XiaoMi-AI文件搜索系统
World File Search System全因
越南慢性心力衰竭门诊患者 BMI 与预后的关系：一项单中心研究
结果：在 320 名参与者中（年龄 63.5 ± 13.3 岁，57.9% 为男性），BMI 中位数为 21.4 kg/m 2（IQR 19.5–23.6），10.9% 的人体重过轻（BMI <18.50 kg/m 2）。在 32 个月的中位随访期内，全因死亡和住院的累积发生率分别为 5.6% 和 19.1%。经过多变量调整后，体重过轻患者的全因死亡风险显著高于 BMI 正常的患者（调整风险比 = 3.03 [95% CI：1.07–8.55]）。以连续变量形式分析时，较低的 BMI 仍与较差预后显著相关（全因死亡率每降低 1 kg/m 2 调整风险比 = 1.27 [95% CI: 1.03–1.55]）。然而，BMI 与全因住院风险无显著相关性（p > 0.05）。
利用机器学习以增强房颤的死亡风险预测：迈向精确医学的一步？
尽管在研究心房颤动（AF）和改善治疗的病理生理学方面做出了重大努力，但AF仍然是最常见的心律失常。迄今为止，有限的研究已经评估了当代患者中全因死亡率的趋势。这些数据表明，AF患者的年龄标准化全因死亡率的增加（在1990年至2019年之间增加了2.0％）[1]，并且在2007年和2016年重新培养的AF患者的1年全因死亡率没有显着提高（2007年为2007年，2016年的7.8％为7.8％）[2] [2] [2]。这种趋势强调，AF患者死亡率的风险管理仍然是一个问题。随着计算技术的开发，机器学习（ML）越来越多地应用于与AF相关的领域。与传统的回归模型相比，ML模型具有处理大量变量的能力，即使这些变量之间存在固有的相关性[3]。此使ML模型能够识别一些非传统或以前未知的风险因素，并准确地评估其在预测外的相对重要性。然而，尽管对ML的兴趣日益增加，但对于AF患者的1年全因死亡率而言，缺乏量身定制的模型。在本版《波兰心脏期刊》中，Wang等人。[4]开发了一个风险评分系统，以预测AF患者的1年全因死亡率，Cramb评分，使用极端
紧急分类，治疗和运输（ET3）模型
ET3评估使用了带有参考组的横截面设计来评估与ET3干预措施相关的结果的差异。评估的分析单位是EMS发作，包括ET3合作伙伴提供的地面救护车服务和保健服务，索引日期是地面救护车服务索赔日期。ems发作可能是尖端，tad或低敏度ED发作。1差异：Medicare A部分和B支出；全因住院；全因死亡率；以及EMS情节的索引事件之后的全因ED访问。的结果是根据索引日期和下一个日历日的同日+1基础评估的，并在索引日期和索引日期之后的五个日历日期内分别评估了五天的服务。
2021-2023 年挪威成年人口 COVID-19 mRNA 疫苗接种与全因死亡率：一项基于人群的队列研究
简介：世界上大多数国家都经历了超额死亡率，这与 COVID-19 大规模疫苗接种运动的时间相吻合。这导致人们猜测疫苗对死亡风险的潜在长期影响。方法：这项研究是一项回顾性队列研究，包括 2021 年 1 月 1 日至 2023 年 12 月 31 日期间居住在挪威的所有年龄 ≥ 18 岁的个人。从接种疫苗之日起，个人被分为未接种疫苗（未接种任何剂量）、部分接种疫苗（接种一剂或两剂）或完全接种疫苗（接种三剂或更多剂）。使用年龄分层泊松模型估计接种疫苗组之间的死亡（所有原因）发生率比，并根据性别、日历时间、居住县和风险组状态（养老院居民或患有严重 COVID-19 风险增加的既往疾病）进行调整。结果：研究纳入了 4 645 910 人（其中 49.8% 为女性），随访期间死亡人数为 132 963 人。在所有年龄组中，完全接种疫苗的人群中属于风险人群的比例高于未接种疫苗的人群，且未调整死亡率较低：18-44 岁人群中每 100 000 人年 (py) 死亡率为 51.5 vs 73.6，45-64 岁人群中每 100 000 人年死亡率为 295.1 vs 405.3，65 岁及以上人群中每 100 000 人年死亡率为 3620.2 vs 4783.8。同一年龄组的调整后死亡率 IRR 分别为 0.42（95% CI 0.38-0.47）、0.39（95% CI 0.37-0.41）和 0.42（95% CI 0.41-0.43）。接种疫苗组之间的死亡率差异在男性中较大，并在 2022 年达到峰值。结论：在挪威，2021-2023 年接种疫苗的个体全因死亡率较低。
引用发布版本（APA）：Chen，Y.，Zheng，Y。，＆Lip，G。Y. H.（2024）。利用机器学习以增强死亡率风险预测
尽管在研究心房颤动（AF）和改善治疗的病理生理学方面做出了重大努力，但AF仍然是最常见的心律失常。迄今为止，有限的研究已经评估了当代患者中全因死亡率的趋势。这些数据表明，AF患者的年龄标准化全因死亡率的增加（在1990年至2019年之间增加了2.0％）[1]，并且在2007年和2016年重新培养的AF患者的1年全因死亡率没有显着提高（2007年为2007年，2016年的7.8％为7.8％）[2] [2] [2]。这种趋势强调，AF患者死亡率的风险管理仍然是一个问题。随着计算技术的开发，机器学习（ML）越来越多地应用于与AF相关的领域。与传统的回归模型相比，ML模型具有处理大量变量的能力，即使这些变量之间存在固有的相关性[3]。此使ML模型能够识别一些非传统或以前未知的风险因素，并准确地评估其在预测外的相对重要性。然而，尽管对ML的兴趣日益增加，但对于AF患者的1年全因死亡率而言，缺乏量身定制的模型。在本版《波兰心脏期刊》中，Wang等人。[4]开发了一个风险评分系统，以预测AF患者的1年全因死亡率，Cramb评分，使用极端
心电图年龄与社区心血管事件之间的关联：弗雷明汉心脏研究
结果：研究对象包括 9877 名 FHS 参与者（平均年龄 55±13 岁；54.9% 为女性），共进行了 34 948 次心电图检查。心电图年龄与实际年龄相关（r=0.81；平均绝对误差 9±7 岁）。经过17±8年的随访，多变量模型显示，年龄每增加10年，全因死亡率就增加18%（风险比[HR]，1.18 [95% CI，1.12–1.23]），心房颤动风险增加23%（HR，1.23 [95% CI，1.17–1.29]），心肌梗死风险增加14%（HR，1.14 [95% CI，1.05–1.23]），心力衰竭风险增加40%（HR，1.40 [95% CI，1.30–1.52]）。此外，加速衰老与全因死亡率增加 28% 相关（HR，1.28 [95% CI，1.14-1.45]），而减缓衰老则与全因死亡率下降 16% 相关（HR，0.84 [95% CI，0.74-0.95]）。
20 价肺炎球菌结合疫苗及其对美国抗菌素耐药性的影响
PCV20 对婴儿的有效性基于 PCV13 的有效性，而 PCV13 的有效性已得到现实世界证据的支持。17-19 对 IPD 的直接影响基于一项 PCV13 病例对照研究 17，该研究涉及美国 2-59 个月大的儿童，该研究显示对 PCV13 中包含的血清型的有效性为 86.0%。PCV20 对全因肺炎和全因中耳炎的直接影响是使用在美国进行的 PCV7 关键功效试验的数据计算得出的。20-22 功效估计值已根据当前流行的菌株进行了调整。
生活方式与心血管和全...
目标：开发机器学习（ML）风险分层模型，以预测全因死亡率和心血管死亡率，同时估算生活方式行为因素对模型功效的影响。方法：使用40岁或40岁以上的成年人的全国代表性样本进行了前瞻性队列研究，该样本是从2007年至2010年的美国国家卫生和营养检查调查中得出的。参与者进行了全面的面试和医疗实验室检查，随后，他们的记录与国家死亡指数有关，以进行进一步分析。结果：在包括7921名参与者的队列中，记录了9。75年的平均随访持续时间，共有1911年死亡，包括585例心血管相关死亡。该模型预测了接收器操作特性曲线（AUC）下的区域的死亡率为0.848和0.829。根据ML分数将参与者分为不同的风险群体被证明有效。所有的生活方式行为与全因和心血管死亡率均表现出反相关性。随着年龄的增长，饮食评分和久坐时间的明显影响变得越来越明显，而体育活动的观察到相反的趋势。结论：我们开发了一种基于生活方式行为的ML模型，以预测全因和心血管死亡率。开发的模型为评估与生活方式相关风险的评估提供了宝贵的见解。它适用于个人，医疗保健专业人员和政策制定者，以做出明智的决定。关键词：心血管死亡率，全因死亡率，生活方式行为，风险分层，死亡率预测，机器学习。
o r i g i n a l r e s a a r c h体重指数的轨迹和糖尿病并发症的风险和全因死亡率，芬兰2型糖尿病
目标：我们旨在评估芬兰2型糖尿病患者（T2D）患者的纵向体重指数（BMI）轨迹与糖尿病并发症和全因死亡率有关。方法：在这项队列研究中，利用了芬兰北卡雷利亚市所有13个市政当局的公共小学和专业医疗服务的电子健康记录。这项研究包括2011年或2012年新诊断为T2D的889名成年人（基线62.0岁时的平均年龄）。通过生长混合物建模（GMM）估算了从T2D诊断到2014年的单个BMI轨迹。使用COX回归模型估算了BMI轨迹组的微血管并发症，大血管并发症，任何糖尿病并发症以及全因死亡率的危险比（HRS），用于微血管并发症，大血管并发症，任何糖尿病并发症以及全因死亡率。 结果：使用GMM鉴定了三个不同的BMI轨迹组，并标记为以下标记：“稳定”（n = 774，87.1％），“减少”（n = 87，9.8％）和“增加”（n = 28，3.1％）。 在8年的中位随访中，有119例（13.3％）的微血管并发症患者，187（21.0％）患有大血管并发症，258（29.0％），任何糖尿病并发症，180（20.2％）死亡。 与“稳定” BMI相比，“增加” BMI与微血管并发症的风险增加有关（HR = 2.88，95％CI：1.32至6.28），大血管并发症，HR = 2.52，95％CI：95％CI：1.17至5.43），以及任何糖尿病（HR）和任何糖尿病（HR）。 量身定制的治疗对于有效防止体重增加和降低糖尿病并发症的风险至关重要。危险比（HRS），用于微血管并发症，大血管并发症，任何糖尿病并发症以及全因死亡率。结果：使用GMM鉴定了三个不同的BMI轨迹组，并标记为以下标记：“稳定”（n = 774，87.1％），“减少”（n = 87，9.8％）和“增加”（n = 28，3.1％）。在8年的中位随访中，有119例（13.3％）的微血管并发症患者，187（21.0％）患有大血管并发症，258（29.0％），任何糖尿病并发症，180（20.2％）死亡。与“稳定” BMI相比，“增加” BMI与微血管并发症的风险增加有关（HR = 2.88，95％CI：1.32至6.28），大血管并发症，HR = 2.52，95％CI：95％CI：1.17至5.43），以及任何糖尿病（HR）和任何糖尿病（HR）。量身定制的治疗对于有效防止体重增加和降低糖尿病并发症的风险至关重要。与“稳定” BMI相比，“减少” BMI与全因死亡率的风险增加有关（HR = 1.90，95％CI：1.14至3.15）。结论：我们的发现强调了T2D患者的连续BMI监测和体重管理的重要性。关键字：体重指数轨迹，2型糖尿病，糖尿病并发症，全因死亡率
氧化平衡评分与心血管的氧化平衡评分的关联，并且所有哮喘患者的死亡率
哮喘构成了巨大的社会成本，有益健康的饮食以及充满活力的生活方式可能会增强产后结果。令人遗憾的是，对饮食和生活方式方面的实证研究仍然很少。氧化平衡评分（OBS），量化饮食元素和生活方式参数的氧化应激，缺乏与哮喘患者之间的整体和心血管死亡的明确联系。来自NHANES（1999-2020）的数据用于研究哮喘患者中观察指数与全因与心血管死亡率之间的相关性。严格，以证明发现结果。这项研究最终包括4,639名平均年龄为42.55岁且男性43.46％的人。Kaplan-Meier曲线表明，具有较低ob obs四分位数的哮喘患者患有全原因和心血管死亡的风险更高。 在完全调整的模型2中，与哮喘的下四分位四分位数相反，在OBS中，哮喘患者上四分之一的全因死亡率的HR为0.37（95％CI：0.26，0.53）。 心血管疾病死亡率表现出一致性（Q4，HR：0.43，95％CI：0.19，0.98）。 在不同模型和亚组评估中，哮喘患者的OBS索引与全原因和心血管死亡率之间的关联保持稳定。 限制的立方样条曲线表明，哮喘患者中的OBS与全因和心血管死亡率线性相关。 灵敏度分析加强了哮喘患者的OBS指数与死亡率之间的负相关性。Kaplan-Meier曲线表明，具有较低ob obs四分位数的哮喘患者患有全原因和心血管死亡的风险更高。在完全调整的模型2中，与哮喘的下四分位四分位数相反，在OBS中，哮喘患者上四分之一的全因死亡率的HR为0.37（95％CI：0.26，0.53）。心血管疾病死亡率表现出一致性（Q4，HR：0.43，95％CI：0.19，0.98）。在不同模型和亚组评估中，哮喘患者的OBS索引与全原因和心血管死亡率之间的关联保持稳定。限制的立方样条曲线表明，哮喘患者中的OBS与全因和心血管死亡率线性相关。灵敏度分析加强了哮喘患者的OBS指数与死亡率之间的负相关性。哮喘患者的OBS指数与全因和心血管死亡率负相关，强调了抗氧化剂饮食的保护作用以及哮喘患者的健康生活方式。