疲劳的客观测量在职业健康和安全等领域至关重要,因为疲劳会损害认知和运动能力,从而降低生产力并增加受伤风险。可穿戴系统代表了疲劳监测的极具前景的解决方案,因为它们能够在无人值守的环境中持续、长期监测生物医学信号,同时具有所需的舒适度和非侵入性。这是开发实时疲劳监测准确模型的先决条件。然而,通过可穿戴设备监测疲劳带来了独特的挑战。为了概述目前通过可穿戴设备监测与疲劳相关的变量的最新技术,并发现当前知识中的潜在差距和缺陷,进行了系统回顾。在 Scopus 和 PubMed 数据库中搜索了自 2015 年以来以英文发表的文章,标题中包含术语“疲劳”、“困倦”、“警觉”或“警觉”,并提出了基于可穿戴设备的非侵入性疲劳量化系统。在检索到的 612 篇文章中,60 篇满足纳入标准。纳入的研究主要是短期研究,且在实验室环境中进行。总体而言,研究人员根据运动(MOT)、脑电图(EEG)、光电容积图(PPG)、心电图(ECG)、皮肤电反应(GSR)、肌电图(EMG)、皮肤温度(T sk )、眼球运动(EYE)和呼吸(RES)数据开发疲劳模型,这些数据均由市场上的可穿戴设备获取。在提出的疲劳量化方法中,监督机器学习模型(更具体地说是二元分类模型)占主导地位。这些模型在检测疲劳方面被认为表现非常出色,然而,在模型开发过程中几乎没有努力确保使用高质量的数据。总之,本综述的结果表明,方法上的局限性阻碍了大多数提出的疲劳模型的普遍性和现实世界的适用性。还需要开展更多的工作来充分探索可穿戴设备在疲劳量化方面的潜力,以及更好地理解疲劳与生理变量变化之间的关系。
Maged Goubran,博士 多伦多大学医学生物物理学助理教授 职位描述: Sunnybrook 研究所正在寻找一位优秀的博士后研究员加入睡眠和大脑健康实验室 (https://sleepandbrainhealth.ca/),领导开发新颖、自动化、可扩展的方法,从人体可穿戴传感器数据中量化睡眠生理学和识别睡眠障碍,以支持几项由 CIHR 和 NIH 资助的大型睡眠和痴呆症临床研究。研究员将应用现代机器/深度学习方法,使用新的低调人体柔性可穿戴传感器(脑电图、心电图、加速度计、光电容积描记法)解决睡眠生理学分类和睡眠障碍识别问题。研究员将利用几个已经收集的基于实验室的数据集,包括 >3000 个晚上的黄金标准多导睡眠图,以及 >70 个晚上(到 2022 年中期达到 200 个晚上)的共同捕获的可穿戴传感器 + 多导睡眠图数据。随后,将把由此产生的分析方法应用于几项正在进行的由 NIH 和 CIHR 资助的老年人队列研究(n>1000),以确定使用这些方法确定的睡眠特征是否可以预测痴呆症结果和痴呆症相关的大脑变化。除了数据分析和算法开发之外,研究员还将参与指导参与数据收集的学生和工作人员。该职位需要与 PI Lim 博士(睡眠和昼夜节律生理学、神经病学、遗传学)和 Goubran 博士(机器学习、计算神经科学)以及实验室的研究生、工作人员和开发人员密切合作,以实现这些目标。鼓励新方法和新想法,以及与当前研究相吻合的独立项目。将有机会发表多篇关于可穿戴传感器睡眠数据的新分析方法以及这些数据与痴呆症结果之间联系的出版物。将提供临床研究以及人类睡眠生理数据的获取、分析和解释方面的培训。这是一个全额资助的职位。薪资与经验和 CIHR/NIH 津贴水平相称。合同可续签,具体取决于绩效。必备资格:
参考文献 1. Marchioni D、Alicandri‐Ciufelli M、Molteni G、Artioli FL、Genovese E、Presutti L。选择性上鼓室通气障碍综合征。喉镜 2010;120:1028-33。[Crossref] 2. Padurariu S、Roosli C、Roge R、Stensballe A、Vyberg M、Huber A 等。关于正常中耳的功能区室化。其粘膜的形态组织学建模参数。听力研究 2019;378:176-84。[Crossref] 3. Ars B、Dirckx J。耳咽管功能。北美耳鼻喉科临床 2016;49:1121-33。 [交叉引用] 4. Alicandri-Ciufelli M、Gioacchini FM、Marchioni D、Genovese E、Monzani D、Presutti L. 乳突:人类的退化功能?医学假设2012; 78:364-6。 [交叉引用] 5. Marchioni D、Grammatica A、Alicandri-Ciufelli M、Aggazzotti-Cavazza E、Genovese E、Presutti L。选择性通气不良对阁楼中耳病理学的贡献。医学假设2011; 77:116-20。 [Crossref] 6. Shirai K、Schachern PA、Schachern MG、Paparella MM、Cureoglu S。慢性中耳炎的鼓室容积和鼓室峡部阻塞:人类颞骨研究。Otol Neurotol 2015;36:254-9。[Crossref] 7. Proctor B。中耳腔的发育及其外科意义。The J Laryngol Otol 1964;78:631-45。[Crossref] 8. Marchioni D、Mattioli F、Alicandri-Ciufelli M、Molteni G、Masoni F、Presutti L。中耳通气通路阻塞的内窥镜评估。Am J Otolaryngol 2010;31:453-66。 [Crossref] 9. Shinnabe A、Hara M、Hasegawa M、Matsuzawa S、Kanazawa H、Kanaza- wa T 等。在超声心动图检查中,松弛部和紧张部胆脂瘤在中耳通气障碍方面的差异以及鼓室和乳突气化的模式。耳鼻喉科 2012;33:765-8。[Crossref] 10. Marchioni D、Molteni G、Presutti L。内窥镜中耳解剖学
年龄是阿尔茨海默病 (AD) 的最大已知风险因素。虽然正常衰老和 AD 病理都涉及大脑结构变化,但它们的萎缩轨迹并不相同。人工智能的最新发展鼓励研究利用神经影像学测量和深度学习方法来预测大脑年龄,这已显示出作为诊断和监测 AD 的敏感生物标志物的前景。然而,之前的努力主要涉及结构磁共振成像和传统扩散 MRI (dMRI) 指标,而不考虑部分容积效应。为了解决这个问题,我们使用先进的自由水 (FW) 校正技术对 dMRI 扫描进行后处理,以计算不同的 FW 校正分数各向异性 (FA FWcorr) 和 FW 图,从而允许在扫描中将组织与液体分离。我们分别从 FW 校正的 dMRI、T1 加权 MRI 和组合 FW+T1 特征构建了 3 个紧密连接的神经网络来预测大脑年龄。然后,我们研究了实际年龄和预测大脑年龄与认知之间的关系。我们发现所有模型都能准确预测认知无障碍 (CU) 对照组的实际年龄(FW:r=0.66,p =1.62x10 -32 ;T1:r=0.61,p =1.45x10 -26 ,FW+T1:r=0.77,p =6.48x10 -50 ),并能区分 CU 和轻度认知障碍参与者(FW:p =0.006;T1:p =0.048;FW+T1:p =0.003),其中 FW+T1 得出的年龄表现最佳。此外,所有预测大脑年龄模型均与横向认知(记忆,FW:β=-1.094,p =6.32x10 -7 ;T1:β=-1.331,p =6.52x10 -7 ;FW+T1:β=-1.476,p =2.53x10 -10 ;执行功能,FW:β=-1.276,p =1.46x10 -9 ;T1:β=-1.337,p =2.52x10 -7 ;FW+T1:β=-1.850,p =3.85x10 -17 )和纵向认知(记忆,FW:β=-0.091,p =4.62x10 -11 ;T1:β=-0.097,p =1.40x10 -8 ; FW+T1:β=-0.101,p =1.35x10 -11 ;执行功能,FW:β=-0.125,p =1.20x10 -10 ;T1:β=-0.163,p =4.25x10 -12 ;FW+T1:β=-0.158,p =1.65x10 -14 )。我们的研究结果证明,T1加权MRI和dMRI测量均可改善大脑年龄预测,并支持预测大脑年龄作为认知和认知衰退的敏感生物标志物。
背景:仅在 2021 年,糖尿病(一种主要以血糖 (BG) 水平异常高为特征的代谢紊乱)就影响了全球 5.37 亿人,并报告了超过 600 万人死亡。使用非侵入性技术(例如可穿戴设备 (WD))来调节和监测糖尿病患者的血糖是一个相对较新的概念,尚处于起步阶段。非侵入性 WD 与机器学习 (ML) 技术相结合,有可能从收集的数据中理解和得出有意义的信息,并提供具有临床意义的高级分析以用于预测或预报。目标:本研究的目的是提供一份完整的系统评价,并进行质量评估,以研究在 WD 中使用人工智能 (AI) 预测或预测血糖水平对糖尿病的有效性。方法:我们搜索了 7 个最受欢迎的书目数据库。两位审稿人独立进行研究选择和数据提取,然后交叉检查提取的数据。使用叙述方法来综合数据。使用改进版的诊断准确性研究质量评估-2 (QUADAS-2) 工具进行质量评估。结果:在最初的 3872 项研究中,我们根据预定义的纳入标准进行筛选,报告了 12 项研究的特征。所有研究总体上的参考标准 (n=11, 92%) 被归类为低,因为所有基本事实都很容易复制。由于输入 AI 技术的数据高度标准化,并且流程或时间框架对最终输出没有影响,因此这两个因素都被归类为低风险组 (n=11, 92%)。我们观察到,一半的研究采用了经典的 ML 方法,其中最受欢迎的是集成增强树(随机森林)。最常用的评估指标是 Clarke 网格误差 (n=7, 58%),其次是均方根误差 (n=5, 42%)。我们观察到腕戴式设备上光电容积图和近红外传感器的广泛使用。结论:本综述提供了迄今为止最广泛的工作,总结了使用 ML 进行糖尿病相关血糖水平预测的 WD。尽管目前的研究很少,但这项研究表明,正如 QUADAS-2 评估工具所揭示的那样,研究的总体质量被认为是高的。市售设备需要进一步验证,但我们预计,在不久的将来,WD 总体上有可能完全消除对侵入式血糖监测设备的需求。试验注册:PROSPERO CRD42022303175;https://tinyurl.com/3n9jaayc
缩写:LA,左心房;LAVI,左心房容积指数;IEMD,心房间电机械延迟;LEMD,左侧心房内电机械延迟;LVEF,左心室射血分数;PA,P 至 A' 间期;PTFV1,V1 中的 P 终末力;PWD,P 波弥散;REMD,右侧心房内电机械延迟。 *I 组 vs. III 组;p = .035。**I 组 vs. III 组 p = .002。***I 组 vs. II 组;p = .042,I 组 vs. III 组;p < .001,II 组 vs. III 组;p = .033。****I 组 vs. II 组;p = .011,I 组 vs. III 组;p < .0001,II 组 vs. III 组;p = .005。*****I 组 vs. II 组; p = .035,I 组 vs. III 组;p < .0001,II 组 vs. III 组;p = .005。+ I 组 vs. II 组;p = .042,I 组 vs. III 组;p < .001,II 组 vs. III 组;p = .021。++ I 组 vs. II 组;p = .012,I 组 vs. III 组;p < .0001,II 组 vs. III 组;p = .004。+++ I 组 vs. II 组;p = .002,I 组 vs. III 组;p < .0001,II 组 vs. III 组;p < .001。¥ I 组 vs. III 组;p < .0001,II 组 vs. III 组;p = .038。¥¥ I 组 vs. II 组;p = .026,I 组 vs. III 组; p < .0001,II 组与 III 组;p = .023。¥¥¥ I 组与 II 组;p = .016,I 组与 III 组;p < .0001,II 组与 III 组;p = .036。§ I 组与 II 组;p = .042,I 组与 III 组;p < .001,II 组与 III 组;p = .039。§§ I 组与 II 组;p = .044,I 组与 III 组;p = .003,II 组与 III 组;p = .040。
认知衰老体现了个体之间认知功能水平和认知变化速度的巨大异质性( Albert 等人,1995 年; Hayden 等人,2011 年; Mungas 等人,2010 年)。这种变化随着年龄的增长而增加( Ardila,2007 年; Ylikoski 等人,1999 年),不仅存在于患有临床痴呆症( Wilkosz 等人,2010 年)或前驱痴呆症( Panza 等人,2007 年)的个体中,也存在于中年( Singh-Manoux 等人,2011 年)和晚年( Zahodne 等人,2015 年)没有痴呆症的个体中。除其他因素外,异质性被归因于认知储备和大脑储备的差异(Groot 等人,2018 年;Singh-Manoux 等人,2011 年)。一般而言,储备能力被认为可以在疾病病理面前防止出现临床表现。认知储备是通过累积的一生中暴露(例如智力、教育、社交活动)在病理疾病负担下维持认知表现的能力(Stern,2002 年;Stern 等人,2018 年)。脑储备被定义为“神经资本”,即可增强或维持认知功能的可量化大脑资源(例如颅内容积 eICV、突触计数)(Cabeza 等人,2018 年;Stern 等人,2018 年)。认知储备与认知之间的正相关关系已在横断面上得到广泛证实(Cizginer 等人,2017 年;Rentz 等人,2017 年),但认知储备的代理指标往往无法与纵向变化显示出正相关关系(Lenehan 等人,2015 年;Soldan 等人,2017 年;Zahodne 等人,2011 年)。例如,Seblova 等人 (2020) 最近进行的一项荟萃分析表明,教育(最常用的认知储备代理指标)与认知随时间变化之间的关联可以忽略不计。关于大脑储备是否在横断面上(Brickman 等人,2011 年;Cizginer 等人,2017 年)或纵向上(Sumowski 等人,2014 年)有益于认知的研究发现了不同的结果。值得注意的是,这两种储备对大脑变化和记忆变化之间的纵向关系的保护作用相对尚未得到探索。本研究旨在调查 1) 认知储备和大脑储备与中年和晚年记忆衰退轨迹之间的关系,以及 2) 大脑体积随时间的减少(即萎缩)与记忆衰退之间的关系是否因基线认知储备或大脑储备的不同而不同。
摘要背景与目的在美国,卡博替尼被批准用于治疗年龄≥12岁的放射性碘难治性分化型甲状腺癌 (DTC) 患者,这些患者在接受血管内皮生长因子 (VEGFR) 靶向治疗后病情出现进展,这是基于 III 期 COSMIC-311 试验,该试验评估了卡博替尼 60 mg/天与安慰剂的疗效。对于成人和年龄≥12 岁且体表面积 (BSA) ≥1.2 m 2 的儿童患者,批准剂量为 60 mg/天,对于年龄≥12 岁且 BSA < 1.2 m 2 的儿童患者,批准剂量为 40 mg/天。本报告描述了 COSMIC-311 的群体药代动力学 (PopPK) 和暴露-反应分析。方法使用来自 COSMIC-311 和其他 6 项卡博替尼研究的浓度-时间数据建立 PopPK 模型。最终的 (完整的) PopPK 模型用于模拟性别、体重、种族和患者人群的影响。对于暴露-反应分析,构建了来自 COSMIC-311 的数据集,用于无进展生存期 (PFS) 和安全性终点的事件发生时间分析。结果 PopPK 分析包括来自 1745 名患者和健康志愿者的 4746 个卡博替尼 PK 样本。体重对卡博替尼暴露量的影响很小,但体重增加与表观分布容积增加有关。根据基于模型的模拟,体重 < 40 公斤的青少年在卡博替尼 60 毫克/天稳态下的最大血浆浓度高于成年人。体重 < 40 公斤的青少年的异速缩放模拟显示,与接受相同剂量的成年人相比,60 毫克/天的暴露量更高,而体重 < 40 公斤的青少年 40 毫克/天的暴露量与成年人 60 毫克/天的暴露量相似。暴露-反应分析包括 115 名患者。PFS 或剂量调整与卡博替尼暴露之间没有明确的关系。卡博替尼暴露与高血压 (≥ 3 级) 和疲劳/乏力 (≥ 3 级) 之间存在统计学上显着的关系。结论这些结果支持 COSMIC-311 中实施的给药策略和基于 BSA 的青少年标签建议。应根据指示减少卡博替尼剂量以控制不良事件。
图2。从复杂媒体社区中常用的工具的代表性进步,以应对大脑光学探测中的挑战。(a)深度:使用计算技术的散射和像差补偿,以通过活小鼠脑114中的头骨增强皮质髓磷脂的反射成像。之前:通过小鼠头骨的常规反射显微镜。左图:之后:计算偶联的自适应光学校正后的反射显微镜通过头骨在小鼠脑中的皮质髓磷脂。右图:通过头骨重建无标签结构信息的3D重建。比例尺:40μm。(b)速度:快速3D体积成像,具有标记为钙指示剂(GCAMP6F)的小鼠皮层中的神经元的靶向照明,以增加记录的神经元的信号。以前:用电透镜和反卷积后提取的痕迹的常规容积钙成像。之后:靶向的体积钙成像和反卷积30后提取的痕迹。比例尺50μm。(c)生物相容性:上图:增强信号给定相同的激光功率,由自适应光学功能启用54。之前:海马中荧光标记的神经元的低信噪比背景约1 mm深度通过常规的三光子荧光显微镜经经经经颅的1 mm深度成像。之后:自适应光学元件成像的海马中的高信噪比神经元。比例尺:20μm。比例尺:30μm。右:异常校正的相模式。较低面板:使用基于多模纤维的内窥镜结合使用遗传编码的钙指示剂GCAMP6标记的深层皮层神经元的脑成像,并结合了波前形状,用于微创成像115。(d)视场:与没有结合的计算自适应光学元件相比,计算共轭自适应光学元件(以后)启用了具有衍射限制的高分辨率成像的视野扩大场,而没有共轭(之前,白盒之前)114左:左:髓磷脂的图像。SLM:空间灯调制器,DMD:数字微旋转设备,MMF:多模纤维。面板(a)根据CC-BY 4.0的CC-114改编。面板(b)根据CC-BY 4.0的CC-BY 30改编。面板(c)改编自参考文献54的顶部图像和根据许可证CC-BY 4.0改编的Ref 115的底部图像。面板(D)根据许可证CC-BY 4.0改编的参考文献114。
突触囊泡糖蛋白 2A 的 PET 成像可以对突触进行非侵入性量化。这项首次在人体上进行的研究旨在评估最近开发的突触囊泡糖蛋白 2A PET 配体 (R)-4-(3-(18F-氟)苯基)-1-((3-甲基吡啶-4-基)甲基)-吡咯烷-2-酮 (18F-SynVesT-2) 的动力学、重测可重复性和特异性结合程度,具有快速脑动力学。方法:九名健康志愿者参加了这项研究,并在高分辨率研究断层扫描仪上用 18F-SynVesT-2 进行了扫描。五名志愿者在两天内接受了两次扫描。五名志愿者在注射左乙拉西坦(20mg/kg,静脉注射)后重新进行扫描。采集动脉血以计算血浆游离分数并生成动脉输入函数。将各个 MRI 图像与脑图谱配准以确定生成时间 - 活动曲线的感兴趣区域,这些曲线与 1 和 2 组织区室(1TC 和 2TC)模型拟合以得出区域分布容积(VT)。使用半卵圆中心(CS)作为参考区域,从 1TC VT 计算区域不可置换结合电位(BP ND)。结果:合成了 18 F-SynVesT-2,具有高摩尔活性(187 6 69 MBq/nmol,n 5 19)。注射后 30 分钟,血浆中 18 F-SynVesT-2 的母体分数为 28% ± 8%,血浆中游离分数较高(0.29 ± 0.04)。18 F-SynVesT-2 迅速进入脑部,注射后 10 分钟内 SUV 达到峰值 8。局部时间 - 活动曲线与 1TC 和 2TC 模型均能很好地拟合;但使用 1TC 模型估算 VT 更可靠。1TC VT 范围从 CS 中的 1.9 ± 0.2mL/cm 3 到壳核中的 7.6 ± 0.8mL/cm 3,绝对重测变异性较低(6.0% ± 3.6%)。局部 BP ND 范围从海马中的 1.76 ± 0.21 到壳核中的 3.06 ± 0.29。 20 分钟的扫描足以提供可靠的 VT 和 BP ND。结论:18 F-SynVesT-2 在脑中具有快速动力学、高特异性摄取和低非特异性摄取。与非人类灵长类动物的结果一致,18 F-SynVesT-2 在人脑中的动力学比 11 C-UCB-J 和 18 F-SynVesT-1 的动力学更快,并且能够在更短的动态扫描中获取有关脑血流和突触密度的生理信息。