XiaoMi-AI文件搜索系统
World File Search System心电图
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
![[JC_presentation] 深度学习在心电图心律失常检测和分类中的应用：2017 年至 2023 年进展概览](/simg/5\5d1e51c4e2f0f20ac0160753f5ff4020dbe9ce1b.webp)
[JC_presentation] 深度学习在心电图心律失常检测和分类中的应用：2017 年至 2023 年进展概览
- “心律失常检测” - “心电图心律失常” - “室性心律失常” - “室上性心律失常” - “早搏” - “心脏传导阻滞” - “心动过缓” - “心动过速” - “12 导联心电图” - “心脏信号处理” - “心电图中的深度学习” - “CNN” - “DNN” - “LSTM” - “Transformers” - “混合模型”
在可穿戴形式的心电图和心血管事件的预测上检测到的过早心房和心室收缩
1伦敦大学学院的心血管科学研究所，英国伦敦WC1E 6BT； 2英国伦敦大学学院心血管科学研究所MRC终身健康与老化部门，英国WC1E 6BT； 3英国伦敦EC1A 7BE的西史密斯菲尔德圣史密斯菲尔德圣巴塞洛缪医院的3个巴特斯心脏中心； 4临床药理学和精密医学，医学和牙科学院，威廉·哈维研究所，伦敦皇后大学，伦敦玛丽皇后大学，英国伦敦EC1M 6BQ，伦敦伦敦广场； 5纳菲尔德人口卫生系，牛津大学，牛津大学OX3 7LF，英国；和6 Aragon工程研究所，Zaragoza大学和Centro deInvestionunbiomédicaEnRed，Bioingeniería，Biomateriales yNanotecnologíaZaragoza，C/ de MarianoEsquillorGómez，Zaragoza，Zaragoza，Spain 50018，Spain div> div>1伦敦大学学院的心血管科学研究所，英国伦敦WC1E 6BT； 2英国伦敦大学学院心血管科学研究所MRC终身健康与老化部门，英国WC1E 6BT； 3英国伦敦EC1A 7BE的西史密斯菲尔德圣史密斯菲尔德圣巴塞洛缪医院的3个巴特斯心脏中心； 4临床药理学和精密医学，医学和牙科学院，威廉·哈维研究所，伦敦皇后大学，伦敦玛丽皇后大学，英国伦敦EC1M 6BQ，伦敦伦敦广场； 5纳菲尔德人口卫生系，牛津大学，牛津大学OX3 7LF，英国；和6 Aragon工程研究所，Zaragoza大学和Centro deInvestionunbiomédicaEnRed，Bioingeniería，Biomateriales yNanotecnologíaZaragoza，C/ de MarianoEsquillorGómez，Zaragoza，Zaragoza，Spain 50018，Spain div> div>
预测心力衰竭的心电图深度学习模型表现中的种族、性别和年龄差异
。CC-BY-NC-ND 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）
使用深度学习对 I 导联心电图数据进行急性心肌梗死检测
摘要 — 心肌梗塞 (MI) 因其高死亡率和发病率而成为全球主要的健康问题。及早发现 MI 对于及时进行医疗干预和改善患者预后至关重要。在本研究中，我们研究了使用心电图 (ECG) 数据的导联 I 预测 MI 的可行性，重点关注可穿戴监测系统的实际应用。利用 PTB-XL 数据集（其中包括包含正常和各种 MI 样本的 12 导联 ECG 记录的全面集合），我们采用深度学习技术开发二元分类模型。对于使用导联 I 进行 MI 检测，我们在测试集上实现了 0.92 的 AUC 和 0.82 的 AUPR。相比之下，使用 6 导联和 12 导联配置均导致 AUC 为 0.99。这些发现证明了仅使用导联 I 检测 MI 的潜力，这是通过可穿戴设备测量的。这一进步可以通过及时检测和干预显着改善 MI 患者的临床结果。索引术语 — ECG、心肌梗死、Lead-I、ResNet、Transformer、深度学习
适用于心电图图像的人工智能，用于可扩展的甲状腺素蛋白淀粉样蛋白心肌病
段。由参考基因组的定向，连续的基因组间隔，用⟨染色体，起始坐标，端坐标⟩表示。一个供体染色体被描述为段的有序序列。断点。通过一对非粘附坐标描述了一个断点，该坐标表示从一个段中的捐赠者中的一个段过渡到另一个段。染色体组。一组所有同源供体染色体具有相同的染色体认同。染色体认同是由最有代表的丝粒确定的，如果Chro-Mosome是分散的，则由其组成段的染色体起源最多。染色体簇。一对染色体组表示为依赖。染色体簇是依赖染色体组的连接成分。染色体簇通常由一组规范结构变体定义，每个变体都有ISCN命名法（细胞遗传学命名的国际标准）。分子核型。提出的文件格式明确描述了核苷酸级分辨率的核型。此文件格式包含一个跨越整个参考基因组的段的字典，然后是一组有序的片段序列，每个片段代表染色体。
调查在线游戏化对心电图的影响和护理学生中的自我指导学习
简介：正确了解和解释心电图并基于它的注意是挽救患者生命的最重要方法之一。因此，本研究旨在研究在线游戏化对护理学生解释心电图和自我指导学习能力的影响。方法：本研究是在2023年在ILAM City的第五个学期对44名护理学生（每组参与者的22名参与者）进行的，该研究使用便利抽样方法通过四个排列平衡块随机化以控制和干预组进行。在四个星期内的四个会议中，干预组的参与者接受了心电图解释作为故事情节平台上的培训，并在Socrative软件中玩游戏。对照组以同一位讲师的教育形式获得了相同的内容。ECG解释学习测试，自我指导的学习，迷你精神状态检查和人口统计问卷是在干预之前填写的（预测试）。然后，心电图解释学习测试和自定向学习问卷是在干预结束后两周完成的（测试后），并使用shapiro-wilk，独立的t-test，配对的test，chi-square，chi-square和多个线性回归测试在spspss v.16中分析了0.05的标准误差。结果：参与者年龄的平均值和标准偏差为21.35±1.02，59％的样本是男性。建议将此方法用于教授医院更有用和重要的课程。在干预之前，两组之间未观察到显着差异，但是在干预后，干预组中ECG解释评分的平均值和标准偏差显着增加（14.1±2.94）与对照组相比（8.8±1.36）（P = 0.007）。此外，与对照组（125±4.3）相比，干预组中的自我指导学习（168±10.42）显示出统计学上的显着差异（p = 0.003）。结论：使用在线游戏化作为护理学生的新教育方法，可以提高解释心电图和自我指导学习的能力。
深层跨模式学习应用于使用家庭收集的心电图和经胸生物阻抗
背景：深度学习已成功地应用于ECG数据，以帮助对心力衰竭（ADHF）的准确，更快地诊断。先前的应用主要集中在良好控制的临床环境中对已知的ECG模式进行分类。但是，这种方法并不能完全利用深度学习的潜力，深度学习的潜力直接学习重要特征而不依靠先验知识。此外，对从可穿戴设备获得的ECG数据的深度学习应用尚未得到很好的研究，尤其是在ADHF预测领域。方法：我们使用了Sentinel-HF研究中的ECG和经胸生物阻抗数据，该研究招募了患有心力衰竭或患有ADHF症状的主要诊断患者的PA（≥21岁）。为了构建一个基于ECG的ADHF预测模型，我们开发了一种被称为ECGX-NET的深层模式学习管道，它利用了可穿戴设备的RAW ECG时间序列和经胸腔生物阻抗数据。为了从ECG时间序列数据中提取丰富的特征，我们首先采用了一种转移学习方法，其中ECG时间序列被转换为2D图像，然后使用Imagenet-Pretained Den Senet121/VGG19模型进行了特征提取。数据过滤后，我们应用了跨模式特征学习，其中回归者接受了ECG和经胸生物阻抗的训练。然后，我们将Densenet121/VGG19功能与回归特征相连，并使用它们用于训练支持向量机（SVM），而无需生物阻抗信息。结果：使用ECGX-NET的高精度分类器预测ADHF，精度为94％，召回79％，F1得分为0.85。仅具有Densenet121的高回报分类器的精度为80％，召回98％，F1分数为0.88。我们发现ECGX-NET对高精度分类有效，而Densenet121对于高回报分类有效。结论：我们显示了从门诊病人获得的单渠道ECG记录中预测ADHF的潜力，从而及时警告心力衰竭的迹象。我们的跨模式特征学习管道有望通过处理医疗场景和资源限制的独特要求来改善基于ECG的心力衰竭预测。
