ObjectivesTo investigate cartilage tissue turnover in response to a supervised 12-week exercise-related joint loading training program followed by a 6-month period of unsupervised training in patients with knee osteoarthritis (OA). To study the difference in cartilage tissue turnover between high- and low-resistance training.MethodPatients with knee OA were randomized into either high-intensity or low-intensity resistance supervised training (two sessions per week) for 3 months and unsupervised training for 6 months. Blood samples were collected before and after the supervised training period and after the follow-up period. Biomarkers huARGS, C2M, and PRO-C2, quantifying cartilage tissue turnover, were measured by ELISA. Changes in biomarker levels over time within and between groups were analyzed using linear mixed models with baseline values as covariates.ResultshuARGS and C2M levels increased after training and at follow-up in both low- and high-intensity exercise groups. No changes were found in PRO-C2. The huARGS level in the high-intensity resistance training group increased significantly compared to the low-intensity resistance training group after resistance training (p = 0.029) and at follow-up (p = 0.003).ConclusionCartilage tissue turnover and cartilage degradation appear to increase in response to a 3-month exercise-related joint loading training program and at 6-month follow-up, with no evident difference in type II collagen formation. Aggrecan remodeling increased more with high-intensity resistance training than with low-intensity exercise.These exploratory biomarker results, indicating more cartilage degeneration in the high-intensity group, in combination with no clinical outcome differences of the VIDEX study, may argue against high-intensity training.
Het aantal kinderen dat slachtoffer is van kindermishandeling en huiselijk geweld is hoog en al jaren constant. Met de komst van moderne digitale technologieën wordt voorzichtig verkend of er oplossingsrichtingen liggen ten aanzien van dit probleem. Hoewel technologieën zoals big data en machine learning potentie hebben in het analyseren van grote hoeveelheden data en dus ook in het mogelijk (eerder) signaleren van kindermishandeling, zijn er de nodige programmatische en ethische overwegingen waar rekening mee dient te worden gehouden. Indien mogelijke toepassingen nader worden verkend, is het tevens van belang dat professionals binnen het sociale domein ook kennis hebben van de werking van de diverse vormen van digitale technologie en dat er wordt intensief wordt samengewerkt met de verschillende domeinen waarin de technologie nader wordt ontworpen.
Machine learning models have proven to be reliable methods in classification tasks. However, little research has been conducted on the classification of dwelling characteristics based on smart meter and weather data before. Gaining insights into dwelling characteristics, which comprise of the type of heating system used, the number of inhabitants, and the number of solar panels installed, can be helpful in creating or improving the policies to create new dwellings at nearly zero-energy standard. This paper compares different supervised machine learning algorithms, namely Logistic Regression, Support Vector Machine, K-Nearest Neighbor, and Long-short term memory, and methods used to correctly implement these algorithms. These methods include data pre-processing, model validation, and evaluation. Smart meter data, which was used to train several machine learning algorithms, was provided by Groene Mient. The models that were generated by the algorithms were compared on their performance. The results showed that the Long-short term memory performed the best with 96% accuracy. Cross Validation was used to validate the models, where 80% of the data was used for training purposes and 20% was used for testing purposes. Evaluation metrics were used to produce classification reports, which indicates that the Long-short term memory outperforms the compared models on the evaluation metrics for this specific problem.
In het ziekenhuis kan elke fout een leven kosten. Zo kan al een kleine bereidingsfout bij het klaarmaken van intraveneuze medicijnen (IV) leiden tot levensbedreigende omstandigheden voor de patiënt. Bereiding van dit type medicijnen gebeurt in de apotheek en op de verpleegafdeling. Met name op de verpleegafdeling is het een drukke en onvoorspelbare setting. Wereldwijd komen in deze setting ernstige bereidingsfouten nog te frequent voor. Om deze menselijke fouten te reduceren, wordt in deze KIEM aanvraag een proof-of-concept ‘slim oog’ ontwikkeld die vlak voor de toediening detecteert of de juiste dosis aanwezig is, of het type medicijn correct is en geen vervuiling aanwezig is. Het slimme oog maakt gebruik van hyperspectrale technologie en artificial intelligence, en is een samenwerking tussen de Computer Vision & Data Science afdeling van NHL Stenden Hogeschool, de automatische medicijncontrole specialist ZiuZ, en het Tjongerschans ziekenhuis. De unieke combinatie tussen nieuwe AI-technieken, hyperspectrale techniek en de toepassing op intraveneuze medicijnen is voor dit consortium technisch nieuw, en is nog niet eerder ontwikkeld voor de toepassing aan het bed of in de medicijnkamer op de verpleegafdeling. De onvoorspelbare setting en de urgentie aan het bed maakt dit onderzoek technisch uitdagend. Tevens moet het uiteindelijke device klein en draagbaar en snel werkzaam zijn. Om de grote verscheidenheid aan mogelijke gebruik scenario's en menselijke fouten te vangen in het algoritme, wordt een door NHLS ontwikkelde simulatie procedure gevolgd: met nabootsing van de praktijksituatie in samenwerking met zorgverleners, met opzettelijke fouten, en computer gegenereerde beeldmanipulatie. Het project zal geïntegreerd worden in het onderwijs volgens de design-based methode, met teams bestaande uit domein experts, bedrijven, docent-onderzoekers en studenten. Het uiteindelijke doel is om met een proof-of-concept aan-het-bed demonstrator een groot consortium van ziekenhuizen, ontwikkelaars en eindgebruikers enthousiast te maken voor een groter vervolgproject.
