酒后脑梗死的溶栓治疗

目的探讨酒后脑梗死患者的特点、溶栓决策及结局。方法选取2012年9月~2013年6月期间首都医科大学附属北京天坛医院神经内科急诊溶栓绿色通道的酒后脑梗死患者11例,收集患者的临床表现、影像特征、溶栓情况及结局进行回顾性分析。结果 11例酒后脑梗死患者发病0.5~8 h进入急诊溶栓绿色通道,皆为男性,中位数年龄59岁(四分位数间距53.5~60),到达医院时平均中位数发病时间为120 min(四分位数间距45~250)。就诊时主要症状:9例为偏身无力,1例为偏身不自主运动,1例为单肢麻木。小卒中患者8例(73%)。临床过程及转归:2例接受静脉溶栓后明显改善,1例接受动脉溶栓后明显改善,2例拒绝溶栓后自发缓解,3例因症状轻微而未溶栓且自发缓解,2例发病超过3 h的患者因磁共振灌注成像正常而未溶栓,1例发病超过3 h的患者因磁共振弥散加权成像和灌注成像均正常而未溶栓。最终5例在影像上有明确的新发梗死灶。根据急性卒中治疗低分子肝素试验病因分型法(Trial of Org 10172 in Acute Stroke Treatment,TOAST)的分型标准,接受溶栓的3例患者中,2例为大动脉粥样硬化性闭塞,1例为小动脉闭塞;拒绝和未接受溶栓的8例患者均为小动脉闭塞。结论酒后脑梗死多数预后好,有可能从溶栓中获益。酒后脑梗死病因多为小动脉闭塞,少部分是大动脉粥样硬化性闭塞。     

动脉粥样硬化性疾病的DNA甲基化改变

动脉粥样硬化是缺血性卒中、冠心病等心脑血管疾病的主要病因。既往研究发现DNA甲基化在动脉粥样硬化斑块的发生、进展中具有重要调节作用,并在病变的不同阶段表现出细胞特异性改变。本文综述了动脉粥样硬化斑块中内皮细胞、平滑肌细胞、巨噬细胞以及动脉粥样硬化性疾病患者外周血免疫细胞中DNA甲基化模式改变相关研究,总结了动脉粥样硬化性卒中患者的DNA甲基化改变,以期为新靶点的发现和疾病诊治提供新的思路。     

前列腺切除术后排尿困难15例分析

1990-01～2006-10我院共行前列腺切除357例，其中15例出现排尿困难，现分析如下。     

缺血性脑血管病：回眸2022

<正>过去的一年,尽管新型冠状病毒感染疫情席卷世界,为科研工作的开展带来了阻碍,但国内外神经病学领域的学者仍然多点开花,为缺血性脑血管病的研究开拓了新的思路。2023年初,让我们回眸2022,共同梳理过去一年间缺血性脑血管病领域最具影响力的基础和临床研究,把握未来研究发展的方向。     

DNA甲基化与高同型半胱氨酸血症

DNA甲基化是一种调控基因表达的表观遗传机制,由Hcy代谢相关底物S-腺苷同型半胱氨酸（S-adenosyl-L-homocysteine,SAH）依赖性的DNA甲基转移酶（DNA methyltransferases,DNMTs）催化,对维持细胞稳态至关重要。多项研究表明,高同型半胱氨酸血症（hyperhomocysteinemia,HHcy）可能通过调节甲硫氨酸-同型半胱氨酸循环（methionine-homocysteine cycle,M-H cycle）调控DNA甲基化状态,参与动脉粥样硬化形成过程中的血管内皮细胞功能障碍、损伤后平滑肌细胞（smooth muscle cells,SMCs）的增殖和转移、脂质代谢等病理过程,从而影响心血管疾病的发生和预后。     

基于机器学习算法的脑出血相关肺炎预测模型研究

目的 建立基于机器学习的脑出血相关肺炎预测模型。 方法 选择中国国家卒中登记Ⅱ（China National Stoke Registry Ⅱ,CNSRⅡ）数据库中发病7 d内的急 性脑出血住院患者为研究对象,登记时间为2012年5月-2013年1月,研究覆盖我国219家医院。研究对 象按照8∶2比例随机分为训练集和测试集。采用多因素Logistic回归分析,筛选出候选预测因子。应用 基于机器学习的Logistic回归、CatBoost、XGBoost和LightGBM算法构建诊断预测模型,比较4种方法构建 的模型对脑出血相关肺炎的预测诊断价值。 结果 本研究共筛选2303例患者,平均年龄62.1±12.7岁,其中男性占62.1%。患者随机分为训 练集（n =1841）和测试集（n =462）,两组脑出血相关肺炎发生率分别为15.6%和15.8%（χ 2=0.007, P =0.934）。根据多因素Logistic回归分析,候选预测因子为年龄（OR 1.03,95%CI 1.02～1.04）、NIHSS 评分（OR 1.02,95%CI 1.00～1.04）、白细胞计数（OR 1.11,95%CI 1.07～1.16）和吞咽功能障碍（OR 6.85,95%CI 5.01～9.39）。Logistic回归、CatBoost、XGBoost和LightGBM四种模型灵敏度分别为75.34%、 50.68%、80.82%和80.82%;特异度分别为68.64%、86.12%、52.96%和57.33%;ROC曲线下面积分别 为0.776、0.692、0.736和0.767。Logistic回归和LightGBM模型诊断效果显著高于CatBoost和XGBoost模型 （DeLong test,P <0.05）。 结论 基于机器学习建立的脑出血相关肺炎风险预测模型有较高的诊断价值,年龄、NIHSS评分、白 细胞计数和吞咽功能障碍为模型的候选预测因子,可将模型纳入脑出血相关肺炎诊断决策。本研究 结果的临床应用价值有待于更大样本的外部队列进行验证。     

机器学习在脑血管病诊疗应用中的研究进展

正脑血管病以其高死亡率、高复发率和高致残率成为我国乃至全球最严重的疾病负担之一~([1-2])。快速评估、诊断和干预对改善脑血管病患者的结局至关重要,并高度依赖于特征性的神经影像表现,比如应用头颅CT快速鉴别缺血和出血性脑血管病、大血管闭塞和缺血半暗带的快速评估等~([3])。脑血管病神经影像特征的快速评估高度依赖经验丰富的血管神经病学医师和神经放射医师。然而,不断增加的脑血管病疾病负担和不断攀升的就诊量对医院尤其是基层医院的专业医师带来巨大的需求,但是