XiaoMi-AI文件搜索系统
World File Search System严重程度
使用回归分析监测单通道脑电图数据的轻度认知障碍的疾病严重程度
摘要：认知健康的声音偏差称为轻度认知障碍（MCI），尽早监测它以防止痴呆症，阿尔茨海默氏病（AD）和帕金森氏病（PD）等复杂疾病。传统上，使用蒙特利尔认知评估（MOCA）对MCI严重性进行了手动评分来监测。在这项研究中，我们提出了一种新的MCI严重性监测算法，并通过自动产生与MOCA评分等效的严重程度得分来回归分析单通道电 - 摄影（EEG）数据的提取特征。我们评估了用于算法开发的多试验和单轨分析。进行多试验分析，从与突出的事件相关电位（ERP）点和相应的时域特征中提取了590个特征，我们利用Lasso回归技术选择了最佳功能集。经典回归技术中使用了13个最佳特征：多元回归（MR），集合回归（ER），支持向量回归（SVR）和Ridge回归（RR）。对ER的最佳结果是1.6的RMSE和剩余分析。在单审分析中，我们从每个试验中提取了一个时间 - 频图图像，并将其作为对构建的卷积深神经网络（CNN）的输入。这种深CNN模型的RMSE为2.76。据我们所知，这是从单渠道脑电图数据中使用多试和单个数据生成与MOCA相当于MOCA的MCI严重程度的自动分数。
重复扩展大小在预测RFC1疾病的发病年龄和严重程度的作用
RFC1疾病是由RFC1中双重重复扩张引起的，就发病年龄，疾病进展和表型而言，在临床上是异质的。 我们研究了重复大小在影响RFC1差异中的临床变量中的作用。 我们还评估了重复的减数分裂和体细胞不稳定性的存在和作用。 在这项研究中，我们确定了553名携带双重RFC1扩展的患者，并测量了392例病例的重复扩张大小。 Pearson的系数计算以评估疾病发作时重复大小与年龄之间的相关性。 采用了一个具有鲁棒簇标准误差的COX模型来描述重复大小对年龄的影响，对每种症状发作时的年龄以及疾病进展的影响。 用于分析表型与重复大小之间的关系的一种准辉导回归模型。 我们进行了多元线性回归，以评估重复大小与小脑萎缩程度的关联。 减数分裂的稳定性是通过在27个概率的一级亲戚身上印迹的。 最后，通过在四个验尸病例的小脑和额叶皮层上的光学基因组映射以及未受影响的外围组织研究了体细胞不稳定。 具有更复杂表型的患者携带较大的扩张[较小的等位基因：复杂的神经病率比（RR）= 1.30，p = 0.003;小脑共济失调，神经病和前庭症综合症（画布）RR = 1.34，RFC1疾病是由RFC1中双重重复扩张引起的，就发病年龄，疾病进展和表型而言，在临床上是异质的。我们研究了重复大小在影响RFC1差异中的临床变量中的作用。我们还评估了重复的减数分裂和体细胞不稳定性的存在和作用。在这项研究中，我们确定了553名携带双重RFC1扩展的患者，并测量了392例病例的重复扩张大小。Pearson的系数计算以评估疾病发作时重复大小与年龄之间的相关性。采用了一个具有鲁棒簇标准误差的COX模型来描述重复大小对年龄的影响，对每种症状发作时的年龄以及疾病进展的影响。用于分析表型与重复大小之间的关系的一种准辉导回归模型。我们进行了多元线性回归，以评估重复大小与小脑萎缩程度的关联。减数分裂的稳定性是通过在27个概率的一级亲戚身上印迹的。最后，通过在四个验尸病例的小脑和额叶皮层上的光学基因组映射以及未受影响的外围组织研究了体细胞不稳定。具有更复杂表型的患者携带较大的扩张[较小的等位基因：复杂的神经病率比（RR）= 1.30，p = 0.003;小脑共济失调，神经病和前庭症综合症（画布）RR = 1.34，较小和较大等位基因的重复大小较大与神经系统发作时的年龄相关[较小的等位基因危害比（HR）= 2.06，p <0.001;较大的等位基因hr = 1.53，p <0.001]，并且具有较高的出现疾病症状的危险，例如质心thiria或dysphagia（较小的等位基因hr = 3.40，p <0.001；较大的等位基因hr = 1.71，p = 0.002），p = 0.002）或独立的步行（较小的等位基因hr = 2.78，p <0.78，p <0.001; 课程。
癫痫的严重程度与结节性硬化症复合物的婴儿的头围和生长速率有关
结节性硬化症复合物（TSC）是一种遗传疾病，其特征是细胞过度生长，在整个人体中产生Hamartomas或良性肿瘤。hamartomas通常在脑实质中最常形成，它们被称为块茎。TSC与70-90％的寿命癫痫患者和自闭症谱系障碍（ASD）患病率为40-50％有关（Portocarrero LKL，2018）。块茎中的异常细胞取代了健康细胞，而不是增加大脑中细胞的总数（Crino，2010年），并且有关头圆周长（HC）和宏观畸形（HC大于2个标准偏差高于平均值的HC）的报告是稀疏的（Fidler DJ，2000）。HC增加可能反映了脑实质体积和/或脑脊液（CSF）体积增加（Bartholomeusz HH，2002）。大型畸形以TSC和其他发育障碍的速度为14–29.7％，但仅此前尚未报道过TSC人群中的脑头畸形率（Fidler DJ，2000）（Webb DW，1996）。TSC中HC和癫痫之间的关系也没有先前研究过。
睡眠效果周期障碍增加了糖尿病患者的Covid-19严重程度的风险
在本文中，我们探讨了昼夜节律破坏的风险，并对Covid-19期间糖尿病患者的睡眠唤醒周期产生影响。睡眠持续时间和质量与葡萄糖水平的稳定性之间的关联是良好的。因此，在大流行期间，暴露于循环提示中的变化和局限性，这些提示吸收了昼夜节律，例如浅黑色和社交互动，我们假设昼夜节律节奏的力量和稳定性会降低，如果措施不采取措施有意识地造成包括Zeitgebers在内的常规的措施。知道睡眠 - 吸引周期破坏会损害褪黑激素的产生，免疫系统的反应和葡萄糖代谢，并且糖尿病患者在被SARS-COV-2感染感染时（尤其是如果血糖不超出目标），对预后不良的风险较高，我们建议这些人对这些人进行适当的态度，以保持良好的态度，以保持良好的态度。关键字：糖尿病；冠状病毒感染；大流行；昼夜节律；睡眠障碍；昼夜节律； SARS病毒。
预测印度尼西亚心力衰竭患者的严重程度和再入院风险：一种机器学习方法
目标：在印度尼西亚，心力衰竭患者（HF）的预后不良和高医院再入院率尚未受到关注。但是，机器学习（ML）方法可以帮助缓解这些问题。我们旨在确定哪种ML模型最能预测的HF严重程度和医院再入院，并可以用于患者自我监测移动应用。方法：在一项回顾性队列研究中，我们在2020年，2021年和2022年收集了HF接受HF的患者数据。使用橙色数据挖掘分类方法分析数据。ML支持算法，包括人工神经网络（ANN），随机森林，梯度增强，幼稚的贝叶斯，基于树的模型和逻辑回归用于预测HF严重性和医院再入院。使用曲线（AUC），准确性和F1得分下的区域评估了这些模型的性能。结果：在543例HF患者中，3例（0.56％）因入院死亡而被排除。医院再入院发生在138名患者中（25.6％）。在测试的六种算法中，ANN在预测HF严重程度（AUC = 1.000，准确性= 0.998，F1-得分= 0.998）和HF的再入院方面表现出最佳性能（AUC = 0.998，精度= 0.975，F1评分= 0.972）。其他研究显示了最佳算法的可变结果，以预测HF患者的医院再入院。结论：ANN算法最能预测HF严重性和医院再入院，并将集成到移动应用程序中，以进行患者自我监控以防止再入院。
三尖瓣反流：了解病理生理学，严重程度分级和结果的最新进展
从修改的视图或2D经透过食管超声心动图（TOE）经胃中短轴视图或使用任何一种模态的3D体积渲染的等效物上对任何2D经胸超声心动图（TTE）进行。在该术语建议中，深层压痕和真实的委员被认为是与之相同的，并用于识别超级传单。可以通过这样的观察结果证明，在传单中两个褶皱或真实的连击都伴随着沿着小叶边缘的弦数，并创建了潜在的位点，以使小叶边缘发生障碍。然后由以下方式定义了一个单独的小叶：（i）从邻近的传单中独立运动，（ii）收缩中的彩色多普勒流动延伸到小叶周围的区域。四个主要类传单的流行形态如图2所示：I型是经典的3叶形态。 II型是2叶的形态，并具有前后和后叶的融合； III类型是基于第四个传单的位置的4叶型配置。 IV型具有> 4个传单。
基于疾病严重程度的2型糖尿病的子组不平行生活质量差异：Maastricht研究
摘要目的/假设2型糖尿病是一种高度异质性疾病，基于疾病的严重程度，已提出了新的亚组（“群集”）：中度与年龄相关的糖尿病（MARD），中度肥胖相关糖尿病（MOD），与严重的胰岛素缺乏胰岛素的糖尿病（S s SIDIDDIDDIDDIDDIDDIDDIDDIDDIDDIDD）。尚不清楚这些簇中如何反映疾病的严重程度。因此，我们旨在研究以前定义的2型糖尿病簇中生活质量的聚类特征和群集的演变。方法，我们包括Maastricht研究中有2型糖尿病的人，他们根据最近的质心方法分配给簇。我们使用逻辑回归来评估与糖尿病相关并发症的聚类关联。我们绘制了随着时间的推移，我们绘制了HBA 1C水平的演变，并使用了Kaplan-Meier曲线和Cox回归来评估聚类的时间以达到足够的血糖控制。基于简短表格36（SF-36）的生活质量也随着时间的流逝而绘制，并使用广义估计方程对年龄和性别进行了调整。随访时间为7年。分析是针对已诊断和已诊断为2型糖尿病的患者进行的。结果我们包括了127个新诊断的新诊断和585个已经诊断出的个体。已经诊断出SIDD群集中的人比其他簇中的人少于血糖控制的可能性较小，而HR的可能性较小，而MARD为0.31（95％CI 0.22，0.43）。特别是，在生活质量方面，MOD群集似乎并不中等。在新近和已经被诊断的个体中，SF-36的心理成分得分几乎没有差异。在两组中，MARD簇的物理组件得分的SF-36比其他群集都高，并且MOD簇的得分与SIDD和SIRD簇的得分相似。结论/解释性疾病的严重程度由2型糖尿病的簇建议，并未完全反映在生活质量中。在实践中应仔细考虑使用建议的集群名称，因为非中性命名法可能会影响2型糖尿病及其医疗保健提供者的个体中的疾病感知。
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。）
高级临床见解的创新自动糖尿病性视网膜病变严重程度分级
[2]电子和电气工程可爱的专业大学，旁遮普省，印度摘要：糖尿病性视网膜病（DR）是一种影响视网膜的危险眼疾，可能导致视力丧失和失明，尤其是在糖尿病患者中。早期识别对于良好的结果至关重要，但是只能通过耗时和劳动密集的彩色眼镜图片来诊断糖尿病性视网膜病。为了克服这一挑战，这项研究提出了一种基于深度学习的策略，该策略通过增强的神经网络（IDR-ENN）使用糖尿病性视网膜病变分级，将视网膜图片分类为糖尿病性视网膜病的不同阶段。在一个数据集中对所提出的方法进行了培训，该数据集包括测试集中的2200张照片和训练集中的11000个彩色视网膜图像。模拟结果表明，基于IDR的算法可以达到极好的准确性，灵敏度和特异性。在这项研究中，我们提出了一种方法来显着减少糖尿病性视网膜病变检测的计算时间。一种NovelIdr-enn方法可在糖尿病性视网膜病变检测的训练计算时间中显着减少85％。本文的总体结论强调了深度学习的潜力，以改善糖尿病性视网膜病的诊断和分级，这可能会对预防由这种疾病引起的失明产生重大影响。关键字：深度学习，糖尿病性视网膜病，盲型跨跨神经网络+，诊断，分级，预防1。简介
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。