XiaoMi-AI文件搜索系统
World File Search SystemLVO
在综合性中风中心对用于检测大血管闭塞的商业人工智能解决方案进行头对头比较
急性缺血性卒中 (AIS) 仍然是全球致残和死亡的主要原因 (1)。大血管闭塞 (LVO) 尤其与更严重的表现缺陷有关，并且是导致功能依赖和死亡率上升的主要原因 (2)。血管内治疗对 LVO 的影响是深远的，减少一名患者的残疾需要治疗的人数为 2.6 (3)。加快血栓切除术至关重要，因为从门诊到血运重建的时间每缩短 15 分钟，独立行走和功能结果的比率就会提高 (4)。因此，及时诊断 LVO 对于选择符合条件的患者以及在患者转诊和治疗方面提供更大的灵活性至关重要。急性卒中分诊的时间依赖性对于工作繁忙的放射科医生来说可能具有挑战性，但自动检测工具有望筛查并优先处理工作列表顶部的阳性 LVO 病例，从而使放射科医生能够首先诊断最需要时间的患者 (5)。用于自动检测 LVO 的商业软件越来越多地用于临床工作空间。一些工具基于传统的机器学习算法，而另一些工具则使用深度学习 (6、7)。RAPID LVO (RAPID 4.9、iSchemaView、加利福尼亚州门洛帕克) 是一种传统的机器学习模型，已证实的灵敏度和特异性分别为 97% 和 74% (6)。CINA LVO（Avicenna.ai，法国拉西奥塔）是一种深度学习模型，其灵敏度和特异性分别为 98.1% 和 98.2%（7）。尽管这些商业人工智能工具可用于 LVO 检测，但在现实环境中比较传统机器学习和深度学习解决方案的数据仍然不足。据我们所知，这是第一项在综合性卒中中心比较 LVO 工具的研究。本研究的具体目的是比较和验证 RAPID LVO 和 CINA LVO 在前循环卒中 LVO 检测中的表现，并描述每种方法的局限性。
用于中风检测和分类的 AI 软件的单站点性能
摘要背景：最近开发的利用人工智能快速检测和分类中风病例的软件有可能加速中风护理并改善患者预后。我们进行了这项分析，以评估其中一种软件 - RAPID LVO 的性能和通知时间。方法：我们创建了一个包含 151 名连续急性中风患者的数据库，这些患者的 CT 扫描在八个月内由 RAPID LVO 软件处理。收集了软件的 LVO 通知和通知时间，以及患者信息和 CTA 结果。结果：RAPID LVO 对大血管闭塞的敏感性为 63.6%，特异性为 85.8%，平均通知时间为 32.53 分钟。结论：RAPID LVO 敏感性低、特异性中等、通知时间性能高。我们的研究数据显示，远端闭塞（M2-3）的总体敏感性特别低（63%）。观察到的性能与 RAPID LVO 的 FDA 批准中报告的性能之间的差异表明了独立、多中心评估的重要性。本研究中的性能与 RAPID AI 的已发表记录之间的差距可能是由于成像硬件、软件实施、连接性或临床定义的差异造成的。
使用机器学习模型随机森林
摘要背景鉴于疾病的发病率和干预时间狭窄的时间窗口，在院前阶段对大血管闭塞（LVO）的及时识别非常重要。当前的评估策略仍然具有挑战性。这项研究的目的是开发机器学习（ML）模型，以使用院前可访问数据来预测LVO。在基于计算机的急性中风患者的症状发作后8小时内接受了CT或MR血管造影术并在8小时内接受再灌注疗法的连续急性急性缺血性中风患者，包括2016年1月至2021年8月。我们开发了八种ML模型，以将国立卫生学院中风量表（NIHSS）项目与人口统计学，病史和血管风险因素相结合，以识别LVO并验证其效率。结果最后，训练组中包括15例365例患者，并将4215例患者纳入了测试组中。在测试集，随机森林（RF），梯度提升机和曲线下的极端梯度提升面积为0.831（95％CI 0.819至0.843），它们高于其他模型，RF呈现出最高的特异性（0.827）。此外，RF的AUC高于其他量表，与NIHS相比，模型的准确性提高了6.4％。我们还发现，识别LVO的前五项是NIHSS总分，凝视偏差，意识水平（LOC），LOC命令和电动机左腿。结论我们提出的模型可能是基于院前可访问的医疗数据来预测LVO的有用筛选工具。试用注册号NCT04487340。
使用机器学习模型随机森林预测缺血性中风的大血管闭塞
摘要背景鉴于疾病的发病率和干预时间窗短，在院前及时识别大血管闭塞 (LVO) 极为重要。目前的评估策略仍然具有挑战性。本研究的目的是开发一个机器学习 (ML) 模型，使用院前可访问的数据来预测 LVO。方法纳入 2016 年 1 月至 2021 年 8 月期间在基于计算机的急性卒中患者在线数据库（用于卒中管理质量评估-II）数据集中接受 CT 或 MR 血管造影并在症状出现后 8 小时内接受再灌注治疗的连续急性缺血性卒中患者。我们开发了八个 ML 模型，将美国国立卫生研究院卒中量表 (NIHSS) 项目与人口统计学、病史和血管危险因素相结合，以识别 LVO 并验证其有效性。结果最终，15 365 名患者被纳入训练集，4 215 名患者被纳入测试集。在测试集上，随机森林 (RF)、梯度提升机和极端梯度提升的曲线下面积 (AUC) 为 0.831（95% CI 0.819 至 0.843），高于其他模型，其中 RF 的特异性最高（0.827）。此外，RF 的 AUC 高于其他量表，与 NIHSS 相比，模型的准确率提高了 6.4%。我们还发现识别 LVO 的前五项是 NIHSS 总分、凝视偏差、意识水平 (LOC)、LOC 命令和左腿运动。结论 我们提出的模型可以成为基于院前可获取医疗数据的预测 LVO 的有用筛查工具。试验注册号 NCT04487340。
离子电池 - 刘研究小组
摘要：过渡金属氧化物（TMOS）是可安全和快速充电的电池的有前途的阳极材料，但是它们的高工作电势限制了能量密度。在这里，我们制定了一种抑制无序岩盐（DRS）Li 3 V 2 O 5（LVO）阳极的工作潜力的策略，通过MG掺杂量约为10％至0.54 V。密度功能理论（DFT）计算将这种电压降低归因于li离子的位置能量增加，因为Mg掺杂，对LI迁移障碍的影响很小。mg-掺杂的LVO在1000个周期以上的95％以上，速率为5C。全细胞具有0.8 CO 0.8 CO 0.1 Mn 0.1 Mn 0.1 O 2阴极的预期，预期的能量密度和能量密度的增加，同时保留了5C的250个周期的能力的91％，以表明我们的发现在5C中显示出良好的良好的良好态度，该良好的良好的良好态度的良好的良好态度是良好的途径。增强的能量密度。l
离子电池离子电池
摘要：过渡金属氧化物（TMOS）是可安全和快速充电的电池的有前途的阳极材料，但是它们的高工作电势限制了能量密度。在这里，我们制定了一种抑制无序岩盐（DRS）Li 3 V 2 O 5（LVO）阳极的工作潜力的策略，通过MG掺杂量约为10％至0.54 V。密度功能理论（DFT）计算将这种电压降低归因于li离子的位置能量增加，因为Mg掺杂，对LI迁移障碍的影响很小。mg-掺杂的LVO在1000个周期以上的95％以上，速率为5C。全细胞具有0.8 CO 0.8 CO 0.1 Mn 0.1 Mn 0.1 O 2阴极的预期，预期的能量密度和能量密度的增加，同时保留了5C的250个周期的能力的91％，以表明我们的发现在5C中显示出良好的良好的良好态度，该良好的良好的良好态度的良好的良好态度是良好的途径。增强的能量密度。l
中风干预应用新兴人工智能成像
中风是美国最常见的后天残疾原因，也是第五大死亡原因。大血管闭塞 (LVO) 引起的急性缺血性中风 (AIS) 的治疗方案是使用阿替普酶 (重组组织型纤溶酶原激活剂) 静脉溶栓 4.5 小时内快速再通闭塞的大血管，并在 6 小时内进行机械血栓切除术 (MT)。1 无论是哪种治疗，确定大量可挽救的缺血半暗影对于患者是否适合接受治疗至关重要。最近的随机对照试验——接受 Trevo 神经干预的觉醒和晚期卒中分类的临床不匹配 (DAWN)2、缺血性卒中影像学评估后的血管内治疗 3 (DEFUSE-3)3 和觉醒性卒中基于 MRI 的血栓溶解的有效性和安全性 (WAKE-UP)4——彻底改变了 LVO 卒中患者的管理，为进一步革命性地选择适合接受晚期 MT（最长 24 小时）的患者奠定了基础，无论他们是否因同一次缺血性卒中事件接受静脉阿替普酶治疗。一项正在进行的 III 期试验（4.5 至 24 小时内卒中患者中的替奈普酶；TIMELESS）正在研究替奈普酶在 4.5 至 24 小时延长时间窗内的疗效。 5 由于证据的快速变化，美国心脏协会/美国卒中协会从 2018 年更新了其急性卒中指南，取代了 2013 年的指南。6、7 在此背景下，从“时间治疗窗”的概念转变为考虑侧支灌注程度的“脑组织窗”，结合先进的神经影像学方法，如 CT 灌注和带有 FLAIR 的 MR 成像、扩散和灌注加权成像，用于评估缺血核心（不可逆损伤组织）和缺血半暗影（潜在可逆性缺血组织）。8 如何正确选择此类患者的最佳方法仍存在争议。尽管如此，由于再灌注治疗的益处会随着时间的推移而减小，因此在细胞死亡之前尽快治疗患者至关重要。但是，一些挑战可能会限制 LVO 卒中干预措施（特别是 MT）的广泛临床应用。事实上，截至 2016 年，美国仅进行了 13,000 例 MT（占 AIS 总病例的 2%）。9 首先，仅约 10% 的 AIS 患者在前循环中有近端 LVO，并且存在
引用：Kundeti SR、Vaidyanathan MK、Shivashankar B 等人。系统评价方案，以评估人工智能在 CT 和 MR 医学成像中检测急性缺血性卒中和大血管闭塞方面的诊断准确性。BMJ Open 2021；11：e043665。doi:10.1136/bmjopen-2020-043665
摘要 介绍 使用人工智能 (AI) 来支持急性缺血性中风 (AIS) 的诊断可以改善患者的预后并促进准确的组织和血管评估。然而，已发表的 AI 研究中的证据不足且难以解释，这降低了临床环境中诊断结果的责任感。本研究方案描述了对 AI 在诊断 AIS 和检测大血管闭塞 (LVO) 方面的准确性的严格系统评价。 方法与分析 我们将对 AI 模型用于诊断 AIS 和检测 LVO 的性能进行系统评价和荟萃分析。我们将遵守系统评价和荟萃分析方案指南的首选报告项目。将在八个数据库中进行文献检索。对于数据筛选和提取，两位审阅者将使用修改后的预测模型研究系统评价的批判性评价和数据提取清单。我们将使用诊断准确性研究质量评估指南来评估纳入的研究。如果有足够的数据，我们将进行荟萃分析。如果合并合适，我们将使用分层汇总接收器操作特性曲线来估计汇总操作点，包括合并灵敏度和特异性（95% 置信区间）。此外，如果有足够的数据，我们将使用推荐分级、评估、开发和评估分析软件来总结系统评价的主要发现，作为结果摘要。 伦理与传播 本研究方案不存在任何伦理问题，因为系统评价侧重于检查二手资料。系统评价结果将用于报告所纳入研究的准确性、完整性和标准程序。我们将通过在同行评审期刊上发表我们的分析来传播我们的研究结果，如果需要，我们将与研究的利益相关者和书目数据库进行沟通。PROSPERO 注册号 CRD42020179652。
使用定量脑电图系统检测大血管闭塞性卒中患者血管内治疗后的早期神经功能恶化
摘要 背景 早期神经功能恶化（END）是大血管闭塞（LVO）卒中患者的严重并发症。然而，目前缺乏监测血管内治疗（EVT）后神经功能的方式。本研究旨在评估定量脑电图（qEEG）系统对 END 的诊断准确性。方法 在这项前瞻性嵌套病例对照研究中，我们纳入了 2023 年 5 月至 2024 年 1 月期间来自中国天津不同临床中心的 47 名前循环 LVO 卒中患者和 34 名健康成人。卒中患者在入院时和 EVT 后接受脑电图检查。通过受试者操作特性曲线分析评估 qEEG 特征对 END 的诊断准确性，并通过无伪影数据和设备相关不良事件的百分比评估可行性。结果 14 名卒中患者患有 END（29.8%，95% CI 16.2% 至 43.4%），其中大多数在血管再通后 12 小时内发生（n=11）。qEEG 特征与美国国立卫生研究院卒中量表评分和梗塞体积有显著相关性。匹配后，13 名 END 患者和 26 名对照者被纳入诊断分析。相对 alpha 功率对患侧和健侧半球的诊断准确率最高。健侧半球的最佳电极位置为 FC3/4，患侧半球的最佳电极位置为 F7/8 和 C3/4。未报告与设备相关的不良事件。结论 qEEG 系统对 END 的诊断准确率高，可能成为监测神经功能的有前途的工具。确定最佳电极位置可以提高设备的便利性。临床试验注册号 ChiCTR 2300070829。