XiaoMi-AI文件搜索系统
World File Search Systemhemorrhage
指南 欧洲卒中组织 (ESO) 自发性脑出血管理指南
背景 在过去十年中，脑出血 (ICH) 占全球所有中风的 9% 至 27%，早期病死率高，功能结果差。鉴于最近对 ICH 管理的随机对照试验 (RCT)，欧洲卒中组织 (ESO) 更新了其基于证据的 ICH 管理指南。方法来自 11 个欧洲国家的 24 名研究人员组成的多学科写作委员会确定了 20 个与 ICH 管理相关的问题，并根据 RCT 中的证据使用建议评估、制定和评估 (GRADE) 等级方法制定了建议。结果我们发现中等到高质量证据支持强烈建议在急性卒中病房管理急性 ICH 患者、避免对与抗血栓药物使用无关的急性 ICH 进行止血治疗、避免使用分级压力袜、对不动患者使用间歇性气压压迫以及使用降血压进行二级预防。我们发现中等质量的证据支持以下弱建议：在 ICH 发作后六小时内将收缩压降低至 <140 mmHg，对格拉斯哥昏迷量表评分为 9-12 的患者进行早期手术，并避免使用皮质类固醇。结论这些指南基于 RCT 中治疗效果的证据，为 ICH 管理提供指导。ICH 后的结果仍然很差，优先考虑进一步进行干预 RCT 以改善结果。
通过成本敏感的机器学习在计算机断层扫描中检测脑出血
一位训练有素的放射科医生确认了这些图像的真实性，并没有发现任何标记错误的图像。因此，没有丢弃任何图像。为了在现实临床场景中最准确地反映模型的性能，图像没有以任何方式增强。随后创建了两个数据集：一个包含 160 幅图像的训练数据集和一个包含 40 幅图像的测试数据集。两个数据集中的出血性和非出血性 CT 扫描数量相等。值得注意的是，该数据集包含从万维网上搜索中获取的图像，因此由于源机器、患者状况、扫描时间、辐射剂量等的差异而引入了高度的异质性。这个问题因数据集较小而变得更加严重，因此这里获得的结果可能只是对所采用技术的实际潜力的保守估计 [17,18]。
使用简约机器学习CT扫描图像中的脑出血分类
摘要：随着时间的流逝，已为模式分类生成了无数的应用。几个案例研究包括参数分类器，例如多层感知器（MLP）分类器，这是当今使用最广泛的分类器之一。其他人使用非参数分类器，支持向量机（SVM），K-Nearest邻居（K-NN），幼稚的贝叶斯（NB），Adaboost和Random Forest（RF）。但是，仍然几乎没有针对人工智能（AI）的新趋势的工作，该趋势被称为可解释的人工智能（X-AI）。这种新趋势旨在使机器学习（ML）算法越来越简单且易于理解用户。因此，在这项工作中，在这项工作中，作者基于新型极简主义机器学习（MML）范式的实现以及更高的相关性属性选择算法，开发了一种新的模式分类方法，我们称之为DMeans。我们检查并比较了该方法的性能与MLP，NB，KNN，SVM，ADABOOST和RF分类器，以执行计算机断层扫描（CT）脑图像的分类任务。这些灰度图像的面积为128×128像素，并且数据集中有两个类别可用：CT无出血和CT，具有室内出血（IVH）的CT，使用剩余的交叉验证方法对它们进行了分类。大多数通过一对一的交叉验证测试的模型的精度在50％至75％之间，而灵敏度和灵敏度在58％至86％之间。使用我们的方法进行的实验与观察到的最佳分类器相匹配，其精度为86.50％，并且它们的表现优于特定的所有最先进的算法，而91.60％的算法的表现。这种性能是通过简单且实用的方法齐头并进的，这些方法与这种易于解释的算法的趋势并驾齐驱。
实验性亚蛛网膜下腔出血后，ACE抑制剂赖诺普利对脑血管痉挛的影响
简介：这项研究的目的是比较ACE（血管紧张素转换酶）抑制剂赖因普利在大鼠基底动脉血管痉挛上的疗效。方法：总共32个Wistar白化大鼠分为四组：I组（n = 8），对照组； II组（n = 8），血管痉挛组；第三组（n = 8），在前24小时内用5 mg/kg/天处理的血管痉挛组7天；和IV组（n = 8），在前24小时内用10 mg/kg/天处理的血管痉挛组开始7天。在7天后，在光学显微镜下切除基底动脉并在组织病理学上检查。结果：研究发现10 mg/kg/day Lisinopril在SAH后明显阻止了血管痉挛。在赖诺普利10 mg组中，平均容器壁厚度最低，在SAH组中最高，具有统计学意义的差异。在第三组中，丽索普利的剂量为5 mg/kg/kg/天的壁厚度减小，而在第四组中，剂量为10 mg/kg/day的剂量更有效。III组的管腔面积降低更大，但不如第四组。将II组的血管管腔厚度与I组的血管厚度进行比较，IV组显着下降。尽管在第四组中不如第IV组中的管腔直径增加与II组相比增加。第四组的管腔直径与I组相似。组的直径相似。 讨论和结论：研究结果表明，以10 mg/ kg/ day的剂量腹膜内施用林顿甲求，可以防止实验性血管痉挛后的形态血管痉挛。第四组的管腔直径与I组相似。讨论和结论：研究结果表明，以10 mg/ kg/ day的剂量腹膜内施用林顿甲求，可以防止实验性血管痉挛后的形态血管痉挛。然而，赖诺普利的5 mg/kg/天的剂量不如10 mg/kg/day剂量的剂量。关键字：ACE抑制剂；基底动脉； Lisinopril;亚蛛网膜下腔出血；血管痉挛。
用于检测和分类颅内出血的全自动基于正弦图的深度学习模型
摘要目的：提出一种使用深度学习框架直接从正弦图中检测和分类颅内出血 (ICH) 的自动化方法。该方法旨在通过消除耗时的重建步骤并最大限度地减少计算机断层扫描 (CT) 重建过程中可能出现的潜在噪音和伪影来克服传统诊断的局限性。方法：本研究提出了一种使用深度学习框架从正弦图中检测和分类 ICH 的两阶段自动化方法。该框架的第一阶段是强度变换正弦图合成器，它合成与强度变换 CT 图像等效的正弦图。第二阶段包括级联卷积神经网络-循环神经网络 (CNN-RNN) 模型，该模型可从合成的正弦图中检测和分类出血。 CNN 模块从每个输入的正弦图中提取高级特征，而 RNN 模块提供正弦图中邻域区域的空间相关性。在一个包含 8652 例患者的大型样本的公开 RSNA 数据集上对所提出的方法进行了评估。结果：结果表明，与 ResNext-101、Inception-v3 和 Vision Transformer 等最新方法相比，所提出的方法在患者准确率上显着提高了 27%。此外，与基于 CT 图像的方法相比，基于正弦图的方法对噪声和偏移误差的鲁棒性更高。还对所提出的模型进行了多标签分类分析，以从给定的正弦图中确定出血类型。还使用激活图检查了所提出模型的学习模式的可解释性。结论：所提出的基于正弦图的方法可以准确、高效地诊断 ICH，无需耗时的重建步骤，并有可能克服基于 CT 图像的方法的局限性。结果显示，使用基于正弦图的方法检测出血的效果良好，进一步的研究可以探索该方法在临床环境中的潜力。
加利福尼亚大学
目标：评估与临床相关结果或出血有关的扩张和疏散（D＆E）程序是否进行定量失血（QBL）。研究设计：我们使用删除的数据库来审查2019年4月至2020年3月在加州大学戴维斯卫生部执行的D＆E程序。外科医生在手术过程中确定了QBL，并且在治疗后恢复期间过度估计失血。我们提取了患者人口统计和相关信息。我们将临床上相关的出血定义为治疗后24小时内与出血相关的干预措施，包括使用≥2个子宫核酸，tranexamic Advistration，需要修复的颈椎损伤，子宫气球润肤膜，血液传输，子宫栓塞，臀部型，臀部或返回房间，或返回手术室，或返回手术室，或返回室内;后5个标准定义出血。我们使用χ2测试来评估出血结果。结果：我们评估了431个程序，其平均胎龄为19周零3天。在6/319（2％），15/97（15％）和7/12（58％）总失血率<250ml，250ml，250-500ml和> 500ml的患者中发生了临床相对的出血结果（p <0.0001）； 11患有与宫颈损伤有关的出血。出血分别发生在0、4/97（4％）和5/12（42％）的患者中（P <0.0 0 01）。患有相对出血结果的患者的QBL范围从150-1800ml（中值QBL 312.5ml，零食间范围[IQR] 250-550ml），而没有临床相关的出血的患者范围为10-900ml（中位QBL 150ml，IQBL 150ML，IQR，IQR，IQR 75-200ml）。结论：大多数患有临床相关的出血结果的患者（75％）的QBL≤500ml。尽管较高的QBL与临床干预措施相关，但应使用D＆E程序来定义明显的干预措施而不是犯罪失血量。的含义：最好由临床出血来定义，而不是任何量化数量的失血量所需的必要临床干预措施。©2022 Elsevier Inc.保留所有权利。
col4a1基因突变和新生儿围产期颅内出血：病例报告和文献综述
颅内出血可能代表影响新生儿发病率和死亡率的围产期并发症。存在非常差的数据，关于IV型胶原蛋白A1链（COL4A1）基因的突变与颅内出血的发展之间存在可能的关联，并且只有零星的报告侧重于子宫内发生的脑出血，或者是在具有这种突变的婴儿的新生儿期间已经发展的。这项研究提出了一系列受颅内出血影响的术语新生儿，没有明显的风险因素来发展这种情况，它们是COL4A1基因变异的载体。这项研究还提供了有关该主题的最新科学文献的回顾，该文献尤其焦点是与围产期有关的可用科学数据。
使用 CNN-LSTM 方法和基于图像的 GLCM 特征对颅内出血 (CT) 图像进行分类
摘要。使用基于特征的混合方法，将基于变换的特征与基于图像的灰度共生矩阵特征相结合。在对脑出血 CT 图像进行分类时，基于特征的组合策略比基于图像特征和基于变换特征的技术表现更好。使用深度学习技术（尤其是长短期记忆 (LSTM)）的自然语言处理已成为情绪分析和文本分析等应用中的首选。这项工作提出了一个完全自动化的深度学习系统，用于对放射数据进行分类以诊断颅内出血 (ICH)。长短期记忆 (LSTM) 单元、逻辑函数和 1D 卷积神经网络 (CNN) 构成了建议的自动化深度学习架构。这些组件均使用 12,852 份头部计算机断层扫描 (CT) 放射学报告的大型数据集进行训练和评估。
基于深度学习的人工智能诊断系统在自发脑内出血体积测量
抽象背景：准确测量出血体积对于预测和自发性脑内出血（ICH）后的预测和选择适当的临床治疗至关重要。这项研究旨在评估具有有或没有脑室内出血（IVH）延伸的自发性自发性分割脑出血（ICH）体积时，基于深度学习的分割算法的性能和准确性。我们将此自动管道与两种手动分割技术进行了比较。方法：我们回顾性地审查了105例急性自发ICH患者。根据IVH延伸的存在，将患者分为两组：ICH没有（n = 56）和IVH（n = 49）。ICH进行分割并测量，并使用ABC/2评分来测量ICH中ICH中没有IVH组的出血量。相关性和协议分析用于分析三种分割方法之间的处理时间和处理时间长度的差异。结果：在没有IVH组的ICH中，使用AI和ABC/2分数测量的ICH量与CTP分割相当。在三种分割方法中观察到了强相关性（r = 0.994，0.976，0.974; p <0.001;一致性相关系数[CCC] = 0.993，0.968，0.967）。但是，通过ABC/2分数测量的ICH体积的绝对误差大于算法的绝对误差（p <0.05）。在ICH中，IVH组中，算法和CTP之间没有发现显着差异（p = 0.614）。CTP和AI之间的相关性和一致性很强（r = 0.996，p <0.001； CCC = 0.996）。AI分割比CTP的时间明显短（p <0.001），但略长于ABC/2分数技术（P = 0.002）。结论：与CTP测量相比，基于深度学习的AI诊断系统具有高忠诚度和更高效率的急性自发ICH，并且比ABC/2分数更准确。我们认为这是一种有前途的工具，可以帮助医生在实践中实现精确的ICH量化。关键字：脑内出血，自发性脑内出血，体积，人工智能，深度学习
经皮耳穴迷走神经刺激对蛛网膜下腔出血患者心血管功能影响的安全性研究
图 1. 研究原理和临床试验设计。A. 与迷走神经刺激相关的免疫调节神经通路包括胆碱能抗炎通路、交感神经系统和下丘脑-垂体-肾上腺 (HPA) 轴。免疫原性刺激激活迷走神经传入神经，主要终止于背迷走神经复合体。来自背迷走神经复合体的上升投射到达室旁核 (PVN) 和延髓腹内侧前部 (RVM)，分别激活下丘脑-垂体-肾上腺 (HPA) 轴和交感神经系统，以调节免疫反应。taVNS 可以通过交感神经系统或传出迷走神经影响心血管功能。B - C。临床试验结构和治疗方案。 taVNS 组患者每天接受两次电刺激（0.4 mA、250 µs 脉冲宽度、20 Hz），每次 20 分钟。假手术组患者将耳夹戴在耳垂上，持续时间相同。D. 使用耳夹进行 taVNS 治疗。