Die heimtückischen Wege der Plastikverschmutzung
May 25, 2023BGE-Gasregulierer: Das Unternehmen sagt, dass Geräte im Freien sicherer sind. Die Vorschriften sind nicht so klar.
May 26, 2023Die Maryland-Kommission wird eine Anhörung abhalten, um eine Verlagerung der BGE-Gasregulierungsbehörden in Betracht zu ziehen
May 27, 2023Einwohner von Baltimore protestieren gegen die Installation von Gasreglern an der Hausfassade durch BGE
May 28, 2023BGE ordnete an, die Installation des externen Reglers zu unterbrechen und die Gasversorgung wiederherzustellen
May 29, 2023Künstliche Intelligenz automatisiert die Diagnose schwerer Herzklappenerkrankungen
25. August 2023
Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Attribute hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:
faktengeprüft
peer-reviewte Veröffentlichung
vertrauenswürdige Quelle
Korrekturlesen
von Elisabeth Reitman, Yale University
Forscher des Cardiocular Data Science (CarDS) Lab haben einen neuartigen Ansatz entwickelt, der eine häufige Herzklappenerkrankung, die sogenannte schwere Aortenstenose, anhand von Ultraschalluntersuchungen des Herzens erkennen kann. Die am 23. August im European Heart Journal veröffentlichte Studie könnte Auswirkungen auf die routinemäßige klinische Versorgung haben.
Eine schwere Aortenstenose (AS) ist eine schwerwiegende Gesundheitsstörung, insbesondere bei älteren Erwachsenen, die durch eine Verengung der Aortenklappe verursacht wird. Eine frühzeitige Diagnose kann Interventionen zur Linderung der Symptome ermöglichen und das Risiko einer Krankenhauseinweisung und eines vorzeitigen Todes verringern.
Die spezielle Ultraschallbildgebung des Herzens, die sogenannte Doppler-Echokardiographie, ist der wichtigste Test zur Erkennung von AS. Das Team entwickelte ein Deep-Learning-Modell, das einfachere Ultraschalluntersuchungen des Herzens nutzen kann, um schwere AS automatisch zu erkennen.
Die Technologie wurde von Rohan Khera, MD, MS, einem Assistenzprofessor für Herz-Kreislauf-Medizin und Gesundheitsinformatik, Direktor des CarDS Lab und leitenden Autor der Studie, und Kollegen am Chandra Family Department of Electrical and Computer Engineering an der UT Austin entwickelt. mit 5.257 Studien, die 17.570 Videos zwischen 2016 und 2020 im Yale New Haven Hospital umfassten. Das Modell wurde durch 2.040 aufeinanderfolgende Studien aus verschiedenen Kohorten in Neuengland und Kalifornien extern validiert.
„Unsere Herausforderung besteht darin, dass eine präzise Beurteilung der AS für das Patientenmanagement und die Risikominderung von entscheidender Bedeutung ist. Während spezialisierte Tests nach wie vor der Goldstandard sind, werden Menschen wahrscheinlich zu Beginn ihres Krankheitsstadiums übersehen, wenn sie sich auf diejenigen verlassen, die es in unsere echokardiographischen Labore schaffen“, sagte Khera.
„Unser Ziel war es, einen maschinellen Lernansatz zu entwickeln, der für das Ultraschall-Screening am Behandlungsort geeignet wäre“, sagte der Co-Erstautor der Studie, Evangelos Oikonomou, MD, DPhil, Kardiologe und aktueller Postdoktorand im CarDS Lab .
Ihre Arbeit ermöglicht die Früherkennung einer Aortenstenose, sodass Patienten rechtzeitig versorgt werden können. „Unsere Arbeit kann ein breiteres gemeinschaftliches Screening auf AS ermöglichen, da tragbare Ultraschallgeräte zunehmend ohne speziellere Ausrüstung eingesetzt werden können. Sie werden bereits häufig in Notaufnahmen und vielen anderen Pflegeeinrichtungen eingesetzt“, fügte Khera hinzu.
Der Fortschritt ist das Ergebnis einer engen Zusammenarbeit zwischen klinischen Forschern und Informatikern. Greg Holste, Ph.D. Student an der UT Austin, mitberaten von Dr. Khera, der die Entwicklung einer innovativen Methodik leitete, die die Technologie ermöglichte, und einer der Co-Erstautoren der Studie war. „Um eine praktische Entwicklung zu ermöglichen, die neue Technologien zur Verbesserung der klinischen Versorgung nutzt, ist eine solche multidisziplinäre Zusammenarbeit unerlässlich“, betonte Dr. Khera.
Mehr Informationen: Gregory Holste et al., Erkennung schwerer Aortenstenose durch Deep Learning in der Echokardiographie, European Heart Journal (2023). DOI: 10.1093/eurheartj/ehad456
Mehr Informationen:Zeitschrifteninformationen:Zitat