XiaoMi-AI文件搜索系统
World File Search SystemFibrillation
抗癌药物诱发的心房颤动及其潜在机制。
摘要：癌症治疗在过去几十年中取得了重大进展，但治疗往往伴随着显著的副作用。心律失常是一些抗肿瘤药物的普遍并发症，其中心房颤动 (AF) 是最常见的药物相关心律失常。在发生药物相关 AF 的癌症患者中，通常存在先前存在的 AF 风险因素，而活动性癌症本身也可能导致或促进 AF。虽然抗癌药物可能会在没有 AF 风险因素的癌症患者中诱发 AF，但似乎大多数药物相关 AF 都是在抗癌药物增加或加剧癌前存在的和/或癌症相关的促 AF 因素/改变时发生的，从而产生附加或协同作用产生 AF。细胞内钙活性异常似乎与抗癌药物诱发的 AF 的产生有关。癌症幸存者中，因癌症治疗而诱发心肌病的患者，经常发生房颤，大多数心律失常可能继发于心肌病。房颤可能导致癌症治疗的改变甚至停止。目前，癌症患者房颤的管理主要基于务实的假设。本综述简要讨论了抗癌药物引起的房颤及其潜在机制。
医疗设备开发工具（MDDT）资格资格摘要苹果房颤历史记录特征
Apple AFIB历史特征可以用作生物标志物测试，以帮助评估AFIB负担的估计值，作为临床研究中旨在评估心脏消融设备安全性和有效性的次要有效性终点。AFIB历史特征产生的AFIB负担的每周估计值可用于跨临床研究的跨部门进行比较分析。在整个临床研究中，AFIB历史特征可用于监测参与者对AFIB负担的每周估计，以比较心脏消融治疗前后的每周负担估计。AFIB历史记录功能的效用是次要端点的目的，旨在替代任何主要终点的发现（即，它本身不能用来评估心脏消融设备的安全性和有效性）。
心力衰竭与患有房颤的受试者相关的死亡，1999年至2020年
方法和结果：从疾病控制和预防中心中提取数据，以广泛的在线数据进行流行病学研究，以确定由于AF年龄≥15岁的AF受试者的HF相关死亡，因此每10万人的年龄调整后死亡率趋势。为了计算全国年度趋势，我们使用联接点回归评估了年度年度变化（AAPC）的平均年度百分比变化（AAPC）和年度变化，相对95％CIS。在1999年至2020年之间，916 685 HF相关的死亡（396 205名男性和520 480妇女）发生在美国成年人中的AF中。整体年龄调整的死亡率增加（AAPC： +4.1％[95％CI，3.8-4.4]； p <0.001），尤其是在2011年之后（每年变化百分比， +6.8％[95％CI，6.2-7.4]; P <0.001）男性（AAPC， +4.8％[95％CI，4.4-4-4.4-4-5.00; +4.2％[95％CI，3.9至4.6]；在年龄<65岁的受试者中（AAPC： +7.5％）[95％CI，6.7-8.4]; p <0.001）。较高的死亡人数在南部注册（32.8％）。在COVID-19大流行的第一年中，AF年龄> 65岁的AF患者的HF相关死亡人数显着过多。
kardiamobile用于检测房颤
目前，传统的门诊节奏监测设备用于呼吸呼吸器和AF，例如Holter和Event Horitor，受其节奏监视时间有限（长达30天）的限制，并且缺乏实时数据传输。7这种间歇性心脏监测策略被认为是次优的，因为它可能无法充分捕获心律不齐的零星发作。7此外，在初级保健环境中，与手动脉冲检查和使用12铅ECG之间停止AF的人可能会经历延迟的诊断和治疗。8一起，这提出了监测可以在很长一段时间内捕获异常心律的临床需求，因此可以更好地为临床决策提供信息，并用于易于使用的设备，以便在初级保健环境中检测到AF的准确性更高。7
狗房颤的风险因素：系统评价
简单的摘要：心房颤动（AF）是狗中最常见的室外心律不齐，可能导致心脏功能严重下降。在过去的十年中，已经发表了增加临床文章的负担，评估了心脏病犬的不同方面，尤其是在受粘毛孔瓣疾病（MMVD）和扩张心肌病（DCM）影响的动物中。在这项研究中，我们旨在确定狗中AF的危险因素。因此，我们对兽医文献进行了全面的系统审查和批判性评估，该文献报告了PRISMA 2020指南遵循狗在狗中发展的风险因素。高体重，并留下心房扩大，成为心脏病患者AF发育的主要危险因素。重要的是，MMVD和DCM患者之间发现了AF的不同危险因素（例如，MMVD狗的充血性心力衰竭，但在患有DCM的狗中没有），突出了不同犬科动物条件下AF病因的细微差别。此外，狗和人之间观察到危险因素的显着差异。特别是，高龄和男性性别并不是可靠的指标，表明狗会增加AF的风险。
用于从ECGS检测房颤的机器学习
背景：房颤（AF）是一种常见的心律不齐，可能导致心血管不良后果，但通常很难检测到。近年来，使用机器学习（ML）算法来检测AF。这项研究旨在系统地评估和总结ML算法在检测心电图（ECG）信号中AF时的整体诊断准确性。方法：搜索数据库包括PubMed，Web of Science，Embase和Google Scholar。所选的研究对诊断准确性进行荟萃分析，以综合敏感性和特异性。结果：总共包括14项研究，荟萃分析的森林图表明，汇总的灵敏度和特异性为97％（95％置信区间[CI]：0.94-0.99）和97％（95％CI：0.95-0.99）。与传统的机器学习（TML）算法（敏感性：91.5％），深度学习（DL）算法（敏感性：98.1％）相比表现出色。单独或组合使用多个数据集和公共数据集比使用单个数据集和专有数据集表现出更好的性能。结论：ML算法可有效检测来自ECG的AF。dl算法，尤其是基于卷积神经网络（CNN）的算法，与TML算法相比，在AF检测中表现出了出色的性能。ML算法的集成可以帮助较早的可穿戴设备诊断。
在亚洲太平洋心律社会房颤注册表中对Cool-AF分数的外部验证
acei¼Ace抑制剂； Af¼14; Aphrs¼亚洲心律节奏协会； ARB¼血管紧张素受体阻滞剂； BMI¼体重指数； BPM¼每分钟节拍； CAD¼冠状动脉疾病； CCB¼钙通道阻滞剂； CKD¼慢性肾脏疾病； COPD¼慢性阻塞性肺疾病； DBP¼舒张压； eorp-af / earobservational研究计划的房颤； HF¼心力衰竭； HR¼心率； NOAC¼Non-Vitamin K抗凝剂； OAC¼口服抗凝治疗； SBP¼收缩压； TIA¼瞬时缺血发作； VKA¼维生素K拮抗剂。
锻炼和房颤-Thieme Connect
“万物都是毒药，没有毒药，所以没有毒药。这个著名的报价似乎恰当地总结了对运动与房颤之间相互作用的当前理解（AF）。强烈的数据表明，定期锻炼具有保护AF的保护作用。一组小但良好的试验组也证明了运动对AF治疗的有益作用。最近，大量高强度运动对发展AF的可能性的潜在有害影响已进入体育心脏病学重点。对于精英运动员来说，这种效果已得到充分记录；有关普通人群的数据还不太清楚。本综述介绍了有关AF的保护性，治疗性和潜在风险影响的最新数据。作者认为，好处是明确的，并且强烈超过了潜在的缺点。
