XiaoMi-AI文件搜索系统
World File Search SystemFramingham
一种用于计算心血管内在频率的机器学习方法
心血管波形的分析提供了有关健康和疾病状况的宝贵临床信息。固有频率（如果）方法是最近引入的框架 - 使用单个动脉压力波形来提取有关心血管系统的生理相关信息。IF方法的临床实用性和生理准确性已通过几项临床前和临床研究良好。但是，当前L 2优化求解器的计算复杂性对于IF计算仍然是实时设置中IF方法实际部署的瓶颈。在本文中，我们提出了一种基于机器学习（ML）的方法，用于确定单个颈动脉波形的IF参数。我们使用依次降低的前馈神经网络（FNN）模型将颈动脉波形映射到IF方法的输出参数，从而避免了非convex l 2最小化问题，该问题是由常规方法引起的。我们的方法还包括用于数据预处理，模型培训和模型评估的程序。在我们的模型开发中，我们同时使用了临床和合成波形。我们的临床数据库由来自两个不同来源的颈动脉波形组成：亨廷顿医学研究机构（HMRI）iPhone心脏研究和Framingham心脏研究（FHS）。在HMRI和FHS临床研究中，使用了各种设备平台，例如压电传动系统，光学分解（Vivio）和iPhone相机来测量动脉波形。我们的盲目临床测试表明，从基于FNN的方法计算的参数与基于标准L 2优化方法的参数之间非常强的相关性（即r 0.93和p-value 0.005，对于每个参数，则为r 0.005）。我们的结果还表明，如果本工作中引入的模型基于FNN的性能独立于测量设备和设备采样率。
664心血管危险面板
CPT代码没有特定的CPT代码描述心血管疾病心血管疾病（CVD）仍然是发达国家发病和死亡率的最大原因。CVD的死亡率在美国占4人中的四分之一，并且有许多影响CVD死亡率的社会经济因素。1，低收入，种族，年龄和行为因素都对与CVD相关的健康结果差异产生了重大影响。因此，准确的CVD风险预测是医疗护理的一部分，它有可能专注于并直接进行预防和诊断活动。当前在一般临床护理中使用中使用的风险预测方法不是高度准确的，因此，潜在的未满足的风险预测工具需要未满足。CVD风险的风险评估组成部分包括家族史，吸烟，高血压以及饮食和运动等生活方式因素。此外，许多实验室测试与CVD风险有关，大多数脂质（例如低密度脂蛋白（LDL）和高密度脂蛋白（HDL））。这些临床和脂质因素通常被合并为简单的风险预测工具，例如弗雷明汉风险评分。2，弗雷明汉风险评分提供了患心脏病的10年风险的估计，目前用于临床护理中，以确定危险因素干预的侵略性，例如决定用他汀类药物治疗高脂血症的决定。许多其他生物标志物，遗传因素和放射学指标与CVD风险增加有关。•炎症标记。已提出超过100个新兴风险因素可用于精炼CVD风险的估计。3,4,5，这些潜在危险因素的某些一般类别如下：•脂质标记。除了LDL和HDL外，其他脂质标记物可能具有预测能力，包括载脂蛋白，脂蛋白（a）（LP [a]），脂质亚裂片和/或其他度量。许多炎症措施与CVD的可能性有关。高敏性C反应蛋白（HS-CRP）是炎症标记的一个例子。其他包括纤维蛋白原，白细胞介绍和肿瘤坏死因子。•代谢综合征生物标志物。与代谢综合征相关的测量（例如特定的血脂异常或血清胰岛素水平）与CVD的风险增加有关。•遗传标记。与血栓形成风险增加相关的许多变体，例如5,10-亚甲基四氢叶酸还原酶（MTHFR）变体或凝血酶原基因变体，与CVD风险增加有关。此外，在全基因组研究中，许多单核苷酸变体与CVD有关。风险面板测试心血管疾病风险面板可能包含1个或所有类别的措施，并且可能包括先前未列出的其他措施，例如放射线标记（颈内侧厚度，冠状动脉钙评分）。某些CVD风险面板相对有限，包括标准脂质之外的一些标记。其他人包括来自许多不同类别的各种潜在危险因素，通常包括遗传和非遗传风险因素。其他面板完全由遗传标记组成。
静脉血栓栓塞症的多祖先 GWAS 识别出新的位点，随后在斑马鱼中进行实验验证
1 密歇根大学计算医学与生物信息学系，密歇根州安娜堡，美国 2 密歇根大学儿科系，密歇根州安娜堡，美国 3 美国国家心肺血液研究所内部研究部人口科学分部，73 Mt. Wayte, Suite #2, Framingham, MA, 01702, 美国 4 斯坦福大学医学院血管外科分部，加利福尼亚州帕洛阿尔托，94305，美国 4 密歇根大学内科系，密歇根州安娜堡，美国 6 密歇根大学内科系心血管医学分部，密歇根州安娜堡，美国 7 挪威科技大学 NTNU 公共卫生与护理系 KG Jebsen 遗传流行病学中心，特隆赫姆，7030，挪威 8 挪威科技大学公共卫生与护理系 HUNT 研究中心，挪威科技大学，挪威勒万厄尔 7600 9 特隆赫姆大学医院圣奥拉夫医院医学诊所，挪威特隆赫姆 7030 10 波尔多大学，法国国家健康与医学研究院，波尔多人口健康研究中心，UMR 1219，F-33000 波尔多，法国 11 迈克尔·克雷森茨下士 VA 医学中心，美国宾夕法尼亚州费城 12 宾夕法尼亚大学佩雷尔曼医学院外科系，美国宾夕法尼亚州费城 13 宾夕法尼亚大学佩雷尔曼医学院遗传学系，美国宾夕法尼亚州费城 14 华盛顿大学生物统计学和医学系心血管健康研究组 15 格罗宁根大学，UMCG，眼科系，荷兰格罗宁根
卡塔尔近海石油和天然气行业工人的主要心血管事件的风险
简介：石油和天然气工人在工作场所处于各种危害，这增加了他们的风险因素和重大不良心血管事件（MACE）的风险。关于石油和天然气行业工人梅斯风险的研究有限。方法：我们利用了一种横断面方法来分析卡塔尔一家石油和天然气公司近海和陆上工人十年的数据。通过利用弗雷明汉风险评分（FRS），我们评估了两组内梅斯的风险。数据是从公司的电子病历中检索的。该公司有736名离岸工人和1,041名陆上工人。样本计算的挖掘挖掘说，离岸工人需要48个数据样本，然后将其四舍五入为50。同样，从岸工人那里获得了50个数据样本以进行比较。使用COM制成的随机抽样方法选择样品。在每个样本中收集了两组数据，即第一个配置文件（2009年）和第二个配置文件（2019年）。可用数据用于计算狼牙棒的风险。结果：在十年的时间内，海上和陆上工人的梅斯风险增加了。对于离岸工人，风险从9.2（8.0）％升级到20.4（15.2）％，而对于陆上工人，风险从10.0（7.6）％（7.6）％增加到17.0（11.0）。与陆上工人相比，离岸工人的MACE风险明显更大（p = 0.011）。马来西亚医学与健康科学杂志（2024）20（2）：191-195。 doi：10.47836/mjmhs.20.2.25马来西亚医学与健康科学杂志（2024）20（2）：191-195。 doi：10.47836/mjmhs.20.2.25结论：与陆上工人相比，离岸工作中梅斯风险的恶化更为明显。
Venglustat，一种口服的葡萄糖基酰胺
一个溶酶体疾病单位，艾登布鲁克医院，剑桥大学医院中心兼儿科大学辛辛那提大学医学院，俄亥俄州俄亥俄州俄亥俄州俄亥俄州E国家E国家血液学医学研究中心，莫斯科，俄罗斯f儿科，营养和代谢疾病系，儿童纪念健康研究所，波兰G sanoide comfornity c Comprister，Qurand comfine comcan i comfor阿姆斯特丹，荷兰J，以前是美国马萨诸塞州剑桥的萨诺夫；目前，美国马萨诸塞州沃特敦的Eloxx Pharmaceuticals，马萨诸塞州沃特敦，前美国马萨诸塞州弗雷明汉。目前，目前，美国马萨诸塞州牛顿的贝丝·瑟伯格·孤儿（Beth Thurberg Orphan Science LLC） FilièreG2M，Metabern网络，凡尔赛大学医学遗传学系目前，美国马萨诸塞州牛顿的贝丝·瑟伯格·孤儿（Beth Thurberg Orphan Science LLC） FilièreG2M，Metabern网络，凡尔赛大学医学遗传学系
耐力运动员的房颤。你能有太多
1。英格兰，P.H。，对当地人群的房间效果估计。 2020。 2。 Moza2arian，D。等人，老年人的体育锻炼和房屋效果的发生率：心血管健康研究。 流通，2008。 118（8）：p。 800-7。 3。 Newman，W。等人，运动员中心房空白的风险：系统评价和荟萃分析。 BR J Sports Med，2021。 55（21）：p。 1233-1238。 4。 Andersen，K。等人，在52 755长距离跨国滑雪者中心律不齐的风险：一项同类研究。 EUR HEART J，2013年。 34（47）：p。 3624-31。 5。 Mont，L.，R。Elosua和J. Brugada，《耐力运动实践》是心房效果和心房弯曲的危险因素。 欧洲，2009年。 11（1）：p。 11-7。 6。 Pluim，B.M。等人，运动员的心。 心脏结构和功能的荟萃分析。 流通，2000。 101（3）：p。 336-44。 7。 Guasch，E.，L。Mont和M. Sitges，运动员中心智能的机制：我们知道的以及我们不知道的东西。 neth Heart j，2018年。 26（3）：p。 133-145。 8。 la Gerche，A。和G. Claessen，增加了流量，大坝壁和上游压力：强烈运动的生理挑战和心房后果。 JACC Cardiovasc Imaging，2016年。 9（12）：p。 1389-1391。 9。 ISKANDAR，A.，M.T。 Mujtaba和P.D. 汤普森，在精英运动员中留下了心房的大小。 8（7）：p。 753-62。英格兰，P.H。，对当地人群的房间效果估计。2020。2。Moza2arian，D。等人，老年人的体育锻炼和房屋效果的发生率：心血管健康研究。流通，2008。118（8）：p。 800-7。3。Newman，W。等人，运动员中心房空白的风险：系统评价和荟萃分析。BR J Sports Med，2021。55（21）：p。 1233-1238。4。Andersen，K。等人，在52 755长距离跨国滑雪者中心律不齐的风险：一项同类研究。 EUR HEART J，2013年。 34（47）：p。 3624-31。 5。 Mont，L.，R。Elosua和J. Brugada，《耐力运动实践》是心房效果和心房弯曲的危险因素。 欧洲，2009年。 11（1）：p。 11-7。 6。 Pluim，B.M。等人，运动员的心。 心脏结构和功能的荟萃分析。 流通，2000。 101（3）：p。 336-44。 7。 Guasch，E.，L。Mont和M. Sitges，运动员中心智能的机制：我们知道的以及我们不知道的东西。 neth Heart j，2018年。 26（3）：p。 133-145。 8。 la Gerche，A。和G. Claessen，增加了流量，大坝壁和上游压力：强烈运动的生理挑战和心房后果。 JACC Cardiovasc Imaging，2016年。 9（12）：p。 1389-1391。 9。 ISKANDAR，A.，M.T。 Mujtaba和P.D. 汤普森，在精英运动员中留下了心房的大小。 8（7）：p。 753-62。Andersen，K。等人，在52 755长距离跨国滑雪者中心律不齐的风险：一项同类研究。EUR HEART J，2013年。34（47）：p。 3624-31。5。Mont，L.，R。Elosua和J. Brugada，《耐力运动实践》是心房效果和心房弯曲的危险因素。欧洲，2009年。11（1）：p。 11-7。6。Pluim，B.M。等人，运动员的心。心脏结构和功能的荟萃分析。流通，2000。101（3）：p。 336-44。7。Guasch，E.，L。Mont和M. Sitges，运动员中心智能的机制：我们知道的以及我们不知道的东西。 neth Heart j，2018年。 26（3）：p。 133-145。 8。 la Gerche，A。和G. Claessen，增加了流量，大坝壁和上游压力：强烈运动的生理挑战和心房后果。 JACC Cardiovasc Imaging，2016年。 9（12）：p。 1389-1391。 9。 ISKANDAR，A.，M.T。 Mujtaba和P.D. 汤普森，在精英运动员中留下了心房的大小。 8（7）：p。 753-62。Guasch，E.，L。Mont和M. Sitges，运动员中心智能的机制：我们知道的以及我们不知道的东西。neth Heart j，2018年。26（3）：p。 133-145。8。la Gerche，A。和G. Claessen，增加了流量，大坝壁和上游压力：强烈运动的生理挑战和心房后果。JACC Cardiovasc Imaging，2016年。9（12）：p。 1389-1391。9。ISKANDAR，A.，M.T。 Mujtaba和P.D. 汤普森，在精英运动员中留下了心房的大小。 8（7）：p。 753-62。ISKANDAR，A.，M.T。Mujtaba和P.D.汤普森，在精英运动员中留下了心房的大小。8（7）：p。 753-62。JACC Cardiovasc Imaging，2015年。10。vaziri，S.M。等人，超声心动图的超声心动图预测指标。Framingham心脏研究。流通，1994年。89（2）：p。 724-30。
体力活动对维多利亚成年人口心血管风险的影响
摘要：定期体力活动（PA）被认为是一种健康的生活习惯，因为它可以降低患心血管疾病的风险。但针对人群样本进行的这方面研究较少。评估休闲时间（LTPA）、职业时间（OPA）和混合时间（LOPA）PA 对 Vitória-ES 成年人口（25-64 岁）中心血管风险的影响，以 Framingham 评分（FS）衡量。概率样本的横断面研究（N=1,663；男女皆宜）。通过问卷调查、临床和实验室评估（采血）收集数据。通过访谈估计了 AFL、AFO 和 AFLO 的每周卡路里消耗量，从而形成了 4 个组：久坐 (S)、AFL、AFO 和 AFLO。采用方差分析和协方差分析以及卡方检验和 Mantel-Haenszel 检验进行统计分析。与 S 组相比，AFO 组的脂肪百分比 (% G)、总胆固醇 (TC) 和 LDL 值较低。AFL (11.5%) 和 AFLO (10.2%) 组的吸烟率较低，S (26.4%) 和 AFO (30.2%) 组的吸烟率较高。未经调整的 EF 和 10 年内患冠状动脉疾病的风险 (%) (CAD 风险) 在 AFO 组中较低 (EF= 3; 2.65±6.20; CAD 风险= 4; 6.79±6.68%; 中位数; 平均值±SD)，而 S 组 (EF= 5; 3.85±7.07; CAD 风险= 6; 8.41±7.74%)。然而，调整年龄和 TC 后，AFL 组的 EF 和 CAD 风险 (EF：2.54±4.18；CAD 风险：6.55±5.29%；平均值±SD) 低于 S 组 (EF：3.50±4.17；CAD 风险：8.05±5.33%) 和 AFO 组 (EF：4.09±4.19；CAD 风险：8.08±5.35%)，从而证明 TC 和年龄变量是导致 AFO 组初始差异的主要决定因素。研究表明，休闲时间或工作相关的PA对降低人口心血管风险有积极影响。
模块
亚马逊萨吉人NEO。Amazon Web服务，[s。 l。，2020年8月5日]。disponívelem：https：// aws.amazon.com/pt/sagemaker/neo/。Acesso EM：7 Dez。2020。Brownlee，J。Scikit-Learn的温和介绍：Python机器学习库。机器学习精通，墨尔本，4月16日2014。disponívelem：https：// machinelearningmastery。com/a-a-gentle引入至scikit-learn-a-a-python-machine-machine-library/。Acesso EM：7 Dez。2020。Heller，M。什么是Keras？解释了深度神经网络API。Infoworld，Framingham，2019年1月28日。disponívelem：https：//www.infoworld.com/article/3336192/what-is-keras-the-deep--deep--neal-network-api-explain.html。Acesso EM：7 Dez。2020。Johns，R。Pytorch vs Tensorflow用于您的Python深度学习项目。真正的python，[s。 l。]，2020年9月2日。disponívelem：https：//realpython.com/pytorch-vs-tensorflow/。Acesso EM：7 Dez。2020。oqueécomputaçãonaborda？Hewlett Packard Enterprise，圣保罗，[2020]。disponívelem：https：//www.hpe.com/br/pt/what-is/dedge-computing.html。Acesso EM：7 Dez。2020。o TensorflowHubéumabibliotecadeMódulosde Machine LearningReutilizáveis。张量，[s。 l。，2020年9月5日]。disponívelem：https：//www.tensorflow.org/hub?hl=pt-br。Acesso EM：7 Dez。2020。pytorch。Facebook AI，[s。 l。，2020年9月6日]。Acesso EM：7 Dez。2020。一次性em：//ai.facebook.com/tools/。Sagar，R。印度印第安人，班加罗尔，2019年11月13日。一次性售价：https：// analyticsyndiag.com.com.com.com.com.com.com-self-self-computer-karpathy-elon-elon-mulsk-ai/。Acesso：7天。 2020。 为什么选择Keras？ 熊，[s。 l。，5七。 2020]。 处置EM：https：//keras.io/why_kers/。 Acesso：7天。 2020。Acesso：7天。2020。为什么选择Keras？熊，[s。 l。，5七。 2020]。处置EM：https：//keras.io/why_kers/。Acesso：7天。 2020。Acesso：7天。2020。
即将发生的心力衰竭：人为的智力现实
背景在全球范围内患有近6400万患者，尽管诊断和治疗措施不断更新，但心力衰竭（HF）仍然是心脏死亡，发病率和死亡率高的主要原因。这背后的主要原因之一可能是延迟开始治疗。目的是获得一种筛查患者心力衰竭的方法，即使在出现症状之前。方法是一种基于人工智能的算法，称为心力衰竭预测因子（HFP），它是根据专利配方的数学计算而出生的，它提出了一种尖端的解决方案，可以预测不患有任何心力衰竭症状的患者中HF的chance虫。HFP被应用于弗雷明汉心脏研究中的数据，作为回顾性分析。LVEF和NT Pro-BNP水平被用作一种相关方法。无症状的患者，他们被广泛跟踪至最低的24个月，而已被诊断为HF的患者被排除在外。分析了20896名患者的结果数据。1230中的17个是假阳性的，而19660年中有31个为假阴性。因此，HFP的正预测值为98.6％，特异性为99.9％。讨论早期筛查和检测可能会导致HF治疗功效的大幅提高。HFP通过新的HF，即将到来的“心力衰竭”和“ Ray的疾病”的新分类来满足这一需求。除了筛查HF患者外，HFP还可以用于对心脏床中的LVEF进行连续监测，从而在心脏空间中发生革命。
评估2型糖尿病风险预测算法的种族偏见
2型糖尿病的风险预测模型可用于早期检测高风险的个体。但是，模型也可能偏向临床决策过程，例如，种族群体之间的风险误差差异差异。我们调查了国家糖尿病预防计划发布的糖尿病前风险测试（PRT）以及两个预后模型，即弗雷明汉后代风险评分，而ARIC模型，非西班牙裔白人和非西班牙黑人之间的种族偏见。我们使用了国家卫生和营养检查调查（NHANES）数据，在1999年至2010年之间进行了六个独立的两年批次。总共包括了9,987名成年人，没有事先诊断出尿液和禁食的血液样本。根据风险模型，我们计算了2型糖尿病的种族和年平均预测风险。我们将预测的风险与从种族群体中从美国糖尿病监测系统中提取的观察到的风险进行了比较（汇总校准）。在整个调查年份中，所有研究模型都被发现对种族的校准都误解了。未估计的2型糖尿病风险对非西班牙裔白人的风险高估，非西班牙裔黑人的风险低估了。PRT和ARIC模型都超过了两个种族的风险，但对于非西班牙裔白人来说，这是更多的。这些地标模型比非西班牙裔黑人更严重地高估了非西班牙裔白人2型糖尿病的风险。另一方面，较大比例的非西班牙裔黑人可能会被不优雅和处理不足。这可能导致较大比例的非西班牙裔白人被培养为预防性干预措施，但这也增加了该组中过度诊断和过度治疗的风险。