Beim aggressiven Non-Hodgkin Lymphom (aNHL) handelt es sich um eine heterogene Gruppe lymphatischer Erkrankungen. Obwohl heutige Behandlungsregime hohe Ansprechraten erzielen können, erreichen viele Patienten keine komplette Remission. Für eine Verbesserung der Behandlungsstrategien sind zuverlässige und klinisch anwendbare prognostische Marker erforderlich. Vorherige Studien weisen darauf hin, dass das Zytokin Interleukin 10 (IL10) eine Rolle sowohl bei der Initiierung als auch für den Verlauf von Lymphomen spielen könnte. Bisherige Daten zu Assoziationen von IL10 Genvariationen und dem IL10 Serumspiegel mit dem klinischen Verlauf von aNHL sind widersprüchlich. Daher ist das Ziel dieser Studie zu klären, ob diese beiden Faktoren prognostische Relevanz für den klinischen Verlauf von aNHL in unabhängigen größeren klinischen Studienkohorten haben sowie die molekularen Mechanismen zu untersuchen, die hierzu beitragen. Insgesamt wurden 1724 aNHL Patienten von drei verschiedenen klinischen Studien (NHL-B, RICOVER-60 und MInT) in diese Studie eingeschlossen. 604 Patienten kamen aus der RICOVER-60 Studie, wobei von 523 Patienten Serumproben verfügbar waren. Überlebenszeitanalysen zeigten, dass Patienten mit niedrigen IL10 Serumspiegeln im Vergleich zu Patienten mit erhöhten IL10 Serumspiegeln einen besseren klinischen Verlauf aufwiesen. Dies gilt auch für Patienten, die mit Rituximab zusätzlich zu Chemotherapie behandelt worden sind, welches die heutige Standardtherapie ist. Dies weist darauf hin, dass der IL10 Serumspiegel prognostische Relevanz für das klinische Ergebnis von aNHL haben könnte. Die Behandlung von Zielzellen mit IL10 in in vitro Versuchen scheint zu einer Reduktion der Rituximab-vermittelten antikörperabhängigen zellulären Zytotoxizität (antibody dependent cellular cytotoxicity (ADCC)), nicht aber der Komplement-vermittelten Zytotoxizität (complement dependent cytotoxicity (CDC)) zu führen. Des Weiteren konnte gezeigt werden, dass in der RICOVER-60 Kohorte homozygote Träger des IL10-11.668AA ein besseres Behandlungsergebnis zeigen als Träger der anderen zwei Genotypen (OS: HR=0.6; CI= 0.38-0.95; EFS: HR=0.6; CI= 0.41-0.87). Diese Genvariation befindet sich innerhalb einer evolutionär konservierten Sequenz. Mittels Chromatin Immunopräzipitation (ChIP) modifizierter Histone konnte ermittelt werden, dass die Region um den IL10-11.668G/A sowie andere konservierte Sequenzen in transformierten B-Zellen Enhancer spezifische Histon Modifikationen aufweisen. Sie scheinen also in die Regulation des IL10 Gens involviert zu sein. Zudem wurde eine sehr lange nicht-kodierende RNA identifiziert, die vom IL10 Genlokus transkribiert wird. Die Ergebnisse dieser Studie bestätigen, dass IL10 eine wichtige Rolle für den Klinischen Verlauf von aNHL spielt, und liefern neue Erkenntnisse über Struktur und Regulation des IL10 Gens.

No description available.

Zugl.: Heidelberg, Univ., Diss., 2005

Zugl.: Marburg, Universiẗat, Diss., 2008. / Literaturverz.

Zugl.: Giessen, Universiẗat, Diss., 2008.

No description available.

No description available.

Diagnostic Case Based Training Systems (D-CBT) provide learners with a means to learn and exercise knowledge in a realistic context. In medical education, D-CBT Systems present virtual patients to the learners who are asked to examine, diagnose and state therapies for these patients. Due a number of conflicting and changing requirements, e.g. time for learning, authoring effort, several systems were developed so far. These systems range from simple, easy-to-use presentation systems to highly complex knowledge based systems supporting explorative learning. This thesis presents an approach and tools to create D-CBT systems from existing sources (documents, e.g. dismissal records) using existing tools (word processors): Authors annotate and extend the documents to model the knowledge. A scalable knowledge representation is able to capture the content on multiple levels, from simple to highly structured knowledge. Thus, authoring of D-CBT systems requires less prerequisites and pre-knowledge and is faster than approaches using specialized authoring environments. Also, authors can iteratively add and structure more knowledge to adapt training cases to their learners needs. The theses also discusses the application of the same approach to other domains, especially to knowledge acquisition for the Semantic Web. / Fallbasierte diagnostische Trainingssysteme (FDT) ermöglichen es Lernern, Wissen durch Anwendung in einem realistischen Kontext zu erwerben und zu festigen. In der medizinischen Ausbildung präsentieren FDT Systeme virtuelle Patienten, an denen der Lerner die Auswahl und Interpretation der richtigen Untersuchungen, die Diagnostik und die Bestimmung geeigneter Therapien erlernen und üben kann. Eine Vielzahl von Anforderungen durch die Lerner und die Autoren solcher Systeme hat zur Entwicklung unterschiedlicher Trainingsumgebungen geführt. Darunter gibt es einfache, präsentationsorientierte Systeme ebenso wie komplexe wissensbasierte Systeme, die exploratives Lernern erlauben. Diese Dissertation untersucht einen Ansatz und Werkzeuge, um FDT Systeme aus vorhandenen Daten (d.h. Dokumenten, beispielsweise Entlassschreiben) und mit Hilfe bekannter Werkzeuge (d.h. Textverarbeitung) zu entwickeln: Die Autoren annotieren dazu die Dokumente, um die Fälle zu modellieren. Eine skalierbare Wissensrepräsentation kann das so extrahierte Wissen auf verschiedenen Ebenen erfassen, angefangen mit unstrukturierten Elementen bis zu Wissensmodellen mit kausalen Beziehungen. Autoren können mit Hilfe des vorgestellten Ansatzes fallbasierte diagnostische Trainingssysteme mit geringerem Vorwissen und schneller erstellen als mit Hilfe spezialisierter Autorensysteme. Dabei können die Autoren insbesondere die Fälle sukzessive mit weiterem Wissen anreichern und so auf die Anforderungen ihrer Lerner anpassen. In der Dissertation wird darüber hinaus die Anwendung des Ansatzes und der entstandenen Werkzeuge auf andere Domänen untersucht. Besonders interessant ist dabei die Anwendung in der Wissensakquisition für das Semantic Web.

No description available.

No description available.