XiaoMi-AI文件搜索系统
World File Search Systemrelates
创伤性脑损伤死亡率和低相关
背景：据估计，每年高达6900万人经历了脑损伤（TBI），低收入和中等收入国家（LMIC）的患病率最高。缺乏数据表明，严重TBI后的死亡率高度是LMIC的两倍，是高收入国家的两倍。目的：分析LMIC中的TBI死亡率并评估哪种基于国家的社会经济和人口参数影响TBI结果。方法：搜索了2002年1月1日至2022年1月1日的四个数据库，以描述LMIC中TBI结果的研究。多变量分析，结果是划分的国家和协变量作为调整后的参数。结果：我们的搜索产生了14个376记录，其中最终分析中包括101个记录，总计59例197名患者，代表31个LMIC。汇总的TBI相关死亡率为16.7％（95％CI：13.7％-20.3％），没有比较儿科与成人的显着差异。汇总的严重TBI相关死亡率显着高于轻度。多变量分析表明，与TBI相关的死亡率与中位收入（p = .04）之间存在显着关联，人口百分比低于贫困线（P = .02），小学入学（P = .01）和贫困头部比例（p = .04）。结论：LMIC中与TBI相关的死亡率比高收入国家报告的3倍至4倍。在LMIC中，TBI之后与较差的结果相关的参数包括被公认为健康决定因素的因素。解决LMIC中健康状况的社会决定因素可能会加快在TBI之后缩小护理交付差距的任务。
中风后疲劳的神经影像学相关性
结果：我们确定了 46 项研究（N = 6543）；在许多研究中，与疲劳的关联是次要的或子分析（28.3%）。成像参数通过八个变量进行评估：病变侧化、病变位置、病变体积、脑萎缩、梗塞数量、脑微出血、白质高信号 (WMH) 和网络测量。大多数变量没有确凿证据表明与疲劳有任何关联。在可能的情况下，荟萃分析表明以下因素与 PSF 无关；左侧病变部位（OR：0.88，95% CI（0.64，1. 22）（p = 0.45））、脑幕下病变部位（OR：1.83，95% CI（0.63，5.32）（p = 0.27））和 WMH（OR：1.21，95% CI（0.84，1.75）（p = 0.29））。许多研究对病变部位进行了评估，结果不一；只有一项研究使用了体素症状病变映射 (VSLM)。一些小型研究表明功能性大脑网络（即额叶、额叶-纹状体-丘脑和感觉处理网络）的改变与 PSF 之间存在关联。
神经相关性和预测婴儿在自闭症可能性升高时的言语和语言发展：系统评价
自闭症谱系障碍（ASD）是一种越来越普遍且异质性的神经发育状况，其特征是社会交流差异以及重复行为，集中兴趣和感觉敏感性的结合。早期的言语和语言延迟是年轻自闭症儿童的特征，是父母报告的第一个关注点之一。经常在孩子第二个生日之前。阐明这些延迟的神经机制有可能改善早期检测和干预工作。为了填补这一差距，这项系统评价旨在综合有关早期神经生物学的相关性和预测，并在患有和没有自闭症家族史的婴儿（EL（EL）（EL婴儿）和低可能性（LL婴儿（LL）（LL婴儿）中，分别为自闭症患者（分别为自闭症患者），分别具有自闭症的家族史（分别为自闭症），分别具有自闭症的家族病史，分别为自闭症的家族病史（分别为自闭症患者）提供了言语和语言发展的证据。使用结构磁共振成像（MRI; n = 2），功能性MRI（FMRI; n = 4），功能性近交光谱（FNIRS; n = 4）和电脑图（eegnirsography; n = 14 = 14 = n = 14 = 14。出现的结果中出现了三个主要主题：与LL婴儿相比，EL婴儿表现出（1）非典型语言相关的神经横向化； （2）结构和功能连通性的改变； （3）神经对语音和非语音刺激的神经敏感性的混合纤维，最早在6周大时发现了一些差异。这些发现表明，在明显的行为延迟出现之前，神经影像学技术可能对言语和语言延迟的早期指标敏感。未来的研究应旨在统一神经影像范围内和跨神经影像范围内的实验范式，并探讨在非学术，基于社区的环境中实施此类方法的可行性，可接受性和可伸缩性。
静脉注射乳杆菌的静脉注射乳杆菌疫苗接种后，针对结核分枝杆菌的防护相关性
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2023年8月2日发布。 https://doi.org/10.1101/2023.07.31.551245 doi：biorxiv preprint
电池的移动版本，用于评估听觉感觉运动能力和时机能力（Baasta）：实施和成人规范
抽象自闭症是一种神经发育状况，与大脑兴奋性（E）和抑制性（I）系统之间的总体失衡有关。这样的EI失衡会导致结构和功能性皮质偏差，从而改变大脑中的信息处理，最终导致自闭症特征。然而，尚未研究整个儿童和青春期的EI失衡的发展轨迹。因此，其与自闭症特征的关系尚不清楚。在本研究中，我们确定了EI平衡（F-EIB）的功能度量（F-EIB），从静止状态的电生理记录中，最终样本的92名自闭症儿童在6至17岁之间的最终样本和100个Allistist Allistist（即非自动主义）儿童（即按年龄，性别，性别和非Verbal-verbal-iq匹配）。我们将F-EIB的发展轨迹与自闭症特征的行为评估以及语言能力相关联。我们的结果表明，与同类儿童相比，自闭症的差异性EI伴随。重要的是，F-EIB价值观的发展轨迹与个人语言能力有关。特别是，在儿童晚期和青春期早期的兴奋性与听力理解的下降有关。我们的发现提供了反对自闭症儿童的普遍EI失衡的证据，纠正非语言智商。相反，我们表明，EI余额的发展轨迹与自闭症特征发展的差异在特定年龄范围内。这与抑制性脑活动的晚期发展是自闭症特征的关键基础的提议一致。
数学推理的神经相关性：一项 fMRI 研究
我们通过功能性磁共振成像测量了六名年轻健康参与者在解决数学问题时的大脑激活情况。参与者解决了从必要算术运算测试 (NAOT) 中选出的问题，已知该测试与流畅推理任务相关。在三种情况下，参与者解决需要 (1) 一次操作（简单问题）、(2) 两次操作（困难问题）或 (3) 简单阅读和匹配单词（匹配问题）的问题，以控制 N A O T 问题的感知、运动和文本阅读需求。与匹配问题相比，受试者解决简单问题时观察到主要双侧额叶激活和最小后部激活。与简单问题相比，困难问题中观察到左顶叶区域的较小双侧额叶、颞叶和侧向激活。所有这些区域在困难问题中比在匹配问题中激活得更多。这些激活中的许多发生在与工作记忆相关的区域。这些结果表明，流畅推理是由工作记忆系统的复合体介导的，其中包括中央执行和领域特定数字和言语工作记忆。简介 数学问题解决是一项多组分认知任务，需要工作记忆、从属系统和中央执行的所有方面。算术运算的执行是数学问题解决中一个研究得很好的组成部分。许多病变和脑成像研究已经将对算术运算至关重要的大脑区域定位到与工作记忆相关的区域。在执行基本算术运算时，工作记忆被查询为中间产品，这些产品对于后续操作是必需的，必须积极维护，直到当前处理完成。数学问题解决中另一个尚未受到太多关注的组成部分是算术推理。在更复杂的问题中需要算术推理来确定解决给定问题需要哪些算术运算。在执行算术推理的过程中，需要进行目标管理、策略转变和规划作为评估
引用：Tallon EM，Gallagher MP，Staggs VS等。糖尿病状况和其他因素作为血栓形成和血栓栓塞事件的风险相关
我们试图在SARS-COV-2感染的个体中试图检查的抽象目标是否通过存在糖尿病诊断来改变血栓形成和血栓栓塞事件（TTE）。此外，我们分析了1型糖尿病（T1DM）与2型糖尿病（T2DM）中是否存在TTE的差异风险。设计回顾性案例对照研究。设置2020年12月版本的Cerner Real-World Data Covid-19数据库是来自87个基于美国卫生系统的电子医疗记录（EMR）数据的全国性数据库。参与者我们分析了322 482名患者的EMR数据，> 17岁，涉嫌或确认的SARS-COV-2感染，他们在2019年12月至2020年9月中旬接受了护理。，2750具有T1DM； 57 811具有T2DM； 261 921没有糖尿病。结果TTE，定义为存在心肌梗塞，血栓性中风，肺栓塞，深静脉血栓形成或其他TTE的诊断代码。与无糖尿病的结果率更高。在糖尿病患者中，T2M与T1DM相比（AOR 0.84（0.72-0.98））TTE的几率较低。结论在19009年期间TTE的疾病风险在糖尿病患者中较高。此外，T1DM与T2DM的TTE风险更高。在未来的研究中确认与糖尿病相关的凝血风险增加可能需要将糖尿病状态纳入SARS-COV-2感染治疗算法。
高密度脑电图研究调查虚拟现实电影中连续性编辑理论的神经相关性
摘要：本文通过认知心理学实验探讨2D和VR电影剪辑技术之间的差异。我们招募了16名志愿者观看一系列不同显示模式和剪辑类型的实验材料。参与者观看时同时记录脑电图（EEG）。主观结果表明VR模式反映了更高的负荷分数，特别是在努力维度。不同的剪辑类型对主观沉浸感分数没有影响。VR模式引发更强的EEG能量，差异集中在枕叶、顶叶和中央区域。在此基础上，进行了视觉诱发电位（VEP）分析，结果表明VR模式引发了更大的空间注意，而2D模式的剪辑引发了更强的语义更新和主动理解。此外，我们发现虽然两种显示模式下不同剪辑类型的效果相似，但交叉轴剪辑比连续性剪辑引发了更大的认知违规，这可以为未来VR电影剪辑技术的发展提供科学的理论支持。
我们的脑电波如何感知时间的流逝？在节奏表演任务中量化时间的神经相关性
3 设计 6 3.1 先前的工作. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.1.3 实验数据....................................................................................................................................................................................9 3.2 数据预处理....................................................................................................................................................................................................10 3.2.1 数据分离....................................................................................................................................................................................................11 3.2.2 数据分割....................................................................................................................................................11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ................................................................................................................................................................................................. 15 3.4 自回归模型.................................................................................................................................................................................... 15 3.4.1 通道间相关性.................................................................................................................................................................................... 15 3.4.2 通道自相关性.................................................................................................................................................................................... 16
进行性核上性麻痹和皮层基底节综合征患者的网络连接和生存结构相关性
图 5 识别预测结果的跨诊断成分。我们使用 Cox 模型的偏最小二乘回归来找到一个成分 (a)，该成分最大化了连接和审查死亡时间之间的协方差。连接代表 PLSR 权重，因此对于得分较高的受试者，红色表示连接较强，蓝色表示连接较弱。PSP 患者和 CBS 患者 (c) 之间的此成分没有差异。使用五倍交叉验证并使用一致性分析和综合曲线下面积评估结果，我们发现连接提供了患者人口统计信息和住院运动之外的额外信息，但结合结构、临床和基线指标可提供最佳预测准确性 (de)。（DMN，默认模式网络；DAN，背侧注意网络；FPN，额顶网络；SM，感觉运动；TN，丘脑网络；VAN，腹侧注意网络）。