XiaoMi-AI文件搜索系统
World File Search System重症
重症监护室中残留意识的多模式预测：Connect-Me研究
功能性MRI（fMRI）和EEG可能揭示意识障碍患者（DOC）的残留意识，这是由慢性文献的快速扩展的慢性文献所反映的。然而，尽管识别剩余意识是重症监护病房（ICU）临床决策的关键，但很少研究急性DOC。因此，前瞻性，观察性，第三级中心队列，IIB期研究“使用EEG和fMRI的神经严重护理队列研究中的意识研究”（Connect-ME，NCT02644265）的目的是评估fMRI和EEG的准确性，以评估fMRI和EEG的准确性，以识别ICU中急性文档中急性文档中的残留意识。在2016年4月至2020年11月之间，通过反复的临床评估（fMRI和EEG）检查了87例急性DOC患者，患有创伤性或非创伤性脑损伤。通过视觉分析，光谱频带分析和支持向量机（SVM）意识分类器评估静止状态的脑电图和外部刺激。此外，评估了针对规范静止状态fMRI网络的内部和区域内静止状态连接性。接下来，我们在研究入学时使用了EEG和FMRI数据，以两种不同的机器学习算法（随机森林和SVM与线性内核）区分以最低意识的状态或更高的（≥mcs）的患者与昏迷或无反应的醒目状态（≤UWS）的患者（≤UWS）在ICU中（或在ICU中）（或在ICU之前）（或在ICU之前）（或在ICU之前）在曲线下用面积（AUC）评估了预测性能。在研究入学人群中，87例DOC患者（平均年龄为50.0±18岁），女性为43％），51名（59％）为≤UWS，36（41％）为≥MC。三十一名（36％）患者在ICU中死亡，其中28例撤离生命疗法的患者。eeg和fMRI预测了研究入学和ICU出院时的意识，最大AUC为0.79（95％CI 0.77-0.80）和0.71（95％CI 0.77-0.80）。基于脑电图组合和fMRI组合的模型可预测研究入学率和ICU放电时的意识水平，最大AUC为0.78（95％CI 0.71-0.86）和0.83（95％CI 0.75-0.89），具有IM证明积极的预测值和敏感性。总体而言，机器学习算法（SVM和随机森林）的表现同样出色。总而言之，我们建议ICU中的急性DOC预测模型是基于fMRI和EEG特征的组合，无论使用的机器学习算法如何。
重症监护领域 AI 的未来是增强智能，而非人工智能
© 作者 2020。开放存取 本文根据知识共享署名 4.0 国际许可协议进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可协议的链接，并指明是否做出了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可协议中，除非资料署名中另有说明。 如果资料未包含在文章的知识共享许可协议中，且您的预期用途不被法定规定允许或超出了允许的用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。知识共享公共领域贡献豁免（http://creativeco mmons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
重症监护和急诊环境中的 COVID-19 人工智能应用：系统评价
1 莫纳什大学医学、护理与健康科学学院，维多利亚 3800，澳大利亚；tche0014@student.monash.edu 2 新加坡国立大学杜克-新加坡国立大学医学院，新加坡 169857，新加坡；marcus.ong.e.h@singhealth.com.sg (M.E.H.O.); fahad.siddiqui@duke-nus.edu.sg (F.J.S.); andrew.ho@mohh.com.sg (A.F.W.H.)3 新加坡中央医院急诊医学部，新加坡 169608，新加坡 4 浙江大学医学院邵逸夫医院急诊医学部，杭州 310016，中国； zh_zhang1984@zju.edu.cn 5 新加坡国立大学心脏中心心脏病学系，新加坡 119074，新加坡； shir_lynn_lim@nuhs.edu.sg 6 新加坡卫生服务局卫生服务研究中心，新加坡 169856，新加坡 7 新加坡国立大学数据科学研究所，新加坡 117602，新加坡 * 通讯地址：liu.nan@duke-nus.edu.sg
制定综合急救、重症监护和手术治疗全球战略和行动计划
ECO 是 • 综合初级卫生保健方法的一个组成部分； • 对于确保在整个生命过程中及时满足人们的健康需求至关重要； • 是国家卫生系统有效应对紧急事件的能力的基础。
马来西亚新生儿重症监护病房的晚期败血症的流行病学，2015-2020
简介：确定44个马来西亚新生儿重症监护病房（NICUS）中血液培养阳性晚期败血症（LOS，> 72小时）的流行病学。材料和方法：研究设计：使用马来西亚国家新生儿注册中心的数据多中心回顾性观察性研究。参与者：739486名新生儿（出生体重≥500G，妊娠≥22周）出生并于2015 - 2020年出生。结果：LOS在2707（0.4％）新生儿中发展。Median annual incidence (per 100 admissions) was 12.0 (range: 8.1-13.8) in extremely preterm (EPT, gestation <28 weeks), 5.3 (range: 5.0-6.8) in very preterm (VPT, gestation 28-<32 weeks), 0.5 (range: 0.4-0.7) in moderate/late preterm (gestation 32-<37 weeks) and 0.1 in term (gestation ≥37周）新生儿。革兰氏阴性细菌占分离的病原体的54.7％，革兰氏阳性细菌39.3％，真菌和其他病原体6.0％。最常见的六种病原体是凝聚酶阴性葡萄球菌（18.3％），克雷伯氏菌属。（18.3％），金黄色葡萄球菌（9.9％），假单胞菌属。（8.9％），acinetobacter spp。（7.7％）和大肠杆菌（5.9％）。LOS-Attributable死亡率为EPT为14.3％，VPT为9.3％，LPT为8.3％，术语新生儿为6.2％。多重逻辑回归分析表明，EPT，小捕获（SGA），常规机械通气（CMV），高频通气（HFV），TPN和中央静脉线（CVL）的使用是与新生儿LOS相关的重要独立危险因素。结论：革兰氏阴性菌是最常见的病原体。与新生儿死亡率相关的重要独立危险因素是SGA，CMV，HFV，革兰氏阴性败血症，真菌败血症和肺炎。减少侵入性通气的使用情况，CVL和TPN可能会降低LOS的发病率和死亡率，特别是在妊娠<32周的新生儿中。
开发用于新生儿重症监护室婴儿记录的一次性脑电图帽
摘要：在新生儿重症监护病房 (NICU) 进行长期脑电图监测的挑战在于，在技术经验有限的情况下，如何找到建立和维持足够记录质量的解决方案。本研究评估了皮肤电极接口的不同解决方案，并开发了新生儿一次性脑电图帽。将几种替代皮肤电极接口材料与传统凝胶和糊剂进行了比较：导电纺织品（纹理和编织）、导电尼龙搭扣、海绵、高吸水性水凝胶 (SAH) 和水纤维片 (HF)。比较包括对选定材料的脱水评估和信号质量记录（皮肤相间阻抗和电力线 (50 Hz) 噪声）。测试记录是使用集成在前臂袖子或前额带中的按扣电极以及皮肤电极接口来模拟脑电图帽进行的，目的是在未准备的皮肤上进行长期生物信号记录。在水合测试中，导电纺织品和尼龙搭扣表现不佳。虽然 SAH 和 HF 在模拟孵化器环境中保持充分水合超过 24 小时，但海绵材料在前 12 小时内脱水。此外，SAH 被发现具有脆弱的结构，并且在 12 小时后容易产生电气伪影。在电阻抗和肌肉活动记录比较中，厚层 HF 的结果与未经准备的皮肤上的传统凝胶相当。此外，通过 1-2 Hz 和 1-20 Hz 归一化相对功率谱密度测量的机械不稳定性与使用皮下电极的临床 EEG 记录相当。结果共同表明，皮肤-电极界面处的厚层 HF 是无需准备的长期记录的有效候选者，具有许多优点，例如持久的记录质量、易于使用以及与敏感的婴儿皮肤接触的兼容性。
大型语言模型的重症监护大数据部署和提取：描述性分析
背景：公开访问的重症监护数据库包含巨大的临床数据，但是它们的利用通常需要先进的编程技能。大型数据库和非结构化数据的日益增长的复杂性给需要编程或数据分析专业知识以直接利用这些系统的临床医生带来了挑战。目的：本研究旨在简化与重症监护相关的数据库部署和通过大语言模型提取。方法：该平台的开发是一个两步过程。首先，我们使用Docker Container Technology启用了自动化数据库部署，并具有结合的基于Web的分析接口Meterfase和Superset。第二，我们开发了重症监护室的预审预周化变压器（ICU-GPT），这是一种大型语言模型，在重症监护室（ICU）数据上进行了微调，该模型集成了Langchain和Microsoft Autogen。结果：自动部署平台的设计考虑了用户友好性，使临床医生能够在本地，云或远程环境中部署1个或多个数据库，而无需手动设置。成功克服了GPT的令牌限制并支持多策略数据后，ICU-GPT可以生成结构化查询语言（SQL）查询，并根据请求输入从ICU数据集中提取洞察力。为临床医生开发了一个前端用户界面，以在基于Web的客户端上实现无代码SQL生成。结论：通过利用自动部署平台和ICU-GPT模型的功能，临床医生可以更有效，更有效地可视化，提取和安排与重症监护相关的数据库，而不是手动方法。我们的研究可以减少在复杂的生物信息学方法上花费的时间和精力，并提高临床研究。
用于预测重症监护症患者急性肾脏损伤的机器学习
全球精神分裂症的负担为23.6（95％置信区间：20.2-27.2）数百万[1]，印度精神分裂症的患病率为0.3％（95％置信区间：0.2-0.3％）[2]。对抗精神病药疗法的反应是高度可变的，不可能预测那些会或不会反应药物的患者。此外，这些患者中约有30％具有治疗性[3]。在几项研究中，已经发现，接受抗精神病药多药物的患者比例在15.9-60.5％的范围内接受氯氮平，这是最后一个药物治疗胜地[4]。对这些患者的治疗给患者，护理人员和卫生系统造成了巨大负担。典型和非典型抗精神病药主要来自多巴胺（D 2）和5-羟色胺（5-HT 2A）受体的拮抗作用。这些化合物中的许多都与常见和杂物不利影响有关[例如代谢综合征，高嗜血杆菌血症（女性）症状症状，抗胆碱能作用，镇静等。][5]对依从性产生负面影响。药物基因组学（PGX）因子在决定对抗精神病药的治疗反应中起着重要作用[3]。多项研究研究了PGX方法，以鉴定基因型特异性剂量并预测抗精神病药反应和/或不良反应[6]。目前，美国食品药品监督管理局在其药物标记9种抗精神病药中提供了有关PGX生物标志物的信息[7]。具有PGX信息的药物标签可用于特定的抗心理。同样，药物基因组学知识基网站列出了十种抗精神病药，在该抗精神病药中，建议细胞色素2d6（CYP2D6）代谢物的患者谨慎行事[8]。荷兰皇家协会在药房 - 含量药物遗传学工作组的促进协会提供了基于六种抗精神病药的CYP2D6基因型的PGX药物给药指南[9]。但是，也报道了负结果。在丹麦人群中，发现常规的CYP测试不会影响抗精神病药物治疗的持续性[10]。药物优化干预措施（例如PGX辅助治疗）基于精神病患者在多药疾病中的精确医学的概念是复杂且有限的；有必要采用更全面和综合的方法[11，12]。几项观察性研究报告了遗传变异与治疗反应之间的关联。但是，有限的研究使用PGX作为一种介入的工具来帮助选择抗精神病药及其剂量以优化精神分裂症治疗。在种族多样化的印度背景下，这尤其重要，因为抗精神病药物的差异药代动力学和小型动力学会导致对其作用产生重大影响。此外，评估在印度这样的中低收入国家的精神分裂症中PGX辅助治疗的成本效益也很重要。最后，重要的是从患者，护理人员和精神科医生对实施PGX-
重症监护病房中残留意识的多模式预测：CONNECT-ME 研究
功能性磁共振成像 (fMRI) 和脑电图 (EEG) 可能揭示意识障碍 (DoC) 患者的残留意识，这反映在有关慢性意识障碍的文献中。然而，急性意识障碍很少被研究，尽管识别残留意识是重症监护病房 (ICU) 临床决策的关键。因此，前瞻性、观察性、三级中心队列、诊断性 IIb 期研究“使用脑电图和 fMRI 进行神经重症监护队列研究中的意识”(CONNECT-ME，NCT02644265) 的目的是评估 fMRI 和脑电图在 ICU 中识别急性意识障碍的残留意识的准确性。2016 年 4 月至 2020 年 11 月期间，对 87 名患有创伤性或非创伤性脑损伤的急性意识障碍患者进行了反复临床评估、fMRI 和脑电图检查。通过视觉分析、频带分析和支持向量机 (SVM) 意识分类器评估静息态脑电图和外部刺激下的脑电图。此外，还评估了典型静息态 fMRI 网络内和网络间静息态连接。接下来，我们使用研究入组时的 EEG 和 fMRI 数据，采用两种不同的机器学习算法（随机森林和带线性核的 SVM）来区分研究入组时和转出 ICU 时（或死亡前）处于微意识状态或更好（≥ MCS）的患者与昏迷或无反应觉醒状态（≤UWS）的患者。使用曲线下面积（AUC）评估预测性能。在 87 名 DoC 患者（平均年龄 50.0 ± 18 岁，43% 为女性）中，51 名（59%）在研究入组时≤UWS，36 名（41%）≥ MCS。31 名（36%）患者在 ICU 死亡，其中 28 名患者停止了生命维持治疗。 EEG 和 fMRI 可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.79（95% CI 0.77–0.80）和 0.71（95% CI 0.77–0.80）。基于组合 EEG 和 fMRI 特征的模型可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.78（95% CI 0.71–0.86）和 0.83（95% CI 0.75–0.89），阳性预测值和灵敏度均有所提高。总体而言，两种机器学习算法（SVM 和随机森林）的表现同样出色。总之，我们建议 ICU 中的急性 DoC 预测模型应基于 fMRI 和 EEG 特征的组合，而不管使用哪种机器学习算法。
重症监护中的个性化医学：从生物标志物到量身定制的疗法
重症监护医学领域正在迅速发展，个性化医学作为一种变革性的方法来优化患者的预后。在ICU中，患者条件复杂且动态，一小中的所有治疗策略通常不足。个性化医学利用生物标志物，遗传见解和先进的诊断工具来根据每个患者的独特需求来量身定制疗法，从而彻底改变重症患者的护理服务的潜力。个性化医学涉及根据个体患者特征（例如遗传，蛋白质组学和代谢特征）来定制医疗服务。与依赖广义治疗方案的传统方法不同，该策略旨在预测患者对疗法的反应，最大程度地减少不良影响并增强康复。在重症监护中，在快速而精确的决策至关重要的情况下，这种方法特别有价值。生物标志物在个性化医学中至关重要，是疾病过程或治疗反应的可测量指标。在ICU中，生物标志物可以帮助分层患者，识别危险人群并指导治疗干预措施。