Resumen

Con el fin de analizar las características clínicas de los pacientes con fractura escapular, se adoptó un modelo de aprendizaje profundo en imágenes ecográficas de pacientes para localizar el punto de anestesia de los pacientes durante la cirugía de fractura escapular tratada con el bloqueo nervioso regional. Se reclutaron 100 pacientes con fractura escapular que fueron hospitalizados de urgencia en el hospital. Los pacientes del grupo del algoritmo utilizaron la punción del bloqueo nervioso regional guiada por ecografía, y los pacientes del grupo de control utilizaron la anatomía tradicional de la superficie corporal para el posicionamiento de la anestesia. Las imágenes ecográficas de la escápula del grupo de contraste se utilizaron para la identificación del modelo de aprendizaje profundo y el análisis de los sitios de acupuntura de la anestesia. Se extrajeron las imágenes ecográficas de la anatomía de la escápula de los pacientes del grupo de contraste y se empleó el modelo de red neuronal convolucional para el entrenamiento y la prueba. Además, se evaluó el rendimiento del modelo. Se comprobó que la adopción del aprendizaje profundo mejoraba en gran medida la precisión de la imagen. Se tardó una media de 7,5 ± 2,07 minutos desde el momento en que la aguja de punción tocó la piel hasta la finalización de la inyección en el grupo del algoritmo (tratado con posicionamiento ecográfico de inteligencia artificial). El tiempo de intervención del grupo de control (posicionamiento anatómico) fue de 10,2 ± 2,62 minutos de media. Además, hubo una diferencia significativa entre los dos grupos (p<0,05). El método adoptado en el grupo de contraste tenía una alta precisión de posicionamiento y un buen efecto anestésico, y los pacientes habían reducido las complicaciones postoperatorias de los pacientes (todos P<0,005). El modelo de aprendizaje profundo puede mejorar eficazmente la precisión de las imágenes de ultrasonido y medir y ayudar al tratamiento de futuros casos clínicos de fracturas escapulares. Al tiempo que mejora la eficiencia médica, también puede identificar con precisión las fracturas de los pacientes, lo que tiene un gran potencial de adopción para mejorar el efecto de la anestesia quirúrgica.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:pacientes, modelo de aprendizaje profundo, imágenes de ultrasonido, grupo de contraste, grupo de algoritmo, grupo de control, fractura escapular, posicionamiento de ultrasonido de inteligencia artificial, modelo de red neuronal convolucional, punción de bloqueo nervioso regional.
• Keywords:patients, deep learning model, ultrasound images, contrast group, algorithm group, control group, scapular fracture, artificial intelligence ultrasound positioning, convolutional neural network model, regional nerve block puncture