从远程医疗到互联网+人工智能(AI)医疗看医疗数字化的演进

以中美两国为例,分析不同医疗模式下互联网+人工智能(AI)医疗的发展模式、现状和趋势。美国有2种模式:由科技公司提供的互联网+AI医疗虚拟诊室和由医疗机构加持互联网+AI医疗服务,分别以总部位于亚利桑那州的AdviNow医疗科技公司和总部设在新泽西州的Inspira医疗集团为例。中国目前的典型模式是以三级甲等医院为实体机构的互联网医院加持AI升级为智慧医院,以广东省第二人民医院为例。比较两者的异同,探讨互联网+AI医疗的未来走向及应当关注的问题。

基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价,缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合,在精神疾病辅助诊断领域的应用发展迅速,采用传统机器学习算法和深度学习算法,对脑电信号特征进行学习,从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征,笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展,最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解,难以解释其在医学领域的作用,因此深度学习也是脑电研究发展方向之一。此外,单独对脑电图进行分析难以囊括患者所有的特征,需与其他模态的生理参数结合进行多生理参数融合分析,使得疾病诊断更加智能化。

自动康复评定方法在脑卒中运动功能评定中的应用

自动康复评定方法依靠各种传感器对脑卒中患者的运动功能进行自动评分或分级,在评定过程中尽量减少甚至无需医师参与,具有评定流程少、评定时间短、评定效率高的优点。本研究概述了自动康复评定的基本原理和一般流程,根据评定的不同角度将自动康复评定方法分为基于运动捕捉技术、神经生理信号和多信息融合3类,从评定原理、传感器、评价指标等多方面总结近年来的研究进展,并分析了自动康复评定方法目前存在的一些难点。

广州市青年男男性行为者儿童期性虐待经历对抑郁的影响

目的 了解广州市青年男男性行为者(young men who have sex with men,YMSM)儿童期性虐待(childhood sexual abuse,CSA)经历和抑郁症状的情况,探讨儿童期性虐待对抑郁的影响。方法 采用方便抽样的方法,在广州市招募在广州居住时间≥3个月,年龄18~24周岁的365名YMSM作为研究对象,通过电子问卷收集调查对象的人口学特征、寻找性伴方式、性取向、CSA经历和抑郁症状等信息。采用χ^(2)检验比较不同特征YMSM的CSA经历和抑郁情况,采用多因素Logistic回归模型分析CSA经历对抑郁的影响。结果 YMSM中CSA经历和抑郁症状报告率分别为31.51%(115/365)和47.95%(175/365)。初中及以下文化程度(75.00%)以及通过线下寻伴方式(62.22%)的YMSM抑郁症状报告率较高(χ^(2)值分别为7.97,4.19,P值均<0.05)。调整了民族、户籍所在地、居住时间、学生、文化程度、个人月收入、性取向、寻伴方式等因素后,多因素Logistic回归模型显示有CSA经历(aOR=1.81,95%CI=1.12~2.93)的YMSM有抑郁症状的可能性高于无CSA经历者。结论 广州市YMSM有CSA经历和抑郁症状的比例较高,CSA经历是抑郁症状的危险因素。应注重加强对YMSM的心理干预,尤其是有CSA经历的YMSM,从而减少抑郁症状的比例,提高该人群心理健康水平。