Kuuden kuukauden PEMF:n tulokset nukleotidilähteille paljastaen solun aistinvaraisen kokemuksen kivun lievittämisestä, stressin lievittämisestä ja ikääntymistä estävästä palautumisesta (PEMF)

Esittely:

Sähköresonanssihoito (PEMF) on suhteellisen uusi, huolimatta siitä, että sitä pidetään kultaisena standardina terveydenhuollon sovelluksissa.

PEMF:n peruslähtökohtana on soveltaa kenttäenergiaa (indusoivaa voimaa) isäntään, mikä tuottaa kirjon fysiologisia etuja (Bagnato et al., 2015). PEMF-lähestymistapojen etuja ovat käytettävissä olevat laajat modaliteetit, joissa indusoiva voima kohdistetaan ja konfiguroidaan (pienestä korkeaan hertsien intensiteetti, taajuus ja napaisuus). Haittoja ovat kuitenkin dissonanssit paradigman liikeradassa ja PEMF-tutkimus harvoin vastaanottajan muutoksen in situ / in vivo -mittareissa (Funk et al., 2008; Peterchev et al., 2012).

Terveydenhuollon PEMF-data mahdollistaa pakotetun harkinnan tekemisen kaikilla kriittisen tason (prekliininen, vaihe I, vaihe II, vaihe III, vaihe IV) järjestelmätoiminnalla. Nykyään järjestelmästä saatujen tietojen (kuvantaminen) ja hoitoon sovellettujen tietojen (korjaustoimet) välillä on ilmeinen ero. Joitakin esimerkkejä tästä ovat i) sähköresonanssi/kirurgia näyttöön perustuvana työkaluna kliinisen päätöksenteon yhteydessä (Phelps et al., 2018 ja Strauch et al., 2009); ii) in vitro elektroresonanssi ihoekvivalenssimallissa (Mitchell et al., 2015 ja Mitchell et al., 2016) ja luustimulaatiomalli (Ferroni et al., 2018) mallintaa in vivo -hyötyä; iii) IV-vaiheen antikoagulaatio- ja protrombiinisuhteen "havainnot ja kerrostuminen" käyttäen pääkomponenttien paikkoja ja tarkkailemalla kaikkia vaikuttavia variansseja pelissä (Sawhney et al., 2018).

Pandemian varianssin (Huang et al., 2020) ennennäkemätön panos lisää yleisön tietoisuutta siitä, kuinka moninaiset tosimaailman todisteet ratkaisevat näkemyseroja. Biolääketieteellisiä ongelmia esiintyy muodoissa, joissa etä- tai aseptinen käyttö ja itsehavainnointi ovat ensiarvoisen tärkeitä hoidon kannalta; erityisesti infektioiden, paranevien haavojen ja hydroelektrolyyttipalautuksen yhteydessä.

Runsas kattavuus PEMF:n homeostaattiset edut immuniteetin heikkenemiseen, kipuun, stressiin ja ikääntymiseen on tarkasteltu laajasti Mun et al.:n (2018) kanssa; ja vaikka toimintamekanismit ovatkin perusteltuja; kirjallisuushakumme osoittaa, että tosielämässä on harvoin aloitteita, jotka tallentavat laajalle levinneitä fysiologisia parannuksia, joita PEMF-terapia saa aikaan.

Tavoite:

Tässä kuvataan PEMF-vastaavuuden pisteytyksen kalibrointiproforma pitkittäis-, fysiologisissa ja havainnointituloksissa. Tämä tutkimus toimii menetelmäkehityksenä kentällä PEMF:n todellisen maailman todistehavainnoista.

Menetelmä:

Eettinen lausunto

Kaikki osallistujat antoivat kirjallisen tietoon perustuvan suostumuksen verkkokorin kassalla osoitteessa hzclinic.co.uk ja valitsivat terapiakohteen. Rekisteri toteutetaan paikallisten säännösten ja kansainvälisen konferenssin harmonisointi-hyvän farmakoepidemiologisen ja kliinisen käytännön ohjeiden mukaisesti.

Menettelyt ja tulosmittaukset

Seulonnassa kerätyt perustiedot sisälsivät osallistujien ominaisuudet (kuten ikä), kliinisen ongelman tyypin (stressi, kipu, immuunivasteen heikkeneminen), diagnoosin päivämäärän ja menetelmän, jos muodollinen, oireet ja PEMF-hoidon (transkription jälkeistä indusoinut nukleotidilähteen siirretty resonanssi). modifikaatio (PTM) ubiquitous-ominaisuuksiksi (U.P.)) 2 Hz PTM; 3 Hz PTM; 4 Hz PTM; 5 Hz PTM [pyydä liite lisää I.P. tuki].

Tiedot kaikista McGill Lifen (sensorinen, tunteellinen, arvioiva, sekalainen) indeksikaavion (ja) osista (tallenteet) kerättiin arvioidakseen kipu-, stressi-, ikääntymis- ja immuniteettikompromissitilojen herkkyyttä takautuvasti.

Hz:n tiedot kerättiin käyttämällä omaa sähköistä tapausraporttilomaketta (eCRF), jonka koulutettu henkilökunta on tallentanut. Toiminnan valvontaa ja tiedonhallintaa hoitaa koordinoiva keskus hz Clinic, tukiyksiköt PropDesk (Lontoo, UK) ja East London Electric Company (ELEC) (Lontoo, UK); ja resursointikeskukset MedCity yhdessä UCL Partnersin, Imperial College Health Partnersin ja Health Innovation Networkin kanssa.

Hz-protokolla edellyttää, että 20 % kaikista eCRF:istä seurataan lähdedokumentaatiota vastaan, että kaikille datamuokkauksille on sähköinen kirjausketju ja että kriittisille muuttujille tehdään lisätarkastus (Cohen et al., 2015).

Tilastollinen analyysi

Tässä artikkelissa kuvataan lähtötilanteen ominaisuudet, hoitotavat ja 6 kuukauden tulokset kansallisten tietojen ja Yhdistyneen kuningaskunnan osallistujien osalta. Näiden analyysien tiedot on poimittu rekisteritietokannasta 12.2.2020. Jatkuvat muuttujat ilmaistaan ​​keskiarvona ± keskihajonna (SD) ja kategoriset muuttujat frekvenssinä ja prosentteina. PEMF:n hyödyllisyys lähtötilanteessa analysoitiin McGill Life Chart Index -pisteillä, jotka laskettiin takautuvasti kerätyistä tiedoista. Osallistujia, joiden arvot puuttuivat, ei poistettu tutkimuksesta. Kansalliset normalisoitujen suhteiden (NNR) lukemat 6 kuukauden seurannan aikana sisällytettiin analyysiin. Muokatimme kansainvälistä normalisoitua suhdetta (Bonar ja Favaloro., 2016) virtsanäytteiden hankinnalla ja käsittelyllä osallistujien metabolomien sormenjälkiä ja nesteytyslukemia varten indeksinä, suoritettiin (pyynnön liite NNR-lisäohjeita varten). Epätodennäköinen NNR-arvo, joka oli alle 0,8 tai suurempi kuin 20, suljettiin pois. NNR-arvojen jakautuminen on kuvattu terapeuttisen alueen alapuolella, sisällä ja yläpuolella olevina lukuina ja prosenttiosuuksina sekä keskiarvona, SD-, mediaani- ja interkvartiilialueena (IQR).

Suuren kliinisen vasteen (ensisijaisesti kivun lievitys, stressin lievitys, hapettumisen esto (/ikääntyminen) ja sammutettu tulehdus) esiintyminen on kuvattu käyttämällä tapahtumien lukumäärää, tapahtumaan osallistuneiden osuutta jaettuna taakan saaneella väestöllä. seurantajakson alku, henkilö-aikaiset tapahtumat (100 henkilötyövuotta kohden) ja 95 % luottamusväli (CI). Arvioimme henkilövuosiluvut Poisson-mallilla tapahtumien määrällä. Vain kunkin tapahtuman ensimmäiset esiintymät otettiin huomioon. Data-analyysi suoritettiin PropDeskissä MatLabin kanssa (MathsWorks, Massachusetts, USA).