依达拉奉治疗急性脑梗死患者的效果分析

目的探讨依达拉奉治疗急性脑梗死患者临床效果。方法 78例急性脑梗死患者为研究对象,采用随机数字表法分为研究组和对照组,各39例。对照组应用常规治疗,研究组在常规基础上应用依达拉奉治疗。比较两组治疗前后格拉斯哥昏迷评分法(GCS)评分、日常生活能力量表(ADL)评分、美国国立卫生研究院卒中量表(NIHSS)评分及治疗效果。结果治疗前,研究组的GCS、ADL、NIHSS评分分别为(6.4±1.7)、(48.8±9.8)、(9.3±0.6)分,与对照组的(6.5±1.7)、(48.5±10.2)、(9.4±0.7)分比较,差异无统计学意义(P>0.05);治疗后,研究组GCS评分(13.1±1.9)分、ADL评分(70.3±10.9)分,均高于对照组的(9.3±2.0)、(59.7±11.0)分, NIHSS评分(4.8±0.6)分低于对照组的(6.9±0.8)分,差异均有统计学意义(P<0.05)。研究组治疗总有效率89.7%高于对照组的69.2%,差异有统计学意义(P<0.05)。结论依达拉奉治疗急性脑梗死效果确切,可提高患者治疗后的生活质量,而且极大提高了治疗的效果,应当在临床试验推广应用。     

基于深度学习算法的免疫细胞丰度模型预测脓毒症患者的生存预后

目的 构建一种基于深度学习算法的免疫细胞丰度模型预测脓毒血症患者生存预后。方法 本研究共纳入479例脓毒症患者,将患者按9:1的比例随机分为训练队列和验证队列,在TensorFlow中构建了一个基于深度学习生存神经网络的seDNT模型,根据前瞻性研究队列MARS研究的431名脓毒症患者的数据组成训练组。此外,该算法在验证组的48例脓毒症患者中进行内部验证,研究的主要终点为28天生存期,模型的评价使用曲线下面积（AUC）。结果 在训练组中,深度学习生存神经网络模型对脓毒症患者28天生存期的预测效果良好,低风险评分患者与高风险评分患者28天生存期的预后差异具有统计学意义（HR=0.022,95%CI=0.013-0.038,P<0.005）。免疫细胞丰度风险评分与28天生存率相关（14和28天生存率的AUC分别为0.912和0.936）。同样,验证组中低风险评分患者与高风险评分患者28天生存预后较好,差异有统计学意义（HR=0.07,95%CI=0.008～0.63,P<0.005）,14天和28天生存期的AUC分别为0.822和0.777。此外,本研究还显示该风险评分与免疫微...     

基于GEO数据库脓毒症心肌病差异基因的筛选与生物信息分析

目的 利用脓毒症心肌病（SCM）的差异性基因,检测与SCM有关的潜在靶点,为寻找最新的诊断方法与疗法提供新途径。方法 从美国GEO数据库上下载GSE79962基因芯片,并使用NetworkAnalyst的网络大数据分析技术工具分析SCM病人和对照组患者（NF）所表达的差异基因,并将结果可视化。将不同差异基因（DEGs）经过分析,使用Metascape网络数据库系统和String网站对其经过富集分析及蛋白质互助作用构建PPI网络图,从而检测出重要基因组和功能模块。结果 一共筛选出了390个DEGs,包括上升基因288个,下降基因162个。而基因组本体分析则表明,DEGs在生物过程学中一般富集在对药物反应、对血栓形成的积极调控、对细菌繁殖的负性调控等;在细菌组成方面一般是富集于细胞外区段、细胞外间隙、浆膜的整体成分等;在分子物质作用功能则一般是富集于与蛋白质的融合、钙离子融合、受体结合等。通路分析提示,DEGs主要富集于PI3K-Akt信号通路、胰岛素抵抗等。利用Cytoscape的在线数据库,检测出了2种显著作用模块和10个重要基因,它们为STAT3、SERPINE1、TIMP1、TP5...