Прецедентность политического прогнозирования в газетном дискурсе

Θεματικοί όροι: ПОЛИТИЧЕСКОЕ ПРОГНОЗИРОВАНИЕ, СУБЪЕКТИВНАЯ МОДАЛЬНОСТЬ, ГАЗЕТНЫЙ ДИСКУРС, МИФ-ПРОГНОЗЫ, ПОЛИТИЧЕСКИЙ ДИСКУРС, ПРОГНОСТИЧЕСКИЕ МОДЕЛИ, СМИ, СРЕДСТВА МАССОВОЙ ИНФОРМАЦИИ, ЛИНГВИСТИКА ТЕКСТА, ЯЗЫКОЗНАНИЕ, ПРЕЦЕДЕНТНЫЕ ФЕНОМЕНЫ

Σύνδεσμος πρόσβασης: https://elar.uspu.ru/handle/ru-uspu/54844

Analysis and control of user engagement in personalized mobile assisting software for chronic disease patients

Συγγραφείς: M. V. Kabyshev, S. V. Kovalchuk

Πηγή: Научно-технический вестник информационных технологий, механики и оптики, Vol 23, Iss 2, Pp 331-339 (2024)

Θεματικοί όροι: мобильное медицинское приложение, помощь на расстоянии, прогностические модели, взаимодействие с пользователем, пользовательский опыт, пациенты с хроническими заболеваниями, Information technology, T58.5-58.64

Περιγραφή αρχείου: electronic resource

Relation: https://ntv.elpub.ru/jour/article/view/379; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373

Σύνδεσμος πρόσβασης: https://doaj.org/article/cbc84555407242dc996a04a996a68600

Прецедентность политического прогнозирования в газетном дискурсе ; Precedential character of political prediction in newspaper discourse

Συγγραφείς: Немирова, Н. В.

Θεματικοί όροι: ЯЗЫКОЗНАНИЕ, ЛИНГВИСТИКА ТЕКСТА, ГАЗЕТНЫЙ ДИСКУРС, ПОЛИТИЧЕСКИЙ ДИСКУРС, СМИ, СРЕДСТВА МАССОВОЙ ИНФОРМАЦИИ, ПРЕЦЕДЕНТНЫЕ ФЕНОМЕНЫ, ПОЛИТИЧЕСКОЕ ПРОГНОЗИРОВАНИЕ, МИФ-ПРОГНОЗЫ, СУБЪЕКТИВНАЯ МОДАЛЬНОСТЬ, ПРОГНОСТИЧЕСКИЕ МОДЕЛИ

Θέμα γεωγραφικό: USPU

Relation: Политическая лингвистика. 2015. № 3 (53)

Διαθεσιμότητα: https://elar.uspu.ru/handle/ru-uspu/54844

New prognostic model for liver transplantation outcomes in hepatocellular carcinoma ; Новая прогностическая модель исходов трансплантации печени по поводу гепатоцеллюлярной карциномы

Συγγραφείς: S. E. Voskanyan, V. S. Rudakov, A. I. Sushkov, M. V. Popov, A. N. Bashkov, K. K. Gubarev, A. I. Artemyev, I. Yu. Kolyshev, M. Muktazhan, A. N. Pashkov, E. V. Naydenov, D. S. Svetlakova, С. Э. Восканян, В. С. Рудаков, А. И. Сушков, М. В. Попов, А. Н. Башков, К. К. Губарев, А. И. Артемьев, И. Ю. Колышев, М. Муктаржан, А. Н. Пашков, Е. В. Найденов, Д. С. Светлакова

Πηγή: Transplantologiya. The Russian Journal of Transplantation; Том 16, № 3 (2024); 278-290 ; Трансплантология; Том 16, № 3 (2024); 278-290 ; 2542-0909 ; 2074-0506

Θεματικοί όροι: трансплантологические критерии, liver transplantation, hepatocellular carcinoma recurrence, prognostic models, transplantological criteria, трансплантация печени, рецидив гепатоцеллюлярной карциномы, прогностические модели

Περιγραφή αρχείου: application/pdf

Relation: https://www.jtransplantologiya.ru/jour/article/view/909/879; https://www.jtransplantologiya.ru/jour/article/view/909/896; Kim SJ, Kim JM. Prediction models of hepatocellular carcinoma recurrence after liver transplantation: a comprehensive review. Clin Mol Hepatol. 2022;28(4):739–753. PMID: 35468711 https://doi.org/10.3350/cmh.2022.0060; Гранов А.М., Гранов Д.А., Жеребцов Ф.К., Герасимова О.А., Боровик В.В., Осовских В.В. и др. Трансплантация печени в РНЦРХТ. Опыт 100 операций. Вестник трансплантологии и искусственных органов. 2012;14(4):11– 16. https://doi.org/10.15825/1995-1191-2012-4-11-16; Восканян С.Э., Сушков А.И., Артемьев А.И., Забежинский Д.А., Найденов Е.В., Башков А.Н. и др. Salvage-трансплантация печени при лечении гепатоцеллюлярной карциномы. Хирургия. Журнал им. Н.И. Пирогова. 2019;(10):21–28. https://doi.org/10.17116/hirurgia201910121; Восканян С.Э., Найденов Е.В., Артемьев А.И., Колышев И.Ю., Забежинский Д.А., Губарев К.К. и др. Отдаленные результаты трансплантации печени при гепатоцеллюлярном раке. Анналы Хирургической Гепатологии. 2021;26(2):68–82. https://doi.org/10.16931/10.16931/1995-5464.2021-2-68-82.5; Олисов О.Д., Новрузбеков М.С., Гуляев В.А., Луцык К.Н. Роль ингибиторов кальциневрина в прогрессии гепатоцеллюлярной карциномы после трансплантации печени. Трансплантология. 2022;14:292–300. https://doi.org/10.23873/2074-0506-2022-14-3-292-3006; Goldberg D, Mantero A, Newcomb C, Delgado C, Forde KA, Kaplan DE, et al. Predicting survival after liver transplantation in patients with hepatocellular carcinoma using the LiTES-HCC score. J Hepatol. 2021;74(6):1398–1406. PMID: 33453328 https://doi.org/10.1016/j.jhep.2020.12.021; Mazzaferro V, Sposito C, Zhou J, Pinna AD, De Carlis L, Fan J, et al. Metroticket 2.0 model for analysis of competing risks of death after liver transplantation for hepatocellular carcinoma. Gastroenterology. 2018;154(1):128– 139. PMID: 28989060 https://doi.org/10.1053/j.gastro.2017.09.025; Humar A, Ganesh S, Jorgensen D, Tevar A, Ganoza A, Molinari M, et al. Adult living donor versus deceased donor liver transplant (LDLT Versus DDLT) at a single center: time to change our paradigm for liver transplant. Ann Surg. 2019;270(3):444–451. PMID: 31305283 https://doi.org/10.1097/SLA.0000000000003463; Goldaracena N, Gorgen A, Doyle A, Hansen BE, Tomiyama K, Zhang W, et al. Live donor liver transplantation for patients with hepatocellular carcinoma offers increased survival vs. deceased donation. J Hepatol. 2019;70(4):666– 673. PMID: 30630009 https://doi.org/10.1016/j.jhep.2018.12.029; Beumer BR, Polak WG, De Man RA, Metselaar HJ, Van Klaveren D, Labrecque J, et al. Impact of waiting time on post-transplant survival for recipients with hepatocellular carcinoma: A natural experiment randomized by blood group. JHEP Rep. 2023;5(2):100629. PMID: 36654943 https://doi.org/10.1016/j.jhepr.2022.100629; Maspero M, Yilmaz S, Cazzaniga B, Raj R, Ali K, Mazzaferro V, et al. The role of ischaemia-reperfusion injury and liver regeneration in hepatic tumour recurrence. JHEP Rep. 2023; 5(11):100846. PMID: 37771368 https://doi.org/10.1016/j.jhepr.2023.100846; Duvoux C, Roudot-Thoraval F, Decaens T, Pessione F, Badran H, Piardi T, et al. Liver transplantation for hepatocellular carcinoma: a model including α-fetoprotein improves the performance of Milan criteria. Gastroenterology. 2012;143(4):986–994.e3. PMID: 22750200 https://doi.org/10.1053/j.gastro.2012.05.052; Halazun KJ, Najjar M, Abdelmessih RM, Samstein B, Griesemer AD, Guarrera JV, et al. Recurrence after liver transplantation for hepatocellular carcinoma: a new MORAL to the story. Ann Surg. 2017;265(3):557–564. PMID: 27611615 https://doi.org/10.1097/SLA.0000000000001966; Mehta FY, Heimbach J, Harnois DM, Sapisochin G, Dodge JL, Lee D, et al. Validation of a Risk Estimation of Tumor Recurrence After Transplant (RETREAT) Score for hepatocellular carcinoma recurrence after liver transplant. JAMA Oncol. 2017;3(4):493–500. PMID: 27838698 https://doi.org/10.1001/jamaoncol.2016.5116; Lee JH, Cho Y, Kim HY, Cho EJ, Lee DH, Yu SJ, et al. Serum tumor markers provide refined prognostication in selecting liver transplantation candidate for hepatocellular carcinoma patients beyond the Milan criteria. Ann Surg. 2016;263(5):842–850. PMID: 26779979 https://doi.org/10.1097/SLA.0000000000001578; Nam K, Lee J, Bae J, Chang Y, Cho Y, Sinn D, et al. Novel model to predict HCC recurrence after liver transplantation obtained using deep learning: a multicenter study. Cancers (Basel). 2020;12(10):2791. PMID: 33003306 https://doi.org/10.3390/cancers12102791; https://www.jtransplantologiya.ru/jour/article/view/909

Διαθεσιμότητα: https://www.jtransplantologiya.ru/jour/article/view/909
https://doi.org/10.23873/2074-0506-2024-16-3-278-290

МОДЕЛИРОВАНИЕ СЕРДЕЧНО-СОСУДИСТОГО РИСКА И ФАКТОРОВ РИСКА У БОЛЬНЫХ С СЕРДЕЧНО-СОСУДИСТЫМИ ЗАБОЛЕВАНИЯМИ

Θεματικοί όροι: Ключевые слова: Моделирование, Сердечно-сосудистый риск, факторы риска, прогностические модели, клинические данные, биомаркеры

МОДЕЛИРОВАНИЕ СЕРДЕЧНО-СОСУДИСТОГО РИСКА И ФАКТОРОВ РИСКА У БОЛЬНЫХ С СЕРДЕЧНО-СОСУДИСТЫМИ ЗАБОЛЕВАНИЯМИ

Θεματικοί όροι: Ключевые слова: Моделирование, Сердечно-сосудистый риск, факторы риска, прогностические модели, клинические данные, биомаркеры

The Use of Complexity and Variability Characteristics for the Analysis of Complex Dynamic Systems

Συγγραφείς: Biloshytska, O. K., Nastenko, Ie. A., Pavlov, V. A.

Συνεισφορές: ELAKPI

Πηγή: Kibernetika i vyčislitelʹnaâ tehnika. 2020:19-38

Θεματικοί όροι: Informatics and Information Technologies, 0206 medical engineering, epileptic seizures, 02 engineering and technology, 03 medical and health sciences, 0302 clinical medicine, information technology, эпилепсия, епілептичні напади, EEG, логистическая регрессия, показатели сложности и вариабельности, logistic regression, логістична регресія, predictive models, епілепсія, эпилептические приступы, інформаційна технологія, информационная технология, показники складності та варіабельності, complexity and variability indicators, прогностические модели, epilepsy, прогностичні моделі, ЕЕГ, ЭЭГ

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://kvt-journal.org.ua/content/2020/199/2.pdf
http://dspace.nbuv.gov.ua/handle/123456789/179140
https://ela.kpi.ua/handle/123456789/43948

Predictive Models for Coronary Heart Disease Prognosis using Ensemble Learning : master's thesis

Συγγραφείς: Shah, Brahim

Συνεισφορές: Медведева, М. А., Агбозо, Э., Medvedeva, M. A., Agbozo, E., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Базовая кафедра «Аналитика больших данных и методы видеоанализа»

Θεματικοί όροι: ИШЕМИЧЕСКАЯ БОЛЕЗНЬ СЕРДЦА, ПЕРСОНАЛИЗИРОВАННАЯ МЕДИЦИНА, ПРОГНОСТИЧЕСКИЕ МОДЕЛИ, CLINICAL DECISION-MAKING, МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ, MASTER'S THESIS, ПРИНЯТИЕ КЛИНИЧЕСКИХ РЕШЕНИЙ, ENSEMBLE LEARNING, КОЛЛЕКТИВНОЕ ОБУЧЕНИЕ, PREDICTIVE MODELS, CORONARY HEART DISEASE, PERSONALIZED MEDICINE, MACHINE LEARNING, МАШИННОЕ ОБУЧЕНИЕ

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://elar.urfu.ru/handle/10995/140595

Comparative analysis of models predicting the risks of early poor outcome of deceased-donor liver transplantation: a retrospective single-center study ; Сравнительный анализ моделей, прогнозирующих риски раннего неблагоприятного исхода трансплантации печени от посмертного донора: ретроспективное одноцентровое исследование

Συγγραφείς: A. I. Sushkov, M. V. Popov, V. S. Rudakov, D. S. Svetlakova, A. N. Pashkov, A. S. Lukianchikova, M. Muktarzhan, K. K. Gubarev, V. E. Syutkin, A. I. Artemyev, S. E. Voskanyan, А. И. Сушков, М. В. Попов, В. С. Рудаков, Д. С. Светлакова, А. Н. Пашков, А. С. Лукьянчикова, М. Муктаржан, К. К. Губарев, В. Е. Сюткин, А. И. Артемьев, С. Э. Восканян

Πηγή: Transplantologiya. The Russian Journal of Transplantation; Том 15, № 3 (2023); 312-333 ; Трансплантология; Том 15, № 3 (2023); 312-333 ; 2542-0909 ; 2074-0506

Θεματικοί όροι: первично нефункционирующий трансплантат, graft survival, prognostic models, early allograft dysfunction, primary non-function graft, выживаемость трансплантата, прогностические модели, ранняя дисфункция трансплантата

Περιγραφή αρχείου: application/pdf

Relation: https://www.jtransplantologiya.ru/jour/article/view/792/798; https://www.jtransplantologiya.ru/jour/article/view/792/806; Ivanics T, Wallace D, Abreu P, Claasen MPAW, Callaghan C, Cowling T, et al. Survival after liver transplantation: an international comparison between the United States and the United Kingdom in the years 2008–2016. Transplantation. 2022;106(7):1390–1400. PMID: 34753895 https://doi.org/10.1097/TP.0000000000003978; Adam R, Karam V, Cailliez V, O Grady JG, Mirza D, Cherqui D, et al. 2018 annual report of the European Liver Transplant Registry (ELTR) – 50-year evolution of liver transplantation. Transpl Int. 2018;31(12):1293-1317. PMID: 30259574 https://doi.org/10.1111/tri.13358; Yang LS, Shan LL, Saxena A, Morris DL. Liver transplantation: a systematic review of long-term quality of life. Liver Int. 2014;34(9):1298–313. PMID: 24703371 https://doi.org/10.1111/liv.12553; Ohe H, Hoshino J, Ozawa M. Factors affecting outcomes of liver transplantation: an analysis of OPTN/UNOS database. Clin Transpl. 2011:39–53. PMID: 22755400; Haddad L, Cassenote AJ, Andraus W, de Martino RB, Ortega NR, Abe JM, et al. Factors associated with mortality and graft failure in liver transplants: a hierarchical approach. PLoS One. 2015;10(8):e0134874. PMID: 26274497 https://doi.org/10.1371/journal.pone.0134874; Johnson SR, Alexopoulos S, Curry M, Hanto DW. Primary nonfunction (PNF) in the MELD era: an SRTR database analysis. Am J Transplant. 2007;7(4):1003– 1009. PMID: 17286618 https://doi.org/10.1111/j.1600-6143.2006.01702.x; Lewis A, Koukoura A, Tsianos GI, Gargavanis AA, Nielsen AA, Vassiliadis E. Organ donation in the US and Europe: the supply vs demand imbalance. Transplant Rev (Orlando). 2021;35(2):100585. PMID: 33071161 https://doi.org/10.1016/j.trre.2020.100585; Neuberger J. Liver allocation. Minerva Gastroenterol Dietol. 2018;64(2):170–179. PMID: 29125260 https://doi.org/10.23736/S1121-421X.17.02452-7; Lee E, Johnston CJC, Oniscu GC. The trials and tribulations of liver allocation. Transpl Int. 2020;33(11):1343–1352. PMID: 32722866 https://doi.org/10.1111/tri.13710; Готье С.В., Хомяков С.М. Донорство и трансплантация органов в Российской Федерации в 2021 году. XIV сообщение регистра Российского трансплантологического общества. Вестник трансплантологии и искусственных органов. 2022;24(3):8–31. https://doi.org/10.15825/1995-1191-2022-3-8-31; Feng S, Goodrich NP, Bragg-Gresham JL, Dykstra DM, Punch JD, DebRoy MA, et al. Characteristics associated with liver graft failure: the concept of a donor risk index. Am J Transplant. 2006;6(4):783–90. PMID: 16539636 https://doi.org/10.1111/j.1600-6143.2006.01242.x; Rana A, Hardy MA, Halazun KJ, Woodland DC, Ratner LE, Samstein B, et al. Survival outcomes following liver transplantation (SOFT) score: a novel method to predict patient survival following liver transplantation. Am J Transplant. 2008;8(12):2537–2546. PMID: 18945283 https://doi.org/10.1111/j.1600-6143.2008.02400.x; Halldorson JB, Bakthavatsalam R, Fix O, Reyes JD, Perkins JD. D-MELD, a simple predictor of post liver transplant mortality for optimization of donor/recipient matching. Am J Transplant. 2009;9(2):318–326. PMID: 19120079 https://doi.org/10.1111/j.1600-6143.2008.02491.x; Dutkowski P, Oberkofler CE, Slankamenac K, Puhan MA, Schadde E, Müllhaupt B, et al. Are there better guidelines for allocation in liver transplantation? A novel score targeting justice and utility in the model for end-stage liver disease era. Ann Surg. 2011;254(5):745–753. PMID: 22042468 https://doi.org/10.1097/SLA.0b013e3182365081; Braat AE, Blok JJ, Putter H, Adam R, Burroughs AK, Rahmel AO, et al. The Eurotransplant donor risk index in liver transplantation: ET-DRI. Am J Transplant. 2012;12(10):2789–2796. PMID: 22823098 https://doi.org/10.1111/j.1600-6143.2012.04195.x; Pareja E, Cortes M, Hervás D, Mir J, Valdivieso A, Castell JV, et al. A score model for the continuous grading of early allograft dysfunction severity. Liver Transpl. 2015;21(1):38–46. PMID: 25204890 https://doi.org/10.1002/lt.23990; Agopian VG, Harlander-Locke MP, Markovic D, Dumronggittigule W, Xia V, Kaldas FM, et al. Evaluation of early allograft function using the liver graft assessment following transplantation risk score model. JAMA Surg. 2018;153(5):436–444. PMID: 29261831 https://doi.org/10.1001/jamasurg.2017.5040; Avolio AW, Franco A, Schlegel A, Lai Q, Meli S, Burra P, et al. Development and validation of a comprehensive model to estimate early allograft failure among patients requiring early liver retransplant. JAMA Surg. 2020;155(12):e204095. PMID: 33112390 https://doi.org/10.1001/jamasurg.2020.4095; Rhu J, Kim JM, Kim K, Yoo H, Choi GS, Joh JW. Prediction model for early graft failure after liver transplantation using aspartate aminotransferase, total bilirubin and coagulation factor. Sci Rep. 2021;11(1):12909. PMID: 34145352 https://doi.org/10.1038/s41598-021-92298-6; Olthoff KM, Kulik L, Samstein B, Kaminski M, Abecassis M, Emond J, et al. Validation of a current definition of early allograft dysfunction in liver transplant recipients and analysis of risk factors. Liver Transpl. 2010;16(8):943–949. PMID: 20677285 https://doi.org/10.1002/lt.22091; Lozanovski VJ, Probst P, Arefidoust A, Ramouz A, Aminizadeh E, Nikdad M, et al. Prognostic role of the Donor Risk Index, the Eurotransplant Donor Risk Index, and the Balance of Risk score on graft loss after liver transplantation. Transpl Int. 2021;34(5):778– 800. PMID: 33728724 https://doi.org/10.1111/tri.13861; Rana A, Jie T, Porubsky M, Habib S, Rilo H, Kaplan B, et al. The survival outcomes following liver transplantation (SOFT) score: validation with contemporaneous data and stratification of high-risk cohorts. Clin Transplant. 2013;27(4):627–632. PMID: 23808891 https://doi.org/10.1111/ctr.12181; Schlegel A, Linecker M, Kron P, Györi G, De Oliveira ML, Müllhaupt B, et al. Risk assessment in high- and low-MELD liver transplantation. Am J Transplant. 2017;17(4):1050–1063. PMID: 27676319 https://doi.org/10.1111/ajt.14065; Moosburner S, Wiering L, Roschke NN, Winter A, Demir M, Gaßner JMGV, et al. Validation of risk scores for allograft failure after liver transplantation in Germany: a retrospective cohort analysis. Hepatol Commun. 2023;7(1):e0012. PMID: 36633496 https:// doi.org/10.1097/HC9.0000000000000012; Kamath PS, Wiesner RH, Malinchoc M, Kremers W, Therneau TM, Kosberg CL, et al. A model to predict survival in patients with end-stage liver disease. Hepatology. 2001;33(2):464–470. PMID: 11172350 https://doi.org/10.1053/jhep.2001.22172; Biggins SW, Kim WR, Terrault NA, Saab S, Balan V, Schiano T, et al. Evidence-based incorporation of serum sodium concentration into MELD. Gastroenterology. 2006;130(6):1652–1660. PMID: 16697729 https://doi.org/10.1053/j.gastro.2006.02.010; Kim WR, Mannalithara A, Heimbach JK, Kamath PS, Asrani SK, Biggins SW, et al. MELD 3.0: the model for end-stage liver disease updated for the modern era. Gastroenterology. 2021;161(6):1887–1895.e4. PMID: 34481845 https://doi.org/10.1053/j.gastro.2021.08.050; Asrani SK, Kim WR, Edwards EB, Larson JJ, Thabut G, Kremers WK, et al. Impact of the center on graft failure after liver transplantation. Liver Transpl. 2013;19(9):957–964. PMID: 23784730 https://doi.org/10.1002/lt.23685; Blok JJ, de Boer JD, Putter H, Rogiers X, Guba MO, Strassburg CP, et al. The center effect in liver transplantation in the Eurotransplant region: a retrospective database analysis. Transpl Int. 2018;31(6):610–619. PMID: 29406577 https://doi.org/10.1111/tri.13129; Torterolli F, Watanabe RK, Tabushi FI, Peixoto IL, Nassif PAN, Tefilli NL, et al. BAR, SOFT and DRI post-hepatic transplantation: what is the best for survival analysis? Arq Bras Cir Dig. 2021;34(1):e1576. PMID: 34133523 https://doi.org/10.1590/0102-672020210001e1576; Blok JJ, Putter H, Metselaar HJ, Porte RJ, Gonella F, de Jonge J, et al. Identification and validation of the predictive capacity of risk factors and models in liver transplantation over time. Transplant Direct. 2018;4(9):e382. PMID: 30234151 https://doi.org/10.1097/TXD.0000000000000822; Chen S, Wang T, Luo T, He S, Huang C, Jia Z, et al. Prediction of graft survival post-liver transplantation by L-GrAFT risk score model, EASE score, MEAF scoring, and EAD. Front Surg. 2021;8:753056. PMID: 34869560 https:// doi.org/10.3389/fsurg.2021.753056; Погребниченко И.В. Эффективное использование печени мультиорганного донора для трансплантации: автореферат дисс. канд. мед. наук. Москва; 2014. URL: https://www.transpl.ru/images/cms/data/pdf/avtoreferat_k_diss_pogrebnichenko_v_pechat.pdf [Дата обращения 22 марта 2023 г.].; Гуляев В.А. Повышение эффективности трансплантации печени путем совершенствования технологии изъятия и подготовки трансплантата: автореферат дисс. д-ра мед. наук. Москва; 2016. URL: https://med.ru/sites/default/files/docs/Avtoref_Guliaev.pdf [Дата обращения 22 марта 2023 г.].; Губарев К.К. Оптимизация межрегиональной и межведомственной системы координации посмертного донорства органов и тканей человека: автореферат дисс. д-ра мед. наук. Москва; 2022. URL: https://sklif.mos.ru/upload/iblock/7f9/x5xai2cmzsi40912nno2woymig9sf01t.pdf [Дата обращения 22 марта 2023 г.].; Минина М.Г., Воронов Д.В., Тенчурина Э.А. Эволюция донорства печени в Москве. Вестник трансплантологии и искусственных органов. 2022;24(3):102– 110. https://doi.org/10.15825/1995-1191-2022-3-102-110; Коробка В.Л., Пак Е.С., Шаповалов А.М., Кострыкин М.Ю., Ткачев А.В. Оценка четырехлетнего ведения листа ожидания трансплантации печени Ростовской области: перспективы снижения смертности в листе. Медицинский вестник Юга России. 2019;10(3):32–39. https://doi.org/10.21886/2219-8075-2019-10-3-32-39; Коробка В.Л., Пасечников В.Д., Пак Е.С., Кострыкин М.Ю., Ткачев А.В., Балин Н.И. и др. Выбывание из листа ожидания кандидатов на трансплантацию печени (делистинг) вследствие рекомпенсации хронических заболеваний печени – характеристика пациентов и предикторы делистинга в проспективном исследовании. Вестник трансплантологии и искусственных органов. 2019;21(4):26–35. https://doi.org/10.15825/1995-1191-2019-4-26-35; Коробка В.Л., Кострыкин М.Ю., Пак Е.С., Даблиз Р.О., Шаповалов А.М. Прогноз смерти больных терминальным циррозом печени: новая модель оценки тяжести заболевания. Инновационная медицина Кубани. 2020;2(18):21–27. https://doi.org/10.35401/2500-0268-2020-18-2-21-27; Мойсюк Я.Г., Попцов В.Н., Сушков А.И., Мойсюк Л.Я., Малиновская Ю.О., Бельских Л.В. Ранняя дисфункция трансплантата печени: факторы риска, клиническое течение и исходы. Трансплантология. 2016;(2):16–28.; Ferrarese A, Sartori G, Orrù G, Frigo AC, Pelizzaro F, Burra P, et al. Machine learning in liver transplantation: a tool for some unsolved questions? Transpl Int. 2021;34(3):398–411. PMID: 33428298 https://doi.org/10.1111/tri.13818; Новрузбеков М.С., Олисов О.Д., Магомедов К.М. Патент № 2652065 C1 РФ. Способ отбора донорского органа для трансплантации печени. № 2017141179. Заявлено 27.11.2017; опубликовано 24.04.2018. Бюллетень № 12. URL: https://elibrary.ru/download/elibrary_37366995_36132028.PDF [Дата обращения 22 марта 2023 г.].; Резник О.Н., Скворцов А.Е., Лопота А.В., Грязнов Н.А., Харламов В.В., Киреева Г.С. Перфузионный комплекс для восстановления и поддержания жизнеспособности донорской печени ex vivo: первое экспериментальное исследование. Вестник трансплантологии и искусственных органов. 2017;19(1):35–40. https://doi.org/10.15825/1995-1191-2017-1-35-40; Скворцов А.Е., Кутенков А.А., Резник О.Н. Аппаратно-перфузионное «оживление» изолированной донорской печени ex vivo. Вестник трансплантологии и искусственных органов. 2020;19(S):83-84. URL: https://journal.transpl.ru/vtio/article/view/1220/992 [Дата обращения 22 марта 2023 г.].; Гранов Д.А., Жеребцов Ф.К., Боровик В.В., Тилеубергенов И.И., Белов А.Д., Жуйков В.Н. и др. Патент № 2765462 C1 РФ. Способ прогнозирования риска возникновения ранней дисфункции трансплантата трупной печени. № 2021117157. Заявлено 11.06.2021: опубликовано 31.01.2022. Бюллетень № 4. URL: https://elibrary.ru/download/elibrary_47993013_39892098. PDF [Дата обращения 22 марта 2023 г.].; Сушков А.И., Восканян С.Э., Рудаков В.С., Попов М.В., Губарев К.К., Светлакова Д.С. и др. Мониторинг параметров внутритканевого метаболизма глюкозы как дополнительный метод объективной оценки донорской печени, прогнозирования и немедленной диагностики ранней дисфункции трансплантата. Современные технологии в медицине. 2022;14(3):28–41. PMID: 37064804 https://doi.org/10.17691/stm2022.14.3.04; https://www.jtransplantologiya.ru/jour/article/view/792

Διαθεσιμότητα: https://www.jtransplantologiya.ru/jour/article/view/792
https://doi.org/10.23873/2074-0506-2023-15-3-312-333

Risk factors for ischemic stroke in men and women aged 45–74 years ; Факторы риска развития ишемического инсульта у мужчин и женщин в возрасте 45–74 лет

Συγγραφείς: M. Yu. Maksimova, V. Yu. Sazonova, М. Ю. Максимова, В. Ю. Сазонова

Πηγή: Neurology, Neuropsychiatry, Psychosomatics; Vol 15, No 4 (2023); 38–44 ; Неврология, нейропсихиатрия, психосоматика; Vol 15, No 4 (2023); 38–44 ; 2310-1342 ; 2074-2711 ; 10.14412/2074-2711-2023-4

Θεματικοί όροι: прогностические модели, risk factors, predictive models, факторы риска

Περιγραφή αρχείου: application/pdf

Relation: https://nnp.ima-press.net/nnp/article/view/2058/1556; Парфенов ВА, Хасанова ДР. Ишемический инсульт. Москва: Медицинское информационное агентство; 2012. 288 с.; Пирадов МА, Танашян ММ, Максимова МЮ, редакторы. Инсульт: современные технологии диагностики и лечения. 3-е изд. Москва: МЕДпресс-информ; 2018. 360 с.; Petrea RE, Beiser AS, Seshadri S, et al. Gender differences in stroke incidence and poststroke disability in the Framingham heart study. Stroke. 2009;40(4):1032-7. doi:10.1161/STROKEAHA.108.542894; Arnao V, Acciarresi M, Cittadini E, Caso V. Stroke incidence, prevalence and mortality in women worldwide. Int J Stroke. 2016;11(3):287301. doi:10.1177/1747493016632245; Gulati M. Improving the Cardiovascular Health of Women in the Nation: Moving Beyond the Bikini Boundaries. Circulation. 2017;135(6):495-8. doi:10.1161/CIRCULATIONAHA.116.025303; Jin X, Chandramouli C, Allocco B, et al. Women’s Participation in Cardiovascular Clinical Trials From 2010 to 2017. Circulation. 2020;141(7):540-8. doi:10.1161/CIRCULATIONAHA.119.043594; Carcel C, Harris K, Peters SAE, et al. Representation of Women in Stroke Clinical Trials: A Review of 281 Trials Involving More Than 500,000 Participants. Neurology. 2021;97(18):e1768-e1774. doi:10.1212/WNL.0000000000012767; O’Donnell MJ, Chin SL, Rangarajan S, et al; INTERSTROKE investigators. Global and regional effects of potentially modifiable risk factors associated with acute stroke in 32 countries (INTERSTROKE): a case-control study. Lancet. 2016;388(10046):761-75. doi:10.1016/S0140-6736(16)30506-2; Alawneh KZ, Al Qawasmeh M, Raffee LA, et al. A snapshot of Ischemic stroke risk factors, sub-types, and its epidemiology: Cohort study. Ann Med Surg (Lond). 2020;59:101-5. doi:10.1016/j.amsu.2020.09.016; Yuan BB, Luo GG, Gao JX, et al. Varianceof Serum Lipid Levels in Stroke Subtypes. Clin Lab. 2015;61(10):1509-14. doi:10.7754/clin.lab.2015.150118; Gillis EE, Sullivan JC. Sex Differences inHypertension: Recent Advances. Hypertension. 2016;68(6):1322-7. doi:10.1161/HYPERTENSIONAHA.116.06602; Demel SL, Kittner S, Ley SH, et al. Stroke Risk Factors Unique to Women. Stroke. 2018 Mar;49(3):518-23. doi:10.1161/STROKEA-HA.117.018415; Li B, Wang T, Lou Y, et al. Sex Differencesin Outcomes and Associated Risk Factors after Acute Ischemic Stroke in Elderly Patients: A Prospective Follow-up Study. J Stroke Cerebrovasc Dis. 2015 Oct;24(10):2277-84. doi:10.1016/j.jstrokecerebrovasdis.2015.06.007. Epub 2015 Jul 11.; Howard VJ, Madsen TE, Kleindorfer D.Sex and race differences in incident ischemic stroke and risk factors. JAMA Neurol. 2019;76:179-86. doi:10.1001/jamaneurol.2018.3862; Kuk JL, Ardern CI. Age and sex differencesin the clustering of metabolic syndrome factors: association with mortality risk. Diabetes Care. 2010;33(11):2457-61. doi:10.2337/dc10-0942; Davis SR, Castelo-Branco C, Chedraui P,et al; Writing Group of the International Menopause Society for World Menopause Day 2012.Understanding weight gain at menopause. Climacteric. 2012;15(5):419-29. doi:10.3109/13697137.2012.707385; Shi Y, Guo L, Chen Y, et al. Risk factors for ischemic stroke: differences between cerebral small vessel and large artery atherosclerosis aetiologies. Folia Neuropathol. 2021;59(4):378-85. doi:10.5114/fn.2021.112007; Giralt D, Domingues-Montanari S,Mendioroz M, et al. The gender gap in stroke: a meta-analysis. Acta Neurol Scand. 2012;125(2):83-90. doi:10.1111/j.1600-0404.2011.01514.x; Arboix A, Marti-Vilalta JL. Lacunar stroke.Expert Rev Neurother. 2009;9(2):179-96. doi:10.1586/14737175.9.2.179; Strozynska E, Fiszer U, Ryglewicz D,Zaborski J. The Impact of Risk Burden Differences between Men and Women on the Clinical Course of Ischemic Stroke. J Stroke Cerebrovasc Dis. 2016 Apr;25(4):843-7. doi:10.1016/j.jstrokecerebrovasdis.2015.12.015. Epub 2016 Jan 18.; Wardlaw JM, Smith EE, Biessels GJ, et al;STandards for ReportIng Vascular changes on nEuroimaging (STRIVE v1). Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. Lancet Neurol. 2013 Aug;12(8):822-38. doi:10.1016/S1474-4422(13)70124-8; McArdle PF, Kittner SJ, Ay H, et al; NINDS SiGN Study. Agreement between TOAST and CCS ischemic stroke classification: the NINDS SiGN study. Neurology. 2014 Oct 28;83(18):1653-60. doi:10.1212/WNL.0000000000000942; Sachdev P, Kalaria R, O’Brien J, et al;Internationlal Society for Vascular Behavioral and Cognitive Disorders. Diagnostic criteria for vascular cognitive disorders: a VASCOG statement. Alzheimer Dis Assoc Disord. 2014;28(3):206-18. doi:10.1097/WAD.0000000000000034; Максимова МЮ, Айрапетова АС. Влияет ли пол на клинические характеристики ишемического инсульта у пациентов в возрасте 45–74 лет? Анналы клинической и экспериментальной неврологии. 2021;15(1):32-42. doi:10.25692/ACEN.2021.1.4; Rexrode KM, Madsen TE, Yu AYX, et al.The impact of sex and gender on stroke. Circ Res. 2022;130(4):512-28. doi:10.1161/CIRCRESAHA.121.319915; Bushnell CD, Chaturvedi S, Gage KR, et al. Sex differences in stroke: Challenges and opportunities. Cereb Blood Flow Metab. 2018;38(12):2179-91. doi:10.1177/0271678X18793324; Ullberg T, Zia E, Petersson J, Norrving B.Changes in functional outcome over the first year after stroke: an observational study from the Swedish stroke register. Stroke. 2015;46(2):389-94. doi:10.1161/STROKEA-HA.114.006538; Emdin CA, Wong CX, Hsiao AJ, et al.Atrial fibrillation as risk factor for cardiovascular disease and death in women compared with men: systematic review and meta-analysis of cohort studies. BMJ. 2016;532:h7013. doi:10.1136/bmj.h7013; Nezu T, Hosomi N, Kondo K, et al; JapanStandard Stroke Registry Study Group. Greater severity of neurological defects in women admitted with atrial fibrillation-related stroke. Circ J. 2016;80(1):250-5. doi:10.1253/circj.CJ-15-0873; Peters SA, Huxley RR, Woodward M.Diabetes as a risk factor for stroke in women compared with men: a systematic review and meta-analysis of 64 cohorts, including 775,385 individuals and 12,539 strokes. Lancet. 2014;383(9933):1973-80. doi:10.1016/S0140-6736(14)60040-4; Peters SA, Huxley RR, Woodward M.Comparison of the sex-specific associations between systolic blood pressure and the risk of cardiovascular disease: a systematic review and meta-analysis of 124 cohort studies, including 1.2 million individuals. Stroke. 2013;44(9):2394-401. doi:10.1161/STROKEA-HA.113.001624; Peters SA, Singhateh Y, Mackay D, et al.Total cholesterol as a risk factor for coronary heart disease and stroke in women compared with men: A systematic review and meta-analysis. Atherosclerosis. 2016;248:123-31. doi:10.1016/j.atherosclerosis.2016.03.016; Krauss RM, Eckel RH, Howard B, et al.AHA Dietary Guidelines: revision 2000: A statement for healthcare professionals from the Nutrition Committee of the American Heart Association. Stroke. 2000;31(11):2751-66. doi:10.1161/01.str.31.11.2751; Arnett DK, Blumenthal RS, Albert MA, et al. 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines. Circulation. 2019;140(11):e596-e646. doi:10.1161/CIR.0000000000000678

Διαθεσιμότητα: https://nnp.ima-press.net/nnp/article/view/2058
https://doi.org/10.14412/2074-2711-2023-4-38-44

Artificial intelligence in ophthalmology. Do we need risk calculators for glaucoma development and progression? ; Искусственный интеллект в офтальмологии. Нужны ли нам калькуляторы риска развития и прогрессирования глаукомы?

Συγγραφείς: D. A. Dorofeev, V. E. Korelina, A. A. Vitkov, E. V. Kirilik, A. V. Kuroyedov, K. O. Lukyanova, A. A. Markelova, O. G. Pozdeeva, A. S. Khohlova, Д. А. Дорофеев, В. Е. Корелина, А. А. Витков, Е. В. Кирилик, А. В. Куроедов, К. О. Лукьянова, А. А. Маркелова, О. Г. Поздеева, А. С. Хохлова

Πηγή: National Journal glaucoma; Том 22, № 2 (2023); 29-37 ; Национальный журнал Глаукома; Том 22, № 2 (2023); 29-37 ; 2311-6862 ; 2078-4104

Θεματικοί όροι: прогностические модели глаукомы, glaucoma risk calculator, glaucoma progression calculator, glaucoma prognostic model, калькулятор риска развития глаукомы, калькулятор прогрессирования глаукомы

Περιγραφή αρχείου: application/pdf

Relation: https://www.glaucomajournal.ru/jour/article/view/452/413; Kucur ŞS, Holló G, Sznitman R. A deep learning approach to automatic detection of early glaucoma from visual fields. PLoS One 2018; 13(11):e0206081. https://doi.org/10.1371/JOURNAL.PONE.0206081; Asaoka R, Iwase A, Hirasawa K, Murata H, Araie M. Identifying “preperimetric” glaucoma in standard automated perimetry visual fields. Invest Ophthalmol Vis Sci 2014; 55(12):7814-7820. https://doi.org/10.1167/iovs.14-15120; Asaoka R, Murata H, Iwase A, Araie M. Detecting Preperimetric Glaucoma with Standard Automated Perimetry Using a Deep Learning Classifier. Ophthalmology 2016; 123(9):1974-1980. https://doi.org/10.1016/j.ophtha.2016.05.029; Mariottoni EB, Jammal AA, Urata CN, Berchuck SI, Thompson AC, Estrela T, Medeiros FA. Quantification of Retinal Nerve Fibre Layer Thickness on Optical Coherence Tomography with a Deep Learning Segmentation-Free Approach. Sci Rep 2020; 10(1):402. https://doi.org/10.1038/s41598-019-57196-y.; Maetschke S, Antony B, Ishikawa H, Wollstein G, Schuman J, Garnavi R. A feature agnostic approach for glaucoma detection in OCT volumes. PLoS One 2019;14(7):e0219126. https://doi.org/10.1371/JOURNAL.PONE.0219126; Jammal AA, Thompson AC, Ogata NG, et al. Detecting Retinal Nerve Fibre Layer Segmentation Errors on Spectral Domain-Optical Coherence Tomography with a Deep Learning Algorithm. Sci Rep 2019; 9(1):9836. https://doi.org/10.1038/S41598-019-46294-6; Medeiros FA, Jammal AA, Thompson AC. From Machine to Machine: An OCT-trained Deep Learning Algorithm for Objective Quantification of Glaucomatous Damage in Fundus Photographs. Ophthalmology 2019; 126(4):513. https://doi.org/10.1016/J.OPHTHA.2018.12.033; Christopher M, Belghith A, Bowd C, et al. Performance of Deep Learning Architectures and Transfer Learning for Detecting Glaucomatous Optic Neuropathy in Fundus Photographs. Sci Rep 2018; 8(1):16685. https://doi.org/10.1038/S41598-018-35044-9; Gajendran MK, Rohowetz LJ, Koulen P, Mehdizadeh A. Novel Machine-Learning Based Framework Using Electroretinography Data for the Detection of Early-Stage Glaucoma. Front Neurosci 2022; 16. https://doi.org/10.3389/FNINS.2022.869137; Дорофеев Д.А., Антонов А.А., Василенко Д.Ю. и соавт. Метод измерения внутриглазного давления с использованием технологий искусственного интеллекта и аппланационной тонометрии с фиксированной силой. Российский офтальмологический журнал 2022; 15 (2(Прил)):49-56. https://doi.org/10.21516/2072-0076-2022-15-2-supplement-49-56; Smigel K. Breast Cancer Prevention Trial shows major benefit, some risk. J Natl Cancer Inst 1998;90(9):647-648. https://doi.org/10.1093/JNCI/90.9.647; Living To 100 Life Expectancy Calculator. https://www.livingto100.com/. Accessed February 10, 2023.; Gordon MO, Torri V, Miglior S, et al. Validated prediction model for the development of primary open-angle glaucoma in individuals with ocular hypertension. Ophthalmology 2007; 114(1):10-19. https://doi.org/10.1016/j.ophtha.2006.08.031; Gordon MO. The Ocular Hypertension Treatment Study. Archives of Ophthalmology 1999; 117(5):573. https://doi.org/10.1001/archopht.117.5.573; Леошек М.В. Определение толерантного ВГД и прогнозирование скорости прогрессирования глаукомы по данным программы — калькулятора Балалина С.В. Бюллетень медицинских интернет- конференций. Саратов: Наука и инновации 2016; 797.; Балалин С.В., Фокин В.П., Юферов О.В. Программное обеспечение для определения толерантного и целевого давления у больных первичной открытоугольной глаукомой. РМЖ Клиническая офтальмология 2013; 13(4):144-147.; Авдеев Р.В., Александров А.С., Арапиев М.У. и соавт. Подозрение и начальная стадия глаукомы: дифференциально-диагностические критерии. Российский офтальмологический журнал 2017; 10(4):5-15. https://doi.org/10.21516/2072-0076-2017-10-4-5-15; Авдеев Р.В., Александров А.С., Бакунина Н.А. и соавт. Структурно- функциональные диагностические критерии в оценке вероятности наличия подозрения на глаукому и начальной стадии глаукомы. Медико-биологические проблемы жизнедеятельности 2017; 17(1):105-117.; Экгардт В.Ф., Дорофеев Д.А. Структурно-функциональные и гемо- динамические особенности пациентов при простой первичной и псевдоэксфолиативной открытоугольной глаукоме и офтальмогипертензии в модели прогнозирования развития глаукомы. Часть 3. Национальный журнал глаукома 2018; 17(4):3-15. https://doi.org/10.25700/NJG.2018.04.01; Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology 2018; 125(8):1199-1206. https://doi.org/10.1016/J.OPHTHA.2018.01.023; Sengupta S, Singh A, Leopold HA, Gulati T, Lakshminarayanan V. Ophthalmic diagnosis using deep learning with fundus images — A critical review. Artif Intell Med 2020; 102. https://doi.org/10.1016/J.ARTMED.2019.101758; Garcia GGP, Nitta K, Lavieri MS, et al. Using Kalman Filtering to Forecast Disease Trajectory for Patients with Normal Tension Glaucoma. Am J Ophthalmol 2019; 199:111. https://doi.org/10.1016/J.AJO.2018.10.012; Garcia GGP, Lavieri MS, Andrews C, et al. Accuracy of Kalman Filtering in Forecasting Visual Field and Intraocular Pressure Trajectory in Patients With Ocular Hypertension. JAMA Ophthalmol 2019; 137(12):1416-1423. https://doi.org/10.1001/JAMAOPHTHALMOL.2019.4190; Kazemian P, Lavieri MS, van Oyen MP, Andrews C, Stein JD. Personalized Prediction of Glaucoma Progression Under Different Target Intraocular Pressure Levels Using Filtered Forecasting Methods. Ophthalmology 2018; 125(4):569. https://doi.org/10.1016/J.OPHTHA.2017.10.033; Xiong J, Li F, Song D, et al. Multimodal Machine Learning Using Visual Fields and Peripapillary Circular OCT Scans in Detection of Glaucomatous Optic Neuropathy. Ophthalmology 2022; 129(2):171-180. https://doi.org/10.1016/J.OPHTHA.2021.07.032/ATTACHMENT/ 6251BEAA-C04D-446E-BBA0-7DB330AC1958/MMC5.PDF; Draelos M, Ortiz P, Qian R, et al. Automatic optical coherence tomography imaging of stationary and moving eyes with a roboticallyaligned scanner. Proc IEEE Int Conf Robot Autom 2019; 2019:8897-8903. https://doi.org/10.1109/ICRA.2019.8793524; Ortiz P, Draelos M, Viehland C, et al. Robotically aligned optical coherence tomography with 5 degree of freedom eye tracking for subject motion and gaze compensation. Biomed Opt Express 2021; 12(12):7361. https://doi.org/10.1364/BOE.443537; Draelos M, Ortiz P, Qian R, et al. Contactless optical coherence tomography of the eyes of freestanding individuals with a robotic scanner. Nat Biomed Eng 2021; 5(7):726-736. https://doi.org/10.1038/S41551-021-00753-6; Симакова И.Л., Тихоновская И.А. Оценка эффективности периметрии с удвоением пространственной частоты в диагностике оптиконейропатий. Национальный журнал глаукома 2022; 21(1):23-35.https://doi.org/10.53432/2078-4104-2022-21-1-23-35; Li F, Song D, Chen H, et al. Development and clinical deployment of a smartphone-based visual field deep learning system for glaucoma detection. NPJ Digit Med 2020; 3(1):123. https://doi.org/10.1038/s41746-020-00329-9; Pradhan ZS, Sircar T, Agrawal H, et al. Comparison of the Performance of a Novel, Smartphone-based, Head-mounted Perimeter (GearVision) With the Humphrey Field Analyzer. J Glaucoma 2021; 30(4):E146-E152. https://doi.org/10.1097/IJG.0000000000001797; Liu Y, Holekamp NM, Heier JS. Prospective, Longitudinal Study: Daily Self-Imaging with Home OCT for Neovascular Age-Related Macular Degeneration. Ophthalmol Retina 2022; 6(7):575-585. https://doi.org/10.1016/j.oret.2022.02.011; Дорофеев Д.А., Визгалова Л.О., Горобец А.В. и соавт. Возможности искусственного интеллекта в измерении оттисков внутриглазного давления по Маклакову. Национальный журнал глаукома 2020; 19(1):20-27. https://doi.org/10.25700/NJG.2020.01.03; Weinreb RN, Friedman DS, Fechtner RD, et al. Risk assessment in the management of patients with ocular hypertension. Am J Ophthalmol 2004; 138(3):458-467. https://doi.org/10.1016/j.ajo.2004.04.054; Kymes SM. Effect of Patient’s Life Expectancy on the Cost-effectiveness of Treatment for Ocular Hypertension. Archives of Ophthalmology; 128(5):613. https://doi.org/10.1001/archophthalmol.2010.83; Lee PP, Walt JG, Doyle JJ, et al. A multicenter, retrospective pilot study of resource use and costs associated with severity of disease in glaucoma. Arch Ophthalmol 2006; 124(1):12-19. https://doi.org/10.1001/ARCHOPHT.124.1.12; Hattenhauer MG, Johnson DH, Ing HH, et al. The probability of blindness from open-angle glaucoma. Ophthalmology 1998; 105(11):2099-2104. https://doi.org/10.1016/S0161-6420(98)91133-2; Kass MA, Heuer DK, Higginbotham EJ, et al. The Ocular Hypertension; Treatment Study: a randomized trial determines that topical ocular hypotensive medication delays or prevents the onset of primary openangle glaucoma. Arch Ophthalmol 2002; 120(6):701-713. https://doi.org/10.1001/archopht.120.6.701; Gordon MO, Beiser JA, Brandt JD, et al. The Ocular Hypertension Treatment Study: baseline factors that predict the onset of primary open-angle glaucoma. Arch Ophthalmol 2002; 120(6):714-720; discussion 829-830. https://doi.org/10.1001/archopht.120.6.714; Blackwell B, Gaasterland D, Ederer F, et al. The Advanced Glaucoma Intervention Study (AGIS): 12. Baseline risk factors for sustained loss of visual field and visual acuity in patients with advanced glaucoma. Am J Ophthalmol 2002; 134(4):499-512. https://doi.org/10.1016/S0002-9394(02)01659-8; Leung CKS, Yu M, Weinreb RN, et al. Retinal Nerve Fiber Layer Imaging with Spectral-Domain Optical Coherence Tomography: A Prospective Analysis of Age-Related Loss. Ophthalmology 2012; 119(4):731-737. https://doi.org/10.1016/J.OPHTHA.2011.10.010; Chang TC, Ramulu P, Hodapp E. Clinical Decisions in Glaucoma SECOND. Miami: Ta Chen Chang; 2016.; Kim KE, Jeoung JW, Park KH. Author reply. Ophthalmology 2015; 122(7):e44-e45. https://doi.org/10.1016/j.ophtha.2015.01.004; Kim KE, Jeoung JW, Park KH, Kim DM, Kim SH. Diagnostic classification of macular ganglion cell and retinal nerve fiber layer analysis: Differentiation of false-positives from glaucoma. Ophthalmology 2015; 122(3):502-510.; https://doi.org/10.1016/j.ophtha.2014.09.031; Rebolleda G, Leal-Fonseca M, Moreno-Montañés J, Casas-Llera P, Muñoz-Negrete FJ. Re: Kim et al.: Diagnostic classification of macular ganglion cell and retinal nerve fiber layer analysis: differentiation of false-positives from glaucoma (Ophthalmology 2015; 122:502-10). Ophthalmology 2015;122(7):e43-e44. https://doi.org/10.1016/j.ophtha.2014.12.039; European Glaucoma Prevention Study (EGPS) Group, Miglior S, Pfeiffer N, et al. Predictive factors for open-angle glaucoma among patients with ocular hypertension in the European Glaucoma Prevention Study. Ophthalmology 2007; 114(1):3-9. https://doi.org/10.1016/j.ophtha.2006.05.075; Mwanza JC, Tulenko SE, Budenz DL, et al. Longitudinal Change in Central Corneal Thickness in the Tema Eye Survey. Am J Ophthalmol 2018; 186:10-18.; https://doi.org/10.1016/J.AJO.2017.11.002; Страхов В.В. Аннотация результатов исследований патогенеза и значения межокулярной асимметрии при первичной открытоугольной глаукоме. РМЖ Клиническая офтальмология 2015; 15(2):97-101.; Ловпаче Дж.Н., Завадский П.Ч., Зверева О.Г. и соавт. Комплаентность и персистентность у пациентов с первичной открытоугольной глаукомой с позиции офтальмолога. Национальный журнал глаукома 2020; 19(2):11-21. https://doi.org/10.25700/NJG.2020.02.02; Корнеева А.В., Куроедов А.В., Завадский П.Ч. и соавт. Приверженность гипотензивной терапии при глаукоме: мнение пациентов о ключевых факторах низкой степени комплаенса. Результаты многоцентрового интерактивного научно-аналитического исследования. Национальный журнал глаукома 2020; 19(3):12-21. https://doi.org/10.25700/NJG.2020.03.02; Ловпаче Д.Н., Дорофеев Д.А. Фармакоэкономическая целесообразность применения бесконсервантной терапии при лечении первичной открытоугольной глаукомы у пациентов с синдромом ≪сухого глаза≫ (промежуточные результаты). РМЖ Клиническая офтальмология 2017; 17(4):195-200. https://doi.org/10.21689/2311-7729-2017-17-4-195-200; Roberts M, Driggs D, Thorpe M, et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans. Nature Machine Intelligence 2021; 3(3):199-217. https://doi.org/10.1038/s42256-021-00307-0; Mc Grath O, Sarfraz MW, Gupta A, Yang Y, Aslam T. Clinical Utility of Artificial Intelligence Algorithms to Enhance Wide-Field Optical Coherence Tomography Angiography Images. J Imaging 2021;7(2)32. https://doi.org/10.3390/JIMAGING7020032; Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett 2006; 27(8):861-874. https://doi.org/10.1016/J.PATREC.2005.10.010; Nam JG, Park S, Hwang EJ, et al. Development and Validation of Deep Learning-based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs. Radiology 2019; 290(1):218-228. https://doi.org/10.1148/RADIOL.2018180237; Patel BN, Rosenberg L, Willcox G, et al. Human–machine partnership with artificial intelligence for chest radiograph diagnosis. NPJ Digit Med 2019; 2:111.; https://doi.org/10.1038/S41746-019-0189-7; Tschandl P, Rinner C, Apalla Z, et al. Human-computer collaboration for skin cancer recognition. Nat Med 2020; 26(8):1229-1234. https://doi.org/10.1038/S41591-020-0942-0; Firestone C. Performance vs. competence in human–machine comparisons. Proc Natl Acad Sci U S A 2020;117(43):26562. https://doi.org/10.1073/PNAS.1905334117; Burr J, Mowatt G, Hernández R, et al. The clinical effectiveness and cost-effectiveness of screening for open angle glaucoma: a systematic review and economic evaluation. Health Technol Assess (Rockv) 2007; 11(41):1-190. https://doi.org/10.3310/hta11410; Korteling JE (Hans), van de Boer-Visschedijk GC, Blankendaal RAM, Boonekamp RC, Eikelboom AR. Human-versus Artificial Intelligence. Front Artif Intell 2021; 4. https://doi.org/10.3389/FRAI.2021.622364; https://www.glaucomajournal.ru/jour/article/view/452

Διαθεσιμότητα: https://www.glaucomajournal.ru/jour/article/view/452
https://doi.org/10.53432/2078-4104-2023-22-2-29-37

Исследование важности характеристик при построении прогностической модели для оценки стоимости недвижимости

Συγγραφείς: Выходцев, Н. А.

Θεματικοί όροι: характеристики, прогностические модели, оценка стоимости, программное обеспечение, машинное обучение, детерминация, объекты недвижимости

Περιγραφή αρχείου: application/pdf

Relation: Молодежь и современные информационные технологии : сборник трудов XVIII Международной научно-практической конференции студентов, аспирантов и молодых учёных, 22-26 марта 2021 г., г. Томск; http://earchive.tpu.ru/handle/11683/68073

Διαθεσιμότητα: http://earchive.tpu.ru/handle/11683/68073

Use of Terahertz Spectroscopy for in vivo Studies of Lymphedema Development Dynamics

Συγγραφείς: Nikolaev, Viktor V., Kurochkina, Oksana S., Borisov, Alexey V., Sandykova, Ekaterina A., Krivova, Natalya A., Tuchina, Daria K., Timoshina, Polina A., Kistenev, Yury V.

Πηγή: Optics and spectroscopy. 2019. Vol. 126, № 5. P. 523-529

Θεματικοί όροι: терагерцовая спектроскопия, 03 medical and health sciences, 0302 clinical medicine, прогностические модели, 0103 physical sciences, лимфедема, диагностика заболеваний, 01 natural sciences

Σύνδεσμος πρόσβασης: https://link.springer.com/article/10.1134/S0030400X19050138
https://inis.iaea.org/search/search.aspx?orig_q=RN:51117583
http://vital.lib.tsu.ru/vital/access/manager/Repository/vtls:000672176

Risk factors for incomplete functional recovery in post-stroke patients undergoing treatment in a comprehensive stroke unit

Συγγραφείς: Flomin, Y. V., Guryanov, V. G., Sokolova, L. I.

Πηγή: Український неврологічний журнал; № 1 (2019); 31—39
Ukrainian Neurological Journal; № 1 (2019); 31—39
Украинский неврологический журнал; № 1 (2019); 31—39

Θεματικοί όροι: outcome, modified Rankin scale, comprehensive stroke unit, prognostic models, predictors, инсульт, исход, модифицированная шкала Рэнкина, интегрированный инсультный блок, прогностические модели, предикторы, інсульт, результат лікування, модифікована шкала Ренкіна, інтегрований інсультний блок, прогностичні моделі, предиктори, 3. Good health

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://ukrneuroj.com.ua/article/view/UNJ2019-1-31

Исследование важности характеристик при построении прогностической модели для оценки стоимости недвижимости

Θεματικοί όροι: объекты недвижимости, характеристики, прогностические модели, детерминация, оценка стоимости, машинное обучение, программное обеспечение

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://earchive.tpu.ru/handle/11683/68073

Perspectives on the Use of Transthoracic Echocardiography Results for the Prediction of Ventricular Tachyarrhythmias in Patients with Non-ischemic Cardiomyopathy ; Перспективы использования результатов трансторакальной эхокардиографии для прогнозирования желудочковых тахиаритмий у больных неишемической кардиомиопатией

Συγγραφείς: N. N. Ilov, D. R. Stompel, S. A. Boytsov, O. V. Palnikova, A. A. Nechepurenko, Н. Н. Илов, Д. Р. Стомпель, С. А. Бойцов, О. В. Пальникова, А. А. Нечепуренко

Συνεισφορές: The study was performed with the support of the Astrakhan State Medical University, Federal Center for Cardiovascular Surgery, National Medical Research Center of Cardiology, Исследование проведено при поддержке Астраханского государственного медицинского университета, Федерального центра сердечнососудистой хирургии, Национального медицинского исследовательского центра кардиологии

Πηγή: Rational Pharmacotherapy in Cardiology; Vol 18, No 3 (2022); 251-260 ; Рациональная Фармакотерапия в Кардиологии; Vol 18, No 3 (2022); 251-260 ; 2225-3653 ; 1819-6446

Θεματικοί όροι: трансторакальная эхокардиография, ventricular tachyarrhythmia, prognostic models, transthoracic echocardiography, желудочковые тахиаритмии, прогностические модели

Περιγραφή αρχείου: application/pdf

Relation: https://www.rpcardio.com/jour/article/view/2746/2312; https://www.rpcardio.com/jour/article/view/2746/2327; Шляхто Е.В., Арутюнов Г.П., Беленков Ю.Н., и др. Национальные рекомендации по определению риска и профилактике внезапной сердечной смерти (2-е издание). М.: МеДпрактИка-М; 2018.; Disertori M, Masè M, Ravelli F. Myocardial fibrosis predicts ventricular tachyarrhythmias. Trends Cardiovasc Med. 2017;27(5):363-72. DOI:10.1016/j.tcm.2017.01.011.; Al-Khatib SM, Stevenson WG, Ackerman MJ, et al. 2017 AHA/ACC/HRS Guideline for Management of Patients With Ventricular Arrhythmias and the Prevention of Sudden Cardiac Death: Executive Summary. Circulation. 2018;138(13):e210-71. DOI:10.1161/CIR.0000000000000548.; Ревишвили А.Ш., Шляхто Е.В., Попов С.В., и др. Клинические рекомендации по проведению электрофизиологических исследований, катетерной абляции и применению имплантируемых антиаритмических устройств. М.: ГЭОТАР-Медиа; 2017.; McDonagh TA, Metra M, Adamo M, et al. 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Developed by the Task Force for the diagnosis and treatment of acute and chronic heart failure of the European Society of Cardiology (ESC) with the special contribution of the Heart Failure Association (HFA) of the ESC. Eur Heart J. 2021;42(36):3599-726. DOI:10.1093/eurheartj/ehab368.; Amara N, Boveda S, Defaye P, et al. Implantable cardioverter-defibrillator therapy among patients with non-ischaemic vs. ischaemic cardiomyopathy for primary prevention of sudden cardiac death. Europace. 2017;20(1):65-72. DOI:10.1093/europace/euw379.; Илов Н.Н., Сурикова О.Н., Бойцов С.А., и др. Возможности прогнозирования риска возникновения желудочковых тахиаритмий у больных хронической сердечной недостаточностью со сниженной фракцией выброса левого желудочка на основе анализа поверхностной электрокардиограммы. Первые результаты одноцентрового проспективного исследования. Российский Кардиологический Журнал. 2021;26(12):4661. DOI:10.15829/1560-4071-2021-4661.; Илов Н.Н., Пальникова О.В., Стомпель Д.Р., и др. Клинические предикторы возникновения желудочковых тахиаритмий у больных со сниженной систолической функцией левого желудочка. Результаты одноцентрового проспективного исследования. Кардиология. 2021;61(5):32-40. DOI:10.18087/CARDIO.2021.5.N1480.; Halliday BP, Cleland JGF, Goldberger JJ, et al. Personalizing Risk Stratification for Sudden Death in Dilated Cardiomyopathy: The Past, Present, and Future. Circulation. 2017;136(2):215-31. DOI:10.1161/CIRCULATIONAHA.116.027134.; Илов Н.Н., Пальникова О.В., Стомпель Д.Р., и др. Стратификация риска внезапной сердечной смерти у пациентов с сердечной недостаточностью: достаточно ли одной фракции выброса левого желудочка? Российский Кардиологический Журнал. 2021;26(1):3959. DOI:10.15829/1560-4071-2021-3959.; Catanzaro JN, Makaryus JN, Makaryus AN, et al. Echocardiographic Predictors of Ventricular Tachycardia. Clin Med Insights Cardiol. 2015;8(suppl 4):37-42. DOI:10.4137/CMC.S18499.; Schmitt C, Alt E, Plewan A, Schomig A. Initial experience with implantation of internal cardioverter/defibrillators under local anaesthesia by electrophysiologists. Eur Heart J. 1996;17(11):1710-6. DOI:10.1093/oxfordjournals.eurheartj.a014755.; Daubert J-C, Saxon L, Adamson PB, et al. 2012 EHRA/HRS expert consensus statement on cardiac resynchronization therapy in heart failure: implant and follow-up recommendations and management: A registered branch of the European Society of Cardiology (ESC), and the Heart Rhythm Society; and in col. Europace. 2012;14(9):1236–86. DOI:10.1093/europace/eus222.; Covino G, Volpicelli M, Capogrosso P. Automatic Continuous CRT Optimization to Improve Hemodynamic Response: An Italian Single-Center Experience. Int J Vasc Med. 2020;1-6. DOI:10.1155/2020/7942381.; Stiles MK, Fauchier L, Morillo CA, et al. 2019 HRS/EHRA/APHRS/LAHRS focused update to 2015 expert consensus statement on optimal implantable cardioverter-defibrillator programming and testing. Europace. 2019;21(9):1442-3. DOI:10.1093/europace/euz065.; Strickberger SA, Hummel JD, Bartlett TG, et al. Amiodarone versus implantable cardioverterdefibrillator: randomized trial in patients with nonischemic dilated cardiomyopathy and asymptomatic nonsustained ventricular tachycardia - AMIOVIRT. J Am Coll Cardiol. 2003;41(10):1707-12. DOI:10.1016/S0735-1097(03)00297-3.; Lang RM, Bierig M, Devereux RB, et al. Recommendations for chamber quantification. Eur J Echocardiogr. 2006;7(2):79-108. DOI:10.1016/j.euje.2005.12.014.; Lang RM, Badano LP, Mor-Avi V, et al. Recommendations for cardiac chamber quantification by echocardiography in adults: An update from the American society of echocardiography and the European association of cardiovascular imaging. Eur Heart J Cardiovasc Imaging. 2015;16(3):23371. DOI:10.1093/ehjci/jev014.; Malhotra S, Pasupula DK, Sharma RK, et al. Relationship between left ventricular dyssynchrony and scar burden in the genesis of ventricular tachyarrhythmia. J Nucl Cardiol. 2018;25(2):555-69. DOI:10.1007/s12350-017-1095-5.; Ghali JK, Kadakia S, Cooper RS, et al. Impact of left ventricular hypertrophy on ventricular arrhythmias in the absence of coronary artery disease. J Am Coll Cardiol. 1991;17(6):1277-82. DOI:10.1016/S0735-1097(10)80135-4.; Falsing MM, Brainin P, Andersen DM, et al. Usefulness of echocardiography for predicting ventricular tachycardia detected by implantable loop recorder in syncope patients. Int J Cardiovasc Imaging. 2021;37(11):3157-66. DOI:10.1007/s10554-021-02295-z.; Giamouzis G, Dimos A, Xanthopoulos A, et al. Left ventricular hypertrophy and sudden cardiac death. Heart Fail Rev. 2022;27(2):711-24. DOI:10.1007/s10741-021-10134-5.; Chao TF, Liu CJ, Tuan TC, et al. Risk and Prediction of Sudden Cardiac Death and Ventricular Arrhythmias for Patients with Atrial Fibrillation-A Nationwide Cohort Study. Sci Rep. 2017;7:46445. DOI:10.1038/srep46445.; https://www.rpcardio.com/jour/article/view/2746

Διαθεσιμότητα: https://www.rpcardio.com/jour/article/view/2746
https://doi.org/10.20996/1819-6446-2022-06-01

ПОСТРОЕНИЕ ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ РАЗВИТИЯ ЭКСПОРТНОГО ПОТЕНЦИАЛА СЕЛЬСКОГО ХОЗЯЙСТВА ВЛАДИМИРСКОЙ ОБЛАСТИ

Θεματικοί όροι: machine learning, социально–экономическое развитие регионов, foreign economic activity, socio–economic development of regions, 8. Economic growth, прогностические модели, predictive models, машинное обучение, внешнеэкономическая деятельность

Stage stratification of pregnant women at risk of preeclampsia ; Этапная стратификация беременных по риску преэклампсии

Συγγραφείς: Yu. V. Tezikov, I. S. Lipatov, A. R. Azamatov, E. M. Zumorina, M. S. Amosov, Ю. В. Тезиков, И. С. Липатов, А. Р. Азаматов, Э. М. Зуморина, М. С. Амосов

Πηγή: Meditsinskiy sovet = Medical Council; № 4 (2021); 174-184 ; Медицинский Совет; № 4 (2021); 174-184 ; 2658-5790 ; 2079-701X

Θεματικοί όροι: прогностические модели, metabolic syndrome, insulin resistance, hyperinsulinemia, pathogenesis, prognostic models, метаболический синдром, инсулинорезистентность, гиперинсулинемия, патогенез

Περιγραφή αρχείου: application/pdf

Relation: https://www.med-sovet.pro/jour/article/view/6106/5566; Коноплянников А.Г., Михалева Л.М., Оленев А.С., Кудрявцева Я.Ю., Сонголова Е.Н., Грачева Н.А. и др. Анализ структуры материнской смертности. Вопросы гинекологии, акушерства и перинатологии. 2020;19(3):133–138. doi:10.20953/1726-1678-2020-3-133-138.; Сидорова И.С., Никитина Н.А., Гусева Е.В. Результаты конфиденциального аудита материнской смертности от преэклампсии и эклампсии в России в 2017–2018 гг. Акушерство и гинекология. 2020;(1):119–127. doi:10.18565/aig.2020.1.119-127.; Phipps E.A., Thadhani R., Benzing T., Karumanchi S.A. Pre-Eclampsia: Pathogenesis, Novel Diagnostics and Therapies. Nat Rev Nephrol. 2019;15(5):275–289. doi:10.1038/s41581-019-0119-6.; McLaughlin K., Scholten R.R., Parker J.D., Ferrazzi E., Kingdom J.C.P. Low Molecular Weight Heparin for the Prevention of Severe Preeclampsia: Where Next? Br J Clin Pharmacol. 2018;84(4):673–678. doi:10.1111/bcp.13483.; Железова М.Е., Зефирова Т.П., Канюков С.С. Задержка роста плода: современные подходы к диагностике и ведению беременности. Практическая медицина. 2019;17(4):8–14. doi:10.32000/2072-1757-2019-4-8-14.; Холин А.М., Муминова К.Т., Балашов И.С., Ходжаева З.С., Боровиков П.И., Иванец Т.Ю., Гус А.И. Прогнозирование преэклампсии в первом триместре беременности: валидация алгоритмов скрининга на российской популяции. Акушерство и гинекология. 2017;(8):74–84. doi:10.18565/aig.2017.8.74-84.; Липатов И.С., Тезиков Ю.В., Шмаков Р.Г., Азаматов А.Р., Мартынова Н.В. «Беременность – естественная модель метаболического синдрома»: результаты динамического исследования физиологической гестации. Акушерство и гинекология. 2020;(9):88–96. doi:10.18565/aig.2020.9.88-96.; Серов В.Н. Метаболический синдром (нейрообменно-эндокринный синдром). Medica mente. Лечим с умом. 2015;(1):16–19. Режим доступа: https://elibrary.ru/item.asp?id=27260364.; Адамян Л.В., Артымук Н.В., Башмакова Н.В., Белокринницкая Т.Е., Беломестнов С.Р., Братищев И.В. и др. Гипертензивные расстройства во время беременности, в родах и послеродовом периоде. Преэклампсия. Эклампсия. Клинические рекомендации (Протокол лечения). М.: Министерство здравоохранения Российской Федерации; 2016. 73 с. Режим доступа: https://mosgorzdrav.ru/ru-RU/science/default/download/472.html.; Стрижаков А.Н., Игнатко И.В., Тимохина Е.В., Белоцерковцева Л.Д. Синдром задержки роста плода: патогенез, диагностика, лечение, акушерская тактика. М.: ГЭОТАР-Медиа; 2014. 120 с. Режим доступа: https://www.rosmedlib.ru/book/ISBN9785970431566.; Obuchowski N.A., Bullen J.A. Receiver Operating Characteristic (ROC) Curves: Review of Methods with Applications in Diagnostic Medicine. Phys Med Biol. 2018;63(7):07TR01. doi:10.1088/1361-6560/aab4b1.; Котельников Г.П., Шпигель А.С. Доказательная медицина. Научно обоснованная медицинская практика. 2-е изд. М.: ГЭОТАР-Медиа, 2012; 239 с.; Napso T., Yong H.E.J, Lopez-Tello J., Sferruzzi-Perri A.N. The Role of Placental Hormones in Mediating Maternal Adaptations to Support Pregnancy and Lactation. Front Physiol. 2018;9:1091. doi:10.3389/fphys.2018.01091.; Chen X., Stein T.P., Steer R.A., Scholl T.O. Individual Free Fatty Acids Have Unique Associations with Inflammatory Biomarkers, Insulin Resistance and Insulin Secretion in Healthy and Gestational Diabetic Pregnant Women. BMJ Open Diabetes Res Care. 2019;7(1):e000632. doi:10.1136/bmjdrc-2018-000632.; Гордюнина С.В. Инсулинорезистентность при беременности (обзор литературы). Проблемы эндокринологии. 2013;59(5):61–66. doi:10.14341/probl201359561-66.; Nolan C.J., Prentki M. Insulin Resistance and Insulin Hypersecretion in the Metabolic Syndrome and Type 2 diabetes: Time for a Conceptual Framework Shift. Diab Vasc Dis Res. 2019;16(2):118–127. doi:10.1177/1479164119827611.; Ngala R.A., Fondjo L.A., Gmagna P., Ghartey F.N., Awe M.A. Placental Peptides Metabolism and Maternal Factors as Predictors of Risk of Gestational Diabetes in Pregnant Women. A Case-Control Study. PLoS One. 2017;12(7):e0181613. doi:10.1371/journal.pone.0181613.; Zafar U., Khaliq S., Ahmad H.U. Metabolic Syndrome: An Update on Diagnostic Criteria, Pathogenesis, and Genetic Links. Hormones (Athens). 2018;17(3):299–313. doi:10.1007/s42000-018-0051-3.; Bränn E., Edvinsson Å., Rostedt Punga A., Sundström-Poromaa I., Skalkidou A. et al. Inflammatory and Anti-Inflammatory Markers in Plasma: From Late Pregnancy to Early Postpartum. Sci Rep. 2019;9(1):1863. doi:10.1038/s41598-018-38304-w.; Moreno Santillan A.A., Briones Garduño J.C., Diaz de Leon Ponce M.A. Uric Acid in Pregnancy: New Concepts. Contrib Nephrol. 2018;192:110–115. doi:10.1159/000484285.; Echeverria C., Eltit F., Santibanez J.F., Gatica S., Cabello-Verrugio C., Simon F. Endothelial Dysfunction in Pregnancy Metabolic Disorders. Biochim Biophys Acta Mol Basis Dis. 2020;1866(2):165414. doi:10.1016/j.bbadis.2019.02.009.; Хромылев А.В., Макацария А.Д. Ожирение, метаболический синдром и тромбофилия. Акушерство и гинекология. 2017;(10):27–33. doi:10.18565/aig.2017.10.27-33.; Романцова Т.И., Сыч Ю.П. Иммунометаболизм и метавоспаление при ожирении. Ожирение и метаболизм. 2019;16(4):3–17. doi:10.14341/omet12218.; Шепель Р.Н., Драпкина О.М. Новые векторы в диагностике метаболического синдрома: оценка уровня сосудистого эндотелиального фактора роста, пентраксина-3 и трансформирующего фактора роста бета. Кардиоваскулярная терапия и профилактика. 2019; 18(6):57–61. doi:10.15829/1728-8800-2019-6-57-61.; Сидорова И.С., Никитина Н.А. Предиктивный, превентивный подход к ведению беременных группы риска развития преэклампсии. Российский вестник акушера-гинеколога. 2014;14(5):44–49. Режим доступа: https://www.mediasphera.ru/issues/rossijskij-vestnik-akusheraginekologa/2014/5/031726-6122201459.

Διαθεσιμότητα: https://www.med-sovet.pro/jour/article/view/6106
https://doi.org/10.21518/2079-701X-2021-4-174-184

Post-stroke cognitive impairment: screening with MMSE and MoCA and predictors of their persistence after treatment at the Stroke Center

Συγγραφείς: Соколова, Л. I.

Πηγή: Ukrainian Neurological Journal; No. 3—4 (2021); 31—41
Украинский неврологический журнал; № 3—4 (2021); 31—41
Український неврологічний журнал; № 3—4 (2021); 31—41

Θεματικοί όροι: post‑stroke cognitive impairment, stroke subtype, screening, постинсультные когнитивные нарушения, predictive models, MMSE, підтип інсульту, 3. Good health, сerebral stroke, подтип инсульта, прогностические модели, скринінг, прогностичні моделі, постінсультні когнітивні порушення, скрининг, мозковий інсульт, MoCA, мозговой инсульт

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://ukrneuroj.com.ua/article/view/243767

Холистическая модель когнитивно-ноэтического развития личности

Πηγή: Сибирский психологический журнал. 2021. № 81. С. 6-27

Θεματικοί όροι: образовательная среда, прогностические модели, структурно-динамические модели, холизм, психосемантика, когнитивно-ноэтическое развитие

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://vital.lib.tsu.ru/vital/access/manager/Repository/koha:000722233