抽象目标研究表明,可以防止患有高风险的个体2型糖尿病,但是主要医疗保健中的长期结果有限,据报道高辍学率。设计使用纵向设计来研究参与者的糖尿病风险和人类测量法的变化,从基线到60个月的随访。采用横截面设计来研究60个月随访的辍学者和完成者之间的差异。将健康的生活中心设置在挪威初级医疗保健中。参与者包括189名年龄> 18岁的人,包括芬兰糖尿病风险评分≥12和/或体重指数(BMI)≥25kg/m 2≥25kg/m 2,并提供了12个月的健康生活中心计划。纳入后每年最多60个月进行测量。干预措施健康的生活中心安排行为计划,包括体育锻炼和饮食课程,作为主要医疗保健的一部分。这项研究为个人提供了参加健康生活中心计划,并遵循60个月的时间。主要结果评估参与者糖尿病风险,心血管措施和人类测量法的变化从基线到60个月。次要结果研究了辍学的特征,与60个月的完成者相比。参与者在60个月的随访中的结果,糖尿病风险和人类测量法降低(p <0.001)。在基线时有65名被归类为糖尿病的高风险的参与者中,有27个(42%)变为在60个月的随访中处于中等风险。可以看到九名参与者中的六名糖尿病的缓解。 参加该计划的189名参与者,在60个月的随访之前,有54名(31%)在任何给定点退出。 与完成者相比,辍学率更年轻,BMI,重量和腰围更高(P <0.001)。 对初级医疗干预参与者的长期承诺的结论可以可以看到九名参与者中的六名糖尿病的缓解。参加该计划的189名参与者,在60个月的随访之前,有54名(31%)在任何给定点退出。辍学率更年轻,BMI,重量和腰围更高(P <0.001)。对初级医疗干预参与者的长期承诺的结论可以
8月19日,Jag Bahia 9更新了5.4-预处理筛查应包括全血数,身体健康病史和身体检查,这应包括ECG,体重,BMI和腰围测量,禁食血浆脂质,葡萄糖,葡萄糖,LFT,LFT,血压,血压和脉搏率。8月19日,Jag Bahia 9更新了6.1.2-氯氮平正在开处方标签,然后应向患者解释,应注册患者,以便在CPMS外使用CPMS,8月19日Jag Bahia 11更新了7.5-氯氮平的患者,至少应每年审查一年以上。这应包括药物审查,并考虑到患者&GP报告的治疗反应和公认的副作用。8月19日,jag bahia 13更新了10.1-在治疗的第一个月中,应至少每周评估心脏症状,低血压,便秘和体重增加。
摘要这项研究旨在开发和验证机器学习模型,以预测不同加速度计量的品牌和位置范围内囊性纤维化(CF)的儿童和青少年的强度。患有CF(11.6±2.8岁; 15个女孩)和28名健康青年(12.2±2.7岁; 16岁的女孩)的三十五名儿童和青少年进行了六项活动,而佩戴了基因作用(手腕)和Actigraphs GT9X(手腕和腰围)。使用三个监督的学习分类器(K-Nearest邻居,随机森林和极端梯度增强的决策树)来识别每种PA类型和强度的输入信号模式,并使用10倍的交叉验证来评估分类器的性能。Actigraph GT9X在主要手腕上,腰部和遗传性手腕上的遗传性无法预测剧烈的强度PA活性。所有其他用于活动类型和强度的模型都超过97%的精度,敏感性和特异性大于95%,而不论加速度计品牌,位置或健康状况如何。
QRISK2 还是 QRISK3?• 应每 5 年至少为 40 岁以上的成年人提供一次 CVD 风险评估• QRISK2/3 估计患者在未来 10 年内患 CVD 的风险• 不要对 CVD 高风险患者(例如糖尿病、CKD 3-5、既往中风/TIA 或 >85 岁的人群)使用 QRISK,因为他们应该已经接受/已提供脂质调整疗法• QRISK2“计算器”已集成到 EMIS 中。对于几种情况,QRISK2 会低估人们的风险,例如严重的精神疾病和风湿病。• QRISK3 包含更多情况以提高准确性。模板可在 Ardens 中找到。• 如果 QRISK 评分 <10% 或具有 CVD 风险因素 <40,则可以使用 QRISK3-lifetime 来指导有关 CVD 风险的讨论。 • QRISK 2/3 是估算计算器 – 始终将患者风险个性化,并考虑合并症、多重用药、虚弱、预期寿命 • 局限性 – 使用 BMI 而不是腰围,可能低估不同种族的风险,并且不考虑诊断年龄越小,风险越高。未在 25 岁以下人群中验证。
结果只有15.1%的参与者参与了心脏康复计划。不受控制的危险因素的速率很高:收缩压(BP)(SBP)(54.6%),低密度脂蛋白胆固醇(LDL-C)(86.8%),糖尿病(86.8%),糖尿病(DM)(DM)(DM)(60.6%)(60.6%),以及超过(66.6%)和(66.6%)和肥胖(25%)(25%)。此外,发现了女性和男性参与者之间的某些危险因素(吸烟,体重指数(BMI),腰围,血糖(BG)和SBP)的患病率和控制的显着差异。The cardiovascular health index score (CHIS) was calculated from the six risk factors: Non- or ex-smoker, BMI < 25 kg/m 2 , moderate/vigorous physical activity, controlled BP (< 140/90 mmHg; 140/80 mmHg for patients with DM), controlled LDL-C (< 70 mg/dL), and controlled BG (glycohemoglobin < 7%或BG <126 mg/dl)。分别在6%,58.3%和35.7%的患者中鉴定出良好,中间和差的CHI(男性和男性患者之间没有统计学差异)。
两项挪威医院对心肌梗死 14 和中风 13 后患者进行的随访研究表明,尽管患者坚持用药,但 CVD 风险因素控制仍远未达到最佳水平。有必要研究挪威普通人群的 CVD 二级预防,采用包括 CVD 风险因素、生活方式因素和药物使用在内的整体方法,并确定与目标实现相关的特征。本研究的目的是根据同期的欧洲心血管疾病预防指南在临床实践中的目标实现情况 2,3 调查二级预防的目标实现情况,包括心血管疾病风险因素测量(血压、血脂、糖化血红蛋白 (HbA1c)、身体质量指数 (BMI) 和腰围)、药物使用(抗高血压药、降脂药、抗血栓药和抗糖尿病药)以及心肌梗死和缺血性中风后的多种生活方式因素(吸烟、身体活动、饮食和营养摄入),使用基于人群的样本。我们进一步调查了女性和男性之间、疾病之间的差异,以及目标实现者和未实现者的特征和生活方式因素。
摘要:糖尿病是内分泌疾病的一种形式。双能X射线吸收法(DXA)提供了详细的视图,以了解是什么使糖尿病患者与其他疾病患者不同。我们扫描了371例DXA患者,以分析其身体组成参数。包括三百和71例患者(178名女性/193名男性),患有不同疾病,平均±SD体重指数(BMI)为25.32±8.3 kg/m2。评估了371例患者的身体成分。骨矿物质密度(BMD),脂肪重量,瘦小,腰围比,瘦质量指数(LMI),脂肪质量指数(FMI),分析了脂肪百分比与BMI之间的关系。371例患者包括156名糖尿病患者和215例非糖尿病患者。非糖尿病患者还包括5例肥胖患者,9例脂肪肝患者,39例高血压患者,22例高脂血症患者,18例心血管疾病患者,11例胸部和肺病患者,4例慢性病患者,14例慢性病患者,14例患有疾病的患者和其他疾病患者。在156名糖尿病患者中,有129名增值税> 100 cm2,而27例的增值税≤100cm2。男性糖尿病患者的瘦体重(LW)明显高于女性糖尿病患者。糖尿病女性患者的脂肪体重(FW)明显高于男性患者。男性糖尿病患者的腰围比(WHR)为1.37±0.25,女性糖尿病患者为1.18±0.21。糖尿病患者的脂肪量低于非糖尿病患者;差异约为2公斤。BMI也是一个适中的数字。在215名非糖尿病患者,肥胖和脂肪肝患者中,体重(肥胖症)(肥胖症:83.87±8.34 kg脂肪肝脏:85.64±28.60 kg),FW(肥胖症:28.56±4.18 kg脂肪liver:28.61 kg liver:28.61±10.79 kg),32. 32. 32. 3. 3. obel / lw(obellimet),lw(obel / lw),lw(obect),lw(obellimet),lw(obellimet),LW(obel MILLILLINM lw)。脂肪肝:54.29±17.58 kg),BMI(肥胖症:28.76±1.88 kg/m2脂肪肝:29.10±5.95 kg/m2),比其他患者高得多。BMD并没有太大差异。脂肪肝肥胖症和心血管疾病的非糖尿病患者比患有其他疾病的患者具有更高的脂肪质量和BMI。人体组成可以提供有关不同身体区域构成的精确信息,但是需要进一步的深入检查以确定身体的内分泌轮廓。
摘要背景:代谢功能障碍相关的脂肪变性肝病(MASLD)代表着没有建立治疗疗法的重要全球健康负担。早期检测和预防策略对于有效的MASLD管理至关重要。这项研究旨在开发和验证机器学习(ML)算法,以在地理上多样化的大规模人群中进行准确的MASLD筛查。方法:从伊朗农村法尔斯省(2014年3月)发起的前瞻性FASA队列研究的数据用于此目的。使用血液测试,问卷,肝超声检查和身体检查收集所需的数据。两步方法从100多个变量中确定了关键预测因素:(1)使用平均降低Gini的统计选择在随机森林中的GINI和(2)(2)将临床专业知识与已知MASLD风险因素保持一致。使用了固定验证方法(使用70/30列车/验证拆分),以及验证集上的5倍交叉验证。逻辑回归,天真的贝叶斯,支撑矢量机和光梯度增强机(LightGBM)算法的算法的模型构建具有相同的输入变量基于接收器操作特征曲线(AUC),敏感性,特异性,正面预测值(PPV),负预测值(NPV)和精确度和准确性。结果:该研究中总共包括6,180名成年人(52.7%),分为4816个非MASLD和1364例MASLD案例,平均年龄(±标准偏差[SD])分别为48.12(±9.61)和49.47(±9.15)年。伊朗大四。逻辑回归的表现优于其他ML算法,其准确度为0.88(95%置信区间[CI]:0.86-0.89),AUC的准确度为0.92(95%CI:0.90-0.93)。在100多个变量中,关键预测因子包括腰围,体重指数(BMI),臀部周长,腕圆周,丙氨酸氨基转移酶水平,胆固醇,葡萄糖,高密度脂蛋白和血压。结论:MAL在MASLD管理中的集成具有巨大的希望,尤其是在资源有限的农村环境中。此外,分配给每个预测因子的相对重要性,特别是腰围和BMI等杰出贡献者,为MASLD预防,诊断和治疗策略提供了宝贵的见解。关键字:逻辑回归,机器学习,非酒精性脂肪肝病,预测模型,农村地区引用了本文:Masaebi F,Azizmohammad Looha M,Mohammadzadeh M,Pahlevani V,Farjam M,Farjam M,Zayeri F等。使用实验室和身体成分指标预测代谢功能障碍相关的脂肪疾病疾病的机器学习应用。2024; 27(10):551-562。 doi:10.34172/aim.31269
抽象背景/目标:自闭症和自闭症谱系障碍(ASD)是神经发育障碍,具有广泛的行为和症状。这些行为是终生的,通常会导致社会互动,言语和非语言交流以及重复行动的困难。本研究旨在确定自闭症儿童的营养状况和人体测量值,并评估土耳其Gaziantep私立教育中心的父母提供的营养教育的影响。方法:在Hasan Kalyoncu大学特殊教育与研究中心进行了三个月的干预研究,该研究中心为4-9岁(7.2±1.37岁)的十个男性和四个女性自闭症儿童(7.2±1.37岁)进行了一项。营养教育是在开始时以及第一个,第二和第三个月份向家庭提供的。使用问卷来确定儿童的人口特征和饮食习惯。在研究开始和三个月干预结束时,要求参与者在七天的时间内记录他们的食物摄入量。在研究开始时和第一个,第二和第三个月,评估了人体测量和身体组成。计算了体重指数(BMI),腰围围比(WC)和腰围比(WHTR)。在研究结束时,向家庭提供了儿童饮食行为清单(CEBI)和胃肠道严重程度指数(GI)问卷。结果:发现脂肪的能量贡献百分比很高。平均GI得分为5.6。发现能量,纤维,维生素D,B 1,叶酸,铁和钙的摄入量低于建议的每日津贴。高度(P = 0.001),体重(P = 0.021),臀部(P = 0.001),颈部(P = 0.001)和头圆周(P = 0.004),体内脂肪质量(P = 0.001)和体内脂肪百分比(P = 0.001)之间的平均变化在统计上是统计学意义的,在7个月内没有统计学意义。总体而言,有53.1%的儿童至少患有一种胃肠道(GI)症状。最常见的症状是腹泻(64.3%),肠胃胀气(57.1%),腹痛(50.0%)和便秘(35.7%)。结论:大量研究表明,营养教育可以导致自闭症谱系障碍儿童(ASD)带来明显的积极结果。为了最大程度地利用这些好处,必须将营养师纳入支持团队,因为他们可以极大地增强家庭对自闭症儿童营养需求的理解。在此和类似的研究中,很难控制和调节自闭症儿童的营养,因为尽管做了很多努力,但由于发脾气和行为问题,父母通常无法控制孩子的营养。当务之急是医生和父母与营养学家和营养师一起帮助这些孩子保持健康并通过健康饮食来改善生活质量。关键字:自闭症谱系障碍,自闭症,营养教育,营养状况,人体测量学
测量特殊尺寸服装时,务必考虑以下几点:姿势:站直,放松肌肉,双脚分开与臀部同宽(约 6 英寸)。服装:宽松或厚重的服装会影响准确测量。确保服务人员穿着轻便、贴身的服装。工具:使用柔韧的金属卷尺,因为布卷尺可能会拉伸。玻璃纤维或尼龙卷尺是不错的选择。技巧:a.除以磅为单位的体重外,所有测量都应以英寸为单位,并精确到最接近的 ¼ 英寸。b.进行水平测量时,例如胸围、腰围、臀围等,务必使卷尺与地面保持平行。c.测量时,对卷尺施加恒定的压力(这样它就不会下垂),不要捏皮肤。由于身体由软组织构成,因此很难确切知道将卷尺拉到身体上的确切紧度。卷尺应该有点紧,但不要太紧 - 它不应该“陷入”或在身体上留下凹痕。它也不应该松动。只需将卷尺缠绕在要测量的身体部位并将其固定到位即可。应该能够将手指放在卷尺后面,但不能超过这个长度。