PDCA循环在消化道肿瘤伴糖尿病患者营养全程管理中的效果观察

目的 探讨PDCA 循环在消化道肿瘤伴糖尿病患者营养全程管理中的效果观察。方法 运用PDCA循环对80例不同程度营养不良的消化道肿瘤伴糖尿病患者实施营养全程管理,比较干预前后患者的体重、BMI指数、糖化血红蛋白、血红蛋白、总蛋白、白蛋白及球蛋白水平。结果 患者血红蛋白、总蛋白、白蛋白及球蛋白水平均有提高,比较差异均有统计学意义(P＜0.05)。结论 PDCA循环管理在消化道肿瘤伴糖尿病患者营养全程管理中有较大的优势, 值得推广。     

基于TCGA 数据库卵巢癌患者的miR-301b 表达量与生存状况生物信息学分析

目的 研究肿瘤基因图谱（the cancer genome atlas，TCGA）数据库中microRNA-301b（miR-301b）在478 例卵巢癌患者中的表达量与卵巢癌患者生存状况的关系。方法 对TCGA 数据库中478 例卵巢癌患者的miR-301b 表达量与生存状况进行分析，预测其靶基因及生物学活性。结果 miR-301b 高表达患者具有更长的生存时间, 是卵巢癌患者预后的保护因素（OS:P<0.001, DFS:P<0.05），综合3 个靶基因数据库的预测结果得到12 个靶基因，编码的蛋白多数与肿瘤的发生发展有关，其中靶基因TEA 结构域家族成员1（TEA domain family member 1，TEAD1） 与胞质多糖基化元件结合蛋白4(cytoplasmic polyadenylation element binding protein 4, CPEB4)的表达量与卵巢癌患者的预后相关（TEAD1:P<0.05，CPEB4:P<0.05）。结论 miR-301b 表达对卵巢癌患者的预后具有重要的意义，表现出抑癌因子的作用，对卵巢癌的预后评估和治疗具有重要的指导意义。     

数字化健康干预在青年癌症患者心理康复中的应用进展

综述了数字化健康干预在青年癌症患者心理康复中的实施及效果评价等内容。实施方式主要为在线自我管理,以及社交软件和可穿戴设备的应用。数字化健康干预可为青年癌症患者提供信息、心理及社会支持,但评价标准需进一步建立和完善。     

1000例中枢神经系统肿瘤临床病理分析

目的:加强对2007年WHO中枢神经系统肿瘤新分类的认识,评价其可重复性。方法:依照2007年WHO中枢神经系统肿瘤的组织学分类标准,回顾性分析1000例中枢神经系统肿瘤。结果:中枢神经系统肿瘤中神经上皮肿瘤仍居首位,共508例,脑膜肿瘤居第二位,共492例;高发年龄组在30~60岁;发病部位以幕上占优势,在成人组以脑膜瘤、高级别神经上皮肿瘤为常见类型,而儿童组以低级别神经上皮肿瘤等常见;本组病例未发现2007年WHO中枢神经系统肿瘤新增肿瘤类型。结论:2007年WHO中枢神经系统肿瘤可重复性强,熟悉并掌握2007WHO中枢神经系统肿瘤新分类,有助于正确的诊断与鉴别诊断。     

Graves病合并Graves眼病患者~(131)I治疗前后血清TNF-α、HA浓度及CAS评分变化的临床意义

目的:观察131I治疗前后Graves病合并Graves眼病患者血清TNF-α、HA浓度、CAS评分的变化。方法:病例组:随访观察96例Graves病(GD)合并Graves眼病(GO)患者131I治疗前后血清TNF-α、HA浓度,CAS评分的变化。正常对照组:随机检测26例常规健康查体人员的血清TNG-α、HA浓度。结果:131I治疗后GD合并GO患者血清TNF-α、HA浓度明显减低、CAS评分减低,差异有统计学意义(P<0.01);但CAS评分与HA浓度不呈直线相关(P>0.05)。结论:血清TNF-α、HA浓度及CAS评分能够作为GD合并GO患者眼部病变的活动性评价指标,对疾病的治疗有积极的指导意义。     

肿瘤患者代谢综合征及其组分异常的患病现况研究

2017年12月至2018年12月,在天津医科大学总医院健康管理中心定期健康体检的3 509名研究对象中,曾罹患肿瘤、罹患慢病和健康对照三组分别有399、1 555、1 555名。年龄为(55.87±11.98)岁,男性占31.38%。慢病组MS患病率(42.44%)高于曾罹患肿瘤组(34.59%)和健康对照组(18.65%)( P<0.001)。与健康对照组相比,曾罹患肿瘤组和慢病组MS患病风险 OR(95% CI)值分别为2.13(1.61~2.83)和2.85(2.23~3.66);曾罹患乳腺癌和甲状腺癌MS患病风险 OR(95% CI)值分别为3.56(2.04~6.21)和2.77(1.46~5.25)。     

基于剂量组学预测肺癌患者放射性肺炎发生的研究

目的 探讨剂量组学在预测肺癌根治性放疗患者放射性肺炎发生中的应用潜能。方法 回顾性收集行根治性放疗的314例肺癌患者的临床资料、放疗剂量文件、定位及随访CT图像,根据临床资料及影像学随访资料对放射性肺炎进行分级,提取全肺的剂量组学特征,构建机器学习模型。应用1000次自助抽样法（bootstrap）的最小绝对值收敛和选择算子嵌套逻辑回归（LASSO‐LR）及1000次bootstrap的赤池信息量准则（AIC）向后法筛选与放射性肺炎相关的剂量组学特征,随机按照7∶3划分为训练集及验证集,应用逻辑回归建立预测模型,并应用ROC曲线及校正曲线评价模型的性能。结果 共提取120个剂量组学特征,经LASSO‐LR降维筛选得到12个特征进入“特征池”,再经过AIC向后法筛选,最终筛选出6个剂量组学特征进行模型构建,训练集AUC为0.77（95%CI为0.65~0.87）,独立验证集AUC为0.72（95%CI为0.64~0.81）。结论 利用剂量组学建立的预测模型具有预测放射性肺炎发生的潜力,但仍需继续纳入多中心数据及前瞻性数据进一步挖掘剂量组学的应用潜能。