XiaoMi-AI文件搜索系统
World File Search SystemTriage
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。
败血症筛选工具电话分类 - 01 02 03
该文档的受控副本由英国败血症信托公司维护。以任何格式在该区域外举行的本文档的任何副本（例如纸，电子邮件附件）被认为已失控，应检查是否有货币和有效性。英国败血症信托注册慈善号（英格兰与威尔士）1158843（苏格兰）SC050277。公司注册号8644039。Sepsis Enterprises Ltd.公司编号9583335。增值税Reg。 编号293133408。增值税Reg。编号293133408。
人工智能在医院急诊科分诊中的应用：范围审查
人工智能 (AI) 和机器学习 (ML) 在医疗保健领域的整合已成为一个主要关注点，并引发了其对急诊科 (ED) 分诊过程的影响的问题。人工智能模拟人类认知过程的能力加上计算技术的进步已在医疗保健的各个方面显示出积极成果，但人们对人工智能在急诊科患者分诊中的应用知之甚少。人工智能算法可以实现更早的诊断和干预；然而，过于自信的答案可能会给患者带来危险。本综述的目的是全面探索最近发表的关于人工智能和机器学习在急诊科分诊中的影响的文献，并找出研究空白。2023 年 9 月，使用电子数据库 EMBASE、Ovid MEDLINE 和 Web of Science 进行了系统化搜索。为了符合纳入标准，文章必须经过同行评审、用英语撰写，并基于 2013-2023 年在美国期刊上发表的原始数据研究。其他标准包括 1) 研究中的患者需要入住医院急诊科，2) 在对患者进行分诊时必须使用人工智能，3) 必须体现患者的结果。搜索使用医学主题词 (MeSH) 中的受控描述符进行，其中包括术语“人工智能”或“机器学习”和“急诊病房”或“急救护理”或“急诊科”或“急诊室”和“患者分诊”或“分诊”或“分诊”。搜索最初确定了 1,142 条引文。经过严格、系统的筛选过程和对证据的严格评估，最终选择了 29 项研究进行审查。研究结果表明：1) ML 模型始终表现出优于传统分诊系统的识别能力；2) 将 AI 整合到分诊流程中可显著提高预测准确性、疾病识别和风险评估；3) ML 可准确确定需要紧急救治的患者是否需要住院；4) ML 可改善资源分配和患者护理质量，包括预测住院时间。ML 模型在急诊室患者优先排序方面的优势有望重新定义分诊精度。
DNA甲基化作为宫颈癌筛查的分类工具 - 会议报告
简介：提出DNA甲基化是一种新型生物标志物，能够监测人乳头瘤病毒（HPV）感染中的分子事件病理生理学，从而使HPV诱导的病变具有与可能发展为HPV相关癌症的损伤具有回归潜力的区别。方法：本会议报告总结了HPV预防和控制董事会中的演讲和专家讨论，以临床医生收集的样本和自我收集的样本，新颖的DNA甲基化标记发现，宫颈癌筛查程序中的实施以及具有人类免疫缺陷率的女性中的潜能（HIV）（HIV）。结果：会议中提出的数据表明，HPV阳性的基线甲基化阴性女性的累积宫颈癌发生率低于基线细胞学阴性女性，从而使DNA甲基化成为有吸引力的分类策略。但是，需要在不同环境（低收入和高收入设置），样本（临床医生收集和自我收集），研究设计（前瞻性，建模，影响力）和人群（免疫能力的妇女，艾滋病毒妇女）中的其他标准化数据。结论：确定国际验证指南被确定为朝着准确验证和随后在当前筛查计划中实施的方式。
内容：使用人工智能 (AI) 进行中风分类
UCI 的 TAVR CT 方案包括心电门控心脏 CT 扫描和全身 CT 血管造影，可用于评估主动脉瓣、主动脉根部和冠状动脉以及管腔大小。它还评估主动脉和髂动脉或锁骨下动脉的曲折度，以便制定 TAVR 手术入路计划。UCI 最先进的多层 CT 扫描仪具有 256 个探测器和 0.27 秒机架旋转，具有高空间和时间分辨率，心电门控可实现对主动脉环的最先进评估。该 CT 扫描仪对主动脉瓣和根部解剖结构的高度可靠描绘可用于适当选择瓣膜假体尺寸，这对于预防潜在的术后并发症（如假体栓塞或瓣周反流）至关重要。
人工智能与人类医生在分诊诊断方面的比较研究
简介与背景。AI 虚拟助手具有巨大潜力，可帮助患者自我评估症状并在适当时寻求进一步治疗，从而减轻医疗系统负担过重的压力。为了使这些系统对全球医疗保健做出有意义的贡献，它们必须得到患者和医疗专业人员的信任，并满足不同地区和不同人群患者的需求。我们基于概率图模型 (PGM) 开发了 AI 虚拟助手，并证明它能够为患者提供分类和诊断信息，其临床准确性和安全性可与人类医生相媲美。重要的是，此次评估评估了 AI 和人类医生的准确性和安全性，并且与之前的研究不同，它还考虑了两种代理的信息收集过程 [ 1 , 2 ]。通过这种方法，我们希望通过直接将人工智能系统的表现与人类医生进行比较，建立对人工智能系统的信任，因为人类医生并不总是同意患者症状的原因或最合适的分诊建议。至关重要的是，该系统基于生成模型，允许相对直接的重新参数化，以反映不同地区和人口群体的当地疾病负担。这是一个很有吸引力的特性，特别是考虑到人工智能虚拟助手有可能在全球范围内改善医疗保健服务时。方法。我们的人工智能系统的核心是 PGM [ 3 ]，旨在为用户提供分诊建议并提出可能的病症。图形模型的结构由医学专家定义，并通过流行病学数据和专家引出的组合进行参数化。给定一组用户输入的当前症状和风险因素，该模型推断出最可能的情况并生成后续问题 [ 4 , 5 , 6 , 7 ]。该系统的决策功能是通过使用效用模型扩展底层生成模型来提供的，该效用模型作为疾病后验的函数，旨在提供分类建议，以最大限度地减少对患者的预期伤害，同时也惩罚过度分类。
振动光谱法用于创伤性脑损伤分类计算机断层扫描优先级和住院治疗
摘要 计算机断层扫描 (CT) 脑成像通常用于支持创伤性脑损伤 (TBI) 患者的临床决策。然而，只有 7% 的扫描显示 TBI 的证据。其余 93% 的扫描会给医疗保健系统带来巨大的成本，并给患者带来辐射风险。可能有更好的策略来确定哪些患者，特别是轻度 TBI 患者，有病情恶化的风险并需要住院治疗。我们引入了一种血清液体活检，该活检利用衰减全反射 (ATR)-傅里叶变换红外 (FTIR) 光谱和机器学习算法作为决策工具，以确定哪些轻度 TBI 患者最有可能出现阳性 CT 扫描。血清样本来自获得 TBI 并参加 CENTER-TBI 的患者 (n = 298) 和无症状对照患者 (n = 87)。将受伤患者（所有严重程度）与无受伤对照组进行分层。对轻度 TBI 患者群进行进一步检查，将至少有一处 CT 异常的患者与无 CT 异常的患者进行分层。该测试在对轻度受伤患者与无受伤对照组进行分类时表现异常出色（敏感性 = 96.4%，特异性 = 98.0%），并且在对至少有一处 CT 异常的轻度患者与无 CT 异常的患者进行分层时也提供了 80.2% 的敏感性。所提供的结果表明，该测试能够识别五分之四的 CT 异常，并显示出作为轻度 TBI 患者 CT 优先分类工具的巨大潜力。
机器学习支持对儿科重症监护病房中有癫痫发作风险的儿童进行分类
摘要。目的：儿科重症监护病房 (PICU) 收治的危重儿童中，癫痫发作较为常见，因此是识别和治疗的重要目标。大多数癫痫发作没有明显的临床表现，但仍对发病率和死亡率有重大影响。PICU 内被认为有癫痫发作风险的儿童使用连续脑电图 (cEEG) 进行监测。cEEG 监测成本相当高，而且由于可用的机器数量始终有限，临床医生需要根据感知风险对患者进行分类以分配资源。本研究旨在开发一种计算机辅助工具，以改善危重儿童癫痫发作风险评估，使用 PICU 中普遍记录的信号，即心电图 (ECG)。方法：基于从第一个小时的心电图记录中提取的特征和患者的临床数据，以患者为单位开发了一种新型数据驱动模型。主要结果：最具预测性的特征是患者的年龄、脑损伤作为昏迷病因和 QRS 面积。对于没有任何先前临床数据的患者，使用一小时的心电图记录，随机森林分类器的分类性能达到受试者工作特征曲线下面积 (AUROC) 评分 0.84。当将心电图特征与患者临床病史相结合时，AUROC 达到 0.87。意义：以真实的临床场景为例，我们估计我们的临床决策支持分类工具可以将阳性预测值提高到临床标准的 59% 以上。
将正义理论转化为大流行期间稀缺重症监护资源分类的实践模式
这是一篇开放获取的文章，遵守知识共享署名 - 非商业 - 禁止演绎许可条款，允许在任何媒体中使用和分发，前提是正确引用原始作品、非商业使用且未进行任何修改或改编。© 2023 作者。《生物伦理学》由 John Wiley & Sons Ltd. 出版。