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。

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。

血管疾病的诊治经历了开放手术时代、血管腔内微创时代，随着血管腔内介入手术机器人的突破，数字化、信息化的快速发展以及人工智能的应用，将步入精准智能微创时代。本文从血管疾病的诊断与评估、血管腔内治疗以及术后治疗与随访三个方面，对血管疾病诊治的精准智能微创时代的蓝图进行描述与展望。

目的:以心脏磁共振(cardiac magnetic resonance，CMR)为金标准，探讨加入人工智能技术的全自动三维超声右心室定量软件(3D Auto RV)评估心脏移植(heart transplantation，HT)术后右心室容积和右心室射血分数(right ventricular ejection fraction，RVEF)的可行性、准确性及可重复性。方法:前瞻性纳入2018年10月至2019年6月于华中科技大学同济医学院附属协和医院行超声心动图复查，并且同意于超声心动图复查后24 h内行CMR检查的HT术后患者46例。分别应用CMR技术、3D Auto RV和常规半自动三维超声右心室量化软件(Tomtec 4D RV function 2.0)获取右心室舒张末期容积(RVEDV)、右心室收缩末期容积(RVESV)、右心室每搏量(RVSV)及RVEF。分别将3D Auto RV、常规半自动Tomtec的测量结果与CMR的测量结果进行比较，比较方法采用配对样本 t检验、Pearson相关分析和一致性检验。 结果:3D Auto RV的可分析率为87%，该软件实现了在27例(59%)患者进行全自动分析，整个分析过程无需调节，分析时间仅需要(12±1)s；另外19例(41%)患者的分析结果需要手动调节，平均分析时间在2 min内，短于常规半自动Tomtec量化软件分析时间[(108±15)s对(160±34)s， P<0.001]。对于右心室容积：3D Auto RV和常规半自动Tomtec分析的RVEDV、RVESV和RVSV，均与CMR分析的相应测量值具有较高的相关性( r＝0.77～0.84，均 P<0.001)。与CMR测量值比较，3D Auto RV和常规半自动Tomtec技术均低估HT术后患者的RVEDV、RVESV和RVSV，但是3D Auto RV较常规半自动Tomtec的负性偏倚值更小。对于RVEF：3D Auto RV获得的RVEF与CMR获得的RVEF具有很高的相关性与一致性( r＝0.84， P<0.001；偏倚值＝-1.1%，一致性界限＝-8.1%～6.0%)。另外，3D Auto RV手动调节获取的右心室容积和RVEF与CMR相应测量值的相关性( r＝0.63～0.72，均 P<0.001)低于全自动分析获取的右心室容积和RVEF与CMR相应测量值的相关性( r＝0.76～0.82，均 P<0.001)。重复性分析显示3D Auto RV获取的RVEDV、RVESV、RVSV和RVEF均具有很好的重复性。 结论:3D Auto RV轻度低估HT术后右心室容积，但是其低估程度低于常规半自动TomTec。3D Auto RV可以准确量化HT术后RVEF，分析过程快速，且分析结果可重复性好，有望实现在HT术后患者随访中的常规临床应用。

盆底功能障碍性疾病（PFD）的诊疗需多学科合作、治疗方案繁杂且需个体化、对临床医师的经验要求高，存在疗效欠佳及易发生并发症等问题，迫切需要新的手段助力PFD的诊疗预防。在信息化医疗飞速发展的时代，正在步入信息化医疗的第三阶段——智慧医疗，即“互联网医疗+人工智能”，以人工智能为核心、大数据为基础的新医疗体系。本文综述智慧医疗在PFD的预测及预防、临床决策诊疗方案、手术治疗及随访等方面的研究进展和应用情况，总结目前各种智慧医疗诊疗系统的优点和不足之处，并分析智慧医疗在PFD中的应用前景。

目的:探讨骨盆解锁复位架联合智能可视化系统（HoloSight）辅助复位与固定治疗Tile C1型骨盆骨折的疗效。方法:回顾性分析2019年3月至2022年9月华中科技大学同济医学院附属同济医院创伤外科治疗的Tile C1型骨盆骨折患者26例，其中13例采用骨盆解锁复位架联合HoloSight智能可视化系统辅助复位与置钉（HoloSight辅助置钉组），13例采用骨盆解锁复位架复位徒手置钉（徒手置钉组）。HoloSight辅助置钉组男7例、女6例，年龄（46.85±15.63）岁，骨盆骨折Tile分型C1.1型2例、C1.2型2例、C1.3型9例，体质指数为（24.08±4.15） kg/m 2，术前垂直移位（1.80±0.76） cm，向后移位（0.80±0.63） cm。徒手置钉组男9例、女4例，年龄（38.38±13.82）岁，骨盆骨折Tile分型C1.1型3例、C1.2型4例、C1.3型6例，体质指数为（22.85±3.54） kg/m 2，术前垂直移位（1.77±0.70） cm，向后移位（1.17±0.58） cm。记录患者的骨折复位时间、手术前后骨折移位、单枚螺钉固定时间、术中复位和固定透视次数、视觉模拟评分（visual analogue scale，VAS）、Matta复位质量评价、Majeed评分和并发症发生情况。 结果:所有患者均获得随访，随访时间（13.65±5.06）个月。HoloSight辅助置钉组复位时间[（39.77±11.22） min]、单枚螺钉置入时间[（10.72±2.12） min]和固定总时间[（37.15±12.12） min]较徒手置钉组[分别为（67.46±16.67） min、（18.38±3.62） min和（58.31±7.66） min]用时短（ t=4.97，6.59，5.32），复位透视次数[（4.38±1.33）次]和固定透视次数[（14.00±5.79）次]，较徒手置钉组[（50.69±12.48）次和（47.77±19.34）次]少（ t=13.30，6.03），差异均有统计学意义（ P<0.05）。所有患者骨盆骨折均愈合，HoloSight辅助置钉组骨折愈合时间为（4.92±1.66）个月，徒手置钉组为（5.23±1.69）个月，差异无统计学意义（ t=0.47， P=0.644）。术后Matta标准评估，HoloSight辅助置钉组13例患者，优9例、良4例，优良率为100%；徒手置钉组13例，优9例、良4例，优良率为100%。HoloSight辅助置钉组术前VAS评分为（6.08±1.32）分，徒手置钉组为（5.69±1.49）分，两组差异无统计学意义（ t=0.70， P=0.493）。HoloSight辅助置钉组术后VAS评分为（2.08±1.04）分，徒手置钉组为（2.62±1.45）分，两组差异无统计学意义（ t=1.09， P=0.286）；两组VAS改善程度的差异无统计学意义（ t=1.15， P=0.262）。术后6个月HoloSight辅助置钉组Majeed评分为（91.23±7.18）分、徒手置钉组为（86.38±9.98）分，差异无统计学意义（ t=1.42， P=0.168）。 结论:HoloSight联合骨盆解锁复位架辅助复位与固定治疗Tile C1型骨盆骨折，可有效降低骨折的复位和固定难度，缩短复位和固定时间，减少对患者和医生的透视辐射。

目的:评估高精度机器学习算法软件定位特发性室性心律失常（IVA）起源的准确性。方法:本研究为观察性描述性研究。入选2023年8月至10月在宁波大学附属第一医院心律失常诊疗中心行IVA导管射频消融术（RFCA）的患者，术前通过高精度机器学习算法软件预测IVA起源位置，与最终行RFCA成功的起源位置比较。结果:38例患者于术前进行起源位置预测，其中2例患者消融失败，最后共纳入首次成功行RFCA的36例IVA患者，其中男15例，年龄（53.1±9.6）岁。35例患者预测准确，1例IVA起源左心室顶部（Summit）内膜面的患者预测失败，软件预测准确率为97.22%（34/35）。经过（3.1±0.3）个月随访，所有患者均达到长期消融成功标准。该机器学习算法软件预测IVA起源的受试者工作特征曲线下的面积、敏感度、特异度、F1评分、准确率分别为97%、97%、100%、96%、99%。结论:高精度机器学习算法软件定位IVA起源有效、精准。

通过信息化手段可实现信息共享，优化管理流程，解决眼科日间手术预约、患者宣教、病房管理及随访等方面存在的问题。作者总结分析了某眼科专科医院日间手术管理的现状及面临的挑战，介绍该院利用云计算、人工智能与人脸识别等信息技术，构建并应用眼科日间手术信息化管理体系的实践。该体系包括日间手术预住院管理系统、互联网病房平台、随访管理平台、日间手术电子病历和日间手术流程化专科护理机器人5个部分。该体系应用后1年与应用前1年相比，患者日间手术失约率和非计划二次手术率分别由应用前的2.40%和0.24%下降至应用后的1.00%和0.08%，患者满意度由94.5%提升到99.1%，差异均有统计学意义( P<0.01)。该体系的应用能够方便患者并确保日间手术安全和效率，为其他医院眼科日间手术信息化管理体系建设提供借鉴。

胰腺导管内乳头状黏液性肿瘤（IPMN）是发病率最高的胰腺囊性肿瘤，具有恶变倾向，而IPMN发生癌变后，患者的5年生存率不足40%。因此，早期识别恶变病例并手术切除可明显改善患者预后。各临床指南依据影像学特征、临床表现及血清肿瘤标志物等推荐了IPMN恶变的相关因素，其中主胰管扩张≥10 mm、存在实性成分或强化的壁结节及梗阻性黄疸等是公认的高危因素。然而，临床实践表明，现有指南推荐的危险因素对预测IPMN恶变的准确率并不高，主要问题在于指南推荐的危险因素特异度较低，使可随访观察的病例接受了非必要的手术切除。近年来，基因组学、影像组学及人工智能等新技术和新方法的发展极大推动了IPMN的研究进展。内镜超声下肿瘤囊液穿刺结合DNA、RNA等分子检测及影像组学结合机器学习建模等均在提高恶变IPMN的预测准确率方面展现了优越性，未来将成为辅助IPMN诊疗的重要工具。

制定再版物联网辅助评估和管理肺结节中国专家共识，目的为在原基础上通过使"复杂问题简单化、简单问题数字化、数字问题程序化，程序问题体系化"的策略，将肺结节诊治中国共识和亚太指南融入"AI肺结节管理程序"(PNapp 5A)和初评与研判二流程体系，将手工业作坊式诊疗模式提升为达到国家和国际标准的物联网流水作业工程。(1)初评流程，由初诊医师和初评专家执行PNapp 5A的1A~3A程序。1A(Ask，询问)：录入吸烟史、肿瘤家族史、职业粉尘接触史和慢性呼吸系统疾病病史等；2A(Assessment，评估)：应用影像学评估肺结节外观、内涵的良恶性特点和随访变化；3A(Advice，建议)：完成鉴别诊断所需肿瘤标志物、真菌和结核等常规检查。其后PNapp 5A自动反馈智能评估的肺结节恶性风险级别(低、中、高)，然后由初诊医师管理低级风险患者；对中、高度风险患者则建议AI和循环异常细胞等个体化检查，供初评和研判专家会诊参考；高度风险患者则需进入下述程序。(2)研判流程，由研判专家执行PNapp 5A的4A和5A程序。4A(Arrangement，安排)：有活检适应证者，首先顺序选择支气管镜引导(包括支气管内超声或磁导航支气管镜等)的非手术活检；不合适支气管镜检查或者有转移可能者，可考虑经胸壁针吸活检术。不能除外感染者，可考虑经验性抗生素治疗1~2周后复查；肺结节<10 mm者，可根据共识、指南安排随访。肺结节>10 mm难以确诊者应考虑为难定性肺结节，建议邀请更有经验的研判专家与AI系统交流互动(人机多学科会诊)会诊提供诊疗意见。5A(Assistance，辅助)：根据组织病理、分子病理和分期、实施术后常规管理，也可参考AI、循环异常细胞和表观遗传等个体化信息，制定个体化防治复发和转移方案，最终实现"名医治未病，大医惠众生"愿景。