IL - 22与糖尿病关系的研究进展

目的 本文总结了近年来白细胞介素22 (interleukin 22, IL - 22)与糖尿病(diabetes mellitus，DM)发病关系的研究，希望能为DM的防治及病情评估提供较为可行的策略靶点。方法 本文资料来源于中国知网、PubMed等数据库，以IL - 22、糖尿病、胰岛素、糖异生等关键词进行检索得到。结果 IL - 22可增加胰岛素分泌、促进胰岛素信号转导及维持葡萄糖稳态，参与DM发生、发展及病情演变。结论 IL - 22可通过多个环节参与DM的发病及病情演变，以IL - 22为靶点对于防治DM具有重要参考价值。     

海口高校大学生健康素养现况调查及影响因素分析

目的 了解在"国家卫生城市"等一系列创建示范工作背景下海口高校大学生健康素养现况及影响因素,为有关部门制定健康教育策略和措施提供科学依据.方法 采用分层整群抽样方法于2020年9～11月从海口市内随机抽取两所全日制高校1812名本科生进行问卷调查,不同特征人群的健康素养水平比较采用χ2检验,影响因素采用二分类变量的Logistic回归分析.结果 海口高校大学生健康素养水平为51.16％,健康素养3个方面的具备率由高到低依次为基本知识与理念(63.85％)、健康生活方式与行为(36.31％)、基本健康技能(33.66％).由二元Logistic回归分析得出专业、民族、户籍及是否吸烟是影响高校大学生健康素养的主要因素(P<0.05).结论 海口高校大学生健康素养水平高于全国大学生平均水平,但各维度的知晓率差异较大,学生专业、民族、户籍所在地、是否吸烟为影响因素.相关部门应针对薄弱环节,调整教育卫生知识结构,进一步提升学生健康知识水平.     

地鳖纤溶蛋白口服时间/pH依赖结肠靶向微囊的开发及评价＊

地鳖中的纤溶活性蛋白是从地鳖中提取的具有抗栓及抗肿瘤作用的有效成分，其口服易被上消化道酶分解从而限制了应用。采用恒流泵滴制法开发地鳖纤溶活性蛋白时间/pH依赖口服结肠靶向微囊（EnpolypHaga fibrinolytic protein oral colon targeting microcapsules， CTM-EFP）。采用单因素实验和正交实验相结合的方法寻找到包封率为60.17 % ± 2.72 %、载药量为15.50 % ± 0.44 % 的最佳配方。扫描电子显微镜（SEM）显示微囊呈球形、表面光滑，在人工肠液中24 h的累积释放度为99.53 % ± 0.69 %，在人工胃液中24 h累积释放度为7.43 ± 1.04 %，通过时间/pH依赖达到结肠靶向作用。CTM-EFP在人工肠液中的体外释放曲线符合Korsmeyer方程，提示地鳖纤溶活性蛋白（EnpolypHaga fibrinolytic protein， EFP）是通过扩散和侵蚀机制结合释放的。CTM-EFP为EFP的口服给药提供了一种新的剂型，为EFP应用于临床提供参考。     

经皮椎体成形术导致巨大腹膜后血肿成功救治1例报道

经皮椎体成形术是一种安全有效的微创手术,腹膜后血肿是其罕见但严重的并发症。我们报告一例经皮椎体成形术RH阴性(熊猫血)患者术后并发巨大腹膜后血肿,经保守和输血等支持治疗,病人康复出院。脊柱医生应了解这种罕见但潜在致命的并发症,因为早期认识和及时预防是降低其发病率的基础。     

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。