XiaoMi-AI文件搜索系统
World File Search System床边
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。
将人工智能融入新冠肺炎和未来流行病的床边护理
新冠肺炎疫情给临床医生和医疗机构带来了前所未有的挑战。在面临人员和材料短缺的同时，适应迅速出现的疾病促使人们做出如何最佳地分配资源的艰难决定。人工智能 (AI) 迅速成为调整我们的医疗保健系统以应对新冠肺炎疫情的前沿。数百种新模型被开发出来，有望为从诊断到治疗和物流等患者护理的各个方面提供最佳解决方案。然而，只有一小部分模型被部署，没有一个被广泛采用。1 2 我们认为，新冠肺炎疫情暴露了技术、制度和道德基础的缺陷，而人工智能必须建立在这些基础之上才能大大改善床边护理。如果要让人工智能成为对未来健康危机的快速反应的一部分，就必须仔细分析和克服它在新冠肺炎疫情期间面临的挑战。人工智能是计算机科学的一个分支，它使用数据和算法以人工智能特有的方式提取意义
在危重病人床边使用便携式低场磁共振成像评估脑损伤
结果 50 名患者（16 名女性 [32%]；平均 [SD] 年龄为 59 [12] 岁 [范围，20-89 岁]）接受了即时 MRI 检查。患者表现为缺血性卒中（n = 9）、出血性卒中（n = 12）、蛛网膜下腔出血（n = 2）、创伤性脑损伤（n = 3）、脑肿瘤（n = 4）和伴有精神状态改变的 COVID-19（n = 20）。检查时间为重症监护病房入院后中位数 5 天（范围，0-37 天）。分别对 37、48、45 和 32 名患者进行了诊断级 T1 加权、T2 加权、T2 液体衰减反转恢复和扩散加权成像序列。 30 名未感染 COVID-19 的患者中有 29 名（97%）检测到神经影像学异常，20 名感染 COVID-19 的患者中有 8 名（40%）出现异常。在重症监护室部署便携式 MRI 或扫描期间没有出现不良事件或并发症。
使用便携式低场磁共振成像在重症患者的床边进行评估
对50例患者（16名女性[32％]；平均[SD]年龄，59 [12]年[范围20-89岁]）进行了护理点MRI检查。患者出现了缺血性中风（n = 9），出血性中风（n = 12），蛛网膜下腔出血（n = 2），创伤性脑损伤（n = 3），脑肿瘤（n = 4）和covid-19，心理状态改变（n = 20）。在重症监护病房入院后的5（范围，0-37）的中位数（范围0-37）中获得检查。分别获得了37、48、45和32例患者的诊断级T1加权，T2加权，T2流体侵入式反转恢复和扩散加权成像序列。神经影像学发现。在便携式MRI或在重症监护室中扫描时没有不良事件或并发症。
早产儿脑功能年龄的自动床边追踪
目的：早产儿护理的一个主要挑战是及早发现受损的神经发育。虽然常规使用几种方法来追踪解剖生长，但是却缺乏可靠和客观的工具来追踪早期大脑功能的成熟度；而早期大脑功能是终身神经健康的基石。我们提出了一种基于常规可用的脑电图 (EEG) 神经监测的床边方法来测量新生儿大脑的功能成熟度。方法：我们使用来自 65 名早产儿的 177 条 EEG 记录数据集来训练来自 EEG 的功能性脑年龄 (FBA) 的多变量预测。在来自 42 名早产儿的一组独立的 99 条 EEG 记录上验证了 FBA。FBA 和经后年龄 (PMA) 之间的差异被评估为神经发育结果的预测指标。结果：FBA 与婴儿的 PMA 高度相关，平均预测误差小于 1 周。此外，每个婴儿都遵循明确定义的个人轨迹。应用于验证集的 FBA 的准确度在统计上与训练集准确度相同。在重复进行 EEG 记录的婴儿亚组中，持续为负的预测年龄差异与神经发育不良结果相关。解释：FBA 能够跟踪早产儿的功能性神经发育。这为脑功能生长图表建立了原理证明，这是一种协助临床管理和识别最能从早期干预中受益的婴儿的新工具。