XiaoMi-AI文件搜索系统
World File Search System镜检查
上消化道内镜检查前使用胰高血糖素样肽-1 受体激动剂与肺吸入或手术中止的风险：队列研究
鉴于这些安全信号，为了尽量降低这种潜在风险，美国麻醉师协会发布了基于共识的指导意见，要求所有患者在择期手术前停用一剂 GLP-1 受体激动剂（每日给药的药物停用一天，每周给药的药物停用一周）。21 作为回应，人们担心停用 GLP-1 受体激动剂可能带来的危害，尤其是对糖尿病患者，22 美国胃肠病学协会发布了一份临床实践更新，敦促精心设计的研究应调查需要内窥镜检查的 GLP-1 受体激动剂使用者发生肺吸入的风险。23 最近，多学会发表了一份声明，强调缺乏数据支持在择期内窥镜检查前停止所有患者使用 GLP-1 受体激动剂。24
内吞镜检查具有自动多光谱肠屏障病理学成像，以评估深度愈合，以预测溃疡性结肠炎的结局
消息屏障愈合代表了溃疡性结肠炎（UC）的一种新型治疗靶标，尽管其评估仍然具有挑战性并且缺乏标准化。这项探索性研究评估了超高放大射击内吞镜检查引导组织采样并驱动紧密连接（TJ）蛋白质自动量化的能力，以评估静脉屏障完整性并预测主要的不良结果（MAOS）。34例临床缓解中的UC患者前瞻性地接受了内吞镜检查和机器学习支持的肠内屏障蛋白评估的评估。内尾镜检查与Claudin-2表达的组合在12个月内准确预测MAOS方面表现出了希望。这种综合方法有望确定UC中的深层康复和增强对待目标策略。
筛查结肠镜检查对温室气体排放的纵向影响
在一年内进行的630万次筛查结肠镜检查可预防十年内的1,134,000个结直肠癌。局部38 3％（434,254），38 8％（440,281）是区域性的，22 9％（259,465）是转移性疾病。预防后的诊断后访问数量最少为I期11，II期为21，第III期25，IV期为20，由诊断，手术评估，化学疗法和监测访问组成。I期筛查预防的访问总数为2,388,397，II期为5,254,421，第三阶段为13,120,369，第IV期为9,210,972。大约3.95亿英里的旅行和158,263吨的二氧化碳，相当于燃烧的1.77亿磅煤炭，收取的190亿智能手机或1800万加仑的汽油消耗，通过筛查得以节省十年。
机器学习是否可以正确预测用于肾脏疾病的激光碎石疗法的柔性输尿管镜检查结果？来自大型的内属学院中心的结果
背景和目标：医疗保健中机器学习（ML）的整合引起了人们的显着关注，因为它具有前所未有的增强患者护理和结果的机会。在这项研究中，我们根据术前特征培训了ML算法，以自动预测输尿管激光岩石疗法（URSL）的预后。方法：在7年期间，单个经验丰富的外科医生检索了用输尿管镜治疗的尿石病治疗的患者的数据。16个ML分类算法的算法经过培训，以研究术前特征和术后结局之间的相关性。评估的结果是无石的原发性（SFS）（SFS，定义为仅在内镜可视化和3 MO成像时仅存在<2 mm的石材碎片）和术后并发症。是根据预测合并和预测SF的最佳算法构建的合奏模型。然后，使用多任务神经网络研究了术后志术的同时预测，并使用可解释的人工智能（AI）来证明最佳模型的预测能力。关键发现和局限性：用于预测SF的集合ML模型的精度为93％，精度为87％。并发症主要与术前尿液培养（1.44）有关。逻辑回归表明，SFS受到总石负担的影响（0.34），术前支架的存在（0.106），术前尿液呈阳性（0.14）和石头位置（0.09）。可解释的AI结果强调了关键特征及其对输出的贡献。结论和临床意义：技术进步正在帮助泌尿科医生克服输尿管镜检查的经典限制，即石材尺寸和
医疗内窥镜检查实时3D重建的进步
摘要：此贡献旨在为研究人员提供有关适用于医疗内窥镜检查的实时3D重建方法的最新最新概述。在过去的十年中，计算能力方面已经取得了各种技术进步，并且在许多计算机视觉领域（例如自动驾驶，机器人技术和无人驾驶航空车辆）的研究工作增加了。其中一些进步也可以适应医疗内窥镜检查领域，同时应对诸如无特征表面，不同的照明条件和可变形结构等挑战。为提供全面的概述，进行了单眼，双眼，三眼和多眼方法的逻辑划分，并区分了主动和被动的方法。在这些类别中，我们认为柔性和非弹性内窥镜都尽可能充分地覆盖最新的内窥镜。讨论了与此处介绍的出版物进行比较的相关错误指标，并且在讨论了何时选择GPU而不是FPGA的基于摄像机的3D重建的选择。我们详细阐述了使用数据集的良好实践，并直接比较了提出的工作。重要的是要注意，除了医学出版物外，还认为对Kitti和Middlebury数据集进行评估的出版物还包括可能适用于医疗3D重建的相关方法。
关于您的阴道镜检查治疗
有时我们无法看到所有需要看到的宫颈区域，因此可能需要进行诊断性治疗，即诊断性环切除术。这将使我们能够充分取样无法看到的区域，并旨在去除可能存在的任何异常。我们将与您讨论这样做的原因。您的阴道镜医师将与您讨论最适合您的治疗方法，这取决于您的个人情况。如果有怀孕风险，则无法进行治疗，因此请使用可靠的避孕方法或在就诊前禁欲。
在光电流纳米镜检查中等离子体和极化效应的模型
扫描光电流显微镜传统上是使用聚焦光束进行的。1 - 4在这项技术的现代变体中，事件光的聚焦是通过尖锐的金属尖端实现的，如图1。这样的尖端充当光天线，将局部增强的近场增强到自由空间辐射。在实验中，扫描尖端，并使用位于样品外围的某个位置的电动触点来测量样品中产生的直流光电流。下面，我们将此技术称为扫描近场光电流显微镜或光电流纳米镜检查。也可以利用参与此类测量的仪器进行散射型扫描近场光学显微镜（S-SNOM）。在s-snom中，一个人检测到尖端而不是光电流的光片。实际上，一起执行S-SNOM和光电流纳米镜检查，提供了有关系统的互补信息。这种技术的组合已成功地应用于探针石墨烯和其他二维（2D）材料5 - 9的空间分辨率为≏20nm，这比衍射受限的传统方法好。最近的光电流纳米镜检查实验显示出区别的光谱共振和周期性干扰模式
胃肠内窥镜检查中的人工智能
将人工智能 (AI) 融入胃肠道 (GI) 内窥镜检查预示着胃肠道疾病管理的重大飞跃。人工智能应用，如计算机辅助检测和计算机辅助诊断，显著推进了胃肠道内窥镜检查，改善了早期检测、诊断和个性化治疗计划。人工智能算法在内窥镜数据分析方面表现出色，这对于传统上诊断灵敏度较低的疾病至关重要，例如不确定的胆道狭窄和胰腺癌。卷积神经网络与胆管镜检查或内窥镜超声相结合可以显著改善诊断过程，尤其是在检测恶性胆道狭窄和胆管癌方面。人工智能分析复杂图像数据并提供实时反馈的能力可以简化内窥镜检查程序，减少侵入性活检的需求，并减少相关不良事件。然而，人工智能的临床实施面临着挑战，包括数据质量问题和过度拟合的风险，这凸显了进一步研究和验证的必要性。随着技术的成熟，人工智能有望成为胃肠病学家不可或缺的工具，因此有必要将强大且经过验证的人工智能应用整合到常规临床实践中。尽管取得了显著的进步，但仍然存在诸如操作员依赖准确性和需要进行复杂检查等挑战。本综述深入探讨了人工智能在提高内窥镜诊断准确性方面的变革性作用，特别强调了其在胃肠道疾病的早期发现和个性化治疗中的实用性。
降低胃肠道内窥镜检查中的3碳排放：“绿色内窥镜项目Würzburg”的前瞻性研究结果
胃肠道内窥镜产生的抽象客观碳排放已被认为是一个关键问题。范围3排放主要是由购买商品的制造，包装和运输引起的。据我们所知，旨在减少范围3排放的测量功效的前瞻性数据。 设计该研究是在中型学术内窥镜检查单元中进行的。 要求内窥镜消耗品的制造商回答有关制造，起源，包装和运输的问卷。 基于这些数据，尽可能购买替代产品。 此外，还指示工作人员如何避免浪费。 此后，购买的每个项目的碳足迹是从2月至2023年5月（干预期）计算的，并将范围3排放量与上一年同期（控制期）进行了比较。 结果26个40家公司回答了问卷。 322种产品中的229种被归类为不利。 对于47/229项（20.5％）来说，可以切换到替代项目。 1666在干预期间进行内窥镜检查，而对照期间进行了1751次检查（-4.1％）。 使用的仪器数量减少了10.0％（3111 vs 3457）。 使用较少和替代产品的碳排放量减少了11.5％（7.09 vs 8.01吨碳等效= TCO2 E）。 废物的分离导致20.1％的降低（26.55 vs 33.24 TCO2E）。 总共可以将碳排放量减少18.4％。据我们所知，旨在减少范围3排放的测量功效的前瞻性数据。设计该研究是在中型学术内窥镜检查单元中进行的。要求内窥镜消耗品的制造商回答有关制造，起源，包装和运输的问卷。基于这些数据，尽可能购买替代产品。此外，还指示工作人员如何避免浪费。此后，购买的每个项目的碳足迹是从2月至2023年5月（干预期）计算的，并将范围3排放量与上一年同期（控制期）进行了比较。结果26个40家公司回答了问卷。322种产品中的229种被归类为不利。对于47/229项（20.5％）来说，可以切换到替代项目。1666在干预期间进行内窥镜检查，而对照期间进行了1751次检查（-4.1％）。使用的仪器数量减少了10.0％（3111 vs 3457）。使用较少和替代产品的碳排放量减少了11.5％（7.09 vs 8.01吨碳等效= TCO2 E）。废物的分离导致20.1％的降低（26.55 vs 33.24 TCO2E）。总共可以将碳排放量减少18.4％。每个手术的结论使用较少的乐器，回收包装材料并改用替代产品可以减少碳排放，而不会损害内窥镜工作流程。
人工智能在炎症性肠病的诊断、监测和预测的成像和内窥镜检查中的作用：范围审查协议
摘要 简介 炎症性肠病 (IBD) 是一种免疫介导疾病，其发病率和患病率在世界范围内呈上升趋势。对其的评估和监测虽然复杂，但变得越来越重要。最好的疾病控制是通过严格监测客观炎症参数（如血清和粪便炎症标志物）、横断面成像和内窥镜评估来实现的。考虑到在患者整个旅程中获得的信息的复杂性，人工智能 (AI) 为现有工具提供了理想的辅助，可帮助诊断、监测和预测 IBD 患者的病程。因此，我们提出了一项范围界定审查，评估 AI 在 IBD 患者诊断、监测和预测工具中的作用。我们的目标是发现文献中的差距并在未来的研究中解决它们。 方法与分析 我们将搜索电子数据库，包括 Medline、Embase、Cochrane CENTRAL、CINAHL Complete、Web of Science 和 IEEE Xplore。两位审稿人将首先独立筛选摘要和标题，然后进行全文审查。第三位审阅者将解决任何冲突。我们将同时包括观察性研究和临床试验。将使用数据提取表提取研究特征。提取的数据将以表格形式汇总，遵循成像方式主题和评估的研究结果。结果将附有叙述性评论。道德和传播考虑到项目的性质，不需要机构审查委员会进行道德审查。数据将在学术会议上展示，最终产品将发表在同行评审期刊上。