Importance Psoriasis is a common autoinflammatory disease influenced by complex interactions between environmental and genetic factors. The influence of long-term air pollution exposure on psoriasis remains underexplored. Objective To examine the association between long-term exposure to air pollution and psoriasis and the interaction between air pollution and genetic susceptibility for incident psoriasis. Design, Setting, and Participants This prospective cohort study used data from the UK Biobank. The analysis sample included individuals who were psoriasis free at baseline and had available data on air pollution exposure. Genetic analyses were restricted to White participants. Data were analyzed between November 1 and December 10, 2023. Exposures Exposure to nitrogen dioxide (NO 2 ), nitrogen oxides (NO x ), fine particulate matter with a diameter less than 2.5 µm (PM 2.5 ), and particulate matter with a diameter less than 10 µm (PM 10 ) and genetic susceptibility for psoriasis. Main Outcomes and Measures To ascertain the association of long-term exposure to NO 2 , NO x , PM 2.5 , and PM 10 with the risk of psoriasis, a Cox proportional hazards model with time-varying air pollution exposure was used. Cox models were also used to explore the potential interplay between air pollutant exposure and genetic susceptibility for the risk of psoriasis incidence. Results A total of 474 055 individuals were included, with a mean (SD) age of 56.54 (8.09) years and 257 686 (54.36%) female participants. There were 9186 participants (1.94%) identified as Asian or Asian British, 7542 (1.59%) as Black or Black British, and 446 637 (94.22%) as White European. During a median (IQR) follow-up of 11.91 (11.21-12.59) years, 4031 incident psoriasis events were recorded. There was a positive association between the risk of psoriasis and air pollutant exposure. For every IQR increase in PM 2.5 , PM 10 , NO 2 , and NO x , the hazard ratios (HRs) were 1.41 (95% CI, 1.35-1.46), 1.47 (95% CI, 1.41-1.52), 1.28 (95% CI, 1.23-1.33), and 1.19 (95% CI, 1.14-1.24), respectively. When comparing individuals in the lowest exposure quartile (Q1) with those in the highest exposure quartile (Q4), the multivariate-adjusted HRs were 2.01 (95% CI, 1.83-2.20) for PM 2.5 , 2.21 (95% CI, 2.02-2.43) for PM 10 , 1.64 (95% CI, 1.49-1.80) for NO 2 , and 1.34 (95% CI, 1.22-1.47) for NO x . Moreover, significant interactions between air pollution and genetic predisposition for incident psoriasis were observed. In the subset of 446 637 White individuals, the findings indicated a substantial risk of psoriasis development in participants exposed to the highest quartile of air pollution levels concomitant with high genetic risk compared with those in the lowest quartile of air pollution levels with low genetic risk (PM 2.5 : HR, 4.11; 95% CI, 3.46-4.90; PM 10 : HR, 4.29; 95% CI, 3.61-5.08; NO 2 : HR, 2.95; 95% CI, 2.49-3.50; NO x : HR, 2.44; 95% CI, 2.08-2.87). Conclusions and Relevance In this prospective cohort study of the association between air pollution and psoriasis, long-term exposure to air pollution was associated with increased psoriasis risk. There was an interaction between air pollution and genetic susceptibility on psoriasis risk.

Researches have found that alteration of intestinal flora may be closely related to the development of autism spectrum disorder (ASD). However, whether probiotics supplementation has a protective effect on ASD remains controversial. This meta-analysis aimed to analyze the outcome of probiotics in the treatment of ASD children.

There are few existing studies that investigate the risk of systemic lupus erythematosus (SLE) associated with long-term exposure to air pollutants. This study aimed to explore associations between long-term exposure to air pollutants and incident SLE and further evaluate interactions and joint effects of genetic risk and air pollutants.

Background Oral microenvironmental disorders are associated with an increased risk of heart failure with preserved ejection fraction (HFpEF). Hyperspectral imaging (HSI) technology enables the detection of substances that are visually indistinguishable to the human eye, providing a noninvasive approach with extensive applications in medical diagnostics. Objective The objective of this study is to develop and validate a digital, noninvasive oral diagnostic model for patients with HFpEF using HSI combined with various machine learning algorithms. Methods Between April 2023 and August 2023, a total of 140 patients were recruited from Renmin Hospital of Wuhan University to serve as the training and internal testing groups for this study. Subsequently, from August 2024 to September 2024, an additional 35 patients were enrolled from Three Gorges University and Yichang Central People’s Hospital to constitute the external testing group. After preprocessing to ensure image quality, spectral and textural features were extracted from the images. We extracted 25 spectral bands from each patient image and obtained 8 corresponding texture features to evaluate the performance of 28 machine learning algorithms for their ability to distinguish control participants from participants with HFpEF. The model demonstrating the optimal performance in both internal and external testing groups was selected to construct the HFpEF diagnostic model. Hyperspectral bands significant for identifying participants with HFpEF were identified for further interpretative analysis. The Shapley Additive Explanations (SHAP) model was used to provide analytical insights into feature importance. Results Participants were divided into a training group (n=105), internal testing group (n=35), and external testing group (n=35), with consistent baseline characteristics across groups. Among the 28 algorithms tested, the random forest algorithm demonstrated superior performance with an area under the receiver operating characteristic curve (AUC) of 0.884 and an accuracy of 82.9% in the internal testing group, as well as an AUC of 0.812 and an accuracy of 85.7% in the external testing group. For model interpretation, we used the top 25 features identified by the random forest algorithm. The SHAP analysis revealed discernible distinctions between control participants and participants with HFpEF, thereby validating the diagnostic model’s capacity to accurately identify participants with HFpEF. Conclusions This noninvasive and efficient model facilitates the identification of individuals with HFpEF, thereby promoting early detection, diagnosis, and treatment. Our research presents a clinically advanced diagnostic framework for HFpEF, validated using independent data sets and demonstrating significant potential to enhance patient care. Trial Registration China Clinical Trial Registry ChiCTR2300078855; https://www.chictr.org.cn/showproj.html?proj=207133