城市站点
> cvs医学上指什么(蛛网膜下腔出血——血管扩张剂治疗与疑问)
详细内容

cvs医学上指什么(蛛网膜下腔出血——血管扩张剂治疗与疑问)

时间:2022-08-16 09:48:37     人气:230     来源:www.zhongshaninfo.com     作者:爱发信息
概述:......


蛛网膜下腔出血(SAH)后脑损伤可分为早期和迟发性两个阶段。近70%的SAH患者在血管造影上可见脑血管痉挛(CVS),其中约20%~40%的患者出现迟发性脑缺血(DCI),DCI可发展为脑梗死,导致50%的患者严重残疾或死亡。

既往研究对于DCI的称谓和定义较为混乱,各研究结果之间无法比较,无法将结果汇总到meta分析中或构建具有高水平证据的指南。DCI诊断困难,很大程度是排除性诊断,建议将脑梗死和功能结局作为旨在降低DCI的研究的两个主要结果指标,而不是由于血管造影血管痉挛而导致的临床恶化。

CVS与DCI强相关、非因果

1. 研究一(2009年Neuroradiology发表)

DCI被定义为持续2 h或更长时间的临床恶化(新的局灶性缺损、GCS评分下降或同时存在),没有CT再出血或脑积水的证据,也没有其他医学原因,如心血管或肺部并发症、感染或代谢干扰。研究结果显示,脑灌注随着血管痉挛程度的增加而降低,患有严重血管痉挛的患者比没有血管痉挛的患者更常出现DCI。然而,几乎一半的严重血管痉挛患者没有发生DCI,这表明尽管血管痉挛导致痉挛后区域的灌注减少,但仅严重的血管痉挛不足以引起DCI。

2. 研究二(2011年Stroke发表)

共纳入413例患者,结果显示,CVS与神经功能恶化、脑梗死及预后不良密切相关,有50%~70%的SAH患者发生中重度CVS,但却始终无症状,相比之下,20%~25%的迟发性缺血性神经功能障碍(DIND)患者并无CVS现象,提示DCI的发病机制可能与其他共存因素有关。SAH后不良预后的主要独立决定因素是高血压病史、女性、WFNS 4~5分、血管造影血管痉挛、任何原因的神经系统恶化和脑梗死。脑梗死对预后的直接影响独立于血管造影血管痉挛。

预防血管痉挛能否降低DCI、改善预后?

1. 研究一(2007年)

纳入1983—2006年间应用尼莫地平(口服或针剂)预防SAH后血管痉挛及缺血损伤的5项RCT研究,结果发现,尼莫地平可降低不良转归,但若排除一项最大的研究,则结果不再具有统计学意义。而且,这些研究都不能证明CVS发生率的降低,提示尼莫地平可能通过脑保护机制而非预防大血管痉挛狭窄来改善神经结局。

2. 研究二(2011年)

纳入11项应用尼莫地平预防SAH后血管痉挛及缺血损伤的RCT研究,结果发现,使用尼莫地平治疗的患者,血管痉挛相关的延迟性脑梗死及临床不良转归的发生率降低。

cvs

3. CONSCIOUS-1/2研究

采用双盲随机设计的多中心临床试验CONSCIOUS-1和2显示,内皮素-1受体拮抗剂克拉生坦治疗能使SAH患者发生中至重度血管痉挛的相对危险度显著性降低65%,提示克拉生坦治疗迟发性脑血管痉挛有效。然而,Ⅲ期临床试验结果令人失望,克拉生坦治疗对于全因性死亡、新发脑梗死、DIND和3个月时的扩展GOS评分组成的综合主要转归终点并无显著影响,而且明显增加了肺部并发症、低血压和贫血等。

4. 研究四(2011年)

纳入14个研究药物(血管扩张剂)预防SAH后血管痉挛、DCI和不良结局有效性的随机双盲对照临床试验,不论药物的类型、剂量及随访时间。结果显示,尽管CVS的发生率降低,SAH后的药物治疗并没有改善临床结果。排除以TCD定义血管痉挛,仅包括那些以血管造影血管痉挛作为结果衡量指标的研究,结果未改变。

血管痉挛和临床结果之间的这种分离的可能原因包括:

  • 方法学问题:血管痉挛的药物治疗可能会产生有害影响(肺部并发症、贫血和低血压发生的频率更高等),抵消它们可能对临床结果产生的任何好处;

  • 样本量太小,要在SAH后3个月的MRS显示50%的治疗效果,需>5000例;

  • 二分类GOS或mRS可能对药物治疗对结果的临床重要影响不敏感;

  • 血管痉挛和功能预后之间可能没有很强的因果关系,越来越多的证据表明,DCI的发病机制是多因素的。


研究意见汇总


目前对于CVS与DCI之间的关系,一些否定意见认为:

  • 一些能改善临床转归的治疗方法对CVS无影响,而那些能减轻CVS的干预方法则不能影响临床转归;

  • 脑缺血可发生于无血管痉挛的情况下;

  • CVS与DCI之间并非是一对一的关系,只有少数最严重的脑血管狭窄才足以引起CBF减少并最终导致脑缺血;

  • 近端脑血管痉挛在DIND发病机制中的作用很可能小于预期。


一些肯定意见认为,严重而持久的CVS可导致DCI和不良转归,但在临床试验中存在的诸多因素限制了对这一现象的探索:

  • 在临床试验中存在的混杂因素干扰了结果;

  • 目前并没有能肯定CVS不影响SAH后转归的可靠证据;

  • 许多动物实验结果为预防或减轻CVS可改善临床转归的假设提供了佐证;

  • 临床试验的结果依然给人以希望;

  • CVS和DCI对转归不良的效应量或相对贡献可能相对较小,采用现行的临床转归量表难以明确针对CVS的治疗是否有效;

  • 治疗药物存在不容忽视的不良反应。

DCI的治疗与管理

血管痉挛非DCI唯一机制。DCI的多种发病机制提示,要有效预防及治疗DCI,可能需要联合用药或多靶点作用机制的药物。法舒地尔为选择性Rho激酶抑制剂,通过拮抗或抑制蛋白激酶(Rho激酶等),松弛平滑肌,扩张脑血管,同时,可以抑制炎性细胞浸润,减轻炎性反应,促进NO生成,降低血液黏度,促进微循环等。通过多靶点作用,预防及治疗DCI。通过临床研究发现,其疗效不低于甚至高于尼莫地平,但尚需大型的RCT来证实。

1. 血管扩张剂副作用

(1)低血压:一项回顾性研究结果显示,平均动脉压的变化导致尼莫地平的剂量减少或停用在临床中经常发生,并且可能与不良转归相关;在多元回归分析中,足量尼莫地平可降低不良转归风险;不良转归与尼莫地平剂量减少、年龄、严重的Hunt and Hess评分相关。

(2)再出血率:在SAH患者中使用钙拮抗剂与再出血频率增加无关,与之相反,研究发现再出血率下降;再出血率减少与患者入院时的临床情况和所使用的钙拮抗剂的类型无关。

2. 血管内治疗+血管扩张剂

(1)钙通道阻滞剂(维拉帕米、尼卡地平和尼莫地平)可有效降低血管造影血管痉挛并改善临床结果;

(2)低质量证据表明米力农可降低血管造影血管痉挛,改善临床效果,具有良好的安全性,但需要更多研究;

(3)不再推荐罂粟碱;

(4)目前为止,尚缺乏血管内治疗+血管扩张剂治疗DCI的RCT。

http://www.jsyunjun.com/file/upload/tt1999/999.jpg

3. 目前DCI的管理(AHA/ASA 2012)

(1)所有aSAH患者应口服尼莫地平(Ⅰ级推荐,A级证据)(应该注意的是,这种药物已被证明可以改善神经结果,但不能改善血管痉挛。其他钙拮抗剂的价值,无论是口服还是静脉给药,仍不确定);

(2)建议维持正常血容量和正常循环血容量,以预防弥漫性脑缺血(Ⅰ级推荐,B级证据)(根据以前指南修订的建议);

(3)不建议在血管造影痉挛发展之前预防性的高容量血症或球囊血管成形术(Ⅲ级推荐,B级证据)(新建议);

(4)经颅多普勒监测动脉血管痉挛的发展是合理的(Ⅱa级推荐,B级证据)(新建议);

(5)CT或磁共振灌注成像可用于识别潜在脑缺血区域(Ⅱa级推荐,B级证据)(新建议);

(6)建议DCI患者预防高血压,除非基线血压升高或心脏状况排除高血压(Ⅰ级推荐,B级证据)(根据先前指南修订的建议);

(7)脑血管成形术和/或选择性动脉内血管扩张剂治疗对于有症状的脑血管痉挛患者是合理的,特别是那些对高血压治疗没有迅速反应的患者(Ⅱa级推荐,B级证据)(根据以前的指南修订建议)。

总结


1. DCI发生率高,治疗困难,是SAH管理的重点及难点。

2. 尼莫地平在降低DCI发生率和改善预后方面有重要作用。

3. 需引起思考的是:DCI有多种发病机制,既往血管痉挛在DCI中的作用被高估,未来有效管理DCI需多靶点治疗。

4. 血管内治疗联合血管扩张剂可降低药物全身不良反应,有效缓解血管痉挛,并有望改善预后,但尚需RCT证实。


http://www.jsyunjun.com/file/upload/tt1999/999.jpg

王芙蓉 教授


华中科技大学同济医学院附属同济医院神经科副主任,主任医师,教授,博导。

中国医师协会神经病学分会神经重症专委会副主任委员;国家卫计委脑卒中防治专家委员会重症脑血管病专业委员会副主任委员;国家卫计委脑损伤判定质控专委会副主任委员;中国卒中学会理事;中国卒中学会重症脑血管病专委会常委兼秘书长;中国抗癫痫协会理事;湖北省抗癫痫协会副会长;湖北省病理生理协会神经重症分会主任委员;中华医学会神经病学分会神经重症协作组委员;武汉市医学会癫痫学组组长。

主持日本文部科学省科学研究费补助金(日本的国家自然基金)1项,主持国家自然科学基金项目4项,主持科技部重点研发项目1项。


(声明: 网站所收集的部分公开资料来源于互联网,转载的目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。本站部分作品是由网友自主投稿和发布、编辑整理上传,对此类作品本站仅提供交流平台,不为其版权负责。如果您发现网站上有侵犯您的知识产权的作品,请与我们取得联系,我们会及时修改或删除。 )
  • 智通财经APP获悉,美东时间11月6日美股盘前,美国零售和医疗保健公司CVS健康公司(CVS.US)公布了2019年第三季度财报。报告显示,CVS第三季度总收入达648

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    亿美元,同比增长36.5%。

    财报显示,CVS本季度总收入达648亿美元,同比增长36.5%。CVS本季度的净利润为15.3亿美元,同比增长10%。CVS本季度经调整后的收益为1.84美元,去年同期为1.73美元。

    本季度,CVS的药房服务业务收入达360亿美元,同比增长6.4%。

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    运营利润达13亿美元。

    零售及长期护理业务营收为214亿美元,同比增长2.9%。运营利润为11亿美元。医疗保健福利业务本季度营收171亿美元,同比增长167%或107亿美元。增长的主要原因是收购Aetna带来的营业收入增长。

    同时,财报披露了CVS对于全年的收入预期,CVS预计2019年全调整后的运营利润为152-154亿美元,之前预期为151-153亿美元。同时,预期全年调整后的摊薄后每股收益为6.97-7.05美元,此前为6.89-7.00美元。CVS从年初至今运营产生的现金流量为102亿美元。

    CVS总裁兼首席执行官拉里·梅洛(Larry Merlo)表示:“我们自今年年初以来在整个公司看到了积极势头并建立了第三季度业绩。我们所有核心业务的业绩均达到或高于预期,反映了我们强劲的运营执行力。结果就是我们实现了强劲的增长,并产生了强劲的运营现金流,这使我们能够继续去杠杆化,同时将资本返还给股东。”

    cvs


  • 本文将主要讨论知识图谱在风控领域的图谱构建过程。enjoy~


    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    什么是知识图谱?

    借鉴其中一个理解:

    知识图谱主要的目标是用来描述真实世界中间存在的各种实体和概念,以及它们之间的关联关系。

    具体理论知识就不在此赘述,对于这个抽象的概念会有一篇文章来列举一个代表性的例子。

    知识图谱起源于语义网络,最初由Google提出用与优化搜索结果,发展至今已经应用于各个垂直化领域。从商业概念上,知识图谱可分为“通用知识图谱”和“行业知识图谱”。通用知识图谱顾名思义是面向全领域的,强调的是“广度”,比较著名的知识库有Freebase, Wikidata, Yago, DBPedia等。

    行业知识图谱是面向特定的垂直领域,对于数据有更严格的前置数据模式和更准确的准确度要求,强调的是“深度”。两者之间的主要区别在于前者是“自底向上”构建的知识库,后者是“自顶向下”构建的知识库。


    金融领域数据是典型的具有”4V”特征的大数据(数量海量Volume、多结构多维度Variety、价值巨大Value、及时性要求Velocity)。进一步,金融领域是最能把数据变现的行业。金融业类别业非常广,大类主要包括:银行类、投资类、保险类等。再小粒度可分为:货币、债券、基金、信托等资管计划、要素市场、征信贷款等。知识图谱在金融领域的应用主要包括:风控、征信、审计、反欺诈、数据分析、自动化报告等,本文主要讨论知识图谱在小微风控的应用。

    风控是指如何当项目或企业在一定的风险的环境里,把风险减至最低的管理过程。它的基本程序包括风险识别、风险估测、风险评价、风险控制和风险管理效果评价等环节。

    风险控制的最大两个分类为企业风险监控和个人贷款审核。企业数据包括:企业基础数据、投资关系、任职关系、企业专利数据、企业招投标数据、企业招聘数据、企业诉讼数

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    据、企业失信数据、企业新闻数据。个人贷款的数据包括:个人的基本信息、行为信息、信用信息、

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    社交信息、消费信息等。

    本文将主要讨论知识图谱在风控领域的图谱构建过程。

    知识图谱的逻辑结构分为两个层次:数据层和模式层。

    在知识图谱的数据层,数据如果以『实体-关系-实体』或者『实体-属性-值』作为基本表达方式,我们把这种表达方式称为“三元组”,则存储在图数据库中的所有数据将构成庞大的实体关系网络,形成知识的图谱。

    模式层在数据层之上,是知识图谱的核心,在模式层存储的是经过提炼的知识,通常采用本体库来管理知识图谱的模式层,借助本体库对公理、规则和约束条件的支持能力来规范实体、关系以及实体的类型和属性等对象之间的联系。本体库在知识图谱中的地位相当于知识库的模具,拥有本体库的知识库冗余知识较少。

    这里涉及知识图谱的另外一个重要概念是“本体( Ontology)”。本体的概念最早起源于哲学领域, 指的是对客观存在系统的解释和说明。在众多概念中,维基上的定义更加通俗些:本体实际上就是对特定领域之中某套概念及其相互之间关系的形式化表达。具体到金融风控领域,本体目的就是对风控领域的知识术语进行分类,同时规定各个分类之间的关系和它们自身的属性。

    本体可以采用人工编辑的方式手动构建(借助本体编辑软件),也可以以数据驱动的自动化方式构建本体。自动化构建包含3个阶段:实体并列关系相似度计算、实体上下位关系抽取、本体的生成。在领域本体构建的实际工程中,领域本体所涉及的实体类型非常有限(最多数量也不会过百),与其花很高的成本去做自动化,不如人工构建本体。所以本章节也主要讨论风控领域的手动本体构建过程。

    本体和知识图谱的构建方法有很多,这里分享一个在实际工作中初略的知识图谱构建流程:

    1. 本体库构建;
    2. 知识图谱构建;
    3. 知识图谱应用。


    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    提到知识图谱通常认为重点在于算法和开发,实际知识图谱的构建和传统关系型数据库的构建情况一样,重点在于具体业务流程的理解和本体的设计,知识图谱的构建过程的工作占比如下:


    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    如前所述,构建风控领域知识图谱的首要工作是构建本体模型,即定义行业的通用概念为实体,以及实体之间的关系。

    信贷最核心的主体就是贷款申请者,贷款申请者可能是个人也可能是公司,通过申请者的基本信息、行为信息、经营状况、社会关系等评估贷款的风险。因此可以列举信贷相关的核心实体为:人、企业、银行账户、银行、抵押物、申请事件、诉讼事件等,以及基本信息实体:电话、邮件、地址等。实体与实体之间的关系为 亲属、任职、所有权、事件参与方等。如图所示为一个简化版的信贷风控本体模型。

    为什么要将人和公司的电话地址设计为单独的实体节点,是基于风控的业务关注点,当两个贷款申请者有相同的电话或者地址时候,可能就是一个需要关注的风险点。把这两个信息作为单独的节点,基于图谱理论,当统计“电话”类型节点的边数量超过一个就能很方便找出高风险申请者。

    本体构建完成后,需要对比实际业务对本体进行验证,确保本体能够正确描述当前业务,并且包含了所有的业务流程。


    知识图谱的构建是图谱应用的前提,构建的主要工作是把数据从不同的数据源中按照本体模型所规定的规则抽取出来。对于垂直领域的知识图谱来说,数据的主要来源是是业务本身的数据,其通常是机构自己的私有数据以结构化的形式存储。通过ETL处理,将数据抽取转换为图谱数据。图谱数据的存储形式目前有两种:基于RDF等存储和图数据库存储。两者的比较如下所示:


    RDF图数据库存储三元组节点和关系拥有属性符合W3C标准图的遍历和扩展方便有标准的推理引擎拥有事务管理数据可移植性高工程化程度高多用于学术场景可视化效果好。

    在实际工程应用中主要采用图库的方式对知识图谱进行存储,当前比较流行的图数据库为Neo4j,本篇不再详细介绍图数据库和Neo4j,重点在于如何根据本体将数据映射成为Neo4j要求的数据格式。Neo4j提供了多种加载数据的方式,对于小规模数据(1w – 10w条数据),可以采用加载CSV的方式进行,CSV的格式要求如Neo4j官网的操作手册所示。

    假设数据源是关系型数据库,其中中有三张表及其字段如下所示,company表中字段“legal_person(法人代表)”和“manager(经理)”是外键关联到person表:

    我们要从源数据中抽取出多个实体和多条关系,这里部分举例如下:

    实体:

    person

    company

    account

    bank

    phoneNo

    address

    关系:

    person – lsLegalPersonOf -> company

    person – lsManagerOf -> company

    person – isOwnerOf -> account

    account – belongsTo -> bank

    person – hasPhoneNo -> phoneNo

    company – hasAddress -> address

    根据Neo4j的要求将源数据进行ETL处理,映射成为Neo4j要求的CSV格式文件,简单列举如下:

    person节点:

    personId:ID, personName, : LABEL

    001, “personA”, person

    002, “personB”, person

    法人关系:

    :START_ID, :END_ID, : LABEL

    001, 101, isLegalPersonOf

    002, 102, isLegalPersonOf

    当前,小微贷款和个人小额贷款还处于“蛮荒时代”,甚至出现了各种中介机构通过各种伪造的虚假信息帮助客户申请贷款。所以对于放贷方而言,借贷风险控制面临非常巨大的挑战。

    可以在图谱中直接搜索某个具体的人名字或者公司名字,获取该人或者公司的基础信息画像,如电话,地址,关联方的信息。如图所示:


    cvs

    通过图谱可以调查某个人或者某家申请贷款公司的关联方信息。在贷款审核期间,申请贷款主体的关联方信息中有借贷纠纷的诉讼事件,担保方过多等可关注的风险点。在贷款发放后,有时出现贷款方失联的情况,无法通过申请贷款时提交的信息联系到借款方,可以通探寻更“深远”的关联方找到失联的贷款方。


    在实际场景中,有不少人利用各种渠道而来身份证进行贷款申请。还有公司通过循环转账等方式提供虚假的经营流水信息。通过知识图谱可以识别以上风险点。如多个贷款申请人提供的身份证号吗不同,但是却有相同的联系电话号吗或者联系地址。银行作为借贷机构,可以调查申请人账户资金往来情况,识别是否存在循环转账等异常资金往来信息识别风险点。

    在图谱中,通过条件搜索指定的节点可以筛选调查风险节点,如:“电话号码”节点的关联方大于1的节点。


    在风控处理中,贷款风险比率是衡量商业银行风险最重要的指标之一,主要包括不良贷款比率、贷款加权风险度、贷款分散化比率、不良贷款拨备覆盖率等。将知识图谱中贷款人节点和相关指标相结合,设定报警阈值,通过机器学习等技术,找到隐蔽的风险结构,指标特征,能够快速找出相关责任方和其关联方,形成报告供业务人员进行调。

    本文主要介绍了知识图谱在风控中的应用和风控领域知识图谱的构建方法。知识图谱的构建前提是清晰的业务场景和良好的数据治理。很多著名的知识图谱构建案例中,大部分时间都是用在数据治理和数据映射上。借用一句别处看来的话:

    A “graph”—that understands real-world entities and their relationships to one another: things, not strings。

    本文由 @Eric_Xie 原创发布于人人都是产品经理。未经许可,禁止转载。

    题图来自 Pixabay,基于 CC0 协议

  • 阅读全文
    分享