arterial hypertension
PulseAugur coverage of arterial hypertension — every cluster mentioning arterial hypertension across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
研究发现AI模型会延续疾病刻板印象
AI语言模型通过不成比例地将某些疾病与特定人群和性别相关联，正在加剧有害的刻板印象。一项来自澳大利亚的研究发现，模型经常将狼疮、动脉高血压和先兆子痫等病症与特定群体联系起来，偏离了实际的流行病学数据。这种偏见甚至在新一代AI模型中也存在，凸显了其训练或应用中持续存在的问题。
-
GenFAR 框架从 49,246 份 MRI 中学习通用脑表示
研究人员开发了 GenFAR，一个新颖的深度学习框架，旨在从脑 MRI 中创建通用且具有临床指导意义的特征表示。该模块化架构在包含 11 个队列的 49,246 名个体的大型数据集上进行了训练，利用 17 项不同任务来捕捉丰富的脑表示。该框架采用顺序学习方法，确定了六项任务的最佳序列和量化任务贡献的“供体分数”指标，最终提高了下游深度学习模型的样本效率和准确性。
-
AI框架揭示了社会劣势与心血管代谢疾病之间的联系途径
研究人员开发了一个新颖的AI驱动框架，以探索社会经济劣势、心理社会因素和心血管代谢多重发病率之间复杂的联系。通过整合来自“All of Us”研究计划的临床、实验室和基因组信息等多种数据类型，该研究利用特定模态的变分自编码器创建潜在表示。在此潜在空间中进行的中介分析揭示了一条重要途径，即社会经济劣势和心理社会脆弱性会间接导致以高血压和糖尿病等疾病为特征的心血管代谢多重发病率。
-
机器学习模型加速美国小区域慢性病估计
研究人员开发了机器学习模型来解决慢性病小区域估计（SAE）的滞后问题。通过学习频繁更新的区域级预测变量与现有SAE输出之间的关系，这些模型可以生成及时的估计。该研究评估了美国十种慢性病的县级SAE的各种全局和地理加权机器学习模型，发现地理加权随机森林和地理加权回归等地理加权框架为快速SAE生成提供了可扩展的解决方案。
-
新的 CGMD 框架通过图介导蒸馏改进高血压预测
研究人员开发了一种名为临床图介导蒸馏 (CGMD) 的新框架，以提高从视网膜眼底图像预测高血压的能力。该方法通过将包含更强高血压标记的 MRI 的知识转移到眼底成像模型中，解决了有限的配对 MRI 和眼底成像数据的挑战。CGMD 利用临床相似性 kNN 图来弥合不相关的 MRI 和眼底队列之间的差距，从而能够在不需要配对数据的情况下进行有效的知识转移。实验表明，与现有的蒸馏和插补技术相比，CGMD 显著提高了基于眼底的血压预测能力。
-
AI优先模型为农村医疗保健提供了超越医院的新途径
美国的农村医疗保健因其以医院为中心的架构而面临严峻挑战，这种架构不适合农村社区的需求。由于当前体系奖励的是就诊量而非连续性护理，并且需要患者长途跋涉就医，因此大量农村医院面临关闭的风险。新兴的AI优先护理模式通过将重点从两次就诊之间的监测和对糖尿病、心血管疾病等慢性病的积极干预转移开，而不是仅仅依赖医院，提供了一个潜在的解决方案。
-
新的CardioMeta框架通过校准概率改进多疾病预测
研究人员开发了CardioMeta，一个用于联合预测糖尿病、高血压和心血管疾病的新多任务框架。该框架旨在通过关注校准概率、时间鲁棒性和在人口普查和电子健康记录等多样化数据集上的可靠亚组报告来改进现有的机器学习模型。虽然其准确性并未显著高于基线模型，但CardioMeta在控制标签泄露和提供更值得信赖的预测方面显示出价值，尤其是在处理不同医疗保健数据源之间的分布变化时。
-
人工智能和可穿戴设备增强高血压管理和风险预测
题为"数字时代的血压管理"的最新出版物探讨了人工智能、可穿戴血压设备和远程监控的整合。这些技术有助于持续跟踪血压，并增强对动脉高血压相关风险的预测。