XiaoMi-AI文件搜索系统
World File Search Systempneumonia
甲板：儿童肺炎和腹泻疫苗的救生能力
菲律宾在20个国家中，有80％的儿童肺炎和腹泻死亡的浓缩液均未达到PCV，轮状病毒和HIB疫苗的所有全球疫苗覆盖率（> 90％）。只有13个低收入和中等收入国家这样做。*在20个高负责任国家中，有两个实现了PCV目标（孟加拉国和布基纳法索），一个是轮状病毒目标（印度）。四个国家至少获得了90％的HIB疫苗覆盖范围（孟加拉国，布基纳法索，埃及，印度）。在20个高负荷国家中非常关注的是七个或多种疫苗。
护士对儿童肺炎治疗策略的认知
摘要背景：肺炎是儿科中常见的下呼吸道感染，尤其是五岁以下儿童；它是五岁以下儿童发病和死亡的常见原因。研究目的：了解护士对儿童肺炎治疗策略的看法，并找出他们的看法与人口统计变量之间的关联。方法：从巴格达市的三家医院（卡迪米亚儿童医院、中央儿科教学医院和儿童福利教学医院）中选取 46 名护士作为研究样本，以了解他们对儿童肺炎的看法。结果：研究结果表明，该年龄组（20-25 岁）的大多数护士参与者都是女性，拥有护理文凭。护士的看法与年龄、教育水平、病房服务和培训课程等许多变量之间存在关联。结论：总体而言，护士非常了解儿童肺炎的治疗策略，但某些项目的差距可能是由于他们从社交媒体中获取的信息。让卫生部媒体了解治疗儿童肺炎的全球战略的重要性是改善护士认知差距的重要一步。
流感和肺炎疫苗直通诊所10月6日
MCHD直通诊所将于2022年10月6日（星期五）上午9:00举行。下午3:00天气允许。如果天气恶劣，请访问我们的Facebook页面以获取更新或致电734-240-7800。直通诊所将在门罗县排水委员会办公室以东的大楼举行，位于1001 Raisinville Rd。居民需要在密歇根州门罗市庇护所的动物控制大楼以南的第一个车道上进入直通诊所。
使用带有卷积神经网络的量子电路进行肺炎检测⋆
摘要。图像分类已成为机器学习方法中最重要的领域之一。人脸识别、物体检测、无人驾驶汽车或机器人以及疾病识别都是已经产生影响的领域。将卷积神经网络 (CNN) 层引入图像分类和物体检测也带来了实质性的改进。使用低维滑动核，CNN 能够毫不费力地从图像中提取特征。当将量子电路（量子计算的基本元素）添加到此内核时，它会变得非常复杂，经典上难以处理的内核。量子电路和 CNN 的这种混合组合可用于早期检测肺炎，这是在疾病损害感染者肺部之前治愈疾病的重要步骤。在本文中，我们提出了一种混合 CNN 模型，该模型基于 CNN 模型架构，并在胸部 X 光片图像上实施量子电路以诊断肺炎疾病。我们使用来自公共存储库的数据，其中包含超过 5K 张图像，在分类环境中应用了经典和量子算法。我们的结果表明，将量子电路与经典 CNN 结合使用后，其性能显著提高，准确率更高。该模型在检测肺炎方面的表现表明，所提出的基于量子卷积神经网络的模型在实践中可以有效地对规则和不规则的 X 射线图像进行分类。
AI Rad Companion Research CT 肺炎分析原型
• 肺炎检测：禁用处理。通常，建议保持此选项为开启，否则将不会处理任何病例 • 生成结构化报告：如果开启，将生成基于 TID1500 模板的带有数值结果的 DICOM 结构化报告（开启） • 高不透明度分割阈值：HU 中的阈值，高于该阈值的不透明度将被视为高不透明度分割 • 可视化单个肺叶（开启）或仅左/右肺（关闭）的分割轮廓 • 打开/关闭 MPR 系列每个切片中量化结果的可视化 • 打开/关闭高不透明度分割轮廓的可视化 • 分割轮廓的厚度：分割轮廓的像素数 • 窗口（中心/宽度）：带有分割轮廓叠加的结果系列的默认窗口参数。 • 显示体积渲染：如果关闭，将不会生成体积渲染系列。
与社区获得的肺炎相关的脓毒症的血液学异常和凝血病
急性器官功能障碍，血液学变化和凝血变化均与社区获得的肺炎相关的所有败血症患者都存在。，我们能够根据典型的症状和2012 - 2020年期间实验室价值的变化，诊断为218例患者的社区获得的肺炎败血症。我们检查了白细胞的贫血，定量和定性变化的频率和严重程度，血小板的数值异常以及凝血病的临床和实验室迹象。我们诊断出149例败血症病例和161例白细胞增多患者的贫血。在6例患者中诊断出极严重的白细胞增多。在33例中检测到白细胞数量（白细胞增多症）的数量可变。的白细胞反应，白细胞计数增加，白细胞计数，骨髓细胞，元亚细胞细胞和一些非典型的髓样细胞诊断为3例患者。基于血小板计数，我们检测到82例患者的血小板减少症。用jamshidi针进行活检后，一名患者揭示了骨髓增生的骨髓特征。散布血管内凝血。
非特异性肺炎（NSIP）急性加重的细菌学特征
该研究确定大肠杆菌和肺炎链球菌是AE-NSIP患者中最常见和具有统计学意义的细菌分离株。这些发现与先前研究（例如Seth J. Kligerman等人[1]）保持一致，该研究使用培养非依赖性方法记录了NSIP患者的类似病原体。其他报告，例如Hochhegger B等[2]，也表现出NSIP患者的阳性培养物，支持细菌在疾病进展中的潜在作用。与其他肺部疾病真正急性事件不同，NSIP中急性加重的发作通常是阴险的[6]。最近，分子培养的独立技术已经确定了下部气道中的复杂微生物物种，在许多呼吸系统疾病中发生的微生物组发生了不同的改变[7，8]。在Sambataro G等[5]中，他们分析了20例使用细菌性肺炎，非特异性间质性肺炎和急性间质性肺炎，使用细菌性肺炎，使用细菌培养物和凝胶培养物和凝胶培养物和凝胶，分析了20例肺部肺部疾病患者的微生物菌群。鉴定了经典的呼吸道病原体（例如，流感嗜血杆菌）和各种以前未经识别或未经认可的生物。
人工智能应用于胸部X光检查以鉴别诊断新冠肺炎
1 意大利帕维亚 27100 大学高等研究院 IUSS 大学学院科学、技术和社会系； salvatore@deeptracetech.com 2 DeepTrace Technologies SRL，地址：Conservatorio 17，20122 米兰，意大利； interlenghi@deeptracetech.com （MI）; polidori@deeptracetech.com (AP) 3 米兰大学健康生物医学科学系，Via Mangiagalli 31, 20133 米兰，意大利； caterina.monti@unimi.it（CBM）; davide.capra@unimi.it （华盛顿特区）; andrea.cozzi1@unimi.it （交流）; francesco.sardanelli@unimi.it (FS) 4 意大利蒙扎—圣赫拉尔多医院放射科，Via Pergolesi 33，20900 蒙扎，意大利； davide.ippolito@unimib.it （DI）; d.gandola1@campus.unimib.it （DG）5 放射科，IRCCS Policlinico San Donato，Via Morandi 30，20097 San Donato Milanese，意大利； schiaffino.simone@gmail.com 6 诊断成像和立体定向放射外科部，CDI Centro Diagnostico Italiano SpA，Via Saint Bon 20, 20147 Milan，意大利； marco.ali@cdi.it 7 米兰比可卡大学物理系，Piazza della Scienza 3, 20126 米兰，意大利 8 国家研究委员会生物医学成像和生理学研究所，Via Fratelli Cervi 93, 20090 Segrate，意大利 9 米兰比可卡大学医学和外科学院，Piazza dell'Ateneo Nuovo 1, 20126 米兰，意大利； cristina.messa@unimib.it 10 米兰比可卡大学 Tecnomed 基金会，Palazzina Ciclotrone—Via Pergolesi 33，20900 蒙扎，意大利 * 通讯地址：isabella.castiglioni@unimib.it † C. Salvatore、M. Interlenghi 和 CB Monti 对本文贡献相同。
人工智能在急诊科 COVID-19 肺炎放射诊断中的应用
1. Tsikala VM、Atalla E、Georgakas J 等人。用于研究、诊断和治疗 COVID-19 患者的新兴技术。Cell Mol Bioeng。2020；13(4):249–257。2. Weizman Y、Tan AM、Fuss FK。使用可穿戴技术增强对冠状病毒 (COVID-19) 大流行的应对。公共卫生。2020；185:221-222。3. Wilmink G、Summer I、Marsyla D 等人。实时数字接触者追踪：开发一种用于控制疗养院和长期护理机构中 COVID-19 疫情的系统 (预印本)。JMIR 公共健康监测。2020；6(3):e20828。4. Hare N、Bansal P、Bajowala SS 等人。 COVID-19：揭开远程医疗的面纱。《过敏临床免疫实践杂志》。2020；8(8):2461。5. Berlyand Y、Raja AS、Dorner SC 等人。人工智能如何改变急诊科的运作。《Am J Emerg Med》。2018；36(8):1515-1517。6. Grant K、McParland A、Mehta S、Ackery AD。急诊医学中的人工智能：具有革命性潜力的可克服障碍。《Ann Emerg Med》。2020；75(6):721-726。7. Chase VJ、Cohn AEM、Peterson TA、Lavieri MS。使用预测方法预测急诊科人流量，为非危机事件创建“激增响应”。《Acad Emerg Med》。2012；19(5):569-576。 8. Liu N, Koh ZX, Chua ECP 等。通过不平衡临床数据预测急性心脏并发症的风险评分。IEEE J Biomed Heal Informatics。2014;18(6):1894-1902。9. Levin S、Toerper M、Hamrock E 等。与急诊严重程度指数相比，基于机器学习的电子分诊可以更准确地根据临床结果区分患者。Ann Emerg Med。2018;71(5):565-574.e2。
DBP国际AB和Vivo Biopharma LLC
NextCell开发了候选药物突起，这是一种用于治疗自身免疫性疾病和炎症疾病的细胞疗法。突起是一种具有广泛潜力和应用的平台技术。NextCell先前已经对细胞疗法进行了几项临床研究，包括Protrans-1，Protrans-2和正在进行的蛋白突出，评估了1型糖尿病治疗的安全性和功效，该药物在其中显示了保留患者自身胰岛素产生的有希望的结果。突起基于精心选择的脐带基质细胞的膨胀和制定，优化以抑制过度活跃的免疫系统并恢复免疫平衡。