XiaoMi-AI文件搜索系统
World File Search System纵向
IDH wildType胶质母细胞瘤的纵向多模式分析揭示了预后不同的治疗反应的分子进化和细胞表型
抽象背景。尽管在IDH-WildType胶质母细胞瘤的生物学上取得了进步，但它仍然是一种毁灭性的疾病，中位生存期不到2年。然而，对当前护理标准治疗方案的异质反应的分子基础包括最大安全切除，辅助辐射和替莫唑胺化学疗法的分子基础仍然未知。方法。对106名患者的配对初始和复发性胶质母细胞瘤试样进行了全面的组织病理学，基因组和表观依赖氏症评估，以研究分子进化和细胞表型，这些分子进化和细胞表型。结果。虽然TERT启动子突变和CDKN2A纯合缺失是通过初始肿瘤和复发性肿瘤共享的神经胶质作用期间的早期事件，但大多数其他复发性遗传改变（例如，EGFR，PTEN，PTEN和NF1）通常是私有的，属于初始或反复发生的肿瘤，表明后期在后球后期的摄取。此外，胶质母细胞瘤表现出异质的表观基因组进化，亚群在全球性高甲基化，低甲基化或保持稳定的情况下变得越来越稳定。进行肉瘤转化的胶质母细胞瘤的复发时间较短，并且在NF1，TP53和RB1改变以及间质表观遗传学类中显着富集。在替莫唑胺治疗后出现体细胞超突变的患者与疾病复发和长时间的总生存期间的间隔明显更长，并且在MGMT启动子区域的4个特定CpG位点上增加了甲基化，这与这种超孕期的发展显着相关。最后，开发了347个关键CpG位点的DNA甲基化水平变化的表观基因组进化特征，与临床结局显着相关。结论。胶质母细胞瘤经历异质的遗传，表观遗传和细胞进化，其基础是预后不同的治疗反应。
纵向干预研究中的调解分析与顺序治疗依赖性混杂因子
在介入的健康研究中，可以使用因果中介分析来研究干预影响目标健康结果的机制。识别直接和间接（即介导的）效果会变得复杂。在这里，我们研究了在与纵向介体，事件时间结局和三分法序数治疗依赖性混杂因素的情况下，在这种情况下进行中介作用的鉴定。我们表明，如果干预始终仅在一个方向上影响治疗依赖性混杂因子（单调性），则将中介作用鉴定为灵敏度参数并得出其经验性的非参数表达。单调性假设可以根据对治疗依赖性混杂因子的条件分布的限制来从经验数据中评估。我们通过将调解人视为功能性实体，并将事实结果定义为无疾病的时间，避免了与治疗后调节有关的陷阱。在经验分析中，我们使用芬兰糖尿病预防研究的数据来评估生活方式干预对避免避免2型糖尿病的影响的程度，通过减轻高风险人群的体重来介导其他与健康相关的变化，而其他与健康相关的变化则用作治疗依赖性的混杂因素。
可卡因自我给药期间解码次级运动皮层神经元活性：体内钙成像的纵向见解
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人本版本发布于2025年1月2日。 https://doi.org/10.1101/2024.05.20.594996 doi：Biorxiv Preprint
与Isha Kriya冥想相关的皮质变化在新手和经验丰富的冥想者中揭示的 - 一项纵向试验研究
1。印第安纳大学医学院放射与成像科学系，印第安纳波利斯，美国2。Sadhguru有意识的星球中心，麻醉和止痛药，贝丝以色列执事医疗中心，美国马萨诸塞州波士顿3.哈佛医学院，美国马萨诸塞州波士顿哈佛医学院，美国马萨诸塞州波士顿
评估巴西严重急性呼吸综合征病例的新冠肺炎后死亡风险：一项中长期纵向研究
直到 2020 年，巴西的免疫计划都相当强大。然而，在 COVID-19 大流行期间，由于政治问题，该计划缺乏组织，因此导致国家对疫苗采购的规划薄弱，并延迟向民众分发疫苗。新计划仅覆盖该国约 40% 的人口，未能获得实现免疫所需的理想剂量 ( 9 )。因此，COVID-19 疫苗接种运动于 2021 年 1 月 17 日启动，最初仅针对高危人群：医护人员、老年人、患有合并症的患者和弱势群体，例如土著人、无家可归者、逃亡黑奴和边境河流人口、囚犯。三种疫苗获得了 ANVISA 的授权，其中一种获得了紧急使用授权（SINOVAC/Butantan），其他几种获得了最终注册（AstraZeneca/Fiocruz 和 Pfizer）。然而，疫苗接种运动开始时，只有科兴/布坦坦（灭活病毒）和阿斯利康/FIOCRUZ（重组）疫苗可用。后来，m-RNA 疫苗组也开始可用（10）。
内分泌学，糖尿病和代谢蓝图，用于传统的10年认证（MOC）考试和纵向知识评估评估
下面列出的是主要的医学内容类别，它们定义了内分泌，糖尿病和代谢传统的10年MOC考试和LKA的领域。内容的相对分布表示为总评估的百分比。为了确定内容分布，ABIM考虑了主题频率和重要性的平均受访者评分。为了交叉验证这些自我报告的评级，Abim还考虑了由认证的内分泌学家队列中医疗保险患者看到的相对频率。通过这些数据告知，内分泌学，糖尿病和代谢委员会批准委员会和董事会确定了以下所示的内容类别目标。
糖尿病患者的社会排斥：德国老龄化调查（DEAS）的横断面和纵向结果
由于社会排斥可以与健康状况更糟和整体生活质量相关，因此我们描述了糖尿病患者的社会排斥，并评估糖尿病是否可以被视为社会排斥的危险因素。我们使用线性回归，群体比较和广义估计方程来分析了对年龄> 40岁的社区居民的调查，分析了两个波浪（2014、2017，n = 6604），以探索糖尿病，社会排斥，社会经济，身体，身体和心理社会质量变量之间的关联。在整个队列中，调整协变量后，糖尿病与社会排斥相关（p = 0.001）。在糖尿病患者中，社会排斥进一步与自尊（p <0.001），孤独感（p = <0.001），收入（p = 0.017），抑郁症（p = 0.001），身体疾病（p = 0.04）和网络大小（p = 0.043）有关。纵向数据表明，在诊断糖尿病之前已经存在更高的社会排斥，并且通过自尊，孤独，抑郁和收入预测未来的社会排斥，但糖尿病不可能（p = .221）。我们得出结论，糖尿病不是社会排斥的驱动力。相反，由于健康相关和社会心理变量，两者似乎都同时发生。
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
诱惑：纵向微生物组研究的时间信息降低
1美国北卡罗来纳州达勒姆大学杜克大学生物统计学与生物信息学系。2美国北卡罗来纳州杜克大学杜克大学杜克微型群岛中心。3加利福尼亚州圣地亚哥分校儿科，美国加利福尼亚州，美国加利福尼亚州。4美国加利福尼亚州圣地亚哥分校微生物创新中心。5生物信息学和系统生物学计划，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚大学。 6美国北卡罗来纳州达勒姆大学杜克大学统计科学系。 7算法生物信息学，生物学和化学系，德国吉森·贾斯图斯·利比格大学Giessen。 8微生物组工程与数据分析中心，美国弗吉尼亚州里士满弗吉尼亚州联邦大学。 9，美国弗吉尼亚州里士满的弗吉尼亚联邦大学微生物与免疫学系。 10，加利福尼亚州加利福尼亚大学加利福尼亚州加利福尼亚大学加利福尼亚大学加利福尼亚大学生物工程系。 11计算机科学与工程系，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 12Halıcıo˘glu数据科学研究所，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 13纽约Grossman医学院系统遗传学研究所，纽约大学，纽约，美国，美国。 14纽约Grossman医学院微生物学系，纽约大学，纽约，纽约，美国。5生物信息学和系统生物学计划，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚大学。6美国北卡罗来纳州达勒姆大学杜克大学统计科学系。 7算法生物信息学，生物学和化学系，德国吉森·贾斯图斯·利比格大学Giessen。 8微生物组工程与数据分析中心，美国弗吉尼亚州里士满弗吉尼亚州联邦大学。 9，美国弗吉尼亚州里士满的弗吉尼亚联邦大学微生物与免疫学系。 10，加利福尼亚州加利福尼亚大学加利福尼亚州加利福尼亚大学加利福尼亚大学加利福尼亚大学生物工程系。 11计算机科学与工程系，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 12Halıcıo˘glu数据科学研究所，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 13纽约Grossman医学院系统遗传学研究所，纽约大学，纽约，美国，美国。 14纽约Grossman医学院微生物学系，纽约大学，纽约，纽约，美国。6美国北卡罗来纳州达勒姆大学杜克大学统计科学系。7算法生物信息学，生物学和化学系，德国吉森·贾斯图斯·利比格大学Giessen。8微生物组工程与数据分析中心，美国弗吉尼亚州里士满弗吉尼亚州联邦大学。9，美国弗吉尼亚州里士满的弗吉尼亚联邦大学微生物与免疫学系。 10，加利福尼亚州加利福尼亚大学加利福尼亚州加利福尼亚大学加利福尼亚大学加利福尼亚大学生物工程系。 11计算机科学与工程系，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 12Halıcıo˘glu数据科学研究所，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 13纽约Grossman医学院系统遗传学研究所，纽约大学，纽约，美国，美国。 14纽约Grossman医学院微生物学系，纽约大学，纽约，纽约，美国。9，美国弗吉尼亚州里士满的弗吉尼亚联邦大学微生物与免疫学系。10，加利福尼亚州加利福尼亚大学加利福尼亚州加利福尼亚大学加利福尼亚大学加利福尼亚大学生物工程系。 11计算机科学与工程系，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 12Halıcıo˘glu数据科学研究所，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 13纽约Grossman医学院系统遗传学研究所，纽约大学，纽约，美国，美国。 14纽约Grossman医学院微生物学系，纽约大学，纽约，纽约，美国。10，加利福尼亚州加利福尼亚大学加利福尼亚州加利福尼亚大学加利福尼亚大学加利福尼亚大学生物工程系。11计算机科学与工程系，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。12Halıcıo˘glu数据科学研究所，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。 13纽约Grossman医学院系统遗传学研究所，纽约大学，纽约，美国，美国。 14纽约Grossman医学院微生物学系，纽约大学，纽约，纽约，美国。12Halıcıo˘glu数据科学研究所，加利福尼亚州圣地亚哥分校，美国加利福尼亚州，美国加利福尼亚州。13纽约Grossman医学院系统遗传学研究所，纽约大学，纽约，美国，美国。 14纽约Grossman医学院微生物学系，纽约大学，纽约，纽约，美国。13纽约Grossman医学院系统遗传学研究所，纽约大学，纽约，美国，美国。14纽约Grossman医学院微生物学系，纽约大学，纽约，纽约，美国。14纽约Grossman医学院微生物学系，纽约大学，纽约，纽约，美国。
飞行控制系统纵向模式的总能量控制法（TEC）
论文的目的是为合并高度和空速控制的非传统控制定律开发设计和仿真框架，其中推力和电梯控制输入均同时且无缝地使用。与独立治疗推力和态度控制的传统方法相比，可以实现绩效和飞行安全性的显着增长。结果应该在主管的教育活动中使用（飞行控制系统的讲座和实验室，SRL），以及与从事通用航空飞行控制解决方案的工业合作伙伴的预见合作。1。为研究中提出的解决方案开发用于线性控制设计和非线性仿真验证的工具[1]。在与主管协商时，请选择感兴趣的案例。使用课程飞行控制系统SRL采用飞行力学模型。2。调整开发的工具，并使用传统解决方案进行定性和定量的比较分析，您在飞行控制系统课程的半阶段项目中开发了这些解决方案，对于步骤1中选择/商定的情况。Alt HLD/SLCT，GS TRK，MACH HLD是一些预期的示例。3。表明[1]中使用的方法和用于小型无人机的PX4单元[2]中使用的方法有显着差异。在与主管协商时实施选定的解决方案，并提供控制设计和评估结果。