CLDN18.2在消化系统恶性肿瘤中作用的研究进展

紧密连接蛋白claudin 18.2（CLDN18.2）是一种细胞旁紧密连接结构中的膜蛋白，具有维持屏障、细胞旁运输和信号转 导等作用，在正常组织中特异性的表达于胃黏膜上皮细胞，在胃癌的发生与发展中并未丢失，在食管癌和胰腺癌等消化系统恶性 肿瘤中常异位激活并高表达，这使得CLDN18.2成为消化系统恶性肿瘤治疗的一个潜在靶点。目前，针对CLDN18.2的特异性抗 体zolbetuximab在临床试验中取得了显著的成功，有望成为CLDN18.2阳性的消化系统恶性肿瘤的一线治疗方案。此外，靶向 CLDN18.2的个体化免疫治疗还包括单克隆抗体、CAR-T细胞、双克隆抗体和抗体药物偶联物等，但大多数的研究还在临床研究 初始阶段，因此，靶向CLDN18.2的个体化免疫治疗或将是下一个消化系统恶性肿瘤研究的热点。     

集束化干预联合闭环管理对ICU多重耐药菌感染的防控效果

目的 探讨集束化干预策略联合闭环管理模式对ICU多重耐药菌感染的防控效果。方法选取2020年1~12月EICU住院患者275例作为对照组，实施常规管理；2021年1~10月EICU住院患者239例作为观察组，在常规管理基础上实施集束化干预策略联合闭环管理。结果实施后，观察组多重耐药菌感染发生率明显低于对照组；患者住院日显著低于对照组，4项护理措施执行率(隔离标识、手卫生、环境消毒、医务人员相关知识知晓)、病原学送检率显著高于对照组（均P<0.05）。结论集束化干预联合信息化闭环管理可有效降低EICU多重耐药菌感染发生率。     

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。     

p53基因突变与骨髓增殖性肿瘤临床特征及预后关系

探究p53 基因突变与骨髓增殖性肿瘤（MPN）临床特征及预后的关系。方法 选取2017年1月～2020年1月本院收治的MPN患者126例，二代测序法检测患者p53 基因突变情况。对患者进行随访，统计患者总生存（OS）时间和累计生存率；分析p53 基因突变对患者临床特征、预后的影响。结果 126例MPN患者中12例（9.52%）检出p53基因突变，突变主要位于4~8号外显子上，不同类型患者的p53 基因突变检出率比较差异无统计学意义（P＞0.05）。p53突变组患者年龄大于p53 非突变组，WBC水平低于p53 非突变组（P＜0.05），两组患者的染色体核型、IPSS预后分层比较差异无统计学意义（P＞0.05）；p53 非突变组患者的OS时间、累计生存率均明显高于p53突变组患者（P＜0.05）。结论 MPN患者p53 基因突变发生率较高，与患者年龄、WBC水平、异常核型及IPSS预后分层相关，p53 基因突变会影响患者的预后，可作为临床筛查预后不良高风险人群的客观指标。     

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。