XiaoMi-AI文件搜索系统
World File Search System急性
O-04研究中AI驱动的手动分析，以区分新手和医学教育专家技能Jafar Arash Mehr博士； ER tnm以外的预后标记 p-d-08-black-box-paptation-for-medical-image- ... 关于手术模拟会议的对话 比赛日 CTR指导辐射疗法治疗 引用：Mathews r;沉I;毛lur虫A.心房附属组织作为儿科心脏手术中的自体血管导管。 ACS案件评论 #talkitup 双侧导管导向急性的溶栓 议程2025 ACS癌症会议
O-04研究中AI驱动的手动分析，以区分新手和医学教育专家技能Jafar Arash Mehr博士；医学博士Eric S. Hungness； Amy L. Halverson，医学博士，FACS；以及伊利诺伊州芝加哥的西北大学杰弗里·H·巴尔苏克（Jeffrey H.西北医学 - 西北大学，伊利诺伊州芝加哥，简介：人工智能（AI）可以增强教师教育者对学习者任务绩效的评估。 我们旨在开发一种创新的工具，可以使用计算机视觉和AI在缝合任务过程中跟踪和分析手动运动，以区分新手和专家表现。 方法：我们对一位作者（JAM）进行了视频记录的简单中断缝合任务，该任务（JAM）在缝合板上模拟了专家和新手表演。 使用深度摄像头和开源机器学习和计算机视觉工具（图）记录了每个任务的视频。 使用OpenCV库检索视频帧，然后传递到Google MediaPipe库，该库在每只手上都跟踪21个地标。 intel pyrealsense2每0.1秒钟在3D空间中提取地标的坐标。 总共定义了16个指标，以表征手提动作。 来自这些指标的汇总组数据用于训练多层感知神经网络，以区分专家和新手。 构建了一个评分系统，用于定量评估。 16个指标中有14个可以区分新手和专家组（p值<0.05）。 评分系统已在另外10个专家和10个新手视频上进行了验证。O-04研究中AI驱动的手动分析，以区分新手和医学教育专家技能Jafar Arash Mehr博士；医学博士Eric S. Hungness； Amy L. Halverson，医学博士，FACS；以及伊利诺伊州芝加哥的西北大学杰弗里·H·巴尔苏克（Jeffrey H.西北医学 - 西北大学，伊利诺伊州芝加哥，简介：人工智能（AI）可以增强教师教育者对学习者任务绩效的评估。我们旨在开发一种创新的工具，可以使用计算机视觉和AI在缝合任务过程中跟踪和分析手动运动，以区分新手和专家表现。方法：我们对一位作者（JAM）进行了视频记录的简单中断缝合任务，该任务（JAM）在缝合板上模拟了专家和新手表演。使用深度摄像头和开源机器学习和计算机视觉工具（图）记录了每个任务的视频。使用OpenCV库检索视频帧，然后传递到Google MediaPipe库，该库在每只手上都跟踪21个地标。intel pyrealsense2每0.1秒钟在3D空间中提取地标的坐标。总共定义了16个指标，以表征手提动作。来自这些指标的汇总组数据用于训练多层感知神经网络，以区分专家和新手。构建了一个评分系统，用于定量评估。16个指标中有14个可以区分新手和专家组（p值<0.05）。评分系统已在另外10个专家和10个新手视频上进行了验证。创建工具后，同一位作者将模拟更多的专家和新手表演，并允许该工具根据评分系统预测性能水平：初步结果：使用50个模拟专家和50个新手视频对神经网络进行了培训。分别发现评分的准确性和精度分别为85％和90％。下一步：我们开发了一个创新的基于AI的视频分析框架，能够区分专家和新手的基本缝合技能。该工具有可能通过减少教师培训和评估学习者的需求，在其他医疗任务中使用有意义的医学教育贡献。
心脏瓣膜手术后急性肾损伤预测模型的开发与验证
方法：我们的回顾性研究在 2023 年 2 月至 8 月期间招募了 497 名接受心脏瓣膜手术的成年患者作为衍生队列。获取患者的人口统计学信息，包括病史和围手术期临床信息，并根据肾脏疾病：改善全球预后 (KDIGO) 指南将患者分为 AKI 和非 AKI 两个队列之一。使用二元逻辑逐步回归分析，我们确定了心脏瓣膜手术后的独立 AKI 风险因素。最后，我们构建了一个列线图并在由 200 名患者组成的验证队列中进行外部验证。根据受试者工作特征曲线下面积 (AUC)、校准曲线和决策曲线分析 (DCA) 评估列线图的性能。
急性肾损伤的通用预测和机制尿肽特征
摘要背景：急性肾损伤 (AKI) 发作的延迟诊断和目前单一 AKI 生物标志物缺乏特异性阻碍了其管理。尿液肽组分析可能有助于识别 AKI 的早期分子变化并掌握其复杂性以确定潜在的可靶向分子途径。方法：在总计 1170 名大型心脏搭桥手术患者的衍生和验证队列中以及 1569 名重症监护病房 (ICU) 患者的外部队列中，开发、验证了一种基于肽的 AKI 预测评分 (7 天 KDIGO 分类)，并将其与参考生物标志物尿液 NGAL 和 NephroCheck 和临床评分进行比较。结果：鉴定并验证了一组 204 个尿肽，这些肽来自 48 种与溶血、炎症、免疫细胞运输、先天免疫以及细胞生长和存活有关的蛋白质，可根据患者发生 AKI 的风险（OR 6.13 [3.96–9.59]，p < 0.001）对患者进行早期鉴别（< 4 小时），优于参考生物标志物（尿液 NGAL 和 [IGFBP7]。[TIMP2] 产物）和临床评分。在 1569 名 ICU 患者的外部队列中，特征的表现相似（OR 5.92 [4.73–7.45]，p < 0.001），并且还与住院死亡率有关（OR 2.62 [2.05–3.38]，p < 0.001）。结论：总体 AKI 病理生理学驱动的尿肽特征显示出在早期识别将发展为 AKI 的患者方面具有重大前景，从而可以针对这种常见且危及生命的疾病制定个性化治疗方案。尿肽特征的性能与单一生物标志物一样高或更高，但增加了机制信息，可能有助于区分 AKI 的亚表型，从而提供新的治疗途径。关键词：急性肾损伤、心脏手术、重症监护病房、尿肽组学、预测
随机森林急性口腔毒性预测的机器学习模型
背景和目标：这项研究的重点是对急性口腔毒性的可靠和精确预测对增强化学安全性并提高可持续发展目标的重要性，特别是可持续发展目标3（良好的健康和福祉）（良好的健康和福祉），可持续发展目标6（清洁水和卫生）（清洁水和卫生），以及可持续发展的开发目标，以及可持续的开发目标，以及负责消费和生产和生产和生产。传统的毒性评估通常是耗时且昂贵的，因此需要探索更有效的方法。这项研究的重点是建立最有效的方法来构建可靠和精确的毒性预测模型。方法：评估随机森林是一种健壮的合奏方法，用于使用国家毒理学计划/机构间综合数据集进行预测急性口腔毒性，以评估替代性毒理学方法和环境保护署/国家国家能力测试中心的替代性毒理学方法和国家能力测试中心，这表现出了极大的compantance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance，8％非常毒素的92％不太毒性。为了解决这种不平衡，利用了诸如成本敏感的学习和数据重采样技术（包括在采样和过度采样下）之类的策略。通过合理发现套件生成的一组二维分子描述符被用作输入特征，模型预处理涉及归一化，验证和特征选择。对特征重要性的检查表明，主要分子描述符是与范德华表面积和分子量子数有关的分子描述符。使用贝叶斯优化和交叉验证进行了超参数调整，而随机森林的性能与梯度提升，极端梯度增强，人工神经网络和广义线性模型相比进行了评估。发现：随机森林模型，尤其是在采样和成本敏感学习下使用的森林模型，表现出卓越的性能，达到0.81的灵敏度，0.85的特异性，0.85的精度和接收器操作特征曲线下的面积为0.89，在独立的测试集上为0.89。由随机森林预测发展出的替代决策树，在曲线下达到了一个0.929的面积。结论：随机森林模型有效地预测了急性口腔毒性，尤其是在通过对成本敏感的学习和重新采样来解决阶级失衡时。利用可解释的人工智能技术，包括置换特征的重要性，替代决策树分析和局部可解释的模型不足的解释，这项研究确定了驱动毒性的关键分子描述符。这一进步提高了模型的解释性，并代表了增强化学安全的重要一步，同时支持可持续发展目标。
KMT2A基因扩增在急性髓样白血病中的作用，
尽管赖氨酸甲基转移酶2a（KMT2A）基因重排，代表急性髓样白血病（AML）中常见的致癌事件，但KMT2A扩增的频率较小，并且与独特的临床和遗传特征相关。我们对三名与KMT2A基因扩增相关的AML患者进行了回顾性分析，并意识到了文献综述。所有病例都是男性，中位年龄为65岁。其中两个已经接受了以前的疗法。骨髓的Aspi速率涂片显示出明显的发育异常，并在红细胞系列中具有细胞质液泡。在所有情况下，细胞遗传学研究均显示出复杂的核型和原位杂交（FISH）分析（FISH）分析显示所有患者的DEL（5Q）和TP53基因的缺失和两名患者的DEL（7Q）。在两名患者中进行了下一代测序（NGS）面板，在这些情况下，建立了TP53的双重变化。所有患者均对治疗难治性，并且出现KMT2A扩增后的74天生存期。总而言之，我们的结果表明，我们的KMT2A扩增患者具有文献中描述的相同的临床和遗传特征：先前治疗，高龄，发育异常的迹象，具有频繁空泡，复杂的Karyotype和TP53突变的患者中存在扩增。
急性和慢性神经病 - UCL发现
由于多神经病的原因清单很长，因此通过寻找与“默认”呈现的偏差来对其进行细分，这有助于神经病急性而不是慢性？是不对称的吗？它是纯粹的感觉还是纯粹的运动，而不是混合的感觉运动？其他分组包括神经病，其中疾病靶标是髓鞘而不是轴突（脱髓鞘与轴突神经病），或者是背根神经节中感觉神经元的细胞体（神经节神经节疗法，感觉神经性神经病）。疾病过程显示出在某些神经病和其他小纤维中较大的口径纤维的偏爱。仔细的病史和检查，重点介绍了这些不同临床表现的独特特征，并进行了适当的研究，在大约四分之三的患有周围神经病的患者中产生了原因。这很重要，因为它可以导致特定的治疗。
“急性患者糖化白蛋白的评估...
摘要：背景：急性冠状动脉综合征构成了一个主要的全球健康负担，大大导致了发病率和死亡率。虽然糖化白蛋白（GA）已成为血糖控制的有希望的指标，但其在ACS患者中的预后价值尚不清楚。研究的目的：本研究旨在研究急性冠状动脉综合征患者的糖化白蛋白水平与短期并发症之间的关联，考虑临床，生化和超声心动图特征。材料和方法：该研究包括100名患有急性冠状动脉综合症的Damietta心脏病学胃肠病学中心的患者，从2022年1月至2023年6月。患者分为两组：患有并发症的患者和没有并发症的患者。数据是在临床，生化和超声心动图因子上收集的，包括糖化白蛋白水平，射血分数，语法评分和并发症。使用接收器操作特征曲线分析分析了糖化白蛋白的预测值。结果：升高的糖化白蛋白水平与并发症尤其是心源性休克显着相关。糖化白蛋白水平为13.7％，被确定为预测临床结果较差的截止。多变量分析显示高血压和较低的射血分数是并发症的独立风险因素。但是，在调整其他变量后，糖化白蛋白不是一个重要的预测因子。结论：糖化白蛋白是预测急性冠状动脉综合征患者并发症的有前途的生物标志物。尽管它与单变量分析中的短期并发症有关，但高血压和较低的射血分数是并发症的主要独立风险因素，这表明糖化白蛋白在调整其他临床因素时可能无法提供额外的预测价值。关键词：急性冠状动脉综合征，并发症，糖化白蛋白，风险分层
静脉溶栓后，通过机器学习预测与急性缺血性中风相关的糖尿病的结果
本队列研究旨在利用机器学习技术评估急性缺血性卒中 (AIS) 合并糖尿病患者静脉溶栓后的预后结果。分析使用来自沈阳市第一人民医院的数据进行，涉及 2018 年 1 月至 2023 年 12 月接受溶栓治疗的 3,478 名患有糖尿病的 AIS 患者，最终在筛选后关注 1,314 名患者。测量的主要结果为 90 天改良 Rankin 量表 (MRS)。采用 80/20 的训练测试分割进行模型开发和验证，采用各种机器学习分类器，包括人工神经网络 (ANN)、随机森林 (RF)、XGBoost (XGB) 和 LASSO 回归。结果表明，XGB 模型的平均准确率为 0.7355 (±0.0307)，优于其他模型。溶栓后预后的关键预测因素包括美国国立卫生研究院卒中量表 (NIHSS) 和血小板计数。研究结果强调了机器学习算法（尤其是 XGB）在预测糖尿病 AIS 患者功能结果方面的有效性，为临床医生提供了有价值的治疗计划工具，并根据接收者操作特性 (ROC) 分析和准确性评估改善了患者结果预测。
SELLAS Life Sciences 宣布其在急性髓系白血病中的关键性 3 期 GPS REGAL 试验的中期分析结果为阳性
SELLAS Life Sciences 宣布其在急性髓系白血病中的关键性 3 期 GPS REGAL 试验的中期分析结果为阳性
在急性髓系白血病中使用个性化预后评分系统面临的现实挑战
摘要 个性化医疗对于急性髓系白血病 (AML) 患者来说是一个挑战。在几项 AML 试验中发现了几种基因突变，这促成了一种个性化预后评分算法的创建，即知识库 (KB)。在本研究中，我们评估了该算法对 167 名真实 AML 患者队列的预后价值。我们将 KB 预测的结果与真实结果进行了比较。对于 60 岁以下的患者，有利和中等 ELN 风险类别的 OS 相似。然而，KB 算法无法预测不利 ELN 风险类别中的年轻患者的 OS 以及有利 ELN 风险类别中 60 岁以上患者的 OS。这些差异可以通过几种新的治疗选择的出现以及异基因干细胞移植 (aHSCT) 结果和支持性护理的改善来解释。个性化医疗是一项重大挑战，预测模型是预测患者结果的有力工具。然而，在 AML 领域增加新的治疗选择需要对这些评分系统进行前瞻性验证，以包括最近的治疗创新。