摘要 背景 早期神经功能恶化(END)是大血管闭塞(LVO)卒中患者的严重并发症。然而,目前缺乏监测血管内治疗(EVT)后神经功能的方式。本研究旨在评估定量脑电图(qEEG)系统对 END 的诊断准确性。方法 在这项前瞻性嵌套病例对照研究中,我们纳入了 2023 年 5 月至 2024 年 1 月期间来自中国天津不同临床中心的 47 名前循环 LVO 卒中患者和 34 名健康成人。卒中患者在入院时和 EVT 后接受脑电图检查。通过受试者操作特性曲线分析评估 qEEG 特征对 END 的诊断准确性,并通过无伪影数据和设备相关不良事件的百分比评估可行性。结果 14 名卒中患者患有 END(29.8%,95% CI 16.2% 至 43.4%),其中大多数在血管再通后 12 小时内发生(n=11)。qEEG 特征与美国国立卫生研究院卒中量表评分和梗塞体积有显著相关性。匹配后,13 名 END 患者和 26 名对照者被纳入诊断分析。相对 alpha 功率对患侧和健侧半球的诊断准确率最高。健侧半球的最佳电极位置为 FC3/4,患侧半球的最佳电极位置为 F7/8 和 C3/4。未报告与设备相关的不良事件。结论 qEEG 系统对 END 的诊断准确率高,可能成为监测神经功能的有前途的工具。确定最佳电极位置可以提高设备的便利性。临床试验注册号 ChiCTR 2300070829。
摘要简介:传染性后的细支气管炎(BOPI)是一种慢性且不可逆的肺部疾病,会影响下部气道。在严重的病毒感染发作后,尤其是腺病毒,在儿童中更常见,在儿童中更常见。目标:在其各个方面收集有关BOPI的主要更新,这主要是由于AV感染。材料和方法:这是关于食管静脉曲张的一般临床特征的综合文献综述。峰值策略用于阐述指导问题。此外,跨越描述符“支气管炎Obliteira”,“腺病毒”,“儿科”的穿越; “儿童”,在国家医学图书馆(PubMed Medline),科学Eltreonic Library Online(Scielo),EBSCohost,Google Scholar和Virtual Health Library(BVS)。结果和讨论:重要的是要注意风险因素,而患者通常是一岁以下的男孩的概况。低氧血症和机械通气的需求是重要的危险因素。支持BOPI的症状涉及次要,咳嗽,西比洛斯,运动不耐受和持续性低氧血症,至少在严重的支气管炎或呼吸道损伤后6周。诊断标准的评估代表了协助案件阐明的重要工具。关键词:支气管炎Obliteira;腺病毒;孩子。PICO策略用于提出指导问题。结论:ainda faltam conhecimentosososososososososose que que ecomenhecimento precoce,prevençãoeo tratamento dadoença,especialmentepecialementepopopósinfeccçãespelopeloadenovírus。摘要简介:感染后的细支气管炎(BOPI)是一种慢性且不可逆的肺部疾病,影响下呼吸道。它代表了一种罕见的疾病,在严重的病毒感染发作后,特别是腺病毒,在儿童中更常见。目的:在其各个方面收集有关BOPI的主要更新,尤其是由于AV感染而导致的。材料和方法:这是关于食管静脉曲张的一般临床特征的综合文献综述。此外,描述符“支气管炎玻璃体”,“腺病毒”,“儿科”和“儿童”和“儿童”在国家医学图书馆(PubMed Medline),Scientific Electronic Library Online(Scielo),EBSCohost,Google Scholar和Virtual Health图书馆(VHL)数据库中进行了交叉参考。结果和讨论:必须注意风险因素和患者概况,这通常是一岁以下的男孩。低氧血症和机械通气的需求是重要的危险因素。暗示BOPI的症状包括tachypnea,咳嗽,
客观的颅内囊力瘤是血管畸形,导致80%的非创伤性脑出血。最近,流动分流已被用作侵入性较少的手术治疗替代方案。但是,在25%的病例中,他们在6个月后无法完全闭塞。在这项研究中,作者使用Ma-Chine学习(ML)构建了一种工具,以预测与流动机处理后6个月后6个月后的动脉瘤闭塞结果。包括2011年1月至2017年12月之间在第三纪转介中心接受管道栓塞装置治疗的616名患者中,总共667例动脉瘤。为了构建预测工具,进行了两个实验。在第一个实验中,使用与患者风险因素和动脉瘤形态学特征相关的26个特征,将六种ML算法(支持向量机[SVM],决策树,随机森林[RF],K-Nearest邻居,XGBoost和Catboost培训)。在第二个例外情况下,使用Shapley添加说明(SHAP)分析在RF模型上提取的前10个功能进行了训练。结果结果表明,即使使用特征子集(83%的精度),即使在LR模型的SVM模型vs 62%的SVM模型与62%的SVM模型vs 62%的精度相比,SVM模型的准确性为89%(精度为83%)。塑形分析表明,年龄,高血压,吸烟状况,分支血管受累,动脉瘤颈部和较大的直径尺寸是有助于准确预测的最重要特征。在这项研究中得出结论,开发了一种基于ML的工具,该工具成功地预测了经过流动转移治疗的颅内动脉疫苗的结果,从而有助于神经外科医生实践更精致的方法和患者量化的药物。
目的脑动静脉畸形 (AVM) 的形态和血管结构特征已被广泛描述并与结果相关;然而,很少有研究对 AVM 血流进行定量分析。作者使用直接视觉分析和基于计算机的方法检查了血管造影上的脑 AVM 血流和通过时间,并将这些因素与伽玛刀放射外科治疗后的闭塞反应相关联。方法在单个机构使用 2013 年 1 月至 2019 年 12 月管理的前瞻性患者登记册进行回顾性分析:使用视觉流量测定方法分析了 71 名患者,使用基于计算机的方法分析了 38 名患者。在对两种方法进行比较和验证后,将闭塞反应与流量分析、人口统计学、血管结构和剂量数据相关联。结果 AVM 平均体积为 3.84 cm3(范围 0.64–19.8 cm3),32 个 AVM(45%)位于关键功能位置,平均边缘放射外科剂量为 18.8 Gy(范围 16–22 Gy)。27 个 AVM(38%)被归类为高流量,37 个(52%)被归类为中等流量,7 个(10%)被归类为低流量。研究期间,44 名患者(62%)完全闭塞;低流量 AVM 的平均闭塞时间为 28 个月,中等流量 AVM 的平均闭塞时间为 34 个月,高流量 AVM 的平均闭塞时间为 47 个月。预测闭塞的因素的单变量和多变量分析包括 AVM 病灶体积、年龄和流量。 5 名患者 (7%) 被确诊为不良放射效应,67 名患者 (94%) 在随访期间未出现任何功能恶化。结论 AVM 血流分析和按传输时间分类是预测闭塞概率和闭塞时间的有用指标。作者认为,更定量地了解血流有助于指导立体定向放射外科治疗并设定准确的结果预期。
来自开发与再生部(D.E.,L.V.D.V.,L.D.C.,F.R.,J.D。 ),群集女人和儿童,小组生物医学科学,鲁文鲁文大学,比利时鲁汶;埃及塔塔大学医学院医学院D.E.,D.E.,L.F。D.E.成像和病理学系(M.A.,P.D。 ),比利时鲁汶大学鲁文大学医院放射科临床系;临床部妇产科(L.V.D.V.,L.D.C.,F.R.,J.D。 ),比利时鲁汶大学鲁汶大学医院;发育中心的大脑中心(P.P.,V.K.,M.R.,J.D。 ),成像科学和生物医学工程,围产期成像与健康以及生物医学工程和成像科学学院(L.F.,T.V.,J.D。 ),伦敦国王学院,英国伦敦圣托马斯医院的国王健康伙伴;和妇女健康研究所(J.D. ),伦敦大学学院,英国伦敦。来自开发与再生部(D.E.,L.V.D.V.,L.D.C.,F.R.,J.D。),群集女人和儿童,小组生物医学科学,鲁文鲁文大学,比利时鲁汶;埃及塔塔大学医学院医学院D.E.,D.E.,L.F。D.E.成像和病理学系(M.A.,P.D。),比利时鲁汶大学鲁文大学医院放射科临床系;临床部妇产科(L.V.D.V.,L.D.C.,F.R.,J.D。),比利时鲁汶大学鲁汶大学医院;发育中心的大脑中心(P.P.,V.K.,M.R.,J.D。),成像科学和生物医学工程,围产期成像与健康以及生物医学工程和成像科学学院(L.F.,T.V.,J.D。),伦敦国王学院,英国伦敦圣托马斯医院的国王健康伙伴;和妇女健康研究所(J.D.),伦敦大学学院,英国伦敦。
来自开发与再生部(D.E.,L.V.D.V.,L.D.C.,F.R.,J.D。 ),群集女人和儿童,小组生物医学科学,鲁文鲁文大学,比利时鲁汶;埃及塔塔大学医学院医学院D.E.,D.E.,L.F。D.E.成像和病理学系(M.A.,P.D。 ),比利时鲁汶大学鲁文大学医院放射科临床系;临床部妇产科(L.V.D.V.,L.D.C.,F.R.,J.D。 ),比利时鲁汶大学鲁汶大学医院;发育中心的大脑中心(P.P.,V.K.,M.R.,J.D。 ),成像科学和生物医学工程,围产期成像与健康以及生物医学工程和成像科学学院(L.F.,T.V.,J.D。 ),伦敦国王学院,英国伦敦圣托马斯医院的国王健康伙伴;和妇女健康研究所(J.D. ),伦敦大学学院,英国伦敦。来自开发与再生部(D.E.,L.V.D.V.,L.D.C.,F.R.,J.D。),群集女人和儿童,小组生物医学科学,鲁文鲁文大学,比利时鲁汶;埃及塔塔大学医学院医学院D.E.,D.E.,L.F。D.E.成像和病理学系(M.A.,P.D。),比利时鲁汶大学鲁文大学医院放射科临床系;临床部妇产科(L.V.D.V.,L.D.C.,F.R.,J.D。),比利时鲁汶大学鲁汶大学医院;发育中心的大脑中心(P.P.,V.K.,M.R.,J.D。),成像科学和生物医学工程,围产期成像与健康以及生物医学工程和成像科学学院(L.F.,T.V.,J.D。),伦敦国王学院,英国伦敦圣托马斯医院的国王健康伙伴;和妇女健康研究所(J.D.),伦敦大学学院,英国伦敦。
来自开发与再生部(D.E.,L.V.D.V.,L.D.C.,F.R.,J.D。 ),群集女人和儿童,小组生物医学科学,鲁文鲁文大学,比利时鲁汶;埃及塔塔大学医学院医学院D.E.,D.E.,L.F。D.E.成像和病理学系(M.A.,P.D。 ),比利时鲁汶大学鲁文大学医院放射科临床系;临床部妇产科(L.V.D.V.,L.D.C.,F.R.,J.D。 ),比利时鲁汶大学鲁汶大学医院;发育中心的大脑中心(P.P.,V.K.,M.R.,J.D。 ),成像科学和生物医学工程,围产期成像与健康以及生物医学工程和成像科学学院(L.F.,T.V.,J.D。 ),伦敦国王学院,英国伦敦圣托马斯医院的国王健康伙伴;和妇女健康研究所(J.D. ),伦敦大学学院,英国伦敦。来自开发与再生部(D.E.,L.V.D.V.,L.D.C.,F.R.,J.D。),群集女人和儿童,小组生物医学科学,鲁文鲁文大学,比利时鲁汶;埃及塔塔大学医学院医学院D.E.,D.E.,L.F。D.E.成像和病理学系(M.A.,P.D。),比利时鲁汶大学鲁文大学医院放射科临床系;临床部妇产科(L.V.D.V.,L.D.C.,F.R.,J.D。),比利时鲁汶大学鲁汶大学医院;发育中心的大脑中心(P.P.,V.K.,M.R.,J.D。),成像科学和生物医学工程,围产期成像与健康以及生物医学工程和成像科学学院(L.F.,T.V.,J.D。),伦敦国王学院,英国伦敦圣托马斯医院的国王健康伙伴;和妇女健康研究所(J.D.),伦敦大学学院,英国伦敦。
急性缺血性卒中 (AIS) 仍然是全球致残和死亡的主要原因 (1)。大血管闭塞 (LVO) 尤其与更严重的表现缺陷有关,并且是导致功能依赖和死亡率上升的主要原因 (2)。血管内治疗对 LVO 的影响是深远的,减少一名患者的残疾需要治疗的人数为 2.6 (3)。加快血栓切除术至关重要,因为从门诊到血运重建的时间每缩短 15 分钟,独立行走和功能结果的比率就会提高 (4)。因此,及时诊断 LVO 对于选择符合条件的患者以及在患者转诊和治疗方面提供更大的灵活性至关重要。急性卒中分诊的时间依赖性对于工作繁忙的放射科医生来说可能具有挑战性,但自动检测工具有望筛查并优先处理工作列表顶部的阳性 LVO 病例,从而使放射科医生能够首先诊断最需要时间的患者 (5)。用于自动检测 LVO 的商业软件越来越多地用于临床工作空间。一些工具基于传统的机器学习算法,而另一些工具则使用深度学习 (6、7)。RAPID LVO (RAPID 4.9、iSchemaView、加利福尼亚州门洛帕克) 是一种传统的机器学习模型,已证实的灵敏度和特异性分别为 97% 和 74% (6)。CINA LVO(Avicenna.ai,法国拉西奥塔)是一种深度学习模型,其灵敏度和特异性分别为 98.1% 和 98.2%(7)。尽管这些商业人工智能工具可用于 LVO 检测,但在现实环境中比较传统机器学习和深度学习解决方案的数据仍然不足。据我们所知,这是第一项在综合性卒中中心比较 LVO 工具的研究。本研究的具体目的是比较和验证 RAPID LVO 和 CINA LVO 在前循环卒中 LVO 检测中的表现,并描述每种方法的局限性。
摘要背景鉴于疾病的发病率和干预时间窗短,在院前及时识别大血管闭塞 (LVO) 极为重要。目前的评估策略仍然具有挑战性。本研究的目的是开发一个机器学习 (ML) 模型,使用院前可访问的数据来预测 LVO。方法纳入 2016 年 1 月至 2021 年 8 月期间在基于计算机的急性卒中患者在线数据库(用于卒中管理质量评估-II)数据集中接受 CT 或 MR 血管造影并在症状出现后 8 小时内接受再灌注治疗的连续急性缺血性卒中患者。我们开发了八个 ML 模型,将美国国立卫生研究院卒中量表 (NIHSS) 项目与人口统计学、病史和血管危险因素相结合,以识别 LVO 并验证其有效性。结果最终,15 365 名患者被纳入训练集,4 215 名患者被纳入测试集。在测试集上,随机森林 (RF)、梯度提升机和极端梯度提升的曲线下面积 (AUC) 为 0.831(95% CI 0.819 至 0.843),高于其他模型,其中 RF 的特异性最高(0.827)。此外,RF 的 AUC 高于其他量表,与 NIHSS 相比,模型的准确率提高了 6.4%。我们还发现识别 LVO 的前五项是 NIHSS 总分、凝视偏差、意识水平 (LOC)、LOC 命令和左腿运动。结论 我们提出的模型可以成为基于院前可获取医疗数据的预测 LVO 的有用筛查工具。试验注册号 NCT04487340。
摘要 介绍 使用人工智能 (AI) 来支持急性缺血性中风 (AIS) 的诊断可以改善患者的预后并促进准确的组织和血管评估。然而,已发表的 AI 研究中的证据不足且难以解释,这降低了临床环境中诊断结果的责任感。本研究方案描述了对 AI 在诊断 AIS 和检测大血管闭塞 (LVO) 方面的准确性的严格系统评价。 方法与分析 我们将对 AI 模型用于诊断 AIS 和检测 LVO 的性能进行系统评价和荟萃分析。我们将遵守系统评价和荟萃分析方案指南的首选报告项目。将在八个数据库中进行文献检索。对于数据筛选和提取,两位审阅者将使用修改后的预测模型研究系统评价的批判性评价和数据提取清单。我们将使用诊断准确性研究质量评估指南来评估纳入的研究。如果有足够的数据,我们将进行荟萃分析。如果合并合适,我们将使用分层汇总接收器操作特性曲线来估计汇总操作点,包括合并灵敏度和特异性(95% 置信区间)。此外,如果有足够的数据,我们将使用推荐分级、评估、开发和评估分析软件来总结系统评价的主要发现,作为结果摘要。 伦理与传播 本研究方案不存在任何伦理问题,因为系统评价侧重于检查二手资料。系统评价结果将用于报告所纳入研究的准确性、完整性和标准程序。我们将通过在同行评审期刊上发表我们的分析来传播我们的研究结果,如果需要,我们将与研究的利益相关者和书目数据库进行沟通。PROSPERO 注册号 CRD42020179652。