atrial fibrillation
PulseAugur coverage of atrial fibrillation — every cluster mentioning atrial fibrillation across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
AI模型在检测重症监护室患者房颤方面展现出潜力
研究人员开发了一个新的数据集和基准测试，用于利用心电图（ECG）检测重症监护室（ICU）患者的房颤（AF）。该研究比较了三种AI方法：基于特征的分类器、深度学习和ECG基础模型（FMs）。ECG基础模型在ICU测试集上采用迁移学习策略，表现出卓越的性能，获得了最高的F1分数0.89。这项工作旨在通过为研究界提供有价值的数据集和性能基准，来推进自动化患者监护系统。
-
AF-Mamba模型使用TCN和Mamba进行心房颤动早期预测
研究人员开发了AF-Mamba，一种新颖的深度学习架构，用于心房颤动（AF）发作的早期预测。该模型集成了时间卷积网络（TCN）和Mamba（一种选择性状态空间模型），以高效处理长序列的RR间期。AF-Mamba在提前一小时预测AF方面表现出强大的预测性能，实现了高灵敏度和特异性，优于现有模型，同时提供了有利的性能-效率权衡。
-
香港人拥抱智能手表以关注健康，但专家警告不要过度依赖
可穿戴技术，如智能手表，在香港日益普及，用于健康监测，目前有63%的人使用这些设备。虽然这些设备可以通过检测心房颤动等不规则心律来提供个性化和主动的医疗保健，但专家警告不要过度依赖。他们强调，商业可穿戴设备与医疗级设备不同，不应取代专业的医疗建议或定期体检。
-
Whoop 推出 199 美元至 359 美元的会员套餐，新增高级健康功能
Whoop 推出了其健身可穿戴设备的三个新会员套餐，年费从 199 美元到 359 美元不等。最高级别的“Whoop Life”套餐包括血压洞察和具有心电图功能的心脏筛查器，以检测房颤。虽然这些高级健康监测工具可能对有特定健康问题或心脏病家族史的个人很有价值，但较低级别的“Whoop One”和“Whoop Peak”套餐为普通用户提供了全面的健身和恢复跟踪。
-
新型DCGCNet模型实现最先进的房颤检测，具有高泛化能力
研究人员开发了一种名为双码本图协同网络（DCGCNet）的新型深度学习模型，用于从心电图（ECG）信号中检测心房颤动（AF）。该模型集成了对比学习模块以处理噪声，并采用自适应码本以提高在不同数据集和条件下的泛化能力。DCGCNet已展示出最先进的性能，在跨数据集评估中实现了大于0.98的曲线下面积（AUC），并且即使存在基线漂移和肌电干扰等常见伪影，也能保持高精度。
-
饮用咖啡与降低肝脏和心脏病风险相关
最新研究表明，适量饮用咖啡（定义为每天最多五杯）与肝脏和心血管系统有显著的健康益处。一项大型英国生物银行研究发现， regular coffee drinkers 患肝硬化、肝癌和肝病死亡的风险较低，即使在较低的饮用量下也观察到了益处。此外，美国心脏协会的一项审查表明，适量饮用咖啡对大多数成年人是安全的，并且可能与降低心脏病、中风和2型糖尿病的风险相关，而不会增加心律失常的可能性。
-
新的心电图基础模型对心脏诊断性能进行基准测试
两篇新研究论文介绍了用于心电图（ECG）分析的基础模型，旨在提高心房颤动等病症的诊断准确性。第一篇论文 FOUND-AF 提出了一个基准测试框架，用于在标准化条件下评估现有的心电图基础模型，发现 ECGFounder 最有效。第二篇论文介绍了 LAEF，一个导联无关的基础模型，旨在处理可变的心电图导联子集，在与即时诊断相关的减少导联配置上优于传统模型。
-
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。