XiaoMi-AI文件搜索系统
World File Search System收缩压
引用本文：Ahmed Mustafa Elbasha、Yasmine Salah Naga、Mai Othman、Nancy Diaa Moussa 和 Hala Sadik Elwakil (2022) 向人工智能模型在透析中并发症预测中的应用迈出了一步，Alexandria Journal of Medicine，58:1，18-30，DOI：10.1080/20905068.2021.2024349
摘要简介：急性透析中并发症仍然是接受血液透析 (HD) 的终末期肾病 (ESRD) 患者的一大负担。它们常常导致 HD 疗程提前终止，从而影响透析充分性和患者的整体健康。这项研究的目的是建立一个人工智能模型并评估其在预测透析中临床事件发生方面的表现。方法：我们研究了 215 名 ESRD 患者进行的 6000 次 HD 疗程，记录了许多预测因素，包括：患者、机器和环境因素。这些数据是在 24 周内收集的，包括 COVID 19 时期的 12 周，并用于开发和训练人工神经网络模型 (ANN) 以预测透析中临床事件的发生，例如：低血压、头痛、高血压、痉挛、胸痛、恶心、呕吐和呼吸困难。结果：我们的 ANN 模型在二元 ANN 中预测透析中并发症（事件或无事件）发生的平均精确度和召回率为 96%，AUC 为 99.3%，而分类 ANN 在预测事件类型方面的准确率为 82%。我们发现心率变化、平均收缩压、超滤率、透析液钠、膳食、尿素减少率、室内湿度和透析持续时间对透析中并发症的发生影响最大。讨论：我们的 ANN 模型可用于预测 HD 患者透析中临床事件的风险，并可为经常人手不足的透析部门的医疗保健决策提供支持，尤其是在 COVID 19 时代。
推进阿尔茨海默氏病风险预测
抽象目标阿尔茨海默氏病（AD）对65岁及65岁以上的个体是最普遍的痴呆形式构成了重大挑战。尽管现有的AD风险预测工具表现出很高的准确性，但它们的复杂性和有限的可访问性限制了实际应用。本研究旨在使用机器学习技术开发一个方便，有效的预测模型。设计和设置我们对来自国家阿尔茨海默氏症协调中心的60岁及60岁以上的参与者进行了横断面研究。我们选择个人特征，临床数据和心理社会因素作为AD的基线预测因子（2015年3月至2021年12月）。这项研究利用随机森林和极端梯度提升（XGBoost）算法以及传统的逻辑回归进行建模。应用了一种超采样方法来平衡数据集。干预措施本研究没有干预措施。参与者研究包括2379名参与者，其中507名被诊断出患有AD。主要和次要结果指标，包括准确性，精度，召回，F1分数等。结果11变量在训练阶段至关重要，包括教育水平，抑郁，失眠，年龄，体重指数（BMI），药物计数，性别，支架，收缩压（SBP），神经症和快速眼动运动。XGBoost模型与其他模型相比表现出色，在曲线下达到0.915，灵敏度为76.2％，特异性为92.9％。最有影响力的预测因素是教育水平，总药物计数，年龄，SBP和BMI。结论拟议的分类器可以帮助指导老年人群中AD的临床前筛查。
世界卫生组织产品特性总结
N = 每组包括的受试者人数；n = 发生确诊事件的受试者人数；CI = 置信区间；NE = 不可评估。a RT-PCR 检测呈阳性，确诊为 SARS-CoV-2，且至少出现 A 类以下一种症状：胸部 X 光或 CT 扫描诊断为肺炎、室内空气中的氧饱和度≤94% 或需要新出现或增加补充氧气、出现新的或恶化的呼吸困难/呼吸急促；或出现 B 类中的两种或两种以上症状：发烧（定义为 >100°F (≥37.8°C) 或发烧）、出现新的或恶化的咳嗽、肌痛/肌肉疼痛、影响日常活动的疲劳、呕吐和/或腹泻、嗅觉丧失或味觉丧失。经裁决委员会确认。b 关键次要终点；重症 COVID-19 的定义基于实验室确诊的 COVID-19，加上以下任何一项：静息时临床症状表明严重全身性疾病（呼吸频率≥30 次/分钟、心率≥125 次/分钟、海平面室内空气中的氧饱和度≤93% 或氧分压与吸入氧分数之比<300 mmHg）；或呼吸衰竭（定义为需要高流量氧气、无创通气、机械通气或体外膜氧合）、休克证据（收缩压<90 mmHg、舒张压<60 mmHg 或需要血管加压药）；或严重的急性肾脏、肝脏或神经系统功能障碍；或进入重症监护病房，或死亡。c 97.5% CI。
三尖替氏症患者的术语死亡率
抽象的物镜三尖瓣反流（TR）是一种与显着发病率和死亡率相关的普遍瓣膜疾病。我们的目的是应用机器学习（ML）来评估≥1menterTR的患者的风险分层。在2005年1月至2016年12月之间的超声心动图中≥部位TR的方法是回顾性的。我们使用70％的数据来培训基于ML的生存模型，包括27个临床和超声心动图特征，以在独立测试集（30％）的3年内预测死亡率。为了说明基线合并症的差异，通过增加Charlson合并症指数（CCI）分层进行了预测。置换特征的重要性是在这些组中分别使用表现最佳模型计算得出的。13例312例患者的结果，平均年龄为72±13岁，女性为7406（55％），7409（56％）的结果中度为中度，2646（20％）患有中度 - 重度和3257（24％）（24％）患有严重的TR。通过3毫升模型的1年死亡率的总体绩效很好，C统计0.74–0.75。有趣的是，CCI组之间的性能各不相同，（最低CCI组的C-Statistic = 0.774，最高CCI组的0.661）。在3年的随访中，性能下降（平均C指数0.78）。此外，有助于这些预测的前10个特征随CCI组略有不同，最高特征包括心率，右心室收缩压，血压，利尿剂使用和年龄。结论常见的临床和超声心动图特征的机器学习可以评估TR患者的死亡风险。在纳入临床实践之前，需要进一步完善模型和前瞻性研究中的验证。
一个可解释的框架，可以从临床试验中识别有关治疗效果的响应式亚组：应用脑出血治疗
随机临床试验（RCT）遭受高失败率，这可能是由对治疗的异质反应引起的。尽管开发了许多模型以估计异质治疗效应（HTE），但仍缺乏可解释的甲基化剂来识别响应式亚组。这项工作旨在开发一个框架来基于优先级可解释性的治疗效果来识别亚组。所提出的框架利用了一个集合隆福树方法来生成描述性决策规则，该规则将样本分开，给出了对治疗的估计响应。随后，我们选择了这些决策规则的互补集，并使用稀疏线性模型对其进行排名。为了解决试验有限的样本量问题，我们通过从外部研究中借用控制患者并产生合成数据提出了数据增强策略。我们将提出的框架应用于失败的随机临床试验，以调查脑内出血治疗计划。Qini分数表明，提出的数据增强策略计划可以通过选择互补的描述性规则而不损害估计质量来提高模型的性能，并且框架可以提高模型的性能。我们的模型得出了临床上有意义的亚组。，我们发现那些患有舒张压70 mm Hg的患者，收缩压<215 mm HG受益于强化血压降压疗法更受益。提出的可解释的HTE分析框架为从具有中性治疗效果的RCT中提取有意义的见解提供了有希望的潜力。通过识别响应式亚组，我们的框架可以更有效地为患者制定个性化治疗策略。
...
与糖尿病及其并发症相似的肥胖流行是现代社会主要关注的疾病。基于社区的筛查是一种有效的策略，可以识别出患有超重，肥胖，前糖尿病，糖尿病和相关健康问题的高风险的人。在这里，我们介绍了筛选伊万诺 - 弗兰基夫斯克地区（乌克兰西部）四个地点人口的结果。研究组由400名成人和252名儿童组成。测量的参数为：（1）主要生命体征 - 体温，静息心率，血压； （2）人体测量指标 - 体重和身高，体重指数，腰围； （3）代谢参数 - 禁食毛细血管血糖，全身脂肪，内脏脂肪，体育锻炼水平以及患2型糖尿病的10年风险。研究发现，成年人中有23％超重，肥胖为14.8％。在儿童中，有9.9％的人超重，肥胖为8.7％。成人体重指数与内脏脂肪百分比，收缩/舒张压和空腹毛细血管血糖水平相关。18岁以上的成年人的禁食毛细血管血糖≥5.6mmol/l（14.3％），包括那些未诊断前糖尿病（13.3％）和怀疑糖尿病（1.0％）的毛细血管血糖。成人内脏脂肪的百分比与患有2型糖尿病的10年风险有关。关键字：糖尿病，超重，肥胖，人口筛查，乌克兰缩写BMI体重指数FBG FBG禁食毛细血管血糖SBP SBP SBP SBP收缩压DBP舒张压DBP舒张压T2DM T2DM 2型糖尿病2糖尿病IFG IFG IFG快速glucoir（IFG）gluciage glucing glucing（Ifg）>
使用人工智能和神经网络算法
背景：创伤是全球第三大死亡原因，也是 44 岁以下人群的首要死亡原因。对于创伤患者，尤其是当天早些时候受伤的患者，动脉血气 (ABG) 被视为黄金标准，因为它可以为医生提供重要信息，例如检测内伤程度，尤其是肺部损伤程度。但是，通过实验室方法测量这些气体是一项耗时的任务，而且很难对患者进行采样。测量这些气体所需的设备也很昂贵，这就是为什么大多数医院没有这种设备的原因。因此，无需临床试验即可估算这些气体可以挽救创伤患者的生命并加速他们的康复。方法：在本研究中，通过收集有关 2280 名创伤患者的信息，提出了一种基于人工神经网络的动脉血气估计和预测方法。在所提出的方法中，通过训练前馈反向传播神经网络（FBPNN），神经网络只能根据患者的初始信息预测这些气体的量。所提出的方法已经在MATLAB软件中实现，并且收集的数据测试了其准确性，并给出了其结果。结果：结果显示预测动脉血气的准确率为87.92％。预测的动脉血气包括PH，PCO2和HCO3，其准确率分别为99.06％，80.27％和84.43％。因此，所提出的方法在预测动脉血气方面具有相对较好的准确性。结论：鉴于这是第一项使用初始患者信息（收缩压 (SBP)、舒张压 (DBP)、脉搏率 (PR)、呼吸频率 (RR) 和年龄）预测动脉血气的研究，并且基于结果，所提出的方法可以成为协助医院和实验室专家的有用工具。关键词：动脉血气、创伤、神经网络、预测。
慢性肾脏病预防运动
目的：验证无系统性动脉高血压病史的老年个体中蛋白尿作为肾脏损害的标志与心血管疾病之间的关系。 2014 年 1 月至 2019 年 12 月，通过福塔莱萨市塞阿拉联邦大学发起的肾脏疾病预防运动开展了一项横断面研究。方法：样本为417名老年人。通过调查问卷了解个体特征及评估既往疾病，通过尿液分析试剂条评估蛋白尿。结果：血压水平（CI 0.53 - 0.93）、收缩压和舒张压（CI 0.21 - 0.61）存在统计学上显著差异（p < 0.05）且效应量中等。各组之间的毛细血管血糖也存在显著差异（p = 0.033），但效果大小较低（0.02 - 0.42）。患有合并症的患者患蛋白尿的可能性是没有合并症患者的 2.94 倍（OR 2.94；CI 1.55 - 4.01；p < 0.05）。在未患心血管疾病/高血压的组中，既往糖尿病与蛋白尿存在统计学上显著关联（p = 0.037），糖尿病患者的蛋白尿风险高出 2.68 倍（OR 2.68；CI 1.05 - 6.85）。不同年龄组之间也发现了显著的关联，最年长的组别发生蛋白尿的风险高 2.69 倍（75 至 90 岁与 60 至 74 岁相比）（CI 1.01 - 7.16；p = 0.045）。结论：即使没有系统性动脉高血压或心血管疾病，糖尿病和高龄也可被视为蛋白尿的高危因素。
眼睛是心脏的镜子
人眼是一种独特的感觉器官，是感觉神经系统的一部分。但是，有许多器官系统也可以与眼睛一起使用。在我的书《超越人眼》和《人眼的额外视觉功能》一书中，我试图强调视觉不仅是人眼的功能。眼睛的大部分外部由角膜和巩膜组成；中间部分 - 镜头系统，没有血液供应，并封闭在光学清晰的水性水中。视网膜的最内向部分含有眼睛的主要血液供应。人眼是体内唯一能够“看到”光波长并将其变成视觉图像的器官。，如果没有眼睛的科学家，我们无法在利兹大学获得视觉图像，从而成功地训练了人工智能（AI）系统，以检测视网膜扫描的迹象，这些视网膜扫描相对便宜，并且由配备医生和眼科诊所进行。“如果我们可以用眼睛作为评估我们的心血管健康的窗户，那不是很好吗？”亚历杭德罗·弗兰吉（Alejandro Frangi）问。眼睛扫描签证之间的关系表明，年龄较大的人在视网膜（小动脉）和更宽，更扭曲的较大的大血管（venules）中更狭窄和扭曲的小血管。视网膜中的小动脉每10 mm Hg的收缩压增加（p <.001），每种毫米Hg的眼压升高每10 mm Hg缩小0.13像素（p <.05）（p <.05）。随访时的眼压增加与这些小血管的扭曲相比，比基线时的扭曲更大（每毫米Hg 0.59％； P = .024）。
一个新的诺夫图，用于预测基于24的预后...
背景和客观：在溶栓后使用人群数据来构建血压变异性（BPV）的预测模型的研究不足，无法估算随后的急性缺血性中风（AIS）患者的发展。这项研究的目的是构建和验证一种模型，该模型在溶栓治疗后24小时使用BPV来预测AIS患者的结果。方法：构建和验证溶栓治疗后24小时使用BPV的模型来预测AIS患者的结果。结果：该研究总共有503例接受静脉溶栓治疗的急性缺血性中风患者。多变量分析结果已经描绘了几个关键因素，这些因素在AIS患者中显着预后不良预后：最初的国家健康研究所中风量表评分，记录的高血压病史，高血压病史，收缩压和舒张性血压的变化，如其标准偏差和血液差异24小时，并表明了24小时的差异。这些决定因素已成为实质性预测因素，阐明了AIS治疗后影响患者预后的临床参数的复杂相互作用。在开发和验证队列中，拨号图下的曲线面积估计了不利预后的概率，确定为0.876（95％CI：0.84-0.913）和0.849（95％CI：0.784-0.913）。校准曲线揭示了命名图的预测概率与验证集中观察到的实际结果之间的一致性。此外，决策曲线分析强调了预后模型的显着临床实用性和鲁棒的适用性，这说明了其有效指导临床决策的潜力。结论：由于其优异的预测准确性，判别能力和临床实用性，该图是评估溶栓治疗后AIS患者可能不良结果的重要辅助工具。