Considering the significant impact of total cholesterol (TC) and vascular endothelin-1 (ET-1) on children sepsis outcomes, this research aimed to explore the association between the levels of plasma cholesterol and vascular endothelin-1 and the severity of sepsis and evaluated its clinical implications. In this study, we examined 250 pediatric patients diagnosed with sepsis between February 2019 and April 2021, collecting data on their plasma levels of TC and ET-1. Depending on the observed outcomes, the participants were divided into 2 categories: a group with a positive prognosis (control group, n = 100) and a group with a negative prognosis (n = 50). We assessed the significance of plasma TC and ET-1 levels in forecasting the outcomes for these pediatric patients. Patients in the group with a poor prognosis experienced notably longer hospital stays and higher treatment expenses than those in the control group ( P < .05). Within the first 24 hours of admission and again on days 3 and 7, the levels of ET-1 were significantly higher in the poor prognosis group, whereas plasma TC levels were notably lower in comparison to the control group ( P < .05). A Spearman correlation analysis identified a significant correlation between the levels of plasma TC and ET-1 and the severity of sepsis among the children ( P < .05). The diagnostic performance for the severity of sepsis in children, as measured by the area under the curve (AUC), was 0.805 for plasma TC, 0.777 for ET-1 levels, and 0.938 when both were combined. This investigation underscores a meaningful relationship between the levels of plasma TC and ET-1 in pediatric sepsis patients, suggesting these biomarkers are highly valuable in predicting patient outcomes. High levels of ET-1 and low levels of TC in these patients signify a grave condition and a poor prognosis.

Human amniotic epithelial cells (hAECs), as pluripotent stem cells, have characteristics of immune privilege and great clinical potential. Here, we produced hAECs membrane consisting of single-layer hAECs and basal membrane (BM) of human amniotic membrane (hAM). In conventional methods, hAECs were isolated from hAM by repeated trypsin digestion. In this study, collagenase I and cell scraper were used to remove human amniotic mesenchymal stem cells (hAMSCs) from hAM and hAECs-only membranes were produced. These hAECs on the membranes were evaluated by surface biomarkers including epithelial cell adhesion molecule (EpCAM), stage-specific embryonic antigen 4 (SSEA4) and endoglin (CD105), transcriptional level of biomarkers including POU class 5 homeobox 1 (OCT4), sex determining region Y-box 2 (SOX2), fibroblast growth factor 4 (FGF4), immunofluorescence of cytokeratin-8 (CK-8), alpha smooth muscle actin (α-SMA) and collagen type I alpha 1 chain (ColA1). Finally, the hAECs membrane were transplanted on skin-removed mice to evaluate its effect on wound healing. In comparison to the hAECs isolated by the conventional methods, the cells isolated by this proposed method had higher purity of hAECs, expressed higher in pluripotency related genes, and maintained an epithelium construction in a long-term culture. In mice application, the hAECs membrane effectively improved the skin wound healing. An efficient method was successfully established to produce hAECs membrane in this work which not only held promise to obtain hAECs in higher purity and quality, but also showed practical clinical potential.

A deep learning (DL) model that can automatically detect and classify cervical canal and neural foraminal stenosis using cervical spine magnetic resonance imaging (MRI) can improve diagnostic accuracy and efficiency. A method comprising region-of-interest (ROI) detection and cascade prediction was formulated for diagnosing cervical spinal stenosis based on a DL model. First, three part-specific convolutional neural networks were employed to detect the ROIs in different parts of the cervical MR images. Cascade prediction of the stenosis categories was subsequently performed to record the stenosis level and position on each patient slice. Finally, the results were combined to obtain a patient-level diagnostic report. Performance was evaluated based on the accuracy (ACC), area under the curve (AUC), sensitivity, specificity, F1 Score, diagnosis time of the DL model, and recall rate for ROI detection localization. The average recall rate of the ROI localization was 89.3% (neural foramen) and 99.7% (central canal) under the five-fold cross-validation of the DL model. In the dichotomous classification (normal or mild vs. moderate or severe), the ACC and AUC of the DL model were comparable to those of the radiologists, and the F1 score (84.8%) of the DL model was slightly higher than that of the radiologists (83.8%) for the central canal. Diagnosing whether the central canal or neural foramen of a slice is narrowed in the cervical MRI scan required an average of 15 and 0.098 s for the radiologists and DL model, respectively. The DL model demonstrated comparable performance with subspecialist radiologists for the detection and classification of central canal and neural foraminal stenosis on cervical spine MRI. Moreover, the DL model demonstrated significant timesaving ability.

Motivation: Treatment options for spinal tumors are challenging. Goal(s): To predict the progression-free survival (PFS) of aggressive spinal tumors based on MRI combined with clinical features to aid early personalized treatment decisions. Approach: Clinical, pathological and imaging data of 211 patients underwent spinal tumor surgery at two research centers were retrospectively analyzed. Tumoral and peritumoral features were extracted from T1WI and T2WI images. Clinical-radiomics nomogram was developed by radiomics signatures and the predictive clinical parameters. Results: The integrative model showed best performance in PFS evaluation for the prediction of postoperative PFS, with the AUC was 0.86 and 0.81 in the training and test cohort. Impact: Rad-score is an independent factor for PFS after resection for spinal tumor. The nomogram established in this study could be an effective tool for the clinical prediction of PFS after surgery.