دانلود و نمایش مقالات مرتبط با قلبی عروقی::صفحه 1
سیزه به در
نتیجه جستجو - قلبی عروقی

تعداد مقالات یافته شده: 13
ردیف عنوان نوع
1 Personality, cardiovascular, and cortisol reactions to acute psychological stress in the Midlife in the United States (MIDUS) study
واکنش های شخصیت، قلب و عروق و کورتیزول حاد استرس روانی در میانسالی در (MIDUS) مطالعه ایالات متحده-2020
Recent research has suggested that diminished, as well as elevated reactivity to acute psychological stress is maladaptive. These differences in stress reactions have been hypothesized to relate to the Big Five personality traits, which are said to be biologically-based and stable across adulthood; however, findings have been inconclusive. This study sought to replicate the findings of the largest study conducted to date (Bibbey et al., 2013), with a sample of participants from the Midlife in the United States Study (MIDUS), aged between 35 and 84 years (M = 56.33, SD = 10.87). Participants (N = 817) undertook a standardized, laboratory-based procedure during which their cardiovascular and neuroendocrine reactivity to acute stress was measured. In contrast to Bibbey et al. (2013), associations between neuroticism and blunted reactivity did not withstand adjustment for confounding variables. Further, following adjustment for multiple tests, no significant positive association between agreeableness and HR reactivity was observed. Methodological differences between the studies, which may account in part for the contrasting findings, are discussed. Further conceptual replication research is needed to clarify associations between the Big Five personality traits and stress reactivity, across the lifespan.
Keywords: Replication | Acute stress | Personality | Cortisol | Cardiovascular reactivity
مقاله انگلیسی
2 Unsupervised classification of multi-omics data during cardiac remodeling using deep learning
طبقه بندی بدون نظارت شده داده های چند omics در طی بازسازی قلب با استفاده از یادگیری عمیق-2019
Integration of multi-omics in cardiovascular diseases (CVDs) presents high potentials for translational discoveries. By analyzing abundance levels of heterogeneous molecules over time, we may uncover biological interactions and networks that were previously unidentifiable. However, to effectively perform integrative analysis of temporal multi-omics, computational methods must account for the heterogeneity and complexity in the data. To this end, we performed unsupervised classification of proteins and metabolites in mice during cardiac remodeling using two innovative deep learning (DL) approaches. First, long short-term memory (LSTM)- based variational autoencoder (LSTM-VAE) was trained on time-series numeric data. The low-dimensional embeddings extracted from LSTM-VAE were then used for clustering. Second, deep convolutional embedded clustering (DCEC) was applied on images of temporal trends. Instead of a two-step procedure, DCEC performes a joint optimization for image reconstruction and cluster assignment. Additionally, we performed K-means clustering, partitioning around medoids (PAM), and hierarchical clustering. Pathway enrichment analysis using the Reactome knowledgebase demonstrated that DL methods yielded higher numbers of significant biological pathways than conventional clustering algorithms. In particular, DCEC resulted in the highest number of enriched pathways, suggesting the strength of its unified framework based on visual similarities. Overall, unsupervised DL is shown to be a promising analytical approach for integrative analysis of temporal multi-omics.
Keywords: Cardiovascular | Clustering | Multi-omics Time-series | Unsupervised deep learning | Integrative analysis
مقاله انگلیسی
3 State-of-the-Art Deep Learning in Cardiovascular Image Analysis
یادگیری عمیق و پیشرفته در تجزیه و تحلیل تصویر قلب و عروق-2019
Cardiovascular imaging is going to change substantially in the next decade, fueled by the deep learning revolution. For medical professionals, it is important to keep track of these developments to ensure that deep learning can have meaningful impact on clinical practice. This review aims to be a stepping stone in this process. The general concepts underlying most successful deep learning algorithms are explained, and an overview of the state-of-the-art deep learning in cardiovascular imaging is provided. This review discusses >80 papers, covering modalities ranging from cardiac magnetic resonance, computed tomography, and single-photon emission computed tomography, to intravascular optical coherence tomography and echocardiography. Many different machines learning algorithms were used throughout these papers, with the most common being convolutional neural networks. Recent algorithms such as generative adversarial models were also used. The potential implications of deep learning algorithms on clinical practice, now and in the near future, are discussed. (J Am Coll Cardiol Img 2019;12:1549–65) © 2019 by the American College of Cardiology Foundation.
مقاله انگلیسی
4 A machine learning-based approach for predicting the outbreak of cardiovascular diseases in patients on dialysis
روش مبتنی بر یادگیری ماشینی برای پیش بینی شیوع بیماریهای قلبی عروقی در بیماران مبتلا به دیالیز-2019
Background and Objective: Patients with End- Stage Kidney Disease (ESKD) have a unique cardiovascular risk. This study aims at predicting, with a certain precision, death and cardiovascular diseases in dialysis patients. Methods: To achieve our aim, machine learning techniques have been used. Two datasets have been taken into consideration: the first is an Italian dataset obtained from the Istituto di Fisiologia Clinica of Consiglio Nazionale delle Ricerche of Reggio Calabria; the second is an American dataset provided by the National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) repository. From each one we obtained 5 datasets, according to the outcome of interest. We tested different types of algorithm (both linear and non-linear), but the final choice was to use Support Vector Machine. In particular, we obtained the best performances using the non-linear SVC with RBF kernel algorithm, optimizing it with GridSearch. The last is an algorithm useful to search the best combination of hyper-parameters (in our case, to find the best couple (C, γ)), in order to improve the accuracy of the algorithm. Results: The use of non-linear SVC with RBF kernel algorithm, optimized with GridSearch, allowed to obtain an accuracy of 95.25% in the Italian dataset and of 92.15% in the American dataset, in a timeframe of 2.5 years,in the prediction of Ischaemic Heart Disease. A worse performance was obtained for the other outcomes. Conclusions: The machine learning-based approach applied in our study is able to predict, with a high accuracy, the outbreak of cardiovascular diseases in patients on dialysis.
Keywords: Machine learning | Cardiovascular outcomes | ESRD | Prognosis
مقاله انگلیسی
5 A modular cluster based collaborative recommender system for cardiac patients
یک سیستم مشارکتی مبتنی بر خوشه مدولار برای بیماران قلبی-2019
In the last few years, hospitals have been collecting a large amount of health related digital data for patients. This includes clinical test reports, treatment updates and disease diagnosis. The information extracted from this data is used for clinical decisions and treatment recommendations. Among health recommender systems, collaborative filtering technique has gained a significant success. However, traditional collaborative filtering algorithms are facing challenges such as data sparsity and scalability, which leads to a reduction in system accuracy and efficiency. In a clinical setting, the recommendations should be accurate and timely. In this paper, an improvised collaborative filtering technique is proposed, which is based on clustering and sub-clustering. The proposed methodology is applied on a supervised set of data for four different types of cardiovascular diseases including angina, non-cardiac chest pain, silent ischemia, and myocardial infarction. The patient data is partitioned with respect to their corresponding disease class, which is followed by k-mean clustering, applied separately on each disease partition. A query patient once directed to the correct disease partition requires to get similarity scores from a reduced sub-cluster, thereby improving the efficiency of the system. Each disease partition has a separate process for recommendation, which gives rise to modularization and helps in improving scalability of the system. The experimental results demonstrate that the proposed modular clustering based recommender system reduces the spatial search domain for a query patient and the time required for providing accurate recommendations. The proposed system improves upon the accuracy of recommendations as demonstrated by the precision and recall values. This is significant for health recommendation systems particularly for those related to cardiovascular diseases.
Keywords: Recommender system | Clustering | Collaborative filtering | Cardiovascular disease | Decision support
مقاله انگلیسی
6 Deep learning-based cardiovascular image diagnosis: A promising challenge
تشخیص تصویر قلبی عروقی مبتنی بر یادگیری عمیق: یک چالش امیدوار کننده-2019
Artificial intelligence (AI) is becoming a vital concept in medicine leading to a rapid emergence of important tools for medical diagnostics. Now, as a crucial machine learning tool in the field of computer vision, deep learning (DL) is being widely used in medical imaging. Furthermore, as reported in the medical literature, DL has been widely used in medical related research. However, the practical application of DL in clinical diagnosis is relatively small, and it is a new field that may have some challenges. How to effectively perform medical image analysis is a major problem in the field of disease diagnosis, and further diagnostic methods need to be developed. At this stage, DL could be viewed as a black box requiring knowledge of its internal workings, and hence presents some crucial technical challenges that need further methodological development. Thereafter with proper diagnostics, pre-operative computerized simulation planning can be carried out for use of appropriate surgical intervention technology. This paper presents important questions on cardiovascular disease (CVD) diagnostics, using this powerful and yet not adequately understood technology. It discusses issues brought by the paradigm shift of AI vis-à-vis DL in CVD diagnostics, provides possible solutions to potential issues, and envisions the future of the related machine intelligence applications. The discussed problems are dissected into the modular aspects of DL in relation to CVD image classification, segmentation, and detection. A proper perspective on management of these issues is the key to a successful technological implementation of DL in modern medical science.
Keywords: Deep learning | Cardiovascular diagnosis | Image analysis | Artificial intelligence | Big data in medicine
مقاله انگلیسی
7 PRMT پیش بینی فاکتورهای خطر ابتلا به چاقی در افراد میان سال با استفاده از تکنیک داده کاوی
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 16
چاقی یک وضعیت آناتومی است که با رشد شدید چربی بدن مشخص می شود. میزان چاقی به تدریج افزایش می یابد، با توجه به مقالات پیشین، چاقی بیماری جدی سلامت در جهان است. در این مطالعه 259 داده از مناطق شهری و روستایی با توجه به میزان مختلف خطر ناشی از فعالیت های روزمره جمع آوری شد. هدف از مطالعه، شبیه سازی عامل خطر با استفاده از ابزار آماری (SPSS) است که به پیش بینی عامل اصلی خطر چاقی با تست سطح کلاس و مطالعه مقطعی دیگر ویژگی ها کمک می کند. با آنالیز (P-value (p <0.05، دریافتیم سن (0.002)، قد (0.002)، وزن( 0.000)، شیوه زندگی سالم (0.000)، وضعیت زناشویی (0.001)، BMI ( 0.000) ، اقتصادی (0.028)، خواب در روز (0.011) دارای ارتباط معناداری با کلاس چاقی دارد. در این مطالعه یک روش ریسک داده کاوی (PRMT) برای پیش بینی مدلی به منظور تحلیل عامل خطر ابتلا به چاقی با استفاده از طبقه بندی های مختلف داده کاوی ، با استفاده از WEKA برای برآورد دقت و خطا پیشنهاد شد. نتیجه این فرایند Naïve Bayes بهترین طبقه بندی برای مطالعه 10 برابر اعتبارسنجی است. مدل پیشنهادی برای پیش بینی عامل انسانی موثر در کنترل و کاهش بیماری قلبی عروقی است.
کليدواژه ها: چاقي | خطر سرماخوردگي | بیماری قلبی عروقی | طبقه بندی
مقاله ترجمه شده
8 کاربرد اینترنت و رسانه های اجتماعی به منظور جستجوی اطلاعات مربوط به آنتی بیوتیک: یافته های حاصل از یک نظرسنجی در میان جمعیت بزرگسال ایتالیا
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 25
پس زمینه : اینترنت، منبع فزاینده ای از اطلاعات مرتبط با سلامت و بهداشت است. اینترنت و رسانه های اجتماعی می توانند برای ترویج استفاده عاقلانه از آنتی بیوتیک ها استفاده شوند.
هدف: برای تعیین میزان استفاده از اینترنت و رسانه های اجتماعی برای جستجوی اطلاعات مربوط به آنتی بیوتیک و پیامدهای بالقوه در مراقبت های بهداشتی بزرگسالان ایتالیا.
مواد و روش ها: این مطالعه مقطعی از ماه مارس تا مه 2017 در میان نمونه ای از والدین دانش آموزان مدارس دولتی انجام شد. یک طرح نمونه خوشه ای دو مرحله ای برنامه ریزی شد. فرم رضایت آگاهانه و پرسشنامه به دانش آموزان منتخب داده شد تا به والدینشان ارائه دهند. پرسشنامه شامل سوالات مربوط به دانش، نگرش و رفتار در مورد استفاده از آنتی بیوتیک و سوالات در مورد استفاده از اینترنت برای جمع آوری اطلاعات در مورد آنتی بیوتیک ها است.
نتایج: در کل 913 والدین پرسشنامه را با نرخ پاسخ 67.4٪ تکمیل کردند؛ 22.1٪ درباره زمانی مناسب مصرف آنتی بیوتیک ها اطلاعی نداشتند. 32.3 درصد از والدین خود درمانی با آنتی بیوتیک را گزارش کردند. 73.4 درصد از پاسخ دهندگان از اینترنت برای جستجوی اطلاعات در مورد استفاده از آنتی بیوتیک استفاده می کردند. در میان کاربران شبکه اجتماعی، 46.5 درصد ، استفاده از این رسانه ها برای دریافت اطلاعات در مورد آنتی بیوتیک ها گزارش شده است و 45 درصد کاربران برنامه های پیام رسانی فوری اطلاعات مربوط به آنتی بیوتیک ها را به اشتراک می گذارند. نتایج تجزیه و تحلیل رگرسیون چندگانه نشان داد که استفاده از اینترنت برای جستجوی اطلاعات مربوط به آنتی بیوتیک در میان زنان، افراد جوانتر با سطح تحصیلات بالاتری، در افرادی که خود درمانی با آنتی بیوتیک گزارش کرده بودند و در افرادی که به اطلاعات اضافی بر عوارض جانبی آنتی بیوتیک از GP نیاز داشتند، در مقایسه با کسانی که به هیچ اطلاعات اضافی نیاز ندارند، بالاتر بود. استفاده از اینترنت به طور قابل توجهی در شرکت کنندگان با بیماری های قلبی عروقی و سرطان در مقایسه با کسانی که شرایط مزمن ندارند کمتر است، و در کسانی که گزارش به شدت موافق کاربرد اینترنت بودند ، و یا اطمینان کافی در مورد استفاده از آنتی بیوتیک بدون نسخه GP نداشتند در مقایسه با کسانی که به شدت مخالف یا مخالف سبودند، گزارش شد.
نتیجه گیری: اینترنت و رسانه های اجتماعی به طور گسترده ای برای جستجوی اطلاعات مربوط به آنتی بیوتیک در جمعیت ایتالیا مورد استفاده قرار می گیرند. سازمان های بهداشتی باید رسانه های اجتماعی را در استراتژی ارتباطات خود در نظر بگیرند تا از استفاده مناسب وب برای جستجوی اطلاعات مربوط به آنتی بیوتیک در جمعیت عمومی حمایت کنند، اگر چه شواهد بیشتری در مورد ترکیب مطلوب مداخلات ارتباطی مورد نیاز است.
کلید واژه ها: جستجوی اطلاعات مرتبط با آنتی بیوتیک | رسانه های اجتماعی | مقاومت آنتی بیوتیکی | اینترنت | ایتالیا | عمومی | مرور | کاربران
مقاله ترجمه شده
9 Big Data to Assess Potential Pregnancy-Related Cardiovascular Complications of Difficult LabourdOriginal Investigator-Driven Research Is Not Dead!
داده های بزرگ برای ارزیابی عوارض قلبی عروقی مرتبط با بارداری ناشی از کار دشواری تحقیقات اصلی محققان از بین نرفته است-2018
Medical silos have rightly been castigated for providing inef ficient care. However, the negative effect fragmentation of health services has on medical research is rarely considered, particularly when outcomes might occur several years down stream. In this issue of the Canadian Journal of Cardiology, Kahane and colleagues address this shortcoming by reporting their study of dysfunctional uterine activity in la bour and subsequent premature adverse cardiac events.1 This population-based cohort study examined 1,608,720 Ontario women from 1992 to 2016 with  1 singleton hospital live birth at 24-41 weeks’ gestation. The primary exposure of interest was a prolonged first stage of labour and the main outcome was a composite of heart failure, cardiomyopathy, or dysrhythmia occurring after the index delivery. A covariate adjusted survival analysis with a median follow-up of > 10 years produced a hazard ratio of 1.09 (95% confidence in terval, 0.87-1.36), leading to the authors’ conclusion that women with prolonged labour do not appear to be at a higher short-term risk for these cardiac outcomes. This report raises several interesting questions. In the first place, why even study this association? Next, are the conclusions reliable? Finally, do the results matter?
مقاله انگلیسی
10 اثر فعالیت فیزیکی بر سلامت قلبی عروقی و اسکلتی-عضلانی: آیا حرکت و جنبش می-تواند به عنوان نوعی دارو تجویز شود؟
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 23
فعالیت فیزیکی یک ابزار درمانی شناخته شده برای انواع شرایط پزشکی است از جمله بیماری های قلبی عروقی مانند بیماری شریان کرونر، سکته مغزی، دیابت نوع 2 و چاقی. علاوه بر این افزایش فعالیت فیزیکی را می توان یک روش درمانی برای بهبود سلامت اسکلتی عضلانی دانست؛ با این حال گزارش های متناقضی در مورد فعالیت فیزیکی وجود دارند که به بیماری دژنراتیو اسکلتی عضلانی به خصوص استئوآرتریت (OA) منجر می شوند. علاوه بر این اگرچه فعالیت فیزیکی مزایای خاص خود را دارد هنوز مشخص نیست چه میزان از فعالیت بدنی بیشترین منفعت را دارد. تمرین های ورزشی بیش از حد و ناکافی ممکن است عواقب نامطلوبی به همراه داشته باشند. این موارد می تواند روی این امر اثر بگذارد که پزشکان در مورد شدت ورزش چه توصیه هایی به بیماران خود می کنند. مطالعات متعددی اثر فعالیت فیزیکی را بر جنبه های مختلف سلامتی بررسی کرده اند. با این حال هنوز مطالعات سیستماتیک کافی وجود ندارند که سلامت اسکلتی عضلانی و قلبی عروقی را به عنوان نتایج ورزش بررسی کنند. بنابراین هدف از این مقاله ی مروری ارزیابی این مسئله است که چگونه فعالیت فیزیکی می تواند روی این جنبه های سلامتی اثر بگذارد. به طور خاص ما اثر سطوح مختلف فعالیت فیزیکی را روی 1)سلامت قلبی عروقی و 2)سلامت اسکلتی عضلانی بررسی کردیم. این مقاله مروری نشان می دهد که فعالیت فیزیکی ممکن است بیماری قلبی عروقی را کاهش دهد و علائم OA را بهبود دهد و بنابراین حرکت و جنبش را می توان نوعی دارو دانست. با این حال از آنجاییکه فعالیت سنگین می تواند به طور بالقوه منجر به افزایش ریسک OA شود، پزشکان باید به بیماران خود اینطور توصیه کنند که فعالیت بیش از حد می تواند اثرات بالقوه ی منفی روی سلامتی آنها داشته باشد و ورزش باید در حد اعتدال انجام شود و پس از آن مطالعات بیشتری صورت گیرد.
کلمات کلیدی: فعالیت فیزیکی | سلامت قلبی عروقی | سلامت اسکلتی عضلانی
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi