简介:摘要:目的:对人工智能在胸部创伤肋骨骨折CT诊断中的应用进行初步研究。方法:在本次研究工作开展中,收集自2022年8月至2023年8月之间,因胸部外伤而进行CT诊断的124例患者作为主要的研究对象,在研究工作中将4位资深影像专家的参考为标准,对研究对象的肋骨骨折情况进行判断,从中得到基本的研究结果。结果:在本次研究中,对124例研究对象的一般资料进行整理,发现后续研究具有一定的可比性,能够深入进行研究。在病灶层面来看,观察组患者的CT影像敏感程度明显高于对照组,数据对比差异较为明显。结论:人工智能在胸部创伤肋骨骨折CT诊断中的应用较为良好,并且软件具有较强的敏感度,能够对胸部外伤进行全面的扫描,及时对CT读片进行筛选和分层,减少医生的实际工作量。
简介:摘要:目的:依托于现有技术优化并验证基层医院卒中绿色通道,使更多患者实现了在“溶栓时间窗”内精准溶栓治疗。方法:选取 2022年1月至2022年12月进入我院脑卒中绿色通道溶栓的急性脑梗死患者。研究组为我院开始采用智能手机应用程序软件系统以后救治患者,对照组采用传统绿色通道。记录两组患者入院到完成影像学检查时间(door-to-image time,DIT)、入院到注射静脉溶栓药物时间(door-to-needle time ,DNT)、溶栓前美国国立卫生院卒中量表(NIH Stroke Scale, NIHSS)评分、改良Rankin量表(modified Rankin Scale,mRS) 评分及日常生活活动能力 (activity of daily living,ADL)评分量表评分、溶栓后7天 NIHSS 评分、MRS评分及ADL评分。结果:实验组DNI及DIT明显减少,差异具有统计学意义(p
简介:摘要:目的:探讨人工智能对肺结节影像检出及良恶性诊断的应用价值。方法:选取经手术确诊的肺结节患者150例,在对所选患者进行胸部CT影像检查的同时,由人工智能诊断软件和影像医师进行阅片,将两名主任医师的诊断结果及病理诊断的结果作为金标准,对不同阅片在肺结节良恶性诊断中的效果进行汇总比较。结果:研究结果显示,在选取的150例患者中检出的肺结节共888枚,实性结节、磨玻璃结节及混杂磨玻璃结节分别有486枚、255枚、146枚;人工智能检出的肺结节共989枚,误诊结节有102枚,漏诊有8枚;人工智能检出的敏感性高于影像医师检出的敏感率,阳性率低于影像医师检出的阳性率,假阳性率比影像医师检出高,人工智能和影像医师在恶性肺结节诊断中的敏感度相比,人工智能更高。结论:人工智能在肺结节的检出率方面,高于影像医师,但其假阳性的检出率相对较高。人工智能对肺结节的恶性诊断率较高,但其诊断效能相对较低。因此,只有将人工智能与影像医师相结合进行阅片,才能更好的提升肺结节患者的检出率及良恶性的诊断率,降低漏诊及误诊情况的发生,提升诊断的效能,建议在临床诊断中推广。
简介:摘要:目的:构建中医智能健康护理管理需求模式问卷,观察其在慢病患者中的实践效果。方法:研究期2022年1月至2023年6月,入组慢病患者80例列为观察对象,入组后,按照护理方案的不同,将患者分组(两组,每组40例),一组观察组构建中医智能健康护理管理需求模式问卷,并展开针对性护理,一组对照组予以常规护理,对比不同护理方案的临床作用。结果:护理观察总依从率对比,观察组(97.50%),对照组(82.50%),(P<0.05)。结论:构建中医智能健康护理管理需求模式问卷,将其引入慢病患者的护理管理中,能够提升患者的遵医率,提高病情控制效果,作用显著,值得实践、应用。
简介:摘要:近年来,人工智能(AI)广泛应用于医疗行业,包括体外诊断、检验医学领域。采用AI技术进行医学诊断,在某些方面已经可以获得和专业技术人员相当的水平。虽然使用人工智能改善教育的想法并不新鲜,但人工智能在医学检验教育中的应用仍然非常有限 。基于当前的教育基础,我们重点介绍了一个人工智能集成框架,以增强微生物检验教育,并提供以我们自己机构的实践为依据的用例示例。即将到来的“人工智能增强微生物教学”时代不仅可能实现“精准医学” ,还可能实现我们所说的“精准医学教育”,即根据学员的学习风格和需求为个别学员量身定制教学 ,然而,关于这些技术在医学微生物检验领域的应用前景和发展发向尚不明确。基于此,文章主要就人工智能技术在微生物检验学教育中的应用以及人工智能技术在微生物检验学教育中挑战与发展做简要分析。
简介:摘要:目的是评估人工智能在临床实验室中的应用效果。方法为选取2023年1月到2024年1月期间在我院临床实验室进行检测和诊断的60例患者样本数据,平均分为对照组和实验组,实验组应用具备样本自动识别等功能的人工智能系统,对照组采用传统人工检测和分析方法,从检测效率、检测准确性、质量控制效果方面进行对比。结果显示,在检测效率、检测准确性、质量控制效果上,实验组(分别为93.2±0.8、94.2±0.9、95.4±0.7)均明显高于观察组(分别为88.7±0.5、89.5±0.6、85.8±0.7),差异有显著性(P<0.05)。结论为在临床实验室中应用人工智能可显著提高检测效率、检测准确性与质量控制效果。