XiaoMi-AI文件搜索系统
World File Search Systemstroke
机器学习应用于脑瘫和中风中的步态分析数据：系统评价
背景：在神经病理学中，脑瘫和中风是行走障碍的主要因素。在最近的文献中提出了机器学习方法，以分析这些患者的步态数据。但是，机器学习方法仍然无法有效地转化为临床应用。这一系统评价解决了阻碍机器学习数据分析在脑瘫和中风患者的临床评估中使用的差距。研究问题：将提议的机器学习方法转移到临床应用中的主要挑战是什么？方法：PubMed，Web of Science，Scopus和IEEE数据库被搜索，以获取有关机器学习方法的相关出版物，直到2023年2月23日，将其应用于中风和脑瘫患者的步态分析数据。提取了与所提出方法有效翻译为临床使用的适用性，可行性和可靠性有关的信息，并根据一组预定义的问题评估了质量。结果：从4120个结果参考文献中，有63个符合纳入标准。三十一项研究使用了监督，32条使用了无监督的机器学习方法。人工神经网络和K-均值聚类是每个类别中最常用的方法。缺乏特征和算法选择的基本原理，使用未经复制的数据集以及群集输出的临床解释性缺乏，这是这些方法的临床可靠性和适用性的主要因素。意义：文献提供了许多机器学习方法，用于从脑瘫和中风患者聚集步态数据。然而，所提出的方法的临床意义仍然缺乏，将其翻译成现实世界的应用。未来研究的设计必须考虑到临床问题，数据集意义，特征和模型选择以及结果的解释性，鉴于它们对临床翻译的关键性。
使用机器学习技术分析不平衡的中风预测数据集
摘要摘要中风是一种以脑内血管破裂为特征的疾病，可导致脑损伤。当大脑的血液和必需营养素供应中断时，可能会出现各种症状。本研究的主要目标是使用机器学习和深度学习来预测早期发生脑中风的可能性。及时发现中风的各种警告信号可以显著降低中风的严重程度。本文对特征进行了全面的分析，以提高中风预测的有效性。从 Kaggle 网站上获取了一个可靠的中风预测数据集，以衡量所提算法的有效性。该数据集存在类别不平衡问题，这意味着负样本总数高于正样本总数。结果基于使用过采样技术创建的平衡数据集报告。这项提案的工作使用 Smote 和 Adasyn 来处理不平衡问题，以获得更好的评估指标。此外，与原始不平衡数据集和其他基准测试算法相比，使用 Adasyn 过采样利用平衡数据集的混合神经网络和随机森林 (NN-RF) 实现了 75% 的最高 F1 分数。
严重程度依赖性间歇性白质连接性预测中风后忽视恢复
左侧的空间忽视是右hemespheric中风后的一个非常普遍且充满挑战的问题，这对日常生活行为和中风幸存者的恢复产生了强烈和负面影响。空间疏忽恢复的基础机制仍然存在，尤其是关于完整的，对侧半球的参与，其潜在贡献范围从适应不良到补偿性。在本期前瞻性，观察性研究中，我们评估了54名右派中风患者（32名男性； 22名女性）的忽视严重程度，并从住院神经居住居住和出院时。我们证明，由个别病变引起的最初忽视严重程度和幸免的白质（DIS）的相互作用（如扩散张量成像，DTI所评估）解释了卒中后忽视恢复的一定部分。在轻度受损的患者中，病变半球内的幸运结构连通性足以达到良好的恢复。相反，在严重损害的患者中，成功恢复在很大程度上取决于完整半球和半球之间的结构连通性。这些独特的模式是由它们各自的白质连接所介导的，可能有助于调和有关相对于半球的作用，以补偿是否完全补偿性。相反，他们提出了一个统一的观点，其中相对于半球可以（但不一定）扮演补偿性作用。这将取决于最初的损害严重程度和可用的，宽敞的结构连接性。将来，我们的发现可能是忽视恢复并指导患者量身定制的治疗方法的前卫生物标志物。
包裹神经训练 - 侵蚀性 - 静态st-24.pdf
手稿版本：作者接受的手稿包装中呈现的版本是作者接受的手稿，可能与已发布的版本或记录的版本有所不同。持续的包裹网址：http：//wrap.warwick.ac.uk/185656如何引用：有关最新的书目引用信息，请参考发布版本。如果已知已发布的版本，则链接到上面的存储库项目页面将包含有关访问它的详细信息。版权所有和重复使用：沃里克研究档案门户（WARAP）使沃里克大学的研究人员在以下条件下可用开放访问权限。©2024 Elsevier。在创意共享属性下获得许可 - noncmercial- noderivatives 4.0国际http://creativecommons.org/licenses/by-nc-nc-nd/4.0/。
脉冲电磁场和疼痛肩部的神经肌肉电刺激的效率
摘要|简介：中风后的肩部疼痛，患病率为16-84％，通常在2-3个月后发生，可能导致康复计划中止，住院时间更长和肢体功能降低，损害中风患者的生活质量。本研究的目的是确定PEMF和EENM对中风患者肩部疼痛减少的影响。材料和方法：一项前瞻性，随机和对照研究包括51例AVC后肩痛患者。患者被随机分为三组（每组17人）：脉冲电磁场组（PEMF），神经肌肉电刺激组（EENM）和对照组。结果测量在模拟视觉（VAS）量表上，修饰的Ashworth量表（MAS）和FUGL MEYER评估 - 上端（FMA-EU），运动振幅（AROM/PROM）在末端，六周的治疗后以及每周随访后进行了评估。结果：疼痛的VAS得分在20个会话后，PEMF，EENM和对照的平均变化分别为1.60、1.60和4.94。在这三组之间显示出显着改善（P <0.001），但是PEMF和EENM组的有效性优于对照组。结论：这项研究表明，PEMF和EENM有效地改善了VC后的肩部疼痛，痉挛，运动和运动功能的振幅，以及一种用于康复中风的患者的新方法。我们的发现表明，EENM的有效性显然高于PEMF在保持长期镇痛方面的有效性。
镜像疗法治疗脑卒中后失语症的疗效及安全性
本研究将搜索 PubMed、Web of Science、Cochrane Library、EMBASE、Medline、中国知网 (CNKI)、万方、中国生物医学文献数据库 (CBM)，从建库至 2023 年 5 月 1 日，以确定任何符合条件的研究。出版语言或日期不受限制。我们将只纳入 MT 治疗中风后失语症的随机对照试验。两名研究人员将分别负责研究选择、数据提取和研究质量评估。西方失语症量表 (WAB) 和失语商 (AQ) 将被列为主要结果。波士顿诊断性失语症检查方法 (BDAE)、中国标准失语症检查 (CRRCAE) 将被列为次要结果。统计分析将采用 RevMan V.5.4 软件进行。纳入研究的偏倚风险将通过 Cochrane“偏倚风险”工具进行评估。将使用建议分级评估、发展和评价指南来评估结果证明的质量。
急性卒中血管内再灌注治疗前血脑屏障破坏及出血性转化
随着全球人口老龄化，缺血性卒中的发病率逐年增加。大血管闭塞患者的预后通常较差，因为严重的卒中会损害意识、导致瘫痪并可能导致死亡 ( 1 , 2 )。近年来，卒中的预防和治疗取得了进展，发病率和死亡率显著下降。然而，对急性缺血性卒中 (AIS) 患者的治疗效果仍然有限。静脉血栓溶解和血管内治疗是目前最有效的恢复血流的再灌注疗法，且血管内治疗的再通率高于静脉血栓溶解 ( 3 , 4 )。然而，再灌注治疗有损伤风险，可能导致出血性转化 (HT)，从而导致神经功能恶化和死亡率增加 ( 5 )。此外，血管内手术会增加 HT 的风险 ( 1 , 2 )。
衍生软件帮助中风的临床决策
2.2 中风的治疗取决于病因、脑供血中断的时间长短以及中风造成的损害的严重程度。在缺血性中风（最常见的类型）中，当脑供血被血栓阻塞时，治疗的目的是通过静脉注射溶栓药物（溶栓）分散血栓，并通过机械方法去除血栓（血栓切除术）来恢复血流。溶栓需要在中风症状出现后 4.5 小时内开始。对于最后一次被确认健康的人，应尽快进行血栓切除术，对于最后一次被确认健康的人，应尽快考虑进行血栓切除术。对于不太常见的中风类型，即脑出血，当脑中脆弱的血管破裂，血液渗入软脑组织时，这些治疗将是有害的，不应提供。
在应用磺化聚（醚酮）（Speek）及其用于质子交换膜燃料电池（PEMFC）的有机复合膜
人类和动物研究证明了心血管和神经血管健康的有氧运动的机制和好处。有氧运动诱导脑网络的神经塑性和神经生理重组，改善脑血流，并增加全身VO2峰（峰值消耗量）。结构化心脏康复（CR）计划的有效性已建立得很好，对于患有心血管疾病的人来说，这是护理连续性的重要组成部分。中风后的个体表现出降低的心血管能力，这会影响其神经系统恢复并扩大残疾。中风幸存者与心脏病患者具有相同的危险因素，因此除了神经康复外，还可以从全面的CR计划中受益匪浅，以解决其心血管健康。将中风的个体纳入CR计划，具有适当的适应能力，可以显着改善其心血管健康，促进功能恢复，并减少未来的心血管和脑血管事件，从而减轻中风的经济负担。
基于智能手机的言语疗法治疗后肌想障碍：试验随机对照试验评估功效和可行性
方法：将参与者分为两组，以进行这项随机评估者盲试验。干预组使用基于智能手机的语音治疗应用程序每天1小时，每周5天，持续4周，并提供基于指南的标准中风护理。对照组获得了基于标准指南的中风护理和康复。使用重复措施ANOVA评估语音清晰度，心理健康，生活质量和用户接受。结果：在这项研究中，招募了40例中风后构音障碍患者，其中32例完成了试验（每组16例）。与对照组相比，干预组的语音清晰度有显着提高。这是从基线（F 1,30 = 34.35; P <.001），组间差异（F 1,30 = 6.18; P = .02）和明显的按时间相互作用（F 1,30 = 6.91; P = .01）中的改进来证明这一点。关于次级结果，干预措施会随着时间的推移改善正确的辅音百分比（f 1,30 = 5.57; p = .03）。此外，随着时间的推移，干预组的质心严重程度（F 1,30 = 21.18; p <.001）注意到了显着降低，具有明显的组效应（F 1,30 = 5.52; P = .03）和时间互动（F 1,30 = 5.29 = 5.29 = 5.29; P = .03）。关于生活质量，通过EQ-5D-3L问卷（F 1,30 = 13.25; P <.001）和EQ-VAS（F 1,30 = 7.74; P = .009）观察到显着改善。对基于智能手机的应用程序的依从性率为64％，超过一半的参与者完成了所有课程。该应用程序的可用性被评为较高（系统可用性得分80.78）。此外，干预组还报告了与对照组相比使用该应用程序的自我效能感（f 1,30 = 10.81; p = .003）。