人工智能(AI)与心血管疾病:一个意想不到的联盟

文摘

心血管疾病(CVD),尽管重要的诊断和治疗方法的进步,仍是全球发病率和死亡率的主要原因。为了改善和优化CVD结果,人工智能技术有可能从根本上改变我们心脏病学实践的方式,特别是在成像,小说向我们提供工具来解释数据和做出临床决策。人工智能技术,如机器学习,深度学习还可以提高医学知识由于数据的数量和复杂性的增加,解锁临床相关信息。同样,新兴的通信与信息技术的使用已经成为关键的创建一个普遍的医疗保健服务,老年人和慢性病患者可以通过接收医疗家中,减少住院和改善生活质量。本文的目的是描述当代的人工智能和数字卫生应用于心血管医学以及为医生提供他们的潜力不仅在心脏成像,但最重要的是在临床实践中。

1。介绍

根据第五版的欧洲心血管疾病统计(2017年出版的《欧洲心脏网络(EHN)),心血管疾病(CVD)代表死亡的主要原因,发病率在欧洲。在2015年,超过8500万人受到化学汽相淀积(48%的男性和52%的女性)在大陆,导致390万人死亡(45%的死亡原因)。在欧盟(EU), 4900万人处理心血管疾病,其中超过180万导致死亡(2017年欧洲心血管疾病统计)。

CVD代表一个重要的社会经济成本,约3512亿美元在美国,长期影响患者的生活质量(1]。欧盟估计,整体的年度成本金额€2100亿,分配医疗成本的53%左右(€1110亿),有26%的生产率相关损失(€540亿),剩下的21%(€450亿)非正式照顾患有心血管疾病(2017年欧洲心血管疾病统计)。

在意大利,2017年4.4病人每千居民罹患某些心血管疾病和232 992人死于它(分居或数据)。

幸存者残疾的发生率非常高,长期影响患者的生活质量和医疗保健费用。意大利制药行业使用23.5%的基金支出心血管疾病治疗药物(https://www.epicentro.iss.it)。

这些数据支持这一事实CVD,尽管发生的重大进展的诊断和治疗,发病率和死亡率仍然是最常见的原因在欧洲。

早期准确诊断和预后评价是改善和优化CVD结果的关键。

人工智能(AI)技术,如机器学习(ML),深度学习(DL)和认知计算机可以扮演关键角色在心血管疾病的早期发现和诊断,以及结果的预测和预后评估。广泛的数据收购电子健康记录(EHRs)产生巨大的数据集(定量、定性和事务性数据),需要解释人工智能技术(2]。

人工智能技术还可以帮助医生更好的临床决策使亚临床器官功能障碍的早期检测,通过使用临床相关的信息,可以找到大量的数据,因此,改善医疗服务的质量和效率(3]。

远程医疗、移动医疗(mHealth)也成为重要的心血管疾病的预防和改善医疗保健(4- - - - - -6]。同样,物联网(物联网)可以是一个激进的改变游戏规则在心脏病医疗环境;患者获得的数据可以发送到远程医生将能够不断地了解病人的身体状况实时(7,8]。本文的目的是描述当代人工智能应用于心血管医学的地位及其潜在改变我们如何产生知识的方式,解释数据,做出决定。

2。什么是人工智能?

人工智能(AI)是一个计算机系统能够执行任务,通常需要人类智慧如接受环境的认知和执行操作使用算法,启发式,模式的匹配规则,深度学习和认知计算。一群先锋1956年首次创造了这个词在新罕布什尔州的达特茅斯学院,美国。1958年,Rosenblatt [9)开发第一个当前神经网络的前兆:感知器,监督学习的“大脑模式”二元分类器。1986年,Rymelhart et al。10)描述了一种新的学习过程,反向传播网络,可单位能够学会任何功能。虽然取得很大的进展在90年代和2000年代,直到2012年,当Krizhevsky和他的同事们赢得了ImageNet ILSVRC竞赛与深卷积神经网络分类对象使用gpu(图形处理单元)加快网络训练,神经网络领域的爆炸的研究活动开始发生(11,12]。

人工智能技术的不断发展,主要在ML和DL的子域,很快引起了医生的注意,创建新的整合,提供医疗质量可靠和有效的方法。

成像是兴趣和研究的重点在AI在心血管医学。

使用超声心动图毫升模型的优点在于减少国际米兰——intraoperator可变性以及提供额外的预测信息,可能太微妙的被人类的眼睛(13- - - - - -15]。

另一个有趣的潜在应用人工智能技术可以在心脏CT,疑似CAD患者。患有这些疾病,心脏CT和ML算法之间的关系显示一个潜在的在临床实践中采取非侵入性方法和检测功能的信息超出了动脉粥样硬化斑块特征(16- - - - - -18]。

除了诊断成像,毫升的另一个有趣的应用程序在心脏病可以自动检测心电图的异常。

2.1。机器学习

机器学习(ML)是人工智能的一个分支,它旨在“教”电脑分析庞大数据集快速,准确,有效的方法,通过使用复杂的计算和统计算法13]。

这些算法都能够识别模式相匹配的新数据与现有的数据他们已经“从”,根据他们(做出预测19]。

毫升,一个输入x和一个输出y遵循一个功能性的关系y=f(x),称为预测模型(19]。

毫升可以分为三组基于预测模型的学习和积累数据20.- - - - - -24]。(1)监督学习(例如,逻辑回归、支持向量机和神经网络):使用人类的标签数据集,一般用于开发模型,预测未来事件或分类结果或找到最相关的变量。这两个x和y众所周知,预测模型提高了从数据训练和福利。(2)无监督学习(如聚类分析):该软件可以发现隐藏在数据集结构,事先训练集的分类(x是已知的)。这有可能识别小说中的关系数据。(3)以奖励强化学习:学习(通常用于游戏和机器人应用程序),基于交互的环境中积极和消极的增援部队为预测模型的改善作出贡献。它需要配备机器系统和工具,不仅可以改善其学习但也理解周围环境的特点,如传感器,照相机,和GPS。

2.2。深度学习

深度学习(DL)是一个监督毫升技术,使用神经网络和特点是自动化算法能够从数据集合中提取有意义的模式(4]。它模仿人脑的复杂性,能够学习复杂的分层表示的数据,有多个抽象级别(4,25]。程序员输入已知数据到机器的方式允许算法完全正确回应,即使面对新的数据。神经网络通过学习经验,读取数据,构建层次化的体系结构,并提供先进的投入产出水平。它可以捕获输入-输出结果变量之间复杂的非线性关系。结果和预测的平均误差估计权重可以最小化的输入和结果数据(3]。

医生诊断基于他们的知识、经验和文化背景。深度学习可能是非常成功的在这一点上,扩大和改善医学知识,特别是对于非专家医生。

DL可以探索更复杂的非线性模式比传统的神经网络在数据通过使用更多的隐藏层。出于这个原因,DL在医学的应用研究领域最近流行由于数据量和复杂性的增加,特别是对于成像分析区域(3,26]。

DL也扮演一个重要角色在Facebook的图像识别程序,在苹果的Siri语音识别和亚马逊的Alexa谷歌大脑、机器人等。27]。

在医学背景,最广泛深入学习算法是卷积神经网络(CNN),复发性神经网络,深度信念网络,和深层神经网络。

3所示。电子健康:健康和物联网移动

电子健康(电子健康),或数字健康,指的是新兴的通信与信息技术的使用,基本上网络,旨在改善健康和医疗保健5]。

3.1。移动健康

移动健康(mHealth)是电子健康的一个分支,它的特点是使用移动和无线技术来改善医疗保健。

当涉及到心血管疾病的预防,移动设备是一个伟大的承诺,特别是由于饮食自我监控应用,体育活动监视器、和血压(BP)显示器。这些应用程序可以帮助患者达到健康的体重,改善身体活动,戒烟,控制血糖,并管理英国石油(BP)和脂质达到目标水平5,28- - - - - -32]。

苹果,与斯坦福大学医学院合作,成功地进行了研究[33)来评估是否苹果心脏研究应用(移动医疗应用,分析了脉冲率数据)可以使用苹果观察收集的数据来识别不规则心律(房颤和其他心律失常)。本研究小说大规模务实的研究铺平了道路,结果和结果可以可靠地评估所有设备。

移动医疗成为心血管医学的发展同样重要的便携式计算机设备和小型心脏成像设备。此外,“大数据”移动医疗和远程医疗可以集成与人工智能技术,帮助心脏病专家更好的临床决策(4,34,35]。

3.2。物联网

物联网(物联网)是网络的物理对象,设备,汽车,建筑,和其他物品与电子、嵌入式软件、传感器、网络连接,使收集和交换数据(8]。

物联网医疗应用的总体架构由三层组成:传感器的传感层由穿戴或携带的病人,连接器组成的传输层和应用程序层组成的远程服务器(7]。由于这些,获得数据传输到远程服务器,保存在数据库或由内科医生实时显示。

是特别有用的老年人和慢性病患者,将医疗保健从一个被动的活动变成一个普遍的一个。在心血管医学,医生能够实时监视病人感谢收集的数据如血压、心电图和热点₂,意识到病人的健康状况和诊断或预测危险的事件。这将从根本上改变患者的生活质量:他们能够领导一个更正常的生活,家园,从而减少医院接受医疗访问频率。结合物联网技术,实时分析算法,他们也可以成为一个意味着提前警告潜在的攻击。

在心力衰竭治疗领域,可穿戴传感器加上毫升分析可能用来改善临床结果和减少住院36- - - - - -38]。心力衰竭是一种慢性疾病急性发作,报道高住院率和死亡率的年复一年(一年再次入院率超过50%,和一年的死亡率为30%)(39),包括全球支出大约310亿美元(40每年)。据估计全世界成年人影响超过2600万(41),650万只在美国42),1400万年在欧洲,和100万年在意大利,与衰老有关的越来越流行率(超过10%的患者70岁或以上)(43]。住院的主要原因是65岁以上的人群中44在意大利,每年有超过190000人住院,支出至少€5亿(45)住院平均的9.4天(45]。因为病人护理成本增加与疾病的严重程度,对于第四NYHA患者,8 - 30倍,NYHA II患者(46]。

尽管治疗和预防技术的大发展,再入院治疗的发生率是25%,一个月期和增加c。50%的6个月(46)时期,死亡率仍在c。50%的人在诊断后5年内(47]。

由于住院费用高(平均长度是5 - 10天)(41)和高发病率和死亡率之间(尤其是老年人),潜在的IoT-based设备脱颖而出。LINK-HF研究[36),这是证明机器学习模型,使用数据从VitalPatch®,一种可佩带的传感器,可以更准确地预测心力衰竭恶化比入侵设备。中使用的传感器层提到的研究是由多种感觉的补丁放在胸部,记录生理数据。通过智能手机数据上传(传输层)云分析平台(应用层),使用ML算法来分析收集到的数据。合理的医学创新有限公司(Netanya,以色列)开发红色™(48),一个可穿戴的血流动力学无创技术能够检测肺液浓度。比较红色™技术高分辨率胸部计算机断层扫描(CT)在急性心力衰竭患者导致红军™被更适合最近出院患者的复发急性事件的管理(49]。

与目标显著改善心力衰竭患者的生活,Vectorious创造了V-LAP™。它是第一个发条式无线微机心脏监测、小说左心室压力监测系统实时跟踪基于人工智能的方法,介绍了远程心脏衰竭护理。通过跟踪趋势的左心室压力读数theV-LAP™,医生可以检测心力衰竭恶化在出现症状之前,改变治疗,或修改剂量的药物,以减少不良并发症(https://www.vectoriousmedtech.com)。

西韦特et al。50)成功地执行第一个人类经验与V-LAP™。的V-LAP™传感器植入使用transseptal访问,与血管造影和超声心动图指导,并显示成功的结果NYHA III类患者对于植入的安全性和可行性。其他侵入性装置开发管理高频住院是CardioMEMS™高频系统(雅培、湖泊虚张声势,伊利诺斯州,美国):一个永久的无线肺动脉压(PAP)监测系统。该设备对减少住院治疗产生巨大影响,因为它允许定制的在线管理通过人民行动党数据而设计的。冠军试验证明有效性的使用CardioMEMS™,减少平均33%的心力衰竭住院NYHA III类心脏衰竭患者18个月的随访期间(38]。

4所示。应用于心血管成像

人工智能技术,如机器学习,深度学习和认知计算有潜力改变心脏病和心血管医学的实践(例如,如何产生知识,解释数据,并决定),特别是心血管成像。

4.1。超声心动图

超声心动图的作用是至关重要的心血管疾病的诊断和管理和准确的定量评估心脏结构和功能。然而,这仍然取决于interoperator可变性和经验。特别是人工智能工具,机器学习,提供新的可能性增强图像判读的准确性在临床超声心动图实践中,尤其是在非专家医生之间。毫升模型训练来学习不同的特性在图像能够识别各种特定的疾病模式,考虑每个像素及其关系的13]。

毫升模型带来潜在的解释,以自动化的方式,生成的未使用的数据多维成像模式的出现(如3 d超声心动图和散斑跟踪)(13]。这将导致优势减少分析时间和再现性的增加4]。

三维超声心动图可以感谢HeartModel执行自动化分析^⋅我⋅一个软件包,使用一个基于模型的算法。算法集成在软件能自动计算以下几秒钟:(i)的左室(心房和心室),(2)收缩流,(3)从数据获得LV的射血分数与三维超声心动图技术(https://www.ultrasound-heartmodel.it)。此外,该软件还获得同时从同一eco-3D心房容积数据集,提供一个更完整的评估函数的心房,如果我们比较传统的测量系统(51]。这个算法的另一个重要的优点是,它被设计来分析eco-3D single-beat模式中获得的数据。这可能特别有用在病人的3 d分析是困难的,在可能的情况下频繁的心律失常或那些患者呼吸困难。

广泛的心血管疾病临床超声心动图可以受益于毫升模型实践。

森古普塔et al。52)开发了一种认知机器学习算法,训练与散斑跟踪超声心动图(STE)数据,从限制性心肌病鉴别缩窄性心包炎。这项研究证明了一个认知计算的可行性和有效性STE数据的机器学习方法来自动的解释。

Narula et al。14)还表明,监督学习算法可以区分运动员心脏和肥厚性心肌病,更准确地使用STE数据,比传统的测量系统。毫升的模型的另一个潜在的应用领域在超声心动图心脏瓣膜疾病(HVD) [53,54]。HVD是越来越常见的病理可受益于心脏成像毫升集成通过早期诊断,治疗或手术规划(54]。布雷福特et al。55)评估人工智能能否转嫁主动脉瓣区(瓦)主动脉瓣狭窄与其他超声心动图数据,而不需要测量左心室流出道(LVOT);一个精度高(0.95)。为了评估二尖瓣返流程度,Moghaddasi Nourian [56]介绍了小说特性来检测微型图象的超声心动图图像。他们提出的方法达到99.38%检测的敏感性和特异性99.63%利率先生严重性。

奥尔蒂斯等人(1995年57)含铅的方法的应用人工智能工具领域的心力衰竭(HF)。他们用神经网络的方法,基于超声心动图数据,来评估一年在心力衰竭患者预后。工作得出的结论是,神经网络可以更准确地预测结果比线性判别分析(精度为90%,71.4%和67.4%和67.5%的敏感性,职责)。

后来的研究还表明,超声心动图数据和临床因素可以通过人工智能工具来促进心力衰竭诊断、分类、严重程度的评估,预测不良事件(21,58- - - - - -60),尤其是在患者保存射血分数(61年,62年]。最近,欧阳et al。63年]成功地开发并执行与精度在0.92小说视频深学习算法:EchoNet-Dynamic。这个模型中,使用三维卷积神经网络,仅能从超声心动图评估视频心脏功能(分割的左心室射血分数估计)精度等于或优于人类专家。

4.2。磁共振成像

在心脏MRI,心室分割是毫升的领域有潜在的应用模型。它可以量化容量分析和改善临床评估的效率和重现性64年- - - - - -66年]。Avendi et al。65年)深入学习算法(即使用。,convolutional neural networks and stacked autoencoders) trained through cardiac MRI datasets, for the automatic detection and segmentation of right ventricular (RV) chamber foreseeing the accuracy of these algorithms. Likewise, for left ventricular segmentation, several automated neural networks have been successfully developed, especially for cardiac cine MRI [66年- - - - - -68年]。毫升的另一个应用程序在检测心脏MRI发生亚急性或慢性心肌疤痕(69年]。

道斯et al。70年)使用监督机器学习的3 d的收缩期心脏运动模式,预测传统危险因素(独立)不良结果(早逝或右心衰)患者的肺部疾病。

4.3。心脏电脑断层扫描

毫升在心脏CT图像分析技术越来越多地用于诊断和风险评估冠状动脉疾病(CAD)和动脉粥样硬化(例如,冠状动脉钙评分,分数流估计)。冠状动脉计算机断层血管造影(CCTA)是一种非侵入性方式来检测冠状动脉疾病。它通常高估了狭窄严重程度与侵入性血管造影相比,和血管造影狭窄并不一定意味着时血流动力学的相关性分数流储备(FFR)作为参考71年]。因此,几毫升模型已经开发(17,18,71年)确定无创性FFR和提高性能的CCTA正确地将血液流动无意义的狭窄。

为了描述冠状动脉斑块,自动冠状动脉钙评分CCTA使用毫升模型提供额外的临床价值,减少假阳性和interobserver可变性72年,73年]。Wolterink et al。73年)使用监督机器学习直接识别和量化冠状动脉钙化(CAC)。

冈萨雷斯et al。74年]使用卷积神经网络计算Agatston分数从CT事先分割的冠状动脉钙化。

另一个应用程序的ML心脏CT在预后(75年)和心肌梗死检测,通过纹理分析方法的使用76年]。

SMARTool项目的初步结果(77年)引入了一个新概念的管理CAD患者(诊断、预后和治疗)基于ML危险分层和计算生物力学。毫升分析从回顾性和前瞻性数据(临床、biohumoral CCTA成像,lipidomics,等等)以歧视低收入和中级到高级风险的病人。CAD诊断模块是基于3 d重建冠状动脉和smartFFR的无创性评估,而CAD的预测是基于复杂的斑块的增长计算模型。

4.4。应用于心电描记法

除了诊断成像,心电描记法是另一个字段,也可以受益于毫升的应用它的活动。

心电图(ECG)是使用最广泛的工具来识别异常心脏电活动。毫升模型,尤其是分区DL,启用了自动检测心电图的异常,减少解释和依赖个人的时间变异性(78年,79年]。

监督学习算法很大程度上开发应用对心脏节律的分类(80年,81年]。

训练和测试的可能性提供了不同的算法从生理网MIT-BIH心律失常等公共数据库项目(https://physionet.org/physiobank/database/)。相反,在无监督学习分析,算法过程缺乏一个默认分类数据集(82年]。数据,此前还没有贴上用这种方法处理,然后分组与不同的方法心电图表型组(83年,84年]。

特别是,里昂et al。79年),整理数据具有相似结构,识别和分类心电图与心律不齐的风险相关表型标记在肥厚性心肌病。

DL优化执行病人心电图解释分层所记录的最近的报告(85年,86年]。有趣的是,所有等人已经训练34-layer深层神经网络(款)作为DL模型,识别和分类12种不同类型的心律失常。优秀的比较结果的数据集记录注释的心脏病专家认证委员会(85年]。

同样,在研究阿迪et al .,他们训练6-layer款检测左心室收缩功能障碍通过分层的性能优于b型利钠肽(BNP)筛选血液测试(86年]。

5。结论和未来前景

医生都有一个巨大的机遇和责任,积极跟踪人工智能技术的不断发展和使用和应用根据他们的需求,为了找到具体的支持工具为他们的临床实践。人工智能的发病在心血管领域带来广泛的可能性还提供新的个性化的关心。我们心脏病学实践的方式,尤其是在心脏成像领域,改变和医生需要做好准备。移动医疗和远程医疗是病人和医生之间建立新的联系,医疗保健从一个被动的活动转向无处不在。医生不应该害怕AI的集成到心脏病但应该拥抱它,因为他们的专业知识在任何情况下将是至关重要的。

的利益冲突

作者声明没有潜在的利益冲突的研究,本文的作者和/或出版。

引用

s . s . Virani a .阿隆索·e·j·本杰明et al .,“心脏病和中风统计- 2020更新:美国心脏协会的一份报告,“循环,卷141,不。9日,pp. e139-e596, 2020年。视图:出版商的网站|谷歌学术搜索
t·b·默多克和a . s . Detsky”不可避免的大数据应用到医疗,”美国医学协会杂志》上,卷309,不。13日,1351 - 1352年,2013页。视图:出版商的网站|谷歌学术搜索
f .江,江y, h .智et al .,“人工智能医疗:过去、现在和未来,“中风和血管性神经学,卷2,不。4、230 - 243年,2017页。视图:出版商的网站|谷歌学术搜索
k . Seetharam n . Kagiyama p·p·森古普塔,“移动健康应用,远程医疗和人工智能超声心动图,”回声的研究与实践》第六卷,没有。2,R41-R52, 2019页。视图:出版商的网站|谷歌学术搜索
l·e·伯克,j .妈,k . m . j .阿扎尔et al .,“现代科学对消费者使用移动健康预防心血管疾病,”循环,卷132,不。12日,第1213 - 1157页,2015年。视图:出版商的网站|谷歌学术搜索
r . v . Tuckson m·埃德蒙兹和m·l·霍吉金斯“远程医疗”,新英格兰医学杂志》上,卷377,不。16,1585 - 1592年,2017页。视图:出版商的网站|谷歌学术搜索
c·李,胡x和l .张“IoT-based心脏病为普及医疗服务监控系统,”Procedia计算机科学卷,112年,第2334 - 2328页,2017年。视图:出版商的网站|谷歌学术搜索
a . Kulkarni和美国Vijaykumar”,物联网的应用在人工心脏起搏器和其对安全的影响,“国际目前的趋势在工程与研究杂志》(IJCTER),卷2,不。5,604 - 610年,2016页。视图:谷歌学术搜索
f . Rosenblatt“感知器:一个概率模型为信息存储和组织在大脑中,“心理评估,卷65,不。6,386 - 408年,1958页。视图:出版商的网站|谷歌学术搜索
d . e . Rumelhart、g·e·辛顿和r . j·威廉姆斯,“学习back-propagating错误的陈述,”自然,卷323,不。6088年,第536 - 533页,1986年。视图:出版商的网站|谷歌学术搜索
t . a . Retson a·h·贝瑟萨尔,d·金和萧,“机器学习和深层神经网络在胸和心血管成像,”《胸成像,34卷,不。3、192 - 201年,2019页。视图:出版商的网站|谷歌学术搜索
j·w·本杰明一起珍藏的东西,t·亨德里克•j . Knuuti l . e . Juarez-Orozco和p . van der Harst”引物在心血管医学人工智能。”荷兰心脏杂志》,27卷,不。9日,第402 - 392页,2019年。视图:出版商的网站|谷歌学术搜索
m . Alsharqi w·j·伍德沃德,j . a . Mumith特区马卡姆,r·厄普顿和p .遵循“人工智能和超声心动图,”回声的研究与实践5卷,R115-R125, 2018页。视图:出版商的网站|谷歌学术搜索
s Narula k羞愧,a . m .萨勒姆·奥马尔,j·t·达德利和p·p·森古普塔,“机器学习算法来自动形态学和功能在二维超声心动图评估,”美国心脏病学会杂志》上,卷68,不。21日,第2295 - 2287页,2016年。视图:出版商的网站|谷歌学术搜索
a . Madani r . Arnaout m . Mofrad, r . Arnaout“快速、精确的分类视图,使用深度学习超声心动图,”NPJ数字医学,1卷,不。1,2018。视图:出版商的网站|谷歌学术搜索
g·辛格,s . j . Al 'Aref m·范·阿森et Al .,“机器学习在心脏CT:基本概念和当代数据,”心血管ct杂志》上,12卷,不。3、192 - 201年,2018页。视图:出版商的网站|谷歌学术搜索
B.-K。古,a . Erglis黄永发。哎et al .,“ischemia-causing诊断冠状动脉狭窄的无创性分数流储备计算冠状动脉电脑断层血管造影:前瞻性多中心的结果DISCOVER-FLOW (ischemia-causing狭窄的诊断获得通过诺丽果汁),“美国心脏病学会杂志》上,卷。58岁的没有。19日,1989 - 1997年,2011页。视图:出版商的网站|谷歌学术搜索
b . l . Nørgaard j .莱比锡美国白肢野牛et al .,“非侵入性诊断性能分级流动储备来源于疑似冠心病冠状动脉CT血管造影术:NXT试验(冠状动脉血流分析使用CT血管造影术:下一步),“美国心脏病学会杂志》上,卷63,不。12日,第1155 - 1145页,2014年。视图:出版商的网站|谷歌学术搜索
m .理解力,y, j . Brankov g . Yourganov和斯特罗瑟,“机器学习在医学成像,”IEEE信号处理杂志,27卷,不。4,25-38,2010页。视图:出版商的网站|谷歌学术搜索
r . Cuocolo t . Perillo e . De罗莎l . Ugga和m . Petretta“当前大数据的应用和机器学习在心脏病学,”老年心脏病学杂志》:JGC,16卷,不。8,601 - 607年,2019页。视图:谷歌学术搜索
s . j . Al 'Aref k . Anchouche g·辛格et Al .,“机器学习在心血管疾病的临床应用及其相关性心脏成像,”欧洲心脏杂志》上,40卷,不。24日,第1986 - 1975页,2019年。视图:出版商的网站|谷歌学术搜索
r·佩雷斯·维达尔,”中的人工智能实用心脏病。”HealthManagement,18卷,不。1,2018。视图:谷歌学术搜索
美国Shrestha p·p·森古普塔,“机器学习核心脏病:前进道路上,“核心脏病学杂志》,26卷,不。5,1755 - 1758年,2019页。视图:出版商的网站|谷歌学术搜索
k .耻辱k·w·约翰逊,b . s . Glicksberg j·t·达德利和p·p·森古普塔,“机器学习在心血管医学:我们到了吗?”心,卷104,不。14日,第1164 - 1156页,2018年。视图:出版商的网站|谷歌学术搜索
s . r . Miotto f . Wang Wang x江和j·t·达德利”深度学习医疗:审查,机遇和挑战,“简报的生物信息学,19卷,不。6,1236 - 1246年,2017页。视图:出版商的网站|谷歌学术搜索
f·d·拉维c . Wong Deligianni et al .,“深度学习卫生信息学,”IEEE生物医学和卫生信息学杂志》上,21卷,不。1,4-21,2017页。视图:出版商的网站|谷歌学术搜索
张c . Krittanawong h . m . Aydar z . Wang和t .们,“人工智能精密心血管医学,”美国心脏病学会杂志》上,卷69,不。21日,第2664 - 2657页,2017年。视图:出版商的网站|谷歌学术搜索
a . Petakov和k . Nesmith减肥在移动应用程序中使用以证据为基础的战略,”美国预防医学杂志》上卷,47号1,2014。视图:出版商的网站|谷歌学术搜索
j·里维拉,a·麦克弗森j·汉密尔顿et al .,“体重管理手机应用程序:一个范围审查,”JMIR mHealth和uHealth,4卷,不。3、2016年,英镑p .共有财产占有一席之地。视图:出版商的网站|谷歌学术搜索
p . j . m . Neve摩根·r·琼斯和c·e·柯林斯,“基于web的干预措施的有效性在实现减肥和体重超重和肥胖的成年人中的维护:系统回顾和荟萃分析,“肥胖评论,11卷,不。4、306 - 321年,2010页。视图:出版商的网站|谷歌学术搜索
j·a·沃尔什·e·j·托波尔,s . r . Steinhubl“新的心脏监测、无线设备”循环,卷130,不。7,573 - 581年,2014页。视图:出版商的网站|谷歌学术搜索
k·m·j·拉扎l . i较小,b . y .莱恩et al .,“体重管理手机应用程序,”美国预防医学杂志》上,45卷,不。5,583 - 589年,2013页。视图:出版商的网站|谷歌学术搜索
m . v . Perez k w . Mahaffey h Hedlin et al .,“大规模评估smartwatch识别心房纤维性颤动,“新英格兰医学杂志》上,卷381,不。20日,第1917 - 1909页,2019年。视图:出版商的网站|谷歌学术搜索
m·邦萨尔,s·辛格,p . Maheshwari et al .,”的价值互动扫描new-learners改善结果的横贯大陆的tele-echocardiography (VISION-in-Tele-Echo)研究中,“美国超声心动图学会杂志》上,28卷,不。1,第87 - 75页,2015。视图:出版商的网站|谷歌学术搜索
k·鲍曼,m . Olofsson·伯格伦·p·森古普塔和j . Narula”机器人协助远程超声心动图检查和远程咨询:随机时间和标准的护理诊断的比较推荐的方法,”JACC:心血管成像,7卷,不。8,799 - 803年,2014页。视图:出版商的网站|谷歌学术搜索
j . Stehlik c . Schmalfuss b Bozkurt et al .,“连续可穿戴监测分析预测心力衰竭住院:LINK-HF多中心研究中,“循环:心力衰竭,13卷,不。3,2020。视图:出版商的网站|谷歌学术搜索
l . Perl、大肠Soifer j . Bartunek et al .,“一种新型无线为心力衰竭患者左心室压力监测系统,第一个体外和动物的经验,“心血管转化研究杂志》上,12卷,不。4、290 - 298年,2019页。视图:出版商的网站|谷歌学术搜索
亚伦·b·亚当森w·t·亚伯拉罕m . jr . et al .,“冠军∗试验原理和设计:一个无线的长期安全性和临床疗效肺动脉压力监测系统”《心力衰竭,17卷,不。1,3 - 10,2011页。视图:出版商的网站|谷歌学术搜索
a . Buja g . Solinas m . Visca et al .,“心力衰竭的发病率和坚持的过程指标:socio-demographic决定因素有关?”国际环境研究和公共卫生杂志》上,13卷,不。2,p。238年,2016年。视图:出版商的网站|谷歌学术搜索
g . Savarese l·h·隆德,“全球公共卫生负担心脏衰竭。”心力衰竭审查,3卷,不。1、7 - 11,2017页。视图:出版商的网站|谷歌学术搜索
p . Ponikowski s·d·安加k . f . AlHabib et al .,“心力衰竭:在世界范围内,预防疾病和死亡”ESC心脏衰竭,1卷,不。1,4-25,2014页。视图:出版商的网站|谷歌学术搜索
p .器皿,h·j·罗斯,农协。Cafazzo, c . Boodoo m . Munnery, e .濑户”结果心力衰竭的远程控制程序实现为标准的心脏功能的保健门诊诊所:pretest-posttest务实的研究中,“医学网络研究杂志》上,22卷,不。2、2020。视图:出版商的网站|谷歌学术搜索
p . Ponikowski a . a . Voors s·d·安加et al .,“2016年ESC指南急性和慢性心力衰竭的诊断和治疗,”欧洲心脏杂志》上,37卷,不。27日,2129 - 2200年,2016页。视图:出版商的网站|谷歌学术搜索
g . Corrao和a . p . Maggioni Inquadramento epidemiologico scompenso报称cardiaco,”《犬di Cardiologia,15卷,不。2、2014。视图:谷歌学术搜索
b . Polistena D D 'Angela, m . Lattarulo f . Spandonaro和t .甲壳,“意大利Il ricorso所有'ospedalizzazione,”《犬di Cardiologia,15卷,不。2、16 s - 21, 2014页。视图:谷歌学术搜索
e .马朗戈尼f . Lissoni i r . Cominesi和s . Tinelli”Epidemiologia, impatto organizzativo e costi scompenso报称cardiaco在意大利,“《犬di Cardiologia,13卷,不。2,页。139 - 144年代,2012年。视图:谷歌学术搜索
g·a·曼沙”,心脏衰竭在低收入和中等收入国家:增加负担,不同的病因,和高死亡率,”《心力衰竭,24卷,不。12日,第834 - 833页,2018年。视图:出版商的网站|谷歌学术搜索
j . m . Pevnick k Birkeland r·齐默y兰德,i Kedan,“可穿戴技术心脏病:未来的更新和框架,“趋势在心血管医学,28卷,不。2、144 - 150年,2018页。视图:出版商的网站|谷歌学术搜索
o·阿米尔,t . Ben-Gal j·m·温斯坦et al .,“评估绝缘遥测(红色)的专利技术引导治疗降低心力衰竭接受,“国际心脏病学杂志卷,240年,第284 - 279页,2017年。视图:出版商的网站|谷歌学术搜索
h·西韦特,c . Di马里奥·l·Perl, d . Meerkin和w·t·亚伯拉罕”与V-LAP P4505VECTOR-HF:第一个人类经验,无线左心室压力监测系统对于心力衰竭患者,”欧洲心脏杂志》上,40卷,不。1,2019。视图:出版商的网站|谷歌学术搜索
d . Medvedofsky诉Mor-Avi m . Amzulescu et al .,“左心腔的三维超声心动图定量使用一个自动自适应分析算法:多中心验证研究,“欧洲心脏Journal-Cardiovascular成像,19卷,不。1,47-58,2018页。视图:出版商的网站|谷歌学术搜索
p . p .森古普塔y . m .黄m .邦萨尔et al .,“认知为心脏成像机器学习算法;一个试点研究从限制性心肌病鉴别缩窄性心包炎,”循环:心血管成像,9卷,不。6、2016。视图:出版商的网站|谷歌学术搜索
a . Sengur“支持向量机集合体智能诊断心脏瓣膜病,”医疗系统杂志,36卷,不。4、2649 - 2655年,2012页。视图:出版商的网站|谷歌学术搜索
c . Martin-Isla v . m . Campello c Izquierdo et al .,“基于图像的心脏诊断与机器学习:复习一下,”心血管医学前沿7卷,2020。视图:出版商的网站|谷歌学术搜索
d·布雷福特e . Bordin l·塔尔博特r·穆罕默德b·安德森和g奇怪,“使用人工智能分析主动脉瓣狭窄,”心、肺和循环p . S216卷。27日,2018年。视图:出版商的网站|谷歌学术搜索
h . Moghaddasi和美国Nourian自动评估二尖瓣返流程度的基于大量的纹理特征在二维超声心动图视频,”计算机在生物学和医学卷。73年,47-55,2016页。视图:出版商的网站|谷歌学术搜索
j·奥尔蒂斯,c . g . m . Ghefter c·e·s·席尔瓦和r . m . e . Sabbatini”为期一年的死亡率在心力衰竭预后:神经网络方法基于超声心动图数据,”美国心脏病学会杂志》上,26卷,不。7,1586 - 1593年,1995页。视图:出版商的网站|谷歌学术搜索
m . cik s Sanchez-Martinez b Claggett et al .,“基于机器学习的表型群心脏再同步化治疗心力衰竭识别反应者,”欧洲心脏病杂志》上,21卷,不。1,第85 - 74页,2019。视图:出版商的网站|谷歌学术搜索
m·c·兰开斯特a . m .萨勒姆·奥马尔,s . Narula h . Kulkarni j . Narula p·p·森古普塔,“表型聚类的左心室舒张功能参数:模式和预后的相关性,”JACC:心血管成像,12卷,不。7,1149 - 1161年,2019页。视图:出版商的网站|谷歌学术搜索
y Horiuchi s Tanimoto a h . m . m . Latif et al .,“识别小说表型的急性心力衰竭临床变量,使用聚类分析”国际心脏病学杂志卷,262年,页57 - 63,2018。视图:出版商的网站|谷歌学术搜索
m . Tabassian Sunderji, t . Erdei et al .,“与射血分数保留心力衰竭的诊断:左心室变形,机器学习的时空变化”美国超声心动图学会杂志》上没有,卷。31日。12日,第1284 - 1272页,2018年。视图:出版商的网站|谷歌学术搜索
美国一位美国j .沙·d·h·卡茨et al .,“Phenomapping心力衰竭与射血分数保留的小说分类,“循环,卷131,不。3、269 - 279年,2015页。视图:出版商的网站|谷歌学术搜索
d .欧阳,他答:Ghorbani et al .,“视频AI beat-to-beat评估心脏功能”,自然,卷580,不。7802年,第256 - 252页,2020年。视图:出版商的网站|谷歌学术搜索
h·b·Winther c . Hundt b·施密特等人。”ν净:深度学习广义双质量和函数参数使用多中心心脏核磁共振数据,”JACC:心血管成像,11卷,不。7,1036 - 1038年,2018页。视图:出版商的网站|谷歌学术搜索
m . r . Avendi a Kheradvar, h . Jafarkhani”自动分割的右心室心脏磁共振成像使用学习型方法,”磁共振医学,卷78,不。6,2439 - 2448年,2017页。视图:出版商的网站|谷歌学术搜索
l . k . Tan r·a·麦克劳克林,大肠Lim y f·阿卜杜勒·阿齐兹,和y . m .刘”全自动分割的左心室心脏核磁共振电影使用神经网络回归,”磁共振成像杂志》上,48卷,不。1,第152 - 140页,2018。视图:出版商的网站|谷歌学术搜索
道,w .严王y . et al .,“深上优于全自动左心室功能的量化方法从电影图像先生:一个多厂商、多中心的研究,“放射学,卷290,不。1,第88 - 81页,2019。视图:出版商的网站|谷歌学术搜索
t . a .非政府组织、z Lu和g . Carneiro”结合深度学习和水平集的自动分割的心脏的左心室心脏电影磁共振,”医学图像分析,35卷,第171 - 159页,2017年。视图:出版商的网站|谷歌学术搜索
b . Baessler m . Mannil s Oebel d . Maintz h . Alkadhi和r·万佳”亚急性和慢性左心室心肌疤痕:纹理分析的准确性未在节能电影图片,先生”放射学,卷286,不。1,第112 - 103页,2018。视图:出版商的网站|谷歌学术搜索
t·j·w·道斯,a . de Marvao w·史et al .,“机器学习三维右心室运动使肺动脉高压的结果预测:心脏成像研究中,先生”放射学,卷283,不。2、381 - 390年,2017页。视图:出版商的网站|谷歌学术搜索
m·a . Coenen黄懿慧Kim Kruk et al .,“诊断冠状动脉计算层析的机器学习方法的准确性angiography-based分数流储备由于机器财团,”循环:心血管成像,11卷,不。6、2018。视图:出版商的网站|谷歌学术搜索
Išgum, m . h神m . Niemeijer m·a . Viergever和b . Van Ginneken”自动冠状动脉钙评分低剂量胸部电脑断层,”IEEE医学成像没有,卷。31日。12日,第2334 - 2322页,2012年。视图:出版商的网站|谷歌学术搜索
j . m . Wolterink t . lein b·d·德·沃斯·r·w·范·Hamersvelt m·a . Viergever i Išgum,“自动冠状动脉钙评分在心脏CT血管造影术使用成对的卷积神经网络,”医学图像分析34卷,第136 - 123页,2016年。视图:出版商的网站|谷歌学术搜索
g·冈萨雷斯·g·r·Washko r . s . j . Estepar m·卡索拉和c·卡诺Espinosa”自动Agatston得分计算在non-ECG封闭的CT扫描使用深度学习,”2018年美国医学成像:图像处理2018年2月,休斯顿,德克萨斯州,美国。视图:出版商的网站|谷歌学术搜索
m . Motwani d·戴伊d·s·伯曼et al .,“机器学习的预测在疑似冠心病患者全因死亡率:5年多中心前瞻性注册表分析,“欧洲心脏杂志》上,38卷,不。7,500 - 507年,2017页。视图:谷歌学术搜索
m . Mannil j·冯·Spiczak r·万佳和h . Alkadhi”纹理分析和机器学习在41低剂量ct检测心肌梗死:揭幕的无形的,”调查放射学,53卷,不。6,338 - 343年,2018页。视图:出版商的网站|谷歌学术搜索
人工智能Sakellarios:转速、大肠Georga et al .,“小说概念的管理基于机器学习的冠状动脉疾病患者危险分层和计算生物力学:SMARTool项目的初步结果,”IFMBE诉讼施普林格,页629 - 633年,柏林,德国,2019年。视图:出版商的网站|谷歌学术搜索
a . Minchole j .营地,a和b·罗德里格斯,里昂,“心电图机器学习,”心电学杂志》卷,57 S61-S64, 2019页。视图:出版商的网站|谷歌学术搜索
答:里昂,a . Minchole j·p·马丁内斯,p .拉古纳和b·罗德里格斯,“心电图分析计算技术和解释医学进步的贡献,”《英国皇家学会界面,15卷,p。138年,2018年。视图:出版商的网站|谷歌学术搜索
c . m .主教机器学习和模式Recoginiton、信息科学和统计,施普林格,柏林,德国,2006年。
美国Kiranyaz、t·因斯和m . Gabbouj”由一维卷积神经网络实时针对病人的心电图分类,“IEEE生物医学工程,卷63,不。3、664 - 675年,2016页。视图:出版商的网站|谷歌学术搜索
f·卡斯特,p .拉古纳l . Sornmo a . Bollmann和j·m·罗伊“主成分分析在ECG信号处理,”EURASIP在信号处理的发展》杂志上,卷2007,不。1,2007。视图:出版商的网站|谷歌学术搜索
m . h . Costell n . Ancellin r·e·伯纳德et al .,“比较可溶性鸟苷酸环化酶的诱导和活化剂与氧化应激相关的心血管疾病模型,“在药理学领域,5卷,p。128年,2012年。视图:谷歌学术搜索
格拉汉姆·古德费勒,y Bengio, a .考维尔“深learning-whole书,”自然方法,13卷,不。1,p。2016。视图:出版商的网站|谷歌学术搜索
a . y . Hannun p . Rajpurkar m . Haghpanahi et al .,“Cardiologist-level心律失常检测和动态心电图使用深层神经网络在分类,“自然医学,25卷,不。1,第69 - 65页,2019。视图:出版商的网站|谷歌学术搜索
z阿迪,s . Kapa f·洛佩斯·希门尼斯et al .,“使用人造intelligence-enabled心电图筛查心脏收缩功能障碍,”自然医学,25卷,不。1,第74 - 70页,2019。视图:出版商的网站|谷歌学术搜索

心脏病学研究和实践

文摘