XiaoMi-AI文件搜索系统
World File Search SystemLeft
左股骨骨折的开放还原内固定（ORIF）后，脂肪栓子综合征（FES）和多个小肺栓塞的发展：病例报告
脂肪栓塞综合征（FES）是一种罕见但潜在的威胁生命的并发症，可以按照骨科手术（例如长骨断裂修复）发生。fes是由脂肪球释放到血液中引起的，导致血管阻塞和随后的组织损伤。肺栓塞（PE）是血凝块传播到肺部的疾病，是由于手术过程中血液凝结的动员而导致的骨科手术的另一个潜在并发症。我们报告了一名56岁女性的案例，她在机械下降后左股骨骨折向急诊科展示，并接受了开放式骨折内固定（ORIF）手术。通过FES的发展和多个小肺栓塞的发展使该过程变得复杂。患者在ICU中进行了术后管理，需要用多个加压剂和机械通气来支撑。她术后三天在ICU中呆了三天，并在术后第六天出院到住院康复设施。
在真实的人类左心模型中对 MitraClip 进行计算机模拟分析
摘要：二尖瓣反流是一种常见的心脏瓣膜疾病，与高发病率和死亡率相关。使用 MitraClip 装置进行经导管二尖瓣修复已成为不适合常规手术的患者的一种安全有效的替代方法。然而，MitraClip 植入左心室的结构和血流动力学影响尚未得到广泛探索。本研究旨在使用高精度人体心脏模型评估 MitraClip 装置的结构和血流动力学性能，特别关注健康的二尖瓣几何形状。使用有限元法进行结构分析和使用格子波尔兹曼法进行计算流分析，模拟了 MitraClip 装置的植入。MitraClip 植入会引起二尖瓣的几何变化，导致受该装置约束的瓣叶区域主应力的局部最大值。血流动力学评估显示左心室壁附近有缓慢移动的嵌套螺旋流，心尖区域有高流速。涡流分析表明，在植入 MitraClip 后，二尖瓣的双孔面积配置会引起异常血流动力学状况。通过以患者特定的方式预测可能的不良事件和并发症，计算建模支持循证决策，并提高经导管二尖瓣修复的整体有效性和安全性。
使用超声心动图放射线特征和机器学习算法
由心肌中的铁沉积引起的抽象心力衰竭是β-丘脑贫血患者死亡率的主要原因。心脏磁共振成像（CMRI）T2*是用于检测心肌铁超负荷的主要筛选技术，但固有地存在一些局限性。在这项研究中，我们的目的是根据从超声心动图图像中提取的放射性特征和机器学习（ML）在具有正常左心室放射率（正常左心室放射率（LVEF）正常的左心室放射率（LVEFF> 55％）中提取的放射性特征（LVE> 55％）的患者，基于放射性图像图像和机器学习（ML）提取的放射性特征（ML）基于放射性图像和机器学习（ML）的放射性特征（LVE> 55％）中的放射性特征（由T2*CMRI检测）分开了β-核铁无症患者与没有心肌铁超负荷的患者。在91例病例中，有44例患有正常LVEF（> 55％）和T2*≤20ms的患者，其中包括对照组，其中47例LVEF> 55％和T2*> 20 ms的患者包括在研究组中。放射线特征。然后，使用了三种特征选择（FS）方法和六个不同的分类器。使用各种指标评估模型，包括ROC曲线（AUC）下的面积，准确性（ACC），灵敏度（SEN）和特异性（SPE）。Maximum relevance-minimum redundancy-eXtreme gradient boosting (MRMR-XGB) (AUC = 0.73, ACC = 0.73, SPE = 0.73, SEN = 0.73), ANOVA-MLP (AUC = 0.69, ACC = 0.69, SPE = 0.56, SEN = 0.83), and recursive feature elimination-K-nearest neighbors (RFE-KNN) (AUC = 0.65，ACC = 0.65，SPE = 0.64，SEN = 0.65）是ED，ES和ED＆ES数据集中的最佳模型。使用超声心动图图像和ML提取的放射线特征，可以预测铁超载引起的心脏问题。
心脏左心室中涡旋结构的拓扑识别| Siam关于成像科学的日记|卷。 16，第3号|工业和应用数学学会
摘要。心脏左心室（LV）内部的涡流血流结构在从心脏到器官的有效血液供应中起着至关重要的作用。最近的医学成像和计算技术进步为超声心动图和心脏MRI中的血流可视化工具带来了。但是，由于流动非常不稳定和动荡，因此仍然很少有工具可以精确捕获涡流结构。由于涡流流量力对心脏病中心脏功能的预后的重要性，因此在医学科学中识别涡流流结构而没有歧义的情况。在本文中，我们提出了一种数学方法来描述带有符号图表达式的二维（2D）流的拓扑特征，称为COT表示。由于心脏收缩并在短时间内反复放松，因此沿该运动边界的瞬时血流模式将作为源/水槽结构出现。这意味着该流量无法满足2D流的前面拓扑分类理论中假定的滑移条件[T. Sakajo和T. Yokoyama，Ima J. Appl。数学。，83（2018），pp。380--411]，[T。 Sakajo和Y. Yokoyama，离散数学。 算法应用，15（2023），2250143]。 因此，我们通过引入一个名为n-划合的SS addle的简化奇异点，建立了一种新的拓扑分类理论和一种适用于具有运动边界条件的血流的算法。380--411]，[T。 Sakajo和Y. Yokoyama，离散数学。算法应用，15（2023），2250143]。因此，我们通过引入一个名为n-划合的SS addle的简化奇异点，建立了一种新的拓扑分类理论和一种适用于具有运动边界条件的血流的算法。将理论应用于可视化工具获得的2D血流模式，我们成功地将涡流结构识别为拓扑涡流结构。这实现了一种新的进化处理，表征了健康的血流模式以及患病心脏中效率低下的模式。
心肌生物力学和随之而来的左心房连接鸡肉胚胎模型的差异表达的基因。
雏鸡胚胎心脏的摘要左心房连接（LAL）是左心脏综合征（HLHS）的模型，其中使用纯粹的机械干预措施，而没有遗传或药理操纵来引发心脏畸形。因此，它是理解HLHS生物力学起源的关键模型。然而，其心肌力学和随后的基因表达并不理解。我们进行了有限元（Fe）建模和单细胞RNA测序来解决此问题。在HH25（ED 4.5）的LAL和对照中获得了鸡胚胎心脏（ED 4.5）的4D高频超声成像。进行运动跟踪以量化菌株。使用最小的应变特征向量作为收缩的方向，基于图像的Fe建模，Guccione主动张力模型和通过微型PIPETTES的真实性无源刚度模型横向横向同型被动刚度模型。对左心室（LV）心脏组织的单细胞RNA测序在HH30处进行正常和LAL胚胎（ED 6.5）（ED 6.5），并鉴定出差异表达的基因（DEG）。在LAL后，LAL，LV厚度增加了33％，肌纤维方向的菌株增加了42％，而肌纤维方向则增加了42％的压力，降低了肌纤维方向的压力减少了50％。这些可能与由于LAL引起的LV的室前载体减少和下载相关。RNA-SEQ数据显示肌细胞可能与机械感应基因（钙粘蛋白，Notch1等）相关的DEG。），肌球蛋白收缩性基因（MLCK，MLCP等。），钙信号基因（PI3K，PMCA等。），以及与纤维化和纤维弹性（TGF-β，BMP等）有关的基因。我们阐明了LAL带来的心肌生物力学的变化以及对心肌细胞基因表达的相应变化。这些数据可能有助于识别HLHS的机械生物学途径。
左心室体积比和心力衰竭的结局与保留的射血分数Aimo，a。; Teis，A。; Kasa，G。； Juncà，G。； Lupón，J
159例患者的结果[中位年龄58岁（四分位数49 - 69），男性64％，LV射血分数60％（54 - 70％）]中位LRVR为1.21（1.07 - 1.40）。超过3。5年（1.5 - 5.0），23例患者（15％）全部导致死亡或心力衰竭住院治疗，22例（14％）心血管死亡或心力衰竭住院治疗。全因死亡或心力衰竭住院的风险增加了LRVR小于1.0或至少1.4。LRVR小于1.0与较高的全死亡或心力衰竭住院的风险相关[危险比5.95，95％的补充间隔（CI）1.67 - 21.28;与LRVR 1.0 - 1.3相比，P U 0.006]和心血管死亡或心力衰竭住院治疗（危险比5.68，95％CI 1.58 - 20.35; P U 0.008）与LRVR 1.0 - 1.3相比。此外，LRVR至少1.4与较高的全因风险有关
左心室辅助装置 (LVAD)
我们目前使用 Thoratec 的 HeartMate 2 或 HeartMate 3。这是一种微型植入式 LVAD，代表了医疗技术的突破，并迅速成为世界上使用最广泛的同类设备。我们还可以植入 Heartware 的 HVAD 设备，这是一种微型全输出设备，设计用于植入心包腔。该系统可快速放置泵。医院团队将在考虑个别患者的需求后决定植入哪种 LVAD。
LRTM：分子相互作用预测的左右过渡矩阵
摘要 - 分子相互作用对于大多数生物学过程至关重要。发现和鉴定分子之间的潜在关联可以提供对生物学探索，诊断和治疗性干预措施以及药物开发的见解。到目前为止，已经提出了许多相关的计算方法，但是其中大多数通常仅限于特定域，并依靠复杂的预处理程序，这限制了模型将其应用于其他任务的能力。因此，探索准确预测潜在关联的广义方法仍然是一个挑战。在这项研究中，我们提出了用于分子相互作用预测的左右过渡矩阵（LRTM）。从扩散模型的角度来看，我们构造了两个过渡矩阵，以建模无向图信息传播。这允许建模链接的过渡概率，从而有助于分子两部分网络中的链接预测。广泛的实验结果表明，所提出的LRTM算法的性能优于比较方法。此外，所提出的算法具有交叉任务预测的潜力。此外，案例研究表明，LRTM是可以有效地应用于实际应用的强大工具。
当大脑被遗忘时：边缘性人格和社会排斥被刻在喙内侧额叶皮层中
“我们当中谁”不介意被拒绝？感受到社会排斥或排斥是痛苦和令人难过的，特别是当这种排斥来自我们所依赖的人时。在最新一期的《生物精神病学：认知神经科学和神经影像学》中，Fertuck 等人 (1) 认为社会排斥的心理意义可以在马斯洛需求层次理论 (2) 的更广泛背景中得到定位。这一持久的心理模型提出了激发人类一系列行为的四种基本社会需求：归属感、自尊、控制力和有意义的存在。社会排斥被视为对这些需求的直接威胁，常常导致被拒绝痛苦的主观体验。适度的情况下，这种痛苦可以被认为是适应性的，因为它向那些重要的人发出信号，表明社会纽带需要确认或修复。事实上，在大多数高度社会化的哺乳动物中，很容易观察到社会纽带破裂后公然表达痛苦和采取行为后果[狗爱好者见（3）]。然而，如下文所述，当人类以不稳定的方式经历这种反应时，可能会引发相当多的危险行为，这些行为可能难以预测，甚至更难以缓解，这是我们作为临床医生最关心的问题之一。在现代认知神经科学中，我们已经了解到，对社会排斥的反应与大脑敏感地检测到事情不对劲，我们从环境中获得的东西与我们的目标不符有关。因此，当我们犯错、期望被违背或感到躯体疼痛时，内侧额叶皮质中与社会排斥相关的区域会亮起来（功能性磁共振成像显示）（4、5）。幸运的是，大多数时候（当然不是总是），刹车会自动踩下；大脑的稳态倾向开始发挥作用，让我们默念“我能处理这个”，我们（或我们的观察者）将其体验为情绪调节。不幸的是，对一些人来说，被拒绝的经历会产生不稳定、混乱的效果，这会给我们自己和周围的人带来麻烦。如果与拒绝相关的麻烦是一个人心理功能的常见特征，那么这个人可能会被精神病学诊断为边缘性人格障碍 (BPD)。正如 Fertuck 等人 (1) 指出的那样，对于 BPD 患者，这通常会导致高风险的冲动和行为，包括自残、自杀未遂和自杀成功 (7)。这些对拒绝的反应是 BPD 的标志，就像任何其他临床特征一样，但我们对大脑中如何发生这种情况却只有一个模糊的概念。
使用深度学习
摘要：有关左心的解剖结构的知识，特定于中庭（LA）和心室（即心内膜外 - 伏托（Vendo）和表心外 - lvepi）对于评估心脏功能是必不可少的。超声心动图的心脏结构的手动分割是基线参考，但结果是用户依赖性且耗时的。为了支持临床实践，本文提出了一种新的深入学习（DL）工具，用于从超声心动图图像中分割左心的解剖结构。特别是设计为两个卷积神经网络，Yolov7算法和一个U-NET的组合，其目的是将超声心动图像自动分为Lvendo，Lvepi和La。基于DL的工具接受了对心脏习得的培训和测试。对于每位患者，临床医生收购并注释了末端和末端末端的顶部两次和四室视图。在全球范围内，我们的基于DL的工具能够分割Lvendo，Lvepi和La，提供了等于92.63％，85.59％和87.57％的骰子相似性系数。总而言之，所提出的基于DL的工具被证明是可靠的，可以自动分割左心的解剖结构并支持心脏病临床实践。