XiaoMi-AI文件搜索系统
World File Search System性感
影响糖尿病患者使用治疗鞋类的因素和保护性感觉的丧失：焦点小组研究
糖尿病（DM）是全球最常见的慢性病之一，影响了4.22亿人[1]。在这种人口中发展糖尿病足溃疡（DFU）的寿命风险可能高达25％。大约85％的与糖尿病相关的下肢截肢症状在DFU之前[2]。因此，从生活质量和经济角度来看，DFU被认为是医疗保健方面的主要关注点[3]。开发DFU的最大危险因素是周围神经病[4，5]。感觉神经病会引起不敏感性，导致保护性感觉丧失（LOPS）。此外，运动范围有限，脚内小肌肉的萎缩以及由于DM而导致的脚结构变化会导致降压压力。对高足底压力区域的重复应力会导致小伤，由于神经病而可能无法引起注意，导致DFU [6]。根据有关糖尿病脚的国际工作组（IWGDF）预防和管理糖尿病脚的指南，患有高风险患溃疡风险的人需要使用治疗性鞋类（TF）才能卸下高足底式鞋类[7]。可以通过大部分时间使用卸载脚磨损来显着降低开发DFU的风险[8，9]。然而，一些研究表明，在DM患者中使用TF的依从性较低[10-12]。此信息可用于（未来）TF的开发，并进一步改进处方过程。为了提高脚部状况的依从性并进一步恶化，重要的是提高DM患者之间的知识和意识，并确定对使用TF的使用很重要的因素[11]。在2016年发表的综述中，发现只有6项定量观察研究可以证明遵守DM的人使用TF [13]。审查中的大多数研究都报告了不同因素与依从性的关联：脚畸形和较小的截肢，脚部状况的严重程度，TF外观，体重指数，糖尿病类型和年龄[13]。由于研究数量有限，结果不一致，因此尚不确定哪些因素会影响使用TF的依从性。不一致的结果可能是通过研究人员对遵守群体和个体水平预测指标的区别的有限关注来解释的。具有DM和脚并发症的人群的异质性可能解释了TF使用中个体之间的强烈差异，从而导致仅在个体或亚组水平上存在依从性的预测因素[13]。一项定性研究是一种适当的方法，可以为使用TF（在DM和LOPS的不同组中）产生新知识。这种类型的方法不受预先指定的问题的限制，因此可以识别出有关使用TF的最重要因素以及基本的看法，经验和愿望[14]。与互动空间进行焦点小组讨论可能会导致一个富有成果的讨论，其中出现了对主题深入了解的想法[15]。由于DM的人口是异质的，因此根据疾病的严重程度（HOU与No-Hou）
2022 年 EULAR 对自身免疫性炎症性风湿病成人患者慢性和机会性感染的筛查和预防建议
摘要 目的 制定 EULAR 对自身免疫性炎性风湿病 (AIIRD) 患者慢性和机会性感染的筛查和预防建议。方法 国际工作组 (TF)（22 个成员/15 个国家）制定建议，并以系统文献综述结果为依据。每项建议都指定了证据级别和推荐等级。TF 的每个成员都匿名提供了同意程度。结果 制定了四项总体原则 (OAP) 和八项建议。OAP 强调需要根据国家法规与患者和其他医学专科讨论感染问题。除了应对生物/靶向合成的抗风湿药 (DMARD) 进行潜伏性结核病 (TB) 筛查外，还可以考虑在使用常规合成 DMARD、糖皮质激素和免疫抑制剂之前进行筛查。如果可用，干扰素γ释放试验应优先于结核菌素皮肤试验。乙肝 (HBV) 抗病毒治疗应以开始抗风湿药物前确定的 HBV 状态为指导。所有丙型肝炎 RNA 阳性的患者都应转诊接受抗病毒治疗。此外，应告知对水痘带状疱疹病毒无免疫力的患者，如果他们接触了这种病原体，可以采取暴露后预防措施。对于每日服用 >15–30 毫克泼尼松龙或等效药物治疗超过 2–4 周的患者，预防耶氏肺孢子虫似乎有益。结论这些建议为筛查和预防慢性和机会性感染提供了指导。建议在临床实践中采用这些建议，以标准化和优化护理，减轻 AIIRD 患者的机会性感染负担。
疫苗突破性感染导致 SARS-CoV-2 变体产生不同的中和抗体反应特征
简介自 COVID-19 疫苗推出以来，就已观察到接种 SARS-CoV-2 疫苗后出现突破性感染 (1, 2)，并且与特定变体有关，包括 Beta (3)、Delta (4) 和 Omicron (5)。突破性感染的诱因以及突破性感染对 SARS-CoV-2 免疫的影响尚不清楚。宿主因素和病毒因素都与此有关。免疫功能低下的患者在接种疫苗后免疫反应较差 (6)，尽管接种了疫苗，但仍面临很高的感染风险 (7)。此外，早期研究表明，尽管感染时患者血清具有中和活性，但仍会出现突破性感染 (2)。SARS-CoV-2 变体突破性感染的风险不同表明病毒因素也发挥了作用 (8, 9)。由于 T 细胞对 SARS-CoV-2 肽的反应性似乎在各种变体中基本保持不变（10、11），但抗体的中和活性对几种变体（尤其是 Omicron（12-14））明显降低，我们假设 (a) 疫苗突破性感染时的抗体特异性反应以变体特异性方式不同；b) 突破性感染后的免疫反应塑造了对未来变体的免疫反应。我们招募了一批有症状的突破性感染的门诊患者，并比较了突破性感染时和康复后不同变体和疫苗接种状态的宿主抗体反应。
巴西 COVID-19 疫苗突破性感染住院患者的概况及不良结果的危险因素
摘要 目的。描述在完全接种疫苗后更有可能感染 SARS-CoV-2 的个体的流行病学和临床特征，以便在疫苗剂量短缺的情况下对优先接种加强剂量的人群进行分析，并维持个人防护护理。方法。这项横断面研究使用了从 SIVEP-Gripe 数据库（流感流行病学监测信息系统）收集的 2021 年 1 月 18 日至 2021 年 9 月 15 日期间住院的 COVID-19 患者的数据，这些患者的年龄≥18 岁，已完全接种疫苗并被诊断为 SARS-CoV-2 感染。分析了人口统计数据、临床症状和既往病史（合并症）。主要结果是院内死亡。结果。大多数出现疫苗突破性感染的住院患者年龄≥60 岁，男性，患有危重或重症 COVID-19。病死率极高（50.27%），老年群体病死率更高。最常见的症状是咳嗽、呼吸困难、呼吸窘迫和低血氧饱和度。最常见的合并症是心脏病和糖尿病。重症监护病房患者（72.88%）和需要有创机械通气的患者（87.82%）病死率较高。导致不良结果的主要危险因素是高龄、呼吸功能障碍、灭活病毒疫苗免疫和已有疾病。结论。我们描述了巴西住院的 COVID-19 疫苗突破性感染患者的概况以及导致不良结果的危险因素。这些数据可用于确定优先接种加强剂量并继续使用个人防护的人群。
用于量子计算的不确定性感知伪标记
机器学习模型最近在预测分子量子化学性质方面显示出良好的前景。然而，要将其应用于现实生活需要（1）在低资源约束下学习，以及（2）对从未见过的结构多样的分子进行超出分布的推广。我们观察到，这两个挑战可以通过丰富的标签来解决，而这在量子化学中往往并非如此。我们假设，在大量未标记分子上进行伪标记可以作为金标记代理，以显著扩展训练标记数据集。伪标记的挑战在于防止不良伪标签使模型产生偏差。在熵最小化框架的启发下，我们开发了一个简单有效的策略 P SEUD σ，它可以分配伪标签，通过证据不确定性检测不良伪标签，并使用自适应加权防止它们使模型产生偏差。从经验上看，P SEUD σ 提高了全数据、低数据和分布外设置中的量子计算准确性。
使用 AlphaFold 进行可溶性感知蛋白质结合肽设计
摘要：新的蛋白质-蛋白质相互作用（PPI）正在不断被发现，但PPI 与传统靶标相比具有不同的物理化学性质，这使得使用小分子变得困难。肽为靶向 PPI 提供了一种新的方式，但通过计算设计合适的肽序列具有挑战性。最近，AlphaFold 和 RosettaFold 使得从氨基酸序列预测蛋白质结构成为可能，并且精度极高，从而实现了从头蛋白质设计。我们使用 AfDesign 的“结合剂幻觉”协议（一种使用 AlphaFold 的从头蛋白质设计方法）设计了可能以 PPI 为靶蛋白的肽。然而，这些肽的溶解度往往较低。因此，我们使用氨基酸的溶解度指数设计了溶解度损失函数，并开发了可感知溶解度的 AfDesign 结合剂幻觉协议。使用新协议设计的序列中肽的溶解度随着溶解度损失函数的权重的增加而增加；此外，它们还捕捉到了溶解度指数的特征。此外，通过对接结合亲和力评估，新协议序列往往比随机或单残基替换序列具有更高的亲和力。我们的方法表明，可以设计出能够结合PPI界面同时控制溶解度的肽序列。
接种疫苗的癌症患者发生 COVID-19 突破性感染的风险和结果：来自国家 COVID 队列合作的真实世界证据
结果 在 N3C 疫苗接种人群中共发现 6,860 例突破性病例，其中 1,460 例（21.3%）为癌症患者。经调整年龄、性别、种族/民族、吸烟状况、疫苗类型和接种日期后，实体瘤和血液系统恶性肿瘤与非癌症患者相比，发生突破性感染的风险（比值比 [OR] = 1.12，95% CI，1.01 至 1.23 和 4.64，95% CI，3.98 至 5.38）和发生严重后果的风险（OR = 1.33，95% CI，1.09 至 1.62 和 1.45，95% CI，1.08 至 1.95）显著较高。与实体肿瘤相比，血液系统恶性肿瘤发生突破性感染的风险更高（调整后的 OR 范围从淋巴瘤的 2.07 到淋巴细胞白血病的 7.25）。第二剂疫苗接种后，所有癌症的突破性感染风险均降低（OR 5 0.04；95% CI，0.04 至 0.05），与辉瑞的 BNT162b2 疫苗相比，Moderna 的 mRNA-1273 疫苗的突破性感染风险降低（OR 5 0.66；95% CI，0.62 至 0.70），尤其是多发性骨髓瘤患者（OR 5 0.35；95% CI，0.15 至 0.72）。在接种疫苗的人群中，具有主要免疫抑制作用的药物和骨髓移植与突破性感染风险密切相关。
三级医院 covid-19 突破性感染概况......
在此期间报告的病例总数为 8350 例，其中 5494 例（65.79%）接种了疫苗，2856 例（34.20%）未接种疫苗。在 COVID-19 大流行远未结束的情况下，疫苗提供了对疾病的救命保护。截至 2021 年 11 月 28 日的数据表明，尼泊尔共接种了 18,317,508 剂疫苗，17 这表明尼泊尔 60% 以上的人口接种了疫苗。疫苗接种顺序为医护人员、患有合并症的成年人、65 岁及以上人群，然后是 18-64 岁人群。在我们的研究中，接种疫苗后发现的突破性 COVID 19 病例为 694 例（12.63%），这与一项针对美国的研究相似，该研究显示疫苗对 COVID-19 大流行有重大影响，18 这可能是由于新变种。在我们的研究中，1865 人接种了国药疫苗，748 人接种了牛津-阿斯利康疫苗，378 人接种了强生疫苗，1503 人接种了辉瑞、Moderna 和 Sputnik V 等其他疫苗。同样，2856 人（34.20%）未接种疫苗。我国获得了牛津-阿斯利康、国药和强生等疫苗的捐赠。根据 2021 年 8 月 16 日的数据，Covishield 第一剂 1875476 和第二剂 866375、国药第一剂 2841460 和第二剂 1336325、强生单剂 1287365 已在人群中接种。19 在这项研究中，在接种国药、牛津-阿斯利康、强生、其他疫苗辉瑞、Moderna、Sputnik V 的个体中分别出现 264 例（14.15%）、95 例（12.70%）、44 例（3.19%）、28 例（1.86%）突破性感染。在所有阳性病例中，263 例（9.20%）未接种疫苗。
3 剂 mRNA COVID-19 疫苗与 SARS-CoV-2 Omicron 和 Delta 变体引起的症状性感染之间的关联
结果 总体而言，共纳入 23 391 例病例（13 098 例 Omicron 病例；10 293 例 Delta 病例）和 46 764 例对照（平均年龄 40.3 [SD, 15.6] 岁；42 050 名女性 [60.1%]）。18.6%（n = 2441）的 Omicron 病例、6.6%（n = 679）的 Delta 病例和 39.7%（n = 18 587）的对照报告先前接种过 3 剂 mRNA 疫苗；55.3%（n = 7245）、44.4%（n = 4570）和 41.6%（n = 19 456）报告先前接种过 2 剂 mRNA 疫苗；未接种疫苗者分别为 26.0% (n = 3412)、49.0% (n = 5044) 和 18.6% (n = 8721)。Omicron 接种 3 剂疫苗与未接种疫苗者的调整后优势比为 0.33 (95% CI, 0.31-0.35)，Delta 接种 3 剂疫苗与未接种疫苗者的调整后优势比为 0.065 (95% CI, 0.059-0.071)；Omicron 接种 3 剂疫苗与 2 剂疫苗者的调整后优势比为 0.34 (95% CI, 0.32-0.36)，Delta 接种 3 剂疫苗与 2 剂疫苗者的调整后优势比为 0.16 (95% CI, 0.14-0.17)。对于 Omicron 和 Delta，3 剂病例的中位周期阈值明显高于 2 剂病例（Omicron N 基因：19.35 vs 18.52；Omicron ORF1ab 基因：19.25 vs 18.40；Delta N 基因：19.07 vs 17.52；Delta ORF1ab 基因：18.70 vs 17.28；Delta S 基因：23.62 vs 20.24）。
COVID-19 疫苗接种和突破性感染
• 合并症包括高血压、心血管疾病、糖尿病、肺病、妊娠、肥胖。 • 分子数据来源：Panorama、IOM 和 RRPL。结果按报告日期计算，截至 2021 年 12 月 31 日，并于 2022 年 1 月 4 日提取。 • 省外接受检测的 SK 居民不包括在本分析中。 • 分母数据来源：Panorama 免疫登记处 2022 年 1 月 11 日摘录的截至 2022 年 1 月 9 日的剂量。 • 第一次加强免疫的分母是基于完成两剂基础系列后的所有剂量（即，不包括一剂基础系列后的剂量）对第一次加强免疫的人数的粗略估计。 警告： • 这是根据截至 2021 年 12 月 1 日报告的免疫情况估计的新病例比例。 • 第一次加强免疫是在完成基础系列后 28 天或更长时间接种疫苗。 • 尽管病例和免疫接种之间的日期并不完全一致，但它将提供每个疫苗接种组中病例比例的估计值。 • 请注意，这些比例不能用于描述免疫接种后的感染，因为没有考虑建立免疫的时间。 • 完整的系列是接种一剂单剂量疫苗或接种两剂两剂量系列，其中满足最小间隔标准。 • ICU 入院比例和死亡比例基于少量数字，并且会有很大差异。 • 并非所有近期 COVID-19 病例都已输入 Panorama 数据库。