Artykuł omawia problem migotania przedsionków (AF), najczęstszej arytmi serca, która dotyka 2% populacji Europy i zwiększa się z wiekiem, wywołując znaczne obciążenia dla gospodarki i zdrowia publicznego. Wskazuje na niedostateczne wyniki funkcjonalnego odzysku po udarze spowodowanym przez AF, co prowadzi do przedłużających się pobytów w szpitalach, ciężkiej niepełnosprawności i wysokiej śmiertelności. Podkreśla ograniczenia obecnych narzędzi oceny ryzyka oraz potrzebę innowacyjnych podejść takich jak sztuczna inteligencja (AI) i uczenie maszynowe (ML), do polepszenia predykcji ryzyka, personalizacji leczenia i wyników rehabilitacji. Artikel zaleca dalsze badania w celu optymalizacji opieki nad pacjentami.

Artykuł przedstawia innowacyjną strategię sterowania do śledzenia trajektorii przez roboty egzoszkieletowe dla kończyn górnych na wózkach inwalidzkich, łączącą sterowanie trybem poślizgowym z funkcją bariery i metodą przewidzianej wydajności, by radzić sobie z awariami siłowników i zewnętrznymi zakłóceniami. W artykule najpierw rozszerzono model dynamiczny robota, a projekt sterowania podzielono na dwie fazy: w pierwszej zastosowano technikę sterowania trybem poślizgowym do zapewnienia robustnego śledzenia trajektorii, w drugiej wprowadzono zaawansowaną technikę funkcji bariery do łagodzenia wpływu awarii i zakłóceń. Stabilność i dokładność śledzenia potwierdzono teorią Lyapunova, a skuteczność metody zademonstrowano za pomocą symulacji oraz eksperymentów sprzętowych, co podkreśla jej praktyczną aplikowalność.

Artykuł przedstawia nową metodę bezpiecznego usuwania metadanych z pamięci DNA za pomocą technologii CRISPR-Cas12a, nazywaną RSDISC. Metoda ta opiera się na kontrolowaniu energii termodynamicznej hybrydyzacji startera z matrycą DNA, umożliwiając wybiórcze i efektywne (do 99.9% dla 28258 oligonukleotydów) usuwanie danych bez naruszenia innych plików. Technika ta ma potencjał, aby obsłużyć do 1012 plików kasowalnych, co stawia ją jako obiecującą technologię w kwestii szyfrowania informacji, klasyfikacji plików, dezalokacji pamięci oraz precyzyjnego odczytu danych w przyszłości.

Artykuł przeglądowy omawia wykorzystanie technik uczenia maszynowego w połączeniu z białkiem p53 w celu przewidywania i analizy aktywności nowotworowej. Białko p53, znane jako supresor tumora, odgrywa kluczową rolę w regulacji wzrostu komórek, naprawie DNA i apoptozie, co zapobiega tworzeniu się nowotworów. Wykorzystanie uczenia maszynowego wspomaganego białkiem p53 może przyczynić się do wczesnego wykrywania raka, co jest nadzieją na nowe perspektywy badawcze. W ramach recenzji przeprowadzono analizę różnorodnych technik uczenia maszynowego, typów danych oraz oceniono ich skuteczność w kontekście onkologicznym.

Badanie to ocenia stosunek między trzecim trzonowcem żuchwy a kanałem żuchwy za pomocą CBCT i techniki uczenia głębokiego, a także automatycznie segmentuje zatrzymane trzecie trzonowce żuchwy, kanał żuchwy, otwór brodowy i żuchwowy. W badaniu retrospektywnym analizowano dane CBCT od 300 pacjentów, stosując architekturę nnU-NetV2 do opracowania optymalnego modelu głębokiego uczenia. Model wykazał wysoką dokładność i skuteczność w identyfikowaniu struktur anatomicznych i przewidywaniu komplikacji chirurgicznych, oferując wartościowe wsparcie w diagnostyce i planowaniu chirurgicznym.

W artykule omówiono wykorzystanie sieci neuronowych do optymalizacji lipidów jonizowalnych, które są kluczowymi składnikami nanopartycułek lipidowych wykorzystywanych do nie wirusowego przekazywania mRNA. Autorzy stworzyli bazę danych z ponad 9000 pomiarów aktywności nanopartycułek lipidowych, którą wykorzystali do trenowania sieci neuronowej w celu przewidywania efektywności dostarczania kwasów nukleinowych. Otrzymali przewidywania dotyczące dostarczania RNA in vitro i in vivo oraz zidentyfikowali dwie struktury lipidów, FO-32 i FO-35, które skutecznie dostarczyły mRNA do mięśni myszy oraz śluzówki nosowej. FO-32 okazała się równie skuteczna jak najlepsze dotychczasowe metody dostarczania mRNA do płuc myszy, a obie struktury skutecznie dostarczały mRNA do płuc fretek. Praca ta pokazuje,…

W badaniu przeprowadzonym przez Hydrocephalus Clinical Research Network (HCRN) porównano wydajność predykcyjną oryginalnego modelu ETV Success Score (ETVSS) z nowymi modelami uczenia maszynowego oraz oceniono wpływ włączenia zmiennych obrazowych na poprawę predykcji. Wyniki wykazały, że modele uczenia maszynowego nie przewyższyły modelu regresji logistycznej, zarówno przed jak i po dodaniu zmiennych obrazowych, sugerując skuteczność klasycznych metod w tej przestrzeni klinicznej.

Artykuł omawia badanie nad potencjałem mikroRNA (miRNA) jako biomarkerów diagnostycznych dla wczesnego wykrywania zawału mięśnia sercowego (MI). Badanie wykorzystywało metody bioinformatyczne oraz uczenie maszynowe do identyfikacji panelu biomarkerów miRNA i stworzenia modeli diagnostycznych. Dysregulacja 99 miRNA została zidentyfikowana, a model złożony (hard voting ensemble) osiągnął dokładność 0.86 i AUC 0.83 w niezależnym zestawie testowym, co wskazuje na obiecujące możliwości wykorzystania miRNA jako biomarkerów w wczesnej diagnostyce MI.

Artykuł omawia rosnącą rolę sztucznej inteligencji (AI) w medycznym obrazowaniu, podkreślając wyzwania związane z jej wdrażaniem w codziennych praktykach klinicznych. AI poprawia efektywność generowania, przetwarzania i interpretacji obrazów medycznych, jednakże małe jest zastosowanie tych technologii w rutynowej praktyce klinicznej, co pokazuje luki pomiędzy badaniami nad AI a ich stosowaniem w medycynie. Artykuł przedstawia omówienie aktualnego stanu workflow w radiologii i identyfikuje przeszkody w implementacji AI w szpitalach. Dyskusje eksperckie i wieloletnie doświadczenia profesjonalistów wspierają opracowanie oraz zintegrowanie AI, które wspomagać ma konsorcjum MONAI, dostarczające narzędzia open-source do reproducyjnego uczenia głębokiego w praktyce radiologicznej.

Artykuł przedstawia badanie porównujące zdolności dwóch dużych modeli językowych (LLM) – GPT-4 i Gemini – do analizy szeregów raportów radiologicznych w kontekście wykrywania problemów onkologicznych wymagających dalszej uwagi klinicznej. W badaniu wzięło udział 205 pacjentów, każdy z dwoma kolejnymi raportami radiologicznymi. Skuteczność modeli oceniano na podstawie zgodności wykrywanych wyników i kategoryzacji obrazów nowotworowych. GPT-4 wykazał wyższą skuteczność w porównaniu do Gemini, uzyskując lepsze wyniki w dopasowywaniu odpowiednich wyników pomiędzy raportami oraz identyfikacji i precyzyjnym określeniu statusu nowotworów.