XiaoMi-AI文件搜索系统
World File Search Systemventricular
无框神经训练，具有计算机视觉和实时跟踪的床边外部室外排放位置：尸体研究
客观，通过图像指导技术改善床旁神经外科手术程序安全性和准确性的主要障碍是缺乏针对移动患者的快速部署，实时的注册和跟踪系统。这种缺陷解释了外部室排水的徒手放置的持续性，该室外排水口具有不准确定位的固有风险，多次通过，流血出血以及对邻近脑实质的伤害。在这里，作者介绍并验证了无框立体神经纳维加菌和导管放置的新型图像登记和实时跟踪系统。方法使用计算机视觉技术来开发一种几乎连续，自动和无标记的图像注册的算法。该程序融合了受试者的预处理CT扫描中的3D摄像头图像（快照表面），并且通过人工智能驱动的重新校准（Real-Track）进行了患者运动。计算了5个发生串行运动（快速，缓慢的速度滚动，俯仰和偏航运动）的5个尸体头部的表面注册误差（SRE）和目标注册误差（TRE），以及几个测试条件，例如有限的解剖学暴露和不同的受试者照明。使用模拟的无菌技术将六个导管放在每个尸体头（总计30个位置）中。过程后CT扫描允许比较计划的和实际导管位置，以进行用户错误计算。的结果注册对于所有5个尸体标本都成功，导管放置的总体平均值（±标准偏差）SRE为0.429±0.108 mm。TRE的精度在1.2毫米以下保持在1.2 mm的范围内，整个标本运动的低速和高速滚动，俯仰和偏航的速度最高，重新校准时间最慢，为0.23秒。当样品被覆盖或完全不覆盖时，SRE没有统计学上的显着差异（p = 0.336）。在明亮的环境与昏暗的环境中进行注册对SRE没有统计学上的显着影响（分别为p = 0.742和0.859）。对于导管放置，平均TRE为0.862±0.322 mm，平均用户误差（目标和实际导管尖端之间的差异）为1.674±1.195 mm。结论这个基于计算机视觉的注册系统提供了对尸体头的实时跟踪，其重新校准时间少于四分之一的一秒钟，并具有亚毫升准确性，并启用了毫米准确性的导管放置。使用这种指导床旁心室造口术可以减少并发症，改善安全性并将其推断到清醒，非肌化患者中的其他无框立体定向应用。
机器人右心室是一个生物杂化平台，在（PATHO）生理条件和干预措施中模拟右心室功能
对右心室（RV）的越来越多的认识需要开发以RV为中心的干预措施，设备和测试床。在这项研究中，我们开发了一种右心脏的软机器人模型，该模型准确地模仿了RV生物力学和血液动力学，包括游离壁，中间和瓣膜运动。该模型使用生物杂化方法，将经过化学处理的心内膜支架与软机器人合成心肌结合在一起。连接到循环流动环时，机器人右心室（RRV）会在健康和病理状况中复制实时血液动力学变化，包括体积超负荷，RV收缩失败和压力过载。RRV还模仿了RV功能障碍的临床标记，并使用体内猪模型进行了验证。此外，RRV还会重现弦张张力，模拟乳头状肌肉运动，并显示了三尖瓣修复和体外替换的潜力。这项工作旨在为开发用于RV病理生理学研究和治疗的工具提供一个平台。
促进者 - 手动攻击性的心脏 -
Index for evaluating left ventricular filling pressure Electrocardiography/electrocardiogram Estimated glomerular filtration rate Heart failure Heart failure with reduced ejection fraction Heart failure with mildly reduced ejection fraction Heart failure with preserved ejection fraction Isovolumetric relaxation time Intensive care unit Intravenous Left atrium Low molecular weight heparin Left ventricular end diastolic volume Left ventricular end systolic volume Left ventricular ejection fraction Left atrial volume index Left ventricular hypertrophy Mineralocorticoid receptor antagonist N-terminal prohormone brain natriuretic peptide Third heart sound Stroke volume Sinus rhythm Peripheral capillary oxygen saturation Sodium glucose co-transporter 2 inhibitor
由英国合作组织开发和验证的人工智能自动左心室尺寸评估
结果：在验证数据集中，AI 左室内径的精度 SD 为 3.5 毫米。具体而言，个人专家测量值与专家共识的精度 SD 为 4.4 毫米。AI 与专家共识之间的组内相关系数为 0.926（95% CI，0.904–0.944），而个人专家与专家共识之间的组内相关系数为 0.817（0.778–0.954）。对于室间隔厚度，AI 的精度 SD 为 1.8 毫米（组内相关系数，0.809；0.729–0.967），而个人的精度 SD 为 2.0 毫米（组内相关系数，0.641；0.568–0.716）。对于后壁厚度，AI 的精度 SD 为 1.4 毫米（组内相关系数，0.535 [95% CI，0.379–0.661]），而个人的精度 SD 为 2.2 毫米（0.366 [0.288–0.462]）。我们展示了所有图像和注释。这突出了具有挑战性的病例，包括图像质量差和锥形心室。
通用心室辅助设备的表征和开发：高级设计的计算流体动力学分析
使用横跨左心室辅助装置（LVAD）和右心室辅助设备（RVAD）操作的条件进行的体外液压性能测量，创建并验证了AVAD CFD模型。放置在整个泵中的静态钻头被用来对CFD结果进行评价。然后使用CFD模型来评估液压性能的变化，并通过不同的转子轴向位置进行识别并确定潜在的设计改进。以转子速度从2,300至3,600转/分钟进行液压性能，并以2.0至8.0 l/min的流速进行测量。CFD预测的液压升高与体外测量的数据非常吻合，在2300 rpm的6.5％以内，对于较高的转子速度，在3.5％以内。CFD成功预测了壁静电压力，与7％以内的实验值相匹配。在泵的运行中观察到泵的流场中的高度相似性和圆周均匀性，作为LVAD和RVAD。次级叶轮轴向清除率降低导致峰值流量停留时间降低10％，次级叶轮上的静态压力降低。这些较低的静态处方表明，次级叶轮的向上转子力量降低，并且泵的压力灵敏度所需的增加。
机器学习电生理信号预测室性心律失常：系统评价和研究间异质性检验
本研究之前的证据 心脏性猝死 (SCD) 和恶性室性心律失常 (VA) 是全球主要的公共卫生问题。尽管已经确定了 SCD 和恶性 VA 的危险因素（例如左心室射血分数 ≤ 35%），但大多数事件发生在没有任何危险因素的个体中。目前，尚无有效的筛查工具来识别 SCD 或恶性 VA 的高危人群。人工智能 (AI) 的出现以及使用体表心电图 (ECG)、心脏内设备和可穿戴传感器非侵入性获得的电生理信号的日益普及，可以促进对 SCD 和恶性 VA 的个性化预测。我们搜索了 MEDLINE (Ovid)、EMBASE (Ovid)、Scopus、Web of Science 和 Cochrane Library Databases 电子数据库，以查找 2021 年 8 月之前发表的研究，这些研究开发了机器学习 (ML) 或深度学习 (DL) 模型，用于使用电生理信号预测恶性 VA 或 SCD。我们发现单个 ML 和 DL 模型的预测性能通常很高，尤其是从公开数据集中得出的 ML 和 DL 模型具有更高的准确性。然而，这些研究的特点是
个性化计算建模和机器学习的组合，以优化心脏重新同步
材料和方法：我们回顾了57名CRT接收者的回顾性数据。阳性10响应定义为LVEF的10％以上。通过MRI和CT图像创建了心室11激活和ECG的个性化模型。在内在节奏和带有REF-PS的室内节奏和双室（BIV）起搏过程中，室中12个激活的特征源自13个模型，并与临床数据结合使用，以训练监督的ML分类器。高精度为0.77（ROC 15 AUC = 0.84）的14个最佳逻辑回归模型分类的CRT响应者。将LR分类器，模型模拟和贝叶斯优化使用高斯16过程回归组合在一起，以识别最佳的ML-PS，该ML-PS最大化每个患者的LV表面上的17 CRT响应的ML得分。18
仅通过ECG解释的深度学习算法预测了磷团心肌病中恶性心律失常的风险
来自荷兰乌得勒支大学医学中心1个心脏病学系，荷兰乌特雷希特，2个心脏病学系，格罗宁根大学医学中心，格罗宁根大学医学中心，荷兰3号，阿姆斯特丹UMC UMC位置的心脏病学系3，阿姆斯特丹，阿姆斯特丹，阿姆斯特丹，荷兰，荷兰，4欧洲，低 - 稀有的居民，或复杂的居民Guard-Heart），第5届临床流行病学系，生物统计学和生物信息学系，阿姆斯特丹大学医学中心，阿姆斯特丹大学，阿姆斯特丹大学，阿姆斯特丹，荷兰，荷兰，第6次心脏病学系，Sneek，Sneek，Sneek，Sneek，Sneek，Sneek，Sneek，Sneek，荷兰，荷兰7号，荷兰，荷兰7号，荷兰，荷兰，纽约市，纽约市，纽约市，纽约市。 Leeuwarden，荷兰，荷兰9号，NOordWest医院组9，荷兰烷烃，荷兰10号，人类遗传学10，阿姆斯特丹大学医学中心，阿姆斯特丹，荷兰，荷兰11号，遗传学系11荷兰心脏研究所，荷兰，荷兰，中央军事医院，乌得勒支14号，荷兰，荷兰伊斯兰穆斯医学中心15个心脏病学系。*这些作者为这项工作做出了同样的贡献。
病例报告：钠 - 葡萄糖共转运蛋白2抑制剂诱导与蒽环类相关的心脏功能障碍的左心室反向重塑 - 病例系列
目的：描述钠 - 葡萄糖共转运蛋白2抑制剂的效率和安全性是针对小时的实际人群中与蒽环类药物相关的心脏功能障碍的特定治疗方法。方法：在引入钠 - 葡萄糖共转运蛋白2抑制剂之前和之后，对七名患有蒽环类药物相关的心脏功能障碍的患者进行了临床和超声心动图评估。结果：经过24周的中位数，不间断的钠 - 葡萄糖共转移蛋白2抑制剂治疗，观察到明显的临床改善，并且至少一个纽约心脏联想功能类（NHYA FC）改善了所有患者（中位数NYHA FC：I VS. III VS. III，P <0.010）。值得注意的左心室储备重塑（中值左心室舒张体积：53 vs. 82.5 ml/m 2，p = 0.018;中位左心室射血分数：50％vs. 40％vs. 40％，p = 0.17）。葡萄糖共转运蛋白2抑制剂治疗均受了每位患者的耐受性；未观察到中断或相关副作用的病例。结论：钠 - 葡萄糖共转移蛋白2抑制剂可引起显着的临床改善，并在受蒽环类药物相关的心脏功能障碍影响的患者中进行了显着的临床改善和左心室储备重塑。
使用超声心动图放射线特征和机器学习算法
由心肌中的铁沉积引起的抽象心力衰竭是β-丘脑贫血患者死亡率的主要原因。心脏磁共振成像（CMRI）T2*是用于检测心肌铁超负荷的主要筛选技术，但固有地存在一些局限性。在这项研究中，我们的目的是根据从超声心动图图像中提取的放射性特征和机器学习（ML）在具有正常左心室放射率（正常左心室放射率（LVEF）正常的左心室放射率（LVEFF> 55％）中提取的放射性特征（LVE> 55％）的患者，基于放射性图像图像和机器学习（ML）提取的放射性特征（ML）基于放射性图像和机器学习（ML）的放射性特征（LVE> 55％）中的放射性特征（由T2*CMRI检测）分开了β-核铁无症患者与没有心肌铁超负荷的患者。在91例病例中，有44例患有正常LVEF（> 55％）和T2*≤20ms的患者，其中包括对照组，其中47例LVEF> 55％和T2*> 20 ms的患者包括在研究组中。放射线特征。然后，使用了三种特征选择（FS）方法和六个不同的分类器。使用各种指标评估模型，包括ROC曲线（AUC）下的面积，准确性（ACC），灵敏度（SEN）和特异性（SPE）。Maximum relevance-minimum redundancy-eXtreme gradient boosting (MRMR-XGB) (AUC = 0.73, ACC = 0.73, SPE = 0.73, SEN = 0.73), ANOVA-MLP (AUC = 0.69, ACC = 0.69, SPE = 0.56, SEN = 0.83), and recursive feature elimination-K-nearest neighbors (RFE-KNN) (AUC = 0.65，ACC = 0.65，SPE = 0.64，SEN = 0.65）是ED，ES和ED＆ES数据集中的最佳模型。使用超声心动图图像和ML提取的放射线特征，可以预测铁超载引起的心脏问题。