目的探究尤瑞克林不同用药时长对急性缺血性脑卒中患者疗效和安全性的影响。方法本研究为RESK研究的亚组分析。从2015年8月到2020年6月共纳入65个中心的990例脑卒中患者,根据尤瑞克林用药时间长短分为短时用药组(用药8 d,n=185)和长时用药组(用药15 d和21 d,n=805)。分析患者90 d改良Rankin量表(mRS)评分为0分、0~1分和0~2分的患者比例,22 d美国国立卫生研究院卒中量表(NIHSS)评分较基线的变化,90 d Barthel指数≥95分患者比例和不良事件发生率。采用χ2检验、单因素和多因素Logistic回归分析等进行组间比较。结果多因素回归分析结果显示,短时用药组和长时用药组90 d mRS评分0~2分的患者比例[74.1%(137/185)比75.0%(604/805);OR=1.047,95%CI 0.676~1.620,P=0.838]和22 d NIHSS评分较基线的变化[(4.60±2.00)分比(4.26±2.80)分;OR=-0.390,95%CI-1.125~0.344,P=0.297],差异均无统计学意义;90 d mRS评分0~1分的患者比例[48.1%(89/185)比59.1%(476/805);OR=0.674,95%CI 0.463~0.983,P=0.041]和90 d Barthel指数≥95分患者比例[43.6%(79/181)比55.1%(442/802);OR=0.614,95%CI 0.420~0.897,P=0.012],在短时用药组均显著低于长时用药组。两组不良事件的发生率差异无统计学意义。结论对于急性缺血性脑卒中患者,尤瑞克林连续用药8 d即可改善患者近期(22 d NIHSS评分)和远期疗效(90 d mRS评分0~2分),且安全耐受。在条件允许的情况下,增加尤瑞克林用药时长可显著提高患者远期无残疾率(90 d mRS评分0~1分)和生活质量(90 d Barthel指数),且不增加不良事件风险。
近年来,高分辨磁共振(high-resolution magnetic resonance imaging,HRMRI)已成为临床和研究的有用工具。利用HRMRI可以在活体内观察到颅内血管壁病变,提供了更多有价值的病理生理学信息,对颅内动脉粥样硬化疾病的诊断、鉴别诊断及预后...
详细信息
近年来,高分辨磁共振(high-resolution magnetic resonance imaging,HRMRI)已成为临床和研究的有用工具。利用HRMRI可以在活体内观察到颅内血管壁病变,提供了更多有价值的病理生理学信息,对颅内动脉粥样硬化疾病的诊断、鉴别诊断及预后判断提供了指导。对于狭窄性颅内血管动脉粥样硬化,管壁形态能有效鉴别不同血管狭窄疾病,而斑块成分、强化模式、重构方式等对斑块易损性有一定提示意义。对于非狭窄性颅内血管动脉粥样硬化,通过斑块位置也可揭示背后的病理生理机制。此外,通过HRMRI可显示病变的豆纹动脉。因此,该文将对HRMRI临床应用进行总结。
目的比较基于皮肤镜图像的卷积神经网络(convolutional neural network,CNN)二分类模型在蕈样肉芽肿(mycosis fungoides,MF)与炎症性疾病鉴别诊断中的应用价值。方法回顾性纳入2016年1月至2020年12月北京协和医院皮肤科门诊确诊的早期MF患者和临床表现与之相似的炎症性皮肤病患者,并按4∶1的比例随机分为训练集和测试集。使用训练集患者的皮肤镜图像对6种经典网络结构利用迁移学习进行训练,以构建CNN二分类模型。同时,在测试集中随机挑选每例患者1幅图像,并结合皮损的临床图像,由13名皮肤科医师对疾病归类进行判读。比较CNN二分类模型与皮肤科医师对测试集病例早期MF与炎症性疾病鉴别诊断的性能,结果以曲线下面积(area under the curve,AUC)、灵敏度、特异度、Kappa值等表示,并采用受试者工作特征(receiver operating characteristic,ROC)曲线进行可视化分析。结果共纳入48例早期MF患者(皮肤镜图像402幅)和96例炎症性皮肤病患者(皮肤镜图像557幅),其中训练集117例(皮肤镜图像772幅),测试集27例(皮肤镜图像187幅)。测试集中,皮肤科医师鉴别诊断早期MF与炎症性皮肤病的灵敏度和特异度分别为70.19%(95%CI:59.68%~80.70%)和94.74%(95%CI:91.77%~97.71%),Kappa值为0.677(95%CI:0.566~0.789)。按图像分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.87(95%CI:0.84~0.89),灵敏度和特异度分别为75.02%(95%CI:70.19%~79.85%)和82.02%(95%CI:79.30%~84.87%),Kappa值为0.563(95%CI:0.507~0.620);按病例分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.97(95%CI:0.95~0.99),灵敏度和特异度分别为87.50%(95%CI:78.55%~96.45%)和93.85%(95%CI:88.93%~98.77%),Kappa值为0.920(95%CI:0.884~0.954)。ROC曲线显示,按病例分类时网络结构为EfficientNet-B0的CNN二分类模型诊断早期MF的AUC为0.99,灵敏度和特异度分别为88.9%和100%,且13名皮肤科医师诊断的灵敏度和特异度均值对应点位于曲线右下方。结论基于皮肤镜图像智能分析的CNN二分类模型可实现对早期MF与炎症性皮肤病的精确分类,对二者的鉴别诊断能力优于皮肤科医师的平均水平。
暂无评论