4 篇关联报道
该研究采用三轮改良德尔菲法，由45名糖尿病、肥胖和/或进食障碍领域的临床医生与研究者以及有亲身经历者组成的小组，就GLP-1受体激动剂在进食障碍情境下的使用达成平均91.7%的共识，提出用药前筛查、按风险分层监测、标准化教育材料、合并循证心理治疗等临床建议，并明确在活动性进食障碍（尤其厌食症、非典型厌食症及伴明显饮食限制和/或显著体重抑制的贪食症）中一般应避免使用GLP-1受体激动剂，同时列出流行病学、监管与暴食障碍临床试验的研究优先事项。
该工作提出CalcSeg，一个置信度感知的潜在3D上下文课程学习框架，用Dice、瘢痕负荷百分比误差与蒙特卡洛Dropout估计的认知不确定性自动为每个样本打分，按阶段从易到难扩展训练集，并用切片级自注意力从单栈2D LGE-CMR推断受试者级3D解剖上下文；在来自四个中心与两个分割挑战（MICCAI 2012 LV Infarct、EMIDEC 2020）共976例患者的LGE-CMR数据上，其心肌瘢痕Dice达0.677±0.24、低置信样本Dice达0.644±0.22、瘢痕误差38.88%、低置信样本瘢痕误差35.03%，优于TransUNet、AttentionUNet、UNETR、ScarN
该研究通过名义群体技术（2025年5月，n=6）与两轮改良德尔菲法（2026年4月至5月，专家组n=13，来自12家学术医学中心，第一轮应答率77%、第二轮100%）构建了美国首个专科特异性的急诊医学AI能力框架，最终形成5个主题（沟通AI、理解适用场景、与AI互动、AI风险管理、AI的认知影响）、5项派生能力（主题与能力一对一映射获13人中12人认可）、19个子主题和10个保留临床场景，所有主题、派生能力及被单独评分的子主题均达到预设共识阈值，10个场景中9个达到共识、1个作为未来态运行模型保留。
该系统综述与荟萃分析汇总了5项研究、共577例确诊三叉神经痛患者，评估深度学习与机器学习模型在MRI上自动分割三叉神经并检测神经血管冲突的诊断表现，合并敏感度为71%（95% CI: 65-76%）、特异度为92%（95% CI: 88-94%）、AUC为0.91（95% CI: 0.88-0.93），提示AI模型在该任务上具有较高的诊断准确性。
已读完全部报道