XiaoMi-AI文件搜索系统
World File Search System帕金森病
基于学习的帕金森病计算机辅助处方模型：数据驱动的视角
摘要 — 在本文中，我们研究了一个新问题：“帕金森病患者的自动处方推荐”。为了实现这一目标，我们首先通过收集 1）帕金森病患者的症状和 2）神经科医生提供的处方药来构建一个数据集。然后，我们通过学习观察到的症状和处方药之间的关系，建立了一个新颖的计算机辅助处方模型。最后，对于新来的患者，我们可以通过我们的处方模型根据他们观察到的症状推荐（预测）合适的处方药。从方法论部分来看，我们提出的模型，即通过学习潜在症状的处方（PALAS），可以使用数据的多模态表示来推荐处方。在 PALAS 中，学习潜在症状空间以更好地模拟症状和处方药之间的关系，因为它们之间存在很大的语义差距。此外，我们提出了一种有效的 PALAS 交替优化方法。我们使用从南京脑科医院收集的 136 名帕金森病患者收集的数据来评估我们的方法，这可以被视为帕金森病研究界的大型数据集。与其他竞争方法相比，实验结果证明了我们的方法在该推荐任务中的有效性和临床潜力。
DNA修复酶中显著基因多态性对帕金森病的影响
帕金森病 (PD) 是一种慢性进行性脑神经退行性疾病，与多巴胺能神经元的丢失有关。其发病机制尚不清楚；但活性氧 (ROS) 造成的氧化性 DNA 损伤被认为在 PD 的病因中起主要作用。DNA 修复系统可以减轻氧化性 DNA 损伤并有助于维持基因组稳定性，从而防止神经元死亡。然而，DNA 修复酶的基因多态性可能会改变酶的功能并增加 PD 的风险。本研究旨在调查土耳其人群中 97 名 PD 患者和 102 名对照者的 OGG1 、 XRCC1 和 MTH1 基因多态性与 PD 风险之间的可能联系。我们利用聚合酶链式反应-限制性片段长度多态性进行的基因分型研究表明，两个基因多态性（ OGG1Ser326 Cys 和 MTH1Val83Met ）与 PD 风险之间没有关系。携带 XRCC1 变异基因型的受试者罹患 PD 的风险比对照组高出 2 至 3.5 倍（分别为 p = 0.046，OR = 1.910，95 % CI= [1.013 – 3.603] 和 p = 0.006，OR = 3.742，95 % CI= [1.470 – 9.525]）。我们的研究结果表明 XRCC1 Arg399Gln 多态性是 PD 的风险因素。
帕金森病早期检测人工智能系统中的偏见调查：叙述性评论
1 东北山大学生物医学工程系，西隆 793022，印度；sudip.paul.bhu@gmail.com（SP）；mahesh.nehu.333@gmail.com（MM） 2 国际信息技术学院 CSE 系，布努内什瓦尔 751003，印度；sanjay@iiit-bh.ac.in 3 卡利亚里大学放射学系，意大利卡利亚里 09121；lucasabamd@gmail.com 4 马里博尔大学医学中心神经病学系，斯洛文尼亚 1262 马里博尔；monika.turk84@gmail.com 5 哈佛医学院放射学系，美国马萨诸塞州波士顿 02115；MKALRA@mgh.harvard.edu 6 富通医院神经病学系，班加罗尔 560010，印度； pudukode.krishnan@fortisheakthcare.com 7 中风监测和诊断部，AtheroPoint™，罗斯维尔，加利福尼亚州 95661，美国 * 通讯地址：jasjit.suri@atheropoint.com；电话：+1-(916)-749-5628
带有 LINCS 和 IDG 的知识图谱分析平台，用于帕金森病目标照明
LINCS 中心利用深入的基因和蛋白质表达分析来生成可直接映射到 IDG 蛋白质靶标的签名。疾病和表型本体映射是一项社区挑战，有 OMOP 和 UMLS 等实用且可行的解决方案。LINCS 扰动物包括严格定义的化学实体和 IDG 资源 DrugCentral 中包含的小分子药物。因此，LINCS 的大量人类细胞系和实验化学扰动数据集，结合 IDG 的蛋白质靶标（基因和蛋白质 ID）和 DrugCentral 活性药物成分（药物化合物）数据库，为药物靶标发现提供了紧密集成的组合资源。
用孟德尔随机化方法评估预防帕金森病的降脂药物靶点
流行病学研究发现他汀类药物的使用与帕金森病 (PD) 风险之间存在不一致的关联，这表明接触他汀类药物可能会提供神经保护 1 - 3 或增加 PD 风险。4,5 然而，这种观察性研究受到限制因果推断的偏差的影响，例如混杂和反向因果关系。在长期随机对照试验中稳健地评估他汀类药物或其他降脂药物对 PD 预防的潜力将具有挑战性，因此，有必要使用其他研究设计来检查接触降脂药物是否会减轻或增加 PD 风险。遗传变异可用于预测长期药物暴露对疾病风险的影响。蛋白质编码基因附近的变异可以影响蛋白质的产生或功能，其方式类似于药物对相同蛋白质的治疗调节。因此，这些基因的关联可能是可靠的。
采用旅行模型范式进行帕金森病分类的多中心分布式学习方法
分布式学习是机器学习 (ML) 模型训练中中心学习的一种有前途的替代方案，它解决了医疗保健中的数据共享问题。先前研究探索了用于基于医学图像的疾病分类的联邦学习 (FL) 或旅行模型 (TM) 设置，这些研究通常依赖于具有有限数量中心或模拟人工中心的大型数据库，这使人们对其在现实世界的适用性产生了怀疑。这项研究使用从世界各地 83 个不同的真实中心获取的数据（主要贡献小型训练样本）开发并评估了一种用于帕金森病分类的卷积神经网络 (CNN)。我们的方法特别利用了 TM 设置，该设置已被证明在数据可用性有限的场景中是有效的，但从未用于基于图像的疾病分类。我们的研究结果表明，即使在具有可变数据分布的复杂现实场景中，TM 也可有效训练 CNN 模型。经过足够的训练周期后，TM 训练的 CNN 的性能与集中训练的 CNN 相当或略胜一筹（AUROC 分别为 83% 和 80%）。我们的研究首次强调了 TM 在 3D 医学图像分类中的有效性，尤其是在训练样本有限和异构分布式数据的情况下。这些见解适用于使用来自小型或远程医疗中心的数据训练 ML 模型的情况，以及病例稀少的罕见疾病。这种方法简单易用，可广泛应用于许多深度学习任务，增强其在各种环境和医疗机构中的临床实用性。
左旋多巴诱导的非周期性爆发动力学变化与帕金森病的个体临床改善有关
1. 艾克斯·马赛大学，CNRS，INT，德拉蒂莫内神经科学研究所，13005，马赛，法国。 2. 艾克斯-马赛大学、INSERM、INS、系统神经科学研究所，13005，马赛，法国 3. 中央地中海学院，13013，马赛，法国。 4. APHM，马赛大学医院，蒂莫内医院神经病学和运动障碍科，13005，法国。 5. 斯特拉斯堡大学神经科学认知与适应性实验室，67000 斯特拉斯堡，法国。 6. 罗马生物医学大学校园工程系非线性物理和数学模型组，意大利 00128。 7. 外科癫痫病科、功能性和立体定向神经外科，蒂莫内大学医院，13005，马赛，法国。8. 艾克斯马赛大学，UMR INSERM 1106，功能性神经外科系，13005，马赛，法国。¡ 资深作者 * 通讯作者：hasnae.agouram@univ-amu.fr，pierpaolo.sorrentino@univ-amu.fr
利用机器学习方法挖掘影像和临床数据，以诊断和早期发现帕金森病
帕金森病 (PD) 是一种常见的、进行性的、目前无法治愈的神经退行性运动障碍。PD 的诊断具有挑战性，特别是在帕金森病的鉴别诊断和早期 PD 检测中。由于机器学习具有学习复杂数据模式和为个体做出推断的优势，机器学习技术越来越多地应用于 PD 的诊断，并已显示出一些有希望的结果。基于机器学习的成像应用使得在许多神经影像学研究中自动区分帕金森病和早期检测 PD 成为可能。对比研究表明，基于机器学习的 PD SPECT 图像分析应用在检测 PD 相关多巴胺能变性方面优于传统的半定量分析，表现与专家的目视检查相当，并有助于提高放射科医生对 PD 的诊断准确性。在这些应用中使用组合多模态（成像和临床）数据可以进一步增强 PD 的诊断和早期检测。为了将基于机器学习的诊断应用集成到临床系统中，需要进一步验证和优化这些应用，使其准确可靠。预计机器学习技术将进一步帮助改善帕金森病的鉴别诊断和帕金森病的早期发现，这可能会降低帕金森病诊断的错误率，并有助于在运动前阶段检测帕金森病，以便能够进行早期治疗（例如神经保护治疗），以减缓帕金森病的进展，防止出现严重的运动症状，并减轻患者的痛苦。
OSIA 小册子计划
全球帕金森病遗传学计划 (GP2) 是一项大规模的合作研究计划，旨在揭示全球范围内帕金森病的遗传基础。该计划由帕金森病科学联盟计划支持，与迈克尔·J·福克斯基金会合作，并由来自不同人群的科学家、临床医生和研究参与者参与，旨在更好地了解导致帕金森病的遗传因素。通过收集和分析来自全球数十万人（尤其是来自代表性不足的人群）的基因数据，GP2 旨在识别新的遗传风险因素，改善诊断，并最终为帕金森病的更个性化治疗铺平道路。该计划强调包容性和数据共享，以确保研究成果惠及不同种族和地理背景的人们。
远程编程对帕金森病深部脑刺激的影响：一项回顾性研究
两组患者的编程疗程次数没有显著差异，但 RP 组中有 3 名患者的 RP 疗程（21、16、42 次；轻微异常值）远高于平均次数（中位数：5.5 [IQR：3.5–18.5]）。这可能是由于他们主观认为症状控制不佳，尽管他们的 U3 改善率并不差于平均水平（31%、64%、45%）。RP 提供的就医便利可能会增加编程请求。Zhang 等 [14] 报告称，在 COVID-19 的封锁措施之后，编程疗程数量有所增加，在 909 次未进行 DBS 调整的 RP 疗程中，52 次报告大多令人满意，这表明随着患者逐渐恢复，对 RP 的需求将会增加