Background::In vitro fertilization (IVF) has emerged as a transformative solution for infertility. However, achieving favorable live-birth outcomes remains challenging. Current clinical IVF practices in IVF involve the collection of heterogeneous embryo data through diverse methods, including static images and temporal videos. However, traditional embryo selection methods, primarily reliant on visual inspection of morphology, exhibit variability and are contingent on the experience of practitioners. Therefore, an automated system that can evaluate heterogeneous embryo data to predict the final outcomes of live births is highly desirable. Methods::We employed artificial intelligence (AI) for embryo morphological grading, blastocyst embryo selection, aneuploidy prediction, and final live-birth outcome prediction. We developed and validated the AI models using multitask learning for embryo morphological assessment, including pronucleus type on day 1 and the number of blastomeres, asymmetry, and fragmentation of blastomeres on day 3, using 19,201 embryo photographs from 8271 patients. A neural network was trained on embryo and clinical metadata to identify good-quality embryos for implantation on day 3 or day 5, and predict live-birth outcomes. Additionally, a 3D convolutional neural network was trained on 418 time-lapse videos of preimplantation genetic testing (PGT)-based ploidy outcomes for the prediction of aneuploidy and consequent live-birth outcomes.Results::These two approaches enabled us to automatically assess the implantation potential. By combining embryo and maternal metrics in an ensemble AI model, we evaluated live-birth outcomes in a prospective cohort that achieved higher accuracy than experienced embryologists (46.1% vs. 30.7% on day 3, 55.0% vs. 40.7% on day 5). Our results demonstrate the potential for AI-based selection of embryos based on characteristics beyond the observational abilities of human clinicians (area under the curve: 0.769, 95% confidence interval: 0.709–0.820). These findings could potentially provide a noninvasive, high-throughput, and low-cost screening tool to facilitate embryo selection and achieve better outcomes. Conclusions::Our study underscores the AI model’s ability to provide interpretable evidence for clinicians in assisted reproduction, highlighting its potential as a noninvasive, efficient, and cost-effective tool for improved embryo selection and enhanced IVF outcomes. The convergence of cutting-edge technology and reproductive medicine has opened new avenues for addressing infertility challenges and optimizing IVF success rates.

构建面向临床数据中心的多源异构数据融合平台已成为医疗信息界的普遍共识。某院搭建的数据融合平台由数据采集组件、数据加工组件、数据比对与修复组件、数据订阅与应用组件、数据融合管理平台5个部分组成。该平台对分散在全院各业务系统中的数据进行数据质量检查，处理重复和冗余的元数据，进行按需采集、转换、加工、分发、装载，并通过比对与修复保持数据的一致性，确保数据的准确性、一致性和完整性。该平台能够跨数据库、跨操作系统、跨硬件环境，对不同类型的数据进行自动捕获、分析、治理、融合，满足多样化的医疗数据应用需求，助力智慧医院高质量发展。

面对医院诊断、手术操作类主数据管理中存在的标准不统一、缺乏规范管理流程等问题，医院通过分析其数据特点和不同应用场景使用要求，重新定义元数据和数据模型，对现有数据进行清洗、转换后形成规范的统一标准进行下发，并建立完整的数据生命周期管理流程，形成一套完善的主数据管理和维护流程，最终实现各系统中诊断、手术操作数据的一致性、完整性和可控性，有效提高诊断、手术操作类主数据的管理水平。

目的:通过生物信息学分析及机器学习方法探索早发型子痫前期（early-onset pre-eclampsia，EOSP）的特征基因及相关免疫细胞浸润分析。方法:在基因表达综合（Gene Expression Omnibus，GEO）数据库中，以“early-onset pre-eclampsia”为检索词，检索EOSP与正常妊娠的胎盘组织mRNA序列。采用R语言对芯片数据进行背景校正、标准化、汇总和探针质量控制，下载注释包进行ID转换，提取表达矩阵，使用limma软件包分析去除批次效应后的元数据中EOSP与正常妊娠之间差异表达基因（differentially expressed genes，DEGs）。通过支持向量机递归特征消除（support vector machine-recursive feature elimination，SVM-RFE）分析和LASSO回归模型识别特征基因。通过计算受试者工作特征曲线的曲线下面积（area under the curve，AUC）分析特征基因的诊断能力。然后回顾性收集2022年1月1日至2023年2月28日在首都医科大学附属北京妇产医院分娩的15例EOSP及15例正常妊娠孕产妇的胎盘组织，应用实时荧光定量聚合酶链反应和蛋白质印迹法验证特征基因的表达情况，并在验证集中进一步验证。最后，使用CIBERSORT分析EOSP中免疫细胞浸润的相对比例。组间差异分析采用 t检验。 结果:共检索获得3个基因数据集，包括GSE44711（EOSP与正常妊娠各8例）、GSE74341（EOSP与正常妊娠分别为7例和5例）及GSE190639（EOSP与正常妊娠各13例），合并GSE44711和GSE74341数据集后共筛选出了29个DEGs，其中包括27个上调及2个下调的基因。GO富集分析结果显示这29个DEGs主要参与促性腺激素分泌、女性妊娠、调控内分泌过程、内分泌激素分泌及激素分泌的负调节过程。通过LASSO回归算法及SVM-RFE算法联合分析共筛选出8个特征基因，分别为 EBI3、 HTRA4、 TREML2、 TREM1、 NTRK2、 ANKRD37、 CST6及 ARMS2；定量逆转录聚合酶链反应和蛋白质印迹法验证特征基因的表达差异均有统计学意义（ P值均<0.05， CST6除外）。Logistic回归分析结果显示， TREML2、 ANKRD37、 NTRK2、 TREM1、 HTRA4、 EBI3及 ARMS2的AUC（95% CI）分别为0.979（0.918~1.000）、0.969（0.897~1.000）、0.969（0.892~1.000）、0.979（0.918~1.000）、0.990（0.954~1.000）、0.990（0.954~1.000）、0.903（0.764~1.000）。免疫细胞浸润结果显示EOSP胎盘组织中的M2巨噬细胞的浸润比例显著低于对照组（0.167±0.074与0.462±0.091， P=0.002），但单核细胞和嗜酸性粒细胞的浸润比例明显高于对照组（0.201±0.004与0.085±0.006，0.031±0.001与0.001±0.000， P值均<0.05）；特征基因与浸润性免疫细胞之间的相关性分析结果显示7个特征基因与免疫细胞之间密切相关（ P值均<0.05）。 结论:通过生物信息学分析及机器学习方法筛选出7个对于EOSP的早期诊断具有重要意义的特征基因，为后续子痫前期的预防及治疗提供了新的研究靶点和依据。

T/CPMA 033-2023《成人慢性病行为危险因素监测基本数据集标准》由中华预防医学会于2023年10月20日发布并正式实施.该标准规定了成人慢性病行为危险因素监测数据集的元数据属性和数据元属性.适用于卫生健康行政部门、疾病预防控制机构、基层医疗卫生机构、健康体检和管理机构及科研院所开展慢性病行为危险因素监测、调查、干预和评估等相关数据的采集.该文对标准的要点内容进行解读,为医疗卫生机构及专业人员深入理解和推广应用该标准提供指导.

《成人慢性病行为危险因素监测基本数据集标准》(T/CPMA 033-2023)由中华预防医学会于2023年10月20日发布并正式实施.该标准规定了成人慢性病行为危险因素监测数据集的元数据属性和数据元属性.适用于卫生健康行政部门、疾病预防控制机构、基层医疗卫生机构、健康体检和管理机构及科研院所开展慢性病行为危险因素监测、调查、干预和评估等相关数据的采集.

T/CPMA 033-2023《成人慢性病行为危险因素监测基本数据集标准》由中华预防医学会于2023年10月20日发布并正式实施.该标准规定了成人慢性病行为危险因素监测数据集的元数据属性和数据元属性.适用于卫生健康行政部门、疾病预防控制机构、基层医疗卫生机构、健康体检和管理机构及科研院所开展慢性病行为危险因素监测、调查、干预和评估等相关数据的采集.该文对标准的要点内容进行解读,为医疗卫生机构及专业人员深入理解和推广应用该标准提供指导.

《成人慢性病行为危险因素监测基本数据集标准》(T/CPMA 033-2023)由中华预防医学会于2023年10月20日发布并正式实施.该标准规定了成人慢性病行为危险因素监测数据集的元数据属性和数据元属性.适用于卫生健康行政部门、疾病预防控制机构、基层医疗卫生机构、健康体检和管理机构及科研院所开展慢性病行为危险因素监测、调查、干预和评估等相关数据的采集.

目的:构建医用耗材数据资产数据中台,为医用耗材管理及应用开发提供开放性数据共享服务,降低数据孤岛风险.方法:基于数据中台数据资源管理模式,采用数据汇聚及大数据开发技术实现多业务系统间数据载入、整合及质量控制,通过数据仓库和对象建模方法建立层次数据管理体系,基于数据治理流程构建数据资产管理系统,为医用耗材数据资源提供数据标准及数据血缘维护、元数据管理、数据权限控制及数据生命周期管理等功能,采用微服务架构,为医用耗材管理提供数据服务生成、注册、发现及订阅等功能.选取解放军总医院第五医学中心南院区2020年3-5月医用耗材管理数据,测试业务应用数据中台数据,对比服务前后的前端数据应用开发工作量和应用操作时长.结果:医用耗材数据中台实现前端应用界面与后端数据服务链接,可为前端页面提供同步数据服务;数据中台数据服务前端数据应用开发工作量由传统数据仓库工作量的64人/月降至6人/月,测试应用操作时长由430 min降至16 min.结论:数据中台数据管理模式有助于提高医用耗材信息化管理能力和医用耗材管理效率,为医用耗材管理数字化转型提供借鉴.

目前,FDA明确规定申办者向其递交的临床试验电子评审材料需要基于CDISC ODM(Operational Data Model)模型的SDTM define.xml作为用于新药注册评审的必备文件之一.尽管近几年业内已有多家企业致力于开发自动化工具生成SDTM define.xml,但在核查策略和质量控制方面的系统性研究不多,工作人员仍需花费大量时间进行人工核查.本研究旨在对生成SDTM define.xml的元数据模块建立一套全面综合的核查策略和关键核查点,并通过编制SAS宏实现这些核查点的自动化核查和质量控制,使得递交给FDA的SDTM define.xml所包含信息准确无误,数据之间具有良好的追踪性,同时大大降低人力成本,提高效率.