XiaoMi-AI文件搜索系统
World File Search System物使
童年和青春期早期的神经解剖学变异性和药物使用启动
该图图 - log 10转化的错误发现率（FDR） - 校正的P值（P值（PFDR），来自混合效应回归的所有区域关联分析分析在每种物质的神经植物指标中分组的所有区域关联分析（即每种物质（即皮质，皮质和皮层和皮层和皮层和皮层，表面积，表面积，表面积，表面积和硫磺））。p值是汇总的，并通过皮质裂片和皮层叶和皮层下区域编码，深色反射左（l）半球，较浅的颜色反射右（r）半球（例如，深红色表示额叶lobe和浅红色指示r额叶的红色表示R额叶）。通常被认为与额叶，顶叶和颞叶分开，并位于其交界处，但为简单起见，岛状皮层与颞区一起绘制在这里。虚线蓝线反映了p fdr <.05。对于任何物质和饮酒（a，b），标记的区域反映了所有研究比较的关联，这些关联是显而易见的（p <.05 / 1188 = 4.21×10 -5）。用于使用尼古丁和大麻（C，d），标记的区域反映了FDR很重要的关联。
1 IQVIA，“2024 年美国药物使用情况
2025 年 1 月 27 日立场：美国药品研究与制造商协会 (PhRMA) 支持北达科他州众议院法案 (HB) 1216，该法案将通过禁止保险公司在药房福利设计中采用新策略来拒绝为患者提供患者援助，从而帮助患者更好地获得药品。药品支出增长速度是多年来的最低水平。2023 年受保护品牌药品的平均净价增长 3.0%，连续第五年低于通货膨胀率。展望未来，到 2028 年，平均净价增长率预计为每年 -1 至 -4%。1不幸的是，患者并没有这种感觉，因为健康保险公司越来越多地使用免赔额和共同保险，这导致患者支付药品的全价，而不是保险公司或药房福利管理人员 (PBM) 支付的折扣价。这种更高的费用分摊会影响患者坚持接受处方治疗的能力，这对依赖药物控制症状的慢性病患者来说可能是毁灭性的。此外，保险公司、PBM 和第三方供应商为利用患者援助而实施的新策略可能会使患者更难甚至无法获得哮喘、糖尿病、艾滋病毒、关节炎、血友病等慢性病的重要治疗。通过填补允许累积调整计划 (AAP)、最大化者和替代资金计划 (AFP) 妨碍患者及其药物的政策漏洞，HB 1216 将保护患者获得药物的权利。HB 1216 将有助于禁止健康保险公司实施 AAP，这些 AAP 会拒绝将第三方援助计入患者的分摊费用，从而不公平地增加患者的分摊负担。为了帮助患者更好地负担得起药物并坚持服用药物，许多第三方实体（包括制药商）都提供分摊费用援助。从历史上看，商业健康保险计划将这种分摊费用计入患者的免赔额和最高自付限额，从而减轻了高额分摊费用，使患者更容易获得药物。不幸的是，健康保险公司和 PBM 越来越多地采用通常称为 AAP 的政策，阻止制造商分摊费用援助计入患者分摊费用要求。当健康计划实施此类计划时，它们可能会大幅增加患者的自付费用、财务负担和健康风险。许多受益于分摊费用援助以负担得起药物的患者并不知道健康保险公司和 PBM 不再将分摊费用援助计入其年度自付限额。因此，患者可能面临数千美元的损失
Troriluzole：用于治疗甲基苯丙胺和阿片类药物使用障碍的双重谷氨酸释放抑制剂/转运激活剂
Scott Rawls，博士，神经科学教授，生物医学教育和数据科学教授，药物滥用研究中心，天普大学刘易斯卡茨医学院
是否应该向有药物使用问题的人开处方抗抑郁药？
抽象背景：患有药物使用障碍的人（SUD），包括酒精使用障碍（AUD），通常会出现诸如焦虑，抑郁和失眠等症状。这些症状通常与药物使用和戒断的生物学和社会影响有关。从历史上看，治疗是保守的，在减少或戒酒后预期减轻症状的指导下。然而，尽管有限的证据支持其疗效和使用恶化的药物使用风险，但该人群中血清素能抗抑郁药（SSRIS，SNRIS，SARIS）的处方仍增加了。目的：此治疗学信件考虑是否应向患有SUD的患者（尤其是AUD）开处方抗抑郁药。从系统评价中的发现表明，通常处方的血清素能抗抑郁药对心理症状没有显着改善，一些RCT表明药物的使用率恶化。这封信还强调了对SUD的可靠治疗方法不足，例如心理干预措施和药物（例如囊酸和varenicline）。
通过基于 SGD 的文本分类模型预测医疗药物使用意向 Duygu Bağcı Daş a, *
由于药物的化学成分、副作用、遗传等因素，药物的效果及其使用目的因人而异。即使这些效果可以通过药理学方法发现，也无法完全理解。因此，分析个人的评论和经验以发掘这些效果并找出药物除了用于治疗的目标疾病之外还用于哪些其他目的变得至关重要。文本分类方法提供了各种解决方案来有效地分析这些评论。通常，这些影响是从对药物使用体验的情感分析的角度来研究的，是积极的还是消极的。然而，有些药物可以用于多种特定的治疗。例如，抗精神病药物可以用于治疗抑郁和焦虑或多动症。因此，应全面涵盖与研究评论相关的药物使用者和药物名称的影响。基于这一动机，本研究提出了一个轻量级模型，用于使用基于文本的患者评论来预测药物使用意图。为此，在特征提取步骤中使用 TF-IDF 和二元语法方法进行文本分类，然后使用随机梯度下降 (SGD) 分类器进行预测，并与其他流行的机器学习算法进行比较。分类结果表明，SGD 和 TF-IDF-Bigram 方法可以有效预测医疗用药意图，准确率为 98.42%。根据结果，得出结论，本研究的结果可能对药剂学或医学有益，包括药物设计、减少副作用、健康管理、治疗依从性和流程设计以及个性化医疗。
汀类药物使用和定量MRI- ...
©作者，根据国际骨骼协会的独家许可（ISS）2023。本文的本版本已被接受以供出版，经过同行审查（适用），并受到Springer Nature的AM使用条款的约束（https://www.springernature.com/gp/gp/open-research/policies/accepted-manuscript-terms），但并不是记录和未反映后的记录和任何更正的版本。记录版本可在线获得：https：//doi.org/10.1007/s00256-023-04473-7。
抗菌药物使用及耐药性 (AUR) 模块
此模块包含两个选项：一个侧重于抗菌药物的使用，另一个侧重于抗菌药物耐药性。要参与任一选项，负责向国家医疗保健安全网络 (NHSN) 报告抗菌药物使用 (AU) 或耐药性 (AR) 数据的机构人员必须与其药房和/或实验室信息软件提供商协调，以配置其系统以生成要导入 NHSN 的标准格式文件。数据提交的格式遵循健康级别 7 (HL7) 临床文档架构 (CDA) 标准。7 AUR 模块不提供手动数据输入。目的 NHSN AUR 模块为机构提供了一种机制，用于报告和分析 AU 和/或 AR 数据，以提供基准信息，通过抗菌药物管理减少抗菌药物耐药性感染，并中断单个机构或机构网络中耐药病原体的传播。6
GAO-25-106944，阿片类药物使用障碍补助金
12 部落联盟是两个或多个部落或部落组织之间的合作伙伴关系，它们共同努力实现共同目标。部落联盟能够代表多个部落或部落组织申请阿片类药物应对拨款，并将这些资金分配给各个部落或部落组织。部落联盟负责管理拨款的行政方面，例如数据收集和向 SAMHSA 提交报告。为了编写本报告，我们将这些部落和部落联盟统称为“部落受助者”。此外，我们采访的两个部落通过联盟或州获得了 TOR 资金，因此不是直接的拨款接受者；但是，为了编写本报告，我们将这两个部落都纳入我们选定的九个 TOR 拨款接受者组中。
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。