針對肝移植術前清洗器官的灌注環節所引發的血管內流體動力學行為進行研究, 為術前清洗的相關操作提供理論指導。構建了帶有異物的一級直血管、彎曲血管實體模型和血管內液體湍流的控制方程。實驗測定醫用灌注液的物理參數, 提出了估算灌注技術參數的方法, 實現了不同條件下的灌注仿真。基于構建的流體控制方程和血管模型進行計算, 其初步結果符合醫療現場實際操作值, 結果較為清晰地顯示了灌注過程中(尤其是管內異物周圍)的流體動力學行為, 如回流滯留現象等。同時, 結果也顯示了血管內各處流速場大小和管壁面壓強值分布。隨著入口初始灌注速度的增加, 兩種類型的血管模型內的壓強值和流速場均增大, 在異物處產生壁透壓和回流滯留區, 同時由于彎曲血管形狀的影響, 其內部流體動力學行為比直血管更加復雜。
目前基于深度學習的多模態學習發展迅速，在圖文轉換、圖文生成等人工智能生成內容領域得到廣泛應用。電子病歷是醫務人員在醫療活動過程中使用信息系統生成的數字、圖表和文本等數字化信息。基于深度學習的電子病歷多模態融合能輔助醫護人員綜合分析診療過程中產生的醫學多模態數據，從而對患者進行精準診斷和及時干預。本文首先介紹了基于深度學習的多模態數據融合方法以及發展趨勢；其次，對結構化電子病歷數據與影像、文本等其他模態醫學數據的融合進行了對比歸納，重點介紹了研究涉及的臨床應用場景、樣本量、融合方法等；通過分析，總結了針對不同模態醫學數據融合的深度學習方法：一是根據數據模態選擇合適的預訓練模型進行特征表征后融合，二是基于注意力機制進行融合；最后，討論了醫學多模態融合中的難點及發展方向，包括建模方法、模型評估應用等。通過本文綜述，期望為建立能綜合利用各類模態醫學數據的算法模型提供參考信息。
目的 觀察中心視網膜厚度對非增生型糖尿病視網膜病變(NPDR)眼底血管充盈狀態的影響。方法 眼科及內分泌科住院治療的無眼底病變的糖尿病患者及NPDR患者248例248只右眼納入研究。所有患者均行光相干斷層掃描（OCT）、熒光素眼底血管造影（FFA）、眼部彩色多普勒血液成像（CDFI）檢查。排除中心視網膜有明顯水腫、出血、滲出的其它眼底病變者。OCT測量距黃斑中心注視點1、1~3、3~6 mm處中心視網膜厚度，將患者按中心視網膜厚度分入視網膜厚度正常、變薄、增厚組。確定中心視網膜厚度正常范圍為216.4~304.9 μm。中心視網膜厚度介于216.4~304.9 μm者納入視網膜厚度正常組，＜216.4 μm者納入視網膜厚度變薄組，＞304.9 μm者納入視網膜厚度增厚組。FFA檢查時，觀察并記錄臂-視網膜循環時間、視網膜動脈期-靜脈期（A-V）熒光充盈時間。CDFI檢查時，檢測各組患者眼動脈（OA）、視網膜中央動脈（CRA）及睫狀后短動脈（PCA）的收縮峰值速度（PSV）、搏動指數（PI）及阻力指數（RI）。對比觀察不同視網膜厚度組眼底血管充盈狀態及眼部血流動力學指標異同。結果 視網膜厚度正常、變薄、增厚組患者的臂-視網膜循環時間分別為（10.42±0.51）、（10.36±0.64）、（12.94±0.46） s；視網膜A-V熒光充盈時間分別為（9.15±1.36）、（6.36±1.15）、（13.56±2.04） s。視網膜厚度增厚組與視網膜厚度正常組間（t=1.93， P=0.04）、視網膜厚度增厚組與視網膜厚度變薄組間（t=4.49，P=0.00）臂-視網膜循環時間比較，差異有統計學意義；視網膜厚度變薄組與視網膜厚度正常組間（t=2.13，P=0.03）、視網膜厚度增厚組與視網膜厚度正常組間（t=2.49，P=0.02）、視網膜厚度增厚組與視網膜厚度變薄組間（t=5.38，P=0.00）視網膜A-V熒光充盈時間比較，差異有統計學意義。視網膜厚度增厚組與視網膜厚度變薄組間OA、CRA、PCA的PSV（t=3.290、－5.520、－4.900）、PI（t=－4.310、－5.230、－4.390）、RI（t=4.970、6.160、5.990）比較，差異均有統計學意義（P＜0.05）。結論 中心視網膜厚度對無眼底病變的糖尿病患者及NPDR患者眼底血管充盈狀態有明顯影響。
可穿戴技術是一種低生理、心理負荷的監測技術，具有長時間連續監測的優點，代表了未來監護技術的一個發展方向。本文以穿戴式生理參數監測技術為基礎，結合物聯網和人工智能等技術，研發了基于物聯網可穿戴技術的智能監護系統，包括可穿戴硬件、病區物聯網平臺、連續生理數據分析算法與軟件三大部分。基于該系統，經過大量臨床實踐探索了連續生理數據的臨床應用價值，給出了實時監護、病情評估、預測預警和康復訓練四大價值方向；依托真實臨床應用環境，探索了可穿戴技術在普通病房監護、心肺康復、院內-院外一體化監測等領域的應用模式。研究結果表明，本監護系統能夠有效用于院內患者監護、心肺功能評估與訓練以及院外患者管理。
重癥監護病房（ICU）醫療設備密集，設備種類繁多，醫療設備數據采集的準確性和時效性要求高，因此ICU醫療設備物聯對于提高醫療和護理質量、發展數字化和智能化ICU具有重要意義。本文圍繞ICU醫療設備物聯網開展系統性研究，提出了創新性的解決方案，包括整體架構設計、設備物聯與數據采集方法、數據標準化方法、平臺建設及應用實現等。整體架構按照感知層-網絡層-平臺層-應用層設計，提出了3種設備物聯與數據采集模式，提出了基于患者監護設備醫療健康信息集成規范（IHE-PCD）的數據標準化方法。本研究在解放軍總醫院進行了實踐驗證，共實現4個ICU病區122臺設備物聯，接入存儲數據217.6億條，數據量12.5 TB，解決了在ICU難以系統性進行醫療設備數據采集和數據整合的問題，取得的顯著效果證明了本研究的可行性與可靠性。本文的研究成果為醫院ICU物聯網建設提供了解決方案參考，為醫療大數據分析研究提供了更加豐富的數據支撐，可以支撐改善ICU醫療服務，推進ICU向數字化、智能化發展。
物聯網技術作為實現業務數字化和智能化的關鍵基礎支撐技術，在智慧醫療中發揮著重要作用。本文探討了醫院內急救醫療設備物聯網解決方案，提出基于“云-邊-端”架構的急救設備物聯網設計方案：端側實現設備物聯，邊中進行流數據封裝、解析、分發以及計算，云上存儲數據并開展數據挖掘可視化等。該系統自從2021年1月在急診科上線運行以來，已穩定工作近20個月。項目組對近20個月的運行情況作了分析，包括數據采集情況分析、物聯網性能測試以及預測預警模型開發等，實施效果驗證了基于該技術方案的急救設備物聯網系統的可行性和可靠性，能長時間、持續采集急救設備數據并支持機器學習、人工智能算法模型的開發和部署。本文最后對急救設備物聯網中醫療設備數據交換、無線傳輸、院內外急救設備物聯以及下一步開展急救設備物聯網數據分析應用進行了展望。