简介:自 COVID-19 大流行开始以来,已报告 COVID-19 患者的临床表现范围广泛,从无症状感染到轻度或重度疾病和死亡。研究表明了几种可能影响 COVID-19 临床结果的因素。促炎状态和抗病毒反应受损被认为是重症 COVID-19 的主要促成因素。考虑到线粒体在调节对病原体的免疫反应、促炎信号传导和细胞死亡方面发挥着重要作用,它在 SARS-CoV-2 感染中受到了广泛关注。最近的研究表明,高水平的无细胞线粒体 DNA(cf-mtDNA)与 COVID-19 重症监护病房 (ICU) 入院和死亡风险增加有关。然而,关于 SARS-CoV-2 感染中 cf-mtDNA 的研究很少,主要集中于重症 COVID-19 病例。在本研究中,我们调查了 COVID-19 患者的 cf -mtDNA 拷贝数,并比较了无症状病例和有症状病例,并评估了临床价值。我们还确定了研究组中的 cf -核 DNA (cf -nDNA) 拷贝数和线粒体转录因子 A (TFAM) mRNA 水平。
必须理解对SARS-COV-2感染和疫苗接种的免疫反应的人群特定的动态,以评估疫苗的有效性,所需的增强剂量的数量以及感染后疫苗接种的时间(1)。群豁免是打击许多传染病传播的可行方法,因为它可以允许人群内部的免疫快速发展,并防止易受伤害的病毒(2)。截至2023年1月30日,全球施用了13,168,935,724次疫苗剂量,其中5,493,549,963人至少接受一剂剂量和5,054,793,316人接受完全疫苗接种。根据截至2023年3月25日的最新数据,在乌干达服用了26,406,936次疫苗剂量。19,488,104个人至少接受了一剂疫苗,而13,043,107个人(占疫苗接种人群的67%)的13,043,107个人被完全疫苗接种(https://covid19.who.int/region/region/region/region/egion/afro/country/ug)。生成对天然免疫力的有效抗病毒抗体,疫苗需要从头细胞对SARS COV-2的反应。在初始IgM响应后,通过病毒清除率相对较快地下降,产生了类切换的抗体,主要是IgG和IgA(3)。这些类别开关的抗体负责针对SARS-COV-2(4,5)的保护性长期记忆反应,这使身体在重新暴露于感染时能够迅速反应。量化循环类开关B细胞反应的水平对于评估人口范围的免疫力和促进免疫力的策略至关重要。在该人群中的先前自然感染研究发现,急性感染并反映抗体反应幅度,类型和稳定性后,IgG滴度持续存在(6)。其他研究还表明,急性感染后数月或几年,IgG滴度保持升高且相对稳定(7,8)。在自然感染和疫苗中,抗体下降的速率已证明取决于峰值反应的大小,
简单摘要:症状性脊柱转移(SSM)发作的危险因素尚不清楚。这项前瞻性队列研究旨在统计分析显着的风险因素。前瞻性注册了一名洪水和二十八名无症状患者。数据是从16名候选人中收集的,包括独立的人口统计学和临床因素,包括脊柱肿瘤不稳定性评分(SINS)。进行了多变量分析以确定SSM发作的风险因素。此外,阈值是使用Youden索引从接收器操作特征曲线计算得出的。37例患者(28.9%)在随访期间开发了SSM。总罪被确定为最重要的因素。罪恶的截止值为9.5(敏感性:67.6%;特定城市:83.5%)。这项研究确定了SSM发作和罪恶阈值的显着风险因素。如果预期长期生存,则应考虑使用痛苦≥10的患者进行干预以防止SSM。
多变量调整模型中包含的变量包括年龄,性别,种族,TR,心脏手术病史,随访期间的TR手术,肾小球效果率,LVEF,糖尿病,高血压和先前的血管事件。在此模型中分别评估了每个超声心动图参数。b对逐步选择模型进行了与多变量调整后的模型相同的协变量,并使用了向后逐步选择算法从超声心动图参数中进行选择,这些参数是从多变量调整的模型中显着的(除了标记为C或F)。最终模型中保留的超声心动图参数是反流体积,分数变化,RVFW和RA菌株。的最后一列的缺少值的参数表示选择算法从最终模型中排除的参数,因为它们不符合最终模型的统计要求(即,P排除¼0.20; p canclusion; p纳入¼0.10)。c变量由于多线性(方差局部因子> 10)而未包含在最终逐步选择模型中。d eROA和反流体积。基于Akaike信息标准(AIC)和相对可能性(RL)分别为1,210和0.95,反流体积模型的分别为1,216和0.05。同样,具有RVFWS(AIC:1,200,RL> 0.99)的模型比RV Global应变(AIC:1,220,RL <0.01)更好。e RA储层应变的效果随时间而变化。与时间相互作用的估计分别为1.03(95%CI:1.01-1.05)和1.03(95%CI:1.01-1.05),分别为单变量和多变量调整模型。f变量由于大量缺失值而未包含在最终逐步选择模型中。
50 毫升毛细血管血样(n = 295)在现场保存在液氮中,随后储存在 -20°C 下,用于在自动化 QIASymphony 平台(Qiagen)上使用 QIAsymphony DNA Investigator 试剂盒(德国希尔登 Qiagen)提取寄生虫 DNA。最终 DNA 洗脱体积为 100 µL。使用基于 SYBR Green 的属特异性定量 PCR 进行疟疾分子筛查。引物对(PCBF,5'-ATG CTT TAT TAT GGA TTG GAT GTC-3' 和 PCBR,5'-CAG ACC GTA AGG TTA TAA TTA TGT-3')靶向人类感染疟原虫的细胞色素b(cytb)基因的保守序列(21),检测阈值为每微升 0.2 个扩增子拷贝(相当于每毫升约 4 个疟原虫,假设每个单核血液阶段疟原虫平均有 50 个线粒体基因组拷贝)。20 微升反应体系含有 5 微升 DNA 溶液、7.5 微升
用于检测神经退行性疾病(例如阿尔茨海默病或额颞叶变性)中无症状脑部变化的传统方法通常是在预定义的粒度级别上评估体积变化,例如逐体素或先验定义的感兴趣皮质体积。在这里,我们应用一种基于层次谱聚类的方法,这是一种基于图的分区技术。我们的方法使用多级分割,在标准统计框架内以数据驱动、无偏见、全面的方式检测变化。此外,谱聚类可以检测形状变化和大小变化。我们使用层次谱聚类进行了基于张量的形态测量,以检测遗传性额颞叶痴呆症倡议无症状和有症状的额颞叶变性突变携带者的变化,并将结果与更传统的基于体素张量和体素的形态测量分析的结果进行了比较。在有症状组中,基于层次谱聚类的方法产生的结果与基于体素的方法获得的结果大致一致。在无症状的 C9orf72 扩增携带者中,谱聚类检测到了内侧颞叶皮质的大小变化,而基于体素的方法只能在症状期检测到。此外,在无症状和有症状期,谱聚类方法检测到了 C9orf72 的运动前皮质形状的变化。总之,本研究显示了层次谱聚类在数据驱动的分割和检测单基因额颞叶变性的有症状和无症状阶段的结构变化方面的优点。
- 用户可以从公共门户网站下载并打印一份出版物的副本,以进行私人研究或研究。- 您可能不会进一步分发材料或将其用于任何盈利活动或商业收益 - 您可以自由分发URL,以确定公共门户网站中的出版物 - 如果您认为此文件违反版权,请通过vbn@aub.aau.dk与我们联系,我们将立即删除工作的详细信息,并立即删除访问详细信息并调查您的索赔。
在当前的研究中,以voxel为基础,我们量化了与组织异常相关的2个不同参数:从DCE MR成像和DSC MR成像中的BBB泄漏参数(K 2),28,29,可以与BBB传输和/或CBF相关的变化。36然后可以评估这些值的WML,以深入了解BBB功能和组织灌注的变化。另外,我们评估了MTT,这反映了组织灌注。在动脉粥样硬化风险(Genestar)队列研究的遗传研究中,我们确定了具有早期冠状动脉血管疾病的家族史,在中年发现了早期的WML,37,37,对认知运动功能的度量产生了同时影响。38在这个相对年轻的高风险亚组(平均年龄,54.1 [SD,3.5]年)中,有21名参与者具有重复的MR成像,我们观察到与认知能力下降相关的WML进展速度迅速。39在这项研究中,我们提出了一条数据分析管道,该管道结合了WMLS 40、41的分割以及从DSC和DCE MR Imaging的MTT,CBF,K 2和K Trans的基于灌注的测量值的定量。这项工作是基于以前测量大脑不同区域微血管融合和GD渗出的工作。31,42
自SARS-COV-2泛滥以来,围绕对病毒的生成和维持免疫及其对感染严重程度的疾病的生成和维持。来自原始严重急性呼吸综合征(SARS)和中东呼吸综合征(MERS; Sariol和Perlman,2020)的较旧数据,以及Covid-19之后的免疫力(Long等,2020年)的早期分析,引起了人们对保护性免疫免受SARS-SARS-SARS-COV-2感染的持久性的关注。与此关注有关的是在总病例负载中的无症状感染表示,估计范围高达80%(Ing等,2020)。再次,早期数据表明,个体中免疫反应的幅度与疾病的严重程度相关,这升高了高度无症状感染率可能会进一步损害保护性免疫力的耐用性(Cervia等,2021; Long等,2020)。杜克大学与新加坡国立大学(杜克 - 纽斯大学)之间的新兴传染病合作计划与新加坡的其他研究机构合作,遵循SARS-COV-2爆发的最初几个月中移民工人宿舍的居民对居民的反应。Le Bert等。 (2021)能够识别和跟踪Le Bert等。(2021)能够识别和跟踪
摘要:目前,基于生物标志物的主观无症状阿尔茨海默病 (AD) 预测测试已用于研究。人工智能 (AI) 的新应用有望在数年内预测 AD 的发病时间,而无需确定生物标志物阈值。到目前为止,除了在我们仍然缺乏充分治疗的情况下为研究目的做出贡献外,很少有人关注 AI 给无症状个体的早期诊断带来的新的伦理挑战。本文旨在探讨 AI 辅助主观无症状个体 AD 预测的伦理论点及其伦理影响。伦理评估基于系统的文献检索。对 18 篇纳入的出版物进行了归纳性主题分析。伦理框架包括自主、善意、非恶意和正义原则。向无症状个体提供预测测试的原因是知情权、风险收益评估的积极平衡以及未来规划的机会。反对的理由包括缺乏改善病情的治疗、人工智能辅助预测的准确性和可解释性、不知情权以及对社会权利的威胁。我们得出的结论是,为无症状个体提供早期诊断存在严重的伦理问题,而人工智能的应用引发的问题加剧了已知的问题。尽管如此,症状前检测应仅在要求时提供,以避免造成伤害。我们建议为医生开展沟通人工智能辅助预测的培训。