机构名称：
¥ 1.0
机器学习（ML）和大数据具有逆转性心血管成像的潜力。1在超声心动图中，ML已用于图像增强，查看分类和指导，量身定量甚至诊断。在有或没有ML的情况下，大数据分析可以为越来越多的可扩展结果的研究和质量改进提供动力。机器学习的性能与训练和测试的数据密不可分。1，2此外，有效且有效的数据存储和组织可以对医院系统和患者护理产生显着的好处。3然而，传统的超声心动图图片归档和通信系统（Echo-PAC）未签署以利用临床成像和相关元数据进行大数据分析。从历史上看，超声心动图数据设计仅在支持日常临床操作中所考虑。随着需要快速访问超声心动图数据的需求，并且在整个机构之间大规模访问，当前的数据设计跌至不可接受的短缺。例如，尽管有一致性的陈述，但在制造商中，元数据构成了数字成像和医学（DICOM）成像的通信（DICOM）成像并未达到最佳标准化，并且缺少特定的标签，这些标签极大地有助于数据挖掘，采用和预处理4（图1）。图像的发展受到烧毁的患者健康信息（PHI）的阻碍。在超声计算机上进行的测量并非与制造商之间的回声PAC接缝不可互操作，从而导致在购物车上获得的测量值经常丢失。5数据库
设计大数据时代的超声心动图
主要关键词
相关文件推荐
