XiaoMi-AI文件搜索系统
World File Search System心动图
风湿性心脏病的超声心动图筛查
急性风湿热（ARF）的发病率最常影响A组链球菌（GAS）感染5-15岁的儿童，全球每10万人的范围为8至51人。风湿性心脏病（RHD）发生在ARF患者不接受或未定期预防的情况下发生，是低收入国家儿童和年轻人的非征收心脏病的最常见原因。及时治疗气体感染可以预防ARF，而青霉素预防可以防止ARF复发。辅助预防伴苯甲胺青霉素G已显示出降低RHD的发生率，并且是RHD控制的关键方面。确定RHD预后的最重要因素是心脏受累的严重程度。尽管在没有后遗症的疾病的急性阶段，大约70％的心脏炎患者中的患有心脏炎，但心脏炎很重要，因为它是导致后遗症的唯一ARF并发症。三分之一的ARF患者无症状。患有轻度复发性ARF症状和无声RHD症状的患者，如果他们不接受二次预防治疗，则在5 - 10年内会在5 - 10年内发育严重。应该建立一个新的筛查程序，以防止中等和高风险种群中ARF的心脏病性。在本研究中，我们检查了RHD的超声心动图筛选程序的适用性。
超声心动图的CMR深度学习预测
保留所有权利。未经许可就不允许重复使用。（未经同行评审证明）是作者/资助者，他已授予Medrxiv的许可证，以永久显示预印本。此预印本版的版权持有人于2024年4月22日发布。 https://doi.org/10.1101/2024.04.16.24305936 doi：medrxiv preprint
压力超声心动图在心肌缺血评估中的作用
应力超声心动图（ECG）是一种常用的方式，用于检测和评估缺血性心脏病（IHD）。其非侵入性的性质使其成为更可靠的诊断工具。这种方式通过运动或药理学剂诱导心肌压力。由运动压力测试引起的压力超声心动图比药理压力测试更重要，因为其发现讲述了患者的运动能力，这在预后很重要。因此，如果患者可以运动，这是首选的应力方式。此外，它的无辐射性质使其成为具有其他压力成像技术禁忌症的个体的首选选择，并且还减少了与其他心脏成像方式相关的并发症。可以通过比较应力超声心动图术后心率和心电图的发现，可以准确评估临床条件。应力超声心动图的分析是通过对心肌收缩性和区域壁运动异常的视觉精确评估来完成的。这种方式在当前的技术和使用图像增强剂的情况下，在必要时使用图像增强剂显示出了出色的结果。它也可以识别心肌缺血的位置。压力超声心动图具有较高诊断准确性，风险分层能力和成本效益的大量患者的变化，具有巨大的潜力。
超声心动图指南
右心脏适应肺动脉高压（pH）是患有或面临心肺疾病风险或有风险的临床结果，发病率和死亡率的关键决定因素。世界上关于肺动脉高压的世界研讨会最近将pH值重新定义为平均肺动脉压> 20 mM Hg，基于大量的流行病学证据，强调了甚至在重大不良临床事件上平均脉冲脉冲压力的显着升高的显着影响。pH值降低的诊断阈值对超声心动图及其在早期检测和筛查，重固定的血液动力学评估和纵向监测中的关键作用具有新的兴趣。但是，对右心脏的系统评估仍然不一致，这主要是由于专注于左心评估，对右心脏超声技术的熟悉程度有限，并且缺乏参考证据定义正常的右心脏大小和功能。对正确心脏的系统，全面的超声评估为筛查处于危险人群，pH分类，风险地层，监测治疗治疗反应和告知预后方面提供了有价值的诊断见解，从而提高了临床效果。（J Am Soc Echocardiogr 2025; 38：141-86。）
通过 R3D Transformer 实现超声心动图矢量嵌入，推动自动超声心动图的发展
我们的模型性能接近为相同 EF 分类问题开发的当前 SOTA（最先进）分类器，这突显了其质量。例如，我们的准确率高于最新模型，同时与最佳 SOTA 准确率相差 5 分以内。我们的 AUC 也高于最新模型，与最佳 SOTA AUC 相差 6 分以内。a R3D Transformer，ResNet18 主干。b 未公开的算法。c 具有空洞卷积的 3D 卷积神经网络。d GSM，Inception 主干，32 帧超声心动图。e 移动 U-Net。
Echo-Vision-FM：超声心动图视频视频基础模型
背景：超声心动图为心脏健康提供了基本见解，但是它们复杂的多维数据为分析和解释带来了重大挑战。现有用于超声心动图分析的深度学习模型通常严重依赖于监督培训，这限制了它们在不同数据集和临床环境中的普遍性和鲁棒性。目的：开发和评估Echo-Vision-FM（Echo Cardiogram视频视频视频f oundelation M Odel），这是一个自我监督的视频学习框架，旨在预先培训视频编码器，以大规模，未标记的超声心动图数据进行预编码。Echo-Vision-FM旨在产生可靠且可转移的视频表示形式，从而改善超声心动图数据集和临床条件的下游性能。方法：所提出的框架通过掩盖的自动编码技术采用高级自我监督的视频学习，该技术可以压缩视频数据的片段，并通过掩盖非重叠视频补丁来重建完整的视频。不对称的编码器架构架构是此方法的基础。为了进一步增强学习的表示形式，我们介绍了STF-NET，这是一个patial-t emporal f usion Net，该网络整合了视频表示的空间和时间相关性。我们使用MIMIC-IV-ECHO数据集进行了预训练的Echo-Vision-FM，并在多个下游数据集中进行了微调，以进行特定的临床任务，包括形态学价值估计以及心脏功能和疾病的诊断。在回归任务中，Echo-Vision-FM优于最先进的模型，对于LV EF预测，达到平均绝对误差（MAE）为3.87％，R 2的平均误差（MAE）为0.825。结果：Echo-Vision-FM在分类左心室射血分数（LV EF）方面取得了出色的性能，精度为0.905，F1得分为0.941，AUC为0.931。该模型在估计终端施加局和末期量体积方面也有显着改善，R 2值分别为0.782和0.742。合并STF-NET进一步增强了所有任务的性能。结论：我们的结果表明，关于Echocarigon图数据的大规模自学视频学习可以提取可转移和临床相关的特征，超过现有方法。Echo-Vision-FM框架，特别是在包含STF-NET的情况下，显着改善了时空特征的提取，从而提高了一系列心脏参数的预性准确性。Echo-Vision-FM为超声心动图分析提供了可扩展有效的解决方案，并在临床诊断和研究中采用了有希望的应用。
使用电子健康记录和超声心动图
研究人群和数据来源雷恩大学医院中心（RUHC）的EHOP临床数据仓库（CDW）包含临床笔记，药物处方，实验室测试和行政数据。6，7它还包括使用法国版本的国际疾病分类（ICD-10）编码的诊断。使用这项技术，可以将Ruch的种群筛选为患有HFPEF的患者。根据其医生的报告，将患者定义为具有HFPEF（这些是SUP提出的用于应用指南的定义）。然后，我们将这些患者的单个EHR数据进行了分析。此外，还提供超声心动图数据。我们专注于2017年1月至2018年12月之间的每个记录。
接受超声心动图检查的 608,570 名男性和女性中度和重度二尖瓣反流相关的死亡率
摘要 背景 尽管严重二尖瓣反流 (MR) 的预后意义已得到充分认识，但对于中度 MR，预后意义尚不明确。因此，我们在澳大利亚国家超声心动图数据库的大型队列中探讨了中度和重度 MR 对预后的影响。方法 使用自然语言处理检查了 608 570 名个体的超声心动图报告，以确定 MR 严重程度和瓣叶病理。对于未报告瓣叶病理的患者，评估了心房 (aFMR) 或心室 (vFMR) 功能性 MR。使用中位 1541 天（IQR 820 至 2629）的个人数据链接，我们检查了 MR 严重程度与全因（153 612/25.2% 事件）和心血管相关死亡率（47 840/7.9% 事件）之间的关联。结果 共纳入 319 808 名男性和 288 762 名女性，年龄为 62.1±18.5 岁，其中 456 989 人（75.1%）、102 950 人（16.9%）、38 504 人（6.3%）和 10 127 人（1.7%）在最后一次超声检查中报告无/轻微、轻度、中度和重度 MR。与无/轻微 MR 患者（26.5% 有瓣叶病变，19.2% 死亡）相比，瓣叶病变（分别为 51.8% 和 78.9%）和实际 5 年全因死亡率（分别为 54.6% 和 67.5%）随 MR 严重程度增加而增加。在调整后（年龄、性别和瓣叶病理），中度和重度 MR 病例的长期死亡率是无/轻微 MR 的 1.67 倍（95% CI 1.65 至 1.70）和 2.36 倍（95% CI 2.30 至 2.42）（p<0.001）。中度和重度 MR 的预后模式在心血管相关死亡率和预先指定的亚组（瓣叶病理、vFMR 或 aFMR 和年龄<65 岁）内持续存在。结论在一个大型现实世界临床队列中，我们确认保守治疗的严重 MR 与不良预后相关。我们进一步揭示，无论潜在病因如何，中度 MR 与死亡率增加有关。试验注册澳大利亚新西兰临床试验注册中心（ACTRN12617001387314）
通过最优稀疏决策树预测医学实验室测试的紧急程度：超声心动图案例研究
背景：在当代医疗保健领域，实验室测试是推动精准医疗进步的基石。这些测试提供了对各种医疗状况的深入见解，从而促进了诊断、预后和治疗。然而，某些测试的可及性受到诸如高成本、专业人员短缺或地理差异等因素的阻碍，这对实现公平的医疗保健构成了障碍。例如，超声心动图是一种极其重要且不易获得的实验室测试。对超声心动图的需求不断增加，凸显了更高效的调度协议的必要性。尽管有这种迫切的需求，但在这一领域的研究却有限。目标：本研究旨在开发一种可解释的机器学习模型，以确定需要超声心动图检查的患者的紧急程度，从而帮助确定调度程序的优先级。此外，本研究旨在利用机器学习模型的高可解释性，深入了解影响超声心动图预约优先级的关键属性。方法：基于来自电子健康记录的大量现实世界超声心动图预约数据集（即 34,293 个预约），进行了实证和预测分析以评估患者的紧急程度，该数据集包含管理信息、转诊诊断和潜在患者状况。我们使用了一种最先进的可解释机器学习算法，即最佳稀疏决策树 (OSDT)，该算法以高准确性和可解释性而闻名，来研究与超声心动图预约相关的属性。结果：与表现最佳的基线模型相比，该方法表现出令人满意的性能（F 1 -score=36.18%，提高了 1.7% 和 F 2 -score=28.18%，比表现最佳的基线模型提高了 0.79%）。此外，由于其高度可解释性，结果为通过从 OSDT 模型中提取决策规则来识别紧急患者进行测试提供了宝贵的医学见解。结论：该方法表现出了最先进的预测性能，证实了其有效性。此外，我们通过将 OSDT 模型得出的决策规则与既定的医学知识进行比较来验证这些决策规则。这些可解释的结果（例如 OSDT 模型中的属性重要性和决策规则）强调了我们的方法在优先考虑患者紧急程度的超声心动图预约方面的潜力，并且可以扩展到使用电子健康记录数据优先考虑其他实验室测试预约。
猪模型动物（Sus scrofa domestica）经胸超声心动图正常值
对心血管系统疾病的研究越来越多地在动物模型中进行。猪是生物医学研究中常见的模型动物。本研究的目的是确定雄性和雌性猪（Sus scrofa domestica）心脏的正常超声心动图值。本研究使用的猪为本研究中使用的猪12头，年龄为3至4个月，平均体重为55公斤（52至69公斤）。使用频率为 2.5-6.0 MHz 的相控阵探头换能器对麻醉状态下的猪进行右胸骨旁 (RPS) 长轴 (LAx) 和短轴 (SAx) 位置的经胸超声心动图检查。 RPS-SAx 位置旨在评估猪心脏左心室的形状和结构，而 RPS-LAx 位置旨在比较心室之间的尺寸并观察心脏二尖瓣的运动。超声心动图检查结果显示，可以看到猪左心室的结构有室间隔（IVS）、左心室（LV）、左心室壁（LVW）、心包（P）、乳头肌（PM）、右心室（RV）。研究结果显示，心率（HR）、舒张末期左室内径（LVIDd）、每搏输出量（SV）参数的数值在男性和女性之间表现出显著不同的结果，而其他参数的结果不显著。这些猪的正常心脏超声值可以作为以猪为动物模型进行进一步心血管研究的参考。