贵医22杨佳伟 发布的最佳帖子

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第四周的第一篇顶刊分享

【Ai医学 顶刊速递】

【题目】用于预测中风单位心房颤动的人工智能：一项回顾性推导验证队列研究
【DOI】https://doi.org/10.1016/j.ebiom.2025.105869
【背景】：阵发性心房颤动 （AF） 是中风的主要原因，但在常规临床实践中通常未被发现。需要有效的分层来确定可能从强化 AF 筛查中获益最多的卒中患者。已经提出了几种人工智能模型来预测窦性心律中基于心电图的 AF，但广泛的实施受到限制。AF 预测最有价值的输入特征和最有效的模型设计也不清楚。
【方法】：利用 2020 年 9 月至 2023 年 8 月期间在德国柏林夏里特住院的中风患者的入院后 72 小时的连续心电图监测 （CEM） 记录和多种临床输入特征，开发并测试了 AF 预测模型。比较了不同的模型和输入数据，以确定预测 AF 的最佳模型。评估了不同输入数据源的相对贡献的可解释性。使用前瞻性多中心 MonDAFIS 研究干预组的第一个小时监测数据对最终模型进行了外部验证。
【发现】：推导数据集包括 2068 名急性缺血性中风患者，其中 469 名 （22.7%） 患有房颤，在指数住院前或住院期间首次发现（366 人对 103 人）。在预测新检测到的 AF 时，贝叶斯融合模型是最好的，ROC-AUC 为 0.89（95% CI：0.80,0.96）。模型内省表明，HRV 是模型预测的主要驱动因素。使用 CEM 数据第一个小时的年龄和 HRV 参数的最终简化的基于树的集合模型取得了类似的性能（ROC-AUC 0.88,95%CI：0.79,0.95）。最终模型在 MonDAFIS 数据集的真实场景外部验证中始终优于 AS5F 评分（1519 名患者，其中 36 名 （2.37%） 患有 AF;ROC-AUC 0.79 与 ROC-AUC 0.69，p = 4.69e-03）。
【解释】：HRV 似乎是预测 AF 信息量最大的变量。计算成本低的模型只需要 1 小时的单导联 CEM 数据和患者的年龄，支持预测急性缺血性中风后长达 7 天的 AF。这种模型可以实现基于风险的心脏监测分层，优先考虑最需要的工作，以提高房颤筛查效率，并最终进行二级中风预防。

【Ai医学 顶刊速递】第八期

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第八篇顶刊分享

【Ai医学 顶刊速递】

【标题】 中国CT血管造影图像颅内动脉瘤检测深度学习模型：一项逐步、多中心、早期临床验证研究
DOI:10.1016/S2589-7500(23)00268-6

【背景】: 在现实世界中实施的人工智能 （AI） 模型很少。我们的研究旨在开发一种基于 CT 血管造影 （CTA） 的 AI 模型用于颅内动脉瘤检测，评估它如何帮助临床医生提高诊断性能，并验证其在实际临床实施中的应用。

【方法】： 利用中国8家医院14517例患者的16546张头颈部CTA检查图像，建立了深度学习模型。通过经过调整的逐步实施和评估，招募了来自 15 家不同地理医院的 120 名经过认证的临床医生。最初，AI 模型使用 900 个数字减影血管造影验证的 CTA 病例（检查）的图像进行了外部验证，并与 24 名临床医生的表现进行了比较，每名临床医生查看了其中 300 个病例（第 1 阶段）。接下来，作为进一步的外部验证，一项多读者多病例研究招募了 48 名临床医生，单独审查了 298 例经数字减影血管造影验证的 CTA 病例（第 2 阶段）。临床医生对每次 CTA 检查进行了两次审查（即，有和没有 AI 模型），中间有 4 周的清除期。然后，一项随机开放标签比较研究招募了 48 名临床医生，以评估该 AI 模型的接受度和性能（第 3 阶段）。最后，该模型在 1562 个真实世界的临床 CTA 病例中进行了前瞻性部署和验证。

【发现】： 内部数据集中的AI模型实现了0·957（95%CI 0.939-0.971）的患者水平诊断敏感性，患者水平诊断敏感性高于外部数据集中的临床医生（0.943 [0.921-0.961] vs 0.658 [0.644-0.672];p<0.0001）。在多读者多病例研究中，人工智能辅助策略在每位患者的基础上提高了临床医生的诊断性能（受试者工作特征曲线下面积 [AUC];0.795 [0.761-0.830] 没有 AI 与 0.878 [0.850-0.906] 有 AI;p<0.0001）和每个动脉瘤基础（加权替代自由反应受试者工作特征曲线下的面积;0.765 [0.732-0.799] 与 0.865 [0.839-0.891];p<0.0001）。在人工智能模型的帮助下，阅读时间减少（87·5 秒 vs 82·7 秒，p<0.0001）。在随机开放标签比较研究中，与对照组相比，人工智能辅助组的临床医生对人工智能模型的接受度很高（采用率为 92.6%），并且与对照组相比 AUC 更高（0.858 [95% CI 0.850-0.866] vs 0.789 [0.780-0.799];p<0.0001）。在前瞻性研究中，由于CTA图像质量差和识别失败，AI模型的错误率为0.51%（8/1570）。该模型阴性预测值为0.998（0.994-1.000），显著提高了临床医生的诊断性能;AUC从0.787（95%CI 0.766-0.808）提高到0.909（0.894-0.923;p<0.0001），患者水平敏感性从0.590（0.511-0.666）提高到0.825（0·759-0.880;p<0.0001）。

【解释】： 该人工智能模型在颅内动脉瘤检测方面表现出强大的临床潜力，提高了临床医生的诊断性能，接受度高，并在真实临床病例中实际实施。