A 3.8-ns, 257-mW, 16*16-b CMOS multiplier with a supply voltage of 4 V is described. A complementary pass-transistor logic (CPL) is proposed and applied to almost the entire critical path. The CPL consists of complementary inputs/outputs, an nMOS pass-transistor logic network, and CMOS output inverters. The CPL is twice as fast as conventional CMOS due to lower input capacitance and high logic functionality. Its multiplication time is the fastest ever reported, even for bipolar and GaAs ICs, and it can be enhanced further to 2.6 ns with 60 mW at 77 K.< >

Background/aims To design a deep learning (DL) model for the detection of glaucoma progression with a longitudinal series of macular optical coherence tomography angiography (OCTA) images. Methods 202 eyes of 134 patients with open-angle glaucoma with ≥4 OCTA visits were followed for an average of 3.5 years. Glaucoma progression was defined as having a statistically significant negative 24-2 visual field (VF) mean deviation (MD) rate. The baseline and final macular OCTA images were aligned according to centre of fovea avascular zone automatically, by checking the highest value of correlation between the two images. A customised convolutional neural network (CNN) was designed for classification. A comparison of the CNN to logistic regression model for whole image vessel density (wiVD) loss on detection of glaucoma progression was performed. The performance of the model was defined based on the confusion matrix of the validation dataset and the area under receiver operating characteristics (AUC). Results The average (95% CI) baseline VF MD was −3.4 (−4.1 to −2.7) dB. 28 (14%) eyes demonstrated glaucoma progression. The AUC (95% CI) of the DL model for the detection of glaucoma progression was 0.81 (0.59 to 0.93). The sensitivity, specificity and accuracy (95% CI) of DL model were 67% (34% to 78%), 83% (42% to 97%) and 80% (52% to 95%), respectively. The AUC (95% CI) for the detection of glaucoma progression based on the logistic regression model was lower than the DL model (0.69 (0.50 to 0.88)). Conclusion The optimised DL model detected glaucoma progression based on longitudinal macular OCTA images showed good performance. With external validation, it could enhance detection of glaucoma progression. Trial registration number NCT00221897 .

Background/aims To investigate the association between use of metformin and circumpapillary retinal nerve fibre layer (cpRNFL) thickness, as well as whole image capillary density (wiCD), in patients with glaucoma. Methods This cross-sectional study included patients with glaucoma suspect or primary open-angle glaucoma (POAG) underwent optical coherence tomography angiography imaging. Use and duration of antidiabetic medications were assessed at the time of imaging. Multivariable linear mixed-effect modelling was used to estimate the effect of diabetes medication on wiCD and cpRNFL while controlling for covariates including age, race, body mass index, diagnosis, 24–2 visual field mean deviation, and intraocular pressure, average signal strength index as well as any variables that showed a p <0.1 in the univariable analysis. Results A total of 577 eyes (330 POAG and 247 glaucoma suspect) of 346 patients were included. Sixty-five patients (23%) had diabetes, of whom 55 (78.5%) used metformin, and 17 (26.2%) used insulin. After adjusting for covariates, the association between metformin use and wiCD (1.56 (95% CI 0.40 to 2.71); p=0.008), duration of metformin use and wiCD (0.12 (95% CI 0.02 to 0.22) per 1 year longer; p=0.037), and metformin use and cpRNFL thickness (5.17 (95% CI 1.24 to 9.10) µm; p=0.010) had statistically significant associations in each model. Conclusions Metformin use was associated with higher wiCD and thicker cpRNFL. These findings indicate a potential association, underscoring the need for longitudinal studies to determine if metformin plays a role in the retinal conditions of patients with glaucoma. Trial registration number NCT00221897

Objective Community-acquired pneumonia is an acute infectious disease with potentialy life-threatening consequences. Because invasive mechanical ventilation (IMV) requires the attention of many medical staff, early risk prediction at the time of admission is expected to lead to a predictable course of patient care and the appropriate allocation of medical resources. There are a limited number of reports on predictive factors for IMV, such as SMART-COP. Therefore, further studies are required.