Background Considerable interindividual variability for the pharmacokinetics of caffeine in preterm infants has been demonstrated, emphasizing the importance of personalized dosing. This study aimed to develop and apply a repository of currently published population pharmacokinetic (PopPK) models of caffeine in preterm infants to facilitate model-informed precision dosing (MIPD).

Abstract Background Bacterial vaginosis (BV) was the most common condition for women’s health caused by the disruption of normal vaginal flora and an overgrowth of certain disease-causing bacteria, affecting 30-50% of women at some time in their lives. Gram stain followed by Nugent scoring (NS) based on bacterial morphotypes under the microscope was long considered golden standard for BV diagnosis. This conventional manual method was often considered labor intensive, time consuming, and variable results from person to person. Methods We developed four convolutional neural networks (CNN) models, and evaluated their ability to automatic identify vaginal bacteria and classify Nugent scores from microscope images. All the CNN models were first trained with 23280 microscopic images labeled with Nugent scores from top experts. A separate set of 5815 images were evaluated by the CNN models. The best CNN model was selected to generalize its application on an independent sets of 1082 images collecting from three teaching hospitals. Different hardwares were used to take images in hospitals. Results Our model could classify three Nugent Scores from images with high three classification accuracy of 89.3% (with 82.4% sensitivity and 96.6% specificity) on the 5815 test images, which was better diagnostic yield than the top-level technologists and obstetricians in China. The ability of generalization for our model was strong that it obtained 75.1%, which was 6.6% higher than the average of technologists. Conclusion The CNN model over performed human healthcare practitioners on accuracy, efficiency and stability for BV diagnosis using microscopic image-based Nugent scores. The deep learning model may offer translational application in automating diagnosis of bacterial vaginosis with proper supporting hardware.

Abstract The aim of this study was to develop a real-time risk prediction model for extrauterine growth retardation (EUGR). A total of 2514 very preterm infants were allocated into a training set and an external validation set. The most appropriate independent variables were screened using univariate analysis and Lasso regression with tenfold cross-validation, while the prediction model was designed using binary multivariate logistic regression. A visualization of the risk variables was created using a nomogram, while the calibration plot and receiver operating characteristic (ROC) curves were used to calibrate the prediction model. Clinical efficacy was assessed using the decision curve analysis (DCA) curves. Eight optimal predictors that namely birth weight, small for gestation age (SGA), hypertensive disease complicating pregnancy (HDCP), gestational diabetes mellitus (GDM), multiple births, cumulative duration of fasting, growth velocity and postnatal corticosteroids were introduced into the logistic regression equation to construct the EUGR prediction model. The area under the ROC curve of the training set and the external verification set was 83.1% and 84.6%, respectively. The calibration curve indicate that the model fits well. The DCA curve shows that the risk threshold for clinical application is 0–95% in both set. Introducing Birth weight, SGA, HDCP, GDM, Multiple births, Cumulative duration of fasting, Growth velocity and Postnatal corticosteroids into the nomogram increased its usefulness for predicting EUGR risk in very preterm infants.

Highlights•The deep learning algorithm multiscale residual attention has a significant effect on stroke lesion segmentation.•Multivariate Logistic Regression Shows Significant Relationship of radiomics Characteristics on Stroke Recurrence.•Integrating radiomics and clinical data to establish a machine learning prediction model can significantly improve the prediction effect.AbstractObjectiveTo explore the performance of deep learning-based segmentation of infarcted lesions in the brain MRI of patients with AIS and the recurrence prediction value of radiomics within 1 year after discharge as well as to develop a model incorporating radiomics features and clinical factors to accurately predict AIS recurrence.Materials and MethodsTo generate a segmentation model of MRI lesions in AIS, the deep learning algorithm multiscale residual attention UNet (MRA-UNet) was employed. Furthermore, the risk factors for AIS recurrence within 1 year were explored using logistic regression analysis. In addition, to develop the prediction model for AIS recurrence within 1 year after discharge, four machine learning algorithms, namely, LR, RandomForest, CatBoost, and XGBoost, were employed based on radiomics data, clinical data, and their combined data.ResultsIn the validation set, the MDice and MIou of the MRA-UNet segmentation model were 0.816 and 0.801, respectively. In multivariate logistic regression analysis, age, renal insufficiency, C-reactive protein, triglyceride glucose index, prognostic nutritional index, and infarct volume were identified as the independent risk factors for stroke recurrence. Furthermore, in the validation set, combining radiomics data and clinical data, the AUC was 0.835 (95%CI:0.738, 0.932), 0.834 (95%CI:0.740, 0.928), 0.858 (95%CI:0.770, 0.946), and 0.842 (95%CI:0.752, 0.932) for the LR, RandomForest, CatBoost, and XGBoost models, respectively.ConclusionThe MRA-UNet model can effectively improve the segmentation accuracy of diffusion-weighted images. The model, which was established by combining radiomics features and clinical factors, held some value for predicting ischemic stroke recurrence within 1 year.

Objective To validate the accuracy of the G.LAB MD6300 oscillometric upper arm blood pressure monitor in the sitting, supine, and right lateral decubitus position in the general population according to the Association for the Advancement of Medical Instrumentation/European Society of Hypertension/International Organization for Standardization (AAMI/ESH/ISO) Universal Standard (ISO 81060-2 : 2018+AMD1 : 2020). Methods The qualified participants were recruited in the study and the same left-arm sequential method was used for blood pressure measurement according to the Universal Standard. The validation results were assessed for the three positions and the Bland–Altman scatter plot was used to show the difference between the test device and reference results. Results A total of 85 participants were included in the analysis. The mean differences between the test device and reference readings were 0.95 ± 6.76/0.47 ± 6.71 mmHg, 0.55 ± 6.73/−0.20 ± 6.72 mmHg, and − 0.71 ± 7.11/−0.86 ± 7.06 mmHg for SBP and DBP for the validation criterion 1 in the sitting position, supine with upward palm position, and right lateral decubitus position with downward left palm flat on left side position, respectively. Furthermore, the mean differences and their standard deviations for SBP and DBP calculated according to criterion 2 in the ISO81060-2 : 2018+AMD1 : 2020 were acceptable in all three positions. Conclusion The G.LAB MD6300 upper arm blood pressure monitor fulfilled the validation criteria of the AAMI/ESH/ISO Universal Standard (ISO 81060-2 : 2018+AMD1 : 2020) in the sitting position, and its accuracy in the supine and right lateral decubitus position was acceptable and roughly equivalent to that in the sitting position. Therefore, it can be recommended for clinical use and self-measurement in the general population.