XiaoMi-AI文件搜索系统
World File Search Systemhemorrhage
自发性脑出血形成机制：基于解剖标本的研究
方法 支持本研究结果的数据可根据合理要求从通讯作者处获取。 作为国家科学中心获奖项目“在生理条件下和支架置入后小直径脑循环动脉的血流动力学建模”的一部分，我们创建了所提出的自发性基底神经节 ICH 模型。 研究方案经波兰华沙医科大学伦理委员会批准（编号 20/2021）。 我们将造影剂（硫酸钡和明胶的混合物）注入 40 个未固定的基底神经节解剖标本，随后将其固定在 10% 福尔马林缓冲溶液中，并用尼康/Metris XT H 225 ST 微型计算机断层扫描 (CT) 扫描仪进行扫描（有关标本准备的详细分步描述，请参阅我们的方法学文章 17 ）。由于分辨率高（体素大小高达 27 µm），该方法可以清晰地显示从大脑中动脉（豆纹动脉）分支出的所有穿支动脉。18 我们还收集了关于年龄、性别和 3 个区域动脉粥样硬化存在的尸检数据：冠状动脉、Willis 环和主动脉。动脉粥样硬化的严重程度分为无动脉粥样硬化、动脉粥样硬化、纤维粥样硬化或复杂病变。在附加实验中测量了注射压力（补充材料）。注射期间压力约为 60 mm Hg，造影剂凝固时最大压力为 260 mm Hg；这些数值在医学上是合理的，并且比导致颅内主要动脉破裂所需的平均压力低 5 倍以上。19,20
动脉瘤性蛛网膜下腔出血后脑血管痉挛的管理：更新
抽象的脑血管痉挛是动脉瘤性蛛网膜下腔出血（asah）的主要并发症之一。血管痉挛一词通常是指血管造影发现，并且在临床上通过延迟的神经系统恶化和延迟的脑缺血来定义。有症状的血管痉挛发生在20％至40％的ASAH患者中，并且是最知名的管理组成部分之一。可以通过使用床边的方式和射线照相在临床上进行诊断。管理始于使用预防措施，增强大脑灌注，逆转尝试以及使用脑部保护。早期使用机械或药理血管成形术的血管内治疗仍然是一种合理的方法。的经验性好处是使用脑血管扩张剂，例如氮氨基胺和米尔林酮，以及使用诱导的高血压用于脑灌注增强。spasmo-genic阻断，平滑肌收缩和脑部保护的剂量在很大程度上仍然是实验性的。这项叙述性评论旨在向伊萨（Asah）血管痉挛的机制，诊断，预防和管理更新读者。
和XA因子Xa抑制剂相关急性脑出血
结果总共分配了263名患者接受AndExanet，267例接受常规护理。在包括452名患者的临时分析中评估了疗效，并在所有530名入学的患者中分析了安全性。房颤是因子Xa抑制剂最常见的指示。接受常规护理的患者，有85.5％的患者接受了凝血酶原络合物浓缩液。在接受和Exanet的224例患者中，有150名（67.0％）在接受和exanet的228例（53.1％）接受常规护理（调整后的差异，13.4个百分点； 95％置信区间[CI]，4.6至22.2; p = 0.003）。在抗factor Xa活性中，从基线到1到2小时的Nadir的中位数减少为94.5％，而Andexanet的中位数为94.5％，经常护理为26.9％（p <0.001）。血栓形成事件发生在263名患者中的27例（10.3％）中，接受了dexanet，在接受常规护理的267例（5.6％）中有15例（差异为4.6个百分点； 95％CI，0.1至9.2; p = 0.048）; 17例（6.5％）和4例患者（1.5％）发生缺血性中风。在修改后的兰金等级或30天内的分数中，两组之间没有明显的差异。
深层网络，用于自动分割和定量CT
方法：培训数据集是从合作医院（医院A）回顾性收集的3,000张图像，并通过密集的U-NET框架进行了细分。三位经验丰富的放射科医生通过将像素标记为出血区域来确定地面真相。我们利用了骰子和类内相关系数（ICC）来测试地面真相的可靠性。此外，测试数据集由医院A的211张图像（内部测试）和另一家医院（医院B）的86个ICH图像（外部测试）组成。在这项研究中，我们选择了散点图，ICC和Pearson相关系数（PCC），以评估深层框架的性能。此外，为了验证深框架的有效性，我们对深模型和ABC/2方法之间的出血体积估计进行了比较分析。
机器学习预测儿童脑动静脉畸形患者出血
目的：儿童脑动静脉畸形 (bAVM) 破裂与大量发病率和死亡率相关。先前研究儿童期 bAVM 出血表现的预测因素的研究有限。机器学习 (ML) 在应用于大型数据集时具有很高的预测准确性，可以成为预测出血表现的有用辅助手段。本研究的目的是将 ML 与传统回归方法结合，基于回顾性队列研究设计来识别儿科患者出血表现的预测因素。方法：作者使用 19 年研究期间从 186 名儿科患者获得的数据，实施了三种 ML 算法（随机森林模型、梯度提升决策树和 AdaBoost）来识别对预测出血表现最重要的特征。此外，使用逻辑回归分析来确定出血表现的显著预测因素作为比较。结果 三种 ML 模型一致认为 bAVM 大小和患者就诊年龄是预测出血表现的两个最重要因素。在多变量逻辑回归中，就诊年龄并不是出血表现的重要预测因素。梯度提升决策树/AdaBoost 和随机森林模型分别将 bAVM 位置和并发动脉瘤确定为第三重要因素。最后，逻辑回归将左侧 bAVM、小 bAVM 尺寸和并发动脉瘤的存在确定为出血表现的重要风险因素。结论 通过使用 ML 方法，作者发现了使用传统回归方法无法识别的出血表现预测因素。
使用深度卷积模型进行数据描述颅内出血分割
摘要：创伤性脑损伤可能导致颅内出血 (ICH)。如果不能及时准确诊断和治疗，ICH 可能导致残疾或死亡。目前诊断 ICH 的临床方案是放射科医生检查计算机断层扫描 (CT) 扫描以检测 ICH 并定位其区域。然而，这个过程在很大程度上依赖于有经验的放射科医生。在本文中，我们设计了一个研究方案来收集 82 个创伤性脑损伤患者的 CT 扫描数据集。接下来，由两位放射科医生协商一致决定在每个切片中手动划定 ICH 区域。该数据集在 PhysioNet 存储库中公开在线，以供将来分析和比较。除了发布数据集（这是本文的主要目的）之外，我们还实施了一个深度全卷积网络 (FCN)，称为 U-Net，以全自动方式从 CT 扫描中分割 ICH 区域。作为概念验证，该方法基于 5 倍交叉验证的 ICH 分割实现了 0.31 的 Dice 系数。
深度学习融合用于脑 CT 成像中的颅内出血分类
摘要 —脑出血的特征是由于血液凝结或高血压导致脑动脉破裂，存在严重的创伤甚至死亡风险。这种出血会导致脑细胞损伤，常见原因包括脑肿瘤、动脉瘤、血管异常、淀粉样血管病、创伤、高血压和出血性疾病。当发生出血时，氧气无法再到达脑组织，如果脑细胞缺氧和营养物质超过三四分钟，就会开始死亡。受影响的神经细胞及其控制的相关功能也会受到损害。早期发现脑出血至关重要。本文提出了一种有效的混合深度学习 (DL) 模型，用于从脑 CT 图像中检测颅内出血 (ICH)。所提出的方法集成了 DenseNet 121 和长短期记忆 (LSTM) 模型，以准确分类 ICH。DenseNet 121 模型用作特征提取模型。实验结果表明，该模型的准确率、精确率、召回率和 F1 分数分别为 97.50%、97.00%、95.99% 和 96.33%，证明了其在准确识别和分类 ICH 方面的有效性。
在出血模型中的可穿戴外围血管补偿传感器的开发和评估
Method 30 fps 1920p 80 fps 640p 100 fps 320p Focal length 3.04 mm 3.04 mm 3.04 mm Lens diameter 1.52 mm 1.52 mm 1.52 mm f/# 2.0 2.0 2.0 Camera pixel size 1.12 x 1.12 µm 2.24 x 2.24 µm 4.48 x 4.48 µm Distance per pixel 1.12 µm 2.24 µm 4.47 µm放大1.000x 1.000x 1.002x
用于预测创伤性脑损伤早期出血进展的机器学习模型
本研究探讨了轻度至中度外伤性脑损伤（TBI）患者脑出血（ICH）的进展。它旨在通过初始CT扫描来预测ICH进展的风险，并确定与该进展相关的临床因素。在2010年1月至2021年12月之间，对TBI患者进行了回顾性分析，重点介绍了初步的CT评估和人口统计，合并症和病史数据。ich被分为核内过血（IPH），脊柱出血（pH）和蛛网膜下腔出血（SAH）。在我们的研究队列中，我们确定了650名TBI患者的ICH进展率为22.2％。随机森林算法确定了诸如Petechial出血（pH）和反合型损伤的变量是ICH进展的重要预测指标。XGBoost算法结合了通过Shap值鉴定的密钥变量，表现出强大的性能，达到了0.9的AUC。此外，使用大量的外形值的个人风险评估图在视觉上表示每个变量对ICH进展风险的影响，提供个性化的风险概况。这种方法以0.913的AUC强调，强调了该模型在预测ICH进展方面的精度，这标志着通过早期鉴定ICH进展风险来增强TBI患者管理的重要一步。
脑部死亡因怀疑Bothrops蛇咬后的儿童颅内出血而导致的脑死亡
由巴西最普遍的毒蛇产生的毒素通常会增加血管通透性和白细胞浸润。这与毒液成分的其他作用相结合，导致水肿，起泡，局部出血和疼痛，有时会发展为缺血，坏死和全身并发症。炎症反应和凝结疾病的触发（例如去纤维化和血小板减少症）可能会对脑毛细血管造成内皮损害，从而导致脑内出血1,2。毒液的组成受栖息地，性别，饮食或个性发育的影响。同一物种的年轻动物可能会产生更多的抗凝毒素，而成年人则主要表现出炎症和蛋白水解作用3,4。某些物种的毒液以更高的死亡率5而闻名。