XiaoMi-AI文件搜索系统
World File Search Systemseverity
连续肝脏常热机灌注对组织学胆管损伤严重程度的影响
静态冷藏（SCS）损伤了胆管，而常规机器灌注（NMP）的影响尚不清楚。在肝脏NMP的COPE试验的一个子研究中，我们研究了保存类型对组织学胆管损伤评分（BDIS）的影响。在保存结束时或重新灌注后至少有一个胆管活检的移植物。 bdis是通过评估周围腺体损伤，基质和壁画损失，出血和血栓形成来确定的。 一个双变量线性模型比较了组之间的BDI（估计，CI）。 分析了六十五个移植和85次活检。 用SCS保留了23个移植物和42个NMP，具有可比的基线特征，除了NMP中的冷缺血时间较短。 无论保存类型如何，BDI都会随着时间的推移而增加（p = 0.04）。 在NMP [8.02（7.40 - 8.65）]中，BDIS估计值高于SCS [5.39（4.52 - 6.26），p <0.0001]，无论时间如何。 每组中的一名患者出现缺血性胆管病，NMP保存的肝脏为6例。 在其他六个NMP移植物中，BDIS范围为7 - 12，而没有缺血性胆管病的发展。 总而言之，BDI会随着时间的推移增加，而NMP中较高的BDI并未增加缺血性胆管病。 因此，BDI可能会高估肝NMP后这种风险。在保存结束时或重新灌注后至少有一个胆管活检的移植物。bdis是通过评估周围腺体损伤，基质和壁画损失，出血和血栓形成来确定的。一个双变量线性模型比较了组之间的BDI（估计，CI）。分析了六十五个移植和85次活检。用SCS保留了23个移植物和42个NMP，具有可比的基线特征，除了NMP中的冷缺血时间较短。无论保存类型如何，BDI都会随着时间的推移而增加（p = 0.04）。在NMP [8.02（7.40 - 8.65）]中，BDIS估计值高于SCS [5.39（4.52 - 6.26），p <0.0001]，无论时间如何。每组中的一名患者出现缺血性胆管病，NMP保存的肝脏为6例。在其他六个NMP移植物中，BDIS范围为7 - 12，而没有缺血性胆管病的发展。总而言之，BDI会随着时间的推移增加，而NMP中较高的BDI并未增加缺血性胆管病。因此，BDI可能会高估肝NMP后这种风险。
免疫史改变疾病严重程度，以应对高致病性禽流感 H5N1 分支 2.3.4.4b 病毒攻击
近期爆发的牛高致病性 H5 禽流感 (HPAI) 病毒现已在美国广泛传播，并蔓延至其他哺乳动物，包括人类。已报告数例人类病例，临床症状包括结膜炎和呼吸道疾病。然而，大多数感染者报告的症状为轻度至中度，而之前报告的人类高致病性 H5Nx 感染死亡率高达 50%。我们最近报告称，对 A/Puerto Rico/08/1934 H1N1 病毒具有免疫力的小鼠可免受高致病性 2.3.4.4b 型 H5N1 流感病毒的致命攻击。在这里，我们证明感染 2009 年大流行 H1N1 病毒株 A/California/04/2009 (Cal09) 或接种减毒活流感疫苗 (LAIV) 的小鼠对致命的 A/bovine/Ohio/B24OSU-439/2024 H5N1 病毒攻击具有中等至高度保护。我们还观察到，具有混合预先存在的免疫力（来自 LAIV 疫苗接种和/或 Cal09 感染）的雪貂对从猫中分离出的 HPAI H5N1 进化枝 2.3.4.4b 病毒具有保护作用。值得注意的是，这种保护作用独立于任何可检测到的针对 H5N1 病毒的血凝抑制滴度 (HAI)。为了探索可能有助于保护的因素，我们使用之前发布的 H1N1 毒株序列进行了详细的 T 细胞表位图谱分析。这项分析表明，我们牛 HPAI H5N1 病毒株内部蛋白质的氨基酸序列具有高度保守性。这些数据强调了探索有助于预防 HPAI H5N1 病毒的其他因素的必要性，例如除了 HA 抑制或中和抗体之外的记忆 T 细胞反应。
肠道菌群组成反映了COVID-19
抽象目的尽管Covid-19主要是一种呼吸道疾病，但有越来越多的证据表明该疾病涉及该疾病。我们调查了肠道微生物组是否与COVID-19患者的疾病严重程度有关，以及微生物组组成（如果有的话）的扰动是否会随着SARS-COV-2病毒的清除而解决。在这项两次医院队列研究中，我们从100例实验室确认的SARS-COV-2感染的患者那里获得了血液，粪便和患者记录。 串行粪便样品是从清除SARS-COV-2后30天的100名患者中的27例收集的。 肠道微生物组组成的特征是从粪便中提取的shot弹枪测序。 从血浆中测量炎性细胞因子和血液标记的浓度。 结果与非旋转-19个个体相比，COVID-19患者的肠道微生物组组成有显着改变，无论患者是否接受过药物治疗， 几种具有已知免疫调节潜力的肠道分子，例如粪便核酸杆菌，肠道菌肠杆菌和双歧杆菌的患者占患者的含量不足，并且在疾病分辨率后至30天收集的样本中仍保持较低。 此外，这种扰动的组合物与疾病严重程度一致的分层与浓度升高的炎性细胞因子和血液标记物（例如C反应性蛋白质，乳酸脱氢酶，天冬氨酸氨基转移酶和γ-卢丁而生扬酰基转移酶）。在这项两次医院队列研究中，我们从100例实验室确认的SARS-COV-2感染的患者那里获得了血液，粪便和患者记录。串行粪便样品是从清除SARS-COV-2后30天的100名患者中的27例收集的。肠道微生物组组成的特征是从粪便中提取的shot弹枪测序。从血浆中测量炎性细胞因子和血液标记的浓度。结果与非旋转-19个个体相比，COVID-19患者的肠道微生物组组成有显着改变，无论患者是否接受过药物治疗，几种具有已知免疫调节潜力的肠道分子，例如粪便核酸杆菌，肠道菌肠杆菌和双歧杆菌的患者占患者的含量不足，并且在疾病分辨率后至30天收集的样本中仍保持较低。此外，这种扰动的组合物与疾病严重程度一致的分层与浓度升高的炎性细胞因子和血液标记物（例如C反应性蛋白质，乳酸脱氢酶，天冬氨酸氨基转移酶和γ-卢丁而生扬酰基转移酶）。COVID-19患者的肠道菌群组成，细胞因子水平和炎症标志物之间的结论相关性表明，肠道微生物组可能通过调节宿主免疫反应而参与COVID-19的严重程度。此外，疾病分辨率后的肠道微生物群营养不良可能导致持续的症状，强调需要了解肠道微生物如何参与炎症和covid-19。
定量超声检查和人工智能的应用评估脂肪肝的严重程度：试点研究
摘要：肥胖和糖尿病等疾病中普遍存在的非酒精性脂肪肝病（NAFLD）在全球范围内很重要。现有的超声诊断方法尽管使用了，但通常缺乏准确性和精确度，需要像AI这样的创新解决方案。这项研究旨在验证用于NAFLD严重程度评估的AI-增强的定量超声（QUS）算法，并将其性能与磁共振成像质子密度脂肪分数（MRI-PDFF）进行比较，这是一种常规的诊断工具。进行了一项单中心横截面试验研究。肝脏脂肪含量。将结果与MRI-PDFF值进行了比较。还评估了类内相关系数（ICC）。在QUS-AC和MRI-PDFF之间发现了显着相关性，反映的R值为0.95。另一方面，ATI和UAP与MRI-PDFF的相关性较低，R值分别为0.73和0.51。此外，单个观察结果的QUS-AC的ICC为0.983。另一方面，ATI和UAP的ICC分别为0.76和0.39。我们的发现表明，具有AI添加质量的AC可以作为非侵入性诊断NAFLD的有价值工具。
一种机器学习算法，以定义慢性炎症性脱髓鞘性多神经病（CIDP）
•慢性炎症性脱髓鞘性多神经病（CIDP）是一种罕见的，严重的自身免疫性疾病，会导致外周神经的脱髓鞘和轴突损伤。efgartigimod是用于治疗CIDP的第一个也是唯一的也是FDA批准的新生儿FC受体（FCRN）阻滞剂。•需要一种成本效益模型（CEM）才能将efgartigimod与CIDP中的护理标准进行比较。到此范围，从头状态转变CEM正在概念上。该分析旨在确定构成国家转变模型基础的临床相关健康状态。每个状态应代表同质的健康状况，状态的规范应反映CIDP的生物学/理论理解。•为了确定健康状况，开发了一种机器学习（ML）算法，该算法根据疾病引起的功能限制对CIDP严重程度进行了分类。
基于高光谱图像和叶绿素含量的苹果镶嵌性疾病严重程度的定量评估
摘要：苹果镶嵌病毒（APMV）的感染会严重损害苹果叶的细胞结构，从而导致叶叶绿素含量（LCC）降低和果实产量降低。在这项研究中，我们提出了一种新的方法，该方法利用高光谱成像（HSI）技术来无损地监测APMV感染的苹果叶子，并预测LCC作为疾病严重程度的定量指标。LCC数据是从360个APMV感染的叶片中收集的，并使用竞争性自适应重新加权采样算法选择最佳波长。基于增强和堆叠策略构建了高精度LCC倒置模型，其验证集R 2 V为0.9644，表现优于传统的集合学习模型。该模型用于反转LCC分布图像，并计算每个叶子的LCC变异（CV）的平均和系数。我们的发现表明LCC的平均和简历与疾病的严重程度高度相关，并且与敏感波长的结合使疾病严重程度的准确鉴定（验证集合集合= 98.89％）。我们的方法考虑了植物化学成分的作用，并在叶片尺度上对疾病严重程度进行了全面评估。总体而言，我们的研究提出了一种有效的方法来监测和评估苹果叶的健康状况，提供了可以帮助疾病严重程度的量化指数，可以帮助预防和控制疾病。
血栓形成发展与疾病严重程度恶化之间的相关性中度共vid-19
收到2022年4月26日；修订的手稿于2022年5月19日收到； 2022年5月23日接受； Nagasaki Nagasaki Nagasaki University Biomedical Sciences研究生院长10天在线发布J-Stage Advance出版物：10天心血管医学系（S.I.U.，Y.U.，K.M.）;日本社区医疗保健组织东京新口医学中心，东京（S.Y.，M.T。）; Amagasaki的Hyogo县Amagasaki通用医疗中心（Y.N.）;萨波罗北海道大学医院（I.T.，J.N。）; Hamamatsu Hamamatsu医疗中心（N. Yamamoto，T.K。）;横田Yokosuka综合医院，Yokosuka（H.N.）;仙台Tohoku大学医院（M.U.）; Tsukuba Tsukuba医疗中心医院（S.A.）；大阪大学医学院大阪大学（H.H.）;福岛医学院，福岛医学院（H.S.）;京都京都大学医院（Y. Okuno，Y.Y。）;塞基（E.I.）; MIE大学医院，TSU（Y。Ogihara）；东京的Toho University Ohashi医学中心（N.I.）; Shikoku儿童和成人医学中心，Zentsuji（又名）; Tsukuba血管中心，Moriya（T.I.）;库瓦纳库瓦纳市医疗中心（N. Yamada）；福岛福岛Daiichi医院（T.O.）;和横滨横滨京岛医院（M.M.），日本（脚注继续下一页。）
数据驱动的表征临床，神经影像学和基于血液的指标的创伤性脑损伤严重程度
使用格拉斯哥昏迷量表（GCS）总分具有众所周知的局限性，将创伤性脑损伤（TBI）表征为轻度，中度或重度的常规临床方法，促使人们呼吁采用更复杂的策略来表征TBI。在这里，我们使用项目响应理论（IRT）来开发一种新的方法来量化TBI严重程度，该方法结合了神经影像学和基于血液的生物标志物以及临床指标。在TBI（TRACK-TBI）研究样本（n = 2545）的多中心转化研究和临床知识中，我们表明，一组23套临床，头部计算机断层扫描（CT）和基于血液的生物标志物变量熟悉临床医生和研究人员熟悉的生物标志物变量。我们说明了如何使用IRT来识别这些特征的相对值，以估计个人沿TBI严重性连续体的位置。最后，我们表明，使用这种基于IRT的新方法产生的TBI严重程度得分逐渐预测了经典临床（轻度，中，严重或国际任务）预后和分析TBI（影响）分类方法的临床试验的功能结果。我们的调查结果直接为正在进行的国际努力提供了完善和部署新的务实的，经验上支持TBI的策略，同时说明了一种可能有助于发展其他疾病的分期系统有用的策略。
麻醉家猫急性出血严重程度评分系统的开发：CABSS 评分
2016；Hanson 等人 2017）。大多数健康动物可以耐受 10% 的急性循环血容量损失而无需进行容量复苏。有几种方法可以估算术中失血量，包括测量抽吸罐中的血液量、计数浸血的拭子（海绵）和估算手术单上的血容量损失（Jutkowitz 2004）。用于评估出血的间接方法包括测量血红蛋白 [(Hb) 或血细胞比容 (Ht)]、白蛋白或总血清固体（Jutkowitz 2004）。然而，这些间接方法仅适用于评估发生代偿性液体转移后的失血量，而代偿性液体转移发生在急性出血事件后至少 2 小时（Jutkowitz 2004）。因此，对于出现严重出血的猫，容量复苏可能会延迟。此外，健康猫的血容量相对较小，范围从 52.6 ± 6.8 到 59.6 ± 5.8 mL kg e 1 ，这使确定失血量成为一个挑战（ Groom 等人，1965 年；Mott，1968 年）。另外，当胸腔和腹腔内出现被上覆器官掩盖的隐匿性出血或视野受限（胸腔镜检查和腹腔镜检查）时，确定失血量尤其具有挑战性。猫的术中出血可能未被充分认识，并且是许多已报告的心血管相关围麻醉期死亡的一个潜在风险因素（ Brodbelt，2010 年）。目前，尚无评分系统可用于辅助检测或量化清醒或麻醉伴侣动物的急性出血（Reineke 2018），但它们在人类医学中很常见（Pons 等人 1985；Baskett 1990；Yucel 等人 2006；Chico-Fernandez 等人 2011；Ogura 等人 2014；Callcut 等人 2016）。在人类医学中应用的评分系统用于识别出血性休克患者，指导复苏或作为早期输血触发因素，通常是在患者送往医院之前（Terceros-Almanza 等人 2019）。我们推测理想的评分系统应该是：1）易于计算，2）利用反映出血早期反应的生理变量，3）包括反映血液成分变化的变量，和 4）仅由在怀疑急性出血后在某个时间点可获得的变量组成。本研究的目的是确定是否有任何可立即量化的生理、血液学、生化或电解质变量可用于猫急性出血评分系统 (CABSS) 预测家猫的急性严重出血事件。我们假设在轻度或重度出血事件之前获得的任何变量值都不会与在麻醉猫中事件后测得的值不同。
功能性脑网络稀疏分层表征学习用于预测自闭症严重程度
机器学习算法已广泛应用于自闭症谱系障碍 (ASD) 的诊断工具，揭示了大脑连接的改变。然而，对于基于磁共振成像 (MRI) 的大脑网络是否与大规模队列中的 ASD 症状严重程度有关，人们知之甚少。我们提出了一个基于图卷积神经网络的框架，可以生成稀疏分层图表示以表示功能性大脑连接。我们没有为每个节点分配初始特征，而是利用特征提取器来导出节点特征，并将提取的表示输入到分层图自注意框架中，以有效地表示整个图。通过在特征提取器中结合连接嵌入，我们提出了邻接嵌入网络来表征大脑连接的异构表示。我们提出的模型变体优于具有不同配置的邻接嵌入网络和功能连接矩阵类型的基准模型。使用这种方法和最佳配置（用于节点定义的 SHEN 图集、用于连接性估计的 Tikhonov 相关性和身份邻接嵌入），我们能够以有意义的准确度预测单个 ASD 严重程度：预测和观察到的 ASD 严重程度评分之间的平均绝对误差 (MAE) 和相关性分别为 0.96 和 r = 0.61（P < 0.0001）。为了更好地理解如何生成更好的表示，我们使用典型相关分析研究了提取的特征嵌入和基于图论的节点测量之间的关系。最后，我们对模型进行了可视化，以确定对预测 ASD 严重程度评分最有贡献的功能连接。