Ma túy là gì? Các công bố khoa học về Ma túy

Chúng tôi trình bày một cách cải thiện ước tính tiếp tuyến nội bộ trong phương pháp băng đàn hồi điều chỉnh nhằm tìm kiếm đường dẫn năng lượng tối thiểu. Trong các hệ thống mà lực dọc theo đường dẫn năng lượng tối thiểu là lớn so với lực phục hồi vuông góc với đường dẫn và khi nhiều hình ảnh của hệ thống được bao gồm trong băng đàn hồi, các nếp gấp có thể phát triển và ngăn cản băng hội tụ vào đường dẫn năng lượng tối thiểu. Chúng tôi chỉ ra cách các nếp gấp phát sinh và trình bày một cách cải thiện ước tính tiếp tuyến địa phương để giải quyết vấn đề này. Nhiệm vụ tìm kiếm chính xác năng lượng và cấu hình cho điểm yên ngựa cũng được thảo luận và các ví dụ cho thấy phương pháp bổ sung, phương pháp dimer, được sử dụng để nhanh chóng hội tụ đến điểm yên ngựa. Cả hai phương pháp chỉ yêu cầu đạo hàm cấp một của năng lượng và do đó có thể dễ dàng áp dụng trong các tính toán lý thuyết hàm mật độ dựa trên sóng phẳng. Các ví dụ được đưa ra từ nghiên cứu về cơ chế khuếch tán trao đổi trong tinh thể Si, sự hình thành Al addimer trên bề mặt Al(100) và sự hấp phụ phân ly của CH4 trên bề mặt Ir(111).

Học máy (Machine learning) nghiên cứu vấn đề làm thế nào để xây dựng các hệ thống máy tính tự động cải thiện qua kinh nghiệm. Đây là một trong những lĩnh vực kỹ thuật phát triển nhanh chóng hiện nay, nằm tại giao điểm của khoa học máy tính và thống kê, và là cốt lõi của trí tuệ nhân tạo và khoa học dữ liệu. Tiến bộ gần đây trong học máy được thúc đẩy bởi sự phát triển của các thuật toán và lý thuyết học mới cùng với sự bùng nổ liên tục trong việc sẵn có dữ liệu trực tuyến và khả năng tính toán chi phí thấp. Việc áp dụng các phương pháp học máy dựa trên dữ liệu đã xuất hiện trong khoa học, công nghệ và thương mại, dẫn đến việc ra quyết định dựa trên bằng chứng trong nhiều lĩnh vực cuộc sống, bao gồm chăm sóc sức khỏe, sản xuất, giáo dục, mô hình tài chính, cảnh sát và tiếp thị.

Tình trạng mắc ung thư và tử vong tại Hoa Kỳ đã được dự đoán cho các loại ung thư phổ biến nhất trong các năm 2020 và 2030 dựa trên sự thay đổi nhân khẩu học và tỷ lệ thay đổi trung bình hàng năm về tỉ lệ mắc và tử vong. Ung thư vú, tuyến tiền liệt và phổi sẽ tiếp tục là những loại ung thư hàng đầu trong suốt khoảng thời gian này, nhưng ung thư tuyến giáp sẽ thay thế ung thư đại trực tràng trở thành loại ung thư chẩn đoán đứng thứ tư vào năm 2030, và ung thư hắc tố cùng ung thư tử cung sẽ trở thành các loại ung thư phổ biến thứ năm và thứ sáu, tương ứng. Ung thư phổi được dự đoán sẽ vẫn là nguyên nhân gây tử vong ung thư hàng đầu trong khoảng thời gian này. Tuy nhiên, ung thư tụy và gan dự kiến sẽ vượt qua ung thư vú, tuyến tiền liệt và ung thư đại trực tràng để trở thành nguyên nhân gây tử vong liên quan đến ung thư đứng thứ hai và thứ ba vào năm 2030, tương ứng. Những tiến bộ trong sàng lọc, phòng ngừa và điều trị có thể làm thay đổi tình trạng mắc và/hoặc tỷ lệ tử vong do ung thư, nhưng điều này sẽ đòi hỏi sự nỗ lực hợp tác của cộng đồng nghiên cứu và y tế ngay bây giờ để mang lại sự thay đổi đáng kể cho tương lai. Cancer Res; 74(11); 2913–21. ©2014 AACR.

Tóm tắt. Cả sai số bình phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAE) đều thường được sử dụng trong các nghiên cứu đánh giá mô hình. Willmott và Matsuura (2005) đã đề xuất rằng RMSE không phải là một chỉ số tốt về hiệu suất trung bình của mô hình và có thể là một chỉ báo gây hiểu lầm về sai số trung bình, do đó MAE sẽ là một chỉ số tốt hơn cho mục đích đó. Mặc dù một số lo ngại về việc sử dụng RMSE được Willmott và Matsuura (2005) và Willmott et al. (2009) nêu ra là có cơ sở, sự đề xuất tránh sử dụng RMSE thay vì MAE không phải là giải pháp. Trích dẫn những bài báo đã nói ở trên, nhiều nhà nghiên cứu đã chọn MAE thay vì RMSE để trình bày thống kê đánh giá mô hình của họ khi việc trình bày hoặc thêm các chỉ số RMSE có thể có lợi hơn. Trong ghi chú kỹ thuật này, chúng tôi chứng minh rằng RMSE không mơ hồ trong ý nghĩa của nó, trái ngược với những gì được Willmott et al. (2009) tuyên bố. RMSE thích hợp hơn để đại diện cho hiệu suất của mô hình khi phân phối sai số được kỳ vọng là phân phối Gaussian. Ngoài ra, chúng tôi chỉ ra rằng RMSE thỏa mãn yêu cầu bất đẳng thức tam giác cho một chỉ số đo khoảng cách, trong khi Willmott et al. (2009) chỉ ra rằng các thống kê dựa trên tổng bình phương không thỏa mãn quy tắc này. Cuối cùng, chúng tôi đã thảo luận về một số tình huống mà việc sử dụng RMSE sẽ có lợi hơn. Tuy nhiên, chúng tôi không tranh cãi rằng RMSE ưu việt hơn MAE. Thay vào đó, một sự kết hợp của các chỉ số, bao gồm nhưng chắc chắn không giới hạn ở RMSEs và MAEs, thường cần thiết để đánh giá hiệu suất của mô hình.\n

Bài viết này mô tả sự phát triển mới nhất của một cách tiếp cận tổng quát để phát hiện và hình dung các xu hướng nổi bật và các kiểu tạm thời trong văn học khoa học. Công trình này đóng góp đáng kể về lý thuyết và phương pháp luận cho việc hình dung các lĩnh vực tri thức tiến bộ. Một đặc điểm là chuyên ngành được khái niệm hóa và hình dung như một sự đối ngẫu theo thời gian giữa hai khái niệm cơ bản trong khoa học thông tin: các mặt trận nghiên cứu và nền tảng trí tuệ. Một mặt trận nghiên cứu được định nghĩa như một nhóm nổi bật và nhất thời của các khái niệm và các vấn đề nghiên cứu nền tảng. Nền tảng trí tuệ của một mặt trận nghiên cứu là dấu chân trích dẫn và đồng trích dẫn của nó trong văn học khoa học—một mạng lưới phát triển của các ấn phẩm khoa học được trích dẫn bởi các khái niệm mặt trận nghiên cứu. Thuật toán phát hiện bùng nổ của Kleinberg (2002) được điều chỉnh để nhận dạng các khái niệm mặt trận nghiên cứu nổi bật. Thước đo độ trung gian của Freeman (1979) được sử dụng để làm nổi bật các điểm chuyển đổi tiềm năng như các điểm chịu ảnh hưởng nền tảng trong thời gian. Hai quan điểm hình dung bổ sung được thiết kế và thực hiện: các quan điểm cụm và các quan điểm vùng thời gian. Những đóng góp của phương pháp là (a) bản chất của một nền tảng trí tuệ được nhận diện bằng thuật toán và theo thời gian bởi các thuật ngữ mặt trận nghiên cứu nổi bật, (b) giá trị của một cụm đồng trích dẫn được diễn giải rõ ràng theo các khái niệm mặt trận nghiên cứu, và (c) các điểm chịu ảnh hưởng nổi bật và được phát hiện bằng thuật toán giảm đáng kể độ phức tạp của một mạng lưới đã được hình dung. Quá trình mô hình hóa và hình dung được thực hiện trong CiteSpace II, một ứng dụng Java, và áp dụng vào phân tích hai lĩnh vực nghiên cứu: tuyệt chủng hàng loạt (1981–2004) và khủng bố (1990–2003). Các xu hướng nổi bật và các điểm chịu ảnh hưởng trong mạng lưới được hình dung đã được xác minh phối hợp với các chuyên gia trong lĩnh vực, là tác giả của các bài báo chịu ảnh hưởng. Các ngụ ý thực tiễn của công trình được thảo luận. Một số thách thức và cơ hội cho các nghiên cứu sau này được xác định.

Phản ứng chuỗi polymerase phiên mã ngược (RT-PCR) là phương pháp nhạy nhất để phát hiện mRNA với số lượng thấp, thường thu được từ các mẫu mô hạn chế. Tuy nhiên, đây là một kỹ thuật phức tạp, có nhiều vấn đề đáng kể liên quan đến độ nhạy, tính tái sản xuất và tính đặc hiệu của nó, và với tư cách là một phương pháp định lượng, nó gặp phải những vấn đề vốn có trong PCR. Sự ra đời gần đây của các quy trình RT-PCR động học dựa trên huỳnh quang đã đơn giản hóa đáng kể quá trình tạo ra sự định lượng mRNA tái sản xuất và hứa hẹn sẽ khắc phục những hạn chế này. Tuy nhiên, việc áp dụng thành công của chúng phụ thuộc vào sự hiểu biết rõ ràng về các vấn đề thực tiễn, và thiết kế thí nghiệm, ứng dụng và xác thực cẩn thận vẫn là điều cần thiết để đo lường định lượng chính xác sự phiên mã. Bài đánh giá này thảo luận về các khía cạnh kỹ thuật liên quan, tương phản giữa các phương pháp RT-PCR thông thường và động học trong việc định lượng biểu hiện gen và so sánh các hệ thống RT-PCR động học khác nhau. Nó minh họa sự hữu ích của những xét nghiệm này bằng cách chứng minh sự khác biệt đáng kể về mức độ phiên mã giữa các cá thể trong họ gen housekeeping, dehydrogenase glyceraldehyde-3-phosphate (GAPDH).

Phân tích thành phần chính phi tuyến (NLPCA) là một kỹ thuật mới cho phân tích dữ liệu đa biến, tương tự như phương pháp phân tích thành phần chính (PCA) nổi tiếng. NLPCA, giống như PCA, được sử dụng để xác định và loại bỏ các mối tương quan giữa các biến vấn đề nhằm hỗ trợ giảm chiều, trực quan hóa và phân tích dữ liệu khám phá. Trong khi PCA chỉ xác định các mối tương quan tuyến tính giữa các biến, NLPCA phát hiện cả các mối tương quan tuyến tính và phi tuyến, không bị giới hạn bởi đặc điểm của các phi tuyến trong dữ liệu. NLPCA hoạt động bằng cách huấn luyện một mạng nơ-ron feedforward để thực hiện ánh xạ đồng nhất, trong đó đầu vào của mạng được tái hiện ở lớp đầu ra. Mạng này chứa một lớp “nút thắt” nội bộ (chứa ít nút hơn so với các lớp đầu vào hoặc đầu ra), buộc mạng phải phát triển một biểu diễn gọn gàng của dữ liệu đầu vào và hai lớp ẩn bổ sung. Phương pháp NLPCA được trình bày qua dữ liệu phản ứng lô mô phỏng theo thời gian. Kết quả cho thấy NLPCA thành công trong việc giảm chiều và tạo ra bản đồ không gian đặc trưng tương tự như phân bố thực tế của các tham số hệ thống tiềm ẩn.

Sinh gen là một trong những yếu tố tiên lượng giá trị nhất trong bệnh ung thư máu trắng giáp tủy cấp tính (AML). Tuy nhiên, nhiều nghiên cứu dựa trên khẳng định này đã bị hạn chế bởi kích thước mẫu tương đối nhỏ hoặc phương pháp điều trị khác nhau, dẫn đến dữ liệu mâu thuẫn liên quan đến ý nghĩa tiên lượng của các bất thường sinh gen cụ thể. Thử nghiệm MRC AML 10, bao gồm trẻ em và người lớn lên đến 55 tuổi, không chỉ cung cấp cơ hội để xác định ý nghĩa tiên lượng độc lập của sinh gen trước điều trị trong bối cảnh các nhóm bệnh nhân lớn nhận được liệu pháp tương đương, mà còn giải quyết tác động của chúng đối với kết quả của các quy trình ghép tế bào trình diễn xảy ra trong lần remmision hoàn toàn đầu tiên (CR). Dựa trên phản ứng với điều trị induction, rủi ro tái phát và tỷ lệ sống sót tổng thể, ba nhóm tiên lượng có thể được xác định dựa trên các bất thường sinh gen được phát hiện tại thời điểm trình diễn so với kết quả của bệnh nhân có kiểu hình bình thường. AML liên quan đến t(8;21), t(15;17) hoặc inv(16) dự đoán kết quả tương đối thuận lợi. Trong khi đó, ở những bệnh nhân thiếu các thay đổi thuận lợi này, sự hiện diện của kiểu hình phức tạp, −5, del(5q), −7, hoặc bất thường ở 3q xác định một nhóm có tiên lượng tương đối kém. Nhóm bệnh nhân còn lại bao gồm những người có bất thường 11q23, +8, +21, +22, del(9q), del(7q) hoặc các khuyết tật cấu trúc hoặc số lượng khác không thuộc các nhóm rủi ro thuận lợi hoặc bất lợi đã có một tiên lượng trung bình. Sự hiện diện của các bất thường sinh gen bổ sung không làm thay đổi kết quả của những bệnh nhân có sinh gen thuận lợi. Phân tích nhóm cho thấy rằng ba nhóm tiên lượng xác định bằng sinh gen vẫn giữ được giá trị dự đoán của chúng trong bối cảnh AML thứ phát cũng như de novo, trong nhóm độ tuổi nhi khoa và hơn nữa đã được phát hiện là yếu tố quyết định chính của kết quả từ ghép tế bào gốc tủy xương tự thân hoặc đồng loại (BMT) trong CR đầu tiên. Nghiên cứu này làm nổi bật tầm quan trọng của sinh gen chẩn đoán như một yếu tố tiên lượng độc lập trong AML, cung cấp khuôn khổ cho phương pháp điều trị phân tầng đối với căn bệnh này, đã được áp dụng trong thử nghiệm MRC AML 12 hiện tại.

Các loại thuốc kết hợp với thủ thể opioid ngày càng được kê đơn nhiều hơn để điều trị các tình trạng đau mãn tính đa dạng và khác nhau. Việc sử dụng chúng để giảm đau cấp tính hoặc đau giai đoạn cuối đã được chấp nhận rộng rãi. Tuy nhiên, vai trò của chúng trong việc điều trị lâu dài cho đau mãn tính không do ung thư lại gây tranh cãi vì nhiều lý do. Một trong những lý do chính là hiện tượng nghiện tâm lý nổi tiếng có thể xảy ra khi sử dụng các loại thuốc này. Sự lạm dụng và chuyển hướng của các loại thuốc này đang trở thành một vấn đề ngày càng gia tăng khi tính sẵn có của các loại thuốc này tăng lên, và vấn đề sức khỏe cộng đồng này làm rối loạn hiệu quả lâm sàng của chúng. Hơn nữa, mức độ hiệu quả của chúng trong việc điều trị đau khi được sử dụng lâu dài chưa được chứng minh rõ ràng. Cuối cùng, vai trò của opioid trong điều trị đau mãn tính còn bị ảnh hưởng bởi việc chúng thường liên quan đến một số lượng lớn các tác dụng phụ và biến chứng đáng kể. Chính những hiện tượng này là trọng tâm của bài đánh giá này. Các tác dụng phụ phổ biến của việc sử dụng opioid bao gồm buồn ngủ, chóng mặt, buồn nôn, nôn, táo bón, sự phụ thuộc về mặt thể chất, dung sai, và suy hô hấp. Sự phụ thuộc thể chất và nghiện là những mối quan tâm lâm sàng có thể ngăn ngừa việc kê đơn đúng cách và dẫn đến chăm sóc đau không tối ưu. Các tác dụng phụ ít phổ biến hơn có thể bao gồm chậm làm rỗng dạ dày, nhạy cảm đau, rối loạn miễn dịch và nội tiết, cứng cơ, và co giật cơ. Các tác dụng phụ phổ biến nhất của việc sử dụng opioid là táo bón (có tỷ lệ rất cao) và buồn nôn. Hai tác dụng phụ này có thể rất khó kiểm soát và thường không phát triển sự dung sai; điều này đặc biệt đúng với táo bón. Chúng có thể nghiêm trọng đến mức cần ngừng sử dụng opioid, và đóng góp vào liều lượng thấp và chăm sóc đau không đầy đủ. Một số thử nghiệm lâm sàng đang được tiến hành để xác định các liệu pháp bổ sung có thể giảm nhẹ các tác dụng phụ này. Việc chuyển đổi opioid và/hoặc đường dùng thuốc cũng có thể mang lại lợi ích cho bệnh nhân. Sàng lọc bệnh nhân đúng cách, giáo dục, và điều trị dự phòng các tác dụng phụ tiềm tàng có thể giúp tối đa hóa hiệu quả và giảm bớt mức độ nghiêm trọng của tác dụng phụ và biến cố không mong muốn. Opioid có thể được coi là các tác nhân giảm đau phổ rộng, ảnh hưởng đến một số lượng lớn các hệ cơ quan và ảnh hưởng đến nhiều chức năng cơ thể. Từ khóa: Opioid, morphine, methadon, fentanyl, oxycodone, hydrocodone, oxymorphone, codeine, biến cố bất lợi, ma túy, tác dụng phụ, táo bón, sự phụ thuộc, mất thính giác, dung sai, nghiện, tăng cảm thụ đau