XiaoMi-AI文件搜索系统
World File Search System心电
解码230万个心电图：可解释的深度学习，用于推进心血管诊断和死亡率风险分层
1英国牛津大学工程科学系生物医学工程研究所，英国OX3 7DQ，英国； 2伦敦国王学院的生命课程和人口科学学院，英国SE1 1ul； 3瑞典乌普萨拉乌普萨拉大学信息技术系； 4纳菲尔德人口卫生系，牛津大学大数据研究所，牛津，OX3 7LF，英国； 5中国哈尔滨医科大学的心理科学与健康管理中心，中国。 6英国牛津大学牛津大学精神病学系； 7中国香港大学香港大学的李卡·夏德医学院家庭医学和初级保健系； 8沃里克大学沃里克医学院健康科学系，COVENTRY，CV4 7AL，英国； 9内科医学系，医学院，远程医疗中心和心脏病服务，医院DasClínicas，Universidade Federal de Minas Gerais，巴西Belo Horizonte，Belo Horigonte； 10个电子工程系，中国香港中国大学，中国香港；和11苏州牛津高级研究中心，苏州，215123，中国
基于儿科心电图的深度学习预测左心室功能障碍和重塑
结果：训练队列包括 92 377 个心电图-超声心动图对（46 261 名患者；中位年龄 8.2 岁）。测试组包括内部测试（12 631 名患者；中位年龄 8.8 岁；4.6% 综合结果）、急诊科（2 830 名患者；中位年龄 7.7 岁；10.0% 综合结果）和外部验证（5 088 名患者；中位年龄 4.3 岁；6.1% 综合结果）队列。内部测试和急诊科队列的模型性能相似，模型对左心室肥大的预测优于儿科心脏病专家基准。在模型中添加年龄和性别不会给模型性能带来任何好处。使用定量结果截止值时，内部测试（综合结果：AUROC，0.88，AUPRC，0.43；左心室功能障碍：AUROC，0.92，AUPRC，0.23；左心室肥大：AUROC，0.88，AUPRC，0.28；左心室扩张：AUROC，0.91，AUPRC，0.47）和外部验证（综合结果：AUROC，0.86，AUPRC，0.39；左心室功能障碍：AUROC，0.94，AUPRC，0.32；左心室肥大：AUROC，0.84，AUPRC，0.25；左心室扩张：AUROC，0.87，AUPRC，0.33）之间的模型性能相似，综合结果阴性预测值分别为 99.0% 和 99.2%。显着性映射突出显示了影响模型预测的 ECG 成分（所有结果的心前区 QRS 波群；LV 功能障碍的 T 波）。高风险 ECG 特征包括横向 T 波倒置（LV 功能障碍）、V1 和 V2 中的深 S 波和 V6 中的高 R 波（LV 肥大）以及 V4 至 V6 中的高 R 波（LV 扩张）。
锻炼心电图，以预测试...
参考：Rasmussen Laust Dupont，Schmidt Samuel Emil，Knuuti Juhani，Newby David E.，David E.，Singh Trisha，Singh Trisha，Nieman Koen，Galema Tjebbe W.心脏社会；英国心血管学会[伦敦] - ISSN 1468-201X-伦敦，BMJ出版集团，110（2024），p。 263-270全文（出版商的doi）：https：//doi.org/10.1136/heartjnl-2023-322970引用此参考：
引用：Cisuelo O, Stokes K, Oronti IB, et al. 开发一种人工智能系统，通过心电图识别患有 ty 的成年人的低血糖症
摘要 简介 低血糖是 1 型糖尿病 (T1DM) 患者的一种有害潜在并发症，接受胰岛素治疗等治疗的患者可能会因旨在达到最佳血糖水平的干预措施而加剧低血糖。症状可能有很大差异，包括但不限于颤抖、心悸、出汗、口干、意识模糊、癫痫发作、昏迷、脑损伤，如果不治疗甚至死亡。一项针对健康（血糖正常）参与者的初步研究表明，可以使用从可穿戴传感器获得的生理信号，通过人工智能 (AI) 非侵入性地检测低血糖。该方案提供了从 T1DM 患者获取生理数据的观察性研究的方法学描述。这项工作的目的是进一步改进之前开发的 AI 模型，并验证其在 T1DM 患者血糖事件检测中的性能。这种模型可能适合集成到连续、非侵入性的血糖监测系统中，有助于改善糖尿病患者的血糖监测和管理。方法与分析 这项观察性研究旨在从考文垂和沃里克郡大学医院的糖尿病门诊招募 30 名 1 型糖尿病患者进行两阶段研究。第一阶段包括在受控条件下在量热室中接受长达 36 小时的住院治疗，然后是长达 3 天的自由生活阶段，在此期间参与者将不受限制地进行正常的日常活动。在整个研究过程中，参与者将佩戴可穿戴传感器来测量和记录生理信号（例如心电图和连续血糖监测仪）。收集的数据将用于开发和验证使用最先进深度学习方法的 AI 模型。 伦理与传播 本研究已获得国家研究伦理服务处的伦理批准（编号：17/NW/0277）。研究结果将通过同行评审期刊传播并在科学会议上发表。试验注册号 NCT05461144。
利用变压器用于心电图心律失常...
摘要 - 心律不齐，也称为心律失常，是指不规则的心跳。有多种类型的心律失常可以源自心脏的不同区域，导致快速，缓慢或不规则的心跳。心电图（ECG）是用于检测心脏不规则和异常的重要诊断工具，使专家可以分析心脏的电信号，以识别复杂的模式和偏离标准的偏差。在过去的几十年中，已经进行了许多研究，以开发基于ECG数据对心跳进行分类的自动化方法。近年来，深度学习在应对各种医学挑战方面表现出了出色的功能，尤其是在变形金刚作为序列处理的模型架构中。通过利用变压器，我们开发了心电图数据中存在的各种心律不齐的分类的束缚模型。我们使用MIT-BIH和PTB数据集评估了建议的方法。ECG心跳心律失常分类结果表明，所提出的方法非常有效。ECG心跳心律失常分类结果表明，所提出的方法非常有效。
对心电图图像的肥厚性心肌病的识别，具有深度学习的Veer Sangha BS 1,2*，Lovedeep Singh dhingra dhingra Mbbs 1*
Identification of Hypertrophic Cardiomyopathy on Electrocardiographic Images with Deep Learning Veer Sangha BS 1,2* , Lovedeep Singh Dhingra MBBS 1* , Evangelos Oikonomou MD, DPhil 1 , Arya Aminorroaya MD, MPH 1 , Nikhil V Sikand MD, FACC 1 , Sounok Sen MD 1 , Harlan M Krumholz MD, SM 1,3，Rohan Khera MD，MS 1,3,4 1心血管医学部，YALE医学院，YALE医学院，美国康涅狄格州纽黑文市耶鲁大学医学院2，美国2号工程科学系，牛津大学，英国牛津大学3 3号牛津大学研究与评估中心（Core）研究与评估中心（Core），耶鲁纽黑文医院，纽黑文，美国纽约市，美国公共组织4.纽黑文医院4. *作为联合第一作者
用于开发可穿戴设备的单导联心电图预测左心异常的深度学习模型
Masataka Sato 医学博士；Satoshi Kodera 医学博士、哲学博士；Naoto Setoguchi 医学博士；Kengo Tanabe 医学博士、哲学博士；Shunichi Kushida 医学博士、哲学博士；Junji Kanda 医学博士；Mike Saji 医学博士、哲学博士；Mamoru Nanasato 医学博士、哲学博士；Hisataka Maki 医学博士、哲学博士；Hideo Fujita 医学博士、哲学博士；Nahoko Kato 医学博士、哲学博士；Hiroyuki Watanabe 医学博士、哲学博士；Minami Suzuki 医学博士；Masao Takahashi 医学博士、哲学博士；Naoko Sawada 医学博士、哲学博士；Masao Yamasaki 医学博士、哲学博士；Shinnosuke Sawano 医学博士；Susumu Katsushika 医学博士；Hiroki Shinohara 医学博士、哲学博士；Norifumi Takeda 医学博士、哲学博士；Katsuhito Fujiu 医学博士、哲学博士；Masao Daimon 医学博士、哲学博士；Hiroshi Akazawa 医学博士、哲学博士；Hiroyuki Morita 医学博士、哲学博士；Issei Komuro 医学博士、哲学博士
使用具有12铅心电图的深神经网络算法的肥厚性心肌病患者的心力衰竭严重程度分类的模型
肥厚性心肌病（HCM）中的抽象目标观察到了特定的心电图异常。因此，ECG是一种有价值的筛选工具。尽管有几项研究报告了从心电图发现估计致命心律不齐的风险，但尚未确定使用ECG来识别心力衰竭的严重程度（HF）通过应用深度学习（DL）方法尚未确定。我们评估了数据驱动的机器学习方法是否可以有效地识别HCM患者的HF严重程度。使用来自218例HCM患者和245例非HCM患者的12个铅ECG数据开发了一个基于神经网络的模型，将其分为两种（轻度至中度和重度）或三个（轻度，中度和重度）HF的HF。根据纽约心脏协会的功能类别定义了这些严重程度，以及脑纳替肽的N末端激素的水平。此外，根据堪萨斯城心肌病问卷（KCCQ）-12，将患者分为组。采用了一种转移学习方法来解决目标样本数量少的问题。使用PTB-XL提前训练该模型，PTB-XL是一个开放的ECG数据集。结果，使用我们的数据集训练的模型获得了温和的平均F1得分为0.745，而轻度至中度类样品的型号为0.745，精度为0.750。基于KCCQ-12的分组获得了相似的结果。结论我们使用具有12个铅ECG数据的深神经网络算法开发了用于HCM患者HF严重程度的模型。通过使用引导梯度加权级激活图和集成梯度的数据分析，QRS波在真实阳性的轻度至中度类别的情况下强烈强调，而突出显示的部分在真实正面的严重类别的案例中是高度可变的。我们的发现表明，该DL算法在使用12个铅ECG数据中的应用可能对HCM患者的HF状态分类很有用。
使用 AD8232 单片机获取 12 通道心电图...
简介 如今，心脏病是全球主要的死亡原因之一。为了避免严重的心脏病发作，尽早诊断非常重要。诊断方法之一是心电图。ECG 设备记录来自心肌的电信号，指示心脏的变化。目前，现有的 ECG 设备主要仅位于医院。心脏病发作的患者应等待救护车到达并将其送往医院。在等待救护车时，与心脏病发作相关的重要信号可能会减弱，导致医生无法追踪心脏病发作的原因。因此，开发便携式 EKG 设备非常重要。紧凑型设备不仅可用于医疗中心，还可用作便携式医疗设备，甚至可放在家中。诊断也将容易得多。心脏病发作的患者可以随身携带这种便携式 ECG 设备。您还可以使用单通道 EKG 获得 12 通道 ECG。要使用 AD8232 设备获取 12 通道心电图，您需要按照图 2.4 所示放置电极。
对我们的鼻窦节奏中心电图的深度学习
结果我们使用了908,341个ECG的队列。ECG来自6个平均年龄62.4岁，女性6.4％，非白人37.6％的患者，非白人，平均CHA2DS2-VASC得分为1.9。在非VA学术医学中心，平均年龄为59.5岁，女性为52.5％，非白人25.2％，平均CHA2DS2-VASC得分为1.6。A deep learning model predicted the presence of atrial fibrillation within 31 days of a sinus ECG with AUCs of 0.86 (95% CI 0.85-0.86) and 0.93 (0.93-0.94), accuracies of 0.78 (0.77-0.78) and 0.87 (0.86-0.88), F1 scores of 0.30 (0.30-0.31) and 0.46 （0.44-0.48）分别在VA和非VA医院进行的淘汰测试ECG。该模型在所有地点的勃起得分为0.02。在个人深度学习中被认为是高风险的个人中，筛查检测AF阳性案例所需的数量为2.5个人，测试敏感性为25％和11.5，为75％。黑人，女性，年龄在65岁以下的患者中，模型性能相似，或者具有CHA2DS2-VASC评分≥2。