目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic str...目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。展开更多
心房颤动是脓毒症患者病程中最常见的新发心律失常,脓毒症患者并发心房颤动时治疗更复杂,预后更差,不仅延长住院时间,还会增加患者卒中和死亡的风险。本综述旨在总结分析当前关于脓毒症相关新发心房颤动的研究状况与最新进展,探讨脓毒...心房颤动是脓毒症患者病程中最常见的新发心律失常,脓毒症患者并发心房颤动时治疗更复杂,预后更差,不仅延长住院时间,还会增加患者卒中和死亡的风险。本综述旨在总结分析当前关于脓毒症相关新发心房颤动的研究状况与最新进展,探讨脓毒症患者新发心房颤动的生理机制、风险因素、抗凝治疗及临床结局,以期更全面地理解如何预防心房颤动对脓毒症患者造成的不良影响,并寻求更好的临床治疗决策。Atrial fibrillation is the most common new-onset arrhythmia in patients with sepsis, and patients with sepsis complicated by atrial fibrillation are more complicated to treat, have a worse prognosis, prolong hospital stays, and increase the risk of stroke and death. The purpose of this review is to summarize and analyze the current research status and latest progress on sepsis-related new-onset atrial fibrillation, and to explore the physiological mechanism, risk factors, anticoagulation therapy and clinical outcomes of new-onset atrial fibrillation in patients with sepsis, in order to understand more comprehensively how to prevent the adverse effects of atrial fibrillation on patients with sepsis, and to seek better clinical treatment decisions.展开更多
文摘目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。
文摘心房颤动是脓毒症患者病程中最常见的新发心律失常,脓毒症患者并发心房颤动时治疗更复杂,预后更差,不仅延长住院时间,还会增加患者卒中和死亡的风险。本综述旨在总结分析当前关于脓毒症相关新发心房颤动的研究状况与最新进展,探讨脓毒症患者新发心房颤动的生理机制、风险因素、抗凝治疗及临床结局,以期更全面地理解如何预防心房颤动对脓毒症患者造成的不良影响,并寻求更好的临床治疗决策。Atrial fibrillation is the most common new-onset arrhythmia in patients with sepsis, and patients with sepsis complicated by atrial fibrillation are more complicated to treat, have a worse prognosis, prolong hospital stays, and increase the risk of stroke and death. The purpose of this review is to summarize and analyze the current research status and latest progress on sepsis-related new-onset atrial fibrillation, and to explore the physiological mechanism, risk factors, anticoagulation therapy and clinical outcomes of new-onset atrial fibrillation in patients with sepsis, in order to understand more comprehensively how to prevent the adverse effects of atrial fibrillation on patients with sepsis, and to seek better clinical treatment decisions.
