Predicción de riesgo de insuficiencia cardíaca con IA explicable en ECG de 24h
Predicción de insuficiencia cardíaca con IA explicable en ECG de 24h: el modelo DeepHHF detecta arritmias y reduce hospitalizaciones.
#cardíaca
Nariz de IA detecta enfermedades con modelo de lenguaje olfativo
Descubre cómo una nariz de IA con modelo de lenguaje olfativo analiza el aliento para detectar EPOC o insuficiencia cardíaca. Diagnóstico no invasivo y preciso.
Correlación de Fase Neuronal: Nuevo Enfoque de Registro de Imágenes
Descubre Neural Phase Correlation: un nuevo método que aprende transformaciones entre imágenes mediante correlación de fase generalizada, para registro médico
P-K-GCN: Red de grafos con física y Koopman para superresolución espaciotemporal
P-K-GCN combina redes de grafos, Koopman y física para superresolución espacio-temporal en geometrías irregulares. Mejora simulaciones cardíacas.
Descubrimiento agéntico de estructuras híbridas para gemelos digitales cardíacos
Descubre LEADS, un marco que usa un agente LLM para diseñar gemelos digitales cardíacos híbridos, superando métodos tradicionales. Más preciso y estable.
Fusión espacio-temporal para clasificar vistas ecocardiográficas
Aprende sobre el modelo STFM que fusiona espacio y tiempo para clasificar vistas ecocardiográficas con alta precisión, usando el dataset EV9V.
BCG-FM: modelo fundamental para monitorización cardíaca ambiental
Descubre BCG-FM, el primer modelo de IA que analiza tu salud cardíaca mientras duermes, sin dispositivos. Precisión revolucionaria con datos de más de 145,000
HAPI-EP: Gemelos Digitales Híbridos, Adaptativos y Predictivos
HAPI-EP: marco de IA para gemelos digitales cardíacos híbridos, adaptativos y predictivos. Se adapta en tiempo real a datos del paciente.
HAPI-EP: Gemelos digitales híbridos, adaptativos y predictivos
HAPI-EP: marco de IA para gemelos digitales cardíacos híbridos y adaptativos que predicen y se adaptan a datos en vivo, mejorando la medicina personalizada.
Generación de video cardíaco consistente y controlable mediante modelado de movimiento latente
Un nuevo método de IA genera videos cardíacos realistas y controlables, superando la escasez de datos médicos. FID de 31.68 y CLIP score de 31.04.
Predicción de resultados de exámenes con señales fisiológicas y ML
Descubre cómo las señales fisiológicas como el ritmo cardíaco y la temperatura cutánea predicen el éxito en exámenes usando machine learning. ¡Lee más!
¿Eres tú o tu entorno? Inferencia bayesiana con anclaje genómico
Un marco de inferencia bayesiana usa tu genoma como ancla para separar tu fisiología constitucional del entorno, solucionando el arranque en frío en IA de salud.
Deep learning como sustituto escalable de modelos físicos en electrocardiología
Descubre cómo un modelo de deep learning predice ECG con alta precisión, superando simulaciones físicas en velocidad y escalabilidad para aplicaciones clínicas.
Estimación de ritmo cardíaco robusta a la iluminación para robots
Descubre cómo un novedoso sistema basado en transformers estima la frecuencia cardíaca en robots con precisión récord, incluso con iluminación cambiante.
Eficacia del clustering profundo en conjunto en historias clínicas
Investigamos la eficacia del clustering profundo ensemble en historias clínicas electrónicas para identificar subgrupos de pacientes con insuficiencia cardíaca.
¿Qué anatomía importa con etiquetas limitadas? Benchmark cardíaco
¿Qué anatomía importa con pocas etiquetas? Descubre cómo la representación anatómica supera a la complejidad del modelo. Benchmark ACDC.
CoMetaPNS: Meta-aprendizaje continuo para simulaciones cardíacas personalizadas
Descubre CoMetaPNS, el nuevo marco de meta-aprendizaje continuo que evita el olvido catastrófico en simulaciones cardíacas personalizadas.
CoMetaPNS: Aprendizaje continuo meta para simulaciones cardíacas personalizadas
Descubre CoMetaPNS, un nuevo marco de meta-aprendizaje continuo que permite simulaciones cardíacas personalizadas sin olvido catastrófico. Ideal para entornos clínicos.