مبتدی (مناسب برای درک مفهوم کلی مطلب) 

3. نتایج
ما با یازده پرستار، پنج هماهنگ کننده مراقبت و دو داروساز (تعداد = 18) که در واحدهای پزشکی مراقبت های حاد در RMR VAMC بین مارس و ژوئن 2020 کار می کردند، مصاحبه کردیم. شرکت کنندگان بین 31 تا 50 سال سن داشتند و میانگین سنی آنها 38 بود. عمدتاً زن (88.9%) و قفقازی (83%) بودند. میانگین تعداد سالهای کار 10.3 و میانگین سالهای استخدام در سیستم VA 7.9 بود. ویژگی‌های جمعیت‌شناختی اضافی خود گزارش‌شده در جدول 1 ارائه شده است. ما چهار موضوع کلیدی را ارائه می‌کنیم که دیدگاه‌های کارکنان چند تخصصی مراقبت‌های بهداشتی را در مورد کار تیمی در طول همه‌گیری کووید-19 برجسته می‌کند: 1. کار تیمی چند تخصصی در طول کووید-19، 2. ارتباطات در طول کووید-19، 3. مراقبت از بیمار در طول کووید-19 و 4. پاسخ سازمانی در طول کووید-19. مضامین در زیر توضیح داده شده است و نقل قول های توضیحی اضافی در جدول 2 فهرست شده است.

3.1. موضوع 1. کار تیمی بین حرفه ای در طول کووید-19
شرکت‌کنندگان هم چالش‌ها و هم پیشرفت‌های کار تیمی را در طول واکنش اولیه کووید-19 شرح دادند. در میان چالش‌ها، تغییرات در تکالیف تیمی، جدایی جغرافیایی و به حداقل رساندن کارکنان در واحدهای کووید-19 از سخت‌ترین آنها بود. در طول این مدت، داروسازان و هماهنگ کنندگان مراقبت به دلیل کمبود تجهیزات حفاظت شخصی (PPE) از واحدها برای کار از راه دور منتقل شدند. آنها توضیح دادند که از نظر عاطفی چقدر سخت است که نتوانیم در آن مناطق در کنار هم تیمی های خود کار فیزیکی کنیم و این احساس را به گناه بازماندگان تشبیه کردند. زمانی که ارتباط با تیم‌ها و بیماران فقط به فناوری صوتی محدود می‌شد، شرکت‌کنندگان در تلاش برای احساس یکپارچگی در مراقبت از بیمار بودند. این ارتباط غیرمستقیم با تیم های بستری و بیماران آنها را از تیم های خود دور کرد. آن‌ها احساس می‌کردند که نظراتشان کمتر مورد توجه قرار می‌گرفت و توصیه‌هایشان وزن کمتری داشت. یک هماهنگ کننده مراقبت گفت:
متوجه شدم که تیم های پزشکی آنقدر در دسترس نیستند، زیرا نمی توانستند من را ببینند. من فقط یک صدا در آن طرف [تلفن] بودم و بنابراین به عنوان یکی از اجزای اتفاقی که در جریان بود دیده نمی‌شدم.» (شرکت کننده 22، هماهنگ کننده مراقبت)
پرستاران کنار بالین توصیف کردند که در طول هفته‌ها دیگر اعضای تیم را ندیده‌اند، زیرا افراد به واحدهای کووید-19 اختصاص داده شده‌اند تا تماس متقابل را به حداقل برسانند. با وجود این، بسیاری از پرستاران احساس می‌کردند که کار تیمی در واحدشان بهبود یافته است، و این را به حس «یکی بودن» با کسانی که در کنار تخت می‌مانند نسبت می‌دهند. آنها یک تجربه مشترک و جمعی از کار کردن از طریق یک تجربه جدید و ترسناک با هم و کمک به یکدیگر در انجام وظایفی مانند تحویل لوازم به اتاق های بیماران را توصیف کردند. پرستاران همچنین به افزایش همکاری با پزشکان اشاره کردند زیرا سیلوهای حرفه ای کاهش یافت و پزشکان در انجام وظایف پرستاری برای بیماران کووید-19 کمک کردند. یک پرستار به اشتراک گذاشت:
سیلوها، موانعی که ما روزانه در شرایط عادی از آن عبور می کنیم… بسیاری از آن ها سقوط کرده است.» (شرکت کننده 24، پرستار)
علاوه بر این، استراتژی‌های ارتباطی چند تخصصی جدید خط مقدم، مانند افزایش تجمعات تیمی، توانایی پرستاران را برای مطرح کردن نگرانی‌ها در مورد مسائل مربوط به مراقبت از بیمار بهبود می‌بخشد و همچنین حس کار گروهی آنها را بهبود می‌بخشد.

3.2. موضوع 2. ارتباط در طول کووید-19
ارتباطات سازمانی در بین رشته‌ها، واحدها و تیم‌ها به‌عنوان یک عامل تعیین‌کننده بزرگ در سلامت کارکنان مراقبت‌های بهداشتی و تأثیر بر اعتماد به سازمان توصیف شد. شرکت‌کنندگان بیان کردند که ارتباطات مؤثر، شفاف و مداوم از سوی رهبری و بین تیم‌ها برای هدایت پاسخ به کووید-19 کلیدی است. ارتباط مداوم از سوی رهبری در میان همه شرکت‌کنندگان بسیار ارزشمند بود. بسیاری توضیح دادند که چگونه ارتباطات سازمانی در هفته های اولیه افزایش کووید-19 تشدید شد. یک داروساز گفت:
ما دو بار در روز جلساتی در مورد کد بلوز داشتیم که سیستم واکنش اضطراری ما است. ما جلسات روزانه در این یک طبقه داشتیم، فقط برای اینکه سعی کنیم منبع [اطلاعات] کووید باشیم… فرمان حادثه ما به ما ایمیل‌های روزانه می‌داد و این در واقع آرامش‌بخش بود.» (شرکت کننده 28، داروساز)
سایر عناصر ارزشمند ارتباط در طول همه‌گیری شامل شفافیت بود، مانند ارائه به‌روزرسانی‌های رهبری حتی زمانی که «خبر بد» بود یا زمانی که هنوز تصمیم‌گیری نشده بود اما در حال انجام بود. همچنین ارتباطی که باعث ایجاد جامعه و روابط بین HCW ها شد، مهم بود. یکی از نمونه‌های این ارتباطات «مکالمه‌های COVID تیم های بین حرفه ای و بیماران را تحت تاثیر قرار داد.
در مقابل huddles، برخی از شرکت‌کنندگان خاطرنشان کردند که ایمیل‌ها روش ارتباطی کمتر مؤثری در طول همه‌گیری بود، زیرا در خانه به راحتی در دسترس نبودند و برای برقراری ارتباط در روزهای بسیار پر استرس و پرمشغله غیرعملی بودند. برخی دیگر از زمانی که به نظر می رسید سوالات یا نگرانی های آنها توسط مدیریت بی پاسخ مانده و زمانی که پیگیری وجود نداشت، ناامیدی را توصیف کردند. در حالی که شرکت کنندگان از تشدید ارتباطات در ابتدا قدردانی کردند، بسیاری اشاره کردند که فرکانس ارتباط در ماه مه و ژوئن 2020 با انتظار بازگشت به “عادی جدید” کاهش یافت. این کاهش ارتباطات منجر به احساس هرج و مرج و رها شدگی شد. یک پرستار در ماه می 2020 گفت:
ارتباط در ابتدا کاملاً شگفت انگیز بود. حالا، می‌توانم بگویم در دو یا سه هفته گذشته، فقط احساس می‌کنم که کاملاً از بین رفته است و هیچ‌کس دیگر واقعاً به پرستاران اهمیت نمی‌دهد. فکر می‌کنم اکنون این فقط یک چیز سیستمی است، جایی که هیچ‌کس دیگر واقعاً نمی‌داند چه اتفاقی می‌افتد و هرج و مرج زیادی با بازگشت به حالت عادی جدید وجود دارد.” (شرکت کننده 31، پرستار)
داروسازان و هماهنگ‌کنندگان مراقبت، برخلاف پرستاران، توصیف کردند که حتی در آغاز همه‌گیری اطلاعات مستقیم زیادی از رهبری خود دریافت نکرده‌اند. آنها گزارش دادند که اطلاعات کمی از رهبری مستقیم در مورد تصمیمات کارکنان، استفاده از PPE و تغییر پروتکل های مراقبت از بیمار دریافت کرده اند. اکثر آنها گزارش دادند که به طور فعال مجبور به جستجوی به روز رسانی در مورد مراقبت از بیمار خارج از گروه های اصلی حرفه ای خود هستند.

3.3. موضوع 3. مراقبت از بیمار در طول کووید-19
به دلیل درگیری قبلی شرکت‌کنندگان با IDR کنار تخت، بسیاری در مورد اینکه چگونه ناتوانی تیم‌ها در جمع شدن در اتاق‌های بیمار به طور منظم بر بیماران در طول کووید-19 تأثیر می‌گذارد، بحث کردند. هنگامی که تیم ها در راهرو ملاقات می کردند یا زمانی که پرستاران و پزشکان قادر به برقراری ارتباط مستقیم با بیماران یا همراهی با آنها نبودند، بیماران نمی توانستند در بحث های مراقبت شرکت کنند. یکی از پرستاران گفت:
چندین گزارش از بیماران داشتم که ناامید شده بودند زیرا نمی دانستند چه اتفاقی دارد می افتد. آنها فقط ارتباطی که می خواستند نداشتند.» (شرکت کننده 24، پرستار)
بیماران همچنین در طول افزایش کووید-19 با نگرانی های ایمنی جدیدی روبرو شدند. یک داروساز توضیح داد که قبلاً سؤالات مربوط به تجویز دارو اغلب به طور طبیعی در طول دوره IDR در کنار تخت مطرح می شد، اما از آنجایی که آنها از راه دور کار می کردند، این سؤالات مورد توجه آنها قرار نگرفت. پرستاران همچنین به مشکل مدیریت بیماران در معرض خطر سقوط به دلیل اقدامات احتیاطی تماسی و مشکل در رساندن بیماران به روش‌ها در نتیجه تغییر سریع پروتکل‌های انتقال بیمار اشاره کردند.

3.4. موضوع 4. پاسخ سازمانی در طول کووید-19
شرکت کنندگان چندین ویژگی از واکنش سازمانی محلی VA به شیوع کووید-19 را تعریف کردند که برای کار آنها ارزشمند بود یا نیاز به بهبود داشت. یکی از مثبت‌ترین تلاش‌هایی که آنها به آن اشاره کردند، ایجاد برنامه‌های حمایت عاطفی برای کارکنان بود. این شامل به اشتراک گذاشتن منابع سلامت روان (که به طور منظم توسط رهبری اجرایی انجام می شود) و برگزاری سخنرانی های سلامتی، صحبت با روانشناسان، و گذراندن وقت با سگ های درمانی (که توسط مشارکت پرستار/پزشک خط مقدم و تیم مراقبت تسکینی ترتیب داده شده بود) بود. تلاش قابل توجه دیگری که پرستاران توصیف کردند، حضور فیزیکی مدیران فوری آنها در واحد بود تا اطمینان حاصل شود که آنها به خوبی تأمین و حمایت می شوند. بازدیدهای حضوری رهبری اجرایی در میان کارکنان بین حرفه ای بسیار مورد قدردانی و ارزش قرار گرفت، اما به عنوان نادر توصیف شد.
پرستاران همچنین زمان‌هایی را توصیف کردند که احساس نمی‌کردند توسط رهبری درک شده یا مورد حمایت قرار می‌گرفتند و زمانی که رهبری نتوانستند محدودیت‌های کارشان را در طول پاسخ کووید-19 تشخیص دهند. هماهنگ‌کننده‌های مراقبت و پرستاران هر دو ابراز تمایل کردند که در تصمیم‌گیری مشارکت داشته باشند و ایده‌های آنها نه تنها شنیده شود، بلکه توسط مدیریت بالاتر گنجانده شود، و شاهد شفافیت بیشتر در فرآیند تصمیم‌گیری سازمانی باشند. یک هماهنگ کننده مراقبت بیان کرد که چگونه سلسله مراتب سازمانی مانع از مشارکت تجربه و دانش HCW در خط مقدم تصمیم گیری سازمانی می شود:
پرستاران اینجا در برخی نقاط احساس شنیده یا قدردانی نکرده اند. من فکر می‌کنم که بیشتر به ساختار سلسله مراتب مدیریتی مربوط می‌شود که ما در اینجا داریم، و بنابراین کسانی که در رهبری اجرایی هستند ممکن است از نظر آنچه که واقعاً روزانه در یک سطح اتفاق می‌افتد، کاملاً آگاه نباشند و جزئیات محور نباشند. اما جزئیاتی که واقعاً می تواند بر نحوه عملکرد روزانه شما در اینجا تأثیر بگذارد. (شرکت کننده 21، هماهنگ کننده مراقبت)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2.4. گروه کنترل
گروه کنترل متشکل از شرکت کنندگانی بود که بیماری مزمن در سطح پایه نداشتند و در طول دوره پیگیری بیماری را گسترش ندادند. سال تشخیص صفر بطور تصادفی انتخاب شد، به گونه ای که میانگین سن و توزیع سنی در سال صفر گروه کنترل و افراد مبتلا به بیماری با هم منطبق باشد. گروه کنترل با داشتن توزیع یکسان در جنسیت و سابقه نژادی همانند شرکت کنندگان مبتلا به بیماری ها، هماهنگی بیشتری داشت.

2.5. تحلیل آماری
در تحلیل شبکه ای، علائم و روابط آنها با یکدیگر حوزه های اصلی تمرکز هستند. ساختار شبکه ای شامل گره ها و یال ها است. در مورد شبکه های علائم افسردگی، علائم بیانگر گره ها هستند و ارتباط بین علائم بیانگر یال ها هستند (بورسبوم و کرامر، 2013). برای ایجاد شبکه هایی برای علائم افسردگی قبل و بعد از تشخیص هر بیماری، ما از مدل های آیزینگ استفاده کردیم که رگرسیون لجستیک تنظیم شده با L1 را با انتخاب مدل براساس معیار اطلاعات بیزی توسعه یافته (EBIC) ترکیب می کند. از بسته بات نت R برای این کار استفاده شده است (اپسکمپ و همکاران، 2018). ما سپس پیوستگی کلی شبکه ها را از قبل و بعد از تشخیص با استفاده از تست سنجش شبکه (NCT) مقایسه کردیم (ون بورکولو، 2019). NCT یک تست مبتنی بر جایگشت است که در آن پیوستگی شبکه بطور مکرر – در تحلیل ما 1000 بار – برای شرکت کنندگان بصورت تصادفی محاسبه می شود. توزیع حاصل از پیوستگی را می توان برای تست تفاوت های بین دو گروه استفاده کرد (ون بورکولو و همکاران، 2015). پیوستگی کلی به صورت مجموع مقادیر مطلق یال های یک شبکه تعریف می شود و نشان می دهد که چگونه این علائم در ارتباط هستند. ما مقایسه برای هر بیماری را به شرکت کنندگانی که قبلا مجموعه کاملی از داده ها را قبل و بعد از تشخیص داشتند، محدود کردیم؛ در غیر اینصورت، تفاوت در اندازه نمونه می تواند نشان دهنده مقایسه اندازه گیری پیوستگی باشد. جدا از پیوستگی کلی، بسته بات نت امکان برآورد شاخص های محوری برای شبکه های غیرمستقیم را فراهم می کند. اینها شامل قدرت، نزدیک بودن و بین هم بودن است (اپسکمپ و همکاران، 2018). قدرت توصیف می کند که چقدر گره بطور مستقیم با گره های دیگر ارتباط دارد. نزدیک بودن، چگونگی نزدیکی یک گره به گره دیگر یا به عبارتی دیگر، اندازه ظرفیت این گره برای تاثیرگذاری بر همه گره های دیگر را توصیف می کند. بین هم بودن، یک شاخص برای اهمیت گره در شبکه است. این نشان دهنده تعداد دفعاتی است که یک گره به عنوان پل بین دو گره دیگر عمل می کند. شبکه های نشان داده شده با استفاده از بسته بات نت R برآورد و ترسیم شده اند. علاوه براین، با پیروی از روش ون بورکولو و همکاران (ون بورکولو و همکاران، 2015) ما از تست ویلکاکسون جمعی رتبه ای برای مقایسه نمرات مجموع CES-D قبل و بعد از تشخیص هر بیماری استفاده کردیم. این تست می تواند به عنوان جایگزینی برای تست t برای نمونه های وابسته استفاده شود که توزیع اساسی، نرمال نیست.

3. نتایج
آمار توصیفی برای شرکت کنندگان در 4 و 2 سال قبل از تشخیص هر بیماری و گروه کنترل در جدول 1 ارائه شده است.
جدول 2 نمرات مجموع CES-D و پیوستگی کلی شبکه های افسردگی را دو یا چهار سال قبل و بعد از تشخیص هر بیماری نشان می دهد. همانطور که انتظار می رفت، تشخیص همه بیماری ها با افزایش نمرات مجموع CES-D در مقایسه دو سال قبل و بعد از تشخیص همراه بود. نتایج برای چهار سال قبل و بعد از آن مشابه بود، اگر چه تفاوتی در نمره مجموع برای دیابت مشاهده نشد.
تحلیل های پیوستگی هیچ تغییر آماری معناداری در پیوستگی کلی شبکه های علائم قبل و بعد از تشخیص دیابت، بیماری های قبلی یا سرطان نشان نداد (جدول 2). با این حال، برای سکته پس از تشخیص بیماری در مقایسه با دو سال قبل از تشخیص (اختلاف 3.63، p=0.01؛ شکل 1)، علائم کمتر ارتباط پیدا می کنند. شاخص های مرکزیت برای هر بیماری که در بخش مکمل A نشان داده شده است، نشان می دهد که ترکیب علائم در یک روش ناهمگن بعد از تشخیص تغییر می کند، در حالی که تغییرات در شاخص های مرکزیت مانند قدرت، نزدیک بودن و بین هم بودن شبکه های علائم کمتر مشخص می شود.

4. بحث
با استفاده از تحلیل شبکه ای، بررسی کردیم که آیا قدرت ارتباط بین علائم مختلف افسردگی نسبت به قبل از تشخیص دیابت، بیماری قلبی، سرطان و سکته تغییر کرده است. نمرات مجموع علائم افسردگی با تشخیص همه بیماری ها افزایش یافت. با این حال، برخلاف فرضیه ما، تنها سکته با تغییر در پیوستگی شبکه علائم همراه بود بطوری که علائم پس از مقایسه با قبل از تشخیص سکته، کمتر متراکم شدند.
تشخیص بیماری مزمن نگران کننده است و سازگاری با محدودیت های عملکردی که توسط بیماری های مزمن ایجاد می شود، می تواند دشوار باشد (د ریدر و همکاران، 2008). در نتیجه، افزایش علائم افسردگی همراه با ظهور بیماری های مزمن است. ما دریافتیم که برای تمامی بیماری هایی که در مطالعه ما وجود دارد، علائم افسردگی پس از تشخیص بیماری بیشتر می شود. در مقابل، ساختار شبکه ای علائم افسردگی تنها برای افرادی که مبتلا به سکته بودند تغییر یافت، اگرچه هیچ تفاوتی در پیوستگی کلی شبکه های علائم قبل از تشخیص بین شرکت کنندگان مبتلا به سکته، دیابت، بیماری قلبی و سرطان مشاهده نشده است. علاوه بر این، شرکت کنندگان مبتلا به سکته در مقایسه با سایر شرکت کنندگانی که مبتلا به بیماری های مزمن بودند، نمره افسردگی بالاتری داشتند. این امکان وجود دارد که آسیب مستقیم عصبی ناشی از سکته، با برخی از تغییرات مختص سکته در علائم افسردگی همراه باشد که در ساختار شبکه ای علائم منعکس شده است. تحقیقات بیشتری لازم است تا مشخص شود که آیا سایر خصوصیات شبکه ای علائم ممکن است علائم افسردگی ناشی از سکته را از افراد مرتبط با سایر بیماری های مزمن متمایز کند.
تنها چند مطالعه طولی قبلی وجود دارد که تغییرات ساختار شبکه ای علائم مرتبط با حوادث زندگی یا سایر عوامل خطرساز افسردگی را بررسی کرده اند. در مطالعه افراد در بخش مراقبت های روانی، تخلیه بیمارستان با کاهش نمره مجموع افسردگی و افزایش پیوستگی کلی علائم افسردگی در مقایسه با ارزیابی در بستری در بیمارستان همراه بود (بیرد و همکاران، 2016). در مطالعه ای درباره واکنش های اولیه نوجوانان به درمان افسردگی، افرادی که به درمان روانشناختی پاسخ مثبت تری نشان دادند، همچنین افزایش پیوستگی کلی علائم افسردگی را به همراه داشت (مک الروی و همکاران، 2019). در مقابل مطالعات دیگر نشان داده اند که پیوستگی قوی تر شبکه می تواند نشانگر پیش بینی افسردگی بدتری باشد (ون بورکولو و همکاران، 2015؛ سونگا و همکاران، 2014).
مک الروی و همکاران (مک الروی و همکاران، 2019) فرض کردند که تغییر در پیوستگی شبکه ای علائم ممکن است به جهت تغییر امتیازات علائم افسردکی بستگی داشته باشد. در یک منحنی مارپیچ مثبت از کاهش علائم افسردگی، بهبود در یک علامت منجر به بهبود سایر علائم در شبکه علائم مرتبط می شود. این با توضیحات قبلی درباره منحنی های مارپیچ منفی با اثر معکوس در علائم در تضاد است. مطالعه ما نشان می دهد که پیوستگی در ساختار شبکه ای علائم افسردگی، حتی بعد از ظهور بیماری های مزمن که به افزایش خطر علائم افسردگی معروف هستند، ممکن است نسبتاً بدون تغییر باقی بماند. بطور مشابه، ما تغییرات اندکی در شاخص های مرکزیت که قدرت هر گره شبکه علائم با گره های دیگر را توصیف می کند، مشاهده کردیم و همچنین ظرفیت احتمالی هر گره بر گره های دیگر و اهمیت نسبی هر علامت در شبکه علائم تاثیر می گذارد. تحقیقات بیشتری فراتر از این شاخص ها برای بررسی این فرضیه که بیماری های مزمن مختلف یا گروه های بیماری ممکن است تغییرات خاصی را در پروفایل علائم افسردگی ایجاد کنند، لازم است.

4.1. محدودیت ها
برخی از محدودیت های مطالعه ما باید مورد توجه قرار گیرد. اول اینکه، بیماری های مزمن همایند را بررسی نکردیم، زیرا می خواستیم بر بروز بیماری های مزمن خاص تمرکز کنیم. داشتن بیش از یک بیماری مزمن می تواند علائم افسردگی فرد را تشدید کند (بارنت و همکاران، 2012) و احتمالا ساختار شبکه ای علائم را بطور متفاوت از هر بیماری فردی تغییر می دهد. دوم اینکه، تشخیص برخی بیماری ها ممکن است دقیقا با شروع واقعی بیماری – به ویژه دیابت – مطابقت نداشته باشد و ارزیابی های دو ساله ممکن است این تغییر پذیری را افزایش دهد. برخی از شرکت کنندگان ممکن است درست بعد از اتمام یک موج بررسی تشخیص داده شوند و بنابراین تشخیص آنها فقط در موج بعدی ظاهر خواهد شد. این شرکت کنندگان دو سال مهلت داشتند تا خود را با تشخیص وفق دهند که این امر ممکن است باعث کمرنگ شدن تغییرات کوتاه مدت در علائم افسردگی شود. بعلاوه اطلاعات تشخیصی مورد استفاده در این مطالعه مبتنی بر گزارش های خودی هستند. این ممکن است مطالعه را تحت تاثیر قرار دهد چرا که ممکن است شرایط مزمن همیشه توسط بیماران بدرستی گزارش نشود (یاسیت و همکاران، 2015).

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1817

3 نتایج بیمار گزارش شده
دو ارزیابی نتایج معتبر که درد درک شده و وظایف را ارزیابی می کند، بررسی نتایج زانو و OKS (KOS) در ویزیت قبل از و بعد از عمل جراحی جمع آوری شد. در مدت مطالعه، سیستم جمع آوری حسابرسی درد (PACS) به عنوان ارزیابی نتایج اضافی متمرکز-درد بعد از تایید اصلاحیه اخلاقی مناسب اضافه شد. اطلاعات در PACS بنابراین تنها مکمل برای بیماران 16/22 در خط مبنا و 20 بعد از عمل جراحی می باشد. امتیاز PACS در خطا برای یک فرد، منجر به n=15 برای مقایسه PACS قبل و بعد از عمل جراحی می باشد.

2.4 کاهش داده
PCA در شکل موج OA و NP منوط به تعریف ویژگی شاخص بیومکانیکی تناوب بین و درگروه ها انجام شد. سه عنصر اصلی اول در ابتدا برای هر متغیر ورودی انتخاب شد، منجر به 72 متغیرگسسته در هر فردی شد. دسته کننده کاردیف سپس برای رتبه بندی اهمیت متغیر ورودی استفاده شد. این رتبه بندی از روش گزارش شده قبلی ناشی می شود[17] و برای کاهش ریسک تناسب زیاد داده آموزش به دو نصف شکافته و دسته کننده کاردیف برای رتبه بندی متغیر ورودی در هر دو مجموعه داده استفاده می شود. 18 متغیر بیومکانیکی شناسایی شده وجود دارد که در هر گروهی رتبه بندی و برای تجزیه و تحلیل بیشترحفظ شدند.
2.5 دسته بندی داده
18 ویژگی بیومکانیکی مجزا 31 NP و 41 نفر OA برای آموزش دسته کننده کاردیف در ویژگی گام OA استفاده شد. این فرایند روابط بین هر ویژگی ورودی و ارزش اعتقاد به OA، NP و عدم قطعیت را تعریف می کند. سه ارزش اعتقادی مذکور B(OA)، B(NP)، و U نامیده می شود سپس به ترتیب برای دسته بندی بین بیومکانیک گام NP و OA استفاده می شود[15]. اگر، مثلا، B(OA) بیشتر از B(NP) باشد و افراد متعلق به گروه OA ، تکنیک دسته بندی به نظر می رسد بطورموفقیت آمیزی این افراد را دسته بندی کنند. توانمندی این دسته با استفاده از الگوریتم اعتبارسنجی متقابل یکی را کنار بگذار (LOO) ارزیابی شد[19]. با استفاده از LOO، پارامترهای کنترل دسته بندی با استفاده از افراد n-1 تعریف و ارزش اعتقادی سپس برای افراد باقی مانده محاسبه شدند. این تکنیک تکرار تا زمانیکه هر فردی دسته بندی شوند.
سپس فرایند مشابه ای برای بیومکانیک اعضای پایین جمع آوری شده در ویزیت بیمار پس از تشخیص یا درمان اجرا شدند. قبلا اجزای تعریف شده اصلی برای محاسبه امتیازات برای 22 نفر در جراحی بعدی استفاده شدند. 18 ویژگی بیومکانیکی مشابه سپس در دسته کننده آموزشی برای محاسبه سه ارزش اعتقادی B(OA)، B(NP)، B(U) در ویزیت بیمار بعد از تشخیص یا درمان استفاده شد. اهداف تغیر بیومکانیکی گام به عنوان تفاوت بین B بعد و قبل از عمل جراحی (OA) تعریف شد.
2.6 تجزیه و تحلیل آماری
کلیه استنتاج های آماری با استفاده از SPSS (IBM, USA) محاسبه شد. همبستگی خطی بین B(OA) و PROMs با استفاده از ضریب همبستگی پیرسون (داده پارامتری) یا ضریب همبستگی رتبه بندی اسپیرمن (داده غیرپارامتری) ارزیابی شد. اندازه اثر به عنوان تفاوت میانگین تقسیم شده انحراف استاندارد آمیخته محاسبه شد.
3. نتایج
جمعیت شناختی شرکت کنندگان برای آموزش دسته کننده کاردیف نشان داده شده در جدول 1 استفاده شد. گروه OA بطور قابل توجهی BMI بیشتر و وزن بدن و بطور قابل توجهی قدیمی تر از یا پیرتر از گروه NP می باشد. دسته کننده کاردیف قادر به دسته بندی درست بین بیومکانیک گام NP و OA در کلیه 72 مورد، با استفاده از تکنیک اعتبارسنجی متقابل LOO ارزیابی شد. سه ارزش اعتقادی در طرحی ساده در شکل 1 نشان داده شده است.
جدول 1: میانگین جمعیت شناختی 31 (NP) غیر آسیب شناسی و 41 نفر مبتلا به ورم مفاصل و استخوان ها (OA) در مرحله اخیر که برای آموزش دسته کننده کاردیف استفاده شد. انحراف استاندارد در براکت نشان داده شده است. تفاوت مهمی بین گروه OA و NP وجود دارد.
تغییرات قبل-بعد از عمل جراحی در ارزیابی نتایج ذهنی و عینی برای 22 نفر که بصورت بعد از عمل جراحی برگشت خوردند در جدول 2 نشان داده شده است. از نظر آماری افزایش قابل توجهی (بهبود) د ر کلیه PROM ها، همراه با افزایش مورد انتظار در B(NP) و کاهش در B(OA) وجود دارد. اندازه اثر کلیه تغییرات مذکور بسیار بزرگ بود(> 0.8) [20]، به هرحال، امتیاز نتایج ذهنی اشکار شد تا ارزیابی واکنشی تغییرات بعد از TKR داشته باشد. همچنین افزایش متوسط قابل توجهی با تردید در طبقه بندی بعد از جراحی وجود دارد.
جدول 2: تغییرات در ارزیابی های عینی و ذهنی وظایف بین ویزیت خط مبنا (قبل از عمل) و بعد از عمل(9 ماه بعد از عمل) وجود دارد. ارزش های اعتقادی عینی: اعتقاد وظایف OA، B(OA)، عقاید در وظایف غیر-آسیب شناسی، B(NP) و بی تردید Uبا استفاده از دسته کننده کاردیف محاسبه شد. PROM های عینی به عنوان درصدی از امتیاز کلی محاسبه شد که 100% نشان دهنده عملکرد سالم است.
ارتباط بین بطور عینی ارزیابی شده تابع گام، B(OA) و PROM های مختلف در جدول 3 نشان داده شده است. همبستگی متوسط تا قوی بین B(OA) و دو PROM، OKS و KOS، هردو قبل و بعد از جراحی وجود دارد. این رابطه حتی قوی تر اگر بررسی دامنه تغییرات در ارزیابی های مذکور بعد از عمل جراحی آشکار شد. بنابراین، سطح خوبی از توافق بین ارزیابی های مذکور براساس افرادی که حداکثر و حداقل بعد از عمل جراحی بهبود دادند.
ارتباط بین PACSو B(OA) تنها حضور بعد از عمل جراحی TKR بود. تغییرات در وظایف بیومکانیکی بعد از عمل جراحی بنابراین بطورخطی مربوط به کاهش درد ارزیابی شده با استفاده از ارزیابی نتایج PACS بود.
شکل 2 طرح پیکان تغییرات در B(OA) برای هر 22 نفر بعد از TKR نشان می دهد. افراد به منظور بهبود چنین روابطی بین وضعیت قبل از عمل جراحی و بهبودی بعد از عمل جراحی رتبه بندی شدند که می تواند بطور بصری ارزیابی شود. قبل از و بعد از عمل جراحی هیچ رابطه آشکاری بین قبل از عمل جراحی B(OA) و کاهش در B(OA) بعد از عمل جراحی وجود ندارد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

1.2. انگیزه مطالعه حاضر
هدف اصلی کار ما تعریف یک پیش بینی کننده درجه (میزان)شادکامی (H-DP) است که به دست آوردن اطلاعات از مهمترین عوامل موثر بر شادکامی را مجاز می کند. به طور خاص ، این امر به منظور آزمایش بهره وری از روش یادگیری عمیق رگرسیون عمومی در پیش بینی شادکامی اندازه گیری شده ار نظر روان سنجی مقیاس افسردگی- شادکامی کوتاه روانشناختی (SDHS) را اجازه می دهد.
برای این منظور ، ما ساخت یک ساختار داده ای شهودی استخراج شده از شبکه عصبی عمیق (D- SDNN) مبتنی بر ساختار مفهومی عوامل روانشناختی – پریشانی احساسی ، شخصیت ، راهکار های مقابله با استرس و حمایت اجتماعی ادراک شده برای یادگیری نظارت شده را پیشنهاد می دهیم. اعتقاد بر این است که تکنیک فعلی یادگیری عمیق مزایای مختلفی دارد [39،40]. در میان آنها ، انتظار می رود D-SDNN که صحت پیش بینی را نسبت به مواردی که توسط MLR داده شده است ، بهبود بخشد ، و همچنین اثر – وزن را – که ابعاد مفهومی مختلف – عوامل روان شناختی – در ظهور درجه (میزان)خاصی از شادکامی و در نتیجه در H-DPدارند ،کنترل نماید.
بقیه مقاله به شرح زیر سازماندهی می شوند. ابتدا ، در بخش 2 ، شرح مختصری از مقیاس های روان سنجی مورد استفاده برای سنجش فاکتورهای روانی استفاده شده به وسیله D-SDNN مان را ارائه می دهیم. در مرحله بعد ، نمونه و رویه پیش پردازش داده ها ارائه می شود. بخش 3 به طرح مفهومی و ویژگی های اصلی D-SDNN اختصاص داده شده است. چهار D-SDNN آموزش داده شده است. بخش 4 نتایج ما را با استفاده از یک داده واقعی و در مقایسه با MLR ارائه می دهد. تأثیر ، مشارکت ، محدودیت ها و کارهای آینده در بخش 5 ارائه شده است. سرانجام ، یک نتیجه گیری کوتاه در بخش 6 آورده شده است.

2. موضوعات
2.1. نمونه : موضوع برای ملاحظه
بهزیستی (رفاه) روانشناختی و روانی فقط اخیراً با مقیاس های معتبر و پایا قابل اندازه گیری است ، اما شادکامی را می توان رضایت از زندگی ، فقدان افسردگی ، برونگرایی ثابت و غیره دانست ، بنابراین حتی اگر آنها یک ساختار یکسان را تشکیل ندهند ، ممکن است روابط محکمی بین آن ها پیدا کنند. نوشته ها نشان می دهد که بسیاری از منابع ممکن است در شادکامی تأثیر بگذارند ، شدیدترین تأثیرات مربوط به وضعیت تأهل ، ارتباط با شغل ، وضعیت شغلی ، اوقات فراغت و شایستگی های بهداشتی و مهارت های اجتماعی است [41]. بنابراین ، در این مقاله ما از یک ابزار خاص برای ارزیابی شادکامی استفاده کرده ایم و ساختهای مرتبط و متفاوت دیگری (به عنوان راهبردهای مقابله ، شخصیت ، پریشانی هیجانی و حمایت اجتماعی) را در این مدل گنجانده ایم تا بتوانیم تصویری کامل از حالات روانی و ذهنی نمونه طراحی کنیم.

2.1.1. تشریح نمونه
هدف از اين مطالعه مقطعي ، جمعيت بالغ غير نهادينه مقيم والنسيا بود. در مجموع 823 شرکت کننده نظرسنجی را تکمیل کردند که 59.8٪ از آنها زن بودند. میانگین سنی 46 سال (1/21 ±)از 18 تا 92 سال بود. با توجه به سطح تحصیلی نمونه ، 2/12 درصد آموزش رسمی دریافت نکرده اند ، 8/25 درصد آموزش ابتدایی ، 7/28 درصد آموزش متوسطه و 3/33 درصد مابقی نیز آموزش عالی را دریافت کرده بودند یا در حال حاضر در حال دریافت بودند. از نظر وضعیت زناشویی آنها ، 39٪ آنها مجرد ، 41.4٪ متاهل ، 8/8٪ جدا شده و یا طلاق گرفته بوده اند و 11.3٪ بقیه نیز بیوه بوده اند.

2.1.2. زمینه های مستثنی
نمونه آماری توسط 76 مصاحبه کننده مختلف جمع آوری شده است که نشان می دهد برخی از شرکت کنندگان با بیش از یک نفر مصاحبه شده اند. ما برای جلوگیری از نتایج نادرست این واقعیت را در نظر گرفتیم. به این معنا ، اگر پاسخ های متعدد هر یک از شرکت کنندگان تکرار شده برابر بود ، مشارکت کننده به حساب آورده می شد ، در مورد دیگر مستثنی شده بود.

2.2. توضیحات مقیاس های روان سنجی
مقیاس های روان سنجی پرسشنامه های استاندارد هستند که متغیرهای پنهان (عوامل روانشناختی) را از طریق موارد تجربی (شاخص های رفتاری) اندازه گیری می کنند. روش استفاده از مقیاس روان سنجی شامل اولین مرحله است که در آن مقیاس اعتبار سنجی شده است و مرحله دوم که پایایی آن تخمین زده می شود. به منظور استفاده، زمانی که مقیاسی در یک جمعیت خاص تأیید شد ، اعتبار آن مجدداً بررسی نمی شود. با این حال ، پایایی یک مقیاس، باید هر بار که این مقیاس در یک نمونه متفاوت استفاده شود ، بررسی شود. چندین شاخص برای برآورد همسانی درونی (یعنی پایایی) مقیاس وجود دارد. شاخصی که معمولاً به کار گرفته می شود ضریب کرونباخ است [42]. بنابراین ، ما در زیر مقیاس های مختلف روانسنجی به کار رفته در این کار را برای اندازه گیری متغیرهای پنهان ارائه خواهیم داد. ضرایب کرونباخ به دست آمده برای هر مقیاس در بخش 2.3 ارائه شده است.
شادکامی با مقیاس کوتاه افسردگی- شادکامی (SDHS) اندازه گیری شد [16]. این، یک مقیاس لیکرت 4 نقطه ای مرتب شده از 0 (“هرگز”) تا 3 (“اغلب”) با در مجموع 6 آیتم (مورد) است که 3 مورد از آنها احساسات مثبت را نشان می دهد (به عنوان مثال “احساس می کردم زندگی لذت بخش است”) در حالی که سه احساسات منفی دیگر توصیف می کنند – و از این رو به طور معکوس نمره می گیرد – (به عنوان مثال “احساس بی هوشی کردم”). نمره کل (که ممکن است بین 0- افسردگی- و 18- شادکامی- متغیر باشد) برای به دست آوردن درجه (میزان)شادکامی / افسردگی برای هر یک از شرکت کنندگان محاسبه شد و به عنوان استاندارد طلا (استاندارد پذیرفته شده) برای آموزش نظارت شده برای نتیجه D-SDNN مورد استفاده قرار گرفت.
راهکار های مقابله سازوکارهای ذهنی مختلفی برای مدیریت مطالبات و درگیری ها و تنظیم پاسخ هیجانی و استرس است. این راهکار ها شامل استفاده از منابع شخصی است و راهکار های مقابله در شرایطی که افراد به طور مکرر احساس می کنند منابع کافی ندارند یا نمی توانند به طور صحیح به این تقاضا پاسخ دهند، درگیر می شوند. راهکار های اصلی مقابله هدایتی ، شناختی و هیجانی است و می تواند بر روی مسئله یا به سمت احساسات متمرکز شود – آنچه در آن لحظه داریم- متمرکز شود. راهبردهای مقابله با استفاده از پرسشنامه Brief COPE مورد ارزیابی قرار گرفت [43]. این مقیاس لیکرت 4 نقطه ای است که از 1 (“من معمولاً این کار را نمی کنم)” تا 4 (“من معمولاً این کار را زیاد می کنم”) با 28 آیتم(موردی) که به 14 زیر مقیاس 2 آیتمی(موردی) هر یک : خود پرایشانی ، مقابله فعالانه ، انکار ، سوء مصرف مواد ، استفاده از حمایت عاطفی ، استفاده از حمایت ابزاری ، بی تفاوتی رفتاری ، بیرون ریختن ، اصلاح مجدد مثبت ، برنامه ریزی ، شوخ طبعی ، دین و سرزنش خود مجددا گروه بندی شده اند.
شخصیت با پرسشنامه شخصیت آیزنک مجددا- خلاصه شده (EPQR-A) مورد ارزیابی قرار گرفت.[44] این شامل 4 مقیاس از 6 آیتم(آیتمی) دوگانه (“بله / خیر”) است که هر روان رنجوری ، برون گرایی ، روان پریشی و صمیمیت را ارزیابی می کنند.
پریشانی هیجانی احساسی است که شخص یا موقعیتی درگیر تحمل یک رنج روان شناختی است و می تواند در درجات مختلف نه تنها شناختی یا کلامی بلکه از طریق علائم ذهنی یا جسمی – افسردگی ، اضطراب ، بی خوابی ، بی اشتهایی یا پرخوری، ناراحتی ، سرگیجه ، خستگی ، حالت تهوع ، درد ، و غیره اظهار شود. پریشانی هیجانی را می توان به عنوان وضعیت مخالف بهزیستی ، شادکامی ، رضایت شخصی ، رفاه و غیره تفسیر کرد. این فاکتور روانشناختی با استفاده از پرسشنامه سلامت عمومی 28 آیتمی (موردی) (GHQ – 28) اندازه گیری شد [45]. مقیاس لیکرت در مقیاس 5 درجه (میزان)ای از 0 (“اصلاً” نیست) تا 4 (“خیلی بیشتر از حد معمول”) است و درمجموع 28 آیتم (مورد) در 4 زیر مقیاس از 7 مورد مجددا گروه بندی شده اند: نشانه های جسمانی ، اضطراب / بی خوابی ، اختلال عملکرد اجتماعی و افسردگی شدید.
حمایت اجتماعی با مطالعه نتایج پزشکی(MOS) پرسشنامه حمایت اجتماعی (MOS-SSS) مورد بررسی قرار گرفت [46]. این شامل یک سؤال اول است که درباره تعداد دوستان و بستگان نزدیک که شخص دارد مورد می پرسد، به علاوه یک مقیاس لیکرت 5 امتیازی از 1 (“هیچ زمانی”) تا 4 (“همه زمان ها”) با مجموع 19 آیتم (مورد) در 4 زیرمقیاس حمایت عملکردی 8 ، 4 ، 4 و 3 آیتمی (موردی) در هر زیر مقیاس دسته بندی شده اند. اینها عبارتند از: تعامل هیجانی / اطلاعاتی ، کنش متقابل اجتماعی ملموس، عاطفی، مثبت.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

آموزش دهنده عملی و خواهر بخش, مربیانی که سرپرستی دانشجویان در منطقه دانشجویی را می کردند، مشخص کردند. همه این مربیان واجد شرایط بودند، بنابراین دستیابی به 40٪ نیاز به نظارت مربی (شورای پرستاری و مامایی، سال 2008) مسئله ساز نبود. علاوه بر این، HEI از یک ابزار ارزیابی آنلاین استفاده می کند، بنابراین کلیه مربیان شاغل در منطقه دانشجویی قادر به ثبت ورودی های خود با دانشجویان شدند و در فرایند ارزیابی مشارکت کردند. از مربیان دعوت شد تا در یک بروزرسانی مربی که در آن مدل مربیگری معرفی شده شود شرکت کنند. گری و همکاران. (2016) اذعان می کنند که شباهت ها بین نقش معلم و مربی آنقدر نزدیک است که عده ای نقش مربی-معلم را اتخاذ کرده اند، اما هدف از آموزش اضافی این بود که مربیان درک کنند که مربی در آنجا برای کمک به شخص برای یادگیری حضور یافته است، نه فقط تدریس به آنها.
قبل از شروع قرارگیری در محل کار, دانشجویان به جلسه بحث و گفتگو در مورد پروژه با مربی عملی و لینک آموزش دانشگاه دعوت شدند. آنها همچنین به جلسه تیم در بخش دعوت شدند که این فرصت را به آنها داد تا تیم را ملاقات کنند و با محیط بخش آشنا شوند. یک دفترچه خاطرات معرفی شد تا دانشجویان، مربیان و دیگر اعضای تیم که در هر شیفت به منطقه دانشجویی اختصاص داده شده بودند، به طور واضح شناسایی شوند.

4. چالش های بالقوه
تیم پیاده سازی برخی از اضطراب های اولیه را در مرحله برنامه ریزی برای کشف موانع احتمالی مورد بحث قرار داد. ما دریافتیم که که ممکن است میزانی از عدم تمایل از سوی کارکنان بالینی برای مشارکت در این الگوی جدید تربیت وجود داشته باشد زیرا این کار با تغییر در فرایند آشنا حمایت از یادگیرندگان همراه بود. آماده سازی موثر مربیان و تیم گسترده تر در بخش برای موفقیت آن بسیار حیاتی بود. همچنین نگرانی هایی در رابطه با حمایت از وضعیت فراعادی دانشجو وجود داشت. با افزایش تعداد دانشجویان در بخش، باید اطمینان حاصل می کردیم که این امر منجر به انتقال کارکنان به سایر دپارتمان ها نشود. برقراری ارتباط خوب در تمام سطوح درون سازمان از این امر جلوگیری کرد و تماس منظم از سوی آموزش دهنده عملی اطمینان داد که هرگونه مشکل به سرعت برطرف می شود.
همچنین در مورد مرخصی از پیش برنامه ریزی شده بحث هایی صورت گرفت. به طور سنتی, دانشجویان به صورت فردی قادر به مذاکره در مورد شیفت بودند، با این حال، برای اطمینان از تعداد صحیح دانشجویان در هر شیفت برای فعالسازی مدل، لازم بود مرخصی از پیش تخصیص داده شود. به دانشجویان این امکان داده شد که در صورت لزوم با دانشجوی دیگری تعویض وند. پاسخ به این مورد به طور شگفت آور مثبت بود، دانشجویان راضی بودند که مرخصی خود را برای کل مدت زمان قرارگیری از پیش مشخص نمایند و تعداد بسیار کمی تعویض در شیفت ها در پروژه آزمایشی پیش آمد.
تأثیر بالقوه دانشجویان بیمار یا غایب از محل قرارگیری و نحوه تاثیر آن بر مدل، یک ملاحظه دیگر بود. شناخت دانشجویان فراعادی به این معنی بود که هنوز یک تیم مشخص مسئول منطقه دانشجویی وجود دارد. این تیم به طور معمول شامل یک سرپرستار و دو کارمند مراقبت های بهداشتی بود. در صورت بیمار شدن یک دانشجو، تیم می توانست از دانشجویان باقی مانده حمایت کند، بدون اینکه مدل تاثیر بپذیرد.

5. پشتیبانی از قرارگیری
مشخص شده است که پیاده سازی موفقیت آمیز این رویکرد مشارکتی برای یادگیری, بستگی به شبکه های پشتیبانی موثر دارد (HEE، 2016). آموزش دهنده عملی در بیمارستان منطقه توانست به روزرسانی هایی را برای مربیان ارائه دهد تا به آنها در آماده شدن برای نقش خود کمک کند. آماده سازی و استنتاج قرارگیری برای دانشجویان نیز توسط آموزش دهنده عملی ارائه شد. علاوه بر این، بازدیدهای روزانه از بخش در طول طرح آزمایشی برای پشتیبانی هر چه بیشتر دانشجویان و تیم بخش انجام شد. دفترچه های خاطرات در بخش قرار می گرفت تا دانشجویان و مربیان بتوانند در شیفت های خود تأمل و تفکر کنند، این موارد به طور مرتب توسط خواهر بخش، آموزش دهنده عملی و لینک آموزش دانشگاه بررسی می شدند. لینک آموزش دانشگاهی همچنین در جلسات آماده سازی و قرارگیری در بخش ها برای حمایت بیشتر از این شرکت دخیل بود. بازدیدها از مکانها نیز در طول پروژه آزمایشی 12 هفته ترتیب داده شد. همچنین یک بازدید نظارتی توسط رئیس آموزش عملی انجام شد.

6. رهبری
در حالی که آشکار بود که سازوکارهای حمایتی در اجرای پروژه تأثیر مثبت داشته اند، به سرعت مشخص شد که نقش رهبری خواهر بخش برای موفقیت کلی آن بسیار حیاتی است. او بسیار علاقه مند بود که از بخش خود برای پروژه آزمایشی استفاده کند و اصول دستیابی به هدف این پروژه را درک می کرد.
از نوشته های دفترچه خاطرات خواهر بخش مشخص شد که او زمان و سرمایه گذاری زیادی را برای پشتیبانی از این پروژه گذاشته است:
“… کار بسیار سختی است و من فوق العاده کار می کنم، اما من این را می خواهم و این کار را خواهم کرد”
“در روز به حمایت می پردازم”
“قطعاً برای نظارت به باند 7 احتیاج داریم”
با وجود این، سرمایه گذاری اولیه و رهبری مؤثر به طور مشخص و واضح تأثیر مثبتی در نتیجه داشته است. با پیشرفت 12 هفته ای, خواهر بخش توانست مدل یادگیری همکارانه را ببیند و از آن استقبال نماید و بیان نمود که
“انجام این پروژه یک افتخار است و دیدن یک دانشجو دارای اعتماد به نفس، یک لذت مطلق است.”

7. یافته های اولیه
یک ارزیابی رسمی از این پروژه در حال حاضر در حال انجام است و یافته های حاصل از مجموعه ای از گروه های کانون، کاوش در تجربیات دانشجویان، مربیان و معلمان در موعد مقرر منتشر خواهد شد، اما بازخورد غیررسمی به دست آمده از دفترچه خاطرات قرارگیری نشان می دهد یادگیری همکارانه, فواید زیادی دارد.
دانشجویان این فرصت را داشتند که در مراقبت های جامع، تصمیم گیری و کار تیمی چند رشته ای دخیل شوند. آنها در طیف وسیعی از مهارت ها، از جمله مراقبت از برنامه ریزی، شناسایی یک بیمار رو به وخامت، مستندات و تحویل وظیفه اعتماد به نفس بیشتر پیدا می کنند. پرستاران دانشجو با نیازهای یادگیری خاص خودشان, به خودمختاری و پیش فعال بودن تشویق می شوند. مربیان, یادگیری، تدریس و حل مسئله که ممکن است برای دانشجو اتفاق بیفتد را به اشتراک می گذارند. فواید ارائه مراقبت جامع به بیماران تعیین شده آنها در طول شیفت، و بودن در نقطه تماس برای آن بیماران، نیز در دفترچه خاطرات قرارگیری بیان شد.
خود دانشجویان تشویق می شوند که با حمایت از کسانی که به تربیت نیاز دارند، همراه با آوردن تجربه قبلی خود و به اشتراک گذاری آن با کسانی که تجربه مشابهی ندارند، یکدیگر را مربیگری نمایند. هاگنز (2016) وقتی به یک طرح مشابه نگاه نموده بود، دریافت که این سبک از تربیت بالینی، بار مسئولیت تربیت را کاهش داده و به دانشجویان کمک کرده تا در شناسایی نیازهای یادگیری خود مسئولیت پذیری بیشتری داشته باشند، و بنابراین قادر به ارائه موثر مراقبت ها به بیمار باشند. پشتیبانی همکاران در این مدل بسیار ارزشمند بود و به دانشجویان فرصتی برای اشتراک دانش و توسعه مهارت های کار و رهبری تیم داد
اگرچه بازخورد غیررسمی از این کار, مثبت بوده است، دانشجویان و اعضای تیم پرستاری برخی نگرانی ها را در زمان پروژه آزمایشی شناسایی کرده اند. برخی دانشجویان احساس کردند که سطح مسئولیت آنها بیش از حد است، هرچند ویزیت های منظم از سوی آموزش دهنده عملی, مدیریت موثر این رخداد را با شناسایی حمایت ها و بینش های مناسب میسر کرد. برخی از مربیان دریافتند که اجازه دادن به دانشجویان برای رهبری امری مشکل است, بنابراین راهنمایی بیشتر در مورد تکنیک های تربیت توسط آموزش دهنده عملی ارائه شد. به دلیل تعداد دانشجویان در بخش ها، وسوسه تیم پرستاری اصلی, کمک به جاهای دیگر در بخش بود زیرا به نظر می رسید دانشجویان به خوبی از عهده کار خود بر می آیند. این مسئله توسط آموزش دهنده عملی با نظارت بر ترکیب مهارت در بخش دانشجویی نیز مورد بررسی قرار گرفت.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

طبق خلاصه کلی جمعیت – مواجهه – پیامد (PEO)، ما یک راهبرد جستجوی سیستماتیک را برای خود طراحی کردیم که مطالعات بزرگسالان و کودکان (P) را شامل می کند و مطالعات حیوانی یا مطالعات مربوط به جمعیت های شغلی (مثلا معلمان، پرسنل فرودگاه یا کارگران نگهداری جاده یا راه آهن) را مستثنی می کند. مواجهه (E) با سر و صدای ترافیک جاده ای، ریلی و یا هواپیمای تجاری باید به طور عینی با اندازه گیری های واقعی یا مدل های سر و صدای ارزیابی شده باشد. ما مطالعات سر و صدای هواپیمای نظامی، سر و صدای صنعتی و سر و صدای محله را مستثنی کردیم. در حالیکه راهبرد جستجو برای یافتن همه مطالعاتی طراحی شد که سلامت روانی (O) را بررسی می کنند، این مقاله بر نتایج جستجویی متمرکز است که به اختلالات رفتاری و هیجانی روی داده در نوجوانی و کودکی مربوط است. مطالعاتی که اختلالات رفتاری و هیجانی را با ابزارهای غربالگری تایید شده ارزیابی می کنند همانند پرسشنامه نقاط قوت و مشکلات (SDQ) می توانند مسائل تشخیص داده نشده و سطوح زیر بالینی اختلالات سلامت روانی را شناسایی نمایند، هم چنین مشمول بودند (جدول 1).
ما مطالعات اصلی را با استفاده از طراحی های مطالعه بوم شناختی، سطح مقطعی، مورد گواه و گروهی شامل نمودیم. مرورها را شامل نکردیم، اما فهرست های مرجع مرورها را برای مطالعات اولیه بیشتر ارزیابی کردیم. سرمقالات و نامه ها به ویراستاران هم چنین هر نشری که دارای اطلاعات ناقص در زمینه روش های مطالعه و نتایج باشد را از این مرور، مستثنی کردیم. از هیچ گونه محدودیت جغرافیایی و زبانی استفاده نکردیم. از این گذشته، ادبیات خاکستری را مشمول کردیم که در یک مجله نقد و بررسی شده همتا ظاهر نشده باشد (مثلا شرح مذاکرات کنفرانس، گزارشات تحقیقاتی)، چنانچه اطلاعات کافی در زمینه روشهای تحقیق و نتایج برای ارزیابی کیفیت متدولوژیکی ارائه شده بود، آن را شامل نمودیم. زمانیکه کمبود اطلاعات وجود داشت، سعی کردیم با مولفین آن نشر تماس بگیریم.

2.2 منابع اطلاعات و جستجوی اطلاعات
ما از پایگاه های داده ادبیات الکترونیکی مدلاین (پابمد)، ایمبیس (اووید)، سایک اینفو (پروکوئست) و سایندکس (ایبسکو هاست) بدون هیچ محدودیت زمانی در فوریه سال 2019 استفاده نمودیم. پابمد با استفاده از رشته جستجو ، ذیل مورد جستجو قرار گرفت: (“افسردگی” یا “انفعالی” یا “اضطراب” یا “وحشتزدگی” یا “افسرده خویی” یا آلزایمر یا “روانی” یا روانی یا روان یا آزار) و (“سر و صدا” و (“هواپیما” یا “خطوط هوایی” یا هواپیما یا خط هوایی یا “جت” یا “پرواز” یا ریل یا “قطار” یا “جاده” یا “بزرگراه” یا “خیابان” یا “ترافیک” یا “حمل و نقل”)). این رشته جستجو برای پایگاه های داده دیگر مطابقا، اقتباس شد.
مرورها و مراجع مطالعات مشمول برای مراجع بیشتر مورد جستجو قرار گرفتند. از این گذشته، شرح مذاکرات انجمن صوت شناختی آلمان و کنفرانس های سر و صدای بین المللی برای مطالعات مورد جستجو قرار گرفت.

2.3 انتخاب مطالعه و جمع اوری داده ها
نتایج جستجو به یک پایگاه داده سیستم مدیریت مرجع یادداشت وارد شد و مراجع دو نسخه ای در زمان ورود، حذف شد. عناوین و چکیده ها به طور مستقل توسط دو مولف (MS و JH) برای معیارهای شمول و عدم شمول غربالگری شدند. اختلافات پیرامون شمول مورد بحث قرار گرفتند و اغلب در غربالگری متن کامل برای غلط بودن از جهت احتیاط شامل شدند. متون کامل مقالات توسط دو بازبینگر مستقل مورد غربالگری قرار گرفتند و اختلافات در جلسات حل شد.
مشخصات مطالعه ذیل استخراج شد:
• طراحی مطالعه
• منطقه
• اندازه جمعیت مطالعه
• مشخصات جمعیت (سن و توزیعات جنسی)،
• اطلاعات نمونه برداری جمعیت (زمان های استخدام، پاسخ و پیگیری)،
• پیامدهایی که در نظر می گیرند چطور ارزیابی شده اند (ابزارها چطور استفاده شدند)
• منابع مواجهات سر و صدای در نظر گرفته شده
• ارزیابی سر و صدا، اعم از سطوح سر و صدای در نظر گرفته شده و
• نتایج مطالعاتی مرتبط
جزئیات بیشتر مربوط به این مطالعه همانند تنظیم برای مداخله گرها، تضاد منافع و منابع تامین بودجه هم در بخش نظرات فرم استخراج ما استخراج شدند (منابع مکمل، جدول S1). استخراج داده ها توسط یک بازبینگر انجام شد (FA, KR یا MS) و برای دقت توسط یک بازبینگر دوم (AF) مورد بررسی قرار گرفت. چه نتایج تنظیم شده به طور کامل چه نتایج آنچه مولفان به صورت “تحلیل های اصلی” خود توصیف کردند، در این فراتحلیل، استخراج و مشمول شد.

2.4 ارزیابی کیفیت مطالعه متدولوژیکی
حداقل دو بازبینگر (KR, FA, AF, JH, AS, و MS)، کیفیت متدولوژیکی مطالعات را با استفاده از یک ابزار هیبریدی ارزیابی نمودند که قبلا برای مرورهای تاثیرات سلامت مربوط به سر و صدا و مواجهات شغلی مورد استفاده قرار گرفته بود. این ابزار هیبریدی، مشخصات هم SIGN (شبکه رهنمودهای بین کالج های مختلف اسکاتلندی 2004) و هم ابزارهای ارزیابی CASP (برنامه مهارتهای ارزیابی انتقادی 2006/2004) را ترکیب می کنیم و چندین حیطه را مد نظر قرار می دهیم (مثلا در آمیختگی، ارزیابی مواجهه، سوگیری انتخاب). یک نمونه از این چک لیست، در مرجع [29] به چاپ رسید.
به یک مطالعه، رتبه کیفیت “++” داده می شد اگر اکثریت معیارهای کیفیت تامین می شد و اگر خیلی غیر محتمل بود، نتایج مطالعه از طریق معیارهای تامین نشده، دچار تورش می شد. اگر فقط برخی از معیارهای کیفیت تامین می شد، اما هم چنان غیر محتمل بود، نتایج مطالعه از طریق معیارهای تامین نشده، دچار تورش می شد، به مطالعه یک رتبه “+” داده می شد. یک مطالعه که تعداد معدودی یا هیچ یک از معیارهای کیفیت را تامین نکرده بود، به آن رتبه “-” داده می شد زیرا نتایج گزارش شده، به خاطر تورش حل نشده، محتمل یا بسیار محتمل بودند. ارزیابی های کیفیت مطالعه متدولوژیکی هم چنین این مساله را در نظر می گرفت که مطالعات بوم شناختی یا سطح مقطعی بعضا نمی توانند در میزان مشابه شواهد علمی به صورت گروه های مربوط به آینده هم بخشی داشته باشند یا حتی مطالعات مورد گواه می توانند همبخشی داشته باشند. رتبه های کیفیت مطالعه و استدلال پشت این رتبه بندی های کیفیت هم چنین تحت بخش نظرات فرم استخراج مشمول می شوند (منابع مکمل، جدول S2). ارزیابی های واگرای کیفیت در جلسات مورد بحث قرار گرفت و به طور جمعی حل شد.

2.5 فراتحلیل
یک فراتحلیل برای کسب براوردهای ریسک ائتلافی به ازای هر ده دسیبل اجرا شد، اگر حداقل دو مطالعه موجود باشد که منبع و پیامد مواجه یکسانی را مد نظر قرار دهند. در صورت لزوم، براوردهای منتشر شده به ریسک ها به ازای هر میانگین 24 ساعته سنجیده شده روز – غروب – شب ده دسیبلی (LDEN)) تبدیل شد با تبدیل اولیه متریک های سر و صدا به LDEN با استفاده از عوامل تبدیل پیشنهاد شده توسط برینک و دیگران و سپس با محاسبه ریسک ها به ازای هر 10 dB LDEN این کار صورت گرفت. به عنوان مثال، یک OR براورد شده گزارش کرد، به ازای هر میانگین سنجیده شده روز – شب 20 دسیبلی (LDN) سر و صدای ترافیک جاده ای، به یک OR به ازای هر LDEN ده دسیبلی به صورت ذیل تبدیل خواهد شد.

بسته استیتا متان برای اجرای متا آنالیز براوردهای ریسک سر و صدای ترافیک به ازای هر 10 دسیبل و برای ایجاد نقشه های جنگل بکار رفت. قصد داشتیم از مدل تاثیرات تصادفی برای فراتحلیل استفاده کنیم اما چون فقط تعداد اندکی از مطالعات را توانستیم در این تحلیل مشمول کنیم و واریانس مطالعه مابین ممکن است با مطالعات بسیار معدود، به طور صحیحی براورد نشود، تصمیم گرفتیم در عوض از مدل تاثیر ثابت برای فراتحلیل استفاده کنیم.
برای اجرای تحلیل های حساسیت با مستثنی کردن مطالعات دارای یک کیفیت متدولوژیکی پایین برنامه ریزی کردیم، زمانیکه حداقل یک مطالعه با رتبه “+” یا “++” موجود بود. این کار به مشخص کردن جهت ممکن و اثر گذاری بر تورش یک مطالعه بالقوه در زمینه نتایج ائتلافی کمک می کند. در جاییکه پنج مطالعه یا بیشتر موجود بودند، برای بررسی بصری تورش آن نشر با استفاده از یک رسم قیفی برنامه ریزی کردیم. مطالعات بسیار اندکی وجود دارند که این تحلیل حساسیت یا بررسی تورش این نشر را اجرا می کنند.

عوامل موثر بر برنامه ریزی برای فعالیت بدنی در میان کارگران در شرکت ها با اندازه کوچک و متوسط

Factors that influence planning for physical activity among workers in smalland medium-sized enterprises

چکیده
1- مقدمه
2- روش ها
2-1 شرکت کنندگان مطالعه
2-2 طراحی مطالعه
2-3 متغیر وابسته
2-4 متغیرهای مستقل
2-5- عوامل فردی
2-6 عوامل محیطی
2-7 تحلیل آماری
2-8 اخلاقیات
3- نتایج
4- بحث

چکیده
فعالیت بدنی (PA) برای بهبود سلامت کارگران در شرکت ها با اندازه کوچک و متوسط (SME) ضروری است. با این حال، دستیابی به تغییرات رفتاری مساعد برای PA اغلب دشوار است. از آنجا که قصد انجام PA، همیشه به عمل نمی انجامد، برنامه ریزی مناسب می تواند برای دستیابی به PA حائز اهمیت باشد. در این مطالعه، هدف ما, شناسایی عوامل مرتبط با برنامه ریزی PA در میان کارگران شرکت ها با اندازه کوچک و متوسط می باشد به دلیل آن که این یک جمعیت است که در معرض ریسک بالای بیماری های مرتبط با شیوه زندگی در ژاپن قرار دارد. شرکت کنندگان, یک سری از پرسشنامه های معتبر را تکمیل کردند. از 353 پاسخ معتبر، 226 نفر (149 مرد در سن سالگی) قصد خود برای انجام PA را بیان کردند. تجزیه و تحلیل رگرسیون چندگانه نشان دادند که نمره برنامه ریزیPA بالاتر به طور معناداری با خودکارآمدی بالاتر PA ((p < 0.001)، ادراک ریسک بالاتری نسبت به عدم فعالیت (p = 0.012) و آگاهی اطلاعاتی بیشتر در مورد خدمات عمومی PA (p = 0.019). مرتبط بود. بنابراین، توصیه می کنیم که در کار روزانه کارگران در محل کارشان، خودکارآمدی، درک ریسک و اطلاعات مربوط به خدمات ارتباطی PA ارتقا می یابند. به این ترتیب، آنها می توانند برنامه ریزی خود را از تغییرات رفتاری در محیط حمایتی، با استفاده از خدمات دردسترس، پشتیبانی ها و سایر منابع ارتقا دهند.
1- مقدمه
شواهد پشتیبانی کننده از اهميت فعاليت جسماني (PA) به عنوان نوعي از داروي پيشگيرانه در حال حاضر بسيار حايز اهميت است. بسیاری از مطالعات نشان داده اند که کمبود PA در ارتباط با بیماری های منفی مانند سندرم متابولیک (Kim et al.، 2011) بیماری های قلبی (Sieverdes et al.، 2010)، افسردگی (Teychenne و همکاران، 2010) و مرگ و میر (Stensvold et al.، 2011) قرار دارد. برعکس، انجام PA به بهبود آسیب زائی و علائم شرایط خاصی از قبیل نارسایی مزمن قلبی، بیماری قلبی عروقی، دیس لپیدمی، فشار خون بالا، چاقی، دیابت نوع 2، امید به زندگی (Lee et al.، 2012) و کیفیت کلی زندگی (Choi و همکاران، 2017؛ وانکمپفورت و همکاران، 2017) منجر می شود.
علیرغم مزایای بالقوه شناخته شده انجام PA، تعداد کارگران بالغ دارای عدم تحرک در سراسر جهان، از جمله در ژاپن در حال افزایش است. سطح توصیه شده PA برای بزرگسالان 18-64 ساله حداقل 150 دقیقه از PA در مقایسه با شدت شدید هوازی در طول هفته یا حداقل 75 دقیقه از PA به شدت شدید هوازی در طول هفته یا ترکیب معادل فعالیت متوسط و شدید ( WHO، 2017b) می باشد. با این حال، در یک تحقیق انجام شده توسط گروه کاری سری های فعالیت فیزیکی Lancet، تا حدود 31.1٪ (95٪ بازه اطمینان 30.9-31.2) بزرگسالان (≥15 سال) از 122 کشور، از نظر فیزیکی غیر فعال بودند (Hallal و همکاران، 2012). علاوه بر این، سازمان بهداشت جهانی (WHO) گزارش داده اند که در سطح جهانی، تقریباً یک نفر در هر چهار بزرگسال در سنین 18 سال ، PA را در سطوح توصیه شده اجرا نمی کنند (WHO، Fact Sheet، 2017a). در ژاپن، 90 درصد از جمعیت بالغ در حال کار در نظر دارند تا PA را انجام دهند. هرچند، <30٪ افراد در واقع سطوح توصیه شده PA از جمله فعالیت های انجام شده را در هنگام کار و تفریح انجام می دهند (وزارت بهداشت، کار و رفاه: نظرسنجی ملی بهداشت و تغذیه، 2013). در حالی که اکثر افراد توانا, انجام PA برای بهبود سلامت خود را دوست دارند، قصد انجام PA اغلب همیشه به پیگیری واقعی فعالیت ها نمی انجامد (Sheeran، 2002). بدین ترتیب این پرسش مطرح می شود: “چرا به نظر می رسد بسیاری از این افراد, در نظر گرفتن اقدامات برای انجام PA را مشکل می دانند؟” یک دلیل به نظر می رسد: فقدان “برنامه ریزی” (Cao et al.، 2013؛ Shimizu et al. ، 2013؛ Wiedemann و همکاران، 2009؛ Sutton، 2008). “برنامه ریزی”, فاز بین قصد و عمل است و مشخص می کند که چه موقع، کجا و چگونه باید انجام PA را در نظر گرفت (Cao et al.، 2011). رابطه بین قصد، برنامه ریزی، و عمل، توسط فرایند عملیات بهداشت و درمان (HAPA)، که توسط Schwarzer (1992) توسعه یافته است، توضیح داده شده است. ویژگی اصلی این مدل در تمایز صریح بین مرحله تصمیم گیری یا انگیزش، از جمله قصد و مرحله عمل یا نگهداری نهفته است (Schwarzer، 1992). اساسا، افرادی که قصد انجام PA را دارند، به برنامه ریزی دقیق برای انجام این کار نیاز دارند.

Abstract

Physical activity (PA) is necessary for improving the health of workers in small- to medium-sized enterprises (SMEs). However, behavioral changes conducive to PA are often difficult to achieve despite intentions. Because intention to perform PA does not always translate to action, proper planning may be critical for achieving PA. In this study, we aimed to identify factors related to planning for PA among workers in SMEs because this is one population that has been identified as being at higher risk for lifestyle-related diseases in Japan. Participants completed a series of validated questionnaires. Of 353 valid responses, 226 individuals (149 men; aged 47.5 ± 8.7 years) stated their intention to perform PA. Multiple regression analysis indicated that a higher PA planning score was significantly associated with higher self-efficacy for PA (p < 0.001), higher risk perception regarding inactivity (p = 0.012), and greater knowledge of information about PA community services (p = 0.019). Therefore, we recommend that self-efficacy, risk perception, and information regarding PA community services are enhanced in the daily working lives of workers at their workplaces. In this manner, they can promote their planning of health behavioral changes in a supportive environment, drawing upon available services, supports, and other resources.

1- Introduction

Evidence supporting the importance of physical activity (PA) as a form of preventive medicine is currently overwhelming. Many studies have reported lack of PA as being associated with negative health issues, such as metabolic syndrome (Kim et al., 2011), heart disease (Sieverdes et al., 2010), depression (Teychenne et al., 2010) and mortality (Stensvold et al., 2011). Conversely, performing PA results in improved pathogenesis and symptoms of specific conditions, including chronic heart failure, coronary heart disease, dyslipidemia, hypertension, obesity, type 2 diabetes, life expectancy (Lee et al., 2012) and overall quality of life (Choi et al., 2017; Vancampfort et al., 2017).

Despite the known potential benefits of performing PA, the number of sedentary adult workers is increasing worldwide, including in Japan. Recommended levels of PA for adults aged 18–64 years are at least 150 min of moderately intense aerobic PA throughout the week, or at least 75 min of vigorously intense aerobic PA throughout the week, or an equivalent combination of moderate and vigorous intense activity (WHO, 2017b). However, in an investigation conducted by the Lancet Physical Activity Series Working Group, up to 31.1% (95% confidence interval 30.9–31.2) of adults (≥15 years) from 122 countries were found to be physically inactive (Hallal et al., 2012). Additionally, the World Health Organization (WHO) reported that globally, approximately one in four adults aged ≥18 years do not perform PA to recommended levels (WHO, Fact Sheet, 2017a). In Japan, 90% of the adult working population reportedly intend to perform PA; however, < 30% of people actually perform recommended levels of PA, including activities undertaken while working and during recreation (Ministry of Health, Labour and Welfare: National Health and Nutrition Survey, 2013). While most able individuals would like to perform PA to improve their health, intention to perform PA often does not always translate into actual pursuit of activities (Sheeran, 2002). This begs the question, “Why do so many people find it difficult to act on their intentions to perform PA?” One reason appears to be a lack of adequate “planning” (Cao et al., 2013; Shimizu et al., 2013; Wiedemann et al., 2009; Sutton, 2008). “Planning” is the phase that lies between intention and action, and specifies when, where, and how to carry out the intention for PA (Cao et al., 2011). The relationship between intention, planning, and action is explained by the Health Action Process Approach (HAPA), which was developed by Schwarzer (1992). The main feature of this model lies in the explicit distinction between a decisionmaking or motivation stage, including intention, and an action or maintenance stage (Schwarzer, 1992). Essentially, people who intend to perform PA require adequate planning to do so.

عوامل مادر، جنینی و پریناتال در ارتباط با انتروكوليت غدد لنفاوی در سوئد: یک تحقیق کنترل شده ملی

Maternal, fetal and perinatal factors associated with necrotizing enterocolitis in Sweden. A national case-control study

چکیده
نتیجه
معرفی
هدف تحقیق
مواد و روش ها
نتایج
بحث
عوامل مادران
عوامل مرتبط با بارداری
عوامل پریناتال
عوامل مرتبط با نوزاد
عوارض نوزادان
ارتباط با عوارض خاص زودرسی
ناخالصی SIP مجموعه داده
نقاط قوت و محدودیت ها
نتیجه
پشتیبانی از اطلاعات

چکیده
هدف
برای تجزیه و تحلیل ارتباط عوامل مادر، جنینی، بارداری و پریناتال با انتروکولیت غدد لنفاوی در یک تحقیق کنترل شده همسان از داده های ثبتی جمع آوری شده در سراسر کشور استفاده شده است.
طرح تحقیق همه نوزادان متولد شده در سال 1987 تا 2009 با تشخیص انتروکولیت غدد لنفاوی در هر كدام از آمار ثبتی مراقبت های بهداشتی ملی سوئد شناسایی شدند. برای هر مورد تا 6 کنترل برای سال تولد و سن حاملگی همسان انتخاب شد. در نتیجه جمعیت مورد تحقیق شامل 720 مورد و 3567 کنترل بود. اطلاعات مربوط به داده های اجتماعی و اقتصادی در مورد مادر، بیماری مادر، تشخیص مربوط به بارداری، تشخیص پریناتال نوزاد، و روش های دوره پریناتال برای تمام موارد و کنترل ها بدست آمده بود و با رگرسیون های منطقی غیر قابل تغییر و چند متغیره برای کل جمعیت تحقیق، همچنین برای زیر گروه ها با توجه به سن حاملگی بررسی شد.
نتایج در کل جمعيت تحقیق، ارتباط مثبت مستقلی با انتروکولیت غدد لنفاوی برای isoimmunization، پریشانی جنین، سزارین، عفونت باکتریایی نوزادان از جمله سپسیس، عفونت ادراری ، آرتروس داکتوس مداوم، ناهنجاری قلب، ناهنجاری های دستگاه گوارش و اختلالات کروموزومی پیدا کردیم. رابطه های منفی برای وزن مادر، preeclampsia ، عفونت ادراری مادر، پارگی غشا زودرس و وزن تولد دیده شد. الگوهای مختلفی از رابطه ها در زیر گروه هایی با سن حاملگی مختلف دیده شد.
نتیجه با استثناهای جالب توجه، به ویژه در رابطه های منفی، نتایج این تحقیق بزرگ مبتنی بر جمعیت، مطابق با تحقیقات قبلی است. اگرچه محدودیت های داده های ثبتی محدود شده است ، یافته ها نشان می دهد فرایندهای پاتوفیزیولوژیکی امکان پذیر است و تأکید می کند که NEC یک بیماری چند فاکتوریل است.
معرفی
Necrotizing enterocolitis (NEC) همچنان یک مشکل در مراقبت نوزادان است. میزان بروز NEC در سوئد طی سال های 1987 تا 2009، 34/0 در 1000 تولد زنده، با افزایش روند، به خصوص با افزایش نارسایی زودرس مواجه می شود، اما در سنین بارداری بالاتر نیز دیده می شود (GA) [1]. اتيولوژي چند فاکتوريل است و ممکن است با توجه به درجه بلوغ بیمار متفاوت باشد [2]. نارسایی زودرس و وزن پایین هنگام تولد بیشترین عوامل مستعد کننده هستند در حالی که سایر عوامل خطر با GA متفاوت است ، ]4،3[ همچنین بین جمعیت های مورد تحقیق با نتایج تحقیقات قبلی گاهی تناقض است. پاتوفیزیولوژیک، تعامل پیچیده ای از سیستم ایمنی داخلی و باکتری های ساکن، عوامل ضد التهابی و سیستم های مدولاسیون، در حال تغییر هستند [5،6]. نارسایی حرکات روده و هضم، عملکردهای مانعی ساختاری و بیوشیمیایی همچنین تنظیمات گردش خون به آسیب پذیری کمک می کند [5،6]. نتیجه آن، خونریزی و التهاب necrotizing ، رشد بيش از حد باکتري و انتقال باکتري به دیواره روده و سیستم گردش خون می شود [7]. حضور باکتری ها نتیجه یک پیش نیاز مهم در پاتوژنز NEC می باشد، اما نقش آنها به عنوان مسکن بحث برانگیز است. گزارش های تغییرات فصلی در میزان حوادث، شیوع اپیزودیک و خوشه بندی NEC موثر است، [1،8]، با این حال، نقشی برای عوامل عفونی قابل انتقال یا سایر عوامل محیطی پیشنهاد می شود.
نتیجه
نتایج ما از این مفهوم حمایت می کند که NEC یک مسیر پاتوفیزیولوژیک مشترک از علل چند فاکتوریل است ، نه یک نهاد بیماری یکنواخت. برخی از ارتباطات شناسایی شده در این تحقیق به نظر می رسد در درجه اول به آسیب پذیری نامطلوب مربوط می شود، برخی دیگر ممکن است ارتباطات پاتوفیزیولوژیک مستقیم با NEC داشته باشند، و برخی ممکن است هر دو را تحت تاثیر قرار دهد. تفاوت در مدیریت عوارض پس از زایمان و پریناتال ممکن است بر اثر برخی عوامل خطر تاثیرگذار باشد و به نتایج متفاوتی از تحقیقات مختلف کمک کند.

Abstract

Objective To analyze associations of maternal, fetal, gestational, and perinatal factors with necrotizing enterocolitis in a matched case-control study based on routinely collected, nationwide register data.

Study design All infants born in 1987 through 2009 with a diagnosis of necrotizing enterocolitis in any of the Swedish national health care registers were identified. For each case up to 6 controls, matched for birth year and gestational age, were selected. The resulting study population consisted of 720 cases and 3,567 controls. Information on socioeconomic data about the mother, maternal morbidity, pregnancy related diagnoses, perinatal diagnoses of the infant, and procedures in the perinatal period, was obtained for all cases and controls and analyzed with univariable and multivariable logistic regressions for the whole study population as well as for subgroups according to gestational age.

Results In the study population as a whole, we found independent positive associations with necrotizing enterocolitis for isoimmunization, fetal distress, cesarean section, neonatal bacterial infection including sepsis, erythrocyte transfusion, persistent ductus arteriosus, cardiac malformation, gastrointestinal malformation, and chromosomal abnormality. Negative associations were found for maternal weight, preeclampsia, maternal urinary infection, premature rupture of the membranes, and birthweight. Different patterns of associations were seen in the subgroups of different gestational age.

Conclusion With some interesting exceptions, especially in negative associations, the results of this large, population based study, are in keeping with earlier studies. Although restrained by the limitations of register data, the findings mirror conceivable pathophysiological processes and underline that NEC is a multifactorial disease.

Introduction

Necrotizing enterocolitis (NEC) remains a challenge in neonatal care. The incidence rate of NEC in Sweden during 1987 through 2009 was 0.34 in 1,000 live births, with an increasing trend, partly explained by increased survival of the most premature but also seen in higher gestational ages (GA)[1]. The etiology is multifactorial and may differ according to the degree of maturity of the patient[2]. Prematurity and low birthweight are the most consistent predisposing factors, whereas other risk factors vary with GA,[3,4] as well as between study populations, and the results of previous studies are sometimes contradictory. Pathophysiologically, the complex interactions of the innate immunity system and colonizing bacteria, pro-inflammatory factors and modulatory systems, are deranged[5,6]. The immaturity of intestinal motility and digestion, structural and biochemical barrier functions as well as circulatory regulation contribute to the vulnerability[5,6]. The result is hemorrhagic and necrotizing inflammation, bacterial overgrowth and translocation of bacteria to the intestinal wall and systemic circulation[7]. The presence of bacteria is thus an important prerequisite in the pathogenesis of NEC, but their role as contagions is disputable. Reports of seasonal variation in incident rates, episodic outbreaks and clustering of NEC,[1,8] however, suggest a role for transmissible infectious agents or other environmental factors.

Conclusion

Our results support the notion that NEC is a common pathophysiological pathway of multifactorial etiology, rather than a uniform disease entity. Some of the associations identified in this study seem to be primarily related to an unspecific vulnerability, others may have more direct pathophysiologic associations with NEC, and some may affect both. Differences in management of antenatal and perinatal complications may influence the impact of certain risk factors and contribute to the disparate results of different studies..

یادگیری عمیق و کاربرد های آن در زیست پزشکی

Deep Learning and Its Applications in Biomedicine

چکیده
مقدمه
توسعه ی ANN ها
توسعه ی یادگیری عمیق
توصیفی خلاصه در رابطه با یادگیری عمیق
مفاهیم اولیه
توابع فعال سازی
هدف بهینه سازی
تابع ضرر
روش های بهینه سازی
معماری یادگیری عمیق
AEها
RBM ها و DBN ها
شبکه های عصبی پیچشی ( کانولوشن)
شبکه های عصبی بازگشتی
کاربرد های این روش در زیست پزشکی
طبقه بندی تصویر های پزشکی و بخش بندی آن ها

چکیده

پیشرفت های انتزاعی در زیست و تکنولوژی های زیستی، حجم بسیار زیادی از داده های زیستی و فیزیولوژیک را ایجاد کرده است، از جمله تصویر های پزشکی، الکتروانسفالوگرافی، نقشه های ژنوم و توالی های پروتئینی. یادگیری با استفاده از این داده ها منجر به تسهیل درک ما نسبت به سلامت و بیماری های انسان می شود. الگوریتم های مبتنی بر یادگیری عمیق که از شبکه های عصبی مصنوعی توسعه پیدا کرده اند، توانایی بالایی برای استخراج کردن ویژگی و الگوهای یادگیری از داده های پیچیده را از خودشان نشان داده اند. هدف این مقاله فراهم کردن مروری بر روی تکنیک های یادگیری عمیق و بعضی از جدید ترین کاربرد های آن ها در زمینه ی پزشکی می باشد. ما نخست توسعه ی شبکه های عصبی و یادگیری عمیق را ارائه می کنیم. سپس دو بخش اصلی از یادگیری عمیق، یعنی معماری یادگیری عمیق و بهینه سازی مدل را ارائه می کنیم. در نهایت بعضی از نمونه های کاربردی روش یادگیری عمیق ارائه می گردد ، از جمله طبقه بندی تصاویر پزشکی، تحلیل توالی ها، و همچنین طبقه بندی و پیش بینی کردن ساختار پروتئین ها. در نهایت، ما دیدگاه خودمان را در رابطه با جهت آتی در زمینه ی یادگیری عمیق را ارائه می کنیم.
مقدمه
یادگیری عمیق یکی از روش های جدید با رشد سریع در زمینه ی یادگیری ماشین می باشد. در این روش تلاش می شود تا استخراج ویژگی ها و اطلاعات مفید از داده هایی با مقیاس بزرگ، با استفاده از شبکه های عصبی عمیق چند لایه ای (DNN ها) ، استخراج شود تا بتوان از داده هایی مانند تصاویر، صداها و متن ها، اطلاعات مفید به دست آورد [1]. یادگیری عمیق به صورت عمومی دارای دو ویژگی می باشد : 1)لایه های چندگانه از واحد های پردازش غیر خطی و 2) یادگیری با سرپرست یا بدون سرپرست از نمایه ی ویژگی ها در هر لایه [1].قالب کاری اولیه برای یادگیری عمیق بر اساس شبکه های عصبی مصنوعی (ANN ها) در دهه ی 1980 ایجاد شد [2] ، در حالی که تاثیر واقعی این روش های یادگیری عمیق در سال 2006 نمایان شد [3و4]. از آن زمان تا کنون، یادگیری عمیق در گستره ی زمینه های مختلف، شامل شناسایی خودکار گفتار، شناسایی تصویر، پردازش طبیعی زبان، شناسایی دارو و انفورماتیک زیستی مورد استفاده قرار گرفته است [5-7].
در دهه های اخیر، رشد گسترده ای در زمینه ی داده های پزشکی مانند توالی های ژنی، ساختار پروتئین ها، و تصویر های پزشکی ایجاد شده است که به دلیل پیشرفت در تکنولوژی هایی با کارایی بالا بوده است. این طوفان گسترده از داده های بزرگ زیستی، منجر به الزام استفاده از ابزار محاسباتی موثر و کارآمد شده است تا بتوانیم این چنین داده هایی را ذخیره سازی، تحلیل و تفسیر کنیم. قالب های کاری یادگیری عمیق ، مسائل جدیدی را نمایان کرده اند. هدف این مقاله فراهم کردن یک مرور در رابطه با یادگیری عمیق و بعضی از جدید ترین کاربرد های یادگیری عمیق در زمینه ی پزشکی و انفورماتیک زیستی می باشد.ما امید داریم که این مقاله بتواند برای خوانندگان ، مروری مناسب در رابطه با یادگیری عمیق ایجاد کرده و کاربرد های آن برای تحلیل داده های زیستی را نمایان کند.
طبقه بندی تصویر های پزشکی و بخش بندی آن ها
یادگیری ماشینی برای تصویر های پزشکی ، یک ابزار قوی در تشخیص و یا ارزیابی بیماری ها بوده است. معمولا، ویزگی های متمایز اشاره به تفسیر تصویر های پزشکی دارد که معمولا پیش از این، به صورت دستی توسط انسان ها برای طبقه بندی ( شناسایی کردن آسیب ها یا حالت های غیر عادی) و یا بخش بندی منطقه های مد نظر ( بافت ها و ارگان ها) در زمینه های پزشکی مختلف، مورد استفاده قرار می گرفته است. این روند نیازمند مشارکت متخصص ها و پزشکان می باشد. در هر صورت، پیچدگی و ابهام تصویر های پزشکی، دانش محدود برای تفسیر تصاویر پزشکی و الزام مقادیر داده های تفسیری مانع استفاده ی گسترده از یادگیری ماشینی در دامنه ی تصویر های پزشکی شده است. اما باید به این نکته اشاره کرد که روش های یادگیری عمیق ، موفقیت زیادی در انواع وظایف بصری کامپیوتری مانند شناسایی اشیا، مشخص کردن مکان آن ها و یا بخش بندی تصویر های طبیعی به دست آورده است. این موارد ، باعث شده که این روش ها از نظر تفسیر تصویر های پزشکی نیز امید بخش باشند.

Abstract

Advances in biological and medical technologies have been providing us explosive volumes of biological and physiological data, such as medical images, electroencephalography, genomic and protein sequences. Learning from these data facilitates the understanding of human health and disease. Developed from artificial neural networks, deep learning-based algorithms show great promise in extracting features and learning patterns from complex data. The aim of this paper is to provide an overview of deep learning techniques and some of the state-of-the-art applications in the biomedical field. We first introduce the development of artificial neural network and deep learning. We then describe two main components of deep learning, i.e., deep learning architectures and model optimization. Subsequently, some examples are demonstrated for deep learning applications, including medical image classification, genomic sequence analysis, as well as protein structure classification and prediction. Finally, we offer our perspectives for the future directions in the field of deep learning.

Introduction

Deep learning is a recent and fast-growing field of machine learning. It attempts to model abstraction from large-scale data by employing multi-layered deep neural networks (DNNs), thus making sense of data such as images, sounds, and texts [1]. Deep learning in general has two properties: (1) multiple layers of nonlinear processing units, and (2) supervised or unsupervised learning of feature presentations on each layer [1]. The early framework for deep learning was built on artificial neural networks (ANNs) in the 1980s [2], while the real impact of deep learning became apparent in 2006 [3,4]. Since then, deep learning has been applied to a wide range of fields, including automatic speech recognition, image recognition, natural language processing, drug discovery, and bioinformatics [5–7]. The past decades have witnessed a massive growth in biomedical data, such as genomic sequences, protein structures, and medical images, due to the advances of highthroughput technologies. This deluge of biomedical big data necessitates effective and efficient computational tools to store, analyze, and interpret such data [5,8]. Deep learning-based algorithmic frameworks shed light on these challenging problems. The aim of this paper is to provide the bioinformatics and biomedical informatics community an overview of deep learning techniques and some of the state-of-the-art applications of deep learning in the biomedical field. We hope this paper will provide readers an overview of deep learning, and how it can be used for analyzing biomedical data.

Medical image classification and segmentation

Machine learning for medical images has long been a powerful tool in the diagnosis or assessment of diseases. Traditionally, discriminative features referring to medical image interpretation are manually designed for classification (detection of lesions or abnormalities) and segmentation of regions of interest (tissues and organs) in different medical applications. This requires the participation of physicians with expertise. Nonetheless, the complexity and ambiguity of medical images, limited knowledge for medical image interpretation, and the requirement of large amounts of annotated data have hindered the wide use of machine learning in the medical image domain. Notably, deep learning methods have attained success in a variety of computer vision tasks such as object recognition, localization, and segmentation in natural images. These have soon brought about an active field of machine learning in medical image analysis.

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

فهرست مقاله:

چکیده
مقدمه
مواد و روش ها
شركت كنندگان
طرح مطالعه
نتایج
تحریک حرارت حرارتی در IEM
درد بدون تحریک
بحث
نتیجه

بخشی از ترجمه فارسی مقاله:

چکیده
اريترومالالژي ارثی (IEM) يک اختلال مزمن درد ناشي از جهش هاي حاصل از عملکردهاي محيطي کانال سدیم Nav1.7 می باشد، که در آن گرما موجب درد شدید می شود. اندکی درباره نمایش درد مغز در IEM شناخته شده است. در اینجا ما دو فرد را با جهش IEM Nav1.7-S241T با استفاده از تصویربرداری عملکرد مغز بررسی می کنیم(fMRI). افراد در هر یک از پنج بار ویزیت، اسکن شدند. در طول هر اسکن، درد در ابتدا باعث شد با استفاده از گرم کردن بوت افراد درد گرما-حرارتی را ارزیابی کنند. بعد، محرک حرارتی خاتمه یافت و افراد درد ناشی از محرک ر ا بررسی کردند. سرانجام، افراد کار رتبه بندی بصری کنترل را انجام دادند. حرارتی-گرمایی موجب درد برنامه ریزی شده برای قسمت جلوی چین سینوسی مغز، پیش پیشانی قشر مخ، لوبول (لخته کوچک) جداری اصلی، ناحیه حرکتی تکميلی، انسولا، قشرهای حرکتی حرکتی حسی- جسمی اولیه و ثانویه، استریاتوم پشتی و شکمی، آمیگدال و هیپوکامپ شدند. در مقابل، درد بدون تحریک، به طور عمده به قشر جلویی، از جمله پشت، شکم و کورتکس پیش مدفونی و ناحیه محرک مکمل برنامه ریزی شده بود. بررسی دوره های زمانی که درد بدون تحریک در حال تغییر بود فعالیت های بیشتری در شبکه ارزیابی شامل قشر مچ دست روسترال، استریاتوم و آمیگدالا و علاوه بر ساقه مغزی، تالاموس و انسولا را نشان دادند. نتیجه می گیریم که، مشابه با سایر وضعیت درد مزمن، بیان مغز درد بدون تحریک در طی حمله در افراد مبتلا به IEM مناطق مغزی را درگیر می کند که شامل درد حاد و همچنین ارزیابی و یادگیری می باشد.
کلمات کلیدی: ارتیرولالژیا، درد، fMRI، سموتوسنسوری، ارزیابی، پیش پیشانی
مقدمه
درد مزمن باری برای افراد و جامعه است. افرادی از درد مزمن رنج می برند که کیفیت زندگی کمتری دارند (کری و وانگ، 2004؛ ناستر و همکاران، 2012)، اما کمبود ابزار برای ارزیابی عینی تجربه درد وجود دارد. تصویر برداری عملکرد مغزی (fMRI) ابزاری ارزشمند برای بررسی فعالیت مغز همراه با درد می باشد (دیویس و مودی 2013؛ لی و تراسی، 2013؛ اشمیت ویلک 2015). FMRI برای بررسی انواع مختلف درد مزمن استفاده شده است، شامل درد مزمن پشت (بالیکی و همکاران 2006، بالیکی و همکاران 2008، ککو و همکاران 2015، هاشمی و همکاران 2013، سمینوویسز و همکاران 2011)، میگرن (بروشتین و همکاران 2015، شولته و می 2016)، درد نوروپاتیک (ناخوشی عصبی) (کودا و همکاران 2010، کودا و همکاران 2009، ارپلدینگ و همکاران 2014، گه آ همکاران 2008، خان و همکاران 2014، مای هافنر و همکاران 2003، مالینن همکاران 2010)، استئوآرتریت زانو (پارکس و همکاران 2011، رودریگز-رائک و همکاران 2009، رودریگز-رائک و همکاران 2013) فیبرومیالژیا(فلودین و همکاران 2014، کوچیناد و همکاران 2007، لاگیا و همکاران 2014، لاگیا و همکاران 2013، لوپز-سولا و همکاران 2016، ناپادو و همکاران 2010، اشمیت-ویلک و همکاران 2014 ) و درد مزمن لگنی (فارمر و همکاران 2011) می باشد. این مطالعه تغیرات ساختاری و عملکردی مرتبط با درد مزمن را شناسایی کرده است که بر هردو سیستم مغز حسی و لنفاوی تاثیر می گذارد. مهم است، شواهد اخیرا نشان می دهد که برخی از این تغییرات ممکن است پیش بینی کنده خطر انتقال از حاد به درد مزمن باشد. (بالیکی و همکاران 2012، واچون-پرسئو و همکاران، 2016). بنابراین، یافته های تصویر برداری مغز به آسیب پذیری مغز در مقابل تداوم درد و انعطاف پذیری مغز در پاسخ به درد اشاره دارد. ( فلور و همکاران 1997، کارل و همکاران، 2001؛ مای هافنر و همکاران 2007، مای هافنر و همکاران 2003). به هرحال، پاتوفیزیولوژی درد مزمن غیر سرطانی در انسان هنوز کاملا درک نشده است.
یک مانع برای رسیدن به این درک مکانیکی مشکل بررسی آسیب های محیطی از آسیب های بافت می باشد.
با فعالیت و ساختار مغز ارتباط برقرار می کند که منجر به “زمان بندی” درد می شود. ارسیروملالگیا ( سرخدرد) ارثی می شود (IEM) فرصتی برای غلبه بر این مانع ارائه و تعامل محیطی مرکزی را فراهم می کند. IEM مدل ژنتیکی درد نوروپاتیک است که در آن درد شدید از هیجان انگیز بودن نورون های ریشه گانگلیون ریشه های محیطی (DRG) ایجاد می شود. (دیب-هاج و همکاران 2013). این با درد شدید سوزش در اندامهای دفاعی مشخص می شود که به وسیله گرمای خفیف ایجاد می شود (درنت وواکسمن،2007 ). جهش های حاصل از عملکرد در کانال سدیم محیطی Nav1.7 باعث IEM می شود و بنابراین IEM پایه مولکولی روشن است. اکثریت جهش های Nav1.7 که باعث فعال شدن کانال انتقال IEM در جهت هایپرپولرایز می شود، آن را برای باز کردن کانال آسان تر می کند؛ زمانی که درون نورون های DRG بیان شده ، این جهش ها باعث افزایش هیجان می شود (دیب هاج و همکاران 2005، دیب هاج و همکاران 2013).
علیرغم این واقعیت که IEM درد را با علت ژنتیکی مشخصی تولید می کند، پایه ای ثابت و پایدار بر میزان هیجان انگیز محیطی، در مورد الگوی مغز فعالیت در افراد مبتلا به IEM کم، فقط با یک بررسی قبل از توصیف فرد شناخته شده است (سگردال و همکاران، 2012). ما اخیرا یک مطالعه fMRI در مورد اثربخشی کانال سدیم را انجام دادیم که دارو کاربامازپین (گه آ و همکاران 2016) در دو افراد با IEM حمل کننده موتاسیون S241T NaV1.7، را مسدود می کند که برای فعال سازی بیش از حد قطعه Nav1.7 (لامپرت و همکاران 2006) شناخته شده است و باعث افزایش عمیق غربالگری در نورون های DRG می شود،
آستانه آنها را کاهش و سرعت شلیک آنها را افزایش می دهد ) یانگ و همکاران 2012). این افراد بیش از یک دهه از درد شدید به علت IEM رنج می برند. داده های عملکردی MRI جمع آوری شد همانطورکه آنها شدت درد خود را در طول دوره گرم شدن گزارش می کردند که منجر به حمله IEM شد و بعد از پایان محرک حرارتی، دوم ارزیابی فعالیت مغز همراه با درد در طی یک حمله در غیاب تحرک خارجی در حال انجام اجازه می دهد. در اینجا، ما نمایش مغز درد در افراد مبتلا به IEM با گرم کردن محرک ها و در طول دوره بدون تحرک درد بعد از پایان دادن به چالش گرما ارائه می دهیم. ما فرض کردیم که هیپراکسپتیک عصبانیت در IEM زمینه های مغز را فعال می کند که معمولا در دردهای حاد دیده می شود مانند تالاموس، ناحیه حسی و حرکتی اولیه، انسولین و قشر کمر جلویی. علاوه بر این، ما فرض می کنیم که با توجه به ماهیت مزمن شرایط، افزایش تعامل مغز سیستم لیمبیک مشاهده می شود در حالی که بیماران بی تحرک خود به علت درد IEM می دانند.

بخشی از مقاله انگلیسی:

Abstract

Inherited erythromelalgia (IEM) is a chronic pain disorder caused by gain-of-function mutations of peripheral sodium channel Nav1.7, in which warmth triggers severe pain. Little is known about the brain representation of pain in IEM. Here we study two subjects with the IEM Nav1.7-S241T mutation using functional brain imaging (fMRI). Subjects were scanned during each of five visits. During each scan, pain was first triggered using a warming boot and subjects rated their thermal-heat pain. Next, the thermal stimulus was terminated and subjects rated stimulus-free pain. Last, subjects performed a control visual rating task. Thermal-heat induced pain mapped to the frontal gyrus, ventro-medial prefrontal cortex, superior parietal lobule, supplementary motor area, insula, primary and secondary somato-sensory motor cortices, dorsal and ventral striatum, amygdala, and hippocampus. Stimulus-free pain, by contrast, mapped mainly to the frontal cortex, including dorsal, ventral and medial prefrontal cortex, and supplementary motor area. Examination of time periods when stimulus-free pain was changing showed further activations in the valuation network including the rostral anterior cingulate cortex, striatum and amygdala, in addition to brainstem, thalamus, and insula. We conclude that, similar to other chronic pain conditions, the brain representation of stimulus-free pain during an attack in subjects with IEM engages brain areas involved in acute pain as well as valuation and learning.

Introduction

Chronic pain is a burden to subjects and society. Subjects suffering from chronic pain have a poor quality of life (Currie and Wang, 2004; Knaster et al., 2012), but there is a paucity of tools to objectively assess pain experience. Functional brain imaging (fMRI) is a valuable tool for investigating brain activity associated with pain (Davis and Moayedi, 2013; Lee and Tracey, 2013; Schmidt-Wilcke, 2015). FMRI has been used to study multiple types of chronic pain, including chronic back pain (Baliki et al., 2006; Baliki et al., 2008b; Ceko et al., 2015; Hashmi et al., 2013; Seminowicz et al., 2011), migraine (Burstein et al., 2015; Schulte and May, 2016), neuropathic pain (Cauda et al., 2010; Cauda et al., 2009; Erpelding et al., 2014; Geha et al., 2007; Geha et al., 2008a; Khan et al., 2014; Maihofner et al., 2003; Malinen et al., 2010), knee osteoarthritis (Parks et al., 2011; Rodriguez-Raecke et al., 2009; Rodriguez-Raecke et al., 2013), fibromyalgia (Flodin et al., 2014; Kuchinad et al., 2007; Loggia et al., 2014; Loggia et al., 2013; LopezSola et al., 2016; Napadow et al., 2010; Schmidt-Wilcke et al., 2014), and chronic pelvic pain (Farmer et al., 2011). These studies have identified structural and functional alterations associated with chronic pain affecting both sensory and limbic brain systems. Importantly, recent evidence suggested that some of these changes may be predictive of the risk of transition from acute to chronic pain (Baliki et al., 2012; Vachon-Presseau et al., 2016). Hence, brain-imaging findings point to brain vulnerabilities to persistence of pain and to brain plasticity in response to pain (Flor et al., 1997; Karl et al., 2001; Maihofner et al., 2007; Maihofner et al., 2003). Nevertheless, the pathophysiology of chronic non-cancer pain in humans remains incompletely understood. One hurdle to reaching this mechanistic understanding is the difficulty of examining how peripheral pathologies from possible tissue injuries interact with brain activity and structure to result in “chronification” of pain. Inherited eryhthromelalgia (IEM) offers an opportunity to overcome this hurdle and shed some light on the peripheral-central interactions. IEM is a genetic model of neuropathic pain in which severe pain arises from hyperexcitability of peripheral dorsal root ganglion (DRG) neurons (Dib-Hajj et al., 2013). It is characterized by severe burning pain in the distal extremities triggered by mild warmth (Drenth and Waxman, 2007). Gain-of-function mutations in peripheral sodium channel Nav1.7 cause IEM, and thus IEM has a clear molecular basis. The majority of Nav1.7 mutations that cause IEM shift channel activation in a hyperpolarizing direction, making it easier to open the channel; when expressed within DRG neurons, these mutations produce hyper-excitability (Dib-Hajj et al., 2005; Dib-Hajj et al., 2013). Despite the fact that IEM produces pain with a clear genetic etiology and a well-established basis of peripheral hyperexcitability, little is known about the pattern of brain of activity in subjects suffering from IEM, with only one prior paper describing a single subject (Segerdahl et al., 2012). We have recently completed a fMRI study on the efficacy of the sodium channel blocking drug carbamazepine (Geha et al., 2016) in two subjects with IEM carrying the NaV1.7 S241T mutation, which is known to hyperpolarize activation of Nav1.7 (Lampert et al., 2006), and produces profound hyperexcitability in DRG neurons, reducing their threshold and increasing the frequency of their firing (Yang et al., 2012). These subjects had suffered from severe pain for more than a decade due to IEM. Functional MRI data were collected as they reported their pain intensity, during a period of warming which triggered an IEM attack and after termination of the thermal stimulus, the latter allowing the measurement of brain activity associated with pain during an attack in the absence of ongoing external stimulation. Here, we present the brain representation of pain in subjects with IEM, both during exposure to warm stimuli and during the stimulus-free period of pain following cessation of the warmth challenge. We hypothesized that hyperexcitable nociceptors in IEM would activate brain areas usually seen in acute pain such as thalamus, primary sensory/motor areas, insula, and anterior cingulate cortex. In addition, we hypothesize that given the chronic nature of the condition, increased engagement of the brain limbic system would be observed while patients rate their stimulus-free IEM pain.