cardiovascular disease
PulseAugur coverage of cardiovascular disease — every cluster mentioning cardiovascular disease across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
超声波技术为中枢神经系统药物递送打开血脑屏障
Openwater公司专注于超声波技术，正将其应用于阿尔茨海默病和帕金森病等神经系统疾病的药物递送。他们的方法利用低强度聚焦超声结合微泡，暂时打开血脑屏障，使较大的药物分子能够到达中枢神经系统。一个关键的挑战是减少对昂贵且耗时的MRI引导的依赖，目前这限制了这种有前景的治疗方法的扩展性。
-
名人被敦促利用影响力倡导公共卫生
包括运动员和演员在内的公众人物，有责任利用他们的影响力为公众利益服务，特别是在健康倡导方面。虽然名气不等于专业知识，但他们与数百万人的联系能力使他们成为重要健康议题的有力讲述者。这种影响力应负责任地运用，与专家合作，避免放大耸人听闻的说法，以打击健康错误信息。
-
AI与非AI方法在心脏脂肪分割中的应用综述
一篇发表在arXiv上的文献综述，详细介绍了使用计算机断层扫描（CT）自动分割心脏脂肪组织的进展。该综述涵盖了分割心外膜脂肪组织（EAT）和心包脂肪组织（PAT）的AI和非AI方法，这两种脂肪组织与心血管疾病相关。尽管自动分割方法通过达到与人类相当的标注质量，在临床应用方面展现出潜力，但仍存在挑战，包括需要更大规模的公共数据集以及优化增强CT的阈值。
-
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。
-
新的GRC-ProbNet方法提高了心血管疾病分类的准确性
研究人员开发了GRC-ProbNet，一种不确定性感知特征提取方法，旨在提高从CT图像分类心血管疾病（CVD）的准确性。这种新方法通过使用深度集成生成多个分割掩码来提取不确定性特征，从而建立在现有的GRC-Net管道之上。在MM-WHS和ASOCA数据集上的实验表明，GRC-ProbNet显著提高了CVD分类性能，AUROC达到了92.92%，而基线GRC-Net为91.25%。研究还发现，最能指示分割质量的不确定性度量并不总是为下游…
-
Carna Health 首席技术官详述临床软件的验收测试驱动开发
Carna Health 首席技术官 Boris Berat 概述了一种在快速发展的医疗保健领域构建临床软件的审慎工程方法。核心挑战在于，在全球不同环境中，面对指南、数据质量和基础设施的不断变化，确保行为的一致性。Berat 强调使用验收测试驱动开发，即在编码开始之前，通过可验证的示例和预期结果明确定义每一项规则。这种方法可以及早暴露不确定性，这对于防止临床决策中难以察觉和纠正的细微、累积性错误至关重要。
-
人工智能助力心音分类，用于心血管疾病检测
研究人员开发了一种新颖的方法，利用多模态和多通道心音数据对心血管疾病进行分类。通过结合传统的信号处理与WaveGrad和DiffWave等去噪扩散模型，他们创建了一个增强型数据集。然后，该数据集被用于微调基于Wav2Vec 2.0的分类器，在各种数据集上取得了最先进的性能，包括单通道心电图（PCG）、同步的PCG和心电图（ECG）信号，以及来自可穿戴背心的多通道PCG（mPCG）。
-
新研究利用单细胞RNA测序绘制人脂肪细胞发育图谱
研究人员利用单细胞RNA测序技术绘制了人脂肪组织中脂肪细胞的发育路径图。该研究识别出15个不同的细胞簇和7个过渡状态，揭示了动态的分化过程。研究发现，关键信号通路，特别是胰岛素样生长因子（IGF）和成纤维细胞生长因子（FGF），在整个分化过程中均活跃，并表现出不同脂肪库的特异性差异，这为代谢性疾病提供了潜在的治疗靶点。
-
AI工具可根据心电图预测心脏病
一款AI工具已被开发出来，能够分析心电图（EKG）以预测患结构性心脏病的可能性。该技术旨在通过解读心电图数据提供心血管问题的早期预警，并可能与Apple Health等健康平台集成。
-
AI数据瓶颈、医疗应用及自主自动化进展 · 追踪4个来源
一份报告指出，生成式AI项目可能在2028年前超出预算，表明数据而非模型性能是金融AI应用的主要瓶颈。此外，AI正被开发用于解读心电图以预测心血管疾病，AI代理正迈向持续自动化时代。这些进展凸显了AI在金融服务、医疗保健及更广泛自动化战略等各个领域日益增长的融合。
-
新框架对齐 CT 和 EHR 数据以改进事件发生时间预测
研究人员开发了一个新的跨模态表示对齐框架，用于利用 CT 成像和纵向电子健康记录 (EHR) 改进事件发生时间 (TTE) 预测。这种由基础模型驱动的方法通过在共享的潜在空间中通过各种融合策略对齐数据，解决了模态不平衡和分布偏移等挑战。该框架在不同 TTE 任务的预测准确性方面表现出一致的改进，特别是在肺栓塞死亡率方面，对比多模态融合显示出稳健的结果。
-
新型雷达模型提高心脏传感精度
研究人员开发了一种名为TriDP-PTM的新型雷达心脏传感预训练模型。该模型采用三阶段双路径框架，解决了非接触式监测中失真与感知之间的权衡问题。间接路径（包含ECG生成和特征判别）在各种任务中始终优于直接路径，在波形分割、分类准确性和血压回归方面均有显著改进。
-
AI模型利用ECG数据预测心血管疾病进展
研究人员开发了一种新颖的人工智能模型，旨在预测心肌梗死后心血管疾病的进展。该模型利用无标签ECG数据上的自监督学习，并整合了患者特定的时间信息。在针对心梗后结局预测进行微调后，与从头开始训练的模型相比，该模型表现出更优越的性能，取得了更高的AUC分数。
-
联邦学习进展在隐私、效用和公平性之间取得平衡
研究人员正在探索增强联邦学习（FL）隐私的高级技术，FL是一种在去中心化数据上进行模型训练的方法。一项研究比较了在瑞典医疗保健数据上用于心血管疾病风险建模的差分隐私（DP）和同态加密（HE），发现HE与集中式方法相当，但计算开销更高，而DP在某些模型上表现出更大的性能下降。另一种方法FedPF引入了一种差分隐私的公平FL算法，通过将公平性和效用视为竞争目标来平衡它们，在具有竞争力的准确性和低计算占用的情况下显著减少了歧视。第三篇论文将…