目的:向老年人转介门诊物理疗法以提高其功能能力。本研究的目的是确定疼痛是否对参加门诊身体康复计划的老年人的功能结果有影响。患者和方法:对65岁及65岁及以上的患者进行门诊物理治疗以改善身体功能的患者的病历进行了回顾性研究(n = 178)。疼痛强度(11点数字疼痛量表)和功能结果度量(tug tug],伯格平衡量表[BBS],10米步行测试,6分钟步行测试和功能自主性测量系统[SMAF] [SMAF])在初始(T1)和Fifin(T1)和Fifinal(T2)咨询中提取。配对的t检验,以确定所有患者的功能结果度量是否存在差异。患者被分解为患有疼痛的患者(疼痛,n = 136)和没有疼痛的患者(无疼痛,n = 42)。在具有不平等方差的独立t检验的组之间比较了T1和T2之间的功能结果度量差异。皮尔逊相关系数在初始疼痛强度与功能结果度量的变化之间(T2-T1)之间进行了相关系数。校正多个PLE比较,p≤0.01的p值在统计上被认为是显着的。结果:TUG,BBS,10米步行测试,6分钟步行测试都证明了T1和T2之间的改进(所有P <0.01)。关键字:疼痛,功能,物理治疗,老年人,残疾小组的拖线分数(p = 0.14),BBS(P = 0.03),10米步行测试(P = 0.54),6分钟步行测试(P = 0.94)和SMAF(P = 0.23)没有差异。Pearson相关系数在初始疼痛强度和T1和T2之间功能结果得分的变化之间较弱(r = - 0.16至0.15,所有p值> 0.10)。结论:这些结果表明,疼痛并不是参加门诊身体康复计划的老年人的功能改善的障碍。
了解大脑结构的遗传结构是具有挑战性的,部分原因是在设计牢固的,无偏见的脑形态描述符时遇到了困难。直到最近,全基因组关联研究(GWAS)的大脑测量由传统的专家定义或软件衍生的图像衍生的表型(IDP)组成,这些表型(IDP)通常基于理论先入为主或根据有限数据计算。在这里,我们提出了一种使用无监督的深度表示学习来得出大脑成像表型的方法。我们在6,130英国生物库(UKBB)参与者的T1或T2-Flair(T2)脑MRIS上训练3D卷积自动编码器模型,以重建损失,以创建一个128维表示,称为内类型(Endos)。gwas在UKBB受试者中(n = 22,962发现和n = 12,848/11,717的T1/T2的复制队列)确定了658个涉及43个独立位点的显着复制变体 - 内对。在以前的T1和T2 IDP Biobank GWAS中没有报道13个基因座。我们开发了一种基于扰动的解释方法,以表明这些基因座与映射到多个相关大脑区域的胚胎相关。我们的结果确定了无监督的深度学习可以从成像数据中得出鲁棒,无偏,可解释的和可解释的内表型。
公差 TIR(总指示跳动)≤ 0.02 毫米(在 TIR ≤ 0.005 毫米的气缸上测量) 齿长公差符合 DIN ISO 2768 T1 c 标准
11:35-12:00辩论:它可以解决辐射疗法是高危T1疾病的选择治疗,而不是膀胱切除术//主持人// TBD Pro // TBD Con // TBD Con // TBD
摘要目的:该队列研究使用Sankey图和指数条图来可视化先前住院的Covid-19-19幸存者的波动性质和后疼痛的波动性和轨迹。方法:在大流行期间,由于19日在Covid-19中住院的1266名受试者的队列被安排在8.4(T1),13.2(T2)和18.3(T2)和18.3(t3)月份的平均住院后,用于收集有关后疼痛的数据的平均水平。患者被询问疼痛症状学,这归因于感染。从病历中收集住院和临床数据。结果:在住院治疗时,肌痛的患病率为19.82%(n 5 389)(T0)。在T1时,旋转后疼痛的患病率为41.07%(n 5 520),T2时为34.29%(n 5 434),T3为28.47%(n 5 360)。恢复指数曲线显示出一种可视化的趋势,即在研究的时间范围内改善了旋转后疼痛。下肢和广泛疼痛的疼痛是最普遍的位置。女性(OR 1.507,95%CI 1.047–2.169),曾存在的疼痛症状(OR 1.724,95%CI 1.237–2.403),头痛为发作 - 症状,或者2.374,2.374,95%CI 1.550-3.639),医院的日期(或1.550-3.639)的天气T1时旋转后疼痛(或13.243,95%CI 9.428–18.601)与T2时旋转后疼痛有关。仅在T1处出现杂化后疼痛(OR 5.383,95%CI 3.896–7.439)与T3的covid后疼痛有关。结论:目前的结果表明,在住院后的头几年,后盘后疼痛的趋势降低了。SARS-COV-2感染后不久,后旋转后疼痛的发育倾向于长期慢性疼痛。
胶质瘤是最常见的原发性脑恶性肿瘤,具有不同的侵袭性、可变的预后和各种异质性组织学亚区域 [3,1,2]。脑肿瘤分割 (BraTS) 挑战赛的目标之一是确定用于在磁共振成像 (MRI) 扫描中分割脑肿瘤的最先进的机器学习方法 [19,4]。一个 MRI 数据样本包括原始 T1 加权扫描 (T1)、对比后 T1 加权扫描 (T1Gd)、原始 T2 加权扫描 (T2) 和 T2 液体衰减反转恢复 (T2-FLAIR) 扫描。然而,每个肿瘤感兴趣区域 (TRoI) 在一个脉冲中可见。具体而言,整个肿瘤在 T2-FLAIR 中可见,肿瘤核心在 T2 中可见,增强肿瘤在 T1Gd 中可见。准确的深度学习分割模型不仅可以节省神经放射科医生的时间,还可以为进一步的肿瘤分析提供可靠的结果。最近,深度学习方法一直超越传统的计算机视觉方法[6,11,22,24,27]。具体来说,卷积神经网络(CNN)
pis:A。PAPA(PSI/UNI PISA),P。Stooffer(UZH/PSI),P。Schmidt-Wellenburg(PSI),A。Signer(PSI/UZH)连接的项目:T1,A A A。
JOC – 公司缩写356 – 零件编号 X – 等级(A/B/C/D 或无) Z – 卷带选项 (T1/T2) G – 绿色 V – VDE 选项(V 或无)
JOC – 公司缩写 357 – 零件编号 X – 等级(A/B/C/D 或无) Z – 卷带选项 (T1/T2) G – 绿色 V – VDE 选项(V 或无)
