目的 对人工智能在心肺复苏实践教学中应用的研究进行范围审查.方法 采用范围综述的研究范式,检索中国知网、万方、维普、Pubmed、Web of science、Cochrane等 6 个中英文数据库,检索时限:从建库至 2023 年 6月 30 日,对纳入文献进行整理与分析.结果 共纳入 12 篇文献,涉及强人工智能在心肺复苏实践教学中的应用共 2 篇,其余为弱人工智能在心肺复苏实践教学中的应用.干预对象以医学生为主;干预措施主要采用人工为主系统为辅的弱人工智能技术辅助干预;效果评价主要包括按压质量、心肺复苏技能成绩等客观指标,主观指标相对较少.结论 人工智能在CPR实践教学中更有优势,但强人工智能技术的应用较少,应不断深入挖掘强人工智能技术并将其与传统培训相结合,促进人工智能技术在医学教育领域技能教学中的应用.

目的:初步探讨基于迭代锥形线束CT（iCBCT）引导的在线自适应放疗在盆腔恶性肿瘤中的临床应用。方法:北京协和医院放疗科开展了基于iCBCT引导的在线自适应放疗在盆腔恶性肿瘤中应用的前瞻性临床试验，本研究初步分析了2022年8—11月接受在线自适应放疗的13例盆腔恶性肿瘤（2例宫颈癌、4例宫颈癌术后、3例子宫内膜癌术后、3例膀胱癌、1例前列腺癌）患者的临床数据，探讨在线自适应放疗的可行性、自适应放疗相关流程时间、危及器官及靶区的修改程度、靶区剂量覆盖度、相关危及器官受量等。采SPSS软件进行分析，符合正态分布的数据以 xˉ±s表示，否则用 M（ Q1， Q3）表示。方差齐性数据采用 t检验分析，非正态分布或方差不齐的数据则采用非参数检验进行分析。 结果:在自适应治疗过程中，在线自适应平均时间为15 min 38 s（从接受CBCT扫描到最后计划选择完成的时间）。85.4%（830/972分次）的人工智能自动生成的influencer结构（与临床靶区、计划靶区相邻并可能对靶区轮廓生成有高度影响的器官，在盆腔肿瘤中通常为膀胱、直肠、小肠）不需要任何修改或只需进行小修，89.8%（491/547分次）人工智能自动生成的临床靶区无需修改或只需要小修。98.5%（319/324分次）的放疗分次选择了adapted计划，与scheduled计划相比，adapted计划展示出较好的靶区剂量覆盖度，同时可以降低危及器官的受量。结论:在临床可接受的时间内可实现基于iCBCT的盆腔恶性肿瘤在线自适应放疗，且更好的靶区剂量覆盖展现了在线自适应放疗的优势。

急诊疾病漏诊、误诊危害严重，及时精准诊治对于提升急诊医疗质量、挽救生命、提高患者生活质量至关重要。影像检查在急诊疾病筛查、诊断与鉴别诊断中发挥重要作用，近年来急诊影像检查量的激增产生了海量的急诊影像数据，加之急诊影像解读具有一定的复杂性，对急诊影像报告质量和效率提出了巨大挑战。“人工智能+医疗”已在减轻影像和临床医师工作负荷和强度、提高诊治效率、优化急诊流程等方面初露头角，但作为人工智能重要基础的规范的急诊影像数据库目前在国内还不成熟。本共识围绕急诊医学影像数据库的构建过程和急诊影像数据标注规范与要求等方面提出指导意见，并以代表性典型疾病的标注为例展开讨论，供行业内从事急诊医学影像研究的医生、算法人员、政府管理者等参考。

过去半个世纪重症医学取得迅猛的发展，危重症患者的生存率显著提高，然而与专业快速发展不匹配的是重症监护病房（ICU）基础建设逐渐出现短板及ICU人文关怀发展滞后。然而，随着医疗行业数字化的快速发展，应用5G和人工智能（AI）技术构建智慧化ICU将逐步解决重症医学人力物力缺乏、报警准确性低、响应速度及能力不足等短板；同时通过加强人性化关怀着重改善患者就诊舒适性，增加ICU人文关怀属性，以更好地满足社会的需求、提高对危重症患者的医疗服务和人文关怀水平。本文通过回顾ICU发展历史，明确智慧ICU建设的必要性以及智慧ICU建设后需要解决的核心问题；而后阐明了智慧ICU建设的3个组成部分：智慧化空间与环境管理、智慧化设备与物品管理、智慧化监护与诊疗。最终通过智慧ICU实现以人为本的诊疗理念。

目的:开发1项基于12导联心电图的机器学习模型预测冷冻球囊消融术后心房颤动（房颤）复发。方法:本研究为前瞻性、单中心队列研究。纳入2020年5月至2023年9月就诊于天津医科大学第二医院并接受冷冻球囊消融术的房颤患者。收集患者临床资料以及术前和术后24 h内的标准12导联心电图。利用XGBoost方法构建3种基于术前和术后心电图数据差异的人工智能心电图模型。这些模型考虑了心电图参数、心电图深度特征、早期复发和基线房颤类型等55个特征的不同组合，并对其在模型预测中的重要性进行排序。结果:共入选患者201例，年龄（68.0±9.3）岁，其中男91例（45.3%，91/201）。随访222（124，368） d，26例（12.9%，26/201）患者复发。最佳机器学习模型是以术前、术后心电图深度特征差值作为输入的模型，受试者工作特征曲线的曲线下面积（ AUC）为0.872，F1得分为0.600，敏感度（召回率）为60.0%，特异度为94.4%，准确度为90.2%。 结论:人工智能辅助分析心电图能够预测冷冻球囊消融术后房颤复发。

医学影像人工智能是当今备受瞩目的医工结合研究领域。采用人工智能进行脑血管病的辅助诊断和预测预后已取得一定成果，需进一步加强交叉学科合作，以满足临床重大需求为牵引，实现核心技术突破，最终达到服务临床的目标。

骨科手术复杂而精细。骨科导航系统的开发旨在通过分析术前、术中和术后数据，提供增强现实的三维可视化环境，提高治疗效果。随着数字化技术的迅速发展及临床应用，人工智能技术被引入到骨科术中导航系统中。人工智能与器械设备、成像技术相结合，增强了骨科医生的可视化能力，使他们在手术过程中获得实时反馈和指导，进而提供最佳临床决策。人工智能在骨科术中导航的应用还能提高手术的可重复性，降低了人为错误的发生率。本文综述了人工智能在骨科术中导航的应用现状，并介绍人工智能的基本概念以及基于人工智能的图像配准、实时跟踪和三维可视化技术的发展，对目前存在的局限和不足进行探讨。

气道黏液栓是支气管哮喘（简称哮喘）的重要临床特征，和疾病预后有关。临床上，胸部CT是评估气道黏液栓的首选工具。目前CT影像的解读依赖于人工阅片，但哮喘患者的气道黏液栓多分布于中小气道，肉眼难以识别，同时人工阅片过度依赖于医生的经验，效率低下。近年来，深度学习和大数据技术不断进展，将人工智能（AI）辅助阅片技术引入临床应用，显著提高了黏液栓识别的效率和准确性。当下AI辅助气道黏液栓识别在囊性纤维化、慢性阻塞性肺疾病和哮喘等呼吸道疾病中均有应用，在黏液栓识别方面的高准确性以及与人工阅片的高一致性也得到证实。因此将AI技术应用于哮喘患者黏液栓的识别十分有意义。

对急性冠脉综合征（ACS）患者的预后风险评估是ACS诊疗中非常重要的内容，但依然不够精准。人工智能的机器学习可以用于建立比传统统计学方法更精确和个体化的预后风险统计模型，近年来在医疗领域有了迅速进展。该文介绍利用机器学习构建预后模型的基本原理和方法，并对其在ACS预后评估中的临床应用现状进行综述。

目的:评价基于移动医疗技术及人工智能的抗凝管理模式的效果。方法:本研究为一项单中心、前瞻性、随机对照非劣性临床试验。2017年11月至2018年9月，贵州省人民医院心外科连续纳入机械瓣膜置换术后口服华法林抗凝治疗的67例患者，通过Excel软件简单随机分为试验组34例、对照组33例。试验组通过“抗凝助手”进行管理，对照组采用常规抗凝管理方式进行管理。患者纳入至少3个月后开始进行随访，于2019年9月30日结束。以治疗范围内时间（TTR）11.0%、国际标准化比率（INR）达标率10.0%为界值，非劣性单侧 t检验试验组患者TTR及INR达标率是否非劣于对照组。 结果:试验组、对照组TTR分别为（58.2±23.4）%、（54.8±23.6）%（差值3.4%，差值单侧95% CI下限：-6.4%； t=2.441， P=0.009）。试验组、对照组INR达标率分别为（55.4±21.9）%、（52.8±22.5）%（差值2.6%，差值单侧95% CI下限：-6.6%； t=2.309， P=0.012）。 结论:基于移动医疗技术及人工智能的抗凝管理模式的结局指标不劣于传统抗凝管理模式。