XiaoMi-AI文件搜索系统
World File Search System间期
二联律伴有 QT 间期延长是即将发生尖端扭转型室性心动过速的不祥征兆：一例病例报告
因额头裂伤而送往急诊科。她有痴呆、慢性肾病和高血压病史，医生给她开了美金刚和氨氯地平。前一天晚上她的身体状况正常，但在急诊科就诊的那天早上，她因为脸上流血而走下楼。她不记得自己是否摔倒过，也无法提供任何与事件相关的有意义的细节。她否认有任何其他急性医疗投诉。患者家属在发现伤口之前没有发现任何外在疾病迹象，并报告说患者处于基线精神状态。患者神志清醒，进行了非局灶性神经系统检查，额头中间有一个单独的两厘米裂伤，没有活动性出血。她的心率和节律正常，但遥测监测显示形态怪异。急诊医生传达了创伤和晕厥的计划
使用 KISQALI 进行 QT 间期延长和心电图测试
在接受 KISQALI 治疗的晚期或 mBC 患者（MONALEESA-2、MONALEESA-7 和 MONALEESA-3）中，ALT 和 AST 的 3 级或 4 级升高分别发生于 11% 和 8%。在 ALT/AST 升高 ≥ 3 级的患者中，KISQALI 联合芳香化酶抑制剂或氟维司群治疗组的中位发病时间为 92 天。KISQALI 联合芳香化酶抑制剂或氟维司群治疗组的缓解至 ≤ 2 级的中位时间为 21 天。在 MONALEESA-2 和 MONALEESA-3 中，6 (1%) 名患者同时出现 ALT 或 AST 升高 >3 倍 ULN 且总胆红素 >2 倍 ULN，碱性磷酸酶正常，无胆汁淤积（海氏定律），所有患者在停用 KISQALI 后均康复。
使用发作间期癫痫样放电波形和卷积神经网络筛查脑电图中的癫痫发作
人工智能 (AI) 与医疗物联网 (MIoT) 的整合正在迅速推进，通过分析脑电图 (EEG) 中的发作间期癫痫样放电 (IED)，在检测癫痫等疾病方面取得了重大进展。EEG 数据的可用性促进了包括癫痫发作检测在内的创新应用的创建。虽然神经科医生传统上依靠 EEG 数据分析来识别癫痫发作，但手动评估 EEG 脑电波是一个费力而复杂的过程，给专家带来了很大的压力。本文介绍了一种基于 EEG 波形自动检测 IED 的简单卷积神经网络 (CNN) 方法。这种方法通过预测癫痫发作并及时干预，有助于减轻癫痫患者的负担。它还减轻了神经科医生和经验不足的专家的工作量，从而加快了诊断过程。所提出的方法是通过利用一系列描绘每个传感器上 EEG 信号幅度的图像来实现的。研究将参与者分为两组：（A）健康个体和（B）癫痫患者。结果显示，与人类专家诊断相比，准确率高达 96.4%，展示了该方法在脑电图数据中检测癫痫发作的有效性和实用性。
冠状动脉疾病诊断压力测试期间心率变化引起的 QT 间期时间滞后
背景：QT 间期对心率 (HR) 突然变化的缓慢适应可增强心室异质性，并已被认为是心律失常风险的标志。大多数关于 QT 率适应滞后的研究都是针对阶梯式 HR 变化进行的。然而，在移动条件下，很难在心电图记录中诱发或观察到突然的心率变化。目的：我们旨在评估与压力测试中响应斜坡式 HR 变化的 QT 滞后相关的指数的效力以评估 CAD 风险。方法：我们量化了实际 QT 序列和无记忆预期 QT 序列之间的滞后，该滞后是通过将双曲线回归模型拟合到瞬时 QT 和 HR 测量值中获得的，在可以假设它们的行为平稳的阶段。所提出的方法被用于分析 448 名具有不同冠状动脉疾病 (CAD) 风险水平的患者子集的心电图压力测试。在运动和恢复阶段分别估计 QT 滞后。结果：运动期间估计的 QT 滞后增加（从 25 秒增加到 36 秒）和恢复期间减少（从 57 秒减少到 39 秒）与更高的 CAD 风险相关。这些滞后之间的差异表明 CAD 风险分层具有显著能力。结论：可以通过压力测试量化响应心率变化的 QT 滞后。响应斜坡式心率变化的 QT 滞后值与从突然心率变化量化的 QT 滞后值范围相当，并且对分层 CAD 风险具有临床意义。
基于卷积神经网络（CNN）的癫痫发作间期放电（IED）自动检测
1 湖北科技大学创新创业学院，咸宁，中国，2 湖北科技大学咸宁医学院生物医学工程与医学影像学院，咸宁，中国，3 华中科技大学同济医学院武汉儿童医院临床神经电生理科，武汉，中国，4 厦门市第三医院神经内科，厦门，中国，5 福建医科大学协和医院福建省老年医学研究所神经病学与老年病科，福州，6 厦门大学国家健康与医学数据科学研究所，厦门，7 厦门大学医学院血液学系，厦门，中国，8 南京中医药大学人工智能与信息技术学院，南京
发作间期脑电图源定位的线性分布逆解
目的：比较 6 种线性分布逆解对癫痫发作间期放电源定位的空间精度：最小范数、加权最小范数、低分辨率电磁断层扫描 (LORETA)、局部自回归平均值 (LAURA)、标准化 LORETA 和精确 LORETA。方法：通过回顾性比较 30 名成功接受癫痫手术的患者中平均发作间期放电的最大源与切除的脑区，基于 204 通道脑电图，对空间精度进行了临床评估。此外，在计算机模拟中评估了逆解的定位误差，在传感器空间和源空间的信号中添加了不同程度的噪声。结果：在临床评估中，使用 LORETA 或 LAURA 时，50-57% 的患者源最大值位于切除的脑区内，而所有其他逆向解决方案的表现都明显较差（17-30%；校正 p < 0.01）。在模拟研究中，当噪声水平超过 10% 时，LORETA 和 LAURA 的定位误差明显小于其他逆向解决方案。结论：LORETA 和 LAURA 在临床和模拟数据中均提供了最高的空间精度，同时对噪声具有相当高的鲁棒性。意义：在测试的不同线性逆解算法中，LORETA 和 LAURA 可能是发作间期 EEG 源定位的首选。2021 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
基于高阶张量分解的头皮到颅内脑电图投影检测发作间期癫痫样放电
摘要。目的。发作间期癫痫样放电 (IED) 发生在两次癫痫发作之间。IED 主要通过颅内记录捕获，通常在头皮上不可见。本研究提出了一种基于张量分解的模型，将头皮脑电图 (sEEG) 的时频 (TF) 特征映射到颅内脑电图 (iEEG) 的 TF 特征，以便以高灵敏度检测头皮上的 IED。方法。采用连续小波变换提取 TF 特征。将来自 iEEG 记录的 IED 段的时间、频率和通道模式连接成四向张量。采用 Tucker 和 CANDECOMP/PARAFAC 分解技术将张量分解为时间、频谱、空间和节段因子。最后，将来自头皮记录的 IED 和非 IED 段的 TF 特征投影到时间分量上进行分类。主要结果。模型性能通过两种不同的方法获得：受试者内和受试者间分类方法。我们提出的方法与其他四种方法进行了比较，即基于张量的空间分量分析方法、基于 TF 的方法、线性回归映射模型以及非对称对称自动编码器映射模型，然后是卷积神经网络。我们提出的方法在受试者内和受试者间分类方法中均优于所有这些方法，分别实现了 84.2% 和 72.6% 的准确率。意义。研究结果表明，将 sEEG 映射到 iEEG 可提高基于头皮的 IED 检测模型的性能。此外，基于张量的映射模型优于基于自动编码器和回归的映射模型。
发作间期颅内脑电图预测手术成功率：空间和时间的重要性
摘要 目的：利用源自发作间期颅内脑电图 (EEG) 的功能相关网络预测术后无癫痫发作已取得一些成功。然而，还有一些重要的挑战需要考虑：(1) 物理上彼此靠近的电极自然倾向于更相关，从而导致空间偏差；(2) 不同患者的植入位置和电极数量不同，使得跨受试者比较困难；(3) 功能相关网络可能随时间而变化，但目前假定为静态的。方法：在本研究中，我们使用来自 55 名难治性局灶性癫痫患者的颅内脑电图数据来解决这三个挑战。患者还接受了术前磁共振成像 (MRI)、术中计算机断层扫描和术后 MRI 检查，以便准确定位电极并描绘出切除的组织。结果：我们表明，对附近电极之间的空间接近度进行标准化可提高对术后癫痫发作结果的预测。此外，电极覆盖范围更广的患者更有可能正确预测其结果（受试者工作特征曲线下面积 > 0.9，P « 0.05），但不一定更有可能获得更好的结果。最后，无论分析的时间段如何，我们的预测都是可靠的。意义：未来的研究应考虑功能网络构建中电极的空间接近度，以改善术后癫痫发作结果的预测。切除和保留组织的覆盖范围越大，预测的准确性就越高。
发作间期癫痫样放电与人类颅内神经生理学数据的质量
颅内脑电图 (IEEG) 涉及从直接放置在皮质表面或深层脑位置的电极进行记录。它适用于接受术前癫痫发作定位的药物难治性癫痫患者。IEEG 记录与计算能力和分析工具的进步相结合，加速了认知神经科学的发展。本篇观点文章描述了由于受试者群体而导致的许多此类记录中存在的潜在陷阱——即发作间期癫痫样放电 (IED)，由于与癫痫相关的病理波形污染了正常的神经生理信号，因此可能导致虚假结果。我们首先讨论 IED 危害的性质，以及为什么它们值得神经生理学研究人员的关注。然后，我们描述了处理 IED 时使用的四种一般策略（手动识别、自动识别、手动-自动混合以及通过将其留在数据中而忽略），并讨论了它们的优缺点和背景因素。最后，我们根据横断面文献综述和自愿调查，描述了全球人类神经生理学研究人员的当前实践。我们将这些结果置于所列策略的背景下，并提出提高报告意识和清晰度的建议，以丰富该领域的数据质量和交流。
