XiaoMi-AI文件搜索系统
World File Search System同类
国际港口战略课程 21/2024
§4º 在无需求或豁免的直接合同中，当无法按照本条第1º、2º 和 3º 款规定的方式估计标的物的价值时，承包商必须事先证明价格与同类合同中同类标的物的价格一致，方法是出示行政当局在签订合同之日前 1（一）年内向其他承包商开具的发票，或通过其他适当方式。
研究论文U形的甘油三酸酯与NAFLD的正常血糖男性中糖尿病的风险之间的相关性：人口基数同类
背景：血清甘油三酸酯（TG）是非酒精性脂肪肝病（NAFLD）的重要生物标志物，TG与2型型糖尿病之间的关联仍在争议中，一些研究表明TG升高会增加T2DM的风险，而其他则表示负面关系。这些有争议的发现可能部分是由于将参与者纳入NAFLD。NAFLD患者中TG与2型糖尿病型糖尿病之间的关联尚不清楚。因此，这项研究旨在表征基线TG水平与与NAFLD的雄性日本男性队列中的基线TG水平与入射2型糖尿病的关系。方法：从2004年至2015年进行的Nagala（GIFU地区纵向分析中的NAFLD）研究总共有1221名NAFLD的男性。COX比例危害模型，以检查基线TG浓度与2型糖尿病入射之间的关系。探索了两种绘制的线性回归模型，以评估基线TG水平通过使用平滑函数对2型糖尿病发射的阈值效应。结果：在6。05年的中位随访期间，基线时有39名NAFLD的男性患有2型糖尿病。在完全调整混杂因素后，NAFLD的男性的基线TG浓度与基线TG浓度显着相关，TG水平的每10 mg/dl升高将事件糖尿病的风险增加8.5％（HR = 1.085，hr = 1.085，CI = 1.039-1.139-1.132; p <0.001; p <0.001; p <0.001）。然而，在TG三位脉中，未观察到2型糖尿病发生率和TG水平之间的典型剂量依赖性正相关。有趣的是，TG浓度与2型糖尿病的风险之间的U形关联通过两种形式的线性回归分析揭示了。基线TG浓度低于阈值（TG <53mg/dL）与2型糖尿病的风险负相关。随着基线TG水平的每次10mg/dl增加，2型糖尿病的风险降低了近59％（HR = 0.413，95％CI = 0.220-0.778）。相比之下，当TG水平高于阈值（TG> 53mg/dl）时，每10mg TG海拔高度（HR = 1.091，95％CI = 1.046-1.137），入射糖尿病的风险增加了9.1％。结论：在男性正常血糖日本人群中，基线TG水平与2型糖尿病的ID型糖尿病之间观察到了U形关系，尽管应谨慎地将发现向其他人群推断出来。
SD-101具有免疫检查点抑制（ICI）的临床活性（ICI）在转移性卵巢黑色素瘤肝转移（MUM-LM）中，来自Perio-01阶段1 T
背景：妈妈LM对ICI具有抗性，原因是多种原因，包括髓样衍生的抑制细胞（MDSC）的患病率。PFS受到限制，即使经过批准的疗法，例如TEBENTAFUSP（中位数3.3个月），3/4 AE率通常> 30％。TLR9激动剂能够具有MDSCPolarizaɵon，但是使用肿瘤内方法，药物递送在历史上受到限制。TLR9激动剂的SD-101的启用压力的药物输送（PEDD TM）具有在克服这些障碍以改善预后的电位。 方法：PERIO-01是HEPAɵC动脉SD-101的1阶段试验，通过MUM-LM（NCT04935229）中的PEDD，剂量 - escalaɵon同类疗法（同类疗法A），与Nivolumab（同类b），或Nivolumab，或Nivolumab + ipiLumab + ipiLiLumab（COHORTAB）（COHORTA）（COHORT A）。 SD-101在2个Outpaɵent循环上传递，每周3剂量/周期。 结果：在队列中接受≥1剂量的SD-101：13的53个pa剂，同类B中的25个剂量，同中15个剂量。中位年龄为65％，女性为45％。 70％接受了先前的妈妈治疗，8（15％）接受了TEBENTAFUSP。 fiōeenparɵcipant（28％）的LM> 5厘米，18（44％）的含量> 10 lms。 一个人经历了258天正在进行的PARɵAL反应（队列B 4 mg）。 六个addiɵonalpaɵents的靶病变大小（SD）降低，中位随访的中位随访中有3个。 跨剂量水平，在11.7个月的队列B（2 mg）中，PFS中位数最高，疾病控制率为86％（6/7 SD）。 在8％的受试者中记录了与SD-101或ICI的严重3/4级与治疗相关的AES（TRAES）：启用压力的药物输送（PEDD TM）具有在克服这些障碍以改善预后的电位。方法：PERIO-01是HEPAɵC动脉SD-101的1阶段试验，通过MUM-LM（NCT04935229）中的PEDD，剂量 - escalaɵon同类疗法（同类疗法A），与Nivolumab（同类b），或Nivolumab，或Nivolumab + ipiLumab + ipiLiLumab（COHORTAB）（COHORTA）（COHORT A）。SD-101在2个Outpaɵent循环上传递，每周3剂量/周期。结果：在队列中接受≥1剂量的SD-101：13的53个pa剂，同类B中的25个剂量，同中15个剂量。中位年龄为65％，女性为45％。70％接受了先前的妈妈治疗，8（15％）接受了TEBENTAFUSP。fiōeenparɵcipant（28％）的LM> 5厘米，18（44％）的含量> 10 lms。一个人经历了258天正在进行的PARɵAL反应（队列B 4 mg）。六个addiɵonalpaɵents的靶病变大小（SD）降低，中位随访的中位随访中有3个。跨剂量水平，在11.7个月的队列B（2 mg）中，PFS中位数最高，疾病控制率为86％（6/7 SD）。在8％的受试者中记录了与SD-101或ICI的严重3/4级与治疗相关的AES（TRAES）：
Casdatifan (AB521)（一种 HIF-2α 小分子抑制剂）的临床药代动力学/药效学 (PK/PD) 关系证实其为同类最佳药物
ARC-20 (NCT05536141) 是一项 1 期、多中心、开放标签、首次住院研究，目前已在美国、韩国和澳大利亚开放招募。BID：每日两次；Cabo：卡博替尼；Cas：卡达替尼；DLT：剂量限制性毒性；SOC：标准治疗；QD：每日一次；Tx：治疗。
一种新型的基于电子健康记录的机器学习模型，可预测严重低血糖症，导致老年人的糖尿病住院治疗：全领域的同类和建模研究
我们采用了一个病例对照设计，用于回顾性领土范围内的队列，由364,863个独特的老年人（65岁）和至少1洪孔医院的授权从2013年到2018年至2018年。我们在一年的时间内使用了258个预测因素，包括人口统计学，录取，诊断，药物和常规实验室测试，以预测在接下来的12个月内需要住院的SH事件。该队列以7：2：1的比率随机分为训练，测试和内部验证集。六种ML算法，包括逻辑回归，随机森林，梯度增压机，深神经网络（DNN），XGBOOST和RULEFIT。我们在香港糖尿病登记册中与2018年定义的预测因子和2019年定义的结果事件的时间验证队列中测试了我们的模型。使用接收器操作特征曲线（AUROC），精确召回曲线（AUPRC）统计的区域以及正预测值（PPV）评估了预测性能。我们确定了在观察期间需要住院的11,128个SH事件。XGBoost模型