XiaoMi-AI文件搜索系统
World File Search System监护
综述：人工智能在重症监护和血液净化中的应用
1） Markoff J：海量数据塑造了计算的新时代。纽约时报，2009 年。https://www. nytimes.com/2009/12/15/science/15books.html （2022年1月3日阅读覧）． 2）美国国家癌症研究所：第四范式：大数据如何改变科学。 2015. https://datascience.cancer.gov/news-events/events/fourth-paradigm-how-big-data-changing-science （2022年1月3日阅读覧）． 3） Rosenblatt F：感知器：用于信息存储和组织的概率模型。心理学修订版 1958； 65：386-408。 4） Rumelhart DE, Hinton GE, Williams RJ : Learning representative representative of the CNNs. Nature 1986; 323 : 533-6. 5） Krizhevsky A, Sutskever I, Hinton GE : ImageNet category with deep convolutional neurons. Communications of the ACM 2012; 60 : 84- 90. 6） Gutierrez G : Artificial intelligence in the intensive care unit. Crit Care 2020; 24 : 101. 7） Gulshan V, Peng L, Coram M, et al : Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photos. JAMA 2016; 316: 2402-10. 8） Barbieri C, Molina M, Ponce P 等：一项国际观察性研究表明，人工智能用于临床决策支持可优化血液透析患者的贫血管理。Kid- ney Int 2016 ; 90 : 422-9。9） Jayapandian CP, Chen Y, Janowczyk AR 等：基于深度学习的肾皮质组织结构分割与多种组织学染色的开发和评估。Kid- ney Int 2021 ; 99 : 86-101。10） Tomašev N, Glorot X, Rae JW 等：一种临床适用的持续预测未来急性肾损伤的方法。Nature 2019 ; 572 : 116-9。 11） Connell A，Raine R，Martin P 等：数字化护理路径的实施（第 1 部分）：对临床结果和相关医疗保健成本的影响。J Med Internet Res 2019；21：e13147。12） Zhang L，Baldwin I，Zhu G 等：连续性肾脏替代治疗期间回路压力的自动电子监测：技术报告。Crit Care Resusc 2015；17：51-4。13） Kakajiwala A，Jemielita T，Hughes JZ 等：膜压可预测儿科连续性肾脏替代治疗回路的凝血。儿科肾脏病学 2017；32：1251-61。 14） Shah SJ, Katz DH, Selvaraj S 等: Phenomapping for novel category of heart Failure with Reserved Shooting Fraction. Circulation 2015 ; 131 : 269-79. 15） Komaru Y, Yoshida T, Hamasaki Y 等: Hierarchical clustering analysis for predicting 1-year
重症监护中的获得性压力损伤预防包
预防医院内压力损伤 (HAPI) 的重要性怎么强调也不为过。HAPI 是医疗保健中最常见的医源性并发症之一，会导致住院时间延长、疼痛、感染、死亡和更高的医疗费用，在美国，每起事故的估计费用为 20,900 至 151,700 美元。1 压力损伤 (PI) 每年导致美国 60,000 人死亡。1 虽然近年来导管相关尿路感染和中心静脉相关血流感染等其他医院内获得性疾病的发病率有所下降，但 HAPI 发病率仍然居高不下。2 危重病人特别容易受到 HAPI 的感染。3 Cox 及其同事发现，机械通气、体外膜氧合、持续性静脉-静脉血液透析、糖尿病、外周血管疾病和血管加压药的使用是该人群发生 HAPI 的危险因素。 4 国际指南也呼应了这些风险因素。5 此外，Kim 等人将住院时间、血气异常、低血压、胃肠道出血和蜂窝织炎确定为 HAPI 风险因素。6 PI 发展
开发重症监护设置患者的脑部计算机界面
意识障碍很常见，无论有或没有急性脑损伤。最近对急性脑损伤的研究已经确定了行为无反应的患者，这些患者显示了通过功能磁共振成像（fMRI）或脑电图（EEG）检测到的自愿性脑激活的证据[1，2]。证明这种激活的患者处于一种称为认知运动解离（CMD）状态，这在一项研究中与后来的意识和功能结果的行为恢复有关[1]。这些患者目前没有能力与亲人或医疗保健提供者进行沟通，尽管具有一定程度的意识。对患者的一个普遍挑战是他们无法始终有效地传达其最根本的身体需求[3]，例如无法识别的疼痛，不适，控制和不安全感的失去感，人格化，焦虑，睡眠障碍，恐惧和挫败感[4]。非副技术（例如唇读和手势）是这些患者的主要交流手段。但是，这些方法通常不足以进行有效的交流[5]。大脑计算机界面（BCI）技术将脑电活动转化为通常由脑电图记录的脑电活动，绕过其他身体功能的计算机命令[6，7]。尽管有效地使用了BCI系统来康复目的[8，9]，但在重症监护环境中的引入仍有限[10-12]。在重症监护设置中实施BCI系统已面临许多技术和后勤挑战。这些挑战包括由于听觉或身体干扰而导致的低可靠性，目标定向思维的可能灭绝和疲劳[13]。其他挑战包括身体残疾。患者可能由于眼睑失用或其他视觉障碍而无法成功使用基于视觉的BCI系统。利用基于触觉输入的系统也可能会构成挑战，因为止痛药，延长的床架和皮肤破裂。基于听觉的BCI任务可能是最有前途的，但并非没有自己的挑战。对重症患者的听觉BCI研究经常在一次会议上报告高可变性和/或表现不佳[12]。多个会话在忙碌的ICU环境中构成挑战。鉴于此，目前在重症监护室（ICU）中研究了BCI系统，重点是快速可靠的信号（例如，“是”/“''/''''二进制信号[11]，稳态的视觉诱发潜在的潜在 - 基于（SSVEP-）基于（SSVEP）的通信[10]或瞬态唤起的潜力（p300或n200或n200或n200或n200或n200）[12] [12]）或拼写。所有这些系统都是基于提示的（同步）BCI系统，它们限制了患者，因为它们仅在向患者出现提示的预定周期内活跃。用户只能在这些前特定时期内生成响应。自定进度（异步）系统始终是活跃的，并通过连续记录的数据分析大脑活动。这些系统允许患者自行自由地激活BCI。自定进度的BCI系统拥有自己的一套Challenges。这种方法特别有前途，因为急性脑损伤的患者通常具有波动的精神状态，并且可能在预定的时间前一刻无法使用基于CUE的方法进行。由于随着时间的推移连续处理的大量数据，自定进度的BCI系统必须依赖于高真实的正率和较少的假阳性检测[14]。这项研究的总体目标是开发和测试一个自定进度的BCI系统的原型，该系统可以在重症监护环境中采用，这将为研究提供基础
重症监护临床医生的药代动力学/药效学
研究药物从给药部位移动到药理作用部位并从体内消除的过程称为“药代动力学”。影响药物在体内移动（动力学）和命运的因素有：（1）从剂型中释放；（2）从给药部位吸收进入血液；（3）分布到身体各个部位，包括作用部位；（4）通过代谢或排泄原形药物从体内消除的速率。这些过程通常用首字母缩略词 ADME 来表示：吸收、分布、代谢和排泄。药物的 ADME 参数用各种术语来描述，例如 Cmax（血清中药物的最大浓度）；Tmax（达到最大药物浓度的时间）
Algor-Ethics：在重症监护中绘制AI的道德道路
摘要基于医疗保健中人工智能（AI）的临床决策支持系统（CDS）的整合是具有巨大潜力的突破性进化，但是它的发展和道德实施，尤其是在重症监护室中提出的独特挑战，医生经常在危及生命的条件下处理快速的行动和无法参与决策的患者。此外，基于AI的CDSS的开发很复杂，应解决不同的偏见来源，包括数据获取，健康差异，临床使用过程中的领域变化以及决策中的认知偏见。在这种情况下，Algor-Ethics是强制性的，并强调了“人类循环”和“算法管理”原则的整合，以及高级数据工程的好处。建立临床AI部门（CAID）对于领导医疗保健的AI创新是必要的，确保了这个迅速发展的领域的道德完整性和以人为中心的发展。
DCF监护行政要求中儿童的永久性计划
信息将在每个案例计划会议上与案例计划参与者共享，并指出的任何更改。儿童信息：主要健康提供者：地址：牙医：地址：验光师：地址：心理健康提供者：地址：其他健康提供者地址：教育倡导者：地址：
重症监护领域 AI 的未来是增强智能，而非人工智能
© 作者 2020。开放存取 本文根据知识共享署名 4.0 国际许可协议进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可协议的链接，并指明是否做出了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可协议中，除非资料署名中另有说明。 如果资料未包含在文章的知识共享许可协议中，且您的预期用途不被法定规定允许或超出了允许的用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。知识共享公共领域贡献豁免（http://creativeco mmons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
重症监护和急诊环境中的 COVID-19 人工智能应用：系统评价
1 莫纳什大学医学、护理与健康科学学院，维多利亚 3800，澳大利亚；tche0014@student.monash.edu 2 新加坡国立大学杜克-新加坡国立大学医学院，新加坡 169857，新加坡；marcus.ong.e.h@singhealth.com.sg (M.E.H.O.); fahad.siddiqui@duke-nus.edu.sg (F.J.S.); andrew.ho@mohh.com.sg (A.F.W.H.)3 新加坡中央医院急诊医学部，新加坡 169608，新加坡 4 浙江大学医学院邵逸夫医院急诊医学部，杭州 310016，中国； zh_zhang1984@zju.edu.cn 5 新加坡国立大学心脏中心心脏病学系，新加坡 119074，新加坡； shir_lynn_lim@nuhs.edu.sg 6 新加坡卫生服务局卫生服务研究中心，新加坡 169856，新加坡 7 新加坡国立大学数据科学研究所，新加坡 117602，新加坡 * 通讯地址：liu.nan@duke-nus.edu.sg
制定综合急救、重症监护和手术治疗全球战略和行动计划
ECO 是 • 综合初级卫生保健方法的一个组成部分； • 对于确保在整个生命过程中及时满足人们的健康需求至关重要； • 是国家卫生系统有效应对紧急事件的能力的基础。
马来西亚新生儿重症监护病房的晚期败血症的流行病学，2015-2020
简介：确定44个马来西亚新生儿重症监护病房（NICUS）中血液培养阳性晚期败血症（LOS，> 72小时）的流行病学。材料和方法：研究设计：使用马来西亚国家新生儿注册中心的数据多中心回顾性观察性研究。参与者：739486名新生儿（出生体重≥500G，妊娠≥22周）出生并于2015 - 2020年出生。结果：LOS在2707（0.4％）新生儿中发展。Median annual incidence (per 100 admissions) was 12.0 (range: 8.1-13.8) in extremely preterm (EPT, gestation <28 weeks), 5.3 (range: 5.0-6.8) in very preterm (VPT, gestation 28-<32 weeks), 0.5 (range: 0.4-0.7) in moderate/late preterm (gestation 32-<37 weeks) and 0.1 in term (gestation ≥37周）新生儿。革兰氏阴性细菌占分离的病原体的54.7％，革兰氏阳性细菌39.3％，真菌和其他病原体6.0％。最常见的六种病原体是凝聚酶阴性葡萄球菌（18.3％），克雷伯氏菌属。（18.3％），金黄色葡萄球菌（9.9％），假单胞菌属。（8.9％），acinetobacter spp。（7.7％）和大肠杆菌（5.9％）。LOS-Attributable死亡率为EPT为14.3％，VPT为9.3％，LPT为8.3％，术语新生儿为6.2％。多重逻辑回归分析表明，EPT，小捕获（SGA），常规机械通气（CMV），高频通气（HFV），TPN和中央静脉线（CVL）的使用是与新生儿LOS相关的重要独立危险因素。结论：革兰氏阴性菌是最常见的病原体。与新生儿死亡率相关的重要独立危险因素是SGA，CMV，HFV，革兰氏阴性败血症，真菌败血症和肺炎。减少侵入性通气的使用情况，CVL和TPN可能会降低LOS的发病率和死亡率，特别是在妊娠<32周的新生儿中。