StrokeClassifier：人工智能工具基于电子健康记录对缺血性卒中进行病因分类 项目背景及研究动机 脑卒中（尤其是急性缺血性卒中，AIS）的病因识别工作对二次预防至关重要，但诊断起来往往非常困难。在美国，每年的缺血性卒中新发病例近67.6万，其中四分之一的患者曾有过卒中史。这种病症的再发率较高，甚至可能导致死亡或进一步的残疾。缺血性卒中的病因可以多种多样，包括大动脉粥样硬化、心源栓塞、小血管病以及其他罕见病因。然而，美国大约20-30%的缺血性卒中患者在经过评估后，病因依然无法确定，被归类为隐源性卒中。这部分患者的再发卒中风险特别高。因此，能够准确识别隐源性卒中的病因，对于优化治疗方案、提高患者预后具有重要意义。然而，做出准确诊断需要整合大量的数据，包括临床史、体检结果、实验室数据、...

基于心电图的大规模心血管诊断机器学习算法的开发与验证 引言 心血管疾病（Cardiovascular diseases，CV）一直是全球范围内疾病负担的主要来源，早期诊断和干预对降低疾病并发症、医疗使用率和费用至关重要。传统的心电图（Electrocardiogram，ECG）作为一种低成本且便捷的诊断工具，广泛应用于心血管疾病的检测。然而，现有的ECG解释技术（包括人工和计算机算法）在识别高层次信号互动及“隐藏”的临床相关模式方面存在局限。人工智能（Artificial Intelligence，AI）尤其是深度学习（Deep Learning，DL）的出现，提供了识别ECG信号中“隐藏”模式并同时评估多种心血管疾病的复杂互动关系的全新契机。本研究正是基于这一背景展开。 论文来源与作者 本...

在模型驱动的故障诊断中,能够识别出导致系统异常的关键观测数据是十分有价值的。本文介绍了一种识别关键观测数据的框架和算法。该框架通过将原始观测数据抽象为”子观测”,来确定哪些观测对诊断结果至关重要。一个”关键子观测”被定义为在最大程度上抽象化后,仍能导出与原始观测相同的最小诊断集。 该研究由澳大利亚的Cody James Christopher和法国的Alban Grastien两位作者合作完成,分别来自澳大利亚科学与工业研究组织数据61中心和法国原子能与替代能源委员会。他们的工作发表于2024年的人工智能期刊上。 研究人员首先阐述了模型驱动诊断的基本框架和概念。该框架包括系统模型、观测数据和诊断假设空间三个主要部分。系统模型描述了系统的所有可能行为;观测是对实际系统行为的感知,可能来源于传感...