XiaoMi-AI文件搜索系统
World File Search SystemArtery
冠状动脉疾病患者DNA修复过程中分子作用的研究
简介根据欧洲心脏病学会最新的慢性冠状动脉综合征指南，冠状动脉疾病 (CAD) 被定义为具有稳定性心绞痛症状和/或呼吸困难的 CAD 记录。1 众所周知，DNA 损伤是该疾病发病的原因之一。通常，这些损伤以单碱基突变、链断裂、碱基缺失或碱基修饰的形式出现。2 DNA 修复机制在维持基因组完整性方面起着非常重要的作用。不同的 DNA 修复机制用于修复哺乳动物细胞中不同的 DNA 损伤。BRCA1 是乳腺癌和卵巢癌的关键易感基因。3 它由几个对维持基因组稳定性至关重要的结构域组成，例如 DNA 修复、DNA 损伤信号传导、染色质重塑、细胞周期检查点的调节、蛋白质泛素化、转录调控和细胞凋亡。 BRCA1 蛋白通过调节同源重组 (HR)，在 DNA 双链断裂修复过程中发挥着至关重要的作用。4
基于机器学习算法的冠状动脉疾病的诊断支持向量机，人工神经
已经对数据挖掘在包括CAD在内的疾病诊断中的应用进行了各种研究； [9,10]将建议的模型与基于PSO的自适应神经融化推理系统（PSO -ANFIS）进行了比较。结果表明，建议的模型优于PSO -ANFIS模型。建议的模型还具有2个重要好处：（1）它很快学习，（2）响应迅速。对于大型准确的数据集，快速学习和快速响应能力的重要性很重要。[11] Jackins等。进行了一项研究，以找到可用数据集中诊断糖尿病，冠心病和癌症的模型。他们使用幼稚的贝叶斯分类和随机森林（RF）分类算法进行数据集的分类。结果表明，三种疾病的RF模型的准确性高于幼稚贝叶斯分类器的精度值。[12] Das等。使用统计分析系统，引入了一种诊断心脏病的方法。神经网络集合方法位于提议系统的中心。从从克利夫兰心脏病数据库中获得的数据中获得的分类准确性为89.01％。另外，在心脏病的诊断中分别获得了80.95％和95.91％的敏感性和特异性。[14] Dutta等。[13] Olaniyi和Oyedotun提出了一个基于人工神经网络（ANN）的三步模型来诊断心绞痛，其精度为88.89％。提出了具有卷积层的有效神经网络。他们提出的模型在预测冠心病方面的准确性达到了77％。该模型还能够比传统方法（例如支持向量机（SVM）和RFS）更准确地预测负面案例。[15]
与异常冠状动脉的晚期心力衰竭中的左心室不合作：病例报告
左心室不合作（LVNC）涉及心肌的异常发育，其中内层保持过度小径过度而不是正确压实。传统上被认为是先天性的，越来越多的非家族或零星LVNC报告表明，不良心肌重塑，例如体积超负荷或先前存在的心肌病，可能会有助于其发育。我们介绍了一名77岁男性，患有慢性心房颤动和非缺血性心肌病，被发现患有严重的LVNC，使用超声心动图和心脏MRI鉴定，使用非压缩的心肌厚度比> 2.3处于凝结状态。严重的左心室功能障碍（射血分数（EF）<20％）得到了证实，血管造影揭示了无刺激性的冠状动脉疾病，其异常左弯曲动脉 - 一种不常见的共同出现，强调了全面成像的重要性。在没有家族史的老年人中，LVNC的晚期表现延长了公认的人群，并表明结构和血液动力学压力源可能在其发展中起作用。管理包括对心房颤动，电心疗法和指导性心力衰竭的药理率控制，以减少EF，最终导致可植入的心脏扭矩 - 除颤器放置，以预防心脏突然死亡。在这些干预措施之后，患者表现出适度的功能状态和症状，并在设备监视和串行成像的紧密随访中。这种情况扩大了我们对LVNC的理解，通过强调其延迟发作的潜力，多模式成像检测共存异常的必要性以及一种综合治疗方法以优化老年人的结果的重要性。
启动子区域CDX2（A/G）维生素-D受体基因的变体对巴基斯坦同伙中omentin-1，瘦素水平和冠状动脉风险的影响
抽象目标：冠状动脉疾病仍然是主要由动脉粥样硬化驱动的全球发病率和死亡率的主要因素。遗传变异和脂肪细胞因子（如omentin-1和瘦素）在炎症途径和动脉粥样硬化过程中起关键作用。本研究旨在评估巴基斯坦人口中CDX2（A> G）变体，Omentin-1和瘦素与CAD风险的关联。方法：这项病例对照研究包括500例血管造影确认的CAD患者和500名年龄和性别匹配的健康对照。从所有贡献者那里获得了详细的人体测量，血压和空腹血液样本。使用TETRA-PRIMER扩增耐火突变系统 - 聚合酶链反应（ARMS-PCR）进行CDX2（A> G）变体的基因分型。通过使用酶 - 连接的免疫吸附测定法（ELISA）试剂盒评估omentin-1，瘦素和维生素-D的血清水平。统计分析是由SPSS版本23进行的。结果：对照组中AA基因型的频率（49.2％）明显高于CAD患者（32.4％），表明具有保护作用（P <0.001）。Ag基因型与CAD风险增加58％（OR = 1.58，95％CI：1.24-2.02）。与对照组相比，CAD患者（368±3.7 ng/ml vs. 615±6.5 ng/ml，p <0.001）的血清Omentin-1水平明显低于615±6.5 ng/ml，p <0.001），而CAD患者的瘦素水平显着升高（8.62±0.7 ng/ml vs. 4.02 ng/ml vs. 4.02±0.5 ng/ml，p <0.5 ng 0.001）。omentin-1和瘦素水平都与Ag和GG基因型显着相关，这表明对这些脂肪细胞因子产生遗传影响。结论：总结VDRG的启动子区域的CDX2（A> G）变体与CAD的更大风险有关，并且对脂肪因子水平（尤其是Omentin-1和瘦素）的影响可能在CAD发病机理中起着至关重要的作用。这些发现提供了对CAD分子机制的见解。
使用跟腱同种异体移植物和远端的Sural Artery N
阿喀琉斯肌腱破裂根据诊断的时间归类为急性或慢性，慢性破裂表现出相当大的手术挑战。此病例报告详细介绍了一名58岁男子的管理，该男子出现了慢性开放性跟腱破裂，并伴有大型软组织缺陷。受伤事故引起的伤害因伤口坏死和感染而变得更加复杂。手术管理涉及使用同种异体移植物重建跟腱，以及使用远端的孔疗法神经皮瓣的缺陷覆盖率。术后结局是有利的，疼痛和功能能力都有明显改善。在术后六个月时，患者表现出完全的移植物整合，令人满意的功能恢复以及恢复日常活动，而没有踝关节不稳定的迹象。此病例证明了肌腱同种异体重建的功效，并结合了血管化的皮瓣覆盖范围，在管理复杂的跟腱损伤和大量组织损失的情况下。有必要进行进一步的研究以评估这种方法的长期成功。
一种用于诊断早发冠状动脉疾病的机器学习方法
1. 简介 冠状动脉疾病 (CAD) 是一种影响向心脏供血的动脉的疾病。它主要是由动脉粥样硬化引起的，动脉粥样硬化是一种由脂肪、胆固醇和其他物质组成的斑块在冠状动脉内积聚的过程。这种积聚会随着时间的推移使动脉变窄，减少流向心肌的血流量，并导致胸痛（心绞痛）或心肌梗塞等症状。PCAD 是指男性 55 岁以下和女性 65 岁以下发生的过早冠状动脉疾病。最近，人们使用 ML 方法广泛研究了 CAD 预测和诊断，因为传统统计方法的能力有限，并且在分析大数据集方面存在一些弱点 (1-3)。因此，机器学习方法已被用作人工智能的一个子领域，用于从原始数据中提取有价值的模式和信息。使用这些方法可以在没有人工输入的情况下获得合适的知识并将其用于不同的目的。最近的研究表明，机器学习方法可用于早期诊断、风险分层、临床试验招募和各种疾病分类。同时，种族和民族与特定人群和遗传变异有关，对某些疾病可能很重要。社会经济地位和医疗保健机会与种族和民族密切相关（4）。例如，非裔美国患者比白人患者更常接受心导管插入术来诊断 CAD（5）。不同种族和民族的存在对不同种族和民族群体的疾病发展有影响（6）。因此，有必要了解种族在各种疾病中的作用。机器学习算法已被用于预测考虑种族和民族的心力衰竭，并确定特征重要性在不同种族和民族群体之间的差异（7）。Suinesiaputra 等人（8）使用深度学习分析对动脉粥样硬化进行了多民族研究。他们试图利用机器学习算法的能力从大规模遗留数据集中提取合适的信息。他们使用双腔、四腔和短轴磁共振成像 (MRI) 视图之间的迁移学习序列训练 VGGNet 卷积神经网络来检测标志。另一项多民族动脉粥样硬化研究使用机器学习方法预测心血管事件 (9)。他们使用随机生存森林技术来识别心血管风险因素。
建立简单的体外动脉模型并评估脉冲流对高强度聚焦超声消融的影响
C. Cilleros、A. Dupré、J. Vincenot、D. Melodelima。开发简单的体外动脉模型并评估脉冲流对高强度聚焦超声消融的影响。生物医学工程创新与研究，2021 年，42 (2)，第 112-119 页。�10.1016/j.irbm.2020.11.004�。�hal-04745056�
使用增强的DCNN-GAN
摘要 - X射线血管造影中冠状动脉片段和狭窄的冠状动脉片段和狭窄的检测和诊断至关重要，但是，原始图像中图像质量的变化，噪声和伪影造成了当前算法的明确困难。这些问题通过传统方法对有意义的分析构成了挑战，这损害了检测算法的效率。为了克服这些缺点，当前的研究提出了一种新的集成深度学习技术，该技术将深度卷积神经网络（DCNN）与双重条件检测中的生成对抗网络（GAN）相结合。从X射线血管造影图像中提取的详细特征学习是通过DCNN进行的，其中考虑了血管结构和自动病理区域的检测。gan的使用是用合成图像，扭曲和视觉噪声进一步丰富数据集，这将使模型更容易受到各种图像条件的影响。两种方法都将有助于更好地分类正常和病理区域，并且对所获得图像的质量的敏感性降低。因此，提出的方法显示了诊断准确性的提高，作为心血管系统临床决策的坚实基础。已通过以下评估指标证明了建议方法的功效：97.9％的F1得分，98.7％的精度，98.2％的精度和98％的召回率。它通过在困难的成像环境中提供更好的结果来揭示了使用算法进行心血管评估的决定性进步。与传统方法相比，结果证明了牙菌斑和狭窄识别的更高灵敏度和准确性，这证实了使用建议的DCNN-GAN方法来考虑医学成像中实际波动的效率。
使用人工智能检测模型测量乳房动脉钙化及其与主要不良心血管事件的关联
从标准乳腺X线摄影图像获得的乳腺动脉钙化（BAC）通常在评估范围内，以分层女性重大不良心血管事件的风险。使用人工智能（AI）技术测量BAC，我们旨在确定BAC和冠状动脉钙化（CAC）严重程度与重大不良心脏事件（MACE）之间的关系。这项回顾性研究包括在乳房X线摄影后一年内进行胸部计算机断层扫描（CT）的女性。t检验评估了感兴趣的MACE与变量之间的关联（BAC与MACE，CAC与MACE）。风险差异以捕获观察到的风险和参考组的差异。卡方检验和/或Fisher的精确测试，以评估使用MACE的年龄和ASCVD风险，并通过动脉粥样硬化心血管疾病（ASCVD）的风险评估BAC和CAC协同。进行了逻辑回归模型，以衡量解释变量（BAC和CAC）与结果变量（MACE）之间的几率比。在分析中包括的99名患者中，有49例患者（49.49％）为阳性，37例患者（37.37％）CAC阳性，26例患者（26.26％）患有MACE。BAC得分的一个单位增加导致中度至高ASCVD风险> 7.5％（p = 0.01）和2％增加MACE的几率增加了6％（p = 0.005）。BAC阳性患者中等高度ASCVD风险评分的几率高（OR = 4.27，95％CI 1.58–11.56）比CAC阳性患者（OR = 4.05，95％CI 1.36–12.06）。在这项研究人群中，BAC的存在与MACE有关，可用于证实ASCVD风险。我们的结果提供了证据，以支持除了广泛的护理乳房X线照片外，还可以利用AI生成的BAC测量。
评估子宫动脉阻抗在胎龄16至20周，其与早期发作的前脱位
先兆子痫被认为是怀孕的最危险和常见并发症，其患病率是所有怀孕的2-8％（1，2）。根据发生的时间，该疾病分为两种类型：早期和晚发。早期类型的发生频率少于晚期类型，患病率为0.4至1％，但疾病的严重程度远高于晚期类型。在发展中国家，前启示邦是母亲在重症监护室住院的第一个原因，也是孕产妇死亡的第二个直接原因，孕产妇死亡是造成分娩周围死亡的6％（3，4）。据报道，伊朗先兆子痫的患病率为5％，近年来一直在增加（5）。在发展中国家患有前景前的妇女更多地遭受了不幸的结果和死亡的痛苦（6）。