XiaoMi-AI文件搜索系统
World File Search SystemMulticenter
基于机器学习的预测肠道梗阻手术后早期并发症：多中心回顾性研究
背景：早期并发症会增加肠道梗阻手术后的院内住院和死亡率。重要的是要确定足够早期肠梗阻患者的术后早期并发症的风险，这将允许进行先发制化的个性化增强治疗，以改善肠梗阻患者的预后。基于机器学习的风险预测模型有助于早期诊断和及时干预。目的：本研究旨在根据机器学习算法在肠道梗阻手术后的患者早期并发症构建在线风险计算器。方法：从2013年4月至2021年4月，共有396例接受肠梗阻手术的患者在一个独立的医疗中心被录取为培训队列。总体而言，使用了7种机器学习方法来建立预测模型，其性能通过接收器操作特征曲线（AUROC），准确性，灵敏度，特异性和F 1 -SCORE评估。最佳模型通过2个独立的医疗中心进行了验证，这是一个公开可用的围手术期数据集，该数据集信息丰富的外科手术患者数据集（INSPIRE）以及由上述3个数据集组成的混合队列，分别涉及50、66、48和164例。Shapley添加性解释是测量的，以识别危险因素。我们可视化随机森林模型，并创建了一个基于Web的在线风险计算器。结果：训练队列中术后并发症的发生率为47.44％（176/371），而4个外部验证队列中的发病率为34％（17/50），56.06％（37/66）（37/66），52.08％（25/48）和48.17％（48.17％（79/164），术后并发症与8个项目特征有关：死亡率和发病率枚举的生理严重程度评分（螺母生理评分），胶体输注的量，诱导麻醉前的休克索引，ASA（美国麻醉学会）分类，分类，中性粒细胞的毛茸茸的百分比，在毛茸茸的情况下，育龄和年龄，以及年龄，年龄，以及年龄，均为年龄。随机森林模型的总体表现最佳，AUROC为0.788（95％CI 0.709-0.869），准确性为0.756，灵敏度为0.695，特异性为0.810，F 1秒速度为0.727，为0.727。随机森林模型还达到了验证1中的0.755（95％CI 0.652-0.839），在验证1.817（95％CI 0.695-0.913）中，较高的AUROC在验证队列中，验证队列2，类似的AUROC，类似的AUROC（95％COH）（95％COH）（95％COH）。验证队列4。
利用手工制作的放射素学对多中心智能MRI预测多发性硬化症患者的残疾进展
（1）比利时迪彭贝克（Diepenbeek）3590的Hasselt University的生物医学研究所MS中心（生物医学研究所）。（2）Hasselt University，Agoralaan大楼D数据科学研究所（DSI），3590，Diepenbeek，比利时。 （3）D -LAB，荷兰马斯特里赫特大学马斯特里赫特大学的肿瘤学研究所精密医学系D -LAB。 （4）荷兰马斯特里赫特大学医学中心的肿瘤学和发育生物学研究所放射学和核成像系，荷兰马斯特里奇。 （5）比利时安特卫普大学安特卫普大学IMEC-Vision Lab。 （6）𝜇神经研究中心，比利时安特卫普大学，安特卫普大学。 （7）Sumo Group，idlab，根特大学-IMEC，根特，比利时。 （8）比利时Ku Leuven的Esat-Stadius。 （9）noorderhart，康复和比利时Pelt MS中心。 （10）荷兰Sittard-Geleen Zuyderland Medical Center神经病学系学术中心Zuyd。 （11）荷兰马斯特里赫特马斯特里赫特大学的心理健康与神经科学学院。 *=这些作者对这项工作同样贡献了对应作者= Philippe Lambin（philippe.lambin@maastrichtuniverity.nl）（2）Hasselt University，Agoralaan大楼D数据科学研究所（DSI），3590，Diepenbeek，比利时。（3）D -LAB，荷兰马斯特里赫特大学马斯特里赫特大学的肿瘤学研究所精密医学系D -LAB。（4）荷兰马斯特里赫特大学医学中心的肿瘤学和发育生物学研究所放射学和核成像系，荷兰马斯特里奇。（5）比利时安特卫普大学安特卫普大学IMEC-Vision Lab。（6）𝜇神经研究中心，比利时安特卫普大学，安特卫普大学。 （7）Sumo Group，idlab，根特大学-IMEC，根特，比利时。 （8）比利时Ku Leuven的Esat-Stadius。 （9）noorderhart，康复和比利时Pelt MS中心。 （10）荷兰Sittard-Geleen Zuyderland Medical Center神经病学系学术中心Zuyd。 （11）荷兰马斯特里赫特马斯特里赫特大学的心理健康与神经科学学院。 *=这些作者对这项工作同样贡献了对应作者= Philippe Lambin（philippe.lambin@maastrichtuniverity.nl）（6）𝜇神经研究中心，比利时安特卫普大学，安特卫普大学。（7）Sumo Group，idlab，根特大学-IMEC，根特，比利时。（8）比利时Ku Leuven的Esat-Stadius。（9）noorderhart，康复和比利时Pelt MS中心。（10）荷兰Sittard-Geleen Zuyderland Medical Center神经病学系学术中心Zuyd。（11）荷兰马斯特里赫特马斯特里赫特大学的心理健康与神经科学学院。*=这些作者对这项工作同样贡献了对应作者= Philippe Lambin（philippe.lambin@maastrichtuniverity.nl）
免疫检查点抑制剂（ICI）补偿在晚期黑色素瘤患者对ICI的响应者的反应者中的功效：法国皮肤癌组的多中心国家回顾性研究（Groupe deCancérologieCutanée，GCC，GCC）
1个皮肤病学服务，大学医院中心，法国25,000个贝斯康顿； ahennemann@chu-beson.fr（A.H.）; faubin@chu-beson.fr（F.A.）2大学éfranchecom，Inserm 1098右，25020法国贝斯康3，法国3临床中心，大学医院中心，法国25030，法国贝斯坎顿； kdiallo@chu-beson.fr（K.D.）4巴黎 - 萨克莱大学，UVSQ，EA4340-BCCOH，公共援助 - 帕里斯山脉（AP-HP），HôpitalAmbroise-Paré，皮肤病学服务génee rale et concologique，92104 Boulogne-Billancourt，France，France; elisa.funck-brentano@aphp.fr（E.F.-B。）; philippe.saiag@uvsq.fr（P.S.）5皮肤病学服务，霍特·罗伯特·巴兰格（Robert Ballanger），法国比利普特（Villepinte）93420； valentine.heidelberger@ght-gpne.fr 6皮特尔·勒波奇（Pital Le Bocage）大学医院中心皮肤病学服务，法国21079，法国第2179号； geraldine.jeudy@chu-dijon.fr 7大学医院中心皮肤病学服务，BIP 1282，Inra-Universitédetours，37020 Tours，法国37020 Tours，法国8皮肤病学服务，大学医院中心，34295法国蒙特佩利尔，法国; candice.lesage@icm.unicancer.fr 9皮肤病学服务，大学医院中心，南特大学，INSERM，免疫学和免疫疗法的新概念，Incit，UMR 1302，44000 Nantes，France 10西方癌症研究所，西方癌症研究所，44800 SAINT-HERBLAIN，法国，法国； melanie.saintjean@ico.unicancer.fr（M.S.-J.）11大学医院中心皮肤病学服务，法国克莱蒙·费兰（Clermont-Ferrand）63003； jrouanet@chu-clermontertferrand.fr 12皮肤病学服务，Pital Bichat AP-HP，巴黎大学Cité大学，法国75018，法国巴黎； poder.brunet-posenti@aphp.fr 13法国波尔多大学医院中心皮肤病学服务； emilie.gerard@chu-bordeaux.fr 14肿瘤学MéDicale，中心医院，法国64046 PAU *通信：cnardin@chu-besancon.fr†这些作者为这项工作做出了同样的贡献。
恶性胸膜间皮瘤的免疫检查抑制剂：法国，多中心，回顾性现实世界研究
1 GRC Oncothoparisest，Service de Pneumologie，Center医院Intercommunai，UPEC，94000CréTeil，法国； Valentine.bonnefoy@chicreteil.fr（V.B.）; Christos.chouaid@chicreteil.fr（C.C.）; isabelle.monnet@chicreteil.fr（I.M.）2实验室实验室的功能基因组学，中心De Recherche des Cordeliers-Inserm-Sorbonne Universitiontionterte-UniversitéparisitéparisCité，75006 Paris，Paris，法国3法国3肺和胸部肿瘤学系，Lille，59000 Lille，France，France，France，University Hospital Center，University Hospital Center of Lille florian.crepin@etu.univ-lille2.fr（F.C.）; Alexis.cortot@chru-lille.fr（A.C。）; clement.gauvain@chru-lille.fr（C.G.）; Arnaud.scherpereel@chru-lille.fr (A.S.) 4 Acute pneumology service Spécis é e e e rologie chest, Center hospitalier Lyon-Sud, Hospices Civils de Lyon, 69495 Pierre-B É Nite, France; emmanuel.grolleau@chu-lyon.fr 5 Pneumology and Thoracic肿瘤学系，Tenon医院，APHP，GRC Theranoscan和Curamus Sorbonne University，法国75020巴黎； Anthony.canellas@aphp.fr 6癌症研究所，中心医院R e Gional Universitaire Morvan de Brest，29200年，布雷斯特，法国； margaux.geier@chu-brest.fr 7 Pneumology Service，Center Hosidentier Contentin，50100法国Cherbourg； aude.grebertmanuardi@ch-cotentin.fr 8肺炎服务，AIX医院中心，法国AIX-en-Provence 13100； nakkache@ch-ix.fr 9 Pau医院中心，法国64000 PAU； aldo.renault@ch-pau.fr 10肺炎服务，法国卢维尔76503 Intercommunai医院中心； Pierre-aalexandre.hauss@chi-elbeuf-louviers.fr 11肺活量服务，中心医院，général，c的te-basque，64100，法国巴斯克； msabatini@ch-cotebasque.fr 12团队信息补充与癌症，Cordeliers-insolerm-Sorbonne University france 75006 Paris的Cordeliers-Insolerm-Sorbonne University of Cordeliers-insolerm-Sorbonne University of Cordeliers-insolerm-Sorbonne University; Marie.wislez@aphp.fr 13胸腔肿瘤科，肺科学系，APHP，HTAR，PITAL COCHIN，75014法国巴黎 *通信：jeanbaptiste.assie.assie@aphp.fr
急性心肌梗死患者胃肠道出血的危险因素：多中心回顾性队列研究
背景：胃肠道出血 (GIB) 是急性心肌梗死 (AMI) 患者中一种严重且可能危及生命的并发症，严重影响住院期间的预后。早期识别高危患者对于减少并发症、改善结果和指导临床决策至关重要。目的：本研究旨在开发和验证基于机器学习 (ML) 的模型，用于预测 AMI 患者住院期间的 GIB，识别关键风险因素，并评估该模型在风险分层和决策支持方面的临床适用性。方法：进行了一项多中心回顾性队列研究，包括广东医科大学附属医院 1910 名 AMI 患者（2005-2024 年）。根据入院日期将患者分为训练组（n=1575）和测试组（n=335）。为了进行外部验证，1746 名 AMI 患者被纳入公开的 MIMIC-IV（重症监护 IV 医疗信息集市）数据库。倾向得分匹配根据人口统计学特征进行了调整，而 Boruta 算法则确定了关键预测因素。共使用 10 倍交叉验证训练了 7 种 ML 算法——逻辑回归、k 最近邻、支持向量机、决策树、随机森林 (RF)、极端梯度提升和神经网络。对模型的受试者工作特征曲线下面积、准确度、灵敏度、特异性、召回率、F 1 分数和决策曲线分析进行了评估。Shapley 加性解释分析对变量重要性进行了排名。Kaplan-Meier 生存分析评估了 GIB 对短期生存的影响。多元逻辑回归在调整临床变量后评估了冠心病 (CHD) 与住院 GIB 之间的关系。结果：RF 模型优于其他 ML 模型，在训练队列中实现 0.77 的受试者工作特征曲线下面积，在测试队列中实现 0.77，在验证队列中实现 0.75。关键预测因素包括红细胞计数、血红蛋白、最大肌红蛋白、血细胞比容、CHD 和其他变量，所有这些变量都与 GIB 风险密切相关。决策曲线分析表明 RF 模型在早期风险分层方面的临床应用。Kaplan-Meier 生存分析表明，有或无 GIB 的 AMI 患者的 7 天和 15 天生存率没有显著差异（7 天生存率 P =.83，15 天生存率 P =.87）。多变量逻辑回归表明 CHD 是独立危险因素
注意力缺陷障碍的病因
无偿的外围前庭功能障碍会导致步态和姿势的不稳定，并具有主观的头晕和失衡。在单侧和双侧前庭病（UVP和BVP）患者中促进功能性补充的治疗方法的首选是前庭重新释放[1]。然而，一定比例的前庭病患者对康复难治性，难以治疗。尽管最近已经开发出前庭植入物来改善BVP的姿势，步态和生活质量[2]，但该治疗具有导致感官性听力损失作为手术并发症的重大风险[2]。因此，需要对难治性前庭病的微创治疗方法的发展。嘈杂的电力前庭刺激（NGVS）通过双侧放置在乳突区域上的电极将电流作为零均值的噪声传递给前庭系统。不可察觉的NGV水平促进了在包括自主，运动和姿势控制系统在内的神经系统中的亚阈值刺激的处理[3-6]。ngvs还增强了倾斜倾斜和自动翻译方向的感知阈值[7-9]。随机分辨率，在非线性系统中有最佳噪声水平的情况下，在其下阈值信号得到了增强，已提出是这些改善效果的基础机制[10，11]。在BVP患者以及健康受试者中应用最佳水平的NGV水平可改善常规稳定性和步态性能[4，12-18]。的研究表明，即使在BVP患者和健康受试者停止刺激后，NGV也可以改善姿势控制几个小时[3，19-21]。另一方面，另一项最近的研究报告说，NGVS不能改善BVP患者的姿势控制[22]。这些在BVP患者中的研究是开放标签或单盲研究，该研究对NGV进行了刺激[4、14、16-18]，并且没有足够的安慰剂效应或观察者偏见的评估。在本研究中，进行了多中心，随机，双盲，安慰剂对照，跨研究，以评估长时间NGVS在改善UVP和BVP严重姿势姿势不稳定患者身体平衡方面的疗效和安全性。
安罗替尼作为晚期肝细胞癌一线或二线单药治疗的证据及甲胎蛋白的临床作用：中国多中心回顾性研究
中国医学科学院北京协和医学院深圳医院、山东大学齐鲁医学院齐鲁医院。55 名患者接受安罗替尼单药治疗，155 名患者接受索拉非尼单药治疗。入选患者诊断为局部晚期或转移性肝细胞癌。肝细胞癌的诊断评估基于肝活检或结合影像学和血液检查的无创测量。符合条件的患者还符合以下纳入标准：年龄 18 岁以上；巴塞罗那诊所肝癌（BCLC）B 期或 C 期；Child-Pugh 评分 < 8；美国东部肿瘤协作组体能状态（ECOG PS）为 0 或 1；至少有一个可测量的病变（由实体肿瘤疗效评价标准 1.1 版（RECIST 1.1）定义）；重要器官功能正常；完整的病历记录，包括影像学和预后信息。排除标准包括胆管癌、混合型肝细胞胆管癌 (cHCC-CCA) 或纤维板层肝细胞癌 (FLHC) 的诊断；存在严重合并症；免疫治疗史。
如何引用本文 Goyal S、Sakhi P、Kalidindi S 等人。（2024 年 12 月 31 日）印度放射科医生和住院医生对放射学人工智能的知识、态度、看法和实践：一项全国多中心研究。Cureus 16(12)：e76667。DOI 10.7759/cureus.76667
鉴于这些最新进展，本调查的目的是评估放射科医生和住院医生对放射学人工智能技术的知识、认识和使用情况，了解他们对人工智能在该领域的潜在和未来影响的看法，并确定教育差距，以评估将以人工智能为重点的教育和培训纳入医学课程的必要性，特别关注放射学。本研究的目的是评估印度放射科医生和住院医生目前对放射学人工智能的知识、态度、看法和实践。本研究的更广泛影响包括为政策制定者、教育工作者和医疗保健专业人员提供信息，使他们能够就人工智能在放射学实践和教育中的使用做出明智的决定，这与 Chen 等人最近的研究一致。[7] 。
RETT综合征的心脏：心脏复极化的定量分析
抽象背景尽管癌症护理和检测方面取得了进步，但> 65％的头颈部鳞状细胞癌（HNSCC）患者将患上复发性和/或转移性疾病。这些患者的预后较差，总体生存率为39％。免疫疗法的最新治疗进展，包括pembrolizumab和nivolumab等免疫检查点抑制剂，已在一部分患者中获得临床益处。急需临床需要确定从这些反编程细胞死亡蛋白1（抗PD-1）免疫检查点抑制剂中受益的患者。在这里，我们报告了一项多中心观察性研究的发现，可通过分析在美国17个美国医疗保健系统中进行的治疗前肿瘤活检（Predapt）的分析来预测免疫疗法疗效。旨在验证Oncoprism-HNSCC，这是一种临床生物标志物测定，可预测用抗PD-1免疫检查点抑制剂作为单一药物（单一疗法）以及与化学疗法（化学治疗疗法）相结合的复发或转移性HNSCC患者的疾病控制。该测试使用RNA测序数据和机器学习模型来评分每个患者，并将其分为低，中或高的组。结果，单药疗法队列（n = 62，p = 0.004）和化学免疫疗法队列（n = 50，p = 0.01）的肿瘤hnscc预测与疾病控制均与疾病控制显着相关。Oncoprism-HNSCC还显着预测了两个队列中无进展的生存（分别为p = 0.015和p = 0.037）。uncoprism-HNSCC的特异性比编程的死亡配体1高三倍以上，比肿瘤突变负担比预测疾病控制的肿瘤突变负担高近四倍。
多中心 - 私人 - 抛光模型 - 深度训练 -
目标：这项工作旨在探索多中心数据异质性对深度学习脑转移（BM）自动分量性能的影响，并评估增量转移学习技术的功效，即不忘记（LWF），以提高模型性能而无需共享原始数据。材料和方法：使用了埃尔兰根大学医院（UKER），苏黎世大学医院（USZ），斯坦福大学，纽约大学（纽约大学）和Brats Challenge 2023的六个BM数据集。首先，分别为单一中心训练和混合多中心训练建立了用于BM自动分量的DeepMedic网络的性能。随后评估了保护隐私的双边合作，其中有一个验证的模型将分享到其他带有LWF或不带有LWF的转移学习（TL）的进一步培训中心。结果：对于单中心训练，在各自的单中心测试数据上，BM检测的平均F1得分范围从0.625（NYU）到0.876（UKER）。混合的多中心训练明显提高了斯坦福大学和纽约大学的F1分数，其他中心的改进可以忽略不计。当将UKER预告量化的模型应用于USZ时，LWF的平均F1得分（0.839）比NAIVE TL（0.570）和单中心训练（0.688）高于UKER和USZ测试数据。幼稚的TL提高了灵敏度和轮廓精度，但会损害精度。相反，LWF表现出值得称赞的灵敏度，精度和轮廓精度。应用于斯坦福大学时，观察到类似的性能。结论：数据异质性（例如，转移密度，空间分布和图像空间分辨率的变化）导致BM自动分量的性能变化，从而对构建概括性提出了挑战。LWF是对点对点隐私模型培训的有前途的方法。