目的  探讨人工智能辅助诊断技术在超声心动图诊断房间隔缺损（ASD）中的应用价值。方法  回顾性分析2020年6—9月首都医科大学附属北京安贞医院小儿心脏中心确诊的80例ASD患者的临床资料。另选取同期因心脏杂音行超声心动图检查并排除ASD的体检者39例。收集所有受试者的二维及彩色多普勒超声心动图静态图像，按60%和40%的比例划分为训练集和测试集，训练集分别在RESNET50（残差神经网络）、NSENET121（密集连接卷积网络）以及人工智能辅助诊断模型中进行训练。比较3种模型在测试集中对ASD的诊断准确率、假阴性率及假阳性率。结果  训练集由44例ASD患者与27例体检者组成，测试集由36例ASD患者与12例体检者组成。RESNET50、DENSENET121及人工智能辅助诊断模型对ASD的诊断准确率分别为83.3%（40/48）、85.4%（41/48）、97.9%（47/48），假阴性率分别为2.8%（1/48）、16.7%（8/48）、2.8%（1/48），假阳性率分别为58.3%（28/48）、13.9%（6/48）、0（0/48）。3个模型对ASD的诊断准确率、假阴性率、假阳性率比较差异均有统计学意义（χ2=6.05，P=0.04； χ2=10.53，P=0.01； χ2=29.67，P＜0.01）。结论  人工智能辅助诊断技术可提高超声心动图诊断ASD的准确率，有推广应用价值。

目的  探索握力水平与心力衰竭患者预后的相关性。方法  选取2015年6月至2017年6月于河北省唐山市中医医院就诊的心力衰竭患者560例，根据患者握力的三分位间距分为3组，组1：握力＜18.9 kg（184例），组2：18.9 kg≤握力＜23.5 kg（188例），组3：握力≥23.5 kg（188例）。中位随访时间3年，主要终点为全因死亡和心力衰竭再住院。采用Kaplan-Meier生存分析明确握力水平与终点事件的关系。采用多因素Cox回归方法分析握力与心力衰竭患者预后的相关性。使用亚组分析探究握力水平在不同心力衰竭类型人群中对心力衰竭再住院结局的影响。绘制局部加权回归（Lowess）曲线评估握力与心力衰竭再住院风险的关系。结果  560例心力衰竭患者随访3年，共28例（5.0%）全因死亡，113例（20.2%）心力衰竭再住院。3组患者全因死亡发生率比较，差异无统计学意义（P=0.074），心力衰竭再住院发生率比较［25.0%(46/184)、21.3%(40/188)、14.4%(27/188)］，差异有统计学意义（P=0.034）。生存分析结果表明，在随访过程中，随着握力的升高，患者心力衰竭再住院发生率明显降低（Log-rank P=0.034）。多因素Cox回归分析结果表明，在纳入更多混杂因素后，高握力水平患者心力衰竭再住院发生风险仍可显著降低（组3比组1，P=0.004）。针对不同类型心力衰竭的亚组分析结果显示，在射血分数降低型心力衰竭和射血分数保留型心力衰竭亚组中，高握力水平患者心力衰竭再住院发生风险显著降低（均P＜0.05）。不同心力衰竭类型和握力分组之间无显著交互作用（交互P=0.568）。Lowess曲线表明，握力作为连续变量，与心力衰竭再住院的发生风险呈负相关。结论  在心力衰竭患者中，高握力水平患者心力衰竭再住院的发生风险显著降低。