目的分析静脉溶栓治疗首发急性缺血性脑卒中(Acute ischemic stroke,AIS)患者的预后影响因素及预测价值。方法选择2019年4月-2022年4月在溧阳市人民医院神经内科进行静脉溶栓治疗的首发AIS患者120例,根据改良Rankin量表(Modified rankin...目的分析静脉溶栓治疗首发急性缺血性脑卒中(Acute ischemic stroke,AIS)患者的预后影响因素及预测价值。方法选择2019年4月-2022年4月在溧阳市人民医院神经内科进行静脉溶栓治疗的首发AIS患者120例,根据改良Rankin量表(Modified rankin scale,mRS)分为预后良好组(n=61,<2分)和预后不良组(n=59,≥2分)。比较两组临床资料,从中筛选出首发AIS患者应用静脉溶栓治疗的预后危险因素,评估其对首发AIS患者应用静脉溶栓治疗的预测价值。结果预后不良组既往存在糖尿病史、大动脉粥样硬化分型占比大于预后良好组,发病至溶栓开始时间滞后于预后良好组,入院时美国国立卫生研究院卒中量表(National institute of health stroke scale,NIHSS)评分及血糖、纤维蛋白原水平高于预后良好组(P<0.05)。多因素Logistic回归分析发现,存在糖尿病史、发病至溶栓开始时间长、入院时NIHSS评分高、大动脉粥样硬化分型、高血糖、高纤维蛋白原为首发AIS患者应用静脉溶栓治疗后预后不良的独立危险因素(OR=4.627、4.831、5.124、5.043、4.669、4.821,P<0.05)。首发AIS患者应用静脉溶栓治疗后预后不良的曲线下面积(Area under curve,AUC)为0.812(95%CI:0.753~0.834),敏感度为0.67,特异度为0.86。结论既往存在糖尿病史、发病至溶栓开始时间长、入院时NIHSS评分高、大动脉粥样硬化分型、高血糖、高纤维蛋白原对预测首发AIS患者具有较高的敏感性和特异性。展开更多
[目的]科学智能(AI for Science)方法正在深刻地改变当前科学计算的格局。其融合了物理模型、人工智能与高性能计算,针对传统科学计算中的高维问题,通过数据拟合的方式实现成量级的增加高精度科学计算问题的时间和空间尺度,正在推动一...[目的]科学智能(AI for Science)方法正在深刻地改变当前科学计算的格局。其融合了物理模型、人工智能与高性能计算,针对传统科学计算中的高维问题,通过数据拟合的方式实现成量级的增加高精度科学计算问题的时间和空间尺度,正在推动一场科研范式的变革。[方法]本文针对第一性原理精度的分子动力学,提出一种HPC+AI驱动的科学智能计算平台,针对科学智能在工作流上带来的变化与挑战,从科学数据的生成与数据集制备、构型空间探索与训练样本标注、科学智能模型的高效训练及大规模高效推理等四个方面阐述构建科学智能计算平台的关键技术与流程。[结果]本文所提出的计算平台在整合科学智能计算工作流的基础上,针对HPC+AI驱动的第一性原理精度分子动力学这一典型应用,提出了基于卡尔曼滤波的主动学习策略;改进了拟二阶AI模型训练方法,实现训练时间从天到分钟级的加速;利用五阶多项式AI模型压缩技术实现在同等硬件条件下模型推理的体系规模提高1个数量级,到解时间提高3-9倍。[结论]通过上述工作的整合,形成一套可用于第一性原理精度分子动力学计算的科学智能计算平台。[局限与展望]科学智能计算方法与工作流仍处于蓬勃发展阶段,在高精度数据、更通用AI模型和高效的计算方法等方面仍面临巨大的挑战,也将成为本文工作在未来的重要探索方向。展开更多
文摘目的分析静脉溶栓治疗首发急性缺血性脑卒中(Acute ischemic stroke,AIS)患者的预后影响因素及预测价值。方法选择2019年4月-2022年4月在溧阳市人民医院神经内科进行静脉溶栓治疗的首发AIS患者120例,根据改良Rankin量表(Modified rankin scale,mRS)分为预后良好组(n=61,<2分)和预后不良组(n=59,≥2分)。比较两组临床资料,从中筛选出首发AIS患者应用静脉溶栓治疗的预后危险因素,评估其对首发AIS患者应用静脉溶栓治疗的预测价值。结果预后不良组既往存在糖尿病史、大动脉粥样硬化分型占比大于预后良好组,发病至溶栓开始时间滞后于预后良好组,入院时美国国立卫生研究院卒中量表(National institute of health stroke scale,NIHSS)评分及血糖、纤维蛋白原水平高于预后良好组(P<0.05)。多因素Logistic回归分析发现,存在糖尿病史、发病至溶栓开始时间长、入院时NIHSS评分高、大动脉粥样硬化分型、高血糖、高纤维蛋白原为首发AIS患者应用静脉溶栓治疗后预后不良的独立危险因素(OR=4.627、4.831、5.124、5.043、4.669、4.821,P<0.05)。首发AIS患者应用静脉溶栓治疗后预后不良的曲线下面积(Area under curve,AUC)为0.812(95%CI:0.753~0.834),敏感度为0.67,特异度为0.86。结论既往存在糖尿病史、发病至溶栓开始时间长、入院时NIHSS评分高、大动脉粥样硬化分型、高血糖、高纤维蛋白原对预测首发AIS患者具有较高的敏感性和特异性。
文摘[目的]科学智能(AI for Science)方法正在深刻地改变当前科学计算的格局。其融合了物理模型、人工智能与高性能计算,针对传统科学计算中的高维问题,通过数据拟合的方式实现成量级的增加高精度科学计算问题的时间和空间尺度,正在推动一场科研范式的变革。[方法]本文针对第一性原理精度的分子动力学,提出一种HPC+AI驱动的科学智能计算平台,针对科学智能在工作流上带来的变化与挑战,从科学数据的生成与数据集制备、构型空间探索与训练样本标注、科学智能模型的高效训练及大规模高效推理等四个方面阐述构建科学智能计算平台的关键技术与流程。[结果]本文所提出的计算平台在整合科学智能计算工作流的基础上,针对HPC+AI驱动的第一性原理精度分子动力学这一典型应用,提出了基于卡尔曼滤波的主动学习策略;改进了拟二阶AI模型训练方法,实现训练时间从天到分钟级的加速;利用五阶多项式AI模型压缩技术实现在同等硬件条件下模型推理的体系规模提高1个数量级,到解时间提高3-9倍。[结论]通过上述工作的整合,形成一套可用于第一性原理精度分子动力学计算的科学智能计算平台。[局限与展望]科学智能计算方法与工作流仍处于蓬勃发展阶段,在高精度数据、更通用AI模型和高效的计算方法等方面仍面临巨大的挑战,也将成为本文工作在未来的重要探索方向。