XiaoMi-AI文件搜索系统
World File Search SystemYoshi
口服分子靶向药物血液药物浓度的临床重要性对于肾细胞癌Shinya takasaki 1，Yoshihide Kawasaki 2，
摘要 - 目的：治疗药物监测（TDM）被广泛用于临床实践中，以最大程度地提高药物疗效并最大程度地减少毒性。目前，它在使用口服分子靶向药物方面也进行了实践。这项研究的目的是评估测量用于治疗肾细胞癌（RCC）的口服分子靶向药物的全身浓度的临床重要性。方法：口服分子靶向药物的全身浓度索拉非尼，舒尼替尼，阿昔替尼，帕索帕尼和用于RCC的Everolimus对治疗干预措施有用，并追溯地评估了临床结果。结果：在87个中的26个中确认了全身药物浓度的干预使用，并提出了它们的类别。Sunitinib的全身浓度可用于减少剂量和/或停药（n = 10），剂量升级（n = 3）和依从性监测（n = 2）。在降低剂量的10例患者中，有9名表现出降低的不良事件。两名介入依从性监测仪的患者表现出改善的依从性。确认了Axitinib，减少剂量和/或停用（n = 1）和剂量升级（n = 6）。确认了Pazopanib，剂量降低和/或停药（n = 1）和药物相互作用检测（n = 1），证实它们均已减少不良事件。确认了依维莫司，减少剂量和/或停药（n = 1）和药物相互作用检测（n = 1），从不良事件中恢复了剂量减少的患者。未确定索拉非尼的干预措施。结论：这项研究表明，针对RCC的口服分子靶向药物的全身浓度被认为在临床上可用于剂量调整，监测治疗依从性和检测药物相互作用。此外，这些信息可以成功地用于指导个性化的治疗，以最大程度地提高这些药物的抗肿瘤作用。引言肾细胞癌（RCC）是最常见的肾癌类型，被分子靶向药物和免疫检查点抑制剂广泛治疗（1）。分子靶向药物包括酪氨酸激酶抑制剂（TKI）和雷帕霉素抑制剂（MTORI）的机械靶标，它们以不同的作用模式显示抗肿瘤作用（1，2）。tkis与酪氨酸激酶结合，并阻止促进RCC生长和增殖的信号，而MTORI阻止了磷酸盐的转移和缓慢的肿瘤生长（1，2）。在日本，TKIS Sorafenib，Sunitinib，Axitinib，Pazopanib和Cabozantinib以及Mtori Everolimus和Temsirolimus用于RCC治疗（3，4）。尽管这些靶向药物显示出更高的客观反应率，并且比其他药物更延长了中值无进展的生存率，但它们会引起各种不良事件
文章类型：研究文章引用：阿迪尔森·卡洛斯·吉库尼（Adilson Carlos Yoshikuni）和阿尔贝托·路易斯·艾尔伯丁（Alberto Luiz Albertin）。 （2020）。通过
对研究人员和从业人员来说，一个核心问题是知识管理策略（KMS）和信息技术（IT）策略一致性是否可以帮助获得竞争优势。为了解决这个问题，这项研究借鉴了信息战略一致性（ITSA），并经验研究了公司KMS与IT之间的关系。调查使用了部分最小二乘路径建模来检查225家巴西公司的经验数据，以测试此处提出的假设。调查结果表明，KMS对ITSA，IT使用的好处（BUTI），业务流程绩效（BPP）和公司绩效（FP）产生了重大的积极影响。结果表明，研究人员和从业人员应该超越对FP的直接影响，并确定如何利用KMS和ITSA来启用和支持BPP，从而有助于知识管理策略和IT业务价值文献。
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
识别人类和人类物理参数Jovana Jovic，Eiichi Yoshida（日本AIST），Gentiane Venture（日本TUAT）
对类人动作和人类运动的动力学和运动学分析需要对段质量参数（质量，质量中心和惯性基质）进行准确估算，并且它们的误解可能会导致估计的关节运动学的显着差异。在机器人技术领域中，已经开发了几种方法，用于基于双足体系统动态方程的线性特性，以相对于一组质量参数。本演讲将重点介绍有关该主题最新研究的方法。将给出人类和类人形机器人质量参数估计的示例。确定的质量参数改善了人类动态分析的输出和人形模拟和基于模型的控制。