XiaoMi-AI文件搜索系统
World File Search System缺血性
心肌细胞中的瞬时细胞周期诱导治疗亚急性缺血性心力衰竭
*通讯：tamer m a Mohamed，博士，路易斯维尔大学分子心脏病学研究所，119f室，南普雷斯顿街580号，肯塔基州路易斯维尔，肯塔基州40202，美国，电话：5028528428＃这些作者同样为作者贡献R.R.E.A.做出了贡献。和A.M.S. ：分子和细胞数据，手稿写作以及手稿的最终批准的实验设计，收集和分析； Q.O. ：心脏切割，染色和成像； X-L.T。 ：猪和大鼠手术，病毒注射，超声心动图；多发性硬化症。 和K.M.K. ：超声心动图和MRI分析； Y.G.，Y.H.和Y.N. ：小鼠手术和病毒注射。 L.M.，P.K.L.和B.G.H. ：代谢分析； K.C.和R.T。：生物信息学分析； B.M.A. 和J.S. ：电生理分析； H.R.J.，A.S.，Z.I.和S.H. ：组织学和分析，包括染色，成像和定量。 D.J.C. 在血浆中设计并进行了毒性测定。 A.S.E. ：MRI成像定量； K.N.I和D.S. ：构思，设计并提供了早期实验的资金； R.B. ：大鼠和猪实验的设计和监督； T.M.A.M. ：整体工作的概念和设计，并提供了资金。 所有作者都为手稿撰写和最终批准做出了贡献。和A.M.S.：分子和细胞数据，手稿写作以及手稿的最终批准的实验设计，收集和分析； Q.O.：心脏切割，染色和成像； X-L.T。：猪和大鼠手术，病毒注射，超声心动图；多发性硬化症。和K.M.K.：超声心动图和MRI分析； Y.G.，Y.H.和Y.N.：小鼠手术和病毒注射。L.M.，P.K.L.和B.G.H. ：代谢分析； K.C.和R.T。：生物信息学分析； B.M.A. 和J.S. ：电生理分析； H.R.J.，A.S.，Z.I.和S.H. ：组织学和分析，包括染色，成像和定量。 D.J.C. 在血浆中设计并进行了毒性测定。 A.S.E. ：MRI成像定量； K.N.I和D.S. ：构思，设计并提供了早期实验的资金； R.B. ：大鼠和猪实验的设计和监督； T.M.A.M. ：整体工作的概念和设计，并提供了资金。 所有作者都为手稿撰写和最终批准做出了贡献。L.M.，P.K.L.和B.G.H.：代谢分析； K.C.和R.T。：生物信息学分析； B.M.A.和J.S.：电生理分析； H.R.J.，A.S.，Z.I.和S.H.：组织学和分析，包括染色，成像和定量。D.J.C. 在血浆中设计并进行了毒性测定。 A.S.E. ：MRI成像定量； K.N.I和D.S. ：构思，设计并提供了早期实验的资金； R.B. ：大鼠和猪实验的设计和监督； T.M.A.M. ：整体工作的概念和设计，并提供了资金。 所有作者都为手稿撰写和最终批准做出了贡献。D.J.C.在血浆中设计并进行了毒性测定。A.S.E. ：MRI成像定量； K.N.I和D.S. ：构思，设计并提供了早期实验的资金； R.B. ：大鼠和猪实验的设计和监督； T.M.A.M. ：整体工作的概念和设计，并提供了资金。 所有作者都为手稿撰写和最终批准做出了贡献。A.S.E.：MRI成像定量； K.N.I和D.S.：构思，设计并提供了早期实验的资金； R.B.：大鼠和猪实验的设计和监督； T.M.A.M.：整体工作的概念和设计，并提供了资金。所有作者都为手稿撰写和最终批准做出了贡献。
血浆蛋白质组学识别缺血性心脏病的药物靶标
angptl1¼血管生成素相关蛋白1; Asgr1¼Asialogoprotoin受体1; CC4D¼心脏图ÞC4D; CCL17¼C-C基序趋化因子17; ckb¼中国kadoorie生物库； EFNA1 ephrin-a1; F2R¼蛋白酶激活的受体1; Furin¼Furin; ID¼标识； IHD¼缺血性心脏病； MAF¼小等位基因频率； mmp3¼基质金属蛋白酶-3; OBP2B¼气味结合蛋白2b; PGF¼胎盘生长因子； reg1b¼岩性磷酸1-β;排序1¼Sortilin; tchem¼t化学; tclin¼t-t-linical; TFPI¼组织因子途径抑制剂； tnc¼tenascin; UKB¼UKBIOBACE。
在坦桑尼亚人群中的非缺血性扩张性心肌病的表征：Moyo研究
结果：在402名患者中，n = 220（54.7％）是男性，中位年龄为55.0（41.0，66.0）年。NIDCM的原因可能是高血压n = 218（54.2％），特发性n = 116（28.9％），ppcm n = 45（11.2％），酒精n = 10（2.5％）和其他原因n = 13（3.2％）。最常见的表现症状是呼吸困难N = 342（85.1％），大多数患者出现纽约心脏协会（NYHA）III级n = 195（48.5％）。平均（SD）左心室射血分数（LVEF）为29.4％（±7.7），严重的收缩功能障碍（LVEF <30％）是常见的n = 208（51.7％）。与其他形式的DCM相比，特发性DCM患者的患者明显年轻，具有更高级的NYHA类（P <0.001），并且在ECG上使用左束分支块（P = 0.0042）呈现更频繁的呈现。次优先使用新指南建议药物ARNI n = 10（2.5％）和SGLT2 2抑制剂n = 2（0.5％）。
冰片对病理状态下血脑屏障的调控及机制研究进展——以缺血性中风为例
血脑屏障 (BBB) 是脑与外周循环之间的动态脑屏障。血脑屏障由脑毛细血管内皮细胞、周细胞和星形胶质细胞端足组成，可有效保护脑免受血液中有害毒素和病原体的侵害 (1,2)。血肿瘤屏障 (BTB) 是指位于脑微血管附近的改良血脑屏障，这种屏障是由于原发性脑肿瘤（包括神经母细胞瘤和其他内脏癌症，如肺癌、乳腺癌、黑色素瘤等）的存在导致神经血管单元发生变化而形成的 (3)。血脑屏障中 P-糖蛋白 (P-gp) 的表达可防止不必要的血液毒素和信号分子进入脑 (4-6)。这种复杂的结构不仅维护脑稳定性，而且还保护脑免受外界因素的影响。另一方面，当脑部出现病理改变时，药物可能难以穿透BBB和BTB屏障，使得药物治疗脑部疾病变得困难（7-9）。
GPT-4作为缺血性中风管理中的临床决策支持工具：评估研究
背景：脑血管疾病是全球第二大死亡原因，也是残疾负担的主要原因之一。人工智能的进步有可能彻底改变医疗保健的服务，尤其是在诸如缺血性中风管理等关键决策情况下。目标：本研究旨在评估GPT-4在为急诊科神经病学家提供临床支持的有效性，通过将其建议与急性缺血性中风管理中的专家意见和现实成果进行比较。方法：回顾性审查了100例急性中风症状患者的队列。用于决策的数据包括患者的病史，临床评估，成像研究结果以及其他相关细节。每个病例都独立呈现给GPT-4，该病例提供了有关治疗适当性，使用组织纤溶酶原激活剂以及需要进行血管内血栓切除术的规模建议（1-7）。此外，GPT-4估计了每位患者的90天死亡率概率，并阐明了其为每个建议的推理。然后将建议与中风专家的意见和实际治疗决策进行比较。结果：在我们的100例患者的队列中，GPT-4的治疗建议与专家意见（曲线下的面积[AUC] 0.85，95％CI 0.77-0.93）和实际治疗决策（AUC 0.80，95％CI 0.69-0.91）。值得注意的是，在某些情况下，GPT-4建议比人类专家更具侵略性的治疗方法，其中11个实例，GPT-4建议对专家意见进行组织纤溶酶原激活剂的使用。gpt-4在建议血管血栓切除术（AUC 0.94，95％CI 0.89-0.98）中与现实世界的决策显示出几乎完美的一致性，并且对组织纤溶酶原激活剂治疗（AUC 0.77，95％CI 0.68-0.86）进行了强有力的一致性。为了进行死亡率预测，GPT-4在其前25个高风险预测中的13例死亡中有10个（77％）（AUC 0.89，95％CI 0.8077-0.9739;危险比6.98，95％CI 2.88-16.9; p <.001; p <.001; p <.001; p <.001），诸如p <.001），诸如p <.001），诸如实践模型，均录制了> 70；和前提（AUC 0.77； P = .07）。结论：这项研究证明了GPT-4是急性中风管理中可行的临床决策支持工具的潜力。其提供可解释建议的能力，而无需结构化数据输入与
生殖因子对前瞻性队列中缺血性心脏病的寿命累积影响
摘要目的本研究旨在基于较高的寿命雌激素暴露与较低的心血管风险有关的假设，旨在检查寿命雌激素暴露与缺血性心脏病（IHD）之间的关联。方法在2004 - 2008年，使用生殖寿命（RLS），内源性雌激素暴露（EEE）（EEE）和总雌激素暴露（TEE），评估了中国Kadoorie Biobank的绝经后女性中生殖因素的寿命累积暴露。EEE是通过减去RLS的妊娠相关和避孕持续时间来计算的，而Tee则通过添加相同的成分，除了哺乳外。在随访期间（2004- 2015年）中事件IHD。 分层的COX比例危害模型估计RLS，EEE和TEE的IHD的HR和95％CIS。 在118 855个绝经后女性中的结果，13 162（11.1％）在中位数为8。9年期间发展了IHD。 The IHD incidence rates were 13.0, 12.1, 12.5, 13.8 per 1000 person-years for RLS Q1–Q4, 15.8, 12.6, 11.3, 12.1 per 1000 person-years for EEE Q1–Q4 and 13.7, 12.3, 12.2, 13.4 per 1000 person-years for TEE Q1–Q4. RLS和TEE的最高四分位数（Q4）与IHD的风险较低（调整后的HR（AHR）0.95，95％CI 0.91至1.00和0.92，95％CI 0.88至0.97，相比之下，与最低的四分之一（Q1）相比。 更长的EEE显示出逐渐降低事件IHD的风险（AHR 0.93，95％CI 0.88至0.97; 0.88，95％CI 0.84至0.93; 0.87，95％CI 0.83至0.92 for Q2 – Q4 vs Q1）。 结论更长的RLS，TEE和EEE与中国绝经后女性的IHD风险较低有关。在随访期间（2004- 2015年）中事件IHD。分层的COX比例危害模型估计RLS，EEE和TEE的IHD的HR和95％CIS。在118 855个绝经后女性中的结果，13 162（11.1％）在中位数为8。9年期间发展了IHD。The IHD incidence rates were 13.0, 12.1, 12.5, 13.8 per 1000 person-years for RLS Q1–Q4, 15.8, 12.6, 11.3, 12.1 per 1000 person-years for EEE Q1–Q4 and 13.7, 12.3, 12.2, 13.4 per 1000 person-years for TEE Q1–Q4.RLS和TEE的最高四分位数（Q4）与IHD的风险较低（调整后的HR（AHR）0.95，95％CI 0.91至1.00和0.92，95％CI 0.88至0.97，相比之下，与最低的四分之一（Q1）相比。更长的EEE显示出逐渐降低事件IHD的风险（AHR 0.93，95％CI 0.88至0.97; 0.88，95％CI 0.84至0.93; 0.87，95％CI 0.83至0.92 for Q2 – Q4 vs Q1）。结论更长的RLS，TEE和EEE与中国绝经后女性的IHD风险较低有关。
小型皮质下缺血性梗死和其他 DWI 病变建立 MES 预测模型
使用 SPSS（版本 22.0；美国伊利诺伊州芝加哥）和 Free Statistics（版本 1.7.1）软件进行数据分析。定量数据以平均值±标准差表示，定性数据以频率和百分比表示。在进行正态性检验后，使用 t 检验对定量数据进行组间比较，使用 χ2 或 Fisher 精确文本比较定性或分类数据。在进行回归分析之前，对统计学上显著的因素（p < 0.05）进行共线性分析。将单变量分析中具有统计学意义的因素纳入逐步前向逻辑回归分析，以确定 MES 的独立因素。优势比 (OR) 及其 95% 可信区间用于评估显著因素的独立贡献。采用 Hosmer-Lemeshow 检验来评估模型的适用性。
静脉溶栓后，通过机器学习预测与急性缺血性中风相关的糖尿病的结果
本队列研究旨在利用机器学习技术评估急性缺血性卒中 (AIS) 合并糖尿病患者静脉溶栓后的预后结果。分析使用来自沈阳市第一人民医院的数据进行，涉及 2018 年 1 月至 2023 年 12 月接受溶栓治疗的 3,478 名患有糖尿病的 AIS 患者，最终在筛选后关注 1,314 名患者。测量的主要结果为 90 天改良 Rankin 量表 (MRS)。采用 80/20 的训练测试分割进行模型开发和验证，采用各种机器学习分类器，包括人工神经网络 (ANN)、随机森林 (RF)、XGBoost (XGB) 和 LASSO 回归。结果表明，XGB 模型的平均准确率为 0.7355 (±0.0307)，优于其他模型。溶栓后预后的关键预测因素包括美国国立卫生研究院卒中量表 (NIHSS) 和血小板计数。研究结果强调了机器学习算法（尤其是 XGB）在预测糖尿病 AIS 患者功能结果方面的有效性，为临床医生提供了有价值的治疗计划工具，并根据接收者操作特性 (ROC) 分析和准确性评估改善了患者结果预测。
使用机器学习模型随机森林预测缺血性中风的大血管闭塞
摘要背景鉴于疾病的发病率和干预时间窗短，在院前及时识别大血管闭塞 (LVO) 极为重要。目前的评估策略仍然具有挑战性。本研究的目的是开发一个机器学习 (ML) 模型，使用院前可访问的数据来预测 LVO。方法纳入 2016 年 1 月至 2021 年 8 月期间在基于计算机的急性卒中患者在线数据库（用于卒中管理质量评估-II）数据集中接受 CT 或 MR 血管造影并在症状出现后 8 小时内接受再灌注治疗的连续急性缺血性卒中患者。我们开发了八个 ML 模型，将美国国立卫生研究院卒中量表 (NIHSS) 项目与人口统计学、病史和血管危险因素相结合，以识别 LVO 并验证其有效性。结果最终，15 365 名患者被纳入训练集，4 215 名患者被纳入测试集。在测试集上，随机森林 (RF)、梯度提升机和极端梯度提升的曲线下面积 (AUC) 为 0.831（95% CI 0.819 至 0.843），高于其他模型，其中 RF 的特异性最高（0.827）。此外，RF 的 AUC 高于其他量表，与 NIHSS 相比，模型的准确率提高了 6.4%。我们还发现识别 LVO 的前五项是 NIHSS 总分、凝视偏差、意识水平 (LOC)、LOC 命令和左腿运动。结论 我们提出的模型可以成为基于院前可获取医疗数据的预测 LVO 的有用筛查工具。试验注册号 NCT04487340。
缺血性心脏病的负担和地中海东部地区的流行病学转变：1990- 2019年
1心血管研究研究所，心脏康复研究中心，伊斯法罕医学科学大学，伊朗伊斯法罕，伊朗，2心血管研究研究所，高血压研究中心，伊斯法罕医学科学高压研究中心，伊朗伊斯法罕，伊朗，伊朗，伊朗，3个心血管研究所，医学研究所，医学研究所。 Qu-Health，卡塔尔大学，多哈，卡塔尔公共卫生系，不列颠哥伦比亚大学5号人口与公共卫生学院，加拿大温哥华大学，加拿大6个关节炎研究，加拿大，加拿大温哥华，7心脏和血管研究所，克利夫兰诊所阿布扎比，阿布扎比，阿布扎比，阿拉伯阿拉伯阿拉伯阿拉伯阿拉伯艾米尔，Quar op Health of Health obhaNef图，Quar Sciencess，QUAR，QUAR 8 8伊拉克医学专业委员会心脏病学科学委员会。巴格达心脏中心，伊拉克巴格达，伊拉克10号医学院，社区医学系，阿恩·沙姆斯大学，埃及大学，埃及和武装部队医学院（AFCM），开罗，埃及，埃及11号，阿勒颇大学，阿勒颇大学，阿勒颇大学，叙利亚，叙利亚，叙利亚12号。心脏病学研究中心，伊斯法罕医学科学大学，伊朗伊斯法汉，14，14号体育活动与营养研究所，迪肯大学，迪肯大学，墨尔本，澳大利亚，澳大利亚，15个国家心脏中心，阿曼皇家医院，马斯喀特，阿曼，心脏病学16号，迪拜医院，迪拜医院，迪拜，迪拜，迪拜，17，阿联酋，贝利维尔市，贝勒维尔·科特里亚尔，贝尔利维尔，贝尔利维尔，贝尔德尔，贝尔利群岛。大马士革，叙利亚，叙利亚，19号医学系，阿加汗大学医院，卡拉奇，巴基斯坦，卫生与评估研究所20研究所，华盛顿大学，美国西雅图，美国卫生指标科学系21号，美国西部，西雅图大学，美国西雅图大学，美国22个心血管研究所，ISFIAHAN CARDICAHAN CADCAHAN CASSIOVAH CASCAPAHAN CASSIOVAH CASCAPER ISFAHAN CASSIOVER研究中心，ISFAHAN CASTIOVER研究中心，ISFAHAN CASTIOVEN CENTR，ISFAHAN CASSIOVEN CENTRICER，ISFAHAN CASSIOVER研究中心伊朗