atrial fibrillation
PulseAugur coverage of atrial fibrillation — every cluster mentioning atrial fibrillation across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Cardiologent：多智能体AI系统辅助心律失常评估和管理
研究人员开发了Cardiologent，一个多智能体临床决策支持系统，旨在评估患者级别的心律失常、紧急程度和管理。与以往专注于单一心电图读数或预先检测到的心律失常的系统不同，Cardiologent整合了包括心电图和光电容积脉搏波图在内的多种信号数据。该系统通过检索临床指南进行推理，提供可审计的决策，在综合诊断、临床意义和紧急程度方面优于心脏病专家和LLM（大型语言模型）裁判。
-
智能手表检测到无声心梗，挽救主人生命
一款配备先进ECG和光电容积脉搏波描记法（PPG）传感器的高端智能健康手表向Elena Rostova发出了无声心梗的警报。该手表检测到心率过高和急性心脏窘迫的迹象，促使Elena呼叫紧急服务。由于可穿戴设备提供的早期检测，急救人员迅速赶到并能够进行包括放置支架在内的挽救生命的治疗。
-
AI模型Echo2ECG利用超声心动图数据增强心电图分析
研究人员开发了Echo2ECG，一个新颖的多模态自监督学习框架，旨在通过整合多视角超声心动图（Echo）的心脏形态数据来增强心电图（ECG）表示。该方法旨在实现直接从ECG预测形态表型，例如左心室射血分数，而这是传统ECG分析本身无法实现的。该框架在分类心脏表型和使用ECG查询检索相似Echo研究方面的能力得到了评估，证明其性能优于现有的单模态和多模态基线。
-
AI研究探索可解释性和合成数据以实现高效心电图分类
研究人员开发了两种新颖的方法，以提高深度学习模型在临床时间序列分析（特别是心电图（ECG）分类）中的效率和性能。一种方法 ERTS 在训练过程中使用可解释性指标来过滤不可靠数据并优先处理信息性样本，从而降低计算成本并提高可靠性。另一种方法侧重于使用知识驱动算法生成合成ECG数据来预训练模型，这已显示出显著的性能提升，尤其是在真实世界数据集有限的情况下。
-
可解释的机器学习模型预测房颤风险
研究人员开发了一个名为 Pre-AF 13 的可解释机器学习模型，用于预测心血管疾病患者房颤 (AF) 的风险。该模型在俄罗斯的电子健康记录上进行训练，利用自然语言处理从出院报告中提取特征。Pre-AF 13 在 24 个月预测方面取得了 0.725 的 ROC AUC，其性能优于现有的临床风险评分。