XiaoMi-AI文件搜索系统
World File Search System校准图
预测心房颤动患者的心力衰竭：前瞻性Cool-AF注册中心的报告
摘要：背景：这项研究旨在确定风险因素和发病率，并为心脏衰竭患者的心力衰竭开发预测风险模型（AF）。方法：这是2014年至2017年之间泰国非浮力AF患者的前瞻性多中心注册表。主要结果是发生HF事件。使用多变量COX-PROPARTIANTION模型开发了一个预测模型。使用C-指数，D统计量，校准图，Brier检验和生存分析评估预测模型。结果：平均随访时间为25.7±10.6个月，共有3402例患者（平均67.4岁，男性为58.2％）。随访期间有218例患者发生心力衰竭，每100人年的发病率为3.03（2.64–3.46）。该模型中有十个HF临床因素。从这些因素开发的预测模型的C-指数和D统计量为0.756（95％CI：0.737–0.775）和1.503（95％CI：1.372–1.634）。校准图在预测模型和观察到的模型之间显示出良好的一致性，校准斜率为0.838。使用Bootstrap方法确认了内部验证。Brier分数表明该模型对HF具有良好的预测。结论：我们为AF患者提供了良好的临床HF预测模型，具有良好的预测和歧视值。
通过差分脉冲吸附伏安法与化学脉冲的降低脉冲剥离，同时测定茶中咖啡因，鲜味和茶碱在茶中的茶素
摘要 - 使用玻璃碳电极与化学计量学结合的吸附性剥离伏安法（ADSV），以同时测定茶样中的咖啡因，obromine和Theopherline，从而提供高选择性，敏感性，简单性，简单性和成本效率。最佳电化学条件为0.01 mol.l -1 H 2 SO 4，吸附电位为0.6V，而AG/AGCL/KCL为0.025 V/s的扫描速率，吸附时间为60 s。每种化合物的线性校准图在1.0×10 -6至4.0×10 -5 mol.l -1，1.0×10 -6至3.0×10 -5 mol.l -1和1.0×10 -6至1.0×10 -6至1.4×1.4×10 -5 mol中获得了每种化合物的线性校准图。l -1分别用于咖啡因，obromine，Theophlilline。在这项研究中，尽管混合物中的咖啡因，鲜红球和茶碱的伏安峰重叠，但作为化学计量技术（例如部分最小二乘（PLS），主成分回归（PCR）和经典最小二乘（Clasical Distical Squares（Cls）），不需要一个前分离步骤。在三个多元线性回归中，选择了PLS方法，因为它的相对误差最小，均小于±11.1％。相比之下，CLS的性能较差，相对达到±83％。提出的新方法被应用于同时确定茶样中的咖啡因，鲜血和茶碱。与使用高性能液相色谱（HPLC）获得的结果相比，结果没有显着差异。
开发和验证一种新型模型，用于预测高血压性半胱氨酸血症的高血压患者
摘要的高血压患者，血浆同型半胱氨酸水平升高很常见。当这些方面合并时，冠状动脉疾病（CHD）的风险很高。在此，我们开发了并验证了易于使用的列图，以预测呼吸升高血浆同型半胱氨酸的高血压患者的高风险冠心病。呼吸患者（n = 1,962），患有高脑结膜血症和高血压分为训练（n = 1,373，70％）和验证（n = 589，30％）。我们使用多元COX恢复分析提取了CHD预测变量，然后构建了一个nom图模型。使用1,000个自举重采样的内部验证，以评估使用接收器操作特征曲线（AUC）和校准图下的区域和校准图的一致性和歧视。我们使用提取的预测因子构建了一个nom图模型，包括年龄，腰围比率，烟雾和低密度脂蛋白胆固醇水平。80个月时培训和验证队列的AUC分别为0.735（95％CI：0.678-0.792）和0.646（95％CI：0.547-0.746）。基于校准图，观察到的CHD存活率与训练和验证集中的CHD存活率之间的一致性是可以接受的。在命名图中总共可以使用超过151点，以鉴定高血压升高的血浆同性恋蛋白的高血压患者中的高危患者。我们开发了一种CHD风险预测模型，用于呼吸高血压患者的高血压疗法患者。我们的发现为早期阶段快速鉴定高风险冠心病提供了有用的临床工具。（Int Heart J Advance出版）关键词：心脏病，高血压，打nor，超同类状态状态，预测模型
机械通风的ICU患者中基于机器学习的医院死亡率的预测
我们开发了一个机器学习（ML）框架，以预测接受MV的ICU患者的医院死亡率。使用MIMIC-III数据库，我们通过ICD-9代码确定了25,202名合格患者。我们采用了向后消除和套索方法，根据临床见解和文献选择了32个功能。数据预处理包括消除超过90％丢失数据的列，并为其余缺失值使用平均插补。为解决阶级失衡，我们使用了合成的少数群体过度采样技术（SMOTE）。我们使用70/30火车 - 策略分开评估了几种ML模型，包括Catboost，XGBOOST，DECOMAL TROED，随机森林，支持向量机（SVM），K-Nearest邻居（KNN）和Logistic回归。在准确性，精度，召回，F1得分，AUROC指标和校准图方面，选择了Catboost模型的出色性能。
新抗精神病药物使用者的多重疾病特征和重大心血管事件风险：使用可解释机器学习的事件发生时间预测研究
这项回顾性队列研究使用了香港公共医疗机构的电子健康记录。我们纳入了 18-65 岁无 MACE 的患者，这些患者在首次使用抗精神病药物前三年内曾患过两种或两种以上慢性疾病。研究考虑了基线特征，例如年龄、性别、慢性病史、抗精神病药物使用史和前一年的服药史。结果是主要不良心血管事件 (MACE)，包括中风、急性心肌梗死 (AMI) 和心血管相关死亡 (CV 死亡)。根据抗精神病药物处方的初始年份，将数据集按 7:3 的比例随机分为训练和验证子集。使用条件推断生存树 (CISTree) 来识别 MACE 风险组。使用 5 倍交叉验证对十个机器学习模型进行超参数优化训练，并在验证集上进行验证。我们进行了时间依赖性的 ROC 曲线分析、校准图和决策曲线分析图，分别比较模型的判别能力、校准和临床应用价值。使用时间相关变量重要性、部分依赖图和 SHAP 图来解释所选模型。
鉴定和验证口服鳞状细胞癌的癌细胞衍生的预后特征
摘要：口服鳞状细胞癌（OSCC）的进展和转移受到癌症干细胞（CSC）的高度影响，因为它们的独特自我更新和可塑性。在这项研究中，从GEO数据库中的单细胞RNA序列数据集（GSE172577）获得数据，并对1344 CSCS相关基因进行了Lasso-Cox回归分析，以建立一个六基因的预后签名（6-GPS），由AMP，POLR1D，PTGH1，PTH11，PT35A，p41，p41，pth5a，p4。高风险得分与不利的生存结果显着相关，这些特征在ICGC中得到了彻底验证。nom图，校准图和ROC曲线的结果证实了OSCC 6-GP的良好预后准确性。此外，ADM或POLR1D基因的敲低可能会显着抑制OSCC细胞通过JAK/HIF-1途径的增殖，迁移和侵袭。此外，通过压缩细胞周期蛋白D1，在G1阶段发生细胞周期停滞。总而言之，6-GP在OSCC的发生和开发中可能起着至关重要的作用，并且有可能作为OSCC的诊断，治疗和预后工具进一步发展。
degruyter_chem_chem-2020-0123 798..807 ++
摘要：开发了一种使用电导法定量分析伊马替尼、索拉非尼、吉非替尼和博舒替尼等抗癌药物的方法。将每种药物溶液与已测量浓度的金属离子 (Cu 2 +) 溶液混合，从而在滴定池中产生药物 - 金属离子络合物。在加入分析物溶液时，电导率逐渐降低，直至最大降低点，即终点。根据观察到的电导率计算校正电导值，并根据所添加的药物溶液体积绘制图形。空白和安慰剂未产生干扰，因为它们在滴定过程中没有对电导率产生明显影响。通过分析质量控制样品确定了所开发方法的精密度和准确度；校正电导值的 %RSD < 2%，回收率结果在 100 ± 2% 以内。获得的校准图在所有药物浓度 1.0 – 1.4 mM 范围内呈线性 (R 2 > 0.99)。已成功分析了内部制备的各自剂型中的药物。该方法为所选药物提供了更简单、更快速且经济高效的分析，可用于质量控制中的常规测定
基质金属蛋白酶9的表达和胶质母细胞瘤的生存预测，使用机器学习在数字病理图像上
这项研究旨在应用病原体来预测胶质母细胞瘤（GBM）中基质金属蛋白酶9（MMP9）的表达，并研究与病原体相关的潜在分子机制。在这里，我们包括了127名GBM患者，其中78例被随机分配给训练和测试队列以进行致病模型。使用Kaplan – Meier和Cox回归分析评估了MMP9的预后意义。吡啶组学用于提取H＆E染色的整个幻灯片图像的特征。使用最大相关性和最小冗余（MRMR）和递归特征消除（RFE）算法进行特征选择。使用支持向量机（SVM）和逻辑回归（LR）创建了预测模型。使用ROC分析，校准曲线评估和决策曲线分析评估了性能。MMP9表达升高。这是GBM的独立预后因素。为致病模型选择了六个功能。对于SVM模型，训练和测试子集的曲线和测试子集的面积分别为0.828和0.808，对于LR模型，SVM模型和0.778和0.754分别为0.778和0.754。C-指数和校准图具有有效的估计能力。使用SVM模型计算的病原体得分与总生存时间高度相关。这些发现表明MMP9在GBM的发展和预后中起着至关重要的作用。我们的病原学模型显示出高疗效，可预测GBM患者的MMP9表达水平和预后。
GLMNETR：放松的套索和其他机器学习模型的嵌套交叉验证
说明交叉验证的放松套索，人工神经网络（ANN），渐变机（'xgboost'），随机森林（'Randomforestsrc'），倾斜随机（'aorsf'），递归分区（'rpart'）或步骤WISE WISE RECLISTION模型。交叉阀排出样品（导致嵌套交叉验证），或使用Bootstrap排除外部样品来评估和比较这些模型之间的性能与表格或图形均值预示的结果。校准图也可以是基于（外部嵌套）交叉验证的（外部嵌套）或引导程序（从包中）样本的。对于某些数据集，例如，当设计矩阵不完全排名时，“ glm-net”可能会在拟合轻松的Lasso模型时具有很长的运行时间，这是从我们的经验中，当我们的经验与许多预测变量和许多患者一起将COX模型拟合到数据时，这使得很难从Glmnet（）或Cv.glmnet（）中获得解决方案。调用glmnet（）和cv.glmnet（）时，我们可以通过“路径= true”选项来纠正这一点。在glmnetr包中，路径= true的方法默认情况下是按照。When fitting not a relaxed lasso model but an elastic-net model, then the R- packages 'nestedcv' < https: //cran.r-project.org/package=nestedcv >, 'glmnetSE' < https://cran.r-project.org/ package=glmnetSE > or others may provide greater functionality when performing a nested CV.
设计和制造3D打印的微流体免疫阵列，用于超敏化蛋白质检测
摘要：微流体技术通过将流体动力学的原理与化学，物理，生物学，材料科学和微电子学的技术合并来彻底改变了装置的制造。微流体系统操纵少量的流体，以执行从化学合成到生物医学诊断的应用。低成本3D打印机的出现彻底改变了微流体系统的发展。用于测量分子，3D打印提供具有成本效益，时间和易于设计的好处。在本文中，我们提供了一个全面的设计，用于创建3D打印的微流体免疫阵列的设计，优化和验证的综合教程，以对多种蛋白质生物标志物进行超敏感性检测。目标是开发护理阵列，以确定侵袭性癌症的五个蛋白质生物标志物。设计阶段涉及定义微通道，试剂室，检测井以及优化参数和检测方法的尺寸。在这项研究中，阵列的物理设计经过了多次迭代以优化关键特征，例如开发开放式检测井以均匀的信号分布和用于覆盖测定期间孔的ap。然后，进行了完全信号优化，以实现灵敏度和检测极限（LOD），并生成校准图以评估线性动态范围和LOD。生物标志物之间的特征变化强调了对量身定制的测定条件的需求。尖峰恢复研究确认了测定的准确性。总的来说，本文展示了设计3D打印的微流体免疫阵列所涉及的方法，严格和创新。优化的参数，校准方程以及灵敏度和准确性数据为生物标志物分析中的未来应用贡献了有价值的指标。