神外资讯年鉴脑血管病诊

卷

首

语

回顾，感谢神外资讯持续不断给大家提供学习最新文献的机会。汇总所有翻译的神经外科脑血管病专业，主要归纳为四类疾病和两个平台，分别为颅内动脉瘤、脑动静脉畸形、烟雾病、脑卒中以及人工智能平台、新影像学评价平台等。回顾既往，希望再次给我们灵感和思路，期待新年，继往开来，硕果累累！

陈晓医院神经外科

人工智能机器学习平台

01

PyRadiomics生成的动脉瘤形态构建机器学习模型预测其稳定性

（点击标题跳转原文）

编译：陈成伟人工智能在医学领域，已用于协助精确地发现、定性肺癌、脑瘤、乳腺癌和前列腺癌等病变和监测其发展；也开始用于动脉瘤的检测、破裂风险的预测等。判别颅内动脉瘤，尤其是小动脉瘤的稳定性，对于制定治疗决策至关重要。最近，医院神经介入放射学的QingLinLiu等应用动脉瘤形态特征，构建机器学习模型预测动脉瘤的稳定性。结果发表于年9月《Stroke》杂志。

02

CT血管造影快速自动检测大血管闭塞

（点击标题跳转原文）

编译：王斌

前循环大血管闭塞（largevesselocclusion，LVO），可迅速导致脑梗死。而血管内取栓的治疗时间窗有限，因此准确、快速地检测LVO对患者具有重要的意义。CT血管造影（CTAngiography，CTA）可以用于筛选患者是否存在LVO，将阳性发现提供给神经放射介入医生或卒中中心，促进卒中中心和神经放射介入团队的快速行动；医院全天候、可靠地识别LVO；帮助卒中中心优化工作流程和人员配备，调动抢救力量。澳大利亚维多利亚州克莱顿莫纳什医学中心影像诊断科的ShaliniA.Amukotuwa等建立新的基于软件的全自动LVO检测计算法，并在大型队列研究中评估CTA对前循环LVO的诊断性能，文章发表在年12月的《Stroke》杂志上。

03

决策树模型是预测aSAH长期预后的简单实用工具

（点击标题跳转原文）

编译：杨涛分级低的动脉瘤性蛛网膜下腔出血（aSAH）占aSAH总数的30%。该类患者的发病率和死亡率很高，仅一半病例在治疗后取得良好的预后。准确预测aSAH患者的长期预后对于制定治疗决策至关重要。基于机器学习技术建立的决策树模型（DecisionTreeModeling）是分析aSAH风险和确定决策的重要工具，该模型具有可视化和可行性、简单易懂的特征。温州医院放射科的JinjinLiu等采用多中心低分级动脉瘤研究（AMulticenterPoor-gradeAneurysmStudy，AMPAS）项目的资料和机器学习技术建立决策树预测模型，对低分级aSAH患者的长期预后进行评估。结果发表于年3月的《Neurosurgery》在线。

04

建立能早期判断自发性ICH患者在NCCU住院时间的决策树模型编译：马晓晔

在重症监护室（ICU）的住院时间（lengthofstay，LOS）延长极大地影响患者安全、患者医院获得性感染并发症的风险。但很少有研究确定与LOS延长相关的疾病特征和早期干预措施。有关延长ICU的LOS文献较少、LOS的定义也不尽相同。美国芝加哥大学医学和生物科学部神经科重症监护室的CedricMcCoy和FernandoD.Goldenberg等开展探索性研究，调查通过急诊（ED）入院的自发性脑出血（ICH）患者在神经重症监护室（NCCU）中LOS延长的早期（就诊后的前24h）决定因素和变量；结果发表在年7月的《NeurocritCare》在线。

扫描下方