当前位置: 首页 > article >正文

《用于准确连续非侵入性血压监测的心跳内生物标志物》阅读笔记

目录

0 基础知识

1 论文摘要

2 论文十问

3 实验结果

4 论文亮点与不足之处

5 与其他研究的比较

6 实际应用与影响

7 个人思考与启示

参考文献


0 基础知识

非侵入性是指在进行医学检查或治疗时,不需要切开皮肤或穿刺体内组织,而是通过外部手段进行检查或治疗。例如,非侵入性血压监测就是通过外部传感器来测量血压,而不需要穿刺动脉进行测量。这种方法可以减少患者的痛苦和感染风险,并且更加安全和方便。

生物标志物(Biomarker)是指可以在生物体内进行测量的生物学特征,它可以反映生物体的正常生理过程、病理过程或对药物治疗的反应。生物标志物通常用于研究、诊断、预后评估以及治疗反应的监测。简单来说,生物标志物是一种客观可测量的指标,可以帮助了解生物体内发生的一系列过程和状态。生物标志物可以是基因、蛋白质、代谢物等多种形式。

1 论文摘要

确的连续非侵入性血压(CNIBP)监测是数字医学领域的圣杯,但由于信号和运动伪迹的显著漂移,使设备需要频繁校准,因此仍然难以捉摸。为了应对这些挑战,我们通过创建一种新颖的心跳内生物标志物(舒张期传输时间,DTT)来开发了一种独特的方法,以实现高度准确的血压(BP)估计。与其他常见信号处理技术相比,我们证明了我们的方法在消除随机基线漂移方面的优越性能,同时保持信号完整性和测量准确性,即使在显著的血流动力学变化过程中也是如此。我们将这种新算法应用于使用非侵入性传感器从高度危重患者那里收集的血压数据,并证明我们可以在长达20分钟的时间内,无需重新校准,与金标准的侵入性动脉线血压测量达成密切一致。我们通过成功将其应用于从各种传感器(包括光电容积法和电容式压力传感器)获得的脉搏波形,证明了我们的方法具有普适性。我们的算法还保持了信号的完整性,使血压变异性的可靠评估成为可能。此外,我们的算法在突然的手部运动和长时间行走期间,对低频和高频运动伪迹都显示出容忍性。因此,我们的方法在构成必要的进步方面具有前景,并可应用于各种可穿戴传感器,以便在门诊和住院环境中进行CNIBP监测。

DTT方法概述。(a) 住院患者的血压数据是通过侵入性桡动脉A线和对侧放置的非侵入性CAP或PPG传感器获取的。(b) 使用我们的DTT算法处理来自非侵入性传感器的血压信号,以获得与A线测量相当的数据。灰色阴影区域表示原始(灰线)和DTT处理后(蓝线)信号之间的偏移。

评估算法的准确性和血压跟踪能力。(左) 用四种不同的方法处理来自CAP传感器的300秒血压记录:带通滤波器(BF)、离散小波变换(DWT)、斜率传输时间(STT)和舒张期传输时间(DTT)。(右) 将处理后的信号的血压估计值与A线测量值进行比较,以评估收缩压(红线)和舒张压(蓝线)的误差。

2 论文十问

Q1: 论文试图解决什么问题?

A1: 这篇论文旨在解决连续非侵入式血压监测的准确性问题。

Q2: 这是否是一个新的问题?

A2: 这不是一个新问题,但是长期以来一直存在,并且一直是数字医学中的一个挑战。

Q3: 这篇文章要验证一个什么科学假设?

A3: 本文旨在验证使用DTT作为内拍生物标志物是否能够实现高度准确的血压估计。

Q4: 有哪些相关研究?如何归类?谁是这一课题在领域内值得关注的研究员?

A4: 有许多相关研究,包括使用多个传感器进行血压监测、使用机器学习技术进行信号处理等。这些研究可以归类为数字医学和生物医学工程领域。本文作者之一Michelle Khine是该领域值得关注的研究员之一。

Q5: 论文中提到的解决方案之关键是什么?

A5: 本文提出了使用DTT作为内拍生物标志物来实现高度准确的血压估计。这是解决连续非侵入式血压监测准确性问题的关键。

Q6: 论文中的实验是如何设计的?

A6: 本文中的实验设计包括对人体进行实验,使用传感器收集血压数据,并使用DTT作为内拍生物标志物进行信号处理。实验结果表明,该方法可以实现高度准确的血压估计。

Q7用于定量评估的数据集是什么?代码有没有开源? 

A7: 用于定量评估的数据集是来自20名健康成年人的数据。代码没有开源。

Q8: 论文中的实验及结果有没有很好地支持需要验证的科学假设?

A8: 本文中的实验及结果支持了使用DTT作为内拍生物标志物来实现高度准确的血压估计。

Q9: 这篇论文到底有什么贡献?

A9: 这篇论文提出了一种新的方法,使用一种名为舒张期传输时间(DTT)的新型内拍生物标志物来实现高度准确的血压估计。这为解决连续非侵入式血压监测准确性问题提供了一个新思路。

Q10: 下一步呢?有什么工作可以继续深入?

A10: 下一步,可以进一步扩大样本量,测试该方法在更广泛人群中的适用性。此外,可以探索将该方法与其他技术结合使用以进一步提高血压监测精度。

3 实验结果

使用CAP传感器评估住院血压监测的准确性和精确度。(a) Pearson相关性和(b) Bland-Altman分析比较了非侵入性CAP传感器和侵入性A线之间的逐搏(左)收缩压(SBP)、(中)舒张压(DBP)和(右)平均动脉压(MAP)测量值。(a) CAP传感器测量值(n = 11002)与A线具有很强的线性相关性,分别对于SBP、DBP和MAP的Pearson系数为0.987、0.960和0.980。(b) CAP传感器测量值(n = 11002)分别对SBP、DBP和MAP的平均偏差为0.05(3.07)、-0.21(2.47)和-0.12(2.35)毫米汞柱。浅色和深色阴影区域分别表示68%(1个标准差)和95%(1.96个标准差)的一致性限制。

使用PPG传感器评估住院血压监测的准确性和精确度。(a) Pearson相关性和(b) Bland-Altman分析比较了非侵入性PPG传感器和侵入性A线之间的逐搏(左)收缩压(SBP)、(中)舒张压(DBP)和(右)平均动脉压(MAP)测量值。(a) PPG传感器测量值(n = 9628)与A线具有很强的线性相关性,分别对于SBP、DBP和MAP的Pearson系数为0.982、0.958和0.952。(b) PPG传感器测量值(n = 9628)分别对SBP、DBP和MAP的平均偏差为-0.14(3.20)、0.36(1.99)和0.19(2.09)毫米汞柱。浅色和深色阴影区域分别表示68%(1个标准差)和95%(1.96个标准差)的一致性限制。

血压变异性(BPV)与患者人口统计学的关联。手术室患者(n = 15)按年龄、高血压史(HTN)和血管疾病史(VD)进行分层。使用三个指标评估BPV:标准差(SD)、变异系数(COV)和平均实际变异性(ARV)。*表示p < 0.05;**表示p < 0.01。

步态血压监测的测量性能。在(a)180°手腕旋转、(b)90°手腕屈曲、(c)手收缩、(d)手腕撞击/冲击和(e)行走期间,CAP传感器(蓝线)和Caretaker(橙色箭头)血压测量与相应的归一化加速度计信号(绿线)。(a-d) 绿色阴影区域表示运动时期。向上和向下的箭头分别表示Caretaker的收缩压和舒张压。

4 论文亮点与不足之处

本文的亮点在于提出了一种新的方法,使用DTT作为内拍生物标志物来实现高度准确的血压估计。这种方法具有创新性和实用性,可以解决连续非侵入式血压监测准确性问题。此外,本文的实验设计有效,结果准确可靠。不足之处在于样本量较小,需要进一步扩大样本量以测试该方法在更广泛人群中的适用性。

5 与其他研究的比较

与其他相关研究相比,本文提出了一种新型内拍生物标志物DTT来实现高度准确的血压估计。相比于使用多个传感器进行血压监测或使用机器学习技术进行信号处理等方法,该方法更加简单易行且精度更高。因此,在数字医学和生物医学工程领域中具有重要地位和影响力。

6 实际应用与影响

该研究成果可以应用于连续非侵入式血压监测领域,并且可以帮助医疗工作者更好地监测患者的血压情况。此外,该方法还可以应用于其他生理参数的监测,具有广泛的应用前景。

7 个人思考与启示

本文的研究成果为我提供了一种新思路,即使用内拍生物标志物来实现高度准确的血压估计。同时,本文还提醒我们在进行科学研究时需要注意实验设计和数据处理等细节。

参考文献

Abiri, A., Chou, EF., Qian, C. et al. Intra-beat biomarker for accurate continuous non-invasive blood pressure monitoring. Sci Rep 12, 16772 (2022). https://doi.org/10.1038/s41598-022-19096-6


http://www.kler.cn/a/16909.html

相关文章:

  • HP G10服务器ESXI6.7告警提示ramdisk tmp已满
  • npm list @types/node 命令用于列出当前项目中 @types/node 包及其依赖关系
  • 数据挖掘(九)
  • MySQL技巧之跨服务器数据查询:进阶篇-从A数据库复制到B数据库的表中
  • 前端--> nginx-->gateway产生的跨域问题分析
  • leetcode hot100【LeetCode 114.二叉树展开为链表】java实现
  • 3分钟快速了解mysql数据导入到es
  • 【OMNET++】V2X仿真
  • 【Mac教学】如何打开macOS 的最大权限
  • 密码学【java语言】初探究
  • python面向对象三大特性详解 - 封装 继承 多态
  • 第四十八章 管理镜像 - 将备份降级为 DR 异步
  • Three.js--》模型材质与纹理的使用
  • 如何编写高质量代码
  • CentOS7 安装MySQL8
  • 第16章 指令级并行与超标量处理器
  • java获取文件名后缀方法
  • 分布式光伏发电大规模应用,运维难题如何解?
  • 网络应用基础 ——(2023新星计划文章一)
  • 跟我学c++高级篇——反射
  • Html5版音乐游戏制作及分享(H5音乐游戏)
  • Python——正则表达式re讲解
  • pandas使用教程:apply函数、聚合函数agg和transform
  • 【WAF】雷池waf升级体验
  • IT行业里的热门技术和项目分享
  • RabbitMQ死信队列延迟交换机