XiaoMi-AI文件搜索系统
World File Search System心电图
长期心血管死亡和疾病的深度学习心电图风险评分
心电图（ECG）是最常执行的心血管诊断测试，但尚不清楚有关长期心血管风险所包含多少信息的信息。在这里，我们报告说，仅基于休息的心电图，深层卷积神经网络可以准确预测心血管死亡率和疾病的长期风险。使用在斯坦福大学医学中心收集的大量静止的12铅ECG数据集，我们开发了斯坦福大学心电图风险估计器Seer。SEER在斯坦福大学的持有测试集中预测，接收器操作员特征曲线（AUC）下的面积为0.83，而在锡达尔斯西尼阿莱医学中心和哥伦比亚大学欧文大学欧文大学欧文中心进行独立评估时，AUC分别为0.78和0.83。SEER预测5年动脉粥样硬化疾病（ASCVD）为0.67，类似于ASCVD风险的合并队列方程，而仅适度相关。与合并的队列方程式结合使用时，SEER会准确地将16％的患者从低风险中重新分类，从而发现一组为9.9％的10年ASCVD风险的群体，这些风险否则不会以其他方式指示他汀类药物治疗。seer还可以预测其他几种心血管疾病，例如心力衰竭和心房。仅使用ECG的铅I，它可以预测5年心血管死亡率，AUC为0.80。seer与汇总队列方程式和其他风险工具一起使用，可以大大改善心血管风险层面的策略，并有助于医疗决策。
RTTUZYUW RHOIAAA0001 2491642-UUUU--RHSSSUU。 ZNR UUUUU R 061635Z 9 月 23 日 ZYB MID7050032U FM COMNAVPERSCOM MILLINGTON TN 致 ALNAVAIRFOR BT UNCLAS CUI MSGID/GENADMIN/MIL-STD-6040(SERIES)/B.1.01.15 /COMNAVPERSCOM MILLINGTON TN/-/-/-/-/-/-// SUBJ/2023 年 12 月海军飞行军官 (NFO) 致飞行员委员会// REF/A/MSGID/MILPERSMAN 1542-010/-/-/-// REF/B/MSGID/NAVMED P-117/第 15 章第 1565 条/-// AMPN/REF A IS MILPERSMAN 1542-010 LATERAL转入海军航空兵。参考 B 是医疗部门体检要求手册。// POC/BUTLER, JOHN P/LCDR/单位：NPC/姓名：PERS-433C/电话：901-874-3960// GENTEXT/备注/ 1. NFO 至飞行员计划选拔委员会定于 2023 年 12 月 7 日举行。 2. 背景：NFO 至飞行员计划是海军航空兵的招募和留用计划。该计划向所有社区的 NFOS 开放。为确保被选中人员的职业发展，资格仅限于 18 岁以下和初级的 NFOS。为了促进职业发展，单位指挥官应期望选定的人员立即出发接受初级飞行训练。每年 6 月和 12 月都会向飞行员委员会进行 NFO 培训。3. 参考文献 A 和 B 中列出了需要考虑的要求。4. 申请：A. 格式：<<<<<>>>>> B. 航空选拔测试 (ASTB)：最低 ASTB 学术资格评分 (AQR) 为 4。最低飞行员飞行能力评分 (PFAR) 为 5。ASTB 分数是 TRACOM 中经过验证的预测绩效指标，鼓励申请人重新参加测试以提高分数。C. 体检：申请人必须通过 AERO 系统完成学生海军飞行员飞行体检。这包括 DOD 2808、2807、SF507、AHLTA SNA 眼科检查/睫状肌麻痹屈光记录和心电图。必须在 20' 眼道上使用 GOODLITE 字母检查视力，必须使用 CYCLOPENTOLATE 滴剂进行睫状肌麻痹。体格测量/NAACA 打印输出必须在两年内。检查飞行外科医生必须将所有医疗文件提交/上传到航空医学电子资源办公室 (AERO) 网站，并向 BRIAN HASHEY (USN.PENSACOLA.NAVMEDOTCNAMIFL) 发送通知电子邮件。
RTTUZYUW RHOIAAA0001 2491642-UUUU--RHSSSUU。 ZNR UUUUU R 061635Z 9 月 23 日 ZYB MID7050032U FM COMNAVPERSCOM MILLINGTON TN 致 ALNAVAIRFOR BT UNCLAS CUI MSGID/GENADMIN/MIL-STD-6040(SERIES)/B.1.01.15 /COMNAVPERSCOM MILLINGTON TN/-/-/-/-/-/-// SUBJ/2023 年 12 月海军飞行军官 (NFO) 致飞行员委员会// REF/A/MSGID/MILPERSMAN 1542-010/-/-/-// REF/B/MSGID/NAVMED P-117/第 15 章第 1565 条/-// AMPN/REF A IS MILPERSMAN 1542-010 LATERAL转入海军航空兵。参考 B 是医疗部门体检要求手册。// POC/BUTLER, JOHN P/LCDR/单位：NPC/姓名：PERS-433C/电话：901-874-3960// GENTEXT/备注/ 1. NFO 至飞行员计划选拔委员会定于 2023 年 12 月 7 日举行。 2. 背景：NFO 至飞行员计划是海军航空兵的招募和留用计划。该计划向所有社区的 NFOS 开放。为确保被选中人员的职业发展，资格仅限于 18 岁以下和初级的 NFOS。为了促进职业发展，单位指挥官应期望选定的人员立即出发接受初级飞行训练。每年 6 月和 12 月都会向飞行员委员会进行 NFO 培训。3. 参考文献 A 和 B 中列出了需要考虑的要求。4. 申请：A. 格式：<<<<<>>>>> B. 航空选拔测试 (ASTB)：最低 ASTB 学术资格评分 (AQR) 为 4。最低飞行员飞行能力评分 (PFAR) 为 5。ASTB 分数是 TRACOM 中经过验证的预测绩效指标，鼓励申请人重新参加测试以提高分数。C. 体检：申请人必须通过 AERO 系统完成学生海军飞行员飞行体检。这包括 DOD 2808、2807、SF507、AHLTA SNA 眼科检查/睫状肌麻痹屈光记录和心电图。必须在 20' 眼道上使用 GOODLITE 字母检查视力，必须使用 CYCLOPENTOLATE 滴剂进行睫状肌麻痹。体格测量/NAACA 打印输出必须在两年内。检查飞行外科医生必须将所有医疗文件提交/上传到航空医学电子资源办公室 (AERO) 网站，并向 BRIAN HASHEY (USN.PENSACOLA.NAVMEDOTCNAMIFL) 发送通知电子邮件。
基于心电图和脑电图的检测以及使用机器学习对特定性别的压力进行多级分类：一项初步研究
心理健康，尤其是压力，对生活质量起着至关重要的作用。在月经周期的不同阶段（黄体期和卵泡期），女性对压力的反应可能与男性不同。因此，如果不考虑性别，这可能会影响机器学习模型的压力检测和分类准确性。然而，这方面从未被研究过。此外，只有少数压力检测设备经过科学验证。为此，这项工作提出了通过 ECG 和 EEG 信号对未指定和指定性别进行压力检测和多级压力分类模型。压力检测模型是通过开发和评估多个单独的分类器来实现的。另一方面，采用堆叠技术来获得多级压力分类模型。从 40 名受试者（21 名女性和 19 名男性）提取的 ECG 和 EEG 特征用于训练和验证模型。在低和高组合压力条件下，RBF-SVM 和 kNN 分别对女性（79.81%）和男性（73.77%）产生了最高的平均分类准确率。结合 ECG 和 EEG，平均分类准确率提高到至少 87.58%（男性，高压力）和高达 92.70%（女性，高压力）。对于从 ECG 和 EEG 进行多级压力分类，女性的准确率为 62.60%，男性的准确率为 71.57%。这项研究表明，性别差异影响压力检测和多级分类的分类性能。开发的模型可用于个人（通过 ECG）和临床（通过 ECG 和 EEG）压力监测，无论是否考虑性别。
人工智能使心电图在医疗保健领域发挥了新兴作用
人工智能、机器学习和深度学习 人工智能 (AI) 作为一个领域在过去 10 年中呈指数级增长，并受到广泛关注。临床医生被承诺可以轻松获得以前从未有过的见解和预测能力。在这里，我们讨论了人工智能的基本原理、它如何应用于心电图 (ECG)，以及人工智能在医疗保健领域快速发展的潜在陷阱。 多年来，人工智能一直用于心电图机，以提供对心电图结果的计算机解释。然而，结果往往不准确，而且通常很少有临床用途。人工智能的发展导致了大量技术的发展，这些技术可能会彻底改变我们使用心电图的方式。这些主题的详细概述已在其他地方进行了深入介绍。1 2 简而言之，人工智能是计算机科学的一个分支，涉及机器执行通常需要人类智能的任务。机器学习是人工智能的一个分支，涉及机器使用数据推断来解决问题的能力，而不是明确地被编程来完成特定任务。
死亡率风险预测心电图作为心血管疾病的信息指标
结果：DLM通过在10年期间使用ECG在内部/外部验证集中实现了0.858/0.836的C-指标。由拟议的DLM确定的高风险群体的危险比（HR）为14.16（95％偶发间隔（CI）：11.33 - 17.70）与内部验证中的低风险组相比，在内部验证中相比具有更高的心血管疾病风险，并提出了较高的心血管疾病（CV）的较高风险。 34.84), non-CV mortality (HR: 13.68, 95% CI: 10.76 – 17.38), AMI (HR: 4.01, 95% CI: 2.24 – 7.17), STK (HR: 2.15, 95% CI: 1.70 – 2.72), and HF (HR: 6.66, 95% CI: 4.54 – 9.77), which was consistent in独立社区医院。跨国验证还显示HRS为4.91（95％CI：2.63 - 9.16）和2.29（95％CI：2.15 - 2.44），用于SAMI-TROP中的全因死亡率和数字电视图15％（Code15）COHORTS中的全因死亡率和临床结果。
心电图年龄与社区心血管事件之间的关联：弗雷明汉心脏研究
结果：研究对象包括 9877 名 FHS 参与者（平均年龄 55±13 岁；54.9% 为女性），共进行了 34 948 次心电图检查。心电图年龄与实际年龄相关（r=0.81；平均绝对误差 9±7 岁）。经过17±8年的随访，多变量模型显示，年龄每增加10年，全因死亡率就增加18%（风险比[HR]，1.18 [95% CI，1.12–1.23]），心房颤动风险增加23%（HR，1.23 [95% CI，1.17–1.29]），心肌梗死风险增加14%（HR，1.14 [95% CI，1.05–1.23]），心力衰竭风险增加40%（HR，1.40 [95% CI，1.30–1.52]）。此外，加速衰老与全因死亡率增加 28% 相关（HR，1.28 [95% CI，1.14-1.45]），而减缓衰老则与全因死亡率下降 16% 相关（HR，0.84 [95% CI，0.74-0.95]）。
移动心态提取的机器学习心电图
摘要：背景：本互联网技术正在重塑医疗保健应用程序。我们对基于心电图（ECG）的心脏健康管理（ECG）的长期，超临床，心电图（ECG）的特殊兴趣，并提出了一个机器学习框架，以从嘈杂的移动ECG信号中提取关键模式。方法：提出了一个三阶段混合机器学习框架，用于估计与心脏疾病相关的ECG QRS持续时间。首先，使用支持向量机（SVM）从移动心电图中识别出原始的心跳。然后，QRS边界使用新型模式识别方法，多视图动态时间翘曲（MV-DTW）定位。为了增强信号中运动伪影的鲁棒性，MV-DTW路径距离也用于量化心跳特异性的失真条件。最后，对回归模型进行了训练，可以将移动ECG QRS持续时间转换为常用的标准胸部ECG QRS持续时间。结果：通过提出的框架，ECG QRS持续时间估计的性能非常令人鼓舞，并且相关系数，平均误差/标准偏差，平均绝对误差和根平均绝对误差分别为91.2％，0.4±2.6，1.7和2.6 ms，与传统的基于胸部ECG基于传统的基于胸部ECG的测量相比。结论：证明有希望的实验结果表明框架的有效性。这项研究将极大地将基于机器学习的ECG数据挖掘到智能医疗决策支持。
CoAt-Mixer：利用心电图检测左心室肥大的自注意力深度学习框架
左心室肥大是全因死亡和发病的重要独立危险因素，在心脏变化早期准确诊断具有重要的临床意义。心电图是初级保健中最方便、经济、无创的筛查方法。然而，实际的左心室肥大与诊断结果的符合率较低，因此人们对使用大数据和深度学习的算法的兴趣增加了。我们尝试使用大数据和深度学习算法来诊断左心室肥大，并旨在根据男性和女性的差异确认其诊断能力。这项回顾性研究使用了 2010 年 10 月至 2020 年 2 月在韩国原州延世大学原州 Severance 基督教医院获得的心电图。对左心室肥大的初步筛查进行了二元分类。实验中使用了三个数据集：男性、女性和整个数据集。二元分类的截止值定义为与筛选测试有意义的值（< 132 g/m 2 vs. 132 g/m 2 ，< 109 g/m 2 vs. 109 g/m 2 ）。分类任务使用了六种类型的输入。我们试图确定心电图是否具有对左心室肥大诊断的预测能力。对于整个数据集，该模型的受试者工作特征 (AUROC) 曲线下面积为 0.836（95% CI，0.833–838），灵敏度为 78.37%（95% CI，76.79–79.95）。对于男性数据集，AUROC 为 0.826（95% CI，0.822–830），灵敏度为 76.73%（95% CI，75.14–78.33）。对于女性数据集，AUROC 为 0.772（95% CI，0.769–775），灵敏度为 72.90%（95% CI，70.33–75.46）。我们的模型证实，左心室肥大可以在一定程度上通过心电图、人口统计学和心电图特征进行分类。特别是，我们构建了一个考虑性别差异的学习环境。因此，证实了男女之间的诊断能力差异。我们的模型将帮助疑似左心室肥大的患者以低成本接受筛查测试。此外，我们的
深层跨模式学习应用于使用家庭收集的心电图和经胸生物阻抗
背景：深度学习已成功地应用于ECG数据，以帮助对心力衰竭（ADHF）的准确，更快地诊断。先前的应用主要集中在良好控制的临床环境中对已知的ECG模式进行分类。但是，这种方法并不能完全利用深度学习的潜力，深度学习的潜力直接学习重要特征而不依靠先验知识。此外，对从可穿戴设备获得的ECG数据的深度学习应用尚未得到很好的研究，尤其是在ADHF预测领域。方法：我们使用了Sentinel-HF研究中的ECG和经胸生物阻抗数据，该研究招募了患有心力衰竭或患有ADHF症状的主要诊断患者的PA（≥21岁）。为了构建一个基于ECG的ADHF预测模型，我们开发了一种被称为ECGX-NET的深层模式学习管道，它利用了可穿戴设备的RAW ECG时间序列和经胸腔生物阻抗数据。为了从ECG时间序列数据中提取丰富的特征，我们首先采用了一种转移学习方法，其中ECG时间序列被转换为2D图像，然后使用Imagenet-Pretained Den Senet121/VGG19模型进行了特征提取。数据过滤后，我们应用了跨模式特征学习，其中回归者接受了ECG和经胸生物阻抗的训练。然后，我们将Densenet121/VGG19功能与回归特征相连，并使用它们用于训练支持向量机（SVM），而无需生物阻抗信息。结果：使用ECGX-NET的高精度分类器预测ADHF，精度为94％，召回79％，F1得分为0.85。仅具有Densenet121的高回报分类器的精度为80％，召回98％，F1分数为0.88。我们发现ECGX-NET对高精度分类有效，而Densenet121对于高回报分类有效。结论：我们显示了从门诊病人获得的单渠道ECG记录中预测ADHF的潜力，从而及时警告心力衰竭的迹象。我们的跨模式特征学习管道有望通过处理医疗场景和资源限制的独特要求来改善基于ECG的心力衰竭预测。