摘要:先天性心脏病(CHD)是最常见的特定器官出生缺陷之一,也是婴儿发病率和死亡率的主要原因。尽管超声筛查指南,但CHD的检测率有限。已引入胎儿智能导航超声心动图(Fine),以从心脏时空图像相关(STIC)体积数据集中提取参考平面和心脏轴。这项研究分析了受CHD/胸腔肿块影响的胎儿(n = 545)的心脏轴(n = 545),而健康的胎儿(n = 1543)(n = 1543)。在标记了七个解剖结构后,精细的软件在半自动上产生了九个超声心动图标准平面并计算了心脏轴。我们的研究表明,根据CHD的类型,心脏轴各不相同。在我们的病理病例的大约86%(542卷中的471卷)中,可以检测到异常心脏轴(正常中位= 40–45°)。在HLHS,肺动脉闭壁,TOF(p -value <0.0001),raa,situs ambiguus(p -Value = 0.0001-0.001)和缺失的肺谷综合体,dorvalsecies(p)中,在HLHS,肺动脉闭合,TOF(P -Value <0.0001)中检测到正常心脏与CHD之间的显着差异。 这种分析证实了在冠心病的胎儿中,心脏轴可以显着偏离正常范围。 罚款似乎是识别心脏缺陷的宝贵工具。在HLHS,肺动脉闭合,TOF(P -Value <0.0001)中检测到正常心脏与CHD之间的显着差异。这种分析证实了在冠心病的胎儿中,心脏轴可以显着偏离正常范围。罚款似乎是识别心脏缺陷的宝贵工具。
MV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse Tapse
心脏移植是对无常规治疗反应的终阶段心脏病的手术治疗的一种重要形式。自1967年的第一次心脏移植以来,由于许多领域的发展,例如器官捐赠,手术技术,器官保存,围手术期护理,免疫风险评估,免疫抑制剂和器官功能的监测,接受者的寿命已大大增加。[1]此外,随着捐助者标准的扩展和某些国家的数据传输的增加,全球心脏移植案件的年数已超过5500。[2]由于这些患者通常有其他疾病,例如慢性肺部疾病和肺部高血压,可用于心肌功能障碍,phisepeacheageal Echocarecar-dio摄影(TEE)可用于评估这些患者的心脏功能。[3]
心脏听诊是一种可访问的诊断筛查工具,可以帮助识别患有心脏杂音的患者,他们可能需要对异常心脏功能进行后续诊断筛查和治疗。但是,需要专家来解释心脏声音,从而限制了在资源受限环境中心脏听觉的可及性。因此,George B. Moody Physionet挑战2022邀请团队开发出从唱机的心脏声音(PCG)记录的心脏声音记录中检测心脏杂音和异常心脏功能的算法方法。为了挑战,我们从1452名巴西主要是儿科患者中采购了5272个PCG记录,并邀请团队实施诊断性筛查算法,以检测记录中的心脏杂音和异常的CAR-DIAC功能。我们要求参与者为其算法提交完整的培训和推理代码,以提高其工作的透明度,可重复性和效用。我们还设计了一个评估指标,该指标考虑了筛查,诊断,误诊和治疗的成本,使我们能够研究算法诊断筛查的好处,并促进了更临床相关的算法的发展。在挑战期间,我们从87个团队中收到了779个算法,导致53个工作代码库,用于检测心脏杂音和PCG录音中异常心脏功能。使用心脏声记录来识别心脏杂音和异常心脏功能使我们能够探索潜力这些算法代表了学术界和行业的多种方法,包括使用具有工程性临床和统计特征的更传统的机器学习技术以及主要依赖深度学习模型来发现信息性特征的方法。
结果:该研究包括1307例HFREF患者中位随访16.3个月(IQR 8.0-30.6)。中位年龄为65岁;男性为68%,而57%是白人。在随访中,有39%(n = 506)开发了HFIMPEF,而61%(n = 801)具有持久的HFREF。多元COX回归模型确定性别,种族合并症,超声心动图和亚位术肽是HFIMPEF的重要协变量(p <0.05)。与持续的HFREF组相比,HFIMPEF组的生存率更好(p <0.001)。超声心动图和实验室轨迹之间的轨迹不同。
由心肌中的铁沉积引起的抽象心力衰竭是β-丘脑贫血患者死亡率的主要原因。心脏磁共振成像(CMRI)T2*是用于检测心肌铁超负荷的主要筛选技术,但固有地存在一些局限性。在这项研究中,我们的目的是根据从超声心动图图像中提取的放射性特征和机器学习(ML)在具有正常左心室放射率(正常左心室放射率(LVEF)正常的左心室放射率(LVEFF> 55%)中提取的放射性特征(LVE> 55%)的患者,基于放射性图像图像和机器学习(ML)提取的放射性特征(ML)基于放射性图像和机器学习(ML)的放射性特征(LVE> 55%)中的放射性特征(由T2*CMRI检测)分开了β-核铁无症患者与没有心肌铁超负荷的患者。在91例病例中,有44例患有正常LVEF(> 55%)和T2*≤20ms的患者,其中包括对照组,其中47例LVEF> 55%和T2*> 20 ms的患者包括在研究组中。放射线特征。然后,使用了三种特征选择(FS)方法和六个不同的分类器。使用各种指标评估模型,包括ROC曲线(AUC)下的面积,准确性(ACC),灵敏度(SEN)和特异性(SPE)。Maximum relevance-minimum redundancy-eXtreme gradient boosting (MRMR-XGB) (AUC = 0.73, ACC = 0.73, SPE = 0.73, SEN = 0.73), ANOVA-MLP (AUC = 0.69, ACC = 0.69, SPE = 0.56, SEN = 0.83), and recursive feature elimination-K-nearest neighbors (RFE-KNN) (AUC = 0.65,ACC = 0.65,SPE = 0.64,SEN = 0.65)是ED,ES和ED&ES数据集中的最佳模型。使用超声心动图图像和ML提取的放射线特征,可以预测铁超载引起的心脏问题。
糖尿病患者高度易受心血管并发症,这与心血管发病率和死亡率直接相关。除了冠状动脉疾病外,糖尿病患者心力衰竭(HF)的风险和患病率的认识越来越大。超声心动图是一种必不可少的诊断方式,通常在患有症状的症状中表现为心血管疾病(CVD),例如呼吸困难或胸痛,以确立或排除症状原因。常规超声心动图参数,例如左心室射血分数,不仅有助于诊断CVD,还有助于确定严重程度,治疗策略,预后和对治疗的反应。超声心脏心肌菌株是一种新型的超声心动图技术,可以在HF症状发生之前检测到心室功能障碍的早期变化。本文旨在回顾超声心动图在评估糖尿病患者中CVD中的作用,以及如何在可疑心脏病患者中使用它。
临床决策需要抽象的客观精确和可靠的超声心动图评估(LVEF)。最近,已经开发了人工智能(AI)模型来准确估计LVEF。这项研究的目的是评估AI模型是否可以估算LVEF的专家读取并降低1级读取器的机构间变异性,其中AI-LVEF在超声心动图屏幕上显示。方法是由1级超声心动图技能(解释图像的最低能力水平)的五位心脏病学家进行的,这项前瞻性超声心动图研究。协议1:测量48个病例的视觉LVEF,而无需从AI-LVEF输入。协议2:再次向所有读者展示了48个情况,其中包含AI-LVEF数据。为了评估有或没有AI-LVEF的一致性和准确性,将每个视觉LVEF测量与五位专家读者的平均估计值进行了比较。结果在AI-LVEF和参考LVEF(r = 0.90,p <0.001)之间发现了良好的相关性。对于分类LVEF,心力衰竭的曲线下面积为0.95,而保留的EF为0.96,心力衰竭减少了EF。对于精确度,使用Ai-LVEF将SD从6.1±2.3降低至2.5±0.9(p <0.001)。对于精度,用AI-LVEF将根平方误差从7.5±3.1提高到5.6±3.2(p = 0.004)。结论AI可以为来自不同机构的1级读者的超声心动图上的收缩功能解释。
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