XiaoMi-AI文件搜索系统
World File Search System不良
HPV疫苗在接受手术的患者宫颈发育不良的次要预防广泛的小细胞肺癌中的预后因素：LIPI，MGP和PIV评分的评估
目的：本研究研究了三个基于全身炎症指标的预后意义，即肺免疫预后指数（LIPI），改良的格拉斯哥预后评分（MGP）和泛 - 免疫炎症（PIV） - 具有广泛的小型细胞癌症（Es-Spllince）的患者（pan-primune-platemative offient）。方法：这项回顾性研究包括135名ES-SCLC患者。LIPI，MGP和PIV。Kaplan-Meier和Cox回归分析用于评估这些指数与无进展生存率（PFS）和总生存期（OS）的关联。结果：与分数为0相比，LIPI评分为2的患者的OS（P = 0.002）和PFS（P = 0.001）明显较差。在MGP或PIV和生存结果之间未观察到没有显着关联。多变量分析确定了LIPI，预防性颅骨照射和女性是独立的预后因素。lipi得分两个与较差的OS（HR：2.18； P = 0.016）和PFS（HR：2.20; P = 0.012）相关，而PCI和女性性别则是有利的预后因素。结论：LIPI是接受一线基于铂金化疗的ES-SCLC患者的独立预后因素。将LIPI纳入临床实践可以改善风险分层并指导个性化治疗策略。关键词：小细胞肺癌；预后因素；肺免疫预后指数；修改的格拉斯哥预后评分，泛免疫 - 炎症值
使用人工智能检测模型测量乳房动脉钙化及其与主要不良心血管事件的关联
从标准乳腺X线摄影图像获得的乳腺动脉钙化（BAC）通常在评估范围内，以分层女性重大不良心血管事件的风险。使用人工智能（AI）技术测量BAC，我们旨在确定BAC和冠状动脉钙化（CAC）严重程度与重大不良心脏事件（MACE）之间的关系。这项回顾性研究包括在乳房X线摄影后一年内进行胸部计算机断层扫描（CT）的女性。t检验评估了感兴趣的MACE与变量之间的关联（BAC与MACE，CAC与MACE）。风险差异以捕获观察到的风险和参考组的差异。卡方检验和/或Fisher的精确测试，以评估使用MACE的年龄和ASCVD风险，并通过动脉粥样硬化心血管疾病（ASCVD）的风险评估BAC和CAC协同。进行了逻辑回归模型，以衡量解释变量（BAC和CAC）与结果变量（MACE）之间的几率比。在分析中包括的99名患者中，有49例患者（49.49％）为阳性，37例患者（37.37％）CAC阳性，26例患者（26.26％）患有MACE。BAC得分的一个单位增加导致中度至高ASCVD风险> 7.5％（p = 0.01）和2％增加MACE的几率增加了6％（p = 0.005）。BAC阳性患者中等高度ASCVD风险评分的几率高（OR = 4.27，95％CI 1.58–11.56）比CAC阳性患者（OR = 4.05，95％CI 1.36–12.06）。在这项研究人群中，BAC的存在与MACE有关，可用于证实ASCVD风险。我们的结果提供了证据，以支持除了广泛的护理乳房X线照片外，还可以利用AI生成的BAC测量。
TCR CDR3-CMV 抗原化学互补与肾细胞癌的不良预后相关
摘要。背景/目的：由于病毒是癌症的主要病因还是合并症的问题仍未得到解决，我们使用基因组学和生物信息学方法研究了肾细胞癌 (RCC) 环境中对巨细胞病毒 (CMV) 的潜在免疫反应。材料和方法：具体来说，我们评估了实体组织正常驻留、T 细胞受体 (TCR) 互补决定区 3 (CDR3) 和 CMV 抗原的化学互补性评分 (CS)，并确定较高或较低的 CS 组是否与较高或较低的生存概率相关。结果：事实确实如此，所有此类分析一致表明，代表较高 TCR CDR3-CMV 抗原化学 CS 的病例的总体和无进展生存率较低。这一基本结果是针对两个独立的 RCC 数据集和多个 CMV 抗原获得的。结论：结果提出了一个问题，即全身性 CMV 感染在多大程度上可能代表 RCC 的重要合并症。肾细胞癌 (RCC) 是肾脏最常见的恶性肿瘤，是男性第六大常见癌症。RCC 的最大风险因素是吸烟 (1, 2)。遗传因素也可能发挥作用，例如存在 VHL 基因的突变形式 (2)。RCC 通常预后良好，五年生存率
免疫报告表格后的不良事件
《 2009年信息隐私法》规定了卫生机构可以收集个人信息的方式，以报告免疫后报告不良事件（AEFI）。《 2005年公共卫生法》要求将AEFI报告给昆士兰州健康，以纳入可识别的条件登记册（NOC）。如果在发生不良事件后需要进一步跟进，则将使用存储在可知条件寄存器上的信息。AEFI报告并收集诸如接种人的姓名，联系信息和相关健康信息之类的详细信息。与不良事件有关的详细信息，与不良事件后跟进有关的重要病史，管理疫苗的提供者的详细信息，记者的详细信息和疫苗接种详细信息，并记录为每个AEFI报告。授权的昆士兰州健康状况可以访问该信息，以进行临床随访和监测。除非法律允许或要求，未经许可或没有许可，将不会访问或授予任何其他人或组织。 For information about how Queensland Health protects personal information, or to learn about the right to access your own personal information, please see our website at www.health.qld.gov.au/system-governance/records-privacy All reports are provided to the Therapeutic Goods Administration (TGA) to be entered into the TGA's Australian Adverse Drugs Reactions System (the ADRS). 有关TGA如何使用报告的不良事件信息的信息，请访问www.tga.gov.au/safety/problem.htm未经许可或没有许可，将不会访问或授予任何其他人或组织。For information about how Queensland Health protects personal information, or to learn about the right to access your own personal information, please see our website at www.health.qld.gov.au/system-governance/records-privacy All reports are provided to the Therapeutic Goods Administration (TGA) to be entered into the TGA's Australian Adverse Drugs Reactions System (the ADRS).有关TGA如何使用报告的不良事件信息的信息，请访问www.tga.gov.au/safety/problem.htm
o r i g i n a l r e s a r c h构建和基于机器学习的风险预测模型的主要不良心血管事件的比较
背景：围绝经期是具有卵巢衰竭迹象的女性生理变化的时期，包括绝经期和更年期后的1年。卵巢功能在上绝经妇女中下降，雌激素水平降低会导致各种器官功能的变化，这可能导致心血管疾病。重大的不良心血管事件（MACE）是临床事件的组合，包括心力衰竭，心肌梗塞和其他心血管疾病。因此，本研究探讨了影响围绝经内膜妇女中MACE发生的因素，并使用三种算法为MACE风险因素建立了预测模型，从而比较了其预测性能。患者和方法：总共411名被诊断为Binzhou医科大学医院诊断为MACE的绝经妇女被随机分为训练集和7：3之后的测试组。根据每个变量10个事件的原理，训练集样本量就足够了。在训练集中，随机森林（RF）算法，反向传播神经网络（BPNN）和逻辑回归（LR）用于构建半绝经期妇女的MACE风险预测模型，并使用了测试集来验证该模型。根据主题操作特征曲线（AUC）下的准确性，灵敏度，特异性和面积（AUC）评估了模型的预测性能。结果：总共包括26个候选变量。RF模型，BPNN模型和逻辑回归模型下ROC曲线下的面积为0.948、0.921和0.866。对逻辑回归和预测MACE风险的ROC曲线AUC的比较显示出统计学上的显着差异（z = 2.278，p = 0.023）。结论：RF模型在预测围绝经内苏联妇女的狼牙棒风险方面表现出良好的表现，该妇女提供了早期识别高危患者和有针对性干预策略的发展的参考。关键字：主要的不良心血管事件，机器学习，围绝经期，风险因素
2025 年 1 月 HAROLD VINCENT 接触不良......
当选国家和国际科学院院士 爱尔兰皇家科学院荣誉院士（2024 年当选） 美国科学与文学院院士（2024 年当选） 澳大利亚科学院通讯院士（2024 年当选） 印度科学院荣誉院士（2023 年当选） 印度国家科学院外籍院士（2023 年当选） 加拿大皇家学会外籍院士（2021 年当选） 海德堡科学院通讯院士（2020 年当选） 中国科学院外籍院士（2017 年当选） 韩国国家科学院荣誉院士（2017 年当选） 韩国国家工程院外籍院士（2017 年当选） 美国国家发明家科学院院士（2015 年当选） 世界科学院院士（2015 年当选） 英国皇家学会外籍院士（2014 年当选）欧洲科学院外籍院士（2013 年当选）英国爱丁堡皇家学会通讯院士（2013 年当选）美国国家科学院院士（2011 年当选）英国皇家工程院国际院士（2009 年当选）美国艺术与科学学院院士（2005 年当选）美国国家工程院院士（2001 年当选）
气候对营养不良和儿童食品贫困的影响
2 METHODS ....................................................................................................................................... 3 2.1 Survey Population and Design ............................................................................................ 3 2.2 Data Sources ...................................................................................................................... 3 2.3 Outcomes Variables .......................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................