下一代诊断病理学

随着人类基因组测序、生物大数据信息分析、分子病理检测和人工智能辅助病理诊断等技术进步及其应用, 临床医学发展迈向精准诊疗时代。这一时代背景下, 传统诊断病理学迎来前所未有的历史机遇, 正在向"下一代诊断病理学(next-generation diagnostic pathology)"迈进。下一代诊断病理学以病理形态和临床信息为诊断基础, 以分子检测与生物信息分析、智慧制样与流程质控、智能诊断与远程会诊、病灶活体可视化与"无创"病理诊断等创新前沿交叉技术为主要特征, 以多组学和跨尺度整合诊断为病理报告内容, 实现对疾病的"最后诊断", 并预测疾病演进和结局、建议治疗方案和评估治疗反应, 形成新的疾病诊断"金标准"。未来, 需要激发病理学科创新活力, 加快下一代诊断病理学成熟和应用, 重塑病理学科理论和技术体系, 发挥诊断病理学在疾病"防、诊、治、养"等过程中的重要作用, 促进临床医学进一步发展, 服务健康中国战略。     

红外光谱数据融合对栽培滇重楼产地鉴别*

目的 多样的环境因素使得不同产地栽培滇重楼的化学成分也丰富多样，不同居群栽培滇重楼的甾体皂苷类成分具有很大的差异，多源数据融合分析能更全面的表征药材化学信息，建立一个高效而准确的产地鉴别模型，为其资源合理开发利用提供依据。方法 以来自云南和四川的8个产地（保山、楚雄、大理、红河、丽江、成都、文山、玉溪）共366份栽培滇重楼根茎为实验材料，采集其傅里叶变换近红外光谱（FT-NIR）和衰减全反射-傅里叶变换中红外光谱（ATR-FTMIR）数据。采用Kennard-Stone算法将不同产地的样品分为2/3的训练集和1/3的预测集，基于4种特征变量提取方法（CARS、VIP、SPA、SO-Covsel）结合2种数据融合策略（低级数据融合和中级数据融合），建立偏最小二乘产地判别分析模型。根据模型参数交叉验证均方根误差（RMSECV）和预测均方根误差（RMSEP）评估模型的稳定性，模型训练集和预测集准确率（ACC）评估模型分类性能。结果 近红外光谱和中红外光谱均能反应不同产地栽培滇重楼的化学成分差异，在中级数据融合中，基于VIP和SPA提取的特征变量建立的模型正确率均大于94%。相较于中级数据融合，低级数据融合模型得到了最为满意的结果，其预测集分类正确率达到100%。结论 根据近红外和中红外数据建立的低级数据融合PLS-DA模型，能够用于栽培滇重楼的产地鉴别分析。     

中华医学会杂志社对一稿两投问题处理的声明

为维护中华医学会系列杂志的声誉和广大读者的利益,现将中华医学会系列杂志对一稿两投和一稿两用问题的处理声明如下:①本声明中所涉及的文稿均指原始研究的报告或尽管2篇文稿在文字的表达和讨论的叙述上可能存在某些不同之处,但这些文稿的主要数据和图表是相同的。     

外科转化医学研究进展

转化医学作为连接基础和临床的桥梁，促进了基础研究成果与临床诊疗手段之间的双向转化。30年间，转化医学飞速发展，而随着医学与多学科之间的交叉融合，转化医学也表现出新的发展趋势，尤其是在外科领域。医疗大数据为病人提供了更加精准化、个性化的治疗，医用人工智能也促进了诊疗技术的革新，还有各式医用机器人，推动手术微创化。把握转化医学的发展潮流，促进科研与临床的双向循环，是未来我国医学发展的重心。     

关于论著结果部分的撰写要求

结果应体现的要素包括:(1)实验或临床观察所得的各种数据。(2)反映数据变化以及大体或微观形态特征的图表。(3)统计学处理结果。撰写时应注意:(1)实事求是,详略得当,重点突出与研究目的密切相关、对读者有价值的主要结果。     

ER-α30和ER-α36在乳腺癌组织的表达及意义

目的探讨新型雌激素受体亚型ER-α30和ER-α36在乳腺癌中的表达及与他莫昔芬治疗预后的关系。方法收集2015年1月至2015年11月间在河北北方学院附属第一医院接受他莫昔芬内分泌治疗的Luminal A型乳腺癌患者75例,并收集同时期30例ER(-)乳腺癌患者组织。采用免疫组化染色SP法检测ER-α30和ER-α36蛋白表达。分析ER-α30和ER-α36蛋白表达与Luminal A型乳腺癌临床病理特征的关系。随访患者的无病生存时间(DFS)。采用Cox风险比例回归模型分析影响DFS的因素。结果Luminal A型乳腺癌组织中ER-α30蛋白阳性表达率为32.0%(24/75),低于ER(-)乳腺癌组织(P<0.05)。ER-α30蛋白表达与TNM分期、肿瘤直径、浸润深度、淋巴结转移、孕激素受体状态有关(P<0.05)。ER-α36蛋白阳性表达率为52.0%(39/75),与ER(-)乳腺癌组织比较差异无统计学意义(P>0.05)。ER-α36蛋白表达与TNM分期和肿瘤直径有关(P<0.05)。随访时间为11~54个月,患者48个月无病生存率为64.0%(48/75)。ER-α30阳性患者48个月无病生存率为33.33%(8/24),阴性患者为78.43%(40/51),差异具有统计学意义(P=0.001)。ER-α36阳性患者48个月无病生存率为48.7%(19/39),阴性患者为80.6%(29/36),差异具有统计学意义(P=0.002)。Cox风险比例回归分析显示,ER-α30、ER-α36是影响Luminal A型乳腺癌患者DFS的独立预后因素(P<0.05)。结论Luminal A型乳腺癌ER-α30和ER-α36阳性表达者接受他莫昔芬治疗无病生存期较短,其有望成为预测他莫昔芬治疗反应性的重要指标。     

大数据在护理领域的应用进展

概述大数据及护理大数据的概念、特点,分析大数据在护理领域的应用现状,讨论其面临的挑战并提出应对策略,以期为大数据在护理领域的进一步发展提供参考。     

大数据背景下医学生数据素养培养研究

介绍数据素养概念，从教学目标、方法、过程几方面探讨大数据背景下医学生数据素养培养模式，指出该模式有助于提高医学生数据分析与挖掘能力，树立数据意识和数据伦理，提升数据素养。