XiaoMi-AI文件搜索系统
World File Search System体重
人工智能生成的体重管理饮食计划的定性评估
在这种情况下，自2022年11月的聊天机器人生成预培训的变压器（CHATGPT）公开发布以来，AI在医疗保健中的应用已成为一个值得注意的讨论主题，吸引了相关学术出版物的激增（5）。ChatGpt是一种高级语言模型，能够生成类似人类的文本，从而促进引人入胜的对话，回答查询并提供有关无数主题的详细信息，包括医学和医疗保健。尽管不是专门为医疗保健应用设计的，但Chatgpt可以集成来自多个临床来源的数据，并根据此组合信息生成新的输出（6）。此功能使其成为制定个性化饮食计划的宝贵工具，展示了AI对医疗保健的重大影响。
塔小村庄儿童健康体重动作计划2023-2024
塔小村庄是一个城市环境，可以使用绿色空间和大量的快餐店。这样的环境因素增加了体重不健康的风险。孩子花费大量时间（如学校）也是支持儿童活跃和健康饮食的关键。
出生体重与最近诊断为2型糖尿病患者的临床特征有关
摘要目标/假设低出生体重是2型糖尿病的危险因素，但是尚不清楚低出生体重是否与疾病发作处的独特临床特征有关。我们检查了2型糖尿病中较低或更高的出生体重是否与疾病发作时临床相关的特征有关。方法记录了丹麦2型糖尿病（DD2）同时战略研究中心的6866名患有2型糖尿病的人的助产士记录。Using a cross-sectional design, we assessed age at diagnosis, anthropomorphic measures, comorbidities, medications, metabolic variables and family history of type 2 diabetes in individuals with the lowest 25% of birthweight (<3000 g) and highest 25% of birthweight (>3700 g), compared with a birthweight of 3000–3700 g as reference, using log-binomial and Poisson regression.通过线性和有限的立方样条恢复评估整个出生体重谱的连续关系。计算了2型糖尿病和出生体重的加权多基因评分（PS），以评估遗传易感性的影响。结果每1000 g出生体重的减小与3.3岁（95％CI 2.9，3.8）糖尿病发作年龄相关，1.5 kg/m 2（95％CI 1.2，1.7）下BMI和3.9 cm（95％CI 3.3，4.5）较小的腰围。临床定义的低出生体重（<2500 g）产生更强的关联。出生体重和临床特征之间的大多数关联似乎是线性的，并且更高的出生体重与相反方向反映出较低的出生体重的特征相关。与参考的出生体重相比，<3000 g的出生体重与更高的合并症有关（Charlson合并症指数得分≥3为1.36 [95％CI 1.07，1.73]），具有系统的BP≥155MMMHG（PR 1.26 [95％CI）[95％CI] [95％ci 1.07，1.73]。与糖尿病相关的神经疾病，2型糖尿病的家族史的可能性较小，使用三种或多种降糖药物（PR 1.33 [95％CI 1.06，1.65]）以及三种或更多或更多的抗毒性药物（PR 1.09 [PR 1.09 [95％CI 0.99，1.20，1.20]）。结果对代表2型糖尿病和出生体重的加权遗传易感性的PS的调整是可靠的。结论/解释尽管诊断年龄较小，肥胖和家族史的2型糖尿病患者较少，但出生重量<3000 g与更多的合并症有关，包括较高的收缩压BP，以及在最近患有2型糖尿病患者中使用较高的葡萄糖和降低葡萄糖和抗毒性药物。
极低出生体重婴儿的住院生长和长期神经发育结果
背景和目标：极低出生体重婴儿 (VLBW) 面临不良生长和神经发育结局的风险。我们旨在评估一组早产 VLBW 新生儿重症监护病房 (NICU) 住院期间的生长与长期神经发育结局之间的关联。方法：我们从 2014 年 1 月至 2017 年 4 月在我们诊所的随访服务中进行了一项纵向观察性研究。在我们医院出生并参加随访项目的所有早产 VLBW 婴儿均符合研究条件。使用格里菲斯智力发育量表在 12 和 24 个月矫正年龄进行神经发育评估。结果：研究人群包括 172 名受试者（47.1% 为男性），平均孕周为 29 周，平均出生体重为 1,117 克。从出生到出院，头围的 Δ z 分数增加一元论，与 24 个月矫正年龄时一般商数增加 1.6 分相关。还发现与分量表 C 和 D 存在联系。同样，身长 Δ z 分数的增加与更好的 24 个月分量表 C 分数相关，尽管未达到统计学意义。未发现体重增加与 24 个月时的结果有任何关系。结论：NICU 住院期间的生长似乎与 24 个月矫正年龄时更有利的神经发育结果相关，尤其是在听力和语言领域（分量表 C）。住院期间对生长参数的纵向评估有助于识别生命最初几年有不良神经发育结果风险的受试者。
用智能物联网，体重分析和机器学习彻底改变金库安全
摘要 - 尽管数字支付方法的增加，但持续使用实物货币，对存储钞票和硬币的保险库构成了安全挑战。传统的金库安全措施，包括物理障碍，时间锁，双控制系统和监视，容易受到复杂的攻击和内部威胁的影响。本文通过合并智能物联网（IoT）设备和机器学习算法来监视保险库货架上的钞票的重量，从而提出了一种新颖的方法来增强跳马安全性。通过跟踪和分析重量变化，该系统旨在检测差异和潜在盗窃。该系统采用各种机器学习模型，包括线性回归，套索回归，K-Nearest邻居（KNN），支持向量机（SVM）和随机森林，以预测基于重量和面额的钞票数量。评估表明，线性回归和LASSO回归达到了最高的精度，使其成为该应用的最有效模型。挑战，例如有限的数据，计算资源限制以及对更精致功能的需求，以及潜在的改进，例如数据增强和增强的解释性。这种方法通过整合现代技术来保护盗窃和未经授权的访问，从而在保险库安全方面取得了重大进步。
什罗普郡 2023-2028 年健康体重战略
未来的任务十分复杂，需要每个人的行动。因此，我们将在整个系统中协调一致地开展工作，使减轻不健康的体重成为每个人的责任。这意味着与所有支持什罗普郡居民的人合作，包括公共和志愿部门、当地企业和雇主、学校、 NHS 组织和社区本身。整个系统方法将让这些部门的领导者利用他们的杠杆来最大限度地利用机会并消除实现更健康体重的障碍。这意味着改善健康、营养食品的获取途径并增加体育锻炼水平以支持身心健康。
根据公共数据，适用于巴西的早产和出生体重预测的机器学习方法。
机器学习工具（AM）的日益增长的使用，或更普遍的人工智能技术影响了各个知识领域。使用这些工具的主要挑战之一是模型培训的数据可用性。这个问题在健康中更加相关，因为有许多敏感或私人数据需要特定护理来传播。作为缓解此问题的一种方法，Datasus（统一的卫生系统计算机部门）提供了大量的公共数据，可以使用机器学习的培训和测试。Datasus提供的基础之一是生活出生信息系统（Sinasc），该系统汇集了有关整个国家领土上出生的流行病学信息。在这项工作中，Sinasts数据库将用于评估机器学习方法的生存能力和准确性，以预测巴西早产和低出生体重。这种变量是新生儿健康的决定因素，并且与新生儿ICU等高健康服务成本密切相关[1]。因此，AM方法可用于预测/预防特定案例和制定公共卫生政策[2]。
阻断 T 细胞记忆可改善对体重循环的过度代谢反应
。CC-BY-NC-ND 4.0 国际许可证（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2025 年 1 月 22 日发布。；https://doi.org/10.1101/2025.01.17.633599 doi：bioRxiv 预印本