XiaoMi-AI文件搜索系统
World File Search System事后
原创文章 PSMA 靶向 PET 放射性药物 18 F-flotufolastat 的正常器官分布：LIGHTHOUSE 和 SPO 的事后分析
摘要：背景：高亲和力放射性杂交 PSMA 靶向放射性药物 18 F-flotufolastat ( 18 F-rhPSMA-7.3) 新近获批用于前列腺癌的诊断成像。在此，我们对两项 3 期研究进行了事后分析，以量化一系列正常器官对 18 F-flotufolastat 的摄取。方法：重新评估了 LIGHTHOUSE 和 SPOTLIGHT 中的所有 718 次可评估的 18 F-flotufolastat 扫描。此外，还审查了患者的医疗记录，并排除了肿瘤负荷高 (PSA>20 ng/mL)、生物分布改变 (例如慢性肾病)、正常器官发生重大解剖变化 (例如肾切除术) 或有任何其他癌症病史的患者。医学物理学家在特定器官上定义感兴趣体积，以根据 PERCIST 1.0 标准评估 SUV 平均值和 SUV 峰值。正态分布的数据以平均值 (SD) 报告，非正态分布的数据以中位数 (IQR) 报告。变异系数 (CoV；对于正态分布数据计算为 SD/平均值，对于非正态分布数据计算为 IQR/中位数) 用于量化 SUV 指标的变异性。结果：总共有 546 名患者（244 名原发性患者，302 名复发性患者）的扫描结果符合分析条件。除膀胱和脾脏外，所有器官均被视为正态分布。在肝脏中，平均 SUV 平均值为 6.7（SD 1.7），CoV 26%，而膀胱中位 SUV 平均值为 10.6（IQR 11.9），CoV 112%。肝脏中的平均 SUV 峰值为 8.2（SD 2.1），CoV 26%，膀胱中位 SUV 峰值为 16.0（IQR 18.5），CoV 116%。结论：正常器官对 18 F-氟托福司他的生理吸收与其他肾脏清除的放射性药物大致一致，这可能在考虑放射性配体治疗的患者选择时具有重要的临床意义。此外，18 F-氟托福司他的膀胱中位 SUV 峰值低于之前报道的
基于事后分析，对英国使用剂量指南应用程序的 icodec 与基础胰岛素类似物进行长期成本效益分析
icodec 与三种每日一次的基础胰岛素类似物分别进行比较。每次比较中，icodec 组的患者都根据患者特征与比较组的患者进行匹配，但需要注意的是，每个亚组的样本量越小，统计差异就越大，检测出显著差异的难度也就越大。
从事后解释性到自我解释模型
[1]辛西娅·鲁丁（Cynthia Rudin）。停止解释用于高赌注决策的黑匣子机器学习模型，然后使用可解释的模型。自然机器智能，1（5）：206–215，2019 [2]MarcoTúlioRibeiro，Sameer Singh和Carlos Guestrin。“我为什么要信任您？”：解释任何分类器的预测。Corr，ABS/1602.04938，2016。[3] Sebastian Bach，Alexander Binder，GrégoireMontavon，Frederick Klauschen，Klaus-RobertMüller和Wojciech Samek。通过层次相关性传播对非线性分类器决策的像素智慧解释。plos One，10（7）：1-46，07 2015。[4] Alina Barnett，Jonathan SU，Cynthia Rudin，Chaofan Chen，Oscar Li。这看起来像：深入学习可解释的图像识别。在神经信息处理系统会议论文集（Neurips），2019年。
对Torrey开放标签扩展的事后分析
1密歇根大学，美国米亚，安阿伯； Gossemer Bio，Inc。美国加利福尼亚州圣地亚哥； 3医院医院/威尔·康奈尔医学，美国德克萨斯州和平； 10月12日10月12日10月12日10月12日10月12日10月12日，美国东南部奥马哈市医学中心大学的4个大学医院； 6美国俄克拉荷马州俄克拉荷马州俄克拉荷马州的Integris Health Health肺动脉高压中心； 7犹他州卫生大学，盐湖城，美国犹他州； 。美国加利福尼亚州圣礼医学中心； 10山西奈心脏。 11加利福尼亚大学洛杉矶分校，美国加利福尼亚州；美国德克萨斯州达拉斯市Dayswestern Center医疗中心； 5月13日，美国明尼苏达州罗切斯特诊所； 14 CPI;德国盖森； 15美国田纳西州纳什维尔的Banderbilt大学医学中心； 16帝国健康，好的； 17没有布鲁克斯大学，huba - 18 19
事后审计报告-2023.pdf
清洁航空联合体 (CA JU) 是根据欧盟理事会条例 (EU) 2021/2085 在“地平线欧洲 (HE)”计划下成立的新的欧洲伙伴关系，该条例于 2021 年 11 月 30 日生效。新的伙伴关系已接管清洁天空 2 (CS2) 计划的执行，包括 H2020 项目的事后审计 (EPA) 活动，直至项目完成。此外，CA JU 还根据新的 HE 控制策略管理清洁航空 (CA) HE 计划的事后审计 (EPA) 活动。本 EPA 报告的目的是为执行董事提供关于 CA JU 2023 年运营支出合法性和规律性的意见。在此背景下，当前最终事后审计报告描述了 CAJU 事后审计的结果，旨在支持执行董事的 2023 年度保证声明，即：- 2023 年度活动报告 (AAR) 中提供的信息真实、公允；- 2023 年的资源已用于预期目的；- 资源已按照健全的财务管理原则使用；- 基础交易合法且正常；- 2023 年 AAR 中没有缺少任何可能损害 JU 利益的信息。EPA 流程的结果是 CA JU 内部控制系统的重要组成部分，需要在 AAR 中描述。因此，本报告提供了有关 EPA 流程的关键信息，这些信息应在 2023 年 AAR 中与事后控制相关的部分中进行总结。事后审计的主要目的是：1）评估 JU 对成本索赔进行验证的合法性和规律性。
诊断出受损葡萄糖耐受性和长期死亡和血管并发症的风险后的非糖尿病状态：DA Qing糖尿病预防结果研究的事后分析
在本期分析中，我们包括540名参加了参与原始DA Qing糖尿病预防研究（DQDPS）的人。在DQDPS中，所有参与者通过75 g口服葡萄糖耐受性测试诊断IGT，并随机分配给干预或对照组，并进行了6年的生活方式干预试验。在30年期间，监测了试验完成后，死亡，心血管事件和微血管并发症。在本案分析中，COX分析评估了这些外观的延长风险，这些人在诊断为IgT后2、4和6年结束后仍保持非糖尿病状态或糖尿病。在所有参与者中，糖尿病和非糖尿病组之间结局累积发生率的差异逐渐增加了30年。Compared with the diabetes group, a significantly lower risk of all-cause death (hazard ratio [HR]: 0.74; 95% confidence interval [CI]: 0.57 to 0.97, p = 0.026), cardiovascular events (HR: 0.63; 95% CI: 0.49 to 0.82, p < 0.001), and microvas- cular complications (HR: 0.62; 95% CI: 0.45 to 0.86, p = 0.004) first emerged in individuals who remained non-diabetes at the 4 years visit, whereas the significant risk reduction in car- diovascular death was first observed at the end of 6 years (HR: 0.56; 95% CI: 0.39 to 0.81, p
赞比亚超越电网基金事后评估...
2 Lighting Global (2016) “2016 年离网太阳能市场趋势报告”，链接 3 Lighting Global (2020) “2020 年离网太阳能市场趋势报告”，链接。 4 Lighting Global (2016) “2016 年离网太阳能市场趋势报告”，链接 5 Lighting Global (2022) “2022 年离网太阳能市场趋势报告”，链接。 6 ACE TAF (2021) “莫桑比克独立太阳能 (SAS) 市场更新”，链接 7 ACE TAF (2021) “马拉维独立太阳能 (SAS) 市场更新”，链接
SIFMA QDVII 事后报告
虽然公司会为第三方中断做好计划，但勒索软件攻击导致的长时间故障可能会对临时解决方法和事件响应团队恢复备份数据源的能力造成不可预见的挑战。根据公司重新连接到可能遭受网络攻击的提供商的风险承受能力，第三方满足既定重新连接标准的时间可能比预期的要长得多。最近的事件表明，勒索软件事件的恢复可能需要几天到几周的时间。考虑到最近的勒索软件事件，公司应继续准备通过替代方式管理其业务，时间范围应与更现实的恢复时间目标相一致。公司应评估其定期风险评估是否适当反映了关键第三方中断的数量和严重程度的增加。
以人为本的可解释人工智能（XAI）的未来不是事后解释
可解释人工智能 (XAI) 在使人类理解和信任深度学习系统方面发挥着至关重要的作用。随着模型变得越来越大、越来越普遍，并且在日常生活的各个方面都无处不在，可解释性对于最大限度地减少模型错误的不利影响是必不可少的。不幸的是，以人为中心的 XAI 中的当前方法（例如医疗保健、教育或个性化广告中的预测任务）倾向于依赖于单个事后解释器，而最近的研究发现，当应用于相同的底层黑盒模型实例时，事后解释器之间存在系统性分歧。因此，在本文中，我们呼吁采取行动来解决当前最先进解释器的局限性。我们建议从事后可解释性转向设计可解释的神经网络架构。我们确定了以人为中心的 XAI 的五个需求（实时、准确、可操作、人类可解释和一致），并提出了两种可解释设计神经网络工作流程的方案（使用 InterpretCC 进行自适应路由和使用 I2MD 进行时间诊断）。我们假设以人为中心的 XAI 的未来既不在于解释黑匣子，也不在于恢复传统的可解释模型，而在于本质上可解释的神经网络。