目标:为了提高同伴领导者培训的质量,这项研究为老年人患有糖尿病的老年同伴领导者开发了一个基于理论的自我管理培训计划,并评估了其可行性。背景:当前的自我管理计划主要是由医疗保健专业人员实施的,但是医疗保健人员可能因缺乏类似的疾病经验而无法完全了解疾病管理中老年人的需求和障碍。为了解决这个问题,拥有成功的自我管理经验,类似的文化背景和语言以及相关疾病经验的同伴领导者接受了培训,以指导和指导同伴在自我管理计划中。研究设计和方法:这项研究分为两个阶段。在第1阶段,基于经验学习理论作为框架工作和自我调节理论作为活动设计策略制定了同伴领导者培训计划。在第2阶段,通过参与者对培训计划的反馈评估了计划可行性:出勤,未来领导同伴领导的自我管理计划的意愿以及由同伴领导者培训评估工具评估的领导能力。结果:在这项研究中,同伴领导者通过表达积极领导社区中的自我管理计划的意愿来表现出良好的领导能力。同伴领导者的反馈表明,该计划的培训内容有助于使同伴领导者指导老年人学习自我管理技能,并提高同伴领导者在指导自我管理方面的能力和信心。结论:这项研究的结果表明,同伴领导者训练可以影响糖尿病老年人自我管理的效率和成功。即使在一项小型研究中,影响也很明显,这证明了该计划的可行性。建议对各种同伴领导者培训计划在各种学科中的有效性进行更多大规模研究。临床试验注册中心:临床Trials.gov标识符:NCT04298424(同伴领导的自我管理计划)。关键字:老年人,同伴领袖,糖尿病,基于理论的,同伴领导,自我管理
使用卷积神经网络对阿尔茨海默病进行诊断和分类 1 算法 2 3 4 Mosleh Hmoud Al-Adhaileh 5 沙特阿拉伯费萨尔国王大学电子学习和远程教育院长,邮政信箱 4000 Al-Ahsa,6 沙特阿拉伯 7 * 通讯:madaileh@kfu.edu.sa 8 9 10 摘要 11 12 阿尔茨海默病 (AD) 是一种高风险和萎缩性神经疾病,它会缓慢而逐渐地破坏脑细胞(即神经元)。作为最常见的智力低下类型,AD 影响了 60-65% 的智力低下患者 14 ,对中老年人的健康构成重大威胁。为了在早期对 15 AD 进行分类,已经开发了分类系统和计算机辅助诊断技术 16 。以前,机器学习方法通过从神经图像中提取特征来开发诊断系统。目前,深度学习方法已用于许多实时医学成像应用。在本研究中,两种深度神经网络技术 AlexNet 和 Restnet50 被用于 AD 的分类和识别。本研究中用于评估和测试所提模型的数据包括从 Kaggle 网站收集的脑磁共振成像 (MRI) 图像。卷积神经网络 (CNN) 算法被应用于有效地对 AD 进行分类。使用 AlexNet 和 Restnet50 传输学习模型对 CNN 进行预训练。该实验的结果表明,所提出的方法在检测精度方面优于现有系统。AlexNet 模型根据脑 MRI 数据集的五个评估指标 (准确度、F1 分数、精确度、灵敏度和特异性) 取得了出色的性能。 AlexNet 的准确率为 94.53%,特异性为 98.21%,F1 得分为 27 94.12%,灵敏度为 100%,优于 Restnet50。所提出的方法有助于改进医学研究中 AD 的 CAD 28 方法。29 30 31 关键词:计算机辅助、卷积神经网络、人工智能、阿尔茨海默病。32 33 34 1. 简介 35
摘要 在早期发现与 2 型糖尿病 (T2DM) 相关的危险因素可能有助于减少甚至预防该疾病的未来后果。迄今为止,尚未对利比亚大学生进行有关超重或肥胖等相关危险因素的研究。本研究的目的是确定的黎波里大学学生的血糖水平与人体测量数据、年龄和 2 型糖尿病家族史之间的任何相关性。一项横断面研究涉及 246 名大学生 (年龄 18-43 岁) 的调查问卷、人体测量和血糖水平。招募工作于 2024 年 7 月 15 日至 8 月 1 日在的黎波里大学医学技术学院的研究实验室进行。Pearson 相关性检验显示血糖水平与臀围之间存在正相关性 [r= 0.139,P= 0.029]。接近统计学意义水平的另外两个风险因素是体重 [r= 0.115,P= 0.071] 和 BMI [r= 0.117,P= 0.067]。通过鼓励年轻人将臀围保持在正常范围内,可以预防或减轻 2 型糖尿病。引用此文章。Al-Deib A、Eljali S、Ehfied N、Alallam F。的黎波里大学大学生血糖水平与体质测量值的相关性。Alq J Med App Sci。2024;7(4):1109-1115。https://doi.org/10.54361/ajmas.247427 引言 2 型糖尿病 T2DM 最初被认为是一种影响中老年人的疾病,然而,现在甚至在更年轻的年龄(青少年和年轻人)也观察到了它。一项旨在监测美国 2 型糖尿病患病率的多中心研究显示,10 至 20 岁人群的 2 型糖尿病患病率有所上升 [1]。现有的研究表明,30 多岁的人患 2 型糖尿病的可能性越来越大 [2]。鉴于该年龄组 2 型糖尿病的患病率,利比亚的黎波里的大多数大学生都属于这个年龄段,对这个群体进行检测将有助于了解和有效治疗该国的糖尿病。此外,国际糖尿病联合会 (IDF) 糖尿病图谱(第 10 版,2021 年)发现,2021 年(针对 20-79 岁人群),全球成年人口中有 10.5% 患有糖尿病。预计到 2045 年,这一患病率将上升到 12.2% [3]。不良的生活习惯(如久坐不动、缺乏体育锻炼、饮食质量差、饮酒和吸烟以及睡眠不足)与肥胖有关,尤其是在占青年人口相当一部分的本科生中 [4–6]。本科生肥胖问题进一步加剧,原因是
世界目前正在经历显着的人口转变,其特征是人口老龄化的人数迅速增加。这个人口里程碑预计将在未来几年达到前所未有的水平(联合国,2019年)。医疗保健和生活水平的进步导致个人的寿命增加,从而显着增加了全球人口中老年人的比例(Quora,2022)。在2022年,全球65岁以上的个体人口超过7.7亿,这意味着十分之一以上的人是老年人(Alvarez,2023年)。东亚和东南亚是65岁以上的老年人数量最多的家园,占约2.6亿个人,其次是欧洲和北美的年龄段超过2亿年龄较大的年龄较大的人,是老年人百分比最高(超过17%)(超过17%)(联合国,2019年)。这些数字预计将在未来三十年中增加,到2030年,全球范围内有六人一数字65岁或超过65岁,预计到2050年,这一数字将翻一番,达到15亿人。尤其是在低收入和中等收入国家,预计80%的老年人居住,医疗保健挑战可能是显着的[世界卫生组织(WHO),2023年]。慢性非传染性疾病,包括心脏病,癌症和慢性呼吸道疾病,通常伴随着衰老的过程(Prince等,2015)。通过将可靠的设备和传感器嵌入房屋中,AAL创建了“智能家庭”环境(Domb,2019年)。比较这些条件需要专门的医疗保健服务,以监控各种健康指标,包括体育活动,心率,血压和睡眠质量(很快,2019年)。积极的辅助生活(AAL)技术,即旨在利用技术进步维持老年人生活独立性的技术,已成为满足老龄化人口的医疗保健需求的有希望的解决方案。与人工智能(AI)结合使用时,智能家庭技术(SHTS)有可能协助家庭中的日常功能并监测,治疗和管理慢性健康状况(Philip and Williams,2019年)。此外,智能家园可以使护理人员为老年人提供更好的医疗保健,甚至可以减少对看护人的依赖(Frisardi和Imbimbo,2011年)。智能家居设备可以以不引人注目的方式连续捕获与健康相关的信息,从而为老年人提供更安全的独立生活(Wang等,2021)。将SHT与AI的整合在一起,具有不断观察,建模和理解人类行为的潜力,并确定了对干预措施的早期警告(Chen等,2014)。
脑脊液体积在 24 个月时恢复正常(12),这与横断面研究中老年人胼胝体体积减小的报告一致(13)。脑脊液体积的变化轨迹代表了另一种发育模式,即在被诊断为 ASD 的儿童中,从 6 个月大(14、15)到 4 岁(16)期间持续增加。综上所述,这些研究表明,ASD 儿童出生后早期大脑发育会发生一系列年龄特异性变化,同时行为也会发生动态变化。这表明,婴儿早期的症状前大脑变化可能代表一系列相互关联的大脑和行为变化,这些变化会导致自闭症整个综合症的出现,并在生命的 2 和 3 年内巩固为一种临床可诊断的疾病(17)。进一步描述大脑变化的性质和顺序将为阐明这种疾病的发病机制提供重要线索,并为制定针对这些发展轨迹的针对性干预措施提供信息。尽管长期以来,结构和功能神经影像学和尸检研究表明皮层下结构,特别是杏仁核,与 ASD 有关,但尚无研究检查过 ASD 婴儿期皮层下大脑发育的性质和时间。神经影像学研究表明 2 至 4 岁的 ASD 儿童杏仁核增大(18 – 22),尸检研究表明杏仁核神经元数量过多(23)和树突棘密度增加(24)可能是导致早期杏仁核过度生长的细胞过程。然而,绝大多数神经影像学研究都是横断面研究,并且是在确诊后的儿童(即 2 岁及以上)中进行的,因此无法了解杏仁核增大的发育时间过程、其与出现诊断特征和最终诊断的时间关系,以及增大是杏仁核特有的还是也发生在婴儿期的其他皮质下结构中,例如基底神经节。此外,对患有 ASD 的婴儿进行的神经影像学研究尚未检查 ASD 与其他神经发育障碍关系中脑部发现的特异性。在这项研究中,我们检查了选定的皮质下结构(杏仁核、尾状核、壳核、苍白球、丘脑)的纵向结构 MRI,以对比四组婴儿出生后早期脑发育情况:患有脆性 X 综合征(FXS)的婴儿;患自闭症可能性较高的婴儿(因为有一个患有自闭症的哥哥姐姐),后来患上了自闭症;患自闭症可能性较高的婴儿没有患上自闭症;对照组婴儿患自闭症的可能性较低,但发育正常。研究设计通过对比特发性自闭症(一种行为定义的发育障碍)与遗传定义的障碍 FXS 的大脑和行为发育,研究了疾病特异性问题。具有重叠的认知和行为特征(25)。此外,我们注意到,这项研究将家族性自闭症(自闭症的一个亚组,其病因通常归因于常见的多基因遗传[26])与 FXS(一种遗传性发育障碍和