简介:[目的]掌握脑卒中发病规律和流行病学的特点,降低脑卒中的发病率和病死率。[方法]对收治的1323例高血压性脑卒中病人的发病类型、发病趋势、性别、年龄、发病季节、发病时间、就诊时血压情况及对病人高血压知晓率、服药率、病死率进行分析研究。[结果]脑卒中发病率呈逐年递增趋势,出血性脑卒中高于缺血性脑卒中,男性高于女性(1.33:1),高发季节为冬春季,高发时间段为06:00~10:00。白天高于晚上。就诊时血压升高病人占84.88%,3级高血压占40.74%。病人高血压知晓率为49.58%,服药率为40.21%,病死率为24.79%。[结论]高血压病人应建立健康的生活方式,避免不良因素刺激,积极预防脑卒中的发生。
简介:摘要目的分析淄博市张店区人群脑卒中发病类型的分布特征,为脑卒中的防治提供理论依据。方法选择淄博市张店区多中心卒中登记研究项目自2012年1月至2014年5月登记的符合标准的首次发病的6873例脑卒中患者为研究对象,将入组患者按年龄分段,对各年龄段组发病率,各年龄段脑卒中TOAST分型分布特征进行研究分析。结果6873例患者中出血性脑卒中1132例(16.5%),缺血性脑卒中5192例(75.5%),未分类脑卒中549例(8.0%)。(1)缺血性脑卒中发病率最高,且以脑栓塞和腔隙性脑梗死的发病率较其他分型明显高。(2)出血性卒中和缺血性卒中发病率均增加,且55~85岁为脑卒中的高峰年龄段。结论脑卒中发病的高峰年龄段为55~85岁,且尤为重视缺血性脑卒中的发生。
简介:摘要目的观察缺血性脑卒中患者发病前感染事件,并观察感染与缺血性脑卒中TOAST分型中各个亚型的关系。方法将我院320例缺血性脑卒中患者按照TOAST标准进行病因分型,调查患者发病前1月内是否有感染,同时观察其与高血压、吸烟、高脂血症、糖尿病、同型半胱氨酸、脂蛋白等的关系;另外观测患者血沉、hsCRP、IL-6、IL-1β和TNFα等指标试图分析感染与脑卒中的内在机制。结果结果显示感染、高血压、糖尿病、高血脂、同型半胱氨酸、hsCRP、IL-6、IL-1β和TNFα与AIS显著相关。多因素Logistic逐步回归分析结果显示感染、高血压、糖尿病、高血脂、同型半胱氨酸为AIS的危险因素。结论缺血性脑卒中危险因素多样,近期感染可能是诱发缺血性脑卒中的危险因素之一。
简介:摘要目的探讨脑卒中发病率与气候变化的关系。方法对3658例脑卒中患者用回顾性方法进行分析。主要观察脑卒中患者发病情况与气候的关系。结果脑卒中发病率冬季29.5%、秋季27.6%、春季22.8%、夏季20.1%。昆明地区温差较大的秋季和寒冷的冬季脑卒中患病率明显高于春、夏季。按年龄组分析脑卒中发病率大于65岁组高达56.3%,51~65岁组31.7%,41~50岁组10.2%,小于40岁组1.8%。结论脑卒中发病率随着气候的变化而变化,与血压的变化及血管舒缩功能的变化有关,因此寒冷季节发病率最高。春城昆明四季气温变化没有北方地区明显,但秋季早晚与白天日照时段温差较大,故秋季脑卒中发病率明显高于春、夏季,冬季发病率最高,而且随着年龄的增加,脑卒中的发病率明显升高。
简介:摘要:在中国,脑卒中是居民第一位死亡原因,也是成年人残疾的首位病因。据《中国卒中中心报告2020》显示,2020年我国40岁及以上人群中患脑卒中人数约为1780万,给家庭和社会带来沉重负担。随着社会经济和疾病组成的改变,脑卒中已成为我国首要的致残、致死病因。目前建立数学模型研究脑卒中发病因素,对疾病的风险评估具有重要意义。
简介:摘要目的探讨胰岛素抵抗与脑卒中发病因素、机制之间的关系。方法选取40例脑梗死,40例脑出血病人。分别检测血压、血脂、空腹血糖(FPG)、空腹胰岛素(FINS)等各项指标,30例健康人作为对照组。结果脑梗死、脑出血组与正常对照组比较FPG、FINS明显增高,而胰岛素敏感指数(ISI)明显降低;收缩压(SBP)、舒张压(DBP)、总胆固醇(TC)、甘油三脂(TG)、低密度脂蛋白(LDL)、载脂蛋白B(apoB)也升高;相反,高密度脂蛋白(HDL)、载脂蛋白A(apoA)、apoA/apoB降低。脑梗死与脑出血两组之间比较,脑出血组的DBP明显高于脑梗死组,其余指标均无统计学差别。结论胰岛素抵抗是脑卒中的独立危险因素,但与脑卒中类型无关。
简介:摘要目的探讨基于DWI和液体衰减反转恢复序列(FLAIR)的深度学习技术构建预测急性卒中发病时间模型的效果。方法回顾性分析于2017年1月至2020年5月在南京市第一医院就诊且发病时间明确的急性卒中患者324例。采用7∶3比例按照完全随机法将患者分为训练集226例,测试集98例;再根据发病时间将患者分为≤4.5 h和>4.5 h两组。由医师对DWI图像上急性梗死区及FLAIR相应的高信号区进行轮廓勾勒标注。利用InceptionV3模型作为图像特征提取的基本模型,构建并验证基于单序列(DWI、FLAIR)和多序列(DWI+FLAIR)的深度学习预测模型。比较人工识别、单序列模型及多序列模型预测急性卒中发病时间的ROC曲线下面积(AUC)、准确度等性能。结果发病时间≤4.5 h患者中94例(94/207)存在DWI-FLAIR不匹配,发病时间>4.5 h患者中28例(28/117)存在DWI-FLAIR不匹配。ROC分析显示人工识别DWI-FLAIR不匹配预测急性卒中发病时间的AUC为0.607,准确度为60.2%。基于单序列的深度学习预测模型显示FLAIR序列预测急性卒中发病时间的AUC为0.761,准确度为71.4%;DWI序列预测急性卒中发病时间的AUC为0.836,准确度为81.6%;基于多序列(DWI+FLAIR)深度学习模型预测急性卒中发病时间的AUC为0.852,明显优于人工识别(Z=0.617,P=0.002)、基于FLAIR序列深度学习模型(Z=2.133,P=0.006)和基于DWI序列深度学习模型(Z=1.846,P=0.012)。结论基于DWI和FLAIR的深度学习模型预测急性卒中发病时间明显优于人工识别,可为未知发病时间的卒中患者提供静脉溶栓治疗指导。