目的 研发前庭功能信息化系统(vestibular function information system,VFIS),并实现临床应用。方法在医院信息化系统(hospital information system,HIS)的框架下,进行软件开发,通过构建VFIS可将医院各个前庭功能检查设备与HIS互联。结...目的 研发前庭功能信息化系统(vestibular function information system,VFIS),并实现临床应用。方法在医院信息化系统(hospital information system,HIS)的框架下,进行软件开发,通过构建VFIS可将医院各个前庭功能检查设备与HIS互联。结果VFIS运行平稳,实现多个品牌、10余项前庭功能检查与HIS联网,实现量表、检查结果数据化,可批量处理统计,实现受试者自动排序、叫号,电子版报告HIS共享,7种不同模板规范化报告及各个设备运行效率与工作量监测。结论 VFIS可有效提高临床与科研效率,实现检查数据永久保存,是安全可靠的前庭医学信息数字化应用系统。展开更多
目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic str...目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。展开更多
目的功能性近红外光谱(functional near-infrared spectroscopy,fNIRS)技术作为一种新型的无创脑功能检测方法,结合上肢康复机器人,可以及时获取脑功能变化指标,并应用于神经康复领域。康复机器人设计有被动、主动、阻力3种训练模式,其...目的功能性近红外光谱(functional near-infrared spectroscopy,fNIRS)技术作为一种新型的无创脑功能检测方法,结合上肢康复机器人,可以及时获取脑功能变化指标,并应用于神经康复领域。康复机器人设计有被动、主动、阻力3种训练模式,其中阻力模式对具有一定肌力水平的患者有更好的康复效果。阻力模式下的控制方式分为动态控制和静态控制,而有关阻力模式下不同控制方式对于卒中上肢偏瘫病人运动功能的影响尚不清楚,不同控制模式下的重要参数——力度对脑区激活的影响鲜有报道。本研究旨在探讨动态与静态阻力模式在不同阻力水平下对脑卒中患者运动康复期间脑功能变化的影响。方法本研究共招募20名患有上肢功能障碍的脑卒中患者,并预先进行了适应性训练和两种运动模式下3种不同力度的训练。采集双侧前额叶皮层(prefrontal cortices,PFC)、双侧初级感觉运动皮层(primary motor cortices,M1)、双侧初级躯体感觉皮层(primary somatosensory cortices,S1)和双侧前运动皮层和辅助运动皮层(premotor and supplementary motor cortices,PM)在静息和运动训练状态下的fNIRS数据,并计算样本数据在不同生理状态下的偏侧化指数(lateralization index,LI)、锁相值(phase locking value,PLV)和网络测度,来考察皮层激活特性和脑连接拓扑特性。结果与静息态相比,动态模式和静态模式显著激活了脑的对侧M1区和同侧的PM区。与动态相比,静态模式对对侧M1区的激活更明显。脑网络分析结果显示,动态和静息状态下的对侧PFC区和对侧M1区(F=4.709,P=0.038),对侧PM区和同侧M1区(F=4.218,P=0.049)的网络连接强度存在显著差异。此外,研究结果显示,动态模式下M1区激活同力度增加呈正相关,静态模式下则相反。结论动、静态两种阻力训练模式均能激活相应的脑功能区。动态阻力模式比静态阻力模式使脑氧水平变化更大、感兴趣区域(region of interest,ROI)之间的连通性更强,且力度的增加对于不同的模式产生的影响具有差异性。针对脑卒中患者,动态模式可能对运动相关的脑功能区激活有更强的促进作用。展开更多
文摘目的 研发前庭功能信息化系统(vestibular function information system,VFIS),并实现临床应用。方法在医院信息化系统(hospital information system,HIS)的框架下,进行软件开发,通过构建VFIS可将医院各个前庭功能检查设备与HIS互联。结果VFIS运行平稳,实现多个品牌、10余项前庭功能检查与HIS联网,实现量表、检查结果数据化,可批量处理统计,实现受试者自动排序、叫号,电子版报告HIS共享,7种不同模板规范化报告及各个设备运行效率与工作量监测。结论 VFIS可有效提高临床与科研效率,实现检查数据永久保存,是安全可靠的前庭医学信息数字化应用系统。
文摘目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。
文摘目的功能性近红外光谱(functional near-infrared spectroscopy,fNIRS)技术作为一种新型的无创脑功能检测方法,结合上肢康复机器人,可以及时获取脑功能变化指标,并应用于神经康复领域。康复机器人设计有被动、主动、阻力3种训练模式,其中阻力模式对具有一定肌力水平的患者有更好的康复效果。阻力模式下的控制方式分为动态控制和静态控制,而有关阻力模式下不同控制方式对于卒中上肢偏瘫病人运动功能的影响尚不清楚,不同控制模式下的重要参数——力度对脑区激活的影响鲜有报道。本研究旨在探讨动态与静态阻力模式在不同阻力水平下对脑卒中患者运动康复期间脑功能变化的影响。方法本研究共招募20名患有上肢功能障碍的脑卒中患者,并预先进行了适应性训练和两种运动模式下3种不同力度的训练。采集双侧前额叶皮层(prefrontal cortices,PFC)、双侧初级感觉运动皮层(primary motor cortices,M1)、双侧初级躯体感觉皮层(primary somatosensory cortices,S1)和双侧前运动皮层和辅助运动皮层(premotor and supplementary motor cortices,PM)在静息和运动训练状态下的fNIRS数据,并计算样本数据在不同生理状态下的偏侧化指数(lateralization index,LI)、锁相值(phase locking value,PLV)和网络测度,来考察皮层激活特性和脑连接拓扑特性。结果与静息态相比,动态模式和静态模式显著激活了脑的对侧M1区和同侧的PM区。与动态相比,静态模式对对侧M1区的激活更明显。脑网络分析结果显示,动态和静息状态下的对侧PFC区和对侧M1区(F=4.709,P=0.038),对侧PM区和同侧M1区(F=4.218,P=0.049)的网络连接强度存在显著差异。此外,研究结果显示,动态模式下M1区激活同力度增加呈正相关,静态模式下则相反。结论动、静态两种阻力训练模式均能激活相应的脑功能区。动态阻力模式比静态阻力模式使脑氧水平变化更大、感兴趣区域(region of interest,ROI)之间的连通性更强,且力度的增加对于不同的模式产生的影响具有差异性。针对脑卒中患者,动态模式可能对运动相关的脑功能区激活有更强的促进作用。
