XiaoMi-AI文件搜索系统
World File Search System听诊
人工智能辅助听诊心脏杂音
摘要 人工智能 (AI) 有可能提高通过听诊筛查瓣膜和先天性心脏病的准确性。然而，尽管最近在以心音为重点的信号处理和分类算法方面取得了进展，但临床对这项技术的接受度仍然有限，部分原因是缺乏客观的性能数据。我们假设可以通过虚拟临床试验对心脏杂音检测算法进行定量和客观的评估。从约翰霍普金斯心脏听诊记录数据库 (CARD) 中选择了所有具有病理性杂音、无害杂音或无杂音的病例。独立于 CARD 开发的测试算法使用自动批处理协议分析每个记录。从 CARD 中选择了来自 603 次门诊就诊的 3180 条心音记录。算法对心率的估计与黄金标准相似。检测病理病例的敏感性和特异性分别为 93%（CI 90–95%）和 81%（CI 75–85%），准确率为 88%（CI 85–91%）。性能因算法确定性度量、患者年龄、心率、杂音强度、胸部记录位置和病理诊断而异。据我们所知，这是首次报道的基于人工智能的杂音检测算法的全面客观评估。测试算法在这次虚拟临床试验中表现良好。该策略可用于有效地比较其他算法对同一数据集的性能，并提高对人工智能辅助听诊潜在临床实用性的理解。
MegaCode Kid 高级心电图儿童版
插管 ................................................................................................................................ 2 心脏相关技能 ................................................................................................................ 2 安全预防措施 ................................................................................................................ 2 心音、呼吸音和肠音听诊 ........................................................................................ 2 颈动脉脉搏 ...................................................................................................................... 2 静脉输液 ...................................................................................................................... 3 多静脉输液臂 ............................................................................................................. 3 骨内输液技能 ............................................................................................................. 3 保养和维护 ...................................................................................................................... 4 更换零件 ...................................................................................................................... 4
人工智能使用数字听诊器检测儿童病理呼吸音的准确性
背景：通过手动听诊检测异常呼吸音的观察者间可靠性较差。带有人工智能 (AI) 的数字听诊器可以提高对这些声音的可靠检测。我们旨在独立测试为此目的开发的 AI 的能力。方法：儿科呼吸科医生根据音频回放和仔细的频谱图和波形分析，从儿童身上采集了 192 个听诊记录，分别标记为包含哮鸣音、爆裂音或两者都不包含，其中一个子集由第二位盲法临床医生验证。这些记录提交给专门经过训练以检测病理性儿科呼吸音的盲法 AI 算法 (StethoMe AI) 进行分析。结果：在优化的 AI 检测阈值下，Clinicloud 记录的爆裂音检测阳性百分比一致性 (PPA) 为 0.95，阴性百分比一致性 (NPA) 为 0.99；对于 Littman 收集的声音，PPA 为 0.82，NPA 为 0.96。哮鸣音检测 PPA 和 NPA 分别为 0.90 和 0.97（Clinicloud 听诊），对于 Littman 记录，PPA 为 0.80，NPA 为 0.95。
HSDreport：使用超声心动图报告进行心音诊断
心音听诊在先天性心脏病的诊断中具有重要意义。然而，现有的心音诊断 (HSD) 任务方法主要局限于几个固定的类别，将 HSD 任务视为一个严格的分类问题，与医疗实践不完全相符，并且只能向医生提供有限的信息。此外，这种方法不利用超声心动图报告，而超声心动图报告是诊断相关疾病的黄金标准。为了应对这一挑战，我们推出了 HSDreport，这是 HSD 的新基准，它要求直接利用从听诊中获得的心音来预测超声心动图报告。该基准旨在将听诊的便利性与超声心动图报告的全面性结合起来。首先，我们为这个基准收集了一个新数据集，包括 2,275 个心音样本及其相应的报告。随后，我们开发了一个基于查询的知识感知转换器来处理这项任务。目的是利用医学预训练模型的功能和大型语言模型 (LLM) 的内部知识来解决任务固有的复杂性和多变性，从而提高方法的稳健性和科学有效性。此外，我们的实验结果表明，我们的方法在检测心音中的关键异常方面明显优于传统的 HSD 方法和现有的多模态 LLM。
通过心音图记录检测心脏杂音
心脏听诊是一种方便的诊断筛查工具，可以帮助识别患有心脏杂音的患者，以便进行后续诊断筛查和治疗心脏功能异常。然而，需要专家来解释心音，这限制了在资源受限的环境中听诊用于心脏护理的可及性。因此，2022 年乔治·B·穆迪 PhysioNet 挑战赛邀请各团队开发算法方法，从心音的心音图 (PCG) 记录中检测心脏杂音和心脏功能异常。在挑战赛中，我们从巴西农村的 1568 名儿科患者那里收集了 5272 条 PCG 记录，并邀请各团队实施诊断筛查算法，从记录中检测心脏杂音和心脏功能异常。我们要求参与者提交完整的代码来训练和运行他们的算法，以提高他们工作的透明度、可重复性和实用性。我们还设计了一个评估指标，该指标考虑了筛查、诊断、治疗和诊断错误的成本，使我们能够研究算法诊断筛查的好处并促进开发更具临床相关性的算法。在挑战赛期间，我们收到了来自 87 个团队的 779 个算法，最终形成了 53 个可用于检测心电图心脏杂音和心脏功能异常的代码库。这些算法代表了学术界和工业界的多种方法。
产时胎儿心率监测（2024 年 12 月）
在分娩开始时，对产前和任何新的产妇或胎儿风险因素进行初步评估，以确定是否提供间歇性听诊或胎心监护 (CTG) 作为胎儿心率监测的初始方法。为了完成全面的风险评估，应在分娩开始时填写胎儿监护分娩评估 (FMLR) 表和分娩风险评估。FMLR 表与分娩风险评估表相链接，允许同时填写两份表格。FMLR 表应注明要使用的胎儿监护类型（请参阅附录中的分娩风险评估）。
检查
心血管系统。1。心血管疾病患者的投诉。2。检查心血管疾病的患者。3。心跳和心脏刺激，发生的原因，诊断价值。4。Apex拍打，其特征，病理变化。5。相对和绝对心脏钝化，病理的变化。6。正常心脏轮廓，病理构型。7。脉冲及其特征。8。我心脏声音，形成的机理。I心脏声音变化的诊断价值（强化，弱化，分裂）。9。ii心脏声音，形成的机理。II心脏声音变化的诊断价值（强化，弱化，分裂）。10。iii和iv heart sounds。疾驰的节奏，其诊断价值。11。有机收缩性心脏杂音：形成的机理，原因，听诊的位置，特征。12。有机舒张期杂音。原因，形成机制，听诊的位置，特征。13。功能性舒张性杂音，形成的原因和机制。14。功能收缩期杂音，形成的原因和机制。15。心心摩擦声音，胸膜炎和心肺杂音。16。动脉和静脉压。17。肺栓塞，诊所，诊断。18。确定方法，年龄规范，增加动脉和静脉压的诊断价值。心脏哮喘和肺水肿的综合征，诊断。 19。 急性血管功能不全（晕厥，休克）。 临床图片，诊断。 20。 慢性心力衰竭。 定义，N.D.Strazhesco，V.H.Vasilenko和NYHA分类的阶段。心脏哮喘和肺水肿的综合征，诊断。19。急性血管功能不全（晕厥，休克）。临床图片，诊断。20。慢性心力衰竭。定义，N.D.Strazhesco，V.H.Vasilenko和NYHA分类的阶段。