人格特征对男性喉鳞状细胞癌患者术后近期心理状况的影响

目的 探讨人格特征对喉鳞状细胞癌（LSCC）患者术后近期心理健康状况的影响。方法 纳入2017年1月—2019年12月在湖北省肿瘤医院行手术治疗的119例男性LSCC患者，术后5~7 d采用SCL-90、SAS、SDS自评量表评估术后心理状态，采用EPQ问卷测评患者的人格特征。多元线性逐步回归方法分析LSCC患者术后近期SAS和SDS评分的影响因素。结果 男性LSCC患者术后SCL-90、SAS、SDS得分显著高于中国常模（P≤0.05），EPQ中精神质（P）量表和神经质（N）量表得分高于中国常模（P<0.01）。男性LSCC患者术后躯体化、强迫、焦虑、抑郁、敌对、恐怖、偏执、精神病性因子得分均显著高于中国常模（P<0.05）。家庭收入、手术方式、术后近期是否行放化疗、P和N人格特征是术后SAS评分的影响因素（均P<0.01）；家庭收入、手术方式、术后近期是否行放化疗和N人格特征是术后SDS评分的影响因素（P<0.01）。结论 LSCC患者术后近期存在抑郁、焦虑等心理障碍；具有P和N人格特征；家庭收入、手术方式、术后近期是否行放化疗以及P和N人格特征是影响术后SAS及SDS评分的独立危险因素。     

T3、T4期结直肠癌淋巴结转移危险因素分析

目的探讨T3、T4期结直肠癌患者淋巴结转移危险因素,为临床诊疗提供参考。方法回顾性分析2008年1月至2017年12月在空军军医大学西京消化病医院行结直肠癌根治术的1112例T3、T4期结直肠癌患者的临床病理资料,分析淋巴结转移状态与临床病理因素及肿瘤标志物的相关性,应用logistic多因素回归法分析淋巴结转移的相关危险因素。结果单因素分析结果显示,性别、年龄、肿瘤部位分层的结直肠癌患者间淋巴结转移率差异均无统计学意义(均P>0.05),淋巴结转移率在不同肿瘤长径[<5 cm和≥5 cm分别为37.75%(211/559)、52.26%(289/553),χ^2=23.666,P<0.01]、大体类型[浸润、溃疡、蕈伞、隆起分别为37.04%(20/54)、47.52%(432/909)、34.33%(23/67)、69.51%(57/82),χ^2=13.787,P=0.003]、分化程度[高、中、低分化分别为34.11%(102/299)、49.00%(317/647)、48.80%(81/166),χ^2=19.771,P<0.01]、错配修复缺陷(dMMR)[是和否分别为26.34%(64/243)、50.17%(436/869),χ^2=43.996,P<0.01]、神经侵犯[是和否分别为48.17%(421/874)、33.20%(79/238),χ^2=16.954,P<0.01]、脉管侵犯[是和否分别为79.16%(338/427)、23.65%(162/685),χ^2=327.493,P<0.01]以及术前癌胚抗原(CEA)[阳性(≥5 mg/ml)和阴性(<5 mg/ml)分别为52.87%(249/471)、39.16%(251/641),χ^2=20.162,P<0.01]和CA199[阳性(≥35 U/ml)和阴性(<35 U/ml)分别为59.33%(124/209)、41.64%(376/903),χ^2=21.465,P<0.01]分层患者间差异均有统计学意义。logistic多因素回归分析显示,脉管侵犯和术前CA199阳性是T3、T4期结直肠癌患者淋巴结转移独立危险因素(OR=13.006,95%CI 9.329~17.276,P<0.01;OR=2.194,95%CI 1.513~3.181,P<0.01),dMMR阳性是淋巴结转移的保护性因素(OR=0.279,95%CI 0.190~0.411,P<0.01)。结论脉管侵犯是T3、T4期结直肠癌患者淋巴结转移的主要危险因素。术前肿瘤标志物CA199的检测可以作为预测T3、T4期结直肠癌患者淋巴结转移状态的指标,一定程度上可为诊疗方案的制订提供参考。     

阿魏酸对创伤性脑损伤小鼠的神经保护作用

目的本研究利用创伤性脑损伤(traumatic brain injury,TBI)小鼠模型观察阿魏酸(FA)对TBI的神经保护作用,为防治TBI继发性损伤的药物开发提供新思路。方法利用C57/BL6小鼠采用小鼠重复轻度脑损伤模型进行造模。通过干湿重比值法检测脑组织水肿、水迷宫实验检测小鼠学习记忆能力、HE染色法观察小鼠脑组织形态学变化、采用免疫组化法检测小胶质细胞的激活情况。结果与TBI组小鼠比较,阿魏酸组小鼠:脑含水量明显降低(P<0.05),Morris水迷宫实验中逃避潜伏期较TBI模型组明显缩短,原象限停留时间明显延长,活化的小胶质细胞减少。结论阿魏酸可改善TBI小鼠的空间学习记忆能力,降低TBI小鼠脑含水量,改善TBI小鼠的脑组织形态学变化,其机制与阿魏酸抑制小胶质细胞活化有关。     

沙库巴曲缬沙坦在心力衰竭治疗中的应用

心力衰竭是一种慢性疾病，是心脏无法泵出足够的血液为其他身体器官提供氧气，从而引发呼吸短促、疲劳和水肿等症状。目前其治疗包括病因治疗、一般治疗、药物治疗及非药物治疗等，其中血管紧张素受体脑啡肽酶抑制剂（ARNI）是当前新研发出的一类抗心衰药物，沙库巴曲缬沙坦是其代表药物，具有阻断肾素-血管紧张-醛固酮系统（RAAS）及抑制脑啡肽酶（NEP）的双重作用，新的欧美指南均推荐用于射血分数降低心力衰竭（HFrEF）的治疗。本文现就沙库巴曲缬沙坦在心力衰竭治疗中的作用机理、临床试验、药物安全性作一综述，旨在为该病的临床治疗提供参考。     

偏瘫性肩痛患者腋囊的MRI观测及临床意义

目的通过MRI技术观察偏瘫患者肩疼痛腋囊形态变化,为影像诊断提供依据。方法对47例偏瘫性肩疼痛患者(疼痛组)和47例正常肩部(对照组),运用MRI技术对肩关节腋囊进行测量,观察腋囊下肱盂韧带信号。结果偏瘫性肩疼痛的腋囊厚度(4.1±1.45)mm,高于对照组。腋囊腔高度(8.70±1.80)mm,腋囊腔宽度(4.31±0.56)mm,小于对照组。偏瘫性肩痛下肱盂韧带呈高信号出现率达21%,腋囊厚度与VAS呈正相关,与肩关节外展外旋呈负相关。结论脑中风中后期肩周炎是引起偏瘫性肩疼痛患者的常见原因,腋囊厚度是限制肩关节活动度的重要因素。     

Learning to Discretize: Solving 1D Scalar Conservation Laws via Deep Reinforcement Learning

Conservation laws are considered to be fundamental laws of nature. It has broad applications in many fields, including physics, chemistry, biology, geology, and engineering. Solving the differential equations associated with conservation laws is a major branch in computational mathematics. The recent success of machine learning, especially deep learning in areas such as computer vision and natural language processing, has attracted a lot of attention from the community of computational mathematics and inspired many intriguing works in combining machine learning with traditional methods. In this paper, we are the first to view numerical PDE solvers as an MDP and to use (deep) RL to learn new solvers. As proof of concept, we focus on 1-dimensional scalar conservation laws. We deploy the machinery of deep reinforcement learning to train a policy network that can decide on how the numerical solutions should be approximated in a sequential and spatial-temporal adaptive manner. We will show that the problem of solving conservation laws can be naturally viewed as a sequential decision-making process, and the numerical schemes learned in such a way can easily enforce long-term accuracy. Furthermore, the learned policy network is carefully designed to determine a good local discrete approximation based on the current state of the solution, which essentially makes the proposed method a meta-learning approach. In other words, the proposed method is capable of learning how to discretize for a given situation mimicking human experts. Finally, we will provide details on how the policy network is trained, how well it performs compared with some state-of-the-art numerical solvers such as WENO schemes, and supervised learning based approach L3D and PINN, and how well it generalizes.