XiaoMi-AI文件搜索系统
World File Search Systemethnic
遗传咨询研究中的种族，种族和血统报告：专注于映射审查和合成
Abacan，M.，Alsubaie，L.，Barlow-Stewart，K.，Caanen，B.，Cordier，C.，Courtney，E.，Davoine，E. 遗传咨询行业的全球状态。 欧洲人类遗传学杂志，27（2），183-197。 https：//doi。Org/10. 1038/s4143 1-018-0252- X Ali-Khan，S.E.，Krakowski，T.，T.，Tahir，R。和Daar，A。S.（2011）。 在人类遗传研究中使用种族，种族和血统。 雨果日记，5（1），47-63。 https：//doi。org/10. 1007/s1156 8-0 11-9154-5澳大利亚国立大学。 （n.d。）。 国家土著基因组学中心。 https：//ncig。Anu。Edu。Au/Bonham，V。L.和Green，E。D.（2021）。 基因组学劳动力必须变得更加多样化：战略当务之急。 《美国人类遗传学杂志》，108（1），3-7。 https：// doi。org/10. 1016/j。Ajhg。2020。22。013 Borrell，L。N. Gavin，J。R.，III，Kittles，R。A.和Burchard，E。G.（2021）。 种族和医学中的遗传血统，是种族主义的时间。 新英格兰医学杂志，384（5），474–480。 https：//doi。org/10. 1056/nejmm S2029562 Bradbury-Jones，C.，Breckenridge，J.，Clark，M.T.，M.T.，Herber，O.R. （2017）。 健康和社会科学文献中定性研究的状态：专注的映射审查和综合。 解决人类差异：关于遗传学，种族和健康的辩论。Abacan，M.，Alsubaie，L.，Barlow-Stewart，K.，Caanen，B.，Cordier，C.，Courtney，E.，Davoine，E.遗传咨询行业的全球状态。欧洲人类遗传学杂志，27（2），183-197。https：//doi。Org/10. 1038/s4143 1-018-0252- X Ali-Khan，S.E.，Krakowski，T.，T.，Tahir，R。和Daar，A。S.（2011）。在人类遗传研究中使用种族，种族和血统。雨果日记，5（1），47-63。https：//doi。org/10. 1007/s1156 8-0 11-9154-5澳大利亚国立大学。（n.d。）。国家土著基因组学中心。https：//ncig。Anu。Edu。Au/Bonham，V。L.和Green，E。D.（2021）。基因组学劳动力必须变得更加多样化：战略当务之急。《美国人类遗传学杂志》，108（1），3-7。https：// doi。org/10. 1016/j。Ajhg。2020。22。013 Borrell，L。N. Gavin，J。R.，III，Kittles，R。A.和Burchard，E。G.（2021）。种族和医学中的遗传血统，是种族主义的时间。新英格兰医学杂志，384（5），474–480。https：//doi。org/10. 1056/nejmm S2029562 Bradbury-Jones，C.，Breckenridge，J.，Clark，M.T.，M.T.，Herber，O.R.（2017）。健康和社会科学文献中定性研究的状态：专注的映射审查和综合。解决人类差异：关于遗传学，种族和健康的辩论。国际社会研究方法论，20（6），627–645。https：//doi。org/10. 1080/13645 579. 2016. 1270583 Braun，L。（2006）。国际卫生服务杂志，36（3），557–573。https：//doi。Org/10. 2190/8jaf- d8ed- 8wpd- J9Wh兄弟，K。B.，K。B.，Bennett，R。L.，＆Cho，M.K。（2021）。在人类遗传学和基因组学领域的科学出版物中采取反种族主义姿势。医学中的遗传学，23（6），1004–1007。https：//doi。org/10. 1038/s4143 6-021- 01109-W Carmichael，N.，Redlinger-Grosse，K。，K。，＆Birnbaum，S。（2021）。支持遗传咨询的一种包容感，并归属于种族或少数民族的遗传咨询。遗传咨询杂志，30（3），813–827。https：// doi。org/10. 1002/jgc4。1381临床基因组资源。（n.d。）。血统和多样性工作组。
少数民族群体使用非阿片类药物和大麻药物的情况
8 我们还要求接受采访的药物滥用治疗服务领域的专业利益相关者推荐更多文献，并对相关论文进行正向和反向引用追踪。 9 我们发现，大多数可用的学术文献来自英国以外和/或侧重于酒精或阿片类药物。 10 例如：内阁办公室，2017 年。 11 国家统计局，ONS SRS 元数据目录，数据集，英格兰和威尔士犯罪调查。2021 年 10 月 26 日发布，DOI：10.57906/bs66-9627 12 例如：内政部，2014 年。
在英国参加三个区域糖尿病眼镜筛查计划的一群种族多元化孕妇的糖尿病性视网膜病变的风险
背景/目标：目前，即使在怀孕早期未发现视网膜病变，所有糖尿病孕妇都至少两次参加筛查。我们假设对于怀孕早期没有糖尿病性视网膜病的女性，可以安全地降低视网膜筛查的频率。受试者/方法：在这项回顾性队列研究中，提取了2011年7月至2019年10月在2011年7月至2019年10月之间参加三个英国糖尿病眼镜筛查（DES）计划之一的4718名孕妇的数据。记录了13周妊娠（怀孕早期）和妊娠28周（妊娠晚期）的女性英国的成绩。描述性统计数据用于报告基线数据。有序的逻辑回归用于控制协变量，例如年龄，种族，糖尿病持续时间和糖尿病类型。结果：在早期和晚期记录的年龄段的女性中，总共3085（65.39％）妇女在怀孕早期没有视网膜病变，其中2306名妇女（74.7％）在28周内没有发育任何视网膜病。在怀孕初期，患有视网膜病变的女性人数为14（0.45％），没有人需要治疗。怀孕早期的糖尿病性视网膜病仍然是妊娠晚期的DES等级的显着预测指标，当时年龄，种族和糖尿病类型的协变量被控制（p <0.001）。结论：总而言之，这项研究表明，通过限制怀孕早期没有视网膜变化的妇女的糖尿病眼睛筛查预约糖尿病筛查预约的数量，可以安全地减少治疗怀孕母亲的糖尿病的负担。在怀孕早期对视网膜病变的妇女进行筛查应符合当前的英国指导。
基于机器学习的基于机器的细菌分析法医识别分析：身份，种族和现场
面对身份不明的身体时，识别受害者可能会具有挑战性，尤其是在遮盖或掩盖的身体特征时。近年来，法医学中的微生物分析已成为一项尖端技术。它不仅表现出个人特异性，区分不同的人类生物群与发生的各个地点（例如胃肠道，口服，皮肤，呼吸道和泌尿生殖区），每个人都宿主既有不同的细菌种类，还可以洞悉事故的位置和周围环境。机器学习与微生物组学的整合为细菌物种分类与传统测序技术的分类提供了重大改进。本综述讨论了机器学习算法的使用，例如RF，SVM，ANN，DNN，回归和BN，以检测和鉴定各种细菌，包括炭疽芽孢杆菌，乙酰杆菌，乙酰杆菌，金黄色葡萄球菌，金黄色葡萄球菌和链球菌。深层倾斜技术，例如卷积神经网络（CNN）模型和衍生物，也被用来预测受害者的年龄，性别，生活方式和种族特征。预计，大数据分析和人工智能将来将在推进法医微生物学方面发挥关键作用。
引用：Anderson EW，Fishbein J，Hong J等。喹啉酸是一种kynurenine/色氨酸途径代谢产物，与认知受损的TES div>相关联
抽象的客观抗DSDNA抗体（抗DSDNA）是SLE中所有分类方案的组成部分，并包括经过验证的活动指标中的一个域之一。抗DSDNA经常通过酶免疫测定（EIA）或crithidia luciliae免疫荧光试验（CLIFT）进行商业测量。通过通过两种不同的测定法测量这些抗体的临床影响，这项研究利用了良好的多种族/种族组合。方法所有患者符合至少一种经过验证的方案的SLE分类标准：美国风湿病学院，系统性红斑狼疮国际合作诊所和/或美国风湿病学/欧洲联盟反对风湿主义分类标准。通过多重EIA和Clift同时配对的抗DSDNA患者。 对一致性或不一致的分析，测定法的滴度可比性以及与杂交SLE病活动指数评分，狼疮肾炎的患病率（LN），预测耀斑和分类标准的能力。 结果207名患者由EIA和Clift至少一次用于抗DSDNA，产生了586个配对结果。 377对是一致的，有209对不一致。 207例患者中的41个总是不一致的成对结果，39名患者总是患有滴度不一致的结果。 在100例LN患者中，60例EIA为阳性，Clift为72例。 对LN与没有LN患者的患者的敏感性和特异性分别为EIA 60％和47％，Clift分别为72％和37％。通过多重EIA和Clift同时配对的抗DSDNA患者。对一致性或不一致的分析，测定法的滴度可比性以及与杂交SLE病活动指数评分，狼疮肾炎的患病率（LN），预测耀斑和分类标准的能力。结果207名患者由EIA和Clift至少一次用于抗DSDNA，产生了586个配对结果。377对是一致的，有209对不一致。207例患者中的41个总是不一致的成对结果，39名患者总是患有滴度不一致的结果。在100例LN患者中，60例EIA为阳性，Clift为72例。对LN与没有LN患者的患者的敏感性和特异性分别为EIA 60％和47％，Clift分别为72％和37％。42例成对结果后的90天内进行了耀斑评估。 七个轻度耀斑和四名患有严重耀斑的患者中有六名均具有一致的阳性结果。 结论我们的数据表明，抗DSDNA的两种测定法之间的阳性不一致相对普遍，发生在整个患者的五分之一和三分之一的访问中。 eiA阳性与LN相比，LN的频率少于Clift阳性。 与抗DSDNA分析之间的结果显着不一致，获得Clift和EIA分析可能对SLE的分类和常规监测可能是有益的。42例成对结果后的90天内进行了耀斑评估。七个轻度耀斑和四名患有严重耀斑的患者中有六名均具有一致的阳性结果。结论我们的数据表明，抗DSDNA的两种测定法之间的阳性不一致相对普遍，发生在整个患者的五分之一和三分之一的访问中。eiA阳性与LN相比，LN的频率少于Clift阳性。与抗DSDNA分析之间的结果显着不一致，获得Clift和EIA分析可能对SLE的分类和常规监测可能是有益的。
比较机器学习和基于逻辑回归的常规预测模型，用于种族多样化的人群中的妊娠糖尿病； Monash GDM机器学习模型
背景：希望有效的生活方式干预措施可预防GDM并减少相关的不良后果，因此希望早期鉴定出患有妊娠糖尿病（GDM）高风险的孕妇。可以使用风险前字典模型来确定怀孕期间开发GDM的个性化概率。这些模型从传统统计数据扩展到机器学习方法；但是，准确性仍然是最佳的。目标：我们旨在比较多个机器学习算法以开发GDM风险预测模型，然后确定预测GDM的最佳模型。方法：从2016年1月至2021年6月的大型卫生服务网络的日常产前护理的数据进行了监督的机器学习预测分析。预测指标集1来自现有的国际验证的Monash GDM模型：GDM历史，体重指数，种族，年龄，糖尿病的家族史以及过去的不良产科历史。具有不同预测因子的新模型，考虑了统计原理，其中包括更健壮的连续变量和衍生变量。随机选择的80％数据集用于模型开发，验证为20％。绩效指标，包括校准和歧视指标。进行决策曲线分析。结果：在内部验证后，机器学习和逻辑回归模型在曲线下的区域（AUC）的区域在不同算法中的范围从71％到93％，最好是Catboost分类器（CBC）。Based on the default cut-off point of 0.32, the performance of CBC on predictor set 4 was: Accuracy (85%), Precision (90%), Recall (78%), F1-score (84%), Sensitivity (81%), Specificity (90%), positive predictive value (92%), negative predictive value (78%), and Brier Score (0.39).结论：在这项研究中，机器学习方法在传统统计方法上实现了最佳的预测性能，从75％增加到93％。catboost分类器方法通过包括连续变量的模型达到了最佳状态。
居住在新加坡的东部，南部和东南亚人之间的2型糖尿病风险差异：多种族队列
摘要介绍亚洲族群之间的第二型糖尿病风险（T2D）风险的前瞻性数据很少。因此，我们比较了东方（中国），南部（印度）和东南（马来人）的T2D风险，并检查了可能导致种族差异的生物学因素。研究设计和方法我们包括7427名中国，马来人和印度人的成年人，他们参加了新加坡多民族队列。使用标准化的访谈和体育检查收集有关社会人口统计学，生活方式和生物学危险因素（体重指数（BMI），血压，血压，血压，血压，C反应蛋白，脂联素，脂联素和稳态模型评估）的信息。T2D病例是基于医师诊断，国家医疗注册中心，禁食等离子体葡萄糖或糖化血红蛋白A1C的。我们使用了多变量的逻辑关联和中介分析。在7。2年的平均随访期间（SD 2。2年）的结果，我们记录了595例入射糖尿病病例。族裔马来人（OR 2.08，95％CI 1.69至2.56）和印第安人（OR 2.22，95％CI 1.80至2.74）的T2D风险高约两倍。更高的BMI解释了与中国种族相比，马来人的风险更高。较高的BMI，腰围，炎症和胰岛素抵抗以及较低的β细胞功能和高密度脂蛋白 - 胆固醇显着导致与中国种族相比，印度的T2D风险更高。但是，与印度种族相关的较高T2D风险的一部分仍无法解释。尽管糖尿病风险较低，但中国参与者的脂联素水平最低。结论不同的亚洲族群具有与T2D发展有关的独特生物危险因素概况，可能需要针对预防和治疗的目标方法。
通过社会脆弱性，种族和种族和位置量化Covid-19中的不平等，随着时间的推移，疫苗分布：密苏里州圣路易斯和堪萨斯城的人口水平分析
我们分析了密苏里州卫生和高级服务部的数据，对在圣路易斯地区7个县进行的所有COVID-19疫苗和堪萨斯城地区的4个国家的疫苗接种。我们比较了接收初级COVID-19 Vaccine系列和助推器相对于时间，种族/民族，邮政编码级别的社会脆弱性指数（SVI），疫苗位置类型和COVID-19疾病负担。我们调整了一种良好的工具，用于衡量不平等的工具 - 洛伦兹曲线，以量化相对于这些关键指标的共同疫苗接种中的不平等现象。在2020年12月15日至2022年2月15日之间，1,763,036个人完成了主要系列，872,324人获得了助推器。During early phases of the primary series rollout, Black and Hispanic individuals from high SVI zip codes were vaccinated at less than half the rate of White individuals from low SVI zip codes AU : IchangedwerevaccinatedatlessthanhalftherateofWhiteindividualstowerevaccinatedatlessthanh , but rates increased over time until they were higher than rates in White individuals after June 2021;亚洲人在整个过程中保持高水平的疫苗接种。
动脉粥样硬化的多种族研究
1弗里德曼营养科学与政策学院，塔夫茨大学，美国马萨诸塞州波士顿哈里森大街150号，美国02111； 2美国克利夫兰市欧几里德大街9500号伦纳研究所心血管和代谢科学系，美国俄亥俄州44195； 3美国克利夫兰市欧几里德大街9500号伦纳研究所微生物和人类健康中心，美国俄亥俄州44195； 4美国德克萨斯州休斯敦市公共卫生学院的流行病学，人类遗传学和环境科学系，美国德克萨斯州休斯敦市，美国德克萨斯州77030，公共卫生学院； 5心血管卫生研究部，华盛顿大学医学系，1730 MINUS AVE，套房1360，西雅图，华盛顿州98101，美国； 6美国华盛顿州西雅图市15th Ave NE，华盛顿大学3980年流行病学系，美国华盛顿州98195； 7医学院，位于美国加利福尼亚州托伦斯市西卡森街124号港口 - 乌克拉郡医疗中心，美国加利福尼亚州90502； 8克利夫兰诊所心脏，心脏，血管和胸腔研究所心血管医学系，美国俄亥俄州克利夫兰市9500 Ave，美国俄亥俄州44195，美国； 9美国卫生系统与人口卫生系，美国华盛顿州西雅图市15th Ave NE 3980，美国华盛顿州98195；和10纽约医学院，美国纽约市纽约市第五大街1216号，美国10029，美国