期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
抗磷脂综合征相关心血管疾病的表现及新进展 被引量:2
1
作者 陈梓欣 达布西力特 +1 位作者 周洲 张洋 《中国循环杂志》 CSCD 北大核心 2024年第3期306-312,共7页
抗磷脂综合征(APS)是以反复发生血栓事件和妊娠并发症以及抗磷脂抗体持续阳性为特点的一种系统性自身免疫性疾病。APS可以影响包括心血管系统在内的多个器官和系统,APS相关心血管疾病会给患者生命造成严重威胁。在2023年更新的美国风湿... 抗磷脂综合征(APS)是以反复发生血栓事件和妊娠并发症以及抗磷脂抗体持续阳性为特点的一种系统性自身免疫性疾病。APS可以影响包括心血管系统在内的多个器官和系统,APS相关心血管疾病会给患者生命造成严重威胁。在2023年更新的美国风湿病学会(ACR)联合欧洲抗风湿病联盟(EULAR)APS分类标准中,将瓣膜病变纳入了APS的临床标准,这也提示应该重视APS合并的心血管疾病。本文将对APS合并的常见心血管疾病的表现及机制进行综述。 展开更多
关键词 抗磷脂综合征 抗磷脂抗体 心血管疾病 血栓形成
在线阅读 下载PDF
超声心动图右心室整体长轴应变在右心室压力负荷增加的实验乳猪右心室纤维化中的动态变化 被引量:1
2
作者 万琳媛 孟红 +5 位作者 齐红霞 王婧金 段雪晶 孟庆龙 孙晓露 胡文文 《中国循环杂志》 CSCD 北大核心 2024年第12期1217-1222,共6页
目的:评估超声心动图右心室整体长轴应变(RVGLS)在右心室压力负荷增加的实验乳猪右心室纤维化中的动态变化。方法:实验乳猪5只,环缩主肺动脉,测压针确保右心室压与左心室压比值>60%,构建右心室后负荷增加的实验动物模型。术前、术后... 目的:评估超声心动图右心室整体长轴应变(RVGLS)在右心室压力负荷增加的实验乳猪右心室纤维化中的动态变化。方法:实验乳猪5只,环缩主肺动脉,测压针确保右心室压与左心室压比值>60%,构建右心室后负荷增加的实验动物模型。术前、术后即刻、术后3周、7周、14周(实验结束前)均进行超声心动图检查。实验结束时对右心室的多处心肌组织进行组织病理检测。结果:在手术进行实验动物模型建立过程中,2只实验乳猪因失血性休克死亡,3只实验乳猪存活并纳入分析。与术前比,术后即刻右心室收缩压、肺动脉收缩压、肺动脉平均压与术前相比均明显增高,术后14周右心室平均压及肺动脉平均压与术前相比均明显增高(P均<0.05)。三尖瓣环收缩期位移和三尖瓣环侧壁组织舒张早期峰值流速(TV e’)术后即刻开始减低(P均<0.05),术后3周后逐渐恢复至术前水平。与术前比,内膜、中层、外膜RVGLS在肺动脉环缩术后即刻均明显减低,术后3周内膜层RVGLS开始恢复,术后7周中层、外膜RVGLS开始恢复,但差异均无统计学意义(P均>0.05)。术后各层RVGLS达峰时间均较术前延长,直到术后14周(实验结束前)均未能恢复至术前水平(P均<0.05)。实验结束时,动物心肌组织病理检查发现心肌间质及心内膜均出现纤维组织增生。结论:心腔压力测量和病理结果证实了本实验建立的右心室后负荷增加动物模型是成功的。应力及应变都无法真实代表心肌的内在特性。延长的心肌应变达峰时间在右心室后负荷增加、心肌损伤的过程中,能够较为持久地间接反映心肌受损的进展。 展开更多
关键词 长轴应变 应变达峰时间 压力负荷 右心室纤维化
在线阅读 下载PDF
一种基于人工智能技术推导低密度脂蛋白胆固醇浓度的新方法 被引量:2
3
作者 陈磊 陈蓉 +2 位作者 张红星 华木星 王芳 《中国循环杂志》 CSCD 北大核心 2023年第1期53-60,共8页
目的:评估一种基于人工智能技术推导低密度脂蛋白胆固醇(LDL-C)浓度的新方法。方法:收集云南省阜外心血管病医院2017年9月至2021年11月血脂测定数据共118449例样本,整理血脂数据获取特征,构建一种基于人工智能技术推导LDL-C浓度的极限... 目的:评估一种基于人工智能技术推导低密度脂蛋白胆固醇(LDL-C)浓度的新方法。方法:收集云南省阜外心血管病医院2017年9月至2021年11月血脂测定数据共118449例样本,整理血脂数据获取特征,构建一种基于人工智能技术推导LDL-C浓度的极限树回归(ETR)模型(LDL-ETR模型)。用LDL-ETR模型的预测值和LDL-C实测值同计算LDL-C浓度的常用公式[Martin/Hopkins公式(LDL-M公式)、Sampson公式(LDL-S公式)、Friedewald公式(LDL-F公式)]进行比较分析。结果:LDL-ETR模型预测值与实测值拟合优度为0.9940,不确定度为12.2109,相关系数为0.9970。当甘油三酯(TG)在0.89~885.11 mg/dl的全浓度范围内,LDL-ETR模型预测值与实测值之间差值为(-0.00±3.50)mg/dl,优于LDL-M公式[(-5.41±7.43)mg/dl]、LDL-S公式[(-6.80±10.91)mg/dl]和LDL-F公式[(-10.06±13.90)mg/dl],P均<0.001;TG对LDL-ETR模型基本无干扰。在测试集总体21398例样本中,LDL-ETR模型中有20101例样本(93.94%)与实测值一致,一致性较好。LDL-ETR模型预测值的逻辑错误率较低,为0.04%,仅次于LDL-M公式的0.02%(P=0.17)。通过学习曲线证明,LDL-ETR模型预测结果适用于相同检验系统的其它样本。结论:这种基于人工智能技术以血脂数据集构建的LDL-ETR模型可较准确地预测LDL-C浓度,相比常用公式,该模型在高或低TG下的预测结果均较好。 展开更多
关键词 人工智能 机器学习 极限树 低密度脂蛋白胆固醇 血脂异常
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部