电子健康记录中定期收集的医疗保健数据越来越多地用于回答有关医疗治疗利弊的因果问题。质量足够高的观察性研究可以补充随机试验的结果。例如,观察性研究可以评估临床试验中代表性不足的人群,对干预措施进行头对头比较(而不是与安慰剂进行比较),并调查其他感兴趣的结果。1 不幸的是,许多观察性研究使用有缺陷的设计和分析,引入了可避免的偏见,例如永恒时间偏见。2、3 尽管许多从业者担心观察性研究中的混杂因素,但这些“自我影响”偏见的影响往往要严重得多。4、5
Sita Bhella,医学博士,MEd,FRCPC,多伦多大学/玛格丽特公主癌症中心 Abi Vijenthira,医学博士,SM,FRCPC,多伦多大学/玛格丽特公主癌症中心 Michael Sebag,医学博士,哲学博士,FRCPC,麦吉尔大学健康中心 Peng Wang,医学博士,哲学博士,FRCPC,阿尔伯塔大学医院十字癌症研究所
背景:人工智能有可能革新目前用于检测自杀迫在眉睫的风险的做法,并解决传统评估方法的缺陷。目标:在本文中,我们试图根据澳大利亚 2 家远程医疗咨询服务机构拨打的大量(n=281)电话,将短片段(40 毫秒)的语音根据自杀低风险和迫在眉睫的风险自动分类。方法:本研究纳入了来自澳大利亚 On The Line(n=266,94.7%)和堪培拉 000 紧急服务(n=15,5.3%)的共 281 条帮助热线电话录音。当呼叫者确认意图、计划和手段的可用性时,对迫在眉睫的自杀风险进行编码;风险级别由响应咨询师评估,并由临床研究团队使用哥伦比亚自杀严重程度评定量表(=5/6)重新评估。低自杀风险在没有意图、计划和手段的情况下通过哥伦比亚自杀严重程度量表评分(=1/2)进行编码。预处理包括语音信号的标准化和预强调,而语音生物特征则使用统计语言 r 提取。使用套索回归确定候选预测因子。使用带有样条函数以解释非线性的广义加性混合效应模型将每种语音生物标记物评估为自杀风险的预测因子。最后,使用逐个分量的梯度增强模型根据预编码的自杀风险评级对每通通话记录进行分类。结果:总共将 77 个迫在眉睫的风险呼叫与 204 个低风险呼叫进行了比较。此外,从每个语音帧中提取了 36 个语音生物标记物。呼叫者性别是一个显着的调节因素(β =–.84,95% CI –0.85,-0.84;t =6.59,P <.001)。候选生物标记物减少到 11 个主要标记物,并为男性和女性开发了不同的模型。使用留一交叉验证,确保没有一个呼叫者的语音帧同时出现在训练和测试数据集中,精度或召回曲线下面积达到 0.985(95% CI 0.97, 1.0)。gamboost 分类模型正确分类了 469,332/470,032(99.85%)个语音帧。结论:本研究展示了在生态有效环境中对即将发生的自杀风险进行客观、有效和经济的评估,并可能应用于实时评估和响应。试验注册:澳大利亚新西兰临床试验注册中心 ACTRN12622000486729;https://www.anzctr.org.au/ACTRN12622000486729.aspx
