CN101645142A - 用于心血管疾病和中风的风险评估的模糊系统 - Google Patents
用于心血管疾病和中风的风险评估的模糊系统 Download PDFInfo
- Publication number
- CN101645142A CN101645142A CN200910163892A CN200910163892A CN101645142A CN 101645142 A CN101645142 A CN 101645142A CN 200910163892 A CN200910163892 A CN 200910163892A CN 200910163892 A CN200910163892 A CN 200910163892A CN 101645142 A CN101645142 A CN 101645142A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- risk factors
- engine
- sub
- singly
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种基于与心血管疾病和中风相关的风险因素提供心血管疾病全面风险评估的模糊系统。所述模糊系统是多入单出系统,其中输入是风险因素值,输出是心血管疾病全面风险评估结果。
Description
技术领域
本发明涉及疾病风险评估领域,尤其涉及一种用于心血管疾病和中风的风险评估的模糊系统。
背景技术
心血管疾病(Cardiovascular Disease,简称CVD)是一种严重的疾病,它是死亡的主要诱因之一。虽然对生活方式中存在的风险因素和CVD的发病机制已经了解地许多,但是,对于涉及特定人群认识,还存在重大空白。许多研究正致力于克服这些重大的空白。
1948年,弗莱明翰心脏研究(Framingham Heart Study,简称FHS)开展了一项长期密切观注大量还没有表现出明显的CVD、心脏病发作或中风症状的志愿者的CVD病情发展情况的研究,以确定导致CVD的共同因素或特征。弗莱明翰心脏研究通过增强自身的研究能力并利用其固有资源,继续做出了重要的科学贡献。
社区动脉粥样硬化风险(Atherosclerosis Risk in Communities,简称ARIC)研究是一项在四个美国社区进行的前瞻性研究,其致力于调查动脉粥样硬化的病因和自然史、临床动脉粥样硬化疾病的病因,根据种族、性别、地区和时间衡量心血管风险因素、医疗护理和疾病的变化。
动脉疾病的二次表现(Second Manifestation of ARTerial Disease,简称SMART)研究的目的在于,调查具有不同的动脉疾病或II型糖尿病临床表现但无脑血管疾病史的病人身上的无症状性颈动脉狭窄与血管事件风险之间的关系。
随着信息的丰富,不断发现新的CVD风险因素,早期的研究不能够包括这些新的危险因素。因此,需要一种新的研究或是系统以用来研究新出现的CVD风险因素影响,并且能够接受将来未知的风险因素。
本发明的目的即在于克服现有研究中的不足和问题。
发明内容
本发明涉及一种提供心血管疾病和脑血管疾病的全面风险评估的模糊系统,其特别针对但不限于患有II型糖尿病的人群。
所述的模糊系统为多入单出(MISO)系统,其中,输入是风险因素值,输出是对心脑血管疾病的全面风险评估结果。
通过本发明所述的系统,可借助与冠心病风险相关的大范围的人口统计、生理、生化、分子标记来进行模糊逻辑与解模糊化,从而揭示个体罹患冠心病及中风的全面风险。
所述系统对更容易患冠心病的II型糖尿病人有特别的价值和实用性,因为目前,还无法对II型糖尿病人的这种风险进行个体水平上的评估。
本发明相对于现有技术的优点在于,通过调节选定的可调风险因素,将模糊逻辑应用到模型变化的个体全面评估,以便对个体进行针对性的治疗,进而调节那些可显著降低全面风险的风险因素。
参照下列说明书、未决的权利要求和附图,可以更好的理解本发明的装置和方法的各种优点、各个方面和创新特征。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1示出了本发明的心血管疾病风险模糊系统;
图2示出了本发明的模糊引擎的内部组件;
图3示出了本发明的模糊系统的输入输出模糊装置;
图4是本发明的一个实施例的使用MISO子引擎模糊系统;
图5示出了包括SISO和MISO子引擎的模糊引擎的内部工作方式。
具体实施方式
下面对一些具有代表性的实施例进行的说明,其本质上仅仅是用于说明而不是试图用于限制本发明及其应用或使用的。在整个说明书中,术语“值”是指的是观察的、记录的、测量的或选定的数据。术语“模糊”是指其值集界限并不确定的数值或非数值。术语“模糊函数”是指表示模糊特征的数学函数。术语“模糊引擎”或“模糊子引擎”是指将模糊函数应用到输入值的构件,这些组件可包括处理步骤或算法。
现参照图1-5,图1是本发明的心血管疾病风险模糊系统100。
模糊系统100包括来自II型糖尿病人的风险因素101,其作为模糊引擎103的输入。风险因素101可选自:年龄、吸烟状况、收缩压、胆固醇水平、分子学、临床或生物力学测量、基因表达、影像检查结果、人口统计学数据、家族病史、生活方式、冠心病(Coronary Heart Disease,简称CHD)、中风和饮食。用于评价的风险因素可以选自以下的一项或多项:性别、年龄、收缩压、舒张压、体重指数、腰围、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、高半胱氨酸、空腹血糖值、II型糖尿病(是或不是)、糖尿病持续时间、血清或血浆、微蛋白尿(是或不是)、血管病史(有或无)、CHD风险的基因多态性、慢性糖尿病、血清肌酸、肌酐清除率、吸烟状况(是或否)、吸烟史、用药、血管病、纤维蛋白素原、HbAlc、搏动指数、经颅多普勒超声波形的频谱展宽指数(Spectral Broadening Index,简称SBI)、心舒张末期容积比、颈动脉内膜中层厚度(Intima-Meida Thickness,简称IMT)、冠状动脉钙化(CoronaryArtery Calcium,简称CAC)值、流量介导的内皮血管舒张、CHD和中风的家族病史,及饮食。当新的风险因素被发现时,可以补充风险因素101。
模糊引擎103接收多个风险因素101,发布一个评估结果,即心血管疾病全面风险评估105。正如下面将要讨论的,模糊引擎具有模糊算法。
心血管疾病全面风险评估105是模糊引擎给出的结果。风险评估105是对II型糖尿病人的心血管疾病风险的参考。它是II型糖尿病人的心血管疾病风险与心血管疾病风险基数的比值。
图2展示了本发明的模糊引擎的内部组件。
如图所示及在前讨论,将测得或确定的风险因素201插入到模糊引擎204中。模糊引擎204包括用于每个风险因素201输入的各个模糊子引擎203、用于每个风险因素201输入的各个危险等级205,以及接收由危险等级205标记的风险因素201的融合模块209。
模糊子引擎203表现了特定的风险因素和与对应的危险等级205之间的映射。每一个危险等级205将对应的风险因素201的论域映射成输出模糊装置的论域,表1提供了几个例子的论域。
全体 设置范围
年龄 0-100岁
性别 男/女
BMI 18-35
舒张压 60-90毫米汞柱
甘油三酯 1.69-5.65mmol/L
收缩压 110-140毫米汞柱
吸烟者 是/否
如果不是吸烟者 从来不是或曾经是
腰臀围比 0.7-0.9
表1
所述论域可通过范围设置调整便可用于某个特定地区或区域中。
模糊推理在模糊子引擎203中用于映射风险因素201。推理可以从本领域中所熟知的里面选择,比如Mamdani型推理或者Sugeno型推理。
如本领域熟知的,推理的最后一步是解模糊化。本发明中,解模糊化发生在融合模块209中。解模糊化可以利用质心技术,质心技术定义为找出一个点,使得过这个点的垂直线将融合输出分成两等份。将危险等级的每个输出的质心数据的指数调整值彼此相乘。乘积就是心血管风险全面评估207。模糊引擎204的整个系统假定风险因素201之间相互独立。
模糊引擎204可驻留在计算机系统的CPU内,由编码的算法表示,如
如果 x 是 A
那么 y 是 B
其中,x和y是变量,A和B是论域X和Y中的数值。在此指出,美国专利5,677,996公开了在本发明中有用的计算机系统,在此结合引用,以作参考。
图3展示了应用到输入风险因素301和输出模糊装置303以产生解模糊化输出305的评估规则。这些步骤在本发明的模糊引擎里中,随后在SISO子引擎里实施。
在本发明的另一个实施例中,可在进入融合模块之前,将两个或多个风险因素的映射合并以形成一个多入单出(MIMO)子引擎。图4示出了两个风险因素的输入,例如总胆固醇/高密度脂蛋白胆固醇401和BMI 403,合并后送到一个输出模糊装置405中。在融合所有输出模糊装置405后得到一个解模糊化的输出结果407。
图5中展示了包括SISO子引擎503和MISO子引擎505的模糊引擎501。SISO子引擎503和MISO 505的输出都送到融合模块507中,以产生心血管疾病的全面风险评估509。
上面结合附图对本发明系统的实施例做了说明,应当理解的是本发明系统并不正好限于这些实施例,在此本领域的普通技术人员在不背离在未决的权利要求中限定的范围和精神的前提下,对其作出的各种改变和修改都是落入本发明的保护范围。
为了解释未决的权利要求,可作如下理解:
a)“包括”一词并不排除未列在给出的权利要求中出现其它的元件或动作
b)位于某元件之前的“一”或“一个”并不排除存在多个所述元件;
c)除特别声明外,任何公开的装置或部分,均可以是组合在一起或是进一步分成几部分;
d)特别声明外,并非所有的动作或步骤都需要按照特定的顺序。
Claims (11)
1、一种用于心脑血管疾病和中风风险评估的模糊推理系统,其特征在于,包括:
一个或多个风险因素;
具有与风险因素等量的单入单出子引擎的模糊引擎,其中每个所述风险因素输入到对应的子引擎中;以及
用于接收来自所述子引擎并发布全面风险评估的融合模块。
2、根据权利要求1所述的用于心脑血管疾病和中风风险评估的模糊推理系统,其特征在于,所述风险因素包括下列中的一项或多项:性别、年龄、收缩压、舒张压、体重指数、腰围、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三脂、高半胱氨酸、空腹血糖值、慢性糖尿病、血清肌酸、肌酐清除率、吸烟状态、吸烟史、用药、血管病、纤维蛋白素原、糖化血红蛋白、载脂蛋白E基因多态性、搏动指数、经颅多普勒超声波形的频谱展宽指数、心舒张末期容积比、颈动脉内膜中层厚度、冠状动脉钙化值、流量介导的内皮血管舒张、CHD和中风的家族史,及饮食。
3、根据权利要求1所述的用于心脑血管疾病和中风风险评估的模糊推理系统,其特征在于,所述模糊子引擎包括模糊推理,所述模糊推理的类型为Mamdani型推理或Sugeno型推理。
4、一种用于心脑血管疾病和中风风险评估的模糊推理系统,其特征在于,包括:
一个或多个风险因素;
具有一个或多个单入单出子引擎和一个或多个多入单出子引擎的模糊引擎;
以及接收所述子引擎输出的融合模块;
其中,所述风险因素对应于单入单出子引擎,或者两个或多个风险因素对应于同一多入单出子引擎。
5、根据权利要求4所述的用于心脑血管疾病和中风风险评估的模糊推理系统,其特征在于,所述风险因素包括下列中的一项或多项:性别、年龄、收缩压、舒张压、体重指数、腰围、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三脂、高半胱氨酸、空腹血糖值、慢性糖尿病、血清肌酸、肌酐清除率、吸烟状态、吸烟史、用药、血管病、纤维蛋白素原、糖化血红蛋白、载脂蛋白E基因多态性、搏动指数、经颅多普勒超声波形的频谱展宽指数、心舒张末期容积比、颈动脉内膜中层厚度、冠状动脉钙化值、流量介导的内皮血管舒张、CHD和中风的家族史,及饮食。
6、根据权利要求4所述的用于心脑血管疾病和中风风险评估的模糊推理系统,其特征在于,所述模糊子引擎包括模糊推理,所述模糊推理的类型为Mamdani型推理或Sugeno型推理。
7、一种用于心血管疾病和中风风险评估的方法,其特征在于,包括以下步骤:
获得一个或多个II型糖尿病心血管并发症的风险因素;
将所述风险因素插入到等量或少量的对应模糊子引擎中;
在所述模糊子引擎中,把所述风险因素映射到等量或少量的危险等级;
发送映射后的风险因素到融合模块;
在所述融合模块中通过解模糊化融合所述风险因素;并
发布心血管疾病全面风险评估。
8、根据权利要求7所述的用于心血管疾病和中风风险评估的方法,其特征在于,所述风险因素是通过测量、数据录入或观察得到的。
9、根据权利要求7所述的用于心血管疾病和中风风险评估的方法,其特征在于,每个风险因素插入到对应的单入单出子引擎,或两个或多个风险因素插入到一个多入单出子引擎。
10、根据权利要求7所述的用于心血管疾病和中风风险评估的方法,其特征在于,通过模糊推理来映射所述风险因素。
11、根据权利要求7所述的用于心血管疾病和中风风险评估的方法,其特征在于,所述通过区域质心技术实现解模糊化。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/222,132 | 2008-08-04 | ||
US12/222,132 US20100030035A1 (en) | 2008-08-04 | 2008-08-04 | Fuzzy system for cardiovascular disease and stroke risk assessment |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101645142A true CN101645142A (zh) | 2010-02-10 |
CN101645142B CN101645142B (zh) | 2014-05-14 |
Family
ID=41609059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910163892.6A Active CN101645142B (zh) | 2008-08-04 | 2009-08-04 | 用于心血管疾病和中风的风险评估的模糊系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20100030035A1 (zh) |
CN (1) | CN101645142B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488857A (zh) * | 2012-06-15 | 2014-01-01 | 国家人口计生委科学技术研究所 | 一种自然流产风险预测系统及构建该系统的方法 |
CN105287005A (zh) * | 2015-12-03 | 2016-02-03 | 北京大学人民医院 | 一种辅助判断亚健康人群血管功能的试剂盒 |
CN105930674A (zh) * | 2016-03-04 | 2016-09-07 | 江苏鹿得医疗电子股份有限公司 | 一种基于医疗健康数据采集的智慧健康预测与决策系统 |
CN108577883A (zh) * | 2018-04-03 | 2018-09-28 | 上海交通大学 | 一种冠心病筛查装置、筛查系统以及信号特征提取方法 |
CN108897985A (zh) * | 2018-05-04 | 2018-11-27 | 上海市内分泌代谢病研究所 | 一种糖化血红蛋白HbA1c遗传位点评分的方法及其应用 |
CN109310332A (zh) * | 2016-04-07 | 2019-02-05 | 怀特安维创新有限责任公司 | 用于分析数字数据的方法 |
CN111297329A (zh) * | 2020-02-24 | 2020-06-19 | 苏州大学 | 预测糖尿病患者心血管并发症动态发病风险的方法及系统 |
CN113053528A (zh) * | 2021-04-23 | 2021-06-29 | 中国人民解放军北部战区总医院 | 一种冠心病缺血风险评估方法和系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI557677B (zh) * | 2015-06-18 | 2016-11-11 | 長庚大學 | 冠狀動脈阻塞風險評估方法 |
CN109171812B (zh) * | 2018-09-26 | 2021-08-10 | 南京邮电大学 | 一种基于弹性模量的颈动脉衰老预测方法 |
US20220392065A1 (en) * | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
CN113360847B (zh) * | 2021-06-01 | 2022-07-19 | 成都市第三人民医院 | 一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1547149A (zh) * | 2003-12-04 | 2004-11-17 | 上海交通大学 | 基于数据挖掘的脑部胶质瘤计算机辅助诊断系统的实现方法 |
CN101071483A (zh) * | 2007-06-19 | 2007-11-14 | 广州市煤气公司 | 地下燃气管网模糊风险评估系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574828A (en) * | 1994-04-28 | 1996-11-12 | Tmrc | Expert system for generating guideline-based information tools |
IL129728A0 (en) * | 1996-11-04 | 2000-02-29 | Dimensional Pharm Inc | System method and computer program product for the visualization and interactive processing and analysis of chemical data |
US7395158B2 (en) * | 2000-05-30 | 2008-07-01 | Sensys Medical, Inc. | Method of screening for disorders of glucose metabolism |
US8195581B2 (en) * | 2007-05-21 | 2012-06-05 | Honeywell Asca Inc. | Apparatus and method for simulating multi-dimensional non-linear multivariable processes |
-
2008
- 2008-08-04 US US12/222,132 patent/US20100030035A1/en not_active Abandoned
-
2009
- 2009-08-04 CN CN200910163892.6A patent/CN101645142B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1547149A (zh) * | 2003-12-04 | 2004-11-17 | 上海交通大学 | 基于数据挖掘的脑部胶质瘤计算机辅助诊断系统的实现方法 |
CN101071483A (zh) * | 2007-06-19 | 2007-11-14 | 广州市煤气公司 | 地下燃气管网模糊风险评估系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488857A (zh) * | 2012-06-15 | 2014-01-01 | 国家人口计生委科学技术研究所 | 一种自然流产风险预测系统及构建该系统的方法 |
CN105287005A (zh) * | 2015-12-03 | 2016-02-03 | 北京大学人民医院 | 一种辅助判断亚健康人群血管功能的试剂盒 |
CN105287005B (zh) * | 2015-12-03 | 2018-03-23 | 北京大学人民医院 | 一种辅助判断亚健康人群血管功能的试剂盒 |
CN105930674A (zh) * | 2016-03-04 | 2016-09-07 | 江苏鹿得医疗电子股份有限公司 | 一种基于医疗健康数据采集的智慧健康预测与决策系统 |
CN109310332A (zh) * | 2016-04-07 | 2019-02-05 | 怀特安维创新有限责任公司 | 用于分析数字数据的方法 |
CN108577883A (zh) * | 2018-04-03 | 2018-09-28 | 上海交通大学 | 一种冠心病筛查装置、筛查系统以及信号特征提取方法 |
CN108897985A (zh) * | 2018-05-04 | 2018-11-27 | 上海市内分泌代谢病研究所 | 一种糖化血红蛋白HbA1c遗传位点评分的方法及其应用 |
CN111297329A (zh) * | 2020-02-24 | 2020-06-19 | 苏州大学 | 预测糖尿病患者心血管并发症动态发病风险的方法及系统 |
CN113053528A (zh) * | 2021-04-23 | 2021-06-29 | 中国人民解放军北部战区总医院 | 一种冠心病缺血风险评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101645142B (zh) | 2014-05-14 |
US20100030035A1 (en) | 2010-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101645142B (zh) | 用于心血管疾病和中风的风险评估的模糊系统 | |
Monte-Moreno | Non-invasive estimate of blood glucose and blood pressure from a photoplethysmograph by means of machine learning techniques | |
Auer et al. | Association of major and minor ECG abnormalities with coronary heart disease events | |
Katon et al. | The association of depression and anxiety with medical symptom burden in patients with chronic medical illness | |
Lean et al. | Impairment of health and quality of life using new US federal guidelines for the identification of obesity | |
Baltich et al. | Degradation of postural control with aging | |
Myers et al. | Cardiorespiratory fitness and health care costs in diabetes: The veterans exercise testing study | |
CN103678534A (zh) | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 | |
Waite et al. | Lack of association between patients' measured burden of disease and risk for hospital readmission | |
Jang et al. | Automated detection of panic disorder based on multimodal physiological signals using machine learning | |
Bäuerle et al. | Markov cohort simulation study reveals evidence for sex-based risk difference in intensive care unit patients | |
Roberts et al. | Reaction time and established risk factors for total and cardiovascular disease mortality: Comparison of effect estimates in the follow-up of a large, UK-wide, general-population based survey | |
Xiao et al. | Toe PPG sample extension for supervised machine learning approaches to simultaneously predict type 2 diabetes and peripheral neuropathy | |
Jiang et al. | The physiologic complexity of beat‐to‐beat blood pressure is associated with age‐related alterations in blood pressure regulation | |
Arkela-Kautiainen | Functioning and quality of life as perspectives of health in patients with juvenile idiopathic arthritis in early adulthood: measurement and long-term outcome | |
Bhandari et al. | Predictors of Arterial Stiffness Amongst the 24-Hour Ambulatory Blood Pressure Variables in Hypertensive Patients | |
Carroll | Dispositional Factors that Predict Alcohol Consumption in Young Adult Women | |
Ali et al. | Impact of human immunodeficiency virus infection on Takotsubo cardiomyopathy outcomes in a large nationwide sample | |
Tollenaere et al. | Use of the Walking Impairment Questionnaire and Walking Estimated-Limitation Calculated by History questionnaire to detect maximal walking distance equal to or lower than 250 m in patients with lower extremity arterial disease | |
Allen et al. | Outcome assessment of hand function after radial artery harvesting for coronary artery bypass | |
de Villiers | Does military combat-related traumatic injury increase cardiovascular disease risk? | |
Parimal et al. | Social support as a predictor of psychological well-being of transfusion dependent thalassemics | |
Patoulias et al. | CARDIOVASCULAR OUTCOMES WITH SODIUM-GLUCOSE CO-TRANSPORTER-2 INHIBITORS IN ASIANS: AN UPDATED META-ANALYSIS | |
USENI et al. | KNOWLEDGE AND PRACTICE OF HYPERTENSION MANAGEMENT AMONG HYPERTENSIVE PATIENTS ATTENDING GENERAL HOSPITAL IN TARABA STATE, NIGERIA | |
Chen et al. | Preoperative Prognosis Assessment of Lumbar Spinal Surgery for Low Back Pain and Sciatica Patients based on Multimodalities and Multimodal Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |