环球医讯

圣路易斯仁慈医院胃肠病学家法伊扎·巴蒂医生指出当前流行的肠道健康趋势存在严重误解，日常服用益生菌对多数人非必需且可能引发腹胀等不适，无麸质饮食仅适用于乳糜泻等三类患者而对99%人群无害，排毒茶实为泻药不能清除毒素，家庭食物敏感测试因检测IgG抗体缺乏医学依据常致误判，她强调盲目跟风健康潮流不仅浪费金钱还可能损害消化系统健康，建议民众在专业医生指导下根据个体症状选择方案而非依赖市场宣传。

本研究针对沙特阿拉伯既往急性心肌梗死（AMI）患者开展了二级预防调查（4S注册研究），通过多中心队列研究评估患者在AMI发生后6-24个月随访期间对指南推荐二级预防策略的依从性。研究发现，53.7%的患者血压控制不佳，约40%血糖未达标，67%低密度脂蛋白胆固醇（LDL-C）水平超标；77.7%的患者超重或肥胖，仅28.7%达到推荐的运动目标；三分之一患者未接受全部指南推荐药物治疗，15.7%仍在吸烟，仅25%被转诊至心脏康复项目。值得注意的是，没有任何一位患者同时满足所有指南推荐的二级预防目标，这一结果突显了沙特阿拉伯AMI患者二级预防存在的显著差距，为未来在全国范围内改进心血管疾病二级预防策略提供了重要依据。

本研究回顾性分析2011年1月至2021年12月日本松原德洲会医院503例急性心肌梗死急诊介入治疗患者数据，重点考察新冠紧急事态宣言前后就诊模式变化及其影响。结果显示ST段抬高型心肌梗死患者在宣言后入院前时间显著延长（181分钟 vs 156分钟），机械性并发症发生率上升（7.8% vs 2.6%）；多变量分析证实高龄、自行就诊和转诊是机械性并发症的独立危险因素，提示疫情导致的就诊延迟可能加剧心血管风险两极化现象，轻症患者因犹豫就诊而错过最佳干预时机，需加强公众教育与急诊医疗系统优化以应对大流行特殊时期的诊疗挑战。

本文深入分析欧盟医疗器械法规(EU MDR)与新近实施的人工智能法案(AI Act)对AI医疗设备的双重合规要求，阐述了AI医疗设备在欧盟市场的分类规则、符合性评估流程、技术文档要求及数据治理标准，重点探讨了AI特有挑战如算法可解释性、持续学习机制与数据偏见管理，并通过实际案例说明CE认证路径，为制造商提供应对双重监管框架的策略建议，指出尽管合规门槛提高，但已有数百款AI医疗设备成功获得CE认证，表明在严谨准备下实现合规是可行的，同时强调数据质量、算法透明度与上市后监管对确保患者安全与设备有效性的重要性。

人工智能诊断工具正迅速改变医疗诊断领域，但超过90%的AI模型未能投入实际临床应用。本报告详细分析了全球主要监管机构对AI诊断工具的临床证据要求，包括美国FDA的510(k)路径、欧盟MDR/IVDR法规及即将实施的AI法案等。报告指出，高质量的临床证据应包括代表性数据集上的回顾性验证、前瞻性研究以及真实世界表现评估，特别强调了前瞻性临床试验和针对预设终点的统计显著性对AI诊断工具审批的重要性，并通过IDx-DR、Viz.ai等案例说明了如何生成有效证据以满足监管要求。

本共识文件由意大利麻醉、复苏与重症监护学会(SIAARTI)牵头，联合多个医学学会共同制定，旨在规范脑实质内出血患者的早期管理。文件基于系统文献综述和改良德尔菲法，详细阐述了CT血管造影应用、血压控制目标、气管插管指征、抗凝逆转策略等关键问题，强调"时间就是大脑"原则，为临床医生提供基于循证医学的实用指导，以期在发病后第一个小时内采取有效干预，改善患者预后，降低死亡率和致残率，尤其针对初始在基层医院接受治疗的患者提供标准化管理方案。

本研究利用人工智能驱动的语义网络框架分析了阿尔茨海默病、肌萎缩侧索硬化症和额颞叶痴呆的多病共存架构，发现这三种神经退行性疾病共享一个以代谢失调和免疫炎症为核心的系统级病理机制，同时各自具有特定的易感性特征；研究通过SemNet 2.0知识图谱分析超过3500万篇PubMed摘要，构建了13类生物学过程分类体系，揭示了三种疾病间共同和特异的多病共存模式，包括代谢与免疫系统的主导作用、神经行为过程的耦合特征以及中间系统如胃肠、内分泌和感官通路的调节作用，为神经退行性疾病的跨疾病生物标志物发现、风险分层和治疗探索提供了计算假说生成基础。

本文全面综述了认知障碍的各个方面，详细阐述了认知功能的定义与神经解剖学基础，包括觉醒、处理速度、注意力、记忆、语言等核心认知域的神经机制；系统介绍了认知障碍的分类体系，涵盖谵妄、痴呆、遗忘障碍等多种类型；深入探讨了认知障碍的诊断评估方法与治疗策略，包括非药物干预、环境调整、认知康复及药物治疗等，为临床医生提供了认知障碍诊疗的系统性指导，对神经科、精神科及相关领域的医疗专业人员具有重要参考价值。

该研究对1298名英国参与者进行随机对照试验，评估大型语言模型作为公众医疗助手的可靠性。研究发现，尽管LLMs在医疗知识测试中表现优异（单独测试时疾病识别率达94.9%），但公众使用这些模型进行医疗决策时，疾病识别率降至34.5%以下，处置方案选择正确率低于44.2%，均不优于使用传统方法的对照组。研究表明用户与LLM的交互是主要挑战，标准医疗知识测试和模拟患者交互无法预测真实用户交互中的失败，强调在医疗领域部署前需进行系统的人类用户测试以确保安全性和可靠性，这对AI在医疗保健中的应用具有重要指导意义。

本研究对241名接受血管内治疗的大血管闭塞急性缺血性卒中患者进行了评估，比较了非增强CT ASPECTS评分和CT灌注核心体积在定义大面积梗死方面的准确性和一致性。研究发现，这两种常用CT成像方法仅表现出轻微的一致性（κ=0.192），且对最终梗死体积和90天功能预后的预测能力有限，AUC-ROC值在0.61-0.72之间。结果表明，当前临床实践中用于定义大面积梗死的CT成像标准存在显著差异，可能导致治疗决策的不一致性，未来可能需要更精确的影像学生物标志物或人工智能技术来改善卒中患者的个体化治疗，特别是nnU-Net等深度学习模型可能提供更客观的组织损伤评估。