XiaoMi-AI文件搜索系统
World File Search System左心室
心力衰竭结局在当代范围内患者队列中的左心室射血分数
1乌普萨拉大学医学科学系，入口40，5楼，75185，瑞典乌普萨拉； 2乔治全球卫生研究所，新南威尔士大学，悉尼，新南威尔士州，澳大利亚； 3瑞典Huddinge Karolinska Institutet神经生物学，护理科学与社会的家庭医学系； 4瑞典Falun Dalarna University的卫生与社会研究学院； 5瑞典斯德哥尔摩Karolinska Institutet的Danderyd医院临床科学系； 6糖尿病中心，瑞典斯德哥尔摩地区学术专家中心； 7心血管，肾脏和代谢，医疗部，生物制药，阿斯利康，哥德堡，瑞典； 8心血管，肾脏和代谢，医疗部，生物制药，阿斯利康，斯德哥尔摩，瑞典； 9 Sence Research AB，瑞典Uppsala；瑞典乌普萨拉大学肾脏医学科学系10； 11瑞典斯德哥尔摩Karolinska Institutet的Solna医学系心脏病学部门；和12 Capio S：瑞典斯德哥尔摩TGörans医院
使用深度神经网络对经食管超声心动图图像中的左心室进行分割
胸外按压是心肺复苏 (CPR) 期间促进全身循环的主要手段。最佳胸外按压可使心脏骤停患者获得良好的复苏效果。尽管最近的 CPR 指南建议使用实时反馈设备来在复苏期间维持高质量的 CPR，但它很少与良好的复苏效果相关[1-3]。原因之一可能是未监测胸外按压的位置。先前基于胸部计算机断层扫描的研究还发现，目前建议的胸外按压位置太高，无法有效压迫左心室 (LV) [4,5]。经食道超声心动图 (TEE) 被认为是一种很好的方法，可用于识别心脏骤停的可纠正原因以及监测 CPR 质量和位置[6-8]。它还可以在复苏期间不中断胸外按压的情况下识别受外胸按压的心脏结构[9]。因此，我们可以从心脏骤停患者 TEE 图像中评估胸外按压的准确位置和外部胸外按压产生的收缩功能。这可能验证 CPR 期间促进左心室收缩功能的最佳胸外按压方法[10-12]。分割左心室对于确定胸外按压的位置和获得心脏功能定量评估指标（如舒张末期容积、收缩末期容积、面积和射血分数）是必不可少的。人们进行了许多尝试来分割左心室。Noble 等[13]基于轮廓跟踪方法，采用了基于卡尔曼滤波器的心外膜和心内膜边界跟踪系统。Bosch 等[14]将边界检测的主动外观模型改进为主动外观运动模型，可实现全自动、强大且连续的左心室检测。大多数心脏图像，如超声波图像和核磁共振成像（MRI），都有模糊的边界和严重的噪声；因此，分析这些图像需要时间，而且结果可能因人而异。人工神经网络已被提出，因为它们提供了很高的分析精度，并使医学图像的泛化成为可能[15，16]。Smistad 等人[17]建议使用 U-Net [18] 的深度卷积神经网络进行 LV 分割模型，它由一个编码器-解码器组成，在生物医学图像中显示出鲁棒的分割模型。然而，U-Net 并没有考虑所有语义特征在解码过程中的贡献。因此，Moradi 等人[19]开发了一种改进的 U-Net，称为多特征金字塔 U-Net，其中通过在 U-Net 解码器路径的所有级别上链接特征图来补充特征。然而，现有的方法有一个局限性，即它们无法识别阴影和 LV 之间的模糊边界。此外，由于胸外按压，CPR 期间获取的 TEE 图像比正常超声心动图噪声更大。我们通过应用残差特征聚合方法和各种注意技术开发了基于 U-Net 的网络。我们的模型不仅展示了使用挤压和激励块以及残差块的强大特征提取技术，而且还关注更重要的特征。工作流程如图 1 所示。下一节描述了数据组织、深度学习的数据增强技术以及我们模型的结构。
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。
CoAt-Mixer：利用心电图检测左心室肥大的自注意力深度学习框架
左心室肥大是全因死亡和发病的重要独立危险因素，在心脏变化早期准确诊断具有重要的临床意义。心电图是初级保健中最方便、经济、无创的筛查方法。然而，实际的左心室肥大与诊断结果的符合率较低，因此人们对使用大数据和深度学习的算法的兴趣增加了。我们尝试使用大数据和深度学习算法来诊断左心室肥大，并旨在根据男性和女性的差异确认其诊断能力。这项回顾性研究使用了 2010 年 10 月至 2020 年 2 月在韩国原州延世大学原州 Severance 基督教医院获得的心电图。对左心室肥大的初步筛查进行了二元分类。实验中使用了三个数据集：男性、女性和整个数据集。二元分类的截止值定义为与筛选测试有意义的值（< 132 g/m 2 vs. 132 g/m 2 ，< 109 g/m 2 vs. 109 g/m 2 ）。分类任务使用了六种类型的输入。我们试图确定心电图是否具有对左心室肥大诊断的预测能力。对于整个数据集，该模型的受试者工作特征 (AUROC) 曲线下面积为 0.836（95% CI，0.833–838），灵敏度为 78.37%（95% CI，76.79–79.95）。对于男性数据集，AUROC 为 0.826（95% CI，0.822–830），灵敏度为 76.73%（95% CI，75.14–78.33）。对于女性数据集，AUROC 为 0.772（95% CI，0.769–775），灵敏度为 72.90%（95% CI，70.33–75.46）。我们的模型证实，左心室肥大可以在一定程度上通过心电图、人口统计学和心电图特征进行分类。特别是，我们构建了一个考虑性别差异的学习环境。因此，证实了男女之间的诊断能力差异。我们的模型将帮助疑似左心室肥大的患者以低成本接受筛查测试。此外，我们的
评估使用左心室辅助装置的糖尿病患者的传动系统感染情况
目的：左心室辅助装置 (LVAD) 在晚期心力衰竭管理中至关重要，但驱动系统感染仍然是一个严重的并发症。本研究旨在评估糖尿病和非糖尿病 LVAD 患者驱动系统感染的微生物特征和临床结果。方法：我们对 2020 年 1 月至 2024 年 12 月期间 40 名患有驱动系统感染的 LVAD 患者进行了回顾性分析。微生物被分为革兰氏阳性菌、革兰氏阴性菌或真菌，并比较了糖尿病组和非糖尿病组之间的患病率。分析了临床结果，包括复发、菌血症和死亡率。结果：革兰氏阳性菌是糖尿病组 (53.2%) 和非糖尿病组 (63.6%) 中最常见的分离微生物，无统计学差异 (p=0.285)。非糖尿病患者分离出金黄色葡萄球菌的频率更高（25% vs. 12.9%，p=0.110）。革兰氏阴性细菌和真菌病原体分别在 35.8% 和 6.6% 的病例中被鉴定出来，各组之间的分布相似。死亡率主要受年龄影响（AOR：0.879，95% CI：0.789-0.979，p=0.019），而其他人口统计学和临床因素没有显示出显着相关性。结论：糖尿病和非糖尿病 LVAD 患者的传动系统感染的微生物学特征是可比的，病原体流行率差异很小。年龄是死亡率的重要独立风险因素，而糖尿病不会导致临床结果的差异。需要进行更大规模的前瞻性研究来验证这些发现并优化感染管理策略。关键词：糖尿病、传动系统感染、心力衰竭、左心室辅助装置
贫血对左心室功能的影响和基本高血压患者的变形：心脏磁共振研究
必需高血压（HTN）升级心脏，脑和肾脏事件的风险（1）。2010年，HTN的全球患病率约为14亿，预计到2025年将增加到16亿（2）。htn在全球医疗系统上造成了重大负担，并成为全球心血管疾病（CVD）和总体死亡率的主要修改风险因素（3,4）。贫血影响了全球人口的大约三分之一，导致神经系统发展受损，工作效率降低以及发病率和死亡率提高（5）。贫血减少组织氧递送，引起心血管反应，可能导致损伤，表现为心脏增大，左心室肥大（LVH）和动脉重塑（6）。贫血是HTN患者心血管不良结局的重要危险因素。慢性贫血增加了预紧力，减少后负载并提高心输出量，可能导致适应不良的LVH，这是不良后果和整体死亡率的已知危险因素（7,8）。随着老化的衰老，HTN的发病率上升，使老年患者更容易受到贫血的合并症。尽管这两种情况都可以独立损害心血管系统（6,9,10），但它们的组合可能会恶化心脏功能障碍（11）。尽管它是该人群中死亡率的独立预测指标的重要性（12），但贫血经常被忽视，从而低估了其对心脏健康的影响，尤其是HTN患者的心脏结构和功能。据我们所知，没有研究使用CMR功能跟踪（CMR-FT）技术来研究心脏磁共振（CMR）在心脏病学中对于其独特而错综复杂的成像技术至关重要，通过提供精确测量LV体积和功能，组织表征和疤痕定量，可以进行彻底的评估（13）。CMR对于检测与HTN相关的微妙变化特别有价值，包括使用心肌功能跟踪的早期心肌功能障碍，这可能会彻底改变HTN患者的LV风险评估（14）。多项已发表的研究表明，糖尿病患者，慢性肾脏疾病（CKD）或CVD患者的贫血与LV舒张功能障碍之间存在联系，但发现不一致（15）。
左心室非计量心肌病和心肌桥接协会：巧合还是通常的关联？
1。案例报告一名62岁的妇女向我们的心脏病学部门提出了进步性呼吸困难和胸痛的发展，已有14年的发展。鉴于持续的症状，她于2021年3月被接纳进行广泛的心脏病评估。未发现心血管危险因素。她过去的病史并不明显，身体检查 - 发现血压为130/80 mmHg，脉搏血氧饱和度的每分钟每分钟氧饱和度为80次，房间空气为99％。电型心脏图在83 bpm处显示出窦性节奏，完整的左束分支块，QRS持久性为0.16 s。进行了立即的超声心动图，揭示了使用Biplane Simpson方法在40％测得的左心室功能障碍的弥漫性低发性，增加了左侧填充后表。顶视图和胸骨胸腔短轴视图显示，小径增加了左侧的乳头肌肉水平
提高了顶端肥大性心肌病的诊断标准
ai¼人工智能； APHCM¼根尖性肥厚性心肌病； BSA¼身体表面积； lvedvi¼索引左心室末端舒张体积； LVEF¼左心室射血分数； LVESVI¼索引左心室终端局势体积；质量¼索引左心室质量； MWT¼最大壁厚； SV¼冲程量。
深度学习衍生的心脏磁共振的临床和遗传关联基左心室质量
左心室肿块是心血管事件的风险标志，可能表明潜在的心肌病。心脏磁共振是用于左心室质量估计的金色标准，但在大规模上获得挑战。在这里，我们使用深度学习来使全基因组的关联研究对心脏磁共振衍生的左心室质量索引，这些左心室质量指向43,230英国生物库参与者的身体表面积。我们确定了12个基因组广泛的关联（TTN中有1个，左心室质量为11个小说），这意味着先前与心脏收缩和心脏病相关的基因。心脏磁共振衍生的左心室质量与入射膨胀和肥厚性心肌病有关，以及植入的心脏扭曲纤维植入物。An indexed left ventricular mass polygenic risk score ≥ 90 th percentile is also associated with incident implantable cardioverter-de fi brillator implant in separate UK Biobank (hazard ratio 1.22, 95% CI 1.05-1.44) and Mass General Brigham (hazard ratio 1.75, 95% CI 1.12-2.74) samples.在这里，我们对心脏磁共振衍生的左心室质量进行了全基因组的关联研究，以识别11种新型变体，并证明心脏磁共振衍生和遗传性预测的索引左心室肿块与入射心肌病有关。