XiaoMi-AI文件搜索系统
World File Search System脑卒中
基于 EDA 的脑卒中预测 - Nandyal
阿纳塔普尔联合大学附属拉吉夫·甘地纪念工程技术学院（自治）。获得 NBA (TIER-I) 和 NAAC of UGC 认证。新德里，获得 A+ 级认可 UGC-DDU KAUSHAL KENDRA NANDYAL-51850 1，（Estd-1995）
多模态磁共振在缺血性脑卒中评估中的运用进展
[1] Murray CJL, Aravkin AY, Zheng P, et al.Global burden of 87 risk factors in 204 countries and territories, 1990 – 2019: a systematic analysis for the Global Burden of Disease Study 2019[J].Lancet, 2020, 396 (10258): 1223-1249.[2] 王增武 , 马志毅 , 薛素芳 , 等 .基层冠心病与缺血性脑卒中共患管理 专家共识 2022[J].中国心血管病研究 , 2022, 20(9): 772-793.[3] 王拥军 , 李子孝 , 谷鸿秋 , 等 .中国卒中报告 2020 （中文版） (1)[J].中 国卒中杂志 , 2022, 17(5): 433-447.[4] Langhorne P, Bernhardt J, Kwakkel G. Stroke rehabilitation[J].Lancet, 2011, 377(9778): 1693-1702.[5] Xing Y, Bai Y.A Review of Exercise-Induced Neuroplasticity in Ischemic Stroke: Pathology and Mechanisms[J].Mol Neurobiol, 2020, 57 (10): 4218-4231.[6] Guggisberg AG, Koch PJ, Hummel FC, et al.Brain networks and their relevance for stroke rehabilitation[J].Clin Neurophysiol, 2019, 130(7): 1098-1124.[7] Lutsep HL, Albers GW, Decrespigny A, et al.Clinical utility of diffusion-weighted magnetic resonance imaging in the assessment of ischemic stroke[J].Ann Neurol, 1997, 41(5): 574-580.[8] 于帆 , Arman Sha, 张苗 , 等 .人工智能在急性缺血性脑卒中影像的研 究进展 [J].中华老年心脑血管病杂志 , 2023, 25(3): 334-336.[9] 李华 , 郭春锋 , 高连荣 .FLAIR 及 DWI 序列在诊断脑血管周围间隙 中的价值 [J].医学影像学杂志 , 2015, 25(8): 1341-1343.[10] Scheldeman L, Wouters A, Dupont P, et al.Stroke, 2022, 53(5): 1665-1673.[11] Thomalla G, Simonsen CZ, Boutitie F, et al.MRI-Guided Thrombolysis for Stroke with Unknown Time of Onset[J].[15] 蔡建新 , 彭如臣 .扩散加权成像和流体且反转的恢复定量定量，以预测不明发作的缺血性中风中的易流性恢复不匹配的恢复不匹配状态[J]。《新英格兰医学杂志》，2018，379（7）：611-622。[12] Legrand L，Turc G，Edilali M等。根据Flair血管高压不匹配而受益于血栓切除术后血运重建[J]。Eur Radiol，2019，29（10）：5567-5576。[13] Xie Y，Oppenheim C，Guillemin F等。预处理病变量会影响临床结果和血栓切除术的功效[J]。Ann Neurol，2018，83（1）：178-185。 [14] Raoult H，Lassalle MV，Parat B等。 基于DWI的算法可预测急性中风血栓切除术治疗的患者的残疾[J]。 Am J Neuroradiol，2020，41（2）：274-279。 弥散张量磁共振成像方法概述[J]。 医学影像学杂，2007，17（10）：1119-1122。 [16] Qiu A，Mori S，Miller MI。 扩散张量成像，用于理解早期生命中大脑发育[J]。 Ann Rev Psychol，2015，66：853-876。 [17] Corroenne R，Arthuis C，Kasprian G等。 胎儿大脑的扩散张量成像：有前途技术的原理，潜力和局限性[J]。 超声产科妇科，2022，60（4）：470-476。 [18] Andica C，Kamagata K，Hatano T等。 源自扩散成像的退化性脑疾病的生物标志物[J]。 J Magn Reson Imaging，2020，52（6）：1620-1636。 [19] Groisser BN，哥伦WA，Singhal AB等。 NeuroRehabil神经修复，2014，28（8）：751-760。Ann Neurol，2018，83（1）：178-185。[14] Raoult H，Lassalle MV，Parat B等。基于DWI的算法可预测急性中风血栓切除术治疗的患者的残疾[J]。Am J Neuroradiol，2020，41（2）：274-279。弥散张量磁共振成像方法概述[J]。医学影像学杂，2007，17（10）：1119-1122。[16] Qiu A，Mori S，Miller MI。扩散张量成像，用于理解早期生命中大脑发育[J]。Ann Rev Psychol，2015，66：853-876。 [17] Corroenne R，Arthuis C，Kasprian G等。 胎儿大脑的扩散张量成像：有前途技术的原理，潜力和局限性[J]。 超声产科妇科，2022，60（4）：470-476。 [18] Andica C，Kamagata K，Hatano T等。 源自扩散成像的退化性脑疾病的生物标志物[J]。 J Magn Reson Imaging，2020，52（6）：1620-1636。 [19] Groisser BN，哥伦WA，Singhal AB等。 NeuroRehabil神经修复，2014，28（8）：751-760。Ann Rev Psychol，2015，66：853-876。[17] Corroenne R，Arthuis C，Kasprian G等。胎儿大脑的扩散张量成像：有前途技术的原理，潜力和局限性[J]。超声产科妇科，2022，60（4）：470-476。[18] Andica C，Kamagata K，Hatano T等。源自扩散成像的退化性脑疾病的生物标志物[J]。J Magn Reson Imaging，2020，52（6）：1620-1636。[19] Groisser BN，哥伦WA，Singhal AB等。NeuroRehabil神经修复，2014，28（8）：751-760。皮质脊髓扩散异常[J]。[20] Kumar P，Kathuria P，Nair P等。使用扩散张量成像的亚急性缺血性卒中后上肢运动恢复的预测：系统评价和荟萃分析[J]。J Stroke，2016，18（1）：50-59。[21] Soulard J，Huber C，Baillieul S等。运动道完整性预测步行恢复：亚急性中风中的扩散MRI研究[J]。神经病学，
基于集成的脑卒中预测人工智能系统
摘要：及时发现并采取积极措施避免中风至关重要，因为这种疾病很可能导致严重残疾或致命后果。对于缺血性和出血性中风，必须及时使用适当的溶栓或抗凝药物。关键的初始阶段围绕及时识别中风的初始指标（个体之间可能有所不同）并在规定的治疗窗口内及时寻求医疗干预。本研究介绍了一种基于机器学习的系统，该系统采用实时测量心电图 (ECG) 和光电容积描记法 (PPG) 数据来以有意义的方式预测和解释中风预后症状。为了实现实时中风预测，我们开发并实施了一种集成结构投票分类器，该分类器结合了 SVM、随机森林和决策树分类器。这种方法可以准确预测患者的中风诊断，并且可以通过利用患者的 ECG 和 PPG 属性数据轻松实施。关键词：深度学习、机器学习、心电图（ECG）、光电容积描记法（PPG）、实时脑卒中预测
ZDHHC16 通过抑制脑卒中模型中的 CREB 促进神经细胞铁死亡
引言：本研究探讨了ZDHHC16在脑卒中（CA）模型中的作用及其可能的机制。材料和方法：从我院收集CA患者。使用小鼠建立大脑中动脉闭塞（MCAO）模型。结果：CA患者的ZDHHC16水平上调。ZDHHC16上调在体外模型中促进炎症并加速线粒体损伤。ZDHHC16基因上调促进神经细胞铁死亡。抑制ZDHHC16可预防小鼠脑卒中。ZDHHC16上调通过促进CREB泛素化与CREB相互连接来抑制CREB。CREB激动剂抑制了体外模型中ZDHHC16上调的影响。 CREB 抑制剂在体外模型中抑制了 ZDHHC16 下调的影响。结论：我们得出结论，ZDHHC16 通过抑制 CREB 促进 CA 模型中的铁死亡和炎症。该发现可能对 CA 或其他神经系统疾病的治疗有益。
用于 3D 脑卒中成像的原型微波系统
1 都灵理工大学电子与电信系，意大利都灵 10129；jorge.tobon@polito.it (JATV)；giovanna.turvani@polito.it (GT)；david.rodriguez@polito.it (DOR-D.)；mario.casu@polito.it (MRC) 2 意大利国家研究委员会环境电磁传感研究所，意大利那不勒斯 80124；scapaticci.r@irea.cnr.it (RS)；crocco.l@irea.cnr.it (LC) 3 那不勒斯费德里科二世大学电气工程与信息技术系，意大利那不勒斯 80125；gbellizz@unina.it 4 巴黎电气工程组 (GeePs)、法国国家科研中心、中央理工高等电力学院、巴黎南部大学、Univ.巴黎萨克雷大学，索邦大学，91190 伊维特河畔吉夫，法国； nadine.joachimowicz@paris7.jussieu.fr 5 Laboratoire des Signaux et Systèmes (L2S), Université Paris-Saclay, CNRS, CentraleSupélec, 91190 Gif-sur-Yvette, France; bernard.duchene@l2s.centralesupelec.fr 6 那不勒斯费德里科二世大学高级生物医学科学系，80131 那不勒斯，意大利； enrico.tedeschi@unina.it * 通讯：francesca.vipiana@polito.it
虚拟现实技术在脑卒中后平衡功能 ...
７ ２ １ １ 中华物理医学与康复杂志 ２０２４ 年 １２ 月第 ４６ 卷第 １２ 期 ＣｈｉｎＪＰｈｙｓＭｅｄＲｅｈａｂｉｌꎬＤｅｃｅｍｂｅｒ２０２４ꎬＶｏｌ.４６ꎬＮｏ.１２
脑卒中的预测模型：针对不平衡数据的 ADASYN-RF 方法
摘要 脑卒中是一种脑部血液突然停止流动，脑细胞因缺氧和营养物质不足而死亡的疾病。脑卒中与主要与当今生活方式相关的风险因素有关，包括高“血糖水平、心脏病、肥胖和糖尿病”等代谢综合征。本研究使用机器学习算法开发了脑卒中预测模型：“逻辑回归 (LR)、随机森林 (RF) 和 K-最近邻 (KNN)”。上述研究所需的数据集来自 Harvard Dataverse 存储库。该数据集包含“临床、生理、行为、人口统计和历史数据”。在这方面，将通过采用过采样技术（包括“SMOTE、ADASYN 和 ROSE”）来处理类别不平衡问题。本文提出了一种新的混合机器学习模型，将 ADASYN 与随机森林相结合，称为 ADASYN-RF，其中 ADASYN 将对不平衡的数据集进行重新采样，然后将随机森林应用于重新采样的数据。此外，还采用了其他机器学习模型和过采样技术进行比较。令人惊讶的是，ADASYN-RF 模型能够达到本文提到的 99% 的最高检测准确率，证明了其在中风预测方面的有效性。因此，该方法为中风的临床诊断提供了一种廉价而精确的工具。
使用优化增强算法实现脑卒中早期检测的可解释和可解读模型
摘要：背景/目标：中风是全球突出的健康问题，造成大量死亡和衰弱。当脑血流受损时，就会发生中风，导致不可逆的脑细胞损伤或死亡。利用机器学习的力量，本文提出了一种基于一系列综合因素预测中风患者生存率的系统方法。这些因素包括人口统计属性、病史、生活方式因素和生理指标。方法：提出了一种有效的随机抽样方法来处理高度偏差的中风数据。使用优化的增强机器学习算法进行中风预测，并利用 LIME 和 SHAP 的可解释 AI 提供支持。这使模型能够辨别复杂的数据模式并建立所选特征与患者生存之间的相关性。结果：研究了三种增强算法在中风预测中的性能，包括梯度增强 (GB)、AdaBoost (ADB) 和 XGBoost (XGB)，其中 XGB 总体上取得了最佳结果，训练准确率为 96.97%，测试准确率为 92.13%。结论：通过这种方法，该研究旨在发现可行的见解，以指导医疗从业者为中风患者制定个性化的治疗策略。
脑卒中肢体功能障碍患者康复护理需求范围综述
摘要 ：目的 全面检索国内外关于脑卒中肢体功能障碍康复护理的研究，总结分析脑卒中肢体功能障碍患者康复护理需求，为今后相关研究提供参考。方法 采用范围界定法系统检索CNKI、万方数据、维普、CBM、PubMed等中英文数据库，检索时间从建库至2021年7月26日，依据国际功能、残疾和健康分类框架对纳入文献进行主题分析。结果 共纳入19篇文献，结果显示脑卒中肢体功能障碍患者康复护理需求较为多样复杂，包括疾病与康复知识信息需求、活动参与需求、肢体功能恢复需求、社会环境需求和心理支持需求5大类需求。结论 脑卒中肢体功能障碍患者康复护理需求现状调查结果
使用 ML 预测脑卒中 - ijrpr
脑卒中检测是机器学习在医学领域的关键且时间敏感的应用。当大脑部分血液供应中断或脑血管破裂时，就会发生脑卒中。如果不及时处理，这些事件可能会导致严重残疾、长期并发症或死亡。传统的诊断方法，如临床评估、影像学检查和人工评估，可能耗时且依赖于熟练的医疗专业人员的可用性，从而导致诊断和治疗的潜在延误。“使用机器学习检测脑卒中”项目旨在通过开发一种利用 ML 技术预测脑卒中发生可能性的自动化系统来解决这些挑战。该系统将分析广泛的医疗数据，包括患者人口统计、病史、生活方式因素、生理数据和影像学结果，以识别与脑卒中相关的复杂模式和风险因素。通过实施基于机器学习的方法，该项目旨在帮助医疗保健提供者做出快速、数据驱动的决策，最终改善患者护理和治疗结果。