目的探讨水蛭治疗脑小血管病(Cerebral Small Vessel Disease,CSVD)所致神经功能障碍患者的临床疗效。方法选取2020年10月—2023年6月广西壮族自治区民族医院神经内科收治的120例CSVD导致认知功能障碍患者为研究对象,以随机数表法分为...目的探讨水蛭治疗脑小血管病(Cerebral Small Vessel Disease,CSVD)所致神经功能障碍患者的临床疗效。方法选取2020年10月—2023年6月广西壮族自治区民族医院神经内科收治的120例CSVD导致认知功能障碍患者为研究对象,以随机数表法分为对照组(n=60,常规西药内科基础治疗)和观察组(n=60,在对照组基础上增加中药水蛭治疗)。分别于治疗前、治疗2周及治疗3个月后观察两组患者的神经功能障碍评分和血清胱抑素C、同型半胱氨酸、高敏C反应蛋白指标水平。结果与治疗前相比,两组治疗2周、治疗3个月后的神经功能障碍评分以及血清胱抑素C、同型半胱氨酸、高敏C反应蛋白指标水平均明显下降,且观察组治疗3个月后下降幅度更大,差异有统计学意义(P均<0.05)。观察组治疗的总有效率(86.67%)高于对照组(71.67%),差异有统计学意义(χ^(2)=4.093,P<0.05)。结论水蛭能有效改善CSVD所致的神经功能缺损,同时能降低患者血清胱抑素C、同型半胱氨酸、高敏C反应蛋白指标水平。展开更多
目的本研究旨在筛选出能够区分早发型与晚发型子痫前期的遗传标志物,并评估这些标志物的区分能力。方法从GEO数据库获取早发型及晚发型子痫前期数据集(GSE74341、GSE190639及GSE4707数据集),以GSE74341和GSE190639数据集为实验组,GSE470...目的本研究旨在筛选出能够区分早发型与晚发型子痫前期的遗传标志物,并评估这些标志物的区分能力。方法从GEO数据库获取早发型及晚发型子痫前期数据集(GSE74341、GSE190639及GSE4707数据集),以GSE74341和GSE190639数据集为实验组,GSE4707数据集为验证组,筛选并验证早发型子痫前期与晚发型子痫前期间的差异表达基因。应用最小绝对值收缩与选择算子(least absolute shrinkage and selection operator,LASSO)及支持向量机-递归特征消除(support vector machines-recursive feature elimination,SVM-RFE)两种机器学习方法筛选特征遗传标志物,并通过受试者工作特征(receiver operating characteristic,ROC)曲线评估特征遗传标志物的区分能力。结果与早发型子痫前期相比,检出7个显著上调基因和3个显著下调基因。通过两种机器学习的方法及在验证组中进行基因表达差异分析,共同筛选出1个特征遗传标志物(MME)。ROC曲线的曲线下面积(area under the curve,AUC)在实验组及验证组中分别为0.975(95%CI:0.921~1.000)及1(95%CI:1.000~1.000)。结论MME可能作为区分早-晚发型子痫前期的特征遗传标志物。展开更多
文摘目的探讨水蛭治疗脑小血管病(Cerebral Small Vessel Disease,CSVD)所致神经功能障碍患者的临床疗效。方法选取2020年10月—2023年6月广西壮族自治区民族医院神经内科收治的120例CSVD导致认知功能障碍患者为研究对象,以随机数表法分为对照组(n=60,常规西药内科基础治疗)和观察组(n=60,在对照组基础上增加中药水蛭治疗)。分别于治疗前、治疗2周及治疗3个月后观察两组患者的神经功能障碍评分和血清胱抑素C、同型半胱氨酸、高敏C反应蛋白指标水平。结果与治疗前相比,两组治疗2周、治疗3个月后的神经功能障碍评分以及血清胱抑素C、同型半胱氨酸、高敏C反应蛋白指标水平均明显下降,且观察组治疗3个月后下降幅度更大,差异有统计学意义(P均<0.05)。观察组治疗的总有效率(86.67%)高于对照组(71.67%),差异有统计学意义(χ^(2)=4.093,P<0.05)。结论水蛭能有效改善CSVD所致的神经功能缺损,同时能降低患者血清胱抑素C、同型半胱氨酸、高敏C反应蛋白指标水平。
文摘目的本研究旨在筛选出能够区分早发型与晚发型子痫前期的遗传标志物,并评估这些标志物的区分能力。方法从GEO数据库获取早发型及晚发型子痫前期数据集(GSE74341、GSE190639及GSE4707数据集),以GSE74341和GSE190639数据集为实验组,GSE4707数据集为验证组,筛选并验证早发型子痫前期与晚发型子痫前期间的差异表达基因。应用最小绝对值收缩与选择算子(least absolute shrinkage and selection operator,LASSO)及支持向量机-递归特征消除(support vector machines-recursive feature elimination,SVM-RFE)两种机器学习方法筛选特征遗传标志物,并通过受试者工作特征(receiver operating characteristic,ROC)曲线评估特征遗传标志物的区分能力。结果与早发型子痫前期相比,检出7个显著上调基因和3个显著下调基因。通过两种机器学习的方法及在验证组中进行基因表达差异分析,共同筛选出1个特征遗传标志物(MME)。ROC曲线的曲线下面积(area under the curve,AUC)在实验组及验证组中分别为0.975(95%CI:0.921~1.000)及1(95%CI:1.000~1.000)。结论MME可能作为区分早-晚发型子痫前期的特征遗传标志物。