XiaoMi-AI文件搜索系统
World File Search System闭塞
用于中风检测和分类的 AI 软件的单站点性能
摘要背景：最近开发的利用人工智能快速检测和分类中风病例的软件有可能加速中风护理并改善患者预后。我们进行了这项分析，以评估其中一种软件 - RAPID LVO 的性能和通知时间。方法：我们创建了一个包含 151 名连续急性中风患者的数据库，这些患者的 CT 扫描在八个月内由 RAPID LVO 软件处理。收集了软件的 LVO 通知和通知时间，以及患者信息和 CTA 结果。结果：RAPID LVO 对大血管闭塞的敏感性为 63.6%，特异性为 85.8%，平均通知时间为 32.53 分钟。结论：RAPID LVO 敏感性低、特异性中等、通知时间性能高。我们的研究数据显示，远端闭塞（M2-3）的总体敏感性特别低（63%）。观察到的性能与 RAPID LVO 的 FDA 批准中报告的性能之间的差异表明了独立、多中心评估的重要性。本研究中的性能与 RAPID AI 的已发表记录之间的差距可能是由于成像硬件、软件实施、连接性或临床定义的差异造成的。
lyfgenia
lyfgenia最初在2023年获得FDA批准，是一种自体造血干细胞基因疗法，用于治疗12岁或以上患有镰状细胞疾病的患者和瓦索 - 闭塞病史（VOC）。输注Lyfgenia后，转导的CD34+造血干细胞（HSC）植入骨髓中并分化以产生含有生物活性βA-T87Q-环球蛋白的红细胞，这些细胞将与α-蛋白结合使用，与α-蛋白结合，以产生含有βA-T87Q-Globin的功能性HB（HB）。HBAT87Q具有相似的氧结合亲和力和氧血红蛋白解离曲线至野生型HBA，可降低细胞内和总血红蛋白S（HBS）水平，并旨在在空间上抑制HBS的聚合，从而限制了红细胞的镰刀。SCD是由β球蛋白基因中的遗传突变引起的，导致称为镰状血红蛋白（HBS）的异常血红蛋白。红细胞变得僵硬，会过早溶血导致贫血，并且无法将氧气转运到临界器官。患者因血管熟悉的危机而遭受严重的疼痛。镰状细胞疾病的第一线治疗是羟基脲。lyfgenia（Lovotibeglogene autotemcel）在满足以下条件时将考虑覆盖：
药物名称lyfgenia（lovotibeglogene autotemcel）
lyfgenia最初在2023年获得FDA批准，是一种自体造血干细胞基因疗法，用于治疗12岁或以上患有镰状细胞疾病的患者和血管闭塞病史（VOCS）。输注Lyfgenia后，转导的CD34+造血干细胞（HSC）植入骨髓中并分化以产生含有生物活性βA-T87Q-环球蛋白的红细胞，这些细胞将与α-蛋白结合使用，与α-蛋白结合，以产生含有βA-T87Q-Globin的功能性HB（HB）。HBAT87Q具有相似的氧结合亲和力和氧血红蛋白解离曲线至野生型HBA，可降低细胞内和总血红蛋白S（HBS）水平，并旨在在空间上抑制HBS的聚合，从而限制了红细胞的镰刀。SCD是由β球蛋白基因中的遗传突变引起的，导致称为镰状血红蛋白（HBS）的异常血红蛋白。红细胞变得僵硬，会过早溶血导致贫血，并且无法将氧气转运到临界器官。患者因血管熟悉的危机而遭受严重的疼痛。镰状细胞疾病的第一线治疗是羟基脲。lyfgenia（Lovotibeglogene autotemcel）在满足以下条件时将考虑覆盖：
使用关键点的稳定不足导航
摘要 - 我们提出了一种基于稳固的视觉范围，用于使用Sepantic Kepoints的囊室不足农业机器人。自主态下导航由于作物行之间的紧密间距（〜0。75 m），由于多径误差而导致的RTK-GPS精度降解，以及从过度混乱中的LiDAR测量中的噪声。早期的工作称为crogfollow，通过提出具有最终感知的基于学习的视觉导航系统来解决这些挑战。然而，这种方法具有以下局限性：由于缺乏置信度措施而导致的遮挡过程中缺乏可解释的表示以及对异常预测的敏感性。我们的系统Cropfollow ++，以学习的语义关键点表示，引入了模块化感知体系结构。这种学习的表示形式比Cropfollow更模块化，更可靠，并且提供了一种置信度措施来检测闭塞。cropfollow ++在涉及碰撞的数量（13 vs. 33）的现场测试中，跨越〜1的碰撞数量显着超过了cropfollow。在挑战性的后期田野中，各有9公里。我们还在各种野外条件下大规模覆盖了多个囊性播种机器人的cropfollow ++，并讨论了从中学到的关键经验教训。
virtualdsa ++：自动分割，船只标签，遮挡检测和图形搜索CT-Angiography数据
抽象计算机层析成像血管造影（CTA）是诊断脑血管疾病（如缺血性中风）中最常用的方式之一。通常，缺血性卒中病例的感兴趣解剖结构是威利斯及其外围的圆圈，即大脑动脉，因为这些血管是闭塞的最突出的候选者。这些血管中闭塞的诊断仍然具有挑战性，这不仅是由于周围的容器大量，而且还因为大量的解剖变异。我们提出了一个完全自动化的图像处理和可视化管道，该管道为CTA数据提供了脑动脉树的完整分割和建模。该模型本身可以实现不重要的容器结构的交互式掩蔽。静脉，例如鼻窦的静脉，以及最短路径的互动规划，旨在用于准备进一步治疗，例如机械血栓切除术。此外，该算法会自动标记脑动脉（左右脑动脉，左右动脉，前大脑前动脉短，左右动脉左右动脉）检测这些血管中的闭塞或中断。所提出的管道不需要先前的非对比度CT扫描，并且可以像数字减法血管造影（DSA）一样实现可比较的分割外观。
lyfgenia（lovotibeglogene autotemcel）
lyfgenia最初在2023年获得FDA批准，是一种自体造血干细胞基因疗法，用于治疗12岁或以上患有镰状细胞疾病的患者和血管闭塞病史（VOCS）。输注Lyfgenia后，转导的CD34+造血干细胞（HSC）植入骨髓中并分化以产生含有生物活性βA-T87Q-环球蛋白的红细胞，这些细胞将与α-蛋白结合使用，与α-蛋白结合，以产生含有βA-T87Q-Globin的功能性HB（HB）。HBAT87Q具有相似的氧结合亲和力和氧血红蛋白解离曲线至野生型HBA，可降低细胞内和总血红蛋白S（HBS）水平，并旨在在空间上抑制HBS的聚合，从而限制了红细胞的镰刀。SCD是由β球蛋白基因中的遗传突变引起的，导致称为镰状血红蛋白（HBS）的异常血红蛋白。红细胞变得僵硬，会过早溶血导致贫血，并且无法将氧气转运到临界器官。患者因血管熟悉的危机而遭受严重的疼痛。镰状细胞疾病的第一线治疗是羟基脲。lyfgenia（Lovotibeglogene autotemcel）在满足以下条件时将考虑覆盖：
纤溶酶原激活剂在中风治疗中的作用-Phind
尽管血栓切除术的最新技术进步彻底改变了急性中风治疗，但与中风有关的残疾和死亡的患病率仍然很高。因此，纤溶酶原激活剂 - 核蛋白，细菌或工程形式，可以通过将纤溶酶原转化为活性纤溶酶来促进纤维蛋白溶解并促进凝块分解 - 仍然通常用于缺血性中风的急性治疗。因此，纤溶酶原激活剂已成为临床研究的关键领域，因为它们在缺血性中风中闭塞动脉的能力并加速了出血性中风的血肿清除率。然而，不一致的结果，不足的疗效证据或试验环境中副作用的报告可能会降低临床实践中纤溶酶原激活剂的使用。此外，纤溶酶原激活剂的作用机理可以延伸到血管内腔并涉及非纤溶酶原非依赖性过程，这表明纤溶酶原激活剂还具有非纤维蛋白分解的作用。了解纤溶酶原激活剂作用的复杂机制可以指导未来的中风患者治疗干预措施的方向。
安全性和有效性数据摘要（SSED）
死亡异常实验室值对麻醉，对比培养基，抗凝药物或装置材料过敏性休克贫血或血红蛋白（HGB）（HGB）的反应过敏，这可能需要输血性动脉瘤或假性疾病或胸痛性疼痛或胸部疼痛（intrrial fibrial for）心律心律）心律不齐 - 心室（即心室心动过速，心室纤维化）动脉 - 病毒性瘘管出血心脏骤停心脏损伤（心）心脏衰竭，包括穿孔心脏润肤剂 /心脏心脏心脏添加性心脏突出脑脉络脉络膜的促进性，促进性脑脉络性促进性，促进性互动，促进肌张力，促进性促进性，透明传导系统损伤，这可能需要植入起搏器（临时或永久性）转化以打开心脏手术冠状动脉闭塞损害或干扰起搏器或可植入的心脏扭矩除颤器（ICD）EMAMA EXEMA ELDEMARETERETERETER EXEMARETERETE ELDEMOTE ELECTORETERETE ELECTROLETE ELECTROLETE不平衡栓塞，包括空气，颗粒，颗粒，钙化材料，钙化材料，钙化材料，carcccyipic
通过超声检查和全身健康状况的相关性对咬肌的定量和定性评估
摘要。[目的]超声检查可用于非侵入性分析人体的任何横截面并测量组织弹性，厚度和亮度。进行了这项研究，以检查静止肌肉肌肉的定量和定性变化，并在最大闭塞下进行评估，并评估这些变化与个人一般健康之间的关系。[参与者和方法]研究队列组成30名健康成年人。研究了基本参与者信息（性别，年龄，身高，体重，体重指数，体内脂肪，最大咬合力，手绘力量和舌压力）与咬肌肌肉超声检查数据之间的相关性。[结果]男性的咬合肌肉厚度明显高于女性。体重和体重指数与咬肌厚度正相关。体重指数和体内脂肪百分比与咬肌亮度正相关。舌压压与手工束强度正相关。[结论]我们对肌肉厚度和亮度的分析表明，超声检查可能有助于评估咬肌的数量和质量，而咬肌的状况可能与个人的整体健康状况相关。关键词：超声检查，咬肌，肌肉厚度
引用：Kundeti SR、Vaidyanathan MK、Shivashankar B 等人。系统评价方案，以评估人工智能在 CT 和 MR 医学成像中检测急性缺血性卒中和大血管闭塞方面的诊断准确性。BMJ Open 2021；11：e043665。doi:10.1136/bmjopen-2020-043665
摘要 介绍 使用人工智能 (AI) 来支持急性缺血性中风 (AIS) 的诊断可以改善患者的预后并促进准确的组织和血管评估。然而，已发表的 AI 研究中的证据不足且难以解释，这降低了临床环境中诊断结果的责任感。本研究方案描述了对 AI 在诊断 AIS 和检测大血管闭塞 (LVO) 方面的准确性的严格系统评价。 方法与分析 我们将对 AI 模型用于诊断 AIS 和检测 LVO 的性能进行系统评价和荟萃分析。我们将遵守系统评价和荟萃分析方案指南的首选报告项目。将在八个数据库中进行文献检索。对于数据筛选和提取，两位审阅者将使用修改后的预测模型研究系统评价的批判性评价和数据提取清单。我们将使用诊断准确性研究质量评估指南来评估纳入的研究。如果有足够的数据，我们将进行荟萃分析。如果合并合适，我们将使用分层汇总接收器操作特性曲线来估计汇总操作点，包括合并灵敏度和特异性（95% 置信区间）。此外，如果有足够的数据，我们将使用推荐分级、评估、开发和评估分析软件来总结系统评价的主要发现，作为结果摘要。 伦理与传播 本研究方案不存在任何伦理问题，因为系统评价侧重于检查二手资料。系统评价结果将用于报告所纳入研究的准确性、完整性和标准程序。我们将通过在同行评审期刊上发表我们的分析来传播我们的研究结果，如果需要，我们将与研究的利益相关者和书目数据库进行沟通。PROSPERO 注册号 CRD42020179652。