Search Results - "ПАТОЛОГИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ"

1

Academic Journal

КЛОНАЛЬНЫЙ ГЕМОПОЭЗ С НЕОПРЕДЕЛЕННЫМ ПОТЕНЦИАЛОМ И РИСК РАЗВИТИЯ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА: CLONAL HEMATOPOIESIS WITH INDETERMINATE POTENTIAL AND RISK OF CORONARY HEART DISEASE

Source: Наука и здравоохранение. :161-170

Subject Terms: гемопоэтикалық жүйе, клональный гемопоэз с неопределенным потенциалом (КГНП), жаңа буынды секвенирлеу (NGS), жүректің ишемиялық ауруы, ишемическая болезнь сердца, clonal hematopoiesis of indeterminate potential (CHIP), белгісіз потенциалы бар клонды гемопоэздің (БПКГ), патология сердечно-сосудистой системы, 3. Good health, секвенирование нового поколения (NGS), pathology of the cardiovascular system, жүрек-тамыр жүйесінің патологиясы, атеросклероз, clonal hematopoiesis, клонды гемопоэз, клональный гемопоэз, hematopoietic system, coronary heart disease, atherosclerosis, 10. No inequality, next-generation sequencing (NGS)

2

Academic Journal

XORA MƏNŞƏLİ QASTRODUODENAL QANAXMALARIN KARDİOVASKULYAR PATOLOGİYA İLƏ AĞIRLAŞMIŞ HALLARINDA İMMUN SİSTEMİN VƏZİYYƏTİ NƏZƏRƏ ALINMAQLA APARILAN MÜALİCƏ TAKTİKASININ VƏ FİZİKİ TERAPİYANIN XÜSUSİYYƏTLƏRİ: FEATURES OF TREATMENT TACTIC AND PHYSICAL THERAPY, AND IMMUNE SYSTEM SPECIFICS IN ULCERATIVE GASTRODUODENAL BLEEDING COMPLICATED BY CARDIOVASCULAR PATHOLOGY

Source: Azerbaijan Medical Journal. :100-107

Subject Terms: mədə-bağırsaq qanaxmaları, pathology of cardio-vascular system, Forrest scale, ürək-damar sistemi patologiyası, Forrest təsnifatı, классификация Forrest, патология сердечно-сосудистой системы, gastrointestinal hemorrhage, 3. Good health, желудочно-кишечные кровотечения

3

Academic Journal

Artificial neural networks in cardiology: analysis of graphic data ; Искусственные нейронные сети в кардиологии: анализ графических данных

Authors: P. Onishchenko S., K. Klyshnikov Yu., E. Ovcharenko A., П. Онищенко С., К. Клышников Ю., Е. Овчаренко А.

Contributors: Работа выполнена при поддержке комплексной программы фундаментальных научных исследований СО РАН в рамках фундаментальной темы НИИ КПССЗ № 0419- 2021-001 «Разработка новых фармакологических подходов к экспериментальной терапии атеросклероза и комплексных цифровых решений на основе искусственного интеллекта для автоматизированной диагностики патологий системы кровообращения и определения риска летального исхода» при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках национального проекта «Наука и университеты».

Source: Bulletin of Siberian Medicine; Том 20, № 4 (2021); 193-204 ; Бюллетень сибирской медицины; Том 20, № 4 (2021); 193-204 ; 1819-3684 ; 1682-0363 ; 10.20538/1682-0363-2021-20-4

Subject Terms: convolutional neural network, CNN, FFR, cardiology, cardiovascular diseases, stenosis, detection, сверточные нейронные сети, кардиология, патология сердечно-сосудистой системы, стеноз, детекция

File Description: application/pdf

Relation: https://bulletin.tomsk.ru/jour/article/view/4596/3117; Shen D., Wu G., Suk H.-I. Deep Learning in Medical Image Analysis. Annu. Rev. Biomed. Eng. 2017; 19: 221–248. DOI:10.1146/annurev-bioeng-071516-044442.; Smith B.J., Adhami R.R. Medical imaging. IEEE Potentials. 2000; 17 (5): 9–12. DOI:10.1109/45.730965.; Bai W., Sinclair M., Tarroni G., Oktay O., Rajchl M., Vaillant G. et al. Automated cardiovascular magnetic resonance image analysis with fully convolutional networks 08 Information and Computing Sciences 0801 Artificial Intelligence and Image Processing. J Cardiovasc. Magn. Reson. 2018; 20 (1): 65. DOI:10.1186/s12968-018-0471-x.; Caterini A.L., Chang D.E. Recurrent neural networks. Springer Briefs Comput. Sci. 2018; 59–79.; Nie D., Wang L., Gao Y., Sken D. Fully convolutional networks for multi-modality isointense infant brain image segmentation. Proc. – Int. Symp. Biomed. Imaging. 2016; 2016: 1342–1345. DOI:10.1109/ISBI.2016.7493515.; Thaha M.M., Kumar K.P.M., Murugan B.S., Dhanasekeran S., Vijayakarthick P., Selvi A.S. Brain tumor segmentation using convolutional neural networks in MRI images. J. Med. Syst. 2019; 43 (9): 1240–1251. DOI:10.1007/s10916-019-1416-0.; Suk H.I., Lee S.W., Shen D. Latent feature representation with stacked auto-encoder for AD/MCI diagnosis. Brain Struct. Funct. 2015; 220 (2): 841–859. DOI:10.1007/s00429-013-0687-3.; Suk H.-I., Shen D. Deep learning in diagnosis of brain disorders. Recent. Prog. Brain Cogn. Eng. Springer. 2015; 203–213. DOI:10.1007/978-94-017-7239-6_14.; Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2015; 9351: 234–241.; Milletari F., Navab N., Ahmadi S.A. V-Net: Fully convolutional neural networks for volumetric medical image seg mentation. Proc. – 2016 4th Int. Conf. 3D Vision, 3DV 2016. IEEE. 2016; 565–571.; Szegedy C., Toshev A., Erhan D. Deep Neural Networks for object detection. Adv. Neural Inf. Process. Syst. 2013; 2553– 2561.; Taigman Y., Yang M., Ranzato M., Wolf L. DeepFace: Closing the gap to human-level performance in face verification. Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. 2018; 1701–1708. DOI:10.1109/CVPR.2014.220.; Silver D., Huang A., Maddison C.J., Guez A., Sifre L., van den Driessche G. et al. Mastering the game of Go with deep neural networks and tree search. Nature. 2016; 529 (7587): 484–489. DOI:10.1038/nature16961.; Razzak M.I., Naz S., Zaib A. Deep learning for medical image processing: Overview, challenges and the future. Lect. Notes Comput. Vis. Biomech. 2018; 26: 323–350.; Smistad E., Falch T.L., Bozorgi M., Elster A.C., Lindseth F. Medical image segmentation on GPUs - A comprehensive review. Med. Image Anal. 2015; 20 (1): 1–18. DOI:10.1016/j.media.2014.10.012.; Zhou T., Ruan S., Canu S. A review: Deep learning for medical image segmentation using multi-modality fusion. Array. 2019; 3–4: 100004. DOI:10.1016/j.array.2019.100004.; Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A.C., Fei-Fei L. ImageNet large scale visual recognition challenge. Int. J. Comput. Vis. 2015; 115 (3): 211–252. DOI:10.1007/s11263-015-0816-y.; Moeskops P., Wolterink J.M., van der Velden B.H., Gilhuijs K.G., Leiner T., Viergever M.A., Išgum I. Deep learning for multi-task medical image segmentation in multiple modalities. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2016; 9901 LNCS: 478–486. DOI:10.1007/978-3-319-46723-8_55.; Baumgartner C.F., Koch L.M., Pollefeys M., Konukoglu E. An exploration of 2D and 3D deep learning techniques for cardiac MR image segmentation. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics. 2018; 10663 LNCS: 111–119. DOI:10.1007/978-3-319-75541-0_12.; Pesapane F., Codari M., Sardanelli F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. Eur. Radiol. Exp. 2018; 2 (1): 35. DOI:10.1186/s41747-018-0061-6.; Брюхомицкий Ю.А. Нейросетевые модели для систем информационной безопасности. Таганрог: ТРТУ, 2005: 160. 22. Kim M., Yun J., Cho Y., Shin K., Jang R., Bae H., Kim N. Deep learning in medical imaging. Neurospine. 2019; 16 (4): 657–668. DOI:10.14245/ns.1938396.198.; Krittanawong C., Tunhasiriwet A., Zhang H.J., Wang Z., Aydar M., Kitai T. Deep learning with unsupervised feature in echocardiographic imaging. J. Am. Coll. Cardiol. 2017; 69 (16): 2100–2101. DOI:10.1016/j.jacc.2016.12.047.; Zhao Y., Xia X., Togneri R. Applications of deep learning to audio generation. IEEE Circuits Syst. Mag. 2019; 19 (4): 19–38. DOI:10.1109/MCAS.2019.2945210.; LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015; 521 (7553): 436–444. DOI:10.1038/nature14539.; Gupta A., Ayhan M.S., Maida A.S. Natural image bases to represent neuroimaging data. 30th Int. Conf. Mach. Learn. ICML 2013. 2013; 2024–2031.; Brosch T., Tam R. Initiative for the Alzheimers Disease Neuroimaging. Manifold Learn brain MRIs by Deep Learning Med. Image Comput. Assist. Interv. 2013; 16 (2): 633–640. DOI:10.1007/978-3-642-40763-5_78.; Yu L., Guo Y., Wang Y., Yu J., Chen P. Segmentation of fetal left ventricle in echocardiographic sequences based on dynamic convolutional neural networks. IEEE Trans. Biomed. Eng. 2017; 64 (8): 1886–1895. DOI:10.1109/TBME.2016.2628401.; Xue W., Brahm G., Pandey S., Leung S., Li S. Full left ventricle quantification via deep multitask relationships learning. Med. Image Anal. 2018; 43: 54–65. DOI:10.1016/j.media.2017.09.005.; Xue W., Lum A., Mercado A., Landis M., Warrington J., Li S. Full quantification of left ventricle via deep multitask learning network respecting intra- and inter-task relatedness. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2017; 10435 LNCS: 276–284. DOI:10.1007/978-3-319-66179-7_32.; Dormer J.D., Fei B., Halicek M., Ma L., Reilly C.M., Schreibmann E. Heart chamber segmentation from CT using convolutional neural networks. Med. Imaging 2018 Biomed. Appl. Mol. Struct. Funct. Imaging, vol. 10578. International Society for Optics and Photonics. 2018; 100. DOI:10.1117/12.2293554.; Tan L.K., McLaughlin R.A., Lim E., Abdul Aziz Y.F., Liew Y.M. Fully automated segmentation of the left ventricle in cine cardiac MRI using neural network regression. J. Magn. Reson. Imaging. 2018; 48 (1): 140–152. DOI:10.1002/jmri.25932.; Wang D., Zhang R., Zhu J., Teng Z., Huang Y., Spiga F., Du M.H.-F., Gillard J.H., Lu Q., Liò P. Neural network fusion: a novel CT-MR aortic aneurysm image segmentation method. Med. Imaging 2018 Image Process. 2018; 10574: 75. DOI:10.1117/12.2293371.; Graffy P.M., Liu J., Pickhardt P.J., Burns J.E., Yao J., Summers R.M. Deep learning-based muscle segmentation and quantifcation at abdominal CT: Application to a longitudinal adult screening cohort for sarcopenia assessment. Br. J. Radiol. 2019; 92 (1100): 2921–2928. DOI:10.1259/bjr.20190327.; He K., Gkioxari G., Dollár P., Girshick R. Mask r-cnn. Proc. IEEE. Int. Conf. Comput. Vis. 2017; 2961–2969. DOI:10.1109/ICCV.2017.322.; Pickhardt P.J. Imaging and screening for colorectal cancer with CT colonography. Radiol. Clin. North Am. 2017; 55 (6): 1183–1196. DOI:10.1016/j.rcl.2017.06.009.; Neves P.O., Andrade J., Monção H. Escore de cálcio coronariano: Estado atual. Radiol Bras. 2017; 50 (3): 182–189. DOI:10.1590/0100-3984.2015.0235.; Segal B.L. The pathology of coronary heart disease. Can. Med. Assoc. J. 1962; 87 (26): 1387–1390.; Van der Wal A.C. Coronary artery pathology. Heart. 2007; 93 (11): 1484–1489. DOI:10.1136/hrt.2004.038364.; Nasr-Esfahani E., Samavi S., Karimi N., Soroushmehr S.R., Ward K., Jafari M.H., Felfeliyan B., Nallamothu B., Najarian K. Vessel extraction in X-ray angiograms using deep learning. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. 2016; 2016: 643–646. DOI:10.1109/EMBC.2016.7590784.; Wolterink J.M., Hamersvelt R.W., Viergever M.A., Leiner T., Išgum I. Coronary artery centerline extraction in cardiac CT angiography using a CNN-based orientation classifier. Med. Image Anal. 2019; 51: 46–60. DOI:10.1016/j.media.2018.10.005.; Yong Y.L., Tan L.K., McLaughlin R.A., Chee K.H., Liew Y.M. Linear-regression convolutional neural network for fully automated coronary lumen segmentation in intravascular optical coherence tomography. J. Biomed. Opt. 2017; 22 (12): 1–9. DOI:10.1117/1.jbo.22.12.126005.; Dice L.R. Measures of the amount of ecologic association between species. Ecology. 1945; 26 (3): 297–302. DOI:10.2307/1932409.; Zou K.H., Warfield S.K., Bharatha A., Tempany C.M.C., Kaus M.R., Haker S.J., Wells W.M., Jolesz F.A., Kikinis R. Statistical validation of image segmentation quality based on a spatial overlap index. Acad. Radiol. 2004; 11 (2): 178–189. DOI:10.1016/S1076-6332(03)00671-8.; Pijls N.H., De Bruyne B., Peels K., van der Voort P.H., Bonnier H.J.R.M., Bartunek J., Koolen J.J. Measurement of fractional flow reserve to assess the functional severity of coronary-artery stenoses. N. Engl. J. Med. 1996; 334 (26): 1703–1708. DOI:10.1056/NEJM199606273342604.; Stegehuis V.E., Wijntjens G.W., Piek J.J., van de Hoef T.P. Fractional flow reserve or coronary flow reserve for the assessment of myocardial perfusion: Implications of FFR as an imperfect reference standard for myocardial ischemia. Curr. Cardiol. Rep. 2018; 20 (9): 77. DOI:10.1007/s11886-018-1017-4.; Zreik M., Lessmann N., van Hamersvel R.W., Wolterink J.M., Voskuil M., Viergever M. A., Leinerb T., Išgum I. Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis. Med. Image Anal. 2018; 44: 72–85. DOI:10.1016/j.media.2017.11.008.; Van Hamersvelt R.W., Zreik M., Voskuil M., Viergever M.A., Išgum I., Leiner T. Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosis. Eur. Radiol. 2019; 29 (5): 2350–2359. DOI:10.1007/s00330-018-5822-3.; Itu L., Rapaka S., Passerini T., Georgescu B., Schwemmer C., Schoebinger M., Flohr T., Sharma P., Comaniciu D. A machine-learning approach for computation of fractional flow reserve from coronary computed tomography. J. Appl. Physiol. 2016; 121 (1): 42–52. DOI:10.1152/japplphysiol.00752.2015.; Wang L., Xie X.L., Bian G.B., Hou Z.G., Cheng X.R., Prasong P. Guide-wire detection using region proposal network for X-ray image-guided navigation. Proc. Int. Jt. Conf. Neural Networks. 2017; 2017: 3169–3175. DOI:10.1109/IJCNN.2017.7966251.; Yang H., Shan C., Kolen A.F., de With P.H.N. Catheter localization in 3D ultrasound using voxel-of-interest-based ConvNets for cardiac intervention. Int. J. Comput. Assist. Radiol. Surg. 2019; 14 (6): 1069–1077. DOI:10.1007/s11548-019-01960-y.; Lee H., Mansouri M., Tajmir S., Lev M.H., Do S. A deep-learning system for fully-automated peripherally inserted central catheter (PICC) tip detection. J. Digit. Imaging. 2018; 31 (4): 393–402. DOI:10.1007/s10278-017-0025-z.; Shelhamer E., Long J., Darrell T. Fully сonvolutional networks for semantic segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 2017; 39 (4): 640–651. DOI:10.1109/TPAMI.2016.2572683.; https://bulletin.tomsk.ru/jour/article/view/4596

Availability: https://bulletin.tomsk.ru/jour/article/view/4596
https://doi.org/10.20538/1682-0363-2021-4-193-204

View record from BASE

4

Book

Клиническая патологическая физиология хронической сердечной недостаточности: доказательных подход

Authors: Урсан Роман Викторович, Хисматуллин Рафаэль Рафикович, Васильчук Анастасия Валерьевна, Султанова Кадрия Наилевна, Титова Ангелина Андреевна

Contributors: Институт фундаментальной медицины и биологии, Казанский федеральный университет

Subject Terms: сердечная недостаточность, патологическая физиология, патологическая анатомия, патология сердечно-сосудистой системы, Медицина и здравоохранение

Relation: http://dspace.kpfu.ru/xmlui/bitstream/net/177261/1/F_Klinicheskaya_patfiz_KhSN_Ursan_Oblozhka_cov.jpg; http://dspace.kpfu.ru/xmlui/bitstream/net/177261/2/KhSN_klin_patfiz.pdf; https://dspace.kpfu.ru/xmlui/handle/net/177261

Availability: https://dspace.kpfu.ru/xmlui/handle/net/177261

View record from BASE

5

Book

Ишемическая болезнь сердца: фундаментальные и клинические основы

Authors: Урсан Роман Викторович, Калигин Максим Сергеевич, Титова Ангелина Андреевна, Титова Марина Александровна, Хисматуллин Рафаэль Рафикович, Филатов Никита Сергеевич

Contributors: Институт фундаментальной медицины и биологии, Казанский федеральный университет

Subject Terms: ишемическая болезнь сердца, патологическая физиология, патологическая анатомия, патология сердечно-сосудистой системы, Медицина и здравоохранение

Relation: http://dspace.kpfu.ru/xmlui/bitstream/net/177260/1/F_IBS_metodichka_oblozhka_cov.jpg; http://dspace.kpfu.ru/xmlui/bitstream/net/177260/2/F_IBS_metodichka_Ursan.pdf; https://dspace.kpfu.ru/xmlui/handle/net/177260

Availability: https://dspace.kpfu.ru/xmlui/handle/net/177260

View record from BASE

6

Academic Journal

РОЛЬ ЭНДОТЕЛИАЛЬНОЙ ДИСФУНКЦИИ В ПАТОЛОГИИ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ

Subject Terms: 03 medical and health sciences, 0302 clinical medicine, endothelium, nitric oxide, cardiovascular pathology, оксид азота, дисфункция эндотелия, эндотелий, патология сердечно-сосудистой системы, endothelium dysfunction, 3. Good health

7

Academic Journal

ХАРАКТЕРИСТИКА ТОПОГРАФИЧЕСКИХ И МОРФОМЕТРИЧЕСКИХ ПОКАЗАТЕЛЕЙ ДЕФЕКТА МЕЖЖЕЛУДОЧКОВОЙ ПЕРЕГОРОДКИ СЕРДЦА ЧЕЛОВЕКА У ДЕТЕЙ И НОВОРОЖДЕННЫХ

Authors: МАРЦИНКЕВИЧ Д.Н.

Subject Terms: ВРОЖДЕННЫЕ ПОРОКИ СЕРДЦА,ДЕФЕКТ МЕЖЖЕЛУДОЧКОВОЙ ПЕРЕГОРОДКИ,ПАТОЛОГИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ,ПАТОЛОГИЯ СЕРДЦА

File Description: text/html

Availability: http://cyberleninka.ru/article/n/harakteristika-topograficheskih-i-morfometricheskih-pokazateley-defekta-mezhzheludochkovoy-peregorodki-serdtsa-cheloveka-u-detey-i
http://cyberleninka.ru/article_covers/16965338.png

View record from BASE

8

Academic Journal

ЗАБОЛЕВАНИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ И ВОСПАЛИТЕЛЬНЫЕ ЗАБОЛЕВАНИЯ КИШЕЧНИКА: КОМОРБИДНОСТЬ ИЛИ ПОЛИМОРБИДНОСТЬ?

Source: Пермский медицинский журнал.

Subject Terms: 03 medical and health sciences, ПАТОЛОГИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ,ВОСПАЛИТЕЛЬНЫЕ ЗАБОЛЕВАНИЯ КИШЕЧНИКА,БОЛЕЗНЬ КРОНА,ЯЗВЕННЫЙ КОЛИТ,CARDIOVASCULAR PATHOLOGY,INFLAMMATORY BOWEL DISEASES,CROHN'S DISEASE,ULCEROUS COLITIS, 0302 clinical medicine, 3. Good health

File Description: text/html

Access URL: http://cyberleninka.ru/article/n/zabolevaniya-serdechno-sosudistoy-sistemy-i-vospalitelnye-zabolevaniya-kishechnika-komorbidnost-ili-polimorbidnost
http://cyberleninka.ru/article_covers/17031237.png

View record at OpenAIRE

9

Academic Journal

Патология сердечно-сосудистой системы у пациентов с впервые диагностированной ВИЧ-инфекцией (клинические случаи)

Subject Terms: патология сердечно-сосудистой системы

Access URL: http://elib.grsmu.by/handle/files/3985

View record at OpenAIRE

10

Academic Journal

РОЛЬ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ В РАЗВИТИИ МНОГОВОДИЯ У БЕРЕМЕННЫХ

Authors: МАРУПОВА С.И.

Subject Terms: МНОГОВОДИЕ У БЕРЕМЕННЫХ,ПАТОЛОГИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ,ABUNDANCE OF WATER AT PREGNANT WOMEN,PATHOLOGY OF CARDIOVASCULAR SYSTEM

File Description: text/html

Availability: http://cyberleninka.ru/article/n/rol-serdechno-sosudistoy-sistemy-v-razvitii-mnogovodiya-u-beremennyh
http://cyberleninka.ru/article_covers/16035702.png

View record from BASE

11

Academic Journal

Характеристика произвольного внимания у больных артериальной гипертензией с различным уровнем вазодилатационного резерва

Authors: ТОЛСТОВА ЕКАТЕРИНА АНАТОЛЬЕВНА, ЧЕРНЫЙ ВАЛЕРИЙ СТАНИСЛАВОВИЧ, АЛЕКСАНДРОВ МИХАИЛ ВСЕВОЛОДОВИЧ

Subject Terms: ДИСФУНКЦИЯ ЭНДОТЕЛИЯ,ENDOTHELIUM DYSFUNCTION,ПРОИЗВОЛЬНОЕ ВНИМАНИЕ,ANY ATTENTION,ОБЪЕМ И УСТОЙЧИВОСТЬ ВНИМАНИЯ,VOLUME AND STABILITY OF ATTENTION,ПАТОЛОГИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ,PATHOLOGY OF CARDIOVASCULAR SYSTEM,АРТЕРИАЛЬНАЯ ГИПЕРТЕНЗИЯ,ARTERIAL HYPERTENSION

File Description: text/html

Availability: http://cyberleninka.ru/article/n/harakteristika-proizvolnogo-vnimaniya-u-bolnyh-arterialnoy-gipertenziey-s-razlichnym-urovnem-vazodilatatsionnogo-rezerva
http://cyberleninka.ru/article_covers/16062560.png

View record from BASE

12

Academic Journal

Характеристика топографических и морфометрических показателей дефекта межжелудочковой перегородки сердца человека у детей и новорожденных

Source: Вестник Совета молодых учёных и специалистов Челябинской области.

Subject Terms: ВРОЖДЕННЫЕ ПОРОКИ СЕРДЦА,ДЕФЕКТ МЕЖЖЕЛУДОЧКОВОЙ ПЕРЕГОРОДКИ,ПАТОЛОГИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ,ПАТОЛОГИЯ СЕРДЦА, 3. Good health

File Description: text/html

Access URL: http://cyberleninka.ru/article_covers/16965338.png
http://cyberleninka.ru/article/n/harakteristika-topograficheskih-i-morfometricheskih-pokazateley-defekta-mezhzheludochkovoy-peregorodki-serdtsa-cheloveka-u-detey-i

View record at OpenAIRE

13

Academic Journal

Роль сердечно-сосудистой системы в развитии многоводия у беременных

Source: Вестник Совета молодых учёных и специалистов Челябинской области.

Subject Terms: МНОГОВОДИЕ У БЕРЕМЕННЫХ,ПАТОЛОГИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ,ABUNDANCE OF WATER AT PREGNANT WOMEN,PATHOLOGY OF CARDIOVASCULAR SYSTEM, 3. Good health

File Description: text/html

Access URL: http://cyberleninka.ru/article/n/rol-serdechno-sosudistoy-sistemy-v-razvitii-mnogovodiya-u-beremennyh
http://cyberleninka.ru/article_covers/16035702.png

View record at OpenAIRE

14

Academic Journal

Clinic and treatment of bronchial asthma, combined with cardiovascularpathology ; Клиника и лечение бронхиальной астмы, сочетающейся с патологией сердечно-сосудистой системы

Authors: N. Gordeyeva V., I. Demko V., M. Petrova M., I. Artyukhov P., И. Демко В., Н. Гордеева В., М. Петрова М., И. Артюхов П.

Source: Bulletin of Siberian Medicine; Том 6, № 2 (2007); 90-97 ; Бюллетень сибирской медицины; Том 6, № 2 (2007); 90-97 ; 1819-3684 ; 1682-0363 ; 10.20538/1682-0363-2017-16-6

Subject Terms: bronchial asthma, pathology of cardiovascular system, severity of stage, treatment, бронхиальная астма, патология сердечно-сосудистой системы, степень тяжести, лечение, 616.24-07-08:616.12

File Description: application/pdf

Relation: https://bulletin.tomsk.ru/jour/article/view/3261/2042; Бронхиальная астма: Руководство для врачей (формулярная система) // Пульмонология. 2004. С. 206-241.; Гембицкий Е.В., Синопальников А.И., Алексеев В.Г. Особенности клинического течения инфаркта миокарда в остром и функционально- восстановительном периодах у больных с сопутствующей бронхиальной астмой // Кардиология. 1989. Т. 29. № 12. С. 40-44.; Ильина Н.И., Романова О.В., Латышева Т.В. Формотерол при бронхиальной астме и сопутствующей сердечно-сосудистой патологии // Атмосфера. 2004. V. 2. № 13. С. 40-42.; Кириллов М.М., Шаповалова Т.Г., Шашина М.М. и др. Внелегочная патология у больных бронхиальной астмой (клинико-морфологические аспекты) // Пульмонология. 2000. № 3. С. 50- 53.; Козырев А.Г., Жданов В.Ф. Дневные колебания артериального давления и пиковой объемной скорости выдоха больных бронхиальной астмой в сочетании с гипертонической болезнью // Пульмонология. 2003. № 2. С. 52-55.; Палеев Н.Р., Черейская Н.К., Федорова С.И. и др. Бифункциональное мониторирование у больных с сочетан- 7. ной патологией бронхолегочной и сердечно-сосудистой систем // Пульмонология. 2003. № 4. С. 63-70.; Огородова Л.М., Петровский Ф.И., Петровская Ю.А. Клиническая фармакология бронхиальной астмы / Под ред. А.Г. Чучалина. М.: Атмосфера, 2002. 157 с.; Ребров А.П., Кароли Н.А. Изменения функциональной активности тромбоцитов и антитромбогенной активности стенки сосудов у больных бронхиальной астмой на фоне терапии системными глюкокортикостероидами // Пульмонология. 1999. № 3. С. 43-45.; Романова С., Шачкова Н., Копысов Д. Кордафлекс-ретард в лечении пациентов с обострением бронхиальной астмы в сочетании с артериальной гипертонией на фоне приема системных глюкокортикостероидов // Врач. 2003. № 8. С. 48-50.; Синопальников А.И., Алексеев В.Г., Клочков О.И. Клиническое течение ишемической болезни сердца при сопутствующей бронхиальной астме // Клинич. медицина. 1989. Т. 67. № 10. С. 44-47.; Симоненко В.Б., Бойцов С.А., Кучмин А.Н. и др. Особенности нарушений сердечного ритма и их лечение дилтиаземом у больных бронхиальной астмой // Клинич. медицина. 2001. Т. 79. № 3. С. 22-26.; Черняк Б.А., Краснова Ю.Н., Дзизинский А.А. Бронхолитическая небулайзерная терапия бронхиальной астмы у больных ишемической болезнью сердца // Рос. мед. журн. 2001. № 6. С. 15-19.; Черняк Б.А. Стратегия длительной комбинированной терапии бронхиальной астмы: клинико-патогенетическое обоснование // Пульмонология. 2006. № 2. С. 121-126.; Shrewsbury S., Pyke S., Britton M. Meta-analysis of increased dose of inhaled steroid or addition of salmeterol in symptomatic asthma (MIASMA) // BMJ. 2000. V. 320. P. 1368-1379.; Woolcock A., Lundback B., Ringdal N. et al. Comparison of addition of salmeterol to inhaled steroids with doubling of the dose of inhaled steroids // Am. J. Respir. Crit. Care Med. 1996. V. 153. P. 1481-1488.; https://bulletin.tomsk.ru/jour/article/view/3261

Availability: https://bulletin.tomsk.ru/jour/article/view/3261
https://doi.org/10.20538/1682-0363-2007-2-90-97

View record from BASE

15

Academic Journal