XiaoMi-AI文件搜索系统
World File Search System患者
视频 + AI 解决方案可自动捕获外周水肿数据，无需患者遵守
简介：慢性心力衰竭导致许多患者住院，尤其是那些年老且不遵守治疗 1 的患者。这种住院通常可以通过前几周体重增加 2 和外周水肿增加来预测。对于不遵守每日体重记录的患者，我们假设从零依从性全自动远程监控解决方案中收集可靠的数据以评估外周水肿将减少住院并改善护理。
引文 Shimizu T, Inoue E, Ohkuma R, Kobayashi S, Tsunoda T 和 Wada S (2023) 晚期非小细胞肺癌患者的可溶性 PD-L1 变化
非小细胞肺癌 (NSCLC) 占肺癌病例的大多数，是癌症相关死亡的主要原因。大多数 NSCLC 病例在诊断时伴有远处转移 (1)。因此，对晚期 NSCLC 病例的有效治疗至关重要 (2)。经过随机 3 期试验，针对程序性细胞死亡蛋白 1 (PD-1) 的单克隆抗体 nivolumab 和 pembrolizumab 已成为晚期 NSCLC 患者的标准治疗 (3-5)。程序性死亡蛋白配体 1 (PD-L1) 在 NSCLC 组织中的表达率为 24% 至 60%，肿瘤 PD-L1 表达似乎是预测免疫检查点抑制剂 (ICI) 有效性的潜在生物标志物。目前，这些抗 PD-1 抑制剂已被用作一线治疗 PD-L1 高表达（≥ 50% 的肿瘤细胞）且无 EGFR、ALK 或 ROS1 异常的晚期 NSCLC 患者的单药疗法（6）。获取晚期 NSCLC 患者的肿瘤组织可能具有挑战性。与基于血清的检测相比，组织分析不太适合用于治疗监测。最近有报道称，血浆或血清中的治疗前或治疗后可溶性 PD-L1（sPD-L1）可作为监测 NSCLC 患者 ICI 治疗的潜在生物标志物（7-13）。然而，很少有报道研究 sPD-L1 随时间的变化是否可以作为 ICI 疗效的生物标志物。在过去几年中，一些研究已经检验了治疗前或治疗后 sPD-L1 水平与各种癌症预后之间的关联。 2023 年，Sze ́ les 等人进行了一项荟萃分析，以评估治疗前 sPD-L1 与多种人类恶性肿瘤生存期之间的相关性 ( 14 )。汇总的总体估计值表明，sPD-L1 是各种癌症中 OS 较短的重要指标，在 NSCLC 中观察到的关联性最强。然而，当谈到 sPD-L1 变化时，先前的研究得出了不一致的结果，可能是由于样本量小或缺乏具有临床意义的关系。为了确定 sPD-L1 变化的作用，我们使用来自七项试验中的两项的个体患者数据对 PD-1 抑制剂治疗进行了协作个体患者数据荟萃分析。
肥胖症患者的肠道菌群：与肠道菌群在肥胖症患者中的营养和炎症作用的关系：RE
对营养对粪便菌群的影响的研究及其与肥胖和与体重过大有关的肥胖和炎症的相互作用，已获得相关性，以开出精确的药物。 div>菌群的组成与饮食和生活方式密切相关，直接或间接影响脂肪组织的能量代谢，肠道生理学和稳态，影响肥胖，2型糖尿病，心血管疾病，某些类型的癌症和涉及的炎症过程。 div>对宏基因组机制的理解对于应对临床和流行病学挑战至关重要，并在营养炎症 - 肥胖轴上制定了个性化的治疗策略和健康政策，从它们之间的相互作用及其之间的相互作用及其可能的调节作用至关重要。 div>宏基因组过程的知识会更深入地了解菌群作为肥胖的原因或后果，以及对菌群组成的修改，以优化代谢健康并降低发病率的风险，并详细介绍与OBESITY和OBESITY和炎症相关的慢性疾病的治疗方法。 div>本综述着重于解决肠道菌群与营养，肥胖和炎症的关系，以开发有效的预防和治疗各种慢性代谢疾病的方法。 div>
名称：劳伦·博伊特（Lauren Boyett）标题：倡导者组织或代理：CT Cannawarriors主题：HB05429- AAC护理人员合格的患者和姑息治疗
有能力拥有一名法律护理人员，他们可能会为康涅狄格州的有限患者种植少数植物，这对我们来说会产生很大的影响，并且可能能够帮助目前处于类似情况的其他无数家庭。通过简单地了解患者的独特需求并能够相应地定制治疗方法，这是当前的医用大麻计划根本无法提供的，可以提供护理人员可以提供的个性化护理。
患者受访者个人资料
患者受访者的个人资料：278个早期，乳腺癌患者对英语和法语的调查做出了反应。在此提交中，CBCN专门利用了52名加拿大，早期，她对我们调查做出反应的2个阳性乳腺癌患者提供的数据。所有人都被确定为女性，主要是（29）将英语说为第一语言，有7个讲法语作为第一语言，有4位受访者选择其他语言作为其第一语言（在广东话，波兰语和塞尔博 - 克罗伊亚族人之间分配），有12位受访者未经宣称。大多数受访者来自安大略省（12）和萨斯喀彻温省（6），魁北克4，新斯科舍省4岁，不列颠哥伦比亚省的4岁，来自曼尼托巴省的2岁，来自曼尼托巴省的2岁，新不伦瑞克省的2名，来自纽芬兰和拉布拉多的2名，来自艾尔伯塔省的2，来自艾伯塔省的2，来自爱德华王子岛。其余部分没有指定其居住省。大多数受访者（21）在诊断出40-49岁之间，有15名受访者在50-59岁之间，有10名受访者在30-39岁之间，30岁的年龄在60-69岁之间，其余的则未公开。大多数受访者处于关系中（34），而五名受访者则称自己为单身，其余的没有指定他们的关系状态。大多数患者（33）有孩子，大多数患者（17）患有20岁以上的儿童，有10岁的儿童在13-19岁之间，有5岁的儿童2-5岁，有4岁的儿童在6-12岁之间，4岁的儿童在1岁以下。印刷资料：对当前的研究和灰色文献进行了审查，以识别许多患有乳腺癌的妇女中通常共享的问题和经验。3。关键的线人访谈：电话访谈于4月和2021年5月进行了加拿大早期阶段，患有高危乳腺癌，HER2阳性乳腺癌的乳腺癌患者，并在接受审查的治疗方面有直接经验。疾病经验
与BCL-XL阻滞的合成致命相互作用在转移性结直肠癌的患者衍生模型中加深对西妥昔单抗的反应
摘要◥目的：大约20％的RAS野生型转移性结直肠癌（MCRC）的患者经历了对抗EGFR抗体西素单抗的客观反应，但很少实现消除疾病。肿瘤收缩的程度与长期结局相关。我们的目的是找到合理组合，通过破坏对抗凋亡分子的适应性依赖性（BCL2，BCL-XL，MCL1）来增强西妥昔单抗的效率。实验设计：实验是在患者衍生的异种移植物（PDX）和类器官（PDXO）中进行的。凋亡的底漆。促凋亡和抗凋亡蛋白复合物。通过caspase激活PDXOS和监测PDX生长来评估组合疗法的影响。结果：由314个PDX队列中的人口试验，由许多患者确定，确定46个模型（14.6％），具有明显的
<在化粪池患者管理中分为人工智能
1。Brown JM，Campbell JP，Beers A等。使用深卷积神经网络在早产性视网膜病变中对疾病的自动诊断。 Jama Ophthalmol。 2018; 136：803–810。 doi：10.1001/jamaophthalmol.2018.1934。 2。 Gulshan V，Peng L，Coramm等。 在视网膜眼底照片中检测糖尿病性视网膜病的深度学习算法的开发和验证。 JAMA。 2016; 316：2402–2410。 doi：10。 1001/jama.2016.17216。 3。 Coyner AS，Swan R，Campbell JP等。 使用深卷积神经网络的预性早产性底面图像质量评估。 眼科视网膜。 2019; 3：444–450。 doi：10.1016/j.oret.2019.01.015。 4。 Rajpurkar P，Irvin J，Zhu K等。 chexnet：放射科医生级的肺炎检测在胸部X布斯具有深度学习。 ARXIV171105225 CS Stat。 2017年11月。http://arxiv.org/abs/1711.05225。 2019年10月23日访问。 5。 Jones LD，Golan D，Hanna SA，Ramachandran M.人工智能，机器学习和医疗保健的发展：光明的未来还是令人担忧的原因？ 骨JT res。 2018; 7：223–225。 doi：10。 1302/2046-3758.73.BJR-2017-0147.R1。 6。 de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。使用深卷积神经网络在早产性视网膜病变中对疾病的自动诊断。Jama Ophthalmol。2018; 136：803–810。 doi：10.1001/jamaophthalmol.2018.1934。 2。 Gulshan V，Peng L，Coramm等。 在视网膜眼底照片中检测糖尿病性视网膜病的深度学习算法的开发和验证。 JAMA。 2016; 316：2402–2410。 doi：10。 1001/jama.2016.17216。 3。 Coyner AS，Swan R，Campbell JP等。 使用深卷积神经网络的预性早产性底面图像质量评估。 眼科视网膜。 2019; 3：444–450。 doi：10.1016/j.oret.2019.01.015。 4。 Rajpurkar P，Irvin J，Zhu K等。 chexnet：放射科医生级的肺炎检测在胸部X布斯具有深度学习。 ARXIV171105225 CS Stat。 2017年11月。http://arxiv.org/abs/1711.05225。 2019年10月23日访问。 5。 Jones LD，Golan D，Hanna SA，Ramachandran M.人工智能，机器学习和医疗保健的发展：光明的未来还是令人担忧的原因？ 骨JT res。 2018; 7：223–225。 doi：10。 1302/2046-3758.73.BJR-2017-0147.R1。 6。 de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。2018; 136：803–810。doi：10.1001/jamaophthalmol.2018.1934。2。Gulshan V，Peng L，Coramm等。 在视网膜眼底照片中检测糖尿病性视网膜病的深度学习算法的开发和验证。 JAMA。 2016; 316：2402–2410。 doi：10。 1001/jama.2016.17216。 3。 Coyner AS，Swan R，Campbell JP等。 使用深卷积神经网络的预性早产性底面图像质量评估。 眼科视网膜。 2019; 3：444–450。 doi：10.1016/j.oret.2019.01.015。 4。 Rajpurkar P，Irvin J，Zhu K等。 chexnet：放射科医生级的肺炎检测在胸部X布斯具有深度学习。 ARXIV171105225 CS Stat。 2017年11月。http://arxiv.org/abs/1711.05225。 2019年10月23日访问。 5。 Jones LD，Golan D，Hanna SA，Ramachandran M.人工智能，机器学习和医疗保健的发展：光明的未来还是令人担忧的原因？ 骨JT res。 2018; 7：223–225。 doi：10。 1302/2046-3758.73.BJR-2017-0147.R1。 6。 de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。Gulshan V，Peng L，Coramm等。在视网膜眼底照片中检测糖尿病性视网膜病的深度学习算法的开发和验证。JAMA。 2016; 316：2402–2410。 doi：10。 1001/jama.2016.17216。 3。 Coyner AS，Swan R，Campbell JP等。 使用深卷积神经网络的预性早产性底面图像质量评估。 眼科视网膜。 2019; 3：444–450。 doi：10.1016/j.oret.2019.01.015。 4。 Rajpurkar P，Irvin J，Zhu K等。 chexnet：放射科医生级的肺炎检测在胸部X布斯具有深度学习。 ARXIV171105225 CS Stat。 2017年11月。http://arxiv.org/abs/1711.05225。 2019年10月23日访问。 5。 Jones LD，Golan D，Hanna SA，Ramachandran M.人工智能，机器学习和医疗保健的发展：光明的未来还是令人担忧的原因？ 骨JT res。 2018; 7：223–225。 doi：10。 1302/2046-3758.73.BJR-2017-0147.R1。 6。 de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。JAMA。2016; 316：2402–2410。 doi：10。 1001/jama.2016.17216。 3。 Coyner AS，Swan R，Campbell JP等。 使用深卷积神经网络的预性早产性底面图像质量评估。 眼科视网膜。 2019; 3：444–450。 doi：10.1016/j.oret.2019.01.015。 4。 Rajpurkar P，Irvin J，Zhu K等。 chexnet：放射科医生级的肺炎检测在胸部X布斯具有深度学习。 ARXIV171105225 CS Stat。 2017年11月。http://arxiv.org/abs/1711.05225。 2019年10月23日访问。 5。 Jones LD，Golan D，Hanna SA，Ramachandran M.人工智能，机器学习和医疗保健的发展：光明的未来还是令人担忧的原因？ 骨JT res。 2018; 7：223–225。 doi：10。 1302/2046-3758.73.BJR-2017-0147.R1。 6。 de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。2016; 316：2402–2410。doi：10。1001/jama.2016.17216。3。Coyner AS，Swan R，Campbell JP等。使用深卷积神经网络的预性早产性底面图像质量评估。眼科视网膜。2019; 3：444–450。 doi：10.1016/j.oret.2019.01.015。 4。 Rajpurkar P，Irvin J，Zhu K等。 chexnet：放射科医生级的肺炎检测在胸部X布斯具有深度学习。 ARXIV171105225 CS Stat。 2017年11月。http://arxiv.org/abs/1711.05225。 2019年10月23日访问。 5。 Jones LD，Golan D，Hanna SA，Ramachandran M.人工智能，机器学习和医疗保健的发展：光明的未来还是令人担忧的原因？ 骨JT res。 2018; 7：223–225。 doi：10。 1302/2046-3758.73.BJR-2017-0147.R1。 6。 de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。2019; 3：444–450。doi：10.1016/j.oret.2019.01.015。4。Rajpurkar P，Irvin J，Zhu K等。chexnet：放射科医生级的肺炎检测在胸部X布斯具有深度学习。ARXIV171105225 CS Stat。2017年11月。http://arxiv.org/abs/1711.05225。2019年10月23日访问。5。Jones LD，Golan D，Hanna SA，Ramachandran M.人工智能，机器学习和医疗保健的发展：光明的未来还是令人担忧的原因？骨JT res。 2018; 7：223–225。 doi：10。 1302/2046-3758.73.BJR-2017-0147.R1。 6。 de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。骨JT res。2018; 7：223–225。 doi：10。 1302/2046-3758.73.BJR-2017-0147.R1。 6。 de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。2018; 7：223–225。doi：10。1302/2046-3758.73.BJR-2017-0147.R1。6。de Fauw J，Ledsam JR，Romera-Paredes B等。 临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。 nat Med。 2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。de Fauw J，Ledsam JR，Romera-Paredes B等。临床上适用的深度学习，用于视网膜疾病中的诊断和转诊。nat Med。2018; 24：1342–1350。 doi：10.1038/ s41591-018-0107-6。2018; 24：1342–1350。doi：10.1038/ s41591-018-0107-6。
1 住院患者个体化营养支持...
* 同等贡献的第一作者 1 瑞士阿劳医科大学系，阿劳州立医院普通内科和急诊医学科；2 瑞士拉亨医院内科；3 瑞士明斯特林根州立医院内科；4 瑞士圣加仑州立医院内科和内分泌学/糖尿病科；5 瑞士卢塞恩州立医院内科；6 瑞士索洛图恩州立医院内科；7 瑞士巴登州立医院内科；8 瑞士伯尔尼大学伯尔尼大学医院综合内科；9 瑞士巴塞尔大学医学院；10 瑞士伯尔尼大学伯尔尼大学医院糖尿病学、内分泌学、营养医学和代谢科；11 瑞士伯尔尼大学初级卫生保健研究所 (BIHAM)； 12 美国马萨诸塞州波士顿布莱根妇女医院综合内科部；13 美国纽约州纽约市纽约科学院