XiaoMi-AI文件搜索系统
World File Search SystemClinicians
放射组学引导的检查点抑制剂免疫疗法在癌症精准医疗中的应用：面向临床医生的综述
使用免疫检查点抑制剂 (ICI) 的免疫疗法是肿瘤学发展的一项突破，已应用于多种实体瘤。然而，与传统的癌症治疗方法不同，免疫检查点抑制剂 (ICI) 通过引起炎症来引发间接细胞毒性，在某些情况下会导致病变增大。因此，建议不要立即宣布疾病进展 (PD)，而是根据实体瘤免疫相关疗效评价标准 (ir-RECIST) 在 4 - 8 周后的随访放射学评估中确认。鉴于临床医生难以立即区分假进展和真正的疾病进展，我们需要新的工具来协助这一领域。放射组学是一种创新的数据分析技术，它通过从图像中高通量提取定量特征来量化肿瘤特征，可以从早期成像中检测出更多信息。本综述将总结放射组学在免疫治疗方面的最新进展。值得注意的是，我们将讨论应用放射组学区分假性进展和 PD 的潜力，以避免在确认期病情恶化。我们还回顾了放射组学在超进展、免疫相关生物标志物、疗效和免疫相关不良事件 (irAE) 中的应用。我们发现放射组学在精准癌症免疫治疗中已显示出良好的效果，并且可以通过非侵入性方式进行早期检测。
影响临床医生使用基于人工智能的临床决策支持系统意愿的因素
背景：鉴于基于人工智能 (AI) 的决策支持系统在医疗保健领域创造的机遇，至关重要的问题是临床医生是否愿意将这项技术作为临床工作流程的一个组成部分。目的：本研究利用经过验证的问题制定在线调查，从而探索影响临床医生使用基于人工智能的血液利用率计算器 (BUC) 意愿的认知人为因素，BUC 是嵌入在电子健康记录中的人工智能系统，可提供数据驱动的个性化建议，以确定为特定患者输血的浓缩红细胞数量。方法：使用有目的的抽样策略，专门包括威斯康星州一所大学医院的临床医生 BUC 用户。我们招募了 119 名完成整个调查的 BUC 用户。我们利用结构方程模型来捕捉“人工智能感知”和“期望”对临床医生使用该技术意愿的直接和间接影响，当受“感知风险”介导时。结果：研究结果表明，人工智能感知对 BUC 风险的直接影响呈显著负相关 (ß = − 0.23, p < 0.001)。同样，期望对风险有显著的负面影响 (ß = − 0.49, p < 0.001)。我们还注意到风险对使用 BUC 的意图有显著的负面影响 (ß = − 0.34, p < 0.001)。关于期望对使用 BUC 意图的间接影响，研究结果显示风险介导的显著正影响 (ß = 0.17, p = 0.004)。研究指出，当由风险介导时，人工智能感知对使用 BUC 的意图有显著的正间接影响 (ß = 0.08, p = 0.027)。总体而言，本研究展示了期望、感知风险和对 AI 的认知对临床医生使用 BUC（一种 AI 系统）意愿的影响。AI 开发人员需要强调 AI 技术的优势，确保易用性（努力预期），阐明系统的潜力（性能预期），并通过改进整体设计将风险认知降至最低。结论：确定决定临床医生使用基于 AI 的决策支持系统意愿的因素有助于改善医疗领域的技术采用和使用。增强和安全地采用 AI 可以提升整体护理流程，并有助于标准化临床决策和程序。医疗保健领域改进的 AI 采用将帮助临床医生分担日常临床工作量并做出关键决策。
临床医生通常可进行的检测类型以及麻疹、腮腺炎、风疹和水痘的说明
• 病毒培养是确认水痘病例的有效方法；但是，由于它不如 PCR 敏感，并且需要更长的时间才能获得结果，因此不建议使用这种方法。 • IgM 血清学对水痘的诊断价值有限，不建议将其用于实验室确认水痘。 IgM 特异性较差，并且在原发感染（水痘）、再感染或潜伏期（带状疱疹）复发期间会暂时产生 IgM 抗体。此外，在 IgG 抗体水平高的情况下，IgM 假阳性结果尤其常见。在出现水痘样症状的情况下，IgM 阳性结果可能表明可能存在急性 VZV 感染；但是，在没有临床疾病的情况下，IgM 阳性结果并不代表存在活动性水痘。 • 急性期和恢复期血清样本（间隔至少 2 周）显著升高（即 IgG 滴度或血清转化至少升高 4 倍）也可确诊水痘病例，但不建议这样做，因为这不适合立即治疗，并且在接种疫苗的人中，可能不会出现 4 倍的升高。
评估临床医生嵌入人工智能辅助诊断骨折的途径。
摘要。骨折检测一直是医学成像界的长期范例。已经提出了许多算法和系统来准确检测和分类图像，以确定身体不同部位是否存在骨折。虽然这些解决方案能够获得甚至超过人类评分的结果，但很少有人致力于评估如何将这些系统嵌入临床医生和放射科医生的工作流程中。此外，X 射线照片中包含的报告还可以提供有关骨折性质和严重程度的关键信息。在本文中，我们介绍了我们的第一项发现，旨在评估如何将计算机视觉、自然语言处理和其他系统正确嵌入临床医生的路径中，以更好地帮助完成骨折检测任务。我们使用公开的骨折数据集以及英国国家医疗保健系统在研究计划中提供的少量数据展示了一些初步实验结果。结果表明，将来自不同现有和预训练模型的迁移学习应用于挑战中提供的新记录的可能性很高，并且可以通过多种方式将这些技术嵌入临床医生的路径中。关键词：骨折检测、自然语言处理、卷积神经网络、临床医生路径
精准医疗时代对非小细胞肺癌临床医生和患者的指导
非小细胞肺癌 (NSCLC) 诊断和治疗方面的重大进展导致相关死亡率急剧下降，从而将 NSCLC 推向了精准医疗的前沿。目前的指南建议对所有已知和可操作的驱动变异/生物标志物（EGFR、ALK、ROS1、BRAF、KRAS、NTRK、MET、RET、HER2 [ERBB2] 和 PD-L1）进行全面的分子检测，特别是在晚期疾病阶段，因为它们会显著影响对治疗的反应。特别是，在任何阶段的非鳞状腺癌 NSCLC 的诊断和进展（耐药性）中，基于混合捕获的下一代测序 (HC-NGS) 和 RNA 融合面板来检测基因融合都是真正的要求。这种检测方式可确保选择最及时、最合适和最个性化的治疗方法，最大限度地提高治疗效果，并防止使用次优/禁忌疗法。作为临床检测和治疗的补充，患者、家庭和护理人员教育也是早期筛查和诊断、获得护理、应对策略、积极结果和生存的关键。社交媒体的出现和互联网接入的增加扩大了教育和支持资源的数量，从而改变了患者护理的动态。本综述为将综合基因组检测与 RNA 融合面板相结合作为所有腺癌 NSCLC 疾病阶段的全球诊断标准提供了指导，并提供了有关患者和护理人员教育和资源的关键信息。
固体器官移植受体中免疫接种的更新：临床医生需要知道
可预防疫苗的疾病仍然是移植受体中发病率和死亡率的主要来源。自2004年美国移植学会的固体器官移植接受者疫苗接种指南（1）以来，已经获得了几种新疫苗。移植临床医生被患者和同事关于这些疫苗在移植候选者和食物中的效用和安全性的问题所淹没。此外，新数据似乎还考虑了一些已建立的疫苗，疫苗接种后缺乏排斥和较新的佐剂策略。在Medline搜索中审查了2004年至2007年之间发表的文献。疾病控制与预防中心的免疫实践咨询委员会的指南进行了审查和总结，特别涉及人类乳头瘤病毒，vari-cella和varicella-zoster疫苗，tetanus降低了diphtheria-蛋白 - 蛋白酶 - 细胞的甲壳虫（tdap）和conjucitiit conjc，and conjugc conjugc conjugc conjucciucciuc assiucis as ansjucciuc assis as ansjucc。肺炎疫苗。尽管尚未针对大多数新的许可疫苗进行移植接收者中的随机对照试验，但可以根据当前数据和准则来制定初步建议。进一步的研究对于确定新的临时和免疫策略的适应和最佳时机至关重要。
人工智能技术帮助临床医生预测患者需求变化并更好地定制护理
“加拿大健康网络让加拿大各地的企业家能够与医疗保健提供商合作，测试他们的创新并发展他们的公司，同时通过鼓励本土创新来加强我们的全民医疗保健系统。作为一个综合市场，该网络将让创新者能够接触医疗保健提供商，以便他们发展业务并创造就业机会。Trillium Health Partners 和 Signal 1 所做的工作表明了这个网络的有效性及其未来成功的潜力，”国际贸易、出口促进、小企业和经济发展部长 Mary Ng 阁下表示。
为临床医生开发和评估人工智能预测模型以指导临床决策的路线图
摘要 背景 预测模型已在临床护理中使用了几十年。它们可以确定患者患上特定疾病或并发症的风险，并为共享决策过程提供信息。开发用于临床实践的人工智能 (AI) 预测模型具有挑战性；即使它们具有良好的预测性能，也不能保证它们会被使用或增强决策。我们描述了开发和评估预测 AI 模型的九个阶段，认识到临床医生在每个阶段可能面临的挑战，并提供了帮助管理这些挑战的实用技巧。 结果 这九个阶段包括澄清感兴趣的临床问题或结果（输出）、确定合适的预测因子（特征选择）、选择相关数据集、开发 AI 预测模型、验证和测试开发的模型、呈现和解释模型预测、许可和维护 AI 预测模型以及评估 AI 预测模型的影响。将人工智能预测模型引入临床实践通常涉及多个相互作用的因素，包括模型预测的准确性、医生和患者对这些概率的理解和使用、后续行动或干预的预期效果以及对这些行动或干预的遵守情况。能否实现效益的很大一部分差异与预测是否及时提供给临床医生，使他们能够采取适当的行动有关。结论人工智能预测模型对过程和结果的下游影响差异很大，因此，使用适当的研究设计来评估其在临床实践中的应用至关重要。
立场声明：胰腺酶替代疗法 (PERT) 短缺——为临床医生提供管理建议
正在服用 CFTR 调节剂和抗排斥药物的囊性纤维化患者——因为吸收不良可能会影响治疗效果。 接受过全胰腺切除术的患者 因壶腹部周围疾病（包括但不限于：胰腺/十二指肠/远端胆管/壶腹部癌、神经内分泌肿瘤和癌前病变）而接受过胰头手术的患者 正在接受化疗的胰腺癌患者——因为吸收不良和营养不良导致的身体机能状态不佳可能会阻止患者接受潜在的治愈性或延长生命的治疗。 服用生长抑素类似物治疗 NET 的患者 患有 PEI 和胰岛素依赖型糖尿病的患者 任何患有 PEI（包括胰腺炎、胰腺癌、囊性纤维化、胃切除术后等）并且难以维持营养状况的患者。
人工智能与临床医生：对深度学习研究的设计、报告标准和声明的系统评价
选择研究的资格标准 随机试验注册和非随机研究，比较深度学习算法在医学成像中的表现与当代一个或多个专家临床医生组的表现。医学成像对深度学习研究的兴趣日益浓厚。深度学习中卷积神经网络 (CNN) 的主要区别特征是，当 CNN 被输入原始数据时，它们会开发出模式识别所需的自己的表示。该算法会自行学习对分类很重要的图像特征，而不是由人类告诉使用哪些特征。选定的研究旨在使用医学成像来预测现有疾病的绝对风险或分类为诊断组（例如疾病或非疾病）。例如，原始胸部 X 光片标有气胸或无气胸等标签，CNN 会学习哪些像素模式表明存在气胸。