基于全基因组测序的耐碳青霉烯类抗生素鲍曼不动杆菌耐药基因、毒力因子及同源性分析

摘要：目的 通过应用全基因组测序(whole genome sequencing, WGS)技术分析某三级医疗机构耐碳青霉烯类抗生素鲍曼不 动杆菌(carbapenem-resistant Acinetobacter baumannii, CRAB)的耐药基因、毒力因子及同源性。方法 收集该院2020年1月至3月 重症监护病房(Intensive care unit, ICU)、神经外科分离的11株医院感染CRAB菌株，通过二代测序平台进行全基因组测序, 应用 基因组流行病学中心(Center for genomic epidemiology, CGE)ResFinder 4. 0软件分析其耐药基因型，并应用MORPHEUS在线制作 热图，应用毒力因子数据库(virulence factors of pathogenic bacteria, VFDB)VFanalyzer软件筛选毒力因子，应用MLST软件检测菌 株的ST型，应用Kaptive软件检测荚膜型，应用CSI Phylogeny 1. 4软件及FigTree v1. 4. 4软件构建最大似然树(maximum likelihood tree, MLT)以分析其同源性。结果 11株CRAB对亚胺培南、美罗培南、头孢菌素、环丙沙星均呈现耐药，而对阿米卡星、左氧 氟沙星耐药的菌株株数较少。11株CRAB共检测出18种耐药基因，11株同时携带碳青霉烯酶耐药基因blaOXA-23和blaOXA-66，β-内酰 胺酶耐药基因以blaTEM-1D和blaADC-25为主，大部分菌株携带多种外排泵相关耐药基因及抗菌药物修饰酶耐药基因。11株CRAB均携 带多种毒力因子，包括外膜孔蛋白、脂多糖、生物膜、外排泵、磷脂酶和效应蛋白等，如OmpA、Lps、Csu、Pga、Ade、Plc、 Bas、Bau、Ent、Hem、Aba、Bfm、Pbp和Kat等。11株CRAB均为ST2-K22型，同源性分析结果显示C组内同源性关系相近，存 在院内传播的可能。结论 该院CRAB的耐药性、毒力特征复杂多样，同源性分析显示该院存在1种优势克隆株，该克隆株有医 院内传播的风险。     

慢性疼痛中枢调控网络的研究现状与思考＊

慢性疼痛是一种复杂的身心疾病，包括躯体痛觉异常、认知障碍、负性情绪等多个方面的改变，同时伴随着神经系统的功能以及结构的改变。本文将对慢性疼痛与下行疼痛调节通路、疼痛情感-认知调控网络以及中脑边缘奖赏网络的相关性，以及针刺镇痛的中枢机制相关研究文献进行综述，旨在探讨下行疼痛调节通路、疼痛情感-认知调控网络以及中脑边缘奖赏网络在慢痛发生机制中的作用，为临床治疗慢性疼痛类疾病提供更优势的治疗方案。     

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。     

重组人表皮生长因子凝胶联合CO2点阵激光治疗增生性瘢痕的效果观察

目的观察重组人表皮生长因子凝胶联合CO₂点阵激光治疗烧伤及创伤后增生性瘢痕的临床效果。 方法选择2020年12月至2021年10月安徽医科大学第一附属医院烧伤与创面修复外科收治的20例增生性瘢痕患者，按照随机数字表法将患者分为联合治疗组及单纯激光治疗组，每组10例。术前均对2组患者术区进行拍照存像、消毒、擦干，局部均匀涂抹5%复方利多卡因乳膏后以无菌薄膜封闭保护60 min，擦去乳膏后再次消毒术区。术中使用CO₂点阵激光治疗仪对患者瘢痕部位进行扫描，根据患者增生性瘢痕厚度选定合适的机器参数，维持机器频率300 Hz及密度5%，在20～30 J调整能量参数的大小，时间间隔1 s，保证点阵矩形完全覆盖增生瘢痕，允许2次激光形成的热损伤矩阵之间存在25%面积的重叠。术后即刻冷敷创面60 min，冷敷结束至术后1周，单纯激光治疗组不外用任何药物，联合治疗组术区加用重组人表皮生长因子凝胶外用，3次/d。术后3 d治疗部位不碰水，若出现感染情况，可以加用抗生素软膏，点状损伤创面外痂皮未掉落完全时禁止擦洗创面，禁止直接剥除痂皮，禁止术区涂抹化妆品等，避免接受阳光直射。于第1次激光治疗后2个月进行第2次激光治疗，以2次CO₂点阵激光治疗为1个疗程，1个疗程治疗后间隔2个月待术区稳定后行疗效判断，计算2组患者治疗的总有效率；根据温哥华瘢痕量表(VSS)与患者与观察者瘢痕评估量表(POSAS)对患者治疗前、第1次激光治疗后2个月、第2次激光治疗后2个月瘢痕的各项指标进行评分。数据比较采用重复测量方差分析和χ²检验。 结果(1)治疗1个疗程后2个月，单纯激光治疗组与联合治疗组患者治疗的总有效率分别为80%(8/10)、90%(9/10)，2组间比较差异无统计学意义(χ²＝2.40，P＝0.49)。(2)对2组VSS评分的各项指标进行比较，其中疼痛、瘙痒、柔软度及厚度评分的组内及组间各时相点比较，差异均无统计学意义(P>0.05)。治疗前、第1次激光治疗后2个月及第2次激光治疗后2个月，单纯激光治疗组VSS评分中色泽评分分别为(1.9±0.7)、(1.9±0.1)、(1.8±1.0)分，联合治疗组分别为(2.9±0.7)、(2.8±0.6)、(1.9±0.7)分，2组在不同时相点组内比较，差异有统计学意义(F＝ 26.143，P<0.05)；2组组间不同时相点比较，差异有统计学意义(F＝6.753，P＝0.018)。治疗前、第1次激光治疗后2个月及第2次激光治疗后2个月，单纯激光治疗组VSS评分中血管分布评分分别为(1.8±1.0)、(1.7±0.7)、(1.5±1.0)分，联合治疗组分别为(2.6±0.5)、(2.5±0.5)、(1.7±0.8)分，2组在不同时相点组内比较，差异有统计学意义(F＝17.603，P<0.05)，2组组间不同时相点比较，差异无统计学意义(F＝ 2.538，P＝0.129)。(3)对2组POSAS评分的各项指标进行比较，其中厚度、粗糙度、柔软度和表面积评分的组内及组间各时相点比较，差异均无统计学意义(P>0.05)。治疗前、第1次激光治疗后2个月及第2次激光治疗后2个月，单纯激光治疗组POSAS评分中色泽评分分别为(4.9±2.6)、(4.1±0.8)、(3.5±2.0)分，联合治疗组分别为(7.6±1.1)、(6.8±1.4)、(5.4±1.8)分，2组在不同时相点组内比较，差异有统计学意义(F＝ 26.509，P<0.05)，2组组间不同时相点比较，差异有统计学意义(F＝ 8.973，P＝0.008)。治疗前、第1次激光治疗后2个月及第2次激光治疗后2个月，单纯激光治疗组POSAS评分中血管分布评分分别为(4.4±2.1)、(3.9±0.9)、(3.5±1.6)分，联合治疗组分别为(6.3±1.1)、(5.7±2.0)、(4.5±1.6)分，2组在不同时相点组内比较，差异有统计学意义(F＝ 20.118，P<0.05)，2组组间不同时相点比较，差异有统计学意义(F＝ 5.744，P＝0.028)。 结论重组人表皮生长因子凝胶联合CO₂点阵激光及单独使用CO₂点阵激光治疗增生性瘢痕均效果明确，但联合使用重组人表皮生长因子凝胶能有效促进创面愈合、改善瘢痕组织血管分布和减少局部色素沉着。     

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。