XiaoMi-AI文件搜索系统
World File Search System对照试验
结构化运动计划对2型糖尿病的胰岛素抵抗和生活质量的有效性 - 随机对照试验
美国糖尿病协会（ADA）将糖尿病（DM）定义为一组由胰岛素分泌，胰岛素作用或两者兼而有之的高血糖症，其特征在于高血糖症或[1]。2型糖尿病（T2DM）的患病率正在迅速在全球范围内增加，并与肥胖症患病率的增加相同。2019年的T2DM患病率为9.3％，预计到2045年将增加到10.9％[2]。 在T2DM中，循环血液中的葡萄糖水平升高是由葡萄糖耐受性受损引起的，这导致胰岛素抵抗（IR）的发展。 T2DM并发症是发病和死亡率的主要原因之一。 长期并发症可以通过服用与健康的生活方式（即饮食和体育锻炼）一起服用药物来延迟并发症[3]。 胰岛素抵抗（IR）会损害肌肉细胞占据并储存葡萄糖和甘油三酸酯的能力，从而导致血液中循环的葡萄糖和三甘油三酸酯水平升高。 受损的葡萄糖控制和IR是心血管疾病发展的危险因素[4]。 ir通常存在于老年人中，但在所有年龄段的人都变得越来越普遍，包括超重和久坐的中年人[5]。 ir通常被定义为降低对胰岛素介导的葡萄糖处置的敏感性和反应性，以及对肝葡萄糖产生的抑制[6] IR在T2DM中起重要的病理生理作用。 评估胰岛素抵抗和β -Cell功能对于理解疾病状况至关重要。2019年的T2DM患病率为9.3％，预计到2045年将增加到10.9％[2]。在T2DM中，循环血液中的葡萄糖水平升高是由葡萄糖耐受性受损引起的，这导致胰岛素抵抗（IR）的发展。T2DM并发症是发病和死亡率的主要原因之一。长期并发症可以通过服用与健康的生活方式（即饮食和体育锻炼）一起服用药物来延迟并发症[3]。胰岛素抵抗（IR）会损害肌肉细胞占据并储存葡萄糖和甘油三酸酯的能力，从而导致血液中循环的葡萄糖和三甘油三酸酯水平升高。受损的葡萄糖控制和IR是心血管疾病发展的危险因素[4]。ir通常存在于老年人中，但在所有年龄段的人都变得越来越普遍，包括超重和久坐的中年人[5]。ir通常被定义为降低对胰岛素介导的葡萄糖处置的敏感性和反应性，以及对肝葡萄糖产生的抑制[6] IR在T2DM中起重要的病理生理作用。评估胰岛素抵抗和β -Cell功能对于理解疾病状况至关重要。评估胰岛素抵抗和β -Cell功能对于理解疾病状况至关重要。它通常与内脏肥胖，葡萄糖不耐症，高血压，血脂异常，内皮功能障碍和炎症标记水平升高有关[7]。评估胰岛素敏感性的金标准是葡萄糖夹检验（GCT）[8]。有几种用于评估胰岛素抵抗的技术，包括
Dolfin随机对照试验
doL pH旨在调查含有长链脂肪酸的微量营养素补充剂是否改善了神经发育障碍的神经发育的神经发育方法。方法•62新生儿•62新生儿•59名新生儿•59个新生儿（Hie and Explentes•Hie anderments•Hie Neonentes•53 Neonement•53 Neonement•53 Neonement•53 Neonement•53 Neonement•53 Neonement•53 Neonement•53 Neonement; 24个完整的随访•分配了30个安慰剂； 21完整的随访。结果•较高的平均认知量表得分BSID-III•较高的平均语言量表得分BSID-III•平均运动量表中组之间没有差异•神经发育结果的父母报告显示了相似的结果
标题：Aurora试验的TOPLINE结果：第2阶段，随机，双盲，安慰剂对照试验Bitopertin在红细胞生物原生质中
甘氨酸转运蛋白1（Glyt1）提供细胞外甘氨酸，用于红血红素生物合成的初始步骤。4BitOpertin是Glyt1的研究性小分子抑制剂。假设Glyt1抑制
基于智能手机的言语疗法治疗后肌想障碍：试验随机对照试验评估功效和可行性
方法：将参与者分为两组，以进行这项随机评估者盲试验。干预组使用基于智能手机的语音治疗应用程序每天1小时，每周5天，持续4周，并提供基于指南的标准中风护理。对照组获得了基于标准指南的中风护理和康复。使用重复措施ANOVA评估语音清晰度，心理健康，生活质量和用户接受。结果：在这项研究中，招募了40例中风后构音障碍患者，其中32例完成了试验（每组16例）。与对照组相比，干预组的语音清晰度有显着提高。这是从基线（F 1,30 = 34.35; P <.001），组间差异（F 1,30 = 6.18; P = .02）和明显的按时间相互作用（F 1,30 = 6.91; P = .01）中的改进来证明这一点。关于次级结果，干预措施会随着时间的推移改善正确的辅音百分比（f 1,30 = 5.57; p = .03）。此外，随着时间的推移，干预组的质心严重程度（F 1,30 = 21.18; p <.001）注意到了显着降低，具有明显的组效应（F 1,30 = 5.52; P = .03）和时间互动（F 1,30 = 5.29 = 5.29 = 5.29; P = .03）。关于生活质量，通过EQ-5D-3L问卷（F 1,30 = 13.25; P <.001）和EQ-VAS（F 1,30 = 7.74; P = .009）观察到显着改善。对基于智能手机的应用程序的依从性率为64％，超过一半的参与者完成了所有课程。该应用程序的可用性被评为较高（系统可用性得分80.78）。此外，干预组还报告了与对照组相比使用该应用程序的自我效能感（f 1,30 = 10.81; p = .003）。
免疫疗法对I型糖尿病患者C肽水平的影响：对随机对照试验的系统评价 CDSE量子点缺陷发射的光谱研究 通过氧化石墨烯作为成核剂 2D层次的双氢氧化物和过渡金属二核苷用于应用可再生氢的电化学生产 基因工程噬菌体作为新型纳米材料：抗菌剂以外的应用 USP44过表达通过表观遗传重编程驱动神经母细胞瘤中的MYC样基因表达程序
总共包括11项研究，有1464名研究参与者。包括II期和III期试验。在纳入的研究中，四项研究评估了抗CD3单克隆抗体耳圆脂蛋白的干预措施。另一种抗CD3单克隆抗体Teplizumab被评估为四项研究的干预措施，而两项研究评估了抗CD20抗体利妥昔单抗，一项研究评估了Abatacept作为其介入药物。otelixizumab在较高剂量时表现出益处，但与Ebstein-Barr病毒重新激活和巨细胞病毒感染等不良反应有关，而在较低剂量下，C肽水平或糖基化血红蛋白（HBA1C）未能显示出显着差异。teplizumab在减少C肽丧失和外源胰岛素需求方面表现出了希望，并且与不良事件有关，例如皮疹，淋巴细胞减少症，尿路感染和细胞因子释放综合征。但是，这些反应仅与治疗起源有关，它们自行消退。利妥昔单抗改善了C肽反应，而Abatacept疗法表现出降低C-肽的损失，改善了C肽水平并降低了HBA1C。
在跑步机训练（重新访问）的中风后通过实时视觉反馈改进步行：一种随机对照试验的协议
摘要|背景：中风后，大多数患者经常遭受步行能力和平衡的降低。恢复步行能力和提高平衡是中风康复的主要目标。跑步机经常用于临床设置以实现这些目标。除了镜子以进行实时额叶视图外，还向视觉反馈添加尺寸已被证明可以增强步态。因此，在跑步机训练中设计额外的实时视觉反馈很重要，尤其是涉及的矢状视图。目的：这项研究的目的是测试跑步机训练期间的实时矢状视觉反馈是否优于常规的镜像反馈跑步机训练计划，以提高中风后的步行速度和平衡。方法/设计：重新访问试验（跑步机训练中中风后的实时视觉反馈）已在印度临床试验注册中注册（CTRI/2023/10/058299）。In this two-arm randomized control trial, which will be a single-blinded study, 42 eligible stroke survivors undergoing rehabilitation will be randomly allocated (1:1 ratio) to either real-time visual sagittal feedback along with front mirror (experimental) group or only front mirror treadmill training (control) group, all the participants will receive 15 sessions of treadmill training for up to 15 min at a safe self-selected speed over 5-6周。重新访问（实验）组将接收涉及下肢轨迹的实时，视觉矢状视图，以及跑步机训练期间的常规前镜视图，并将被要求修改其步态模式。对照组只有常规的前镜视图反馈才会接受跑步机步行训练。临床和步态评估将在培训最后一次课程之后以及随访期间的第9周进行基线和步态评估。感兴趣的结果度量是步行速度（主要）和平衡（次要），将在基线之前进行测量，15个训练后以及培训后的第9周进行测量。讨论：这项重新访问试验将提供洞察力，并有助于在跑步机培训期间在冲程后步态康复中纳入实时视觉反馈的现有创新和修改。这些发现将有助于更好地设计步态康复计划，并通过跑步机进行后击后对象，以提高步行速度，并为那些在社区移动方面遇到更大困难的人平衡。我们预计重访训练的人将表现出提高的步行能力。
氯胺酮在慢性神经性疼痛中增强耐用性的心理治疗：飞行员随机对照试验的方案
背景：慢性疼痛影响约800万加拿大人（约20％），影响他们的身心健康，同时每年以高达600亿美元的价格为医疗保健系统负担。的确，经常在几年内对多种药物进行试用，而不会减少症状。因此，迫切需要确定慢性疼痛的新疗法，以改善患者的生活质量，增加治疗选择的可用性，并减轻医疗保健系统的负担。目的：这项研究的主要目的是检查平行的3臂飞行员随机对照试验的可行性，该试验将患者随机分为静脉内氯胺酮，认知行为疗法（CBT）和正念冥想（MM）训练（CBT/mm），或者静脉内酮和CBT/MM MM。与CBT/MM或单独的CBT/MM相比，次要结果是评估静脉注射氯胺酮和CBT/MM组合治疗慢性疼痛的耐用性和功效（研究的第20周，在研究的第20周评估）。方法：这是一项单一中心，16周的3臂试点研究，将在安大略省多伦多的圣迈克尔医院的慢性疼痛诊所进行，每年接受1000次转诊。患者将纳入研究总计20周。由CBT/MM治疗分配的参与者将从第1周至第16周接受远程的每周心理治疗，其中包括通过NEXJ Health Inc（NEXJ Health）平台管理的健康教练。分配的氯胺酮输注疗法的患者将在第2、7和12周接受每月氯胺酮输注治疗。分配的氯胺酮+CBT/mm的患者将在第1周至第1周接受每周的心理治疗，以及第2、7和12周的氯胺酮输注治疗。我们将评估招聘率，同意率，提款率，依从性，数据缺失和不利事件，作为试点结果指标。次级临床结果包括相对于基线的变化，疼痛强度和疼痛干扰。
评估人工智能在临床实践中的随机对照试验：范围审查
美国马萨诸塞州波士顿哈佛医学院生物医学信息学系（R Han MS、P Rajpurkar PhD）；美国加利福尼亚州斯坦福大学计算机科学系（R Han）；美国加利福尼亚州洛杉矶加州理工学院医学科学家培训计划（R Han）；美国康涅狄格州纽黑文耶鲁医学院神经病学系（JN Acosta MD）；美国加利福尼亚州旧金山 Rad AI（JN Acosta）；加拿大安大略省多伦多多伦多大学达拉拉纳公共卫生学院卫生政策、管理和评估研究所（Z Shakeri PhD）；美国加利福尼亚州斯坦福大学斯坦福预防研究中心、医学系（JPA Ioannidis MD DSc 教授）和斯坦福元研究创新中心（JPA Ioannidis 教授）；美国加利福尼亚州拉霍亚斯克里普斯研究中心斯克里普斯转化研究所（EJ Topol MD 教授）
饮食干预措施对荷兰2型糖尿病的苏里南人对微血管健康的作用：一项随机对照试验
背景/目标：我们研究了饮食干预措施，即模仿模仿饮食（FMD，Prolon®）或糖脂模拟物补充剂（内卵科TM）可以稳定2型糖尿病（SA-T2DM）的苏里南南部南亚患者的微血管功能，在荷兰，患者在荷兰，患者的患者更加易于发育于血管中。受试者/方法：一项随机的，安慰剂控制的3臂干预研究是在56名SA-T2DM患者18到75岁之间的3个月中，连续3个月进行，最后一次进行了一项额外的后续测量，并在上次干预后3个月进行了一次随访。通过与SDF成像耦合到GlycoCheck TM软件，检测红细胞速度，毛细管密度，静态和动态灌注边界区域（PBR）以及整体微血管健康评分（MVHS）。线性混合模型和相互作用分析用于研究干预对微血管功能的影响。结果：尽管FMD后BMI和HBA1C的时间有所改善，但对RBC速度独立PBR动态的主要治疗效果仍在恶化，尤其是在随访中。糖脂的补充降低了MCP-1的存在，并改善了PBR动态和MVHS动态，这些动态持续了随访。结论：我们表明，尽管FMD后BMI和HBA1C发生了暂时的好处，但这种干预措施仍无法保留T2DM荷兰南亚患者的微血管内皮健康。相比之下，糖脂模拟物保留了微血管内皮健康，并降低了炎症性细胞因子MCP-1。临床研究注册：NCT03889236。
可用性比较拟人化数字人的健康参与者和基于文本的聊天机器人，以此作为对心理健康问题的响应者：随机对照试验
近年来，增强学习（RL）已成为一种有力的工具，可在光网络（例如路由和波长分配（RWA）[1]等光网络中解决复杂而染色的优化问题[1]，路由，调制和频谱分配（RMSA）[2]以及虚拟网络嵌入[3]。RL实现的性能效果表明其在现实世界中的应用潜力。但是，与其他机器学习（ML）算法类似，RL模型具有黑盒性质，使它们难以解释。这种特征使RL模型难以信任，因此在实际的光网部署中采用。对于监督的ML模型，Shap（Shapley添加说明）[4]是一种可解释的AI方法，已被广泛采用。Shap是一种基于合作游戏理论的方法，用于量化单个特征对模型决策过程的影响。Shap值提供了对每个功能的相对重要性（影响）的见解，从而估算了它们如何对模型的输出做出贡献。将这种解释性框架应用于传播质量（QOT）预测任务时，已显示出有希望的属性[5]。最近，由于需要解释和使RL模型的决策过程透明的驱动，可解释的RL（XRL）受到了越来越多的关注。在光网络的上下文中，XRL的概念仍然相对尚未探索。先前建议通过反向工程网络状态[6]或网络中资源使用分析（链接）来解释和解释RL模型的决策[1，7]。但是，这些研究并未分析不同特征如何影响RL药物的决策。因此，在光网络背景下，RL代理学到的政策仍然存在一段差距。这至关重要，因为网络运营商需要在其在实际网络中部署之前了解RL学习策略背后的推理。在这项工作中，我们旨在利用Shap（Shapley添加说明）[4]来解释应用于RMSA问题的RL模型的行为。为此，我们提出了一种使用训练有素的RL代理的观察和行动来以有监督的学习方式训练ML模型的方法。由Shap使用所得的ML模型来提取解释。与[2]中的RMSA问题的每个组件分别求解，RL代理解决路由问题，基于路径长度的调制格式选择以及基于第一拟合策略的频谱分配。我们分析了该问题的三种变化，改变了奖励函数和选择RL代理的不可行的动作的可能性。我们特别有兴趣解释重要的网络和LightPath请求特征，该特征导致RL模型拒绝该请求。结果允许我们确定哪些功能和哪些值范围影响RL代理接受或拒绝LightPath请求。我们观察到，通过更改奖励功能，RL策略会更改拒绝请求时所考虑的重要功能。引入了防止RL模型采取不可行的措施的掩码，使功能的重要性更加均匀地分布在不同的路由选项上。我们认为，提出的方法对于增加将在真实网络中部署的RL模型的可信度可能是有价值的。