heart failure
PulseAugur coverage of heart failure — every cluster mentioning heart failure across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架将医疗健康大语言模型建立在因果知识图谱之上
研究人员开发了一个新的框架，用于评估医疗健康领域的大语言模型（LLMs），重点关注它们在干预和因果关系方面的推理能力，而不仅仅是单答案准确性。该框架利用领域因果知识图谱来为LLM的响应提供基础，并在心血管疾病试点研究中测试了四种受控条件。结果表明，集成基础（C4）显著提高了因果推理能力并减少了未经支持的说法，尽管无基础模型（C1）仍然实现了更高的原始干预准确性。
-
AI管道自动化心力衰竭电子健康记录特征工程
研究人员开发了Nimblemind多智能体系统（nMAS），这是一个新颖的管道，旨在自动化从电子健康记录（EHR）中提取心力衰竭研究特征的复杂过程。该系统解决了临床研究中的一个重大瓶颈，在该瓶颈中，特征工程可能占数据科学家时间的45%。nMAS成功生成并验证了大量的结构化和聚合特征，当将这些特征添加到现有模型中时，显著提高了射血分数降低型心力衰竭（HFrEF）和射血分数保留型心力衰竭（HFpEF）的表型分析准确性。一个独立的LLM评估…
-
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。
-
深度学习框架增强肺部超声视频分类
研究人员开发了一个用于肺部超声视频分类的深度学习框架，旨在改进这种床边诊断工具的自动化分析。该框架结合了层次感知训练和解剖引导学习，使用胸膜线掩码将模型的注意力集中在相关的解剖区域。在包含 1,886 个视频的数据集上进行的实验表明，该方法增强了病理分离能力，平均宏 F1 分数为 65.7%，并在外部数据集上实现了具有竞争力的适应性。
-
Hugging Face整合GGML和llama.cpp以推进本地AI
Hugging Face宣布GGML和llama.cpp将加入其平台。此次整合预计将促进本地AI能力的长期发展。此举标志着对支持开源AI开发以及使强大AI模型更容易在本地执行的承诺。
-
机器学习项目预测心力衰竭死亡风险
一个专注于预测心力衰竭风险的机器学习项目已经开发完成，该项目利用临床数据。该项目构建为一个Flask应用程序，旨在通过分析各种医疗特征来估计患者的死亡风险。开发者正在寻求对机器学习和医疗保健AI感兴趣的个人的反馈和合作。
-
纸板计算机为现代数字系统提供实体连接
作者回顾了他们童年时使用CARDiac的经历，CARDiac是贝尔实验室于1968年创建的一个纸板计算机，旨在向高中生传授计算知识。组装和使用这个纸质计算机，包括手动移动标记来表示内存和操作，让作者对计算过程有了切实的理解。尽管CARDiac很简单，但这次亲身体验给作者留下了“指尖感觉”或可读性的感觉，这让他们对现代高度抽象的数字系统的底层机制有了一种令人欣慰的联系。
-
新的潜在ODE模型增强了心脏MRI心力衰竭预测能力
研究人员开发了一种新颖的潜在动力学模型，使用神经常微分方程（ODE）来分析心脏磁共振成像（CMR）数据。该模型将双心室解剖结构和全周期动态运动编码到连续的潜在轨迹中，旨在比传统方法更准确地预测心力衰竭事件。该方法在对超过72,000名英国生物银行参与者进行的一项研究中显示出改进的预后性能，表明其在提供更丰富的心脏表型方面的潜力。
-
人工智能模型利用24小时心电图数据预测心力衰竭风险
研究人员开发了一个名为DeepHHF的深度学习模型，该模型可以使用24小时心电图（ECG）数据预测五年内发生心力衰竭的风险。该模型在Technion-Leumit Holter ECG (TLHE) 数据集上进行训练，在受试者工作特征曲线下面积（AUC）方面达到了0.80，优于传统方法。可解释性分析显示，DeepHHF关注心律失常和心脏异常，凸显了人工智能在无创且易于获取的心力衰竭风险预测方面的潜力。
-
Gemma 4 12B 本地 AI 模型需要配置调整以获得最佳性能
Google 的 Gemma 4 12B 模型在本地 AI 设置方面显示出潜力，但用户报告称 LM Studio 等工具中的默认配置会阻碍其推理能力。需要对 Jinja 模板和采样参数进行特定调整，例如提高 temperature 和禁用 token mismatch，才能充分发挥其潜力。虽然 Gemma 4 12B 已证明能够正确重写代码并替换低效循环，但其性能受限于模型大小，像 Qwen 35B 这样更大的模型在基准测试中发现了更多 bug。
-
新的PATE-TabTransGAN提供私有合成表格数据
研究人员开发了PATE-TabTransGAN，这是一个用于生成符合正式差分隐私保证的合成表格数据的新颖框架。该方法结合了Teacher Ensembles的私有聚合（PATE）机制和基于Transformer的学生判别器，以在确保强大隐私的同时有效建模特征间的依赖关系。在四个基准数据集上的实验表明，与现有的最先进的差分隐私合成方法相比，PATE-TabTransGAN在AUROC和AUCPR方面取得了具有竞争力或更优的性能。
-
新AI模型增强心电图分析，实现广谱心血管评估
研究人员开发了ECGCLIP，这是一种新颖的信号语言基础模型，旨在利用常规心电图增强心血管评估。该模型将心电图波形与专家诊断报告对齐，在包括常见心律失常和罕见心脏病在内的多种病症中表现出改进的性能。ECGCLIP在多个独立队列中显示出强大的泛化能力，并且数据效率高，仅用一小部分训练数据即可取得优异成果。
-
AI心电图模型利用超声心动图特征预测心力衰竭
研究人员开发了一种AI心电图模型，能够预测心力衰竭，即使在传统射血分数测量未识别的情况下。一项对8000多名患者数据的分析发现，该AI模型的预测与整体纵向应变（收缩功能的关键指标）高度相关。该AI还能捕捉射血分数保留患者的舒张期异常，表明其在改善临床可解释性和模型优化方面具有潜力。
-
人工智能实现发现的工业化，使人类判断力成为新的稀缺资源
通过人工智能实现发现的工业化带来了新的挑战：虽然人工智能可以加速找到答案，但人类的判断力正成为稀缺资源。人工智能系统正在推动早期癌症检测和疾病预测等领域的突破，并且还在处理常规的认知任务。然而，这种日益增长的发现能力可能会压倒人类辨别重要信息、事实和可操作信息的能力，如果人类的判断力和治理能力跟不上，可能会导致更大的不连贯性。