Expression and significance of serum insulin-like growth factor binding protein-7 and silencing information regulator 4 in patients with acute heart failure
-
摘要:目的
探讨胰岛素样生长因子结合蛋白-7(IGFBP-7)、沉默信息调节因子4(SIRT4)在急性心力衰竭(AHF)患者血清中的表达水平及其对预后的预测价值。
方法选取151例AHF患者(AHF组)和151例健康体检者(对照组)作为研究对象，检测并比较2组血清IGFBP-7、SIRT4、N-末端钠尿肽前体(NT-proBNP)和活性氧(ROS)水平。分析血清IGFBP-7、SIRT4、NT-proBNP、ROS水平与病情分级的关系; 采用Pearson相关系数法分析IGFBP-7、SIRT4与NT-proBNP、ROS的相关性; 采用多因素Logistic回归分析法分析AHF患者预后的影响因素。绘制受试者工作特征(ROC)曲线，分析血清IGFBP-7、SIRT4对AHF患者预后不良的预测效能。
结果AHF组血清IGFBP-7、SIRT4、NT-proBNP和ROS水平均高于对照组，差异有统计学意义(P < 0.05); AHF组患者中，病情分级Ⅳ级者血清IGFBP-7、SIRT4、NT-proBNP和ROS水平高于Ⅲ级者和Ⅱ级者，且Ⅲ级者高于Ⅱ级者，差异有统计学意义(P < 0.05); AHF组预后不良者病情分级和血清IGFBP-7、SIRT4、NT-proBNP、ROS表达水平均高于预后良好者，差异有统计学意义(P < 0.05)。AHF患者血清IGFBP-7、SIRT4水平均分别与血清NT-proBNP、ROS水平呈正相关(r=0.523、0.498、0.578、0.557, P < 0.05)。多因素Logistic回归分析显示，病情分级和血清IGFBP-7、SIRT4、NT-proBNP、ROS水平均为AHF患者预后的独立影响因素(P < 0.05)。ROC曲线显示，血清IGFBP-7、SIRT4对AHF患者预后均有一定预测价值，曲线下面积(AUC)分别为0.794、0.795, 且两者与ROS联用的预测价值更高, AUC为0.909(95%CI: 0.858~0.959)。
结论IGFBP-7、SIRT4在AHF患者血清中呈高表达，且其表达水平与患者病情分级和预后显著相关，两者联合检测对患者预后具有较高的预测价值。
Abstract:ObjectiveTo investigate the expression levels of serum insulin-like growth factor binding protein-7 (IGFBP-7) and silence-information regulatory factor 4 (SIRT4) in patients with acute heart failure (AHF) and their prognostic value.
MethodsA total of 151 patients with AHF (AHF group) and 151 healthy subjects (control group) were enrolled. Serum IGFBP-7, SIRT4, N-terminal natriuretic peptide precursors (NT-proBNP) and reactive oxygen species (ROS) were detected in the two groups. The relationships of serum levels of IGFBP-7, SIRT4, NT-proBNP, ROS with clinical grade were analyzed. Pearson correlation coefficient was used to analyze the correlations of IGFBP-7 and SIRT4 with NT-proBNP and ROS. Multivariate Logistic regression analysis was used to analyze the prognostic factors of AHF patients, and the Receiver operating characteristic (ROC) curve was drawn to analyze the predictive efficacy of serum IGFBP-7 and SIRT4 on poor prognosis of AHF patients.
ResultsCompared with the control group, the expression levels of IGFBP-7, SIRT4, NT-proBNP and ROS in serum of the AHF group were significantly increased (P < 0.05). The expression levels of IGFBP-7, SIRT4, NT-proBNP and ROS in the serum of patients with clinical disease grade Ⅳ were higher than that in grade Ⅲ and grade Ⅱ, and those with grade Ⅲ was significantly higher than that of grade Ⅱ (P < 0.05). The expression levels of IGFBP-7, SIRT4, NT-proBNP and ROS and severity grading in patients with poor prognosis in the AHF group were significantly higher than those in patients with good prognosis (P < 0.05). The expression levels of IGFBP-7 and SIRT4 in serum were positively correlated with the levels of NT-proBNP and ROS (r=0.523, 0.498, 0.578, 0.557, P < 0.05). Multifactor Logistic regression analysis showed that clinical grade, serum expression levels of IGFBP-7, SIRT4, NT-proBNP and ROS were independent influencing factors for prognosis of AHF (P < 0.05). ROC curve analysis showed that serum IGFBP-7 and SIRT4 had a certain predictive value for prognosis in AHF patients, with AUC of 0.794 and 0.795, and the combined detection of IGFBP-7 and SIRT4 had a higher predictive value (AUC was 0.909, 95%CI, 0.858 to 0.959).
ConclusionSerum IGFBP-7 and SIRT4 are highly expressed in patients with AHF, and their expression levels are correlated with clinical grade and prognosis, and the combined detection of the two indicators is of high reference value for evaluating the prognosis of patients.
-
人工智能(AI)是一种通过编程设定系统指令来模拟并增强人类智力的智能化系统，能够从数据中提取知识并应用知识来解决问题[1]。目前，国际医学AI领域的相关研究高速发展, AI在突发卫生事件和遗传类疾病预防和控制方面展现出至关重要的辅助作用，且相较于传统方法更精确、及时。随着数字经济和互联网产业的深入发展, AI技术在医疗大数据统计、智能交互和图像处理等领域展现出巨大的潜力和优势[2-4], 但其存在的社会伦理复杂性以及临床应用的精确性还有待进一步考量[5]。近年来，医学AI领域的研究正蓬勃发展。然而，现有关于医学AI领域的文献计量学研究[6-7]大多发表时间较早，对于该领域的研究热点及其未来发展趋势存在一定的滞后性，且鲜有通过双聚类方法深入探讨AI在医学领域研究热点属性之间相关性的研究。因此，本研究采用双聚类方法对医学领域中AI技术的应用研究进行分析，旨在为未来中国医学AI领域的纵深研究提供参考依据。
1. 资料与方法
1.1 一般资料
本研究以Web of Science核心合集[8]作为数据来源，采用主题式检索方式，检索式如下: “TS=(artificial intelligence OR AI AND Medicine OR Medical)”, 检索年限为建库至2022年12月31日。为了消除误差，采用数据库中的筛选功能，将语言限定为英语，“文献类型”类别选择article和review，“研究方向”类别中对非医学相关的文献进行人工剔除后得到文献9 076篇。将上述文献以纯文本的全记录与引用格式导出至NoteExpress, 排除重复发表文献，并使用Co-Occurrence13.4[9]提取文献的关键词字段，去除缺失关键词的文献，最终纳入有效文献7 803篇。
1.2 数据提取及分析方法
使用Co-Occurrence13.4对纳入文献的关键词进行频次统计，选择排名前30位高频关键词生成词篇矩阵，将词篇矩阵导入gCluto进行双向聚类，聚类方法(Cluster Method)选择Regeated Bisection, 相似性(Similarty Function)选择Cosine, 聚类数量及效果由类内相似度、类间相似度结果及专业知识结合分析确定。根据gCluto聚类结果绘制战略坐标图，图中纵坐标为密度，代表每一类别内主题词之间的紧密程度，横坐标为向心度，代表不同类别主题词之间的紧密程度，类别内的研究之间联系越密切，则密度越大，一类研究与别类研究之间的联系越密切，则向心度越大[10]。
2. 结果
2.1 文献外部特征分析
2.1.1 发文时间分布
自1991年以来，AI在医学领域应用的发文量呈逐年上升趋势。第1阶段(1991—2008年): 初步探索阶段; 第2阶段(2009—2022年): 加速发展阶段，其中受新型冠状病毒感染疫情的影响，2020—2022年AI在医学研究领域的发文量呈爆发式增长，见图 1。
2.1.2 发文期刊和国家、机构分布
分析结果显示，主题领域内发文分布排名前5位的期刊分别为: Plos One(184篇)、Scientific Reports(166篇)、Diagnostics(111篇)、Journal of Medical Internet Research(94篇)、Cancers(66篇); 发文量累计最多的国家为美国(2 966篇，占比38.00%), 其次为中国(1 223篇，占比15.67%)和英国(777篇，占比9.96%)。发文研究机构分析显示，共有10 072个机构参与医学AI研究，其中发达国家发文量首位的机构为Harvard Med Sch(148篇)，其次是Univ Washington(140篇)、Mayo Clin(108篇)。发展中国家发文量首位的机构为上海交通大学(76篇)，其次是中山大学(73篇)、华中科技大学(65篇)。
2.2 文献高频主题词情况
使用Co-Occurrence13.4对纳入文献的关键词按照词频分界法确定频次，将高频同义词进行合并后最终形成17 777个关键词，根据主题领域特定背景信息设置关键词频次>124次，最终共得到高频关键词30个，并形成双聚类高频词表，见表 1。
表 1 AI在医学研究领域的双聚类高频关键词序号 关键字段 频次/次 百分比/% 序号 关键字段 频次/次 百分比/% 1 Risk 460 2.59 16 Women 194 1.09 2 Diagnosis 419 2.35 17 Validation 194 1.09 3 Expression 400 2.25 18 Health 180 1.02 4 Classification 379 2.13 19 Model 180 1.02 5 Disease 302 1.70 20 AI 154 0.90 6 Management 292 1.64 21 Impact 152 0.90 7 Cancer 289 1.62 22 Activation 151 0.84 8 Prediction 277 1.55 23 Care 149 0.83 9 Prevalence 259 1.46 24 Children 148 0.83 10 System 245 1.37 25 Performance 145 0.81 11 Association 213 1.20 26 Protein 140 0.79 12 Mortality 210 1.18 27 Cells 135 0.76 13 Identification 210 1.18 28 Outcomes 127 0.71 14 Therapy 198 1.11 29 Gene-Expression 126 0.70 15 Risk-Factors 195 1.10 30 Gene 125 0.70 2.3 聚类分析结果
gCluto聚类工具包提供了一种可以生成高频关键词双向聚类及山丘图(图 2)的可视化方法，可用于探索主题领域内的研究热点及趋势[11]。本研究中，代表高频关键词共生成6个类属，分别为AI与卫生保健应用的研究(类属0)、AI与疾病转归关系的研究(类属1)、AI与疾病全程监测应用的研究(类属2)、AI辅助癌症诊断鉴别的研究(类属3)、AI与预测模型构建及效验的研究(类属4)、AI与生物标志物鉴别诊断的研究(类属5)，聚类结果见图 3。聚类山丘中，峰顶颜色与聚类内标准差呈相关性[12], 由红色、绿色、蓝色，依次代表标准差低、适中、高。结果显示, 2、5聚类山丘呈现红色，表明聚类内关键词高度相似; 0、1、3、4聚类山丘呈绿色，表明聚类内关键词相似度适中。山丘图成像结合专业知识对聚类结果进行分析，所生成的聚类类内相似度、类间相似度指标合理。聚类0至聚类5的类内相似度(ISim)分别为0.327、0.304、0.278、0.247、0.245、0.206, 类间相似度(ESim)分别为0.038、0.033、0.032、0.028、0.029、0.013。根据高频词的聚类结果绘制出战略地图以协助分析主题领域内研究热点及研究聚合程度，具体结果见图 4。
3. 讨论
医学AI领域研究近3年处于高速发展阶段。中国相继发布的“中国制造2025”和“健康中国2030”等系列方针政策和规划纲要，将AI列入国家发展战略的重要组成部分，大力支持AI在医学领域的发展[13]。同时，随着全民健康和科技创新发展的需要不断增加，以AI为基础的智能化医疗已成为实现这2个目标的重要组成部分之一[14]。患者在切身体会AI带来的精准、科学医疗服务的同时，也提升了对医学AI的接受程度，进一步推动了AI在各行各业的广泛应用[15]。本研究结果可见, AI在医学领域应用研究的全球发文量呈逐年上升趋势，尤其是近3年主题领域内发文量呈爆发式增长。其中，研究主题领域内发文量排名靠前的国家多为发达国家，中国为发文量位居首位的发展中国家，可能与国内外相关政策导向助力推进医疗技术信息化、智能化发展有关[16]。
聚类分析结果可见，类别0、1、2研究集中于AI应用于公共卫生事件的研究，主要涉及流行病学及卫生保健方向，从探索疾病的风险因素延伸至转归、结局及影响因素等。山丘图与战略坐标图结果可见，该类山丘内变异度较小，研究人群相对集中。相关研究[17]表明，在AI技术的支持下，医疗数据统计效率及精确度逐步提升，同时优化了数据的可用性。在新型冠状病毒感染疫情期间，医护人员利用数字化预测模型，精确筛查疫情传播链及易感人群[18], 对高危人群进行个体化防控，有效降低了疾病的传染风险，为控制疫情提供了有效保障[19]。此外，利用AI技术为易感人群制订个性化电子病历，在传统影像学成像系统的基础上进行数字化图像转换[20], 不仅提高了肺炎类型的检疫精确度及特异性[21], 而且将感染风险及治疗转归进行智能化预测分析，在优化医疗资源分配的基础上，改善了患者疾病转归及临床预后[22-23]。由此可见, AI技术的远程可控及信息扩展属性在预防和控制公共卫生突发事件中发挥了至关重要的作用。
战略坐标图分析结果显示，类别5研究在密度和向心度上表现最高，表明该类研究与主题领域内其他相关研究之间存在密切关系。同时，结合类别内关键词和既往研究[24], 可以推断类别5与研究人群固定的类别3之间存在紧密关系。目前，基于AI的检测技术已应用于基因检测及早期恶性肿瘤筛查，且在辅助诊断癌症及分型研究中已取得确切效果[25]。其中，蛋白检测及基因测定在临床实践中同属于生物标志物检测，该类检查属于无创性检测，对于确定疾病机制、实施个性化管理提供了可行性[26]。YANG D等[27]基于AI算法开发的GEM基因诊断技术，实现了自动化检测，提高了遗传基因亚型的检测及诊断的检查效率及精准性，有效解决了传统检验方法因时间和成本限制引起的相关风险性问题。同时，利用生物检测模型对中枢基因进行生存分析，鉴定靶基因与肿瘤免疫力之间的关系，为恶性肿瘤的鉴别诊断提供了重要依据，提高了对恶性肿瘤患者生存预测的精准性[28-29], 为早期恶性肿瘤的筛查和个性化管理提供了新思路和方法。此外，癌症的分子分型决定了治疗方式的选择。MITSALA A等[30]利用AI技术开发出结肠癌分型系统，确定了不同类型结肠癌的基因表达，进一步证实了结肠癌细胞异质性及生物学分型指标，为精确癌症分型及鉴别诊断提供了有力支持[31]。
类别4属于基于AI的预测模型构建及检验，结合山丘图和战略坐标图可见，此类别类内差异较大，且密度最低，提示相关研究相对较少，未来应加强该类研究，为医学领域内疾病预测模型的构建及检验提供参考。相关研究[32]已证实，基于AI算法的疾病预测模型能够为临床提供决策支持，提高医学诊断的特异性及敏感性。相较于传统的疾病预测方式, YE S Y等[33]构建了基于AI的心肌梗死风险预测模型，具备更高的准确性和及时性，能够有效降低院内心肌梗死的风险，改善患者的临床结局。此外，对于早期癌症患者而言，通过疾病预警模型筛查和管理影响其生存质量的高危因素及癌病变风险，能够指导临床医生为患者制订个性化的管理及治疗策略[34], 尤其胰腺癌这类早期无明显症状且生存率较低的恶性肿瘤的诊断尤其受益。基于AI的疾病预测模型不仅为胰腺癌早期诊断提供了更准确的结果，同时降低了因筛查遗失率所导致的风险[35-37]。因此，加强基于AI的疾病预测模型构建及验证，对提高患者的临床预后具有非常重要的意义。
目前，国外医学研究由AI向深度机器学习、纳米机器人等辅助临床诊断和治疗技术逐步发展，但其因涉及伦理问题，还需要各国研究者结合实际国情进行深入探讨。中国在顺应国情及政策支持的前提下，未来应增加多学科、机构间的交流合作，推动AI技术在医学诊断以及疾病预测模型构建等领域的发展。此外，本研究仅纳入Web of science核心合集数据库文献，因此可能存在文献范围有限和语言限制的问题。下一步研究拟增加纳入数据库数量，并通过专家论证的方法获得更为全面和可靠的结果。
-
表 1 2组血清IGFBP-7、SIRT4、NT-proBNP和ROS水平比较(x±s)[M(P25, P75)]
组别 n IGFBP-7/(μg/L) SIRT4/(nU/mL) NT-proBNP/(ng/L) ROS/(ng/mL) 对照组 151 50.11±12.86 30.93±9.27 206.01(157.69, 239.64) 13.83±3.10 AHF组 151 135.60±35.23* 75.23±20.92* 2 698.91(1 487.28, 4 192.45)* 30.86±9.02* IGFBP-7: 胰岛素样生长因子结合蛋白-7; SIRT4: 沉默信息调节因子4; NT-proBNP: N-末端钠尿肽前体; ROS: 活性氧。
与对照组比较, *P < 0.05。
下载: 导出CSV
表 2 不同病情分级患者血清IGFBP-7、SIRT4、NT-proBNP和ROS水平比较(x±s)[M(P25, P75)]
病情分级 n IGFBP-7/(μg/L) SIRT4/(nU/mL) NT-proBNP/(ng/L) ROS/(ng/mL) Ⅱ级 49 107.80±35.44 57.66±12.53 1 266.79(772.82, 2 027.66) 23.13±6.50 Ⅲ级 79 141.18±22.74* 77.50±16.05* 3 047.13(1 896.74, 4 131.54)* 31.88±5.92* Ⅳ级 23 175.71±14.67*# 104.34±12.05*# 5 535.59(4 578.72, 6 461.09)*# 43.79±5.09*# 与Ⅱ级比较, *P < 0.05; 与Ⅲ级比较, #P < 0.05。
下载: 导出CSV
表 3 不同预后AHF患者基本资料、血清指标表达水平比较[n(%)](x±s)[M(P25, P75)]
指标 预后良好者(n=103) 预后不良者(n=48) χ2/t/Z P 性别 男 57(55.34) 32(66.67) 1.736 0.188 女 46(44.66) 16(33.33) 年龄/岁 64.44±5.40 66.17±6.02 1.765 0.080 体质量指数/(kg/m2) 23.23±2.65 22.92±4.10 0.570 0.570 舒张压/mmHg 77.50±6.83 79.46±7.84 1.569 0.119 收缩压/mmHg 119.30±13.56 122.73±10.20 1.569 0.119 低密度脂蛋白胆固醇/(mmol/L) 2.42±0.44 2.55±0.44 1.726 0.086 饮酒史 22(21.36) 13(27.08) 0.602 0.438 吸烟史 31(30.10) 21(43.75) 2.703 0.100 病情分级 Ⅱ级 41(39.81) 8(16.67) 18.961 < 0.001 Ⅲ级 54(52.43) 25(52.08) Ⅳ级 8(7.77) 15(31.25) 胰岛素样生长因子结合蛋白-7/(μg/L) 124.63±34.91 159.16±22.01 6.288 < 0.001 沉默信息调节因子4/(nU/mL) 68.28±17.78 89.87±19.57 6.727 < 0.001 N-末端钠尿肽前体/(ng/L) 2 106.30(1 207.98, 3 178.20) 4 474.21(2 810.11, 5 476.59) 5.918 < 0.001 活性氧/(ng/mL) 27.95±7.41 37.09±9.06 6.567 < 0.001
下载: 导出CSV
表 4 AHF患者预后影响因素的多因素Logistic回归分析结果
因素 β SE Wald χ2 P OR(95%CI) 病情分级 0.371 0.166 4.995 0.026 1.449(1.174~3.692) 胰岛素样生长因子结合蛋白-7 0.285 0.121 5.548 0.019 1.328(1.136~5.041) 沉默信息调节因子4 0.329 0.159 4.282 0.038 1.390(1.215~5.732) N-末端钠尿肽前体 0.221 0.110 4.036 0.041 1.247(1.086~3.119) 活性氧 0.432 0.183 5.573 0.019 1.540(1.352~7.415)
下载: 导出CSV
表 5 血清IGFBP-7、SIRT4、ROS对AHF患者预后不良的预测效能
指标 敏感度 特异度 最佳截断值 P AUC(95%CI) 胰岛素样生长因子结合蛋白-7/(μg/L) 0.688 0.786 149.09 < 0.001 0.794(0.722~0.864) 沉默信息调节因子4/(nU/mL) 0.792 0.641 73.94 < 0.001 0.795(0.720~0.871) 活性氧/(ng/mL) 0.667 0.816 35.77 < 0.001 0.778(0.692~0.865) 三者联合 0.917 0.864 — < 0.001 0.909(0.858~0.959)
下载: 导出CSV
-
[1] OZMEN C, DEVECI O S, TEPE O, et al. Prognostic performance of copeptin among patients with acute decompensated heart failure[J]. Acta Cardiol, 2021, 76(8): 842-851. doi: 10.1080/00015385.2020.1786624
[2] ROGOWSKI O, SHNIZER S, WOLFF R, et al. Increased serum levels of oxidative stress are associated with hospital readmissions due to acute heart failure[J]. Cardiology, 2011, 118(1): 33-37. doi: 10.1159/000324192
[3] KOLIJN D, PABEL S, TIAN Y N, et al. Empagliflozin improves endothelial and cardiomyocyte functionin human heart failure with preserved ejection fraction via reduced pro-inflammatory-oxidative pathways and protein kinase Gα oxidation[J]. Cardiovasc Res, 2021, 117(2): 495-507. doi: 10.1093/cvr/cvaa123
[4] VAN BREEVOORT D, VAN AGTMAAL E L, DRAGT B S, et al. Proteomic screen identifies IGFBP7 as a novel component of endothelial cell-specific Weibel-Palade bodies[J]. J Proteome Res, 2012, 11(5): 2925-2936. doi: 10.1021/pr300010r
[5] HAGE C, BJERRE M, FRYSTYK J, et al. Comparison of prognostic usefulness of serum insulin-like growth factor-binding protein 7 in patients with heart failure and preserved versus reduced left ventricular ejection fraction[J]. Am J Cardiol, 2018, 121(12): 1558-1566. doi: 10.1016/j.amjcard.2018.02.041
[6] 马梦玲, 陈莉萍, 张艳蕾, 等. SIRT4在疾病中的作用及相关中药研究进展[J]. 生命的化学, 2022, 42(8): 1523-1528. https://www.cnki.com.cn/Article/CJFDTOTAL-SMHX202208012.htm [7] LUO Y X, TANG X Q, AN X Z, et al. SIRT4 accelerates Ang Ⅱ-induced pathological cardiac hypertrophy by inhibiting manganese superoxide dismutase activity[J]. Eur Heart J, 2017, 38(18): 1389-1398.
[8] 中国医师协会急诊医师分会, 中国心胸血管麻醉学会急救与复苏分会. 中国急性心力衰竭急诊临床实践指南(2017)[J]. 中华急诊医学杂志, 2017, 26(12): 1347-1357. https://www.cnki.com.cn/Article/CJFDTOTAL-YLYS201802098.htm [9] NISHIHARA T, TOKITSU T, SUETA D, et al. Clinical significance of reactive oxidative metabolites in patients with heart failure with reduced left ventricular ejection fraction[J]. J Card Fail, 2021, 27(1): 57-66. doi: 10.1016/j.cardfail.2020.07.020
[10] WANG X D, ZHANG G Y, DASGUPTA S, et al. ATF4 protects the heart from failure by antagonizing oxidative stress[J]. Circ Res, 2022, 131(1): 91-105. doi: 10.1161/CIRCRESAHA.122.321050
[11] 刘子琦, 殷悦轩, 韩艳丽. 射血分数保留心力衰竭病人IGFBP-7水平与心脏结构和功能指标的相关性[J]. 中西医结合心脑血管病杂志, 2023, 21(4): 698-702. https://www.cnki.com.cn/Article/CJFDTOTAL-ZYYY202304022.htm [12] KO T, NOMURA S, YAMADA S, et al. Cardiac fibroblasts regulate the development of heart failure via Htra3-TGF-β-IGFBP7 axis[J]. Nat Commun, 2022, 13(1): 3275. doi: 10.1038/s41467-022-30630-y
[13] BARROSO M C, KRAMER F, GREENE S J, et al. Serum insulin-like growth factor-1 and its binding protein-7: potential novel biomarkers for heart failure with preserved ejection fraction[J]. BMC Cardiovasc Disord, 2016, 16(1): 199. doi: 10.1186/s12872-016-0376-2
[14] MATSUSHIMA S, SADOSHIMA J. The role of sirtuins in cardiac disease[J]. Am J Physiol Heart Circ Physiol, 2015, 309(9): 1375-1389. doi: 10.1152/ajpheart.00053.2015
[15] ZHANG S J, ZHANG Y Y, WANG X D, et al. Effects of Shenfu Qiangxin Drink on H2O2 induced oxidative stress, inflammation and apoptosis in neonatal rat cardiomyocytes and possible underlying mechanisms[J]. Exp Ther Med, 2021, 21(6): 553. doi: 10.3892/etm.2021.9985
[16] KOENTGES C, KHAN E, BIRKLE S, et al. Sirtuin 4 contributes to heart failure development by increasing mitochondrial oxidative stress[J]. Eur Heart J, 2020, 41(Supplement_2): 3602.
-
期刊类型引用(2)
1. 蒋倩，张彩虹，郭洪花，麦惠盈. 中老年人轻度认知障碍风险预测模型的范围综述. 海南医科大学学报. 2025(04): 288-297 . 
百度学术
2. 陈中秋，黄娟，王浩，黄小明. 人工智能课程在医学通识教育中的实践探索. 中国继续医学教育. 2025(05): 175-178 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 96
- HTML全文浏览量: 42
- PDF下载量: 14
- 被引次数: 2
苏公网安备 32100302010246号
