血液-血管耦合特性与脉搏波传播特性的关系

脉搏波既不可简单地理解为可压缩血液流体中的压力纵波，也不可简单地理解为沿固体血管传播的涨缩位移横波，而是超乎普通想象的流-固耦合和纵波-横波耦合的复杂波。从分析耦合本构关系的新途径出发，本文中提出了一个流-固耦合/纵波-横波耦合的串联模型，可为解读“位数形势”中医脉诊提供更丰富的信息。结果表明，脉搏波耦合系统的等效体积压缩模量K_s以及相应的耦合系统脉搏波传播速度c_s主要依赖于两个无量纲参数:血液-血管模量比K_b(p)/E(p)和薄壁血管径厚比D(p)/h₀，它们因人而异、因人的不同脉搏位置而异。文中定量分析了它们对c_s的影响，显示人体的K_b/E值在103数量级，从而c_s值在100～101 m/s数量级，以适应人体生理生化反应。由临床有创测量，证实脉搏体积横波与脉搏压力纵波是相耦合地以相同速度传播；还显示脉搏波是在其波阵面上具有氧合生化反应的“生物波”。此外，还讨论了“脉压放大”现象与非线性本构关系和与血管分叉处加载增强反射之间的关系，并讨论了Lewis关于重搏波形成的假设。     

机器学习在心血管疾病辅助诊断中的研究:现状与未来进展

心血管疾病具有高发病率、高住院率、高致残率、高死亡率等特征,伴随高额的治疗疾病负担,早期准确诊断心血管疾病意义重大.以机器学习(ML)为代表的人工智能心血管疾病辅助诊断技术为诊断心血管疾病提供了新方法.基于ML疾病诊断技术日趋成熟,且在各类心血管疾病中取得诸多进展,包括冠心病、心力衰竭及心律失常等.本文综述了ML在心血管疾病辅助诊断中的技术背景和研究现状,分析了该领域在临床转化应用方面的挑战,并对未来研究进行了展望.     

基于多因素回归分析和机器学习算法的冠心病预测模型构建及比较

本文旨在构建基于临床电子病历数据的冠心病预测模型.回顾性收集了2015年至2020年在宁波大学医学院附属医院住院期间,接受选择性冠状动脉造影的患者的临床数据,分别应用决策树、朴素贝叶斯和逻辑回归算法构建冠心病预测模型,比较3种模型的预测性能.共收集354例患者数据,其中冠心病患者140例,非冠心病患者214例,根据逻辑...