XiaoMi-AI文件搜索系统
World File Search System心电图
“这个心电图提示缺血！”
1% 至 5% 的普通人群在心电图上发现与 LVH 一致的表现。用于检测结构性 LVH 的心电图标准诊断准确性差异很大，并且根据测试的具体标准、研究人群以及用于确定真正 LVH 的成像方式（例如超声心动图或心脏 MRI [CMR]）而有所不同。大多数研究报告了低敏感性和高特异性 2 。MESA 研究表明，基于阳性 Sokolow-Lyon 或 Cornell 电压标准 3 ，检测 CMR 确定的 LVH 的敏感性和特异性分别为 22.4% 和 95.1%。心肌与心电图电极之间体组织（肥胖）、空气（慢性阻塞性肺病、气胸）、液体（心包或胸腔积液）或纤维组织（冠状动脉疾病、结节病或淀粉样变性）增多的情况会降低 QRS 波的振幅，从而降低诊断 LVH 的电压标准的敏感性。相反，瘦弱的体型和左侧乳房切除术可能会增加 QRS 振幅，从而降低电压标准的特异性 4 。高血压是 LVH 最常见的原因。多达三分之一的高血压患者的心电图与 LVH 相符 2 。高血压是各种药物的副作用，包括常用药物，如类固醇（如泼尼松）和非甾体抗炎药（如布洛芬），以及不太常见的
人工智能增强心电图分析用于识别糖尿病患者的心脏自主神经病变
1. John APP、Udupa K、Avangapur S 等人。2 型糖尿病患者的心脏自主神经功能障碍：一项针对心率变异性测量的调查性研究。Am J Cardiovasc Dis。2022；12(4)：224-232。2. Pop-Busui R、Low PA、Waberski BH 等人。先前强化胰岛素治疗对 1 型糖尿病患者心脏自主神经系统功能的影响：糖尿病控制和并发症试验/糖尿病干预和并发症流行病学研究 (DCCT/EDIC)。循环。2009；119(22)：2886-2893。doi：10.1161/CIRCULATIONAHA。108.837369 3. Zoppini G、Cacciatori V、Raimondo D 等人。新诊断 2 型糖尿病患者队列中心血管自主神经病变的患病率：维罗纳新诊断 2 型糖尿病研究（VNDS）。糖尿病护理。2015；38(8):1487-1493。doi: 10.2337/ dc15-0081 4. Low PA、Benrud-Larson LM、Sletten DM 等人。自主神经症状和糖尿病神经病变：一项基于人群的研究。糖尿病护理。2004；27(12):2942-2947。doi: 10.2337/diacare.27.12.2942 5. Chowdhury M、Nevitt S、Eleftheriadou A 等人。 1 型和 2 型糖尿病患者的心脏自主神经病变与心血管疾病及死亡风险：一项荟萃分析。BMJ Open Diabetes Research and Care。2021；9(2):e002480。doi: 10.1136/bmjdrc-2021-002480 6. Pop-Busui R、Evans GW、Gerstein HC 等人。心脏自主神经功能障碍对糖尿病心血管风险控制行动 (ACCORD) 试验中死亡风险的影响。糖尿病护理。2010；33(7):1578-1584。doi: 10.2337/dc10-0125 7. Soedamah-Muthu SS、Chaturvedi N、Witte DR 等人。欧洲1型糖尿病患者危险因素与死亡率的关系：EURODIAB前瞻性并发症研究（PCS）。糖尿病护理。2008；31（7）：1360-1366。doi：10.2337/dc08-0107 8. Cox AJ、Azeem A、Yeboah J 等人。心率校正 QT 间期是2型糖尿病患者全因死亡和心血管死亡的独立预测指标：糖尿病心脏研究。糖尿病护理。2014；37（5）：1454-1461。doi：10.2337/dc13-1257 9. Rossing P、Breum L、Major-Pedersen A 等人。QTc 间期延长可预测1型糖尿病患者的死亡率。糖尿病医学。 2001；18(3)：199-205。doi：10.1046/j.1464-5491.2001.00446.x 10. Wehler D、Jelinek HF、Gronau A 等人。超短心电图记录得出的心率变异性特征的可靠性及其在评估心脏自主神经病变中的有效性。生物医学信号过程控制。2021；68：102651。doi：10.1016/j.bspc。2021.102651 11. Kulkarni AR、Patel AA、Pipal KV 等人。机器学习算法通过心电图无创检测糖尿病和糖尿病前期。BMJ Innov。2023；9(1)：32-42。 doi: 10.1136/bmjinnov-2021-000759 12. Ribeiro Pinto J、Cardoso JS、Lourenço A。心电图生物识别技术的演变、当前挑战和未来可能性。IEEE Access。2018；6：34746-34776。doi：10.1109/ACCESS.2018.2849870 13. Aldosari H、Coenen F、Lip GYH、Zheng Y。基于基序的特征向量：面向心血管疾病分类的同质数据表示。在：Golfarelli M、Wrembel R、Kotsis G、Tjoa AM、Khalil I 编辑。大数据分析和知识发现。计算机科学讲义。施普林格国际出版公司；2021 年：235-241。doi：10.1007/978-3-030-86534-4_22 14. Abdel-Jaber H、Devassy D、Al Salam A、Hidaytallah L、EL-Amir M。深度学习算法及其在医疗保健中的应用综述。算法。2022；15(2)：71。doi：10.3390/a15020071
解码 230 万张心电图：可解释的深度学习，助力推进心血管诊断和死亡风险分层
1 牛津大学工程科学系生物医学工程研究所，牛津，OX3 7DQ，英国；2 伦敦国王学院生命历程与人口科学学院，伦敦，SE1 1UL，英国；3 乌普萨拉大学信息技术系，乌普萨拉，瑞典；4 牛津大学大数据研究所纳菲尔德人口健康系，牛津，OX3 7LF，英国；5 哈尔滨医科大学心理科学与健康管理中心，哈尔滨，150076，中国；6 牛津大学精神病学系，牛津，OX3 7JX，英国；7 香港大学李嘉诚医学院家庭医学及初级保健系，香港特别行政区，中国；8 华威大学华威医学院健康科学系，考文垂，CV4 7AL，英国； 9 巴西贝洛奥里藏特米纳斯吉拉斯联邦大学临床医院内科、医学学院、远程医疗中心和心脏病学服务部； 10 香港中文大学电子工程系，中国香港特别行政区； 11 牛津大学苏州高级研究中心, 苏州, 215123
超高分辨率心电图
开发新的UHR ECG方法是针对俄罗斯联合会领先的科学学校之一，“无线电和信息的信息手段”由教授主管K.V. K.V.Zaichenko-从获得的UHR ECG中提取最大信息。这所学校的科学团队基于最新的电动机，雷达和信息技术的实现，启动了UHR ECG方法的开发和随后阐述。因此，通过超高分辨率解决了ELEC trocardiac信号处理的振幅和频率范围的扩展和频率范围的扩展，可以提高记录信号的有用组件的详细程度，并提供了更深入的研究，并提供了更深入的研究，并且提供了一种更深入的研究（CARD）（CARD）（CARDS）（CARDS）（CARDS）（cardifors），它提供了一种（CARD）（CARD）的详细研究（CC CC）（CC CC CC）（CC CC）（CC CC）（CC CC CC）（CC CC）（CC CC）（CC）这是与其他已知ECG方法相比的重要UHR ECG优势。与新的UHR ECG方法的各种现有心电图方法的信号注册特性（振幅和频率）的比较如图1所示。
使用可解释的AI研究健康衰老期间的心电图变化 - 从专家特征到原始信号
心血管疾病仍然是全球死亡率的主要原因。年龄是一个重要的协变量，在健康队列中最容易研究其效果，以使前者与疾病相关的变化区分开。传统上，大多数此类见解都是从心电图分析（ECG）随着年龄的增长而变化的。但是，这些功能虽然有益，但可能会掩盖潜在的数据关系。在本文中，我们提供以下贡献：（1）我们采用深度学习模型和基于树的模型来分析来自原始信号和ECG特征形式的不同年龄段健康个体的强大数据的ECG数据。（2）我们使用可解释的AI方法来识别跨年龄组最具歧视性的ECG特征。（3）我们对基于树的分类器的分析揭示了与年龄相关的呼吸率下降的下降，并识别出高度高的SDANN值表示是老年人的指示，使他们与年轻人区分开。（4）此外，深度学习模型低估了P波在所有年龄段的年龄预测中的关键作用，这表明随着年龄的增长，不同P波类型的分布的潜在变化。这些发现为与年龄相关的心电图变化提供了新的启示，从而提供了超越传统特征方法的见解。
解码230万个心电图：可解释的深度学习，用于推进心血管诊断和死亡率风险分层
1英国牛津大学工程科学系生物医学工程研究所，英国OX3 7DQ，英国； 2伦敦国王学院的生命课程和人口科学学院，英国SE1 1ul； 3瑞典乌普萨拉乌普萨拉大学信息技术系； 4纳菲尔德人口卫生系，牛津大学大数据研究所，牛津，OX3 7LF，英国； 5中国哈尔滨医科大学的心理科学与健康管理中心，中国。 6英国牛津大学牛津大学精神病学系； 7中国香港大学香港大学的李卡·夏德医学院家庭医学和初级保健系； 8沃里克大学沃里克医学院健康科学系，COVENTRY，CV4 7AL，英国； 9内科医学系，医学院，远程医疗中心和心脏病服务，医院DasClínicas，Universidade Federal de Minas Gerais，巴西Belo Horizonte，Belo Horigonte； 10个电子工程系，中国香港中国大学，中国香港；和11苏州牛津高级研究中心，苏州，215123，中国
基于儿科心电图的深度学习预测左心室功能障碍和重塑
结果：训练队列包括 92 377 个心电图-超声心动图对（46 261 名患者；中位年龄 8.2 岁）。测试组包括内部测试（12 631 名患者；中位年龄 8.8 岁；4.6% 综合结果）、急诊科（2 830 名患者；中位年龄 7.7 岁；10.0% 综合结果）和外部验证（5 088 名患者；中位年龄 4.3 岁；6.1% 综合结果）队列。内部测试和急诊科队列的模型性能相似，模型对左心室肥大的预测优于儿科心脏病专家基准。在模型中添加年龄和性别不会给模型性能带来任何好处。使用定量结果截止值时，内部测试（综合结果：AUROC，0.88，AUPRC，0.43；左心室功能障碍：AUROC，0.92，AUPRC，0.23；左心室肥大：AUROC，0.88，AUPRC，0.28；左心室扩张：AUROC，0.91，AUPRC，0.47）和外部验证（综合结果：AUROC，0.86，AUPRC，0.39；左心室功能障碍：AUROC，0.94，AUPRC，0.32；左心室肥大：AUROC，0.84，AUPRC，0.25；左心室扩张：AUROC，0.87，AUPRC，0.33）之间的模型性能相似，综合结果阴性预测值分别为 99.0% 和 99.2%。显着性映射突出显示了影响模型预测的 ECG 成分（所有结果的心前区 QRS 波群；LV 功能障碍的 T 波）。高风险 ECG 特征包括横向 T 波倒置（LV 功能障碍）、V1 和 V2 中的深 S 波和 V6 中的高 R 波（LV 肥大）以及 V4 至 V6 中的高 R 波（LV 扩张）。
锻炼心电图，以预测试...
参考：Rasmussen Laust Dupont，Schmidt Samuel Emil，Knuuti Juhani，Newby David E.，David E.，Singh Trisha，Singh Trisha，Nieman Koen，Galema Tjebbe W.心脏社会；英国心血管学会[伦敦] - ISSN 1468-201X-伦敦，BMJ出版集团，110（2024），p。 263-270全文（出版商的doi）：https：//doi.org/10.1136/heartjnl-2023-322970引用此参考：
引用：Cisuelo O, Stokes K, Oronti IB, et al. 开发一种人工智能系统，通过心电图识别患有 ty 的成年人的低血糖症
摘要 简介 低血糖是 1 型糖尿病 (T1DM) 患者的一种有害潜在并发症，接受胰岛素治疗等治疗的患者可能会因旨在达到最佳血糖水平的干预措施而加剧低血糖。症状可能有很大差异，包括但不限于颤抖、心悸、出汗、口干、意识模糊、癫痫发作、昏迷、脑损伤，如果不治疗甚至死亡。一项针对健康（血糖正常）参与者的初步研究表明，可以使用从可穿戴传感器获得的生理信号，通过人工智能 (AI) 非侵入性地检测低血糖。该方案提供了从 T1DM 患者获取生理数据的观察性研究的方法学描述。这项工作的目的是进一步改进之前开发的 AI 模型，并验证其在 T1DM 患者血糖事件检测中的性能。这种模型可能适合集成到连续、非侵入性的血糖监测系统中，有助于改善糖尿病患者的血糖监测和管理。方法与分析 这项观察性研究旨在从考文垂和沃里克郡大学医院的糖尿病门诊招募 30 名 1 型糖尿病患者进行两阶段研究。第一阶段包括在受控条件下在量热室中接受长达 36 小时的住院治疗，然后是长达 3 天的自由生活阶段，在此期间参与者将不受限制地进行正常的日常活动。在整个研究过程中，参与者将佩戴可穿戴传感器来测量和记录生理信号（例如心电图和连续血糖监测仪）。收集的数据将用于开发和验证使用最先进深度学习方法的 AI 模型。 伦理与传播 本研究已获得国家研究伦理服务处的伦理批准（编号：17/NW/0277）。研究结果将通过同行评审期刊传播并在科学会议上发表。试验注册号 NCT05461144。
利用变压器用于心电图心律失常...
摘要 - 心律不齐，也称为心律失常，是指不规则的心跳。有多种类型的心律失常可以源自心脏的不同区域，导致快速，缓慢或不规则的心跳。心电图（ECG）是用于检测心脏不规则和异常的重要诊断工具，使专家可以分析心脏的电信号，以识别复杂的模式和偏离标准的偏差。在过去的几十年中，已经进行了许多研究，以开发基于ECG数据对心跳进行分类的自动化方法。近年来，深度学习在应对各种医学挑战方面表现出了出色的功能，尤其是在变形金刚作为序列处理的模型架构中。通过利用变压器，我们开发了心电图数据中存在的各种心律不齐的分类的束缚模型。我们使用MIT-BIH和PTB数据集评估了建议的方法。ECG心跳心律失常分类结果表明，所提出的方法非常有效。ECG心跳心律失常分类结果表明，所提出的方法非常有效。