XiaoMi-AI文件搜索系统
World File Search Systemnephrol
基因组肾脏病学在塑造未来中的作用......
基因组肾脏病学是一个新兴领域，它将基因组学与肾脏病学相结合，彻底改变了肾脏疾病的诊断、治疗和管理。通过研究影响肾脏功能的遗传因素，研究人员和临床医生旨在发现新的治疗靶点，提高诊断精度，并为肾脏相关疾病患者制定个性化治疗计划。肾脏疾病，包括慢性肾脏病 (CKD)、糖尿病肾病和多囊肾病 (PKD)，非常复杂，通常与会影响疾病发作、进展和治疗反应的基因变异有关。基因组肾脏病学利用基因组技术的力量来探索基因突变和变异如何导致这些疾病，为个性化治疗方案提供了光明的未来。人类基因组是生命的蓝图，包含数百万条信息，有助于解释肾脏功能和功能障碍背后的生物过程 [1]。
杂志预释放 - 印度肿瘤流体学会
这是一篇文章的PDF文件，该文件在接受后经历了增强功能，例如添加了封面和元数据，并为可读性而格式化，但尚未确定记录的确定版本。此版本将在以最终形式发布之前进行其他复制，排版和审查，但是我们正在提供此版本以赋予本文的早期可见性。请注意，在生产过程中，可能会发现可能影响内容的错误，以及适用于期刊的所有法律免责声明。
肾脏科医生的调查-Digital Commons@Becker
已假定多个因素是糖尿病和非糖尿病患者中SGLT2I未充分利用SGLT2I的原因，尤其是诸如肾副手之类的专家。7这些可能包括缺乏对SGLT2I的熟悉程度，高度药物成本，处方负担，处方惯性，因为缺乏专家的所有权以及结构性的种族主义。4然而，研究CKD患者的SGLT2I使用率低的原因很少。因此，我们进行了一项针对国际肾病学家组的在线调查，目的是探索其处方sglt2i的处方模式和障碍。We developed a 9-item online questionnaire ( Survey in Supplementary Material ), which included age, area of practice, duration of practice, and details about pre- scribingpatternsofSGLT2i.Wecollectedtheresponsesof the anonymous survey via Qualtrics from nephrologists
检查点抑制剂 (ICI) 对癌症患者的肾脏不良影响：西班牙肾脏学会肿瘤肾脏病工作组的建议
领域。一个重要的目标是澄清和提供关于某些争议的建议，这些争议由于缺乏随机和前瞻性研究而缺乏精确的信息。1 与检查点抑制剂 (CPI) 相关的肾损害、在有或没有肾活检信息的情况下对其进行诊断、治疗的类型和持续时间、肾脏事件后重新开始免疫治疗的可能性以及它们在癌症和肾移植患者中的指征当然是有争议的。本文的确切目的是，在缺乏确凿的科学证据的情况下，在处理与使用 CPI 相关的肾损害时，根据临床经验并由 SEN 肿瘤肾脏病专家组同意提出具体建议。本文件并非旨在代表一套新的指南，因为它不是系统性证据审查的结果，而是旨在帮助肾脏病学专家在肿瘤肾病学咨询的日常临床实践中处理因使用 CPI 治疗而引起的肾脏并发症。
人工智能在肾脏病学中的应用
Buczek、Weronika、Wisniewski、Mikolaj、Oleszczuk、Rafal、Kozińska、Iga、Orczykowski、Maciej。人工智能在肾脏病学中的应用。教育、健康和体育杂志。2022；12(9):701-711。 eISSN 2391-8306。DOI http://dx.doi.org/10.12775/JEHS.2022.12.09.083 https://apcz.umk.pl/JEHS/article/view/39932 https://zenodo.org/record/7074236
Yun JS，Kim K，Ahn YB，Han K，Ko SH。在老年2型糖尿病患者中管理的整体和个性化策略。糖尿病Metab J 2024; 48：5
引言肾结石症在其一生中至少有9％的人居住在美国，其患病率正在增加（1）。超过80％的肾结石含有钙，草酸钙是所有肾结石至少三分之二的主要成分（2）。肾结石病在5年内的高复发率约为50％（3）。当前减少草酸钙结石复发的方法包括一般措施，例如液体摄入量增加，饮食盐和草酸盐限制。此外，根据尿代谢异常，例如高钙尿和/或低脂肪尿素，使用噻嗪类利尿剂和柠檬酸钾。没有批准的药物用于治疗高氧甲里尿，这是草酸钙肾石石症的主要且常见的危险因素，最近公认的慢性肾脏病（CKD）进展的危险因素（4）。
kdigo onco-nephrology的争议
1帕维亚大学内科和治疗学系，帕维亚大学，IRCCS ISTITITI Clinici Scientifi Maugeri，意大利帕维亚的Irccs Istituti Clinici Scientifi Maugeri； 2二次促进医学系，国家和雅典卡普迪斯特里大学，希腊；德克萨斯州休斯顿市德克萨斯州安德森癌症中心的肾脏科学3部分； 4波兰GDA NSK医科大学肾脏科学，移植学和内科临床系； 5肾脏病和透析单元，路易吉·萨科生物医学和临床科学系，意大利米兰米兰大学； 6美国明尼苏达州罗切斯特市梅奥诊所医学系血液学系； 7医学诊所V，肾脏病，流变学，血液纯化，德国Braunschweig学术教学医院Braunschweig； 8查尔斯大学和捷克共和国布拉格的医学院第一学院肿瘤学系； 9肾脏研究中心，澳大利亚新南威尔士州韦斯特米德的儿童医院； 10悉尼公共卫生学院，悉尼大学，澳大利亚新南威尔士大学；比利时布鲁塞尔的Kdigo 11；英国伦敦伦敦大学学院肾脏医学系12； 13乔治全球卫生研究所，澳大利亚悉尼； 14美国德克萨斯州休斯敦贝勒医学院肾脏科学系肾脏健康研究所，肾脏科学系；和15肾脏科学，透析和内科，波兰医科大学
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
