XiaoMi-AI文件搜索系统
World File Search System决策支持系统
Progetto“H-SMA-CE：循环经济转型的决策支持系统”
结构：经济学 标题：H-SMA-CE：循环经济转型决策支持系统。项目 PRIN 2022_MUR：代码 2022JZLL7J CUP J53D23009390006
基于移动应用的临床决策支持系统的开发和可用性测试：随机分频试验
背景：混淆评估方法定义的三分钟诊断访谈（3D-CAM）是一种专门开发的仪器，用于评估一般病房的ir妄，具有较高的敏感性和特异性。然而，床旁护士在常规实践中使用3D-CAM的可用性相对较差，在评估过程中有多个人为错误。目的：本研究旨在根据3D-CAM开发基于移动应用的ir妄评估工具，并通过床头护士评估其在老年患者中的可用性。方法：开发了基于3D-CAM（3D-DST）的决策支持的ir妄评估工具，以解决3D-CAM的现有问题并优化评估过程。在随机跨界设计后，使用问卷调查来评估床头护士在老年人中3D-DST的可用性。同时，记录了3D-DST和3D-CAM纸张版本的性能，包括评估完成率，完成评估所需的时间以及评估过程中护士在评估过程中犯的人类错误的数量，并将其差异进行了比较。结果：3D-DST包括3个评估模块，9个评估接口和16个结果接口，并带有内置提醒，以指导护士完成ir妄评估。在可用性测试中，由72名带有3D-CAM纸张版本和3D-DST的床头护士对148名老年人进行了432次ir妄评估（216对）。与3D-CAM纸张版本相比，使用3D-DST（4.35 vs 3.40; P <.001）时，平均可用性得分明显更高。使用3D-CAM纸版本和3D-DST对护士的令人满意的评估问卷的6个域的中位数分别高于2.83和4.33点（P <.001）。使用3D-DST时，完成评估的平均时间减少了2.1分钟（4.4 vs 2.3分钟； P <.001）。结论：这项研究表明，3D-DST显着提高了ir妄评估的效率，并且被床头护士认为高度可接受。
注意个性化临床决策支持系统
摘要 - 健康管理已成为主要问题，因为新型疾病和复杂的症状被引入迅速发展的现代社会。建立一个更好，更智能的医疗基础设施是智慧城市的最终目标之一。据我们所知，已经采用了神经网络模型来帮助医疗保健专业人员实现这一目标。 通常，培训神经网络需要大量数据，但是临床数据的异质和脆弱的特性为传统的集中式网络带来了挑战。 此外，将新输入添加到医疗数据库需要从头开始重新训练现有模型。 为了应对这些挑战，我们提出了一个基于深度学习的临床决策支持系统，该系统在联合学习范式下进行了培训和管理。 我们专注于一种新的策略，以确保患者隐私的安全性并克服网络攻击的风险，同时实现大规模的临床数据挖掘。 因此，我们可以利用丰富的临床数据来训练每个本地神经网络，而无需交换患者的机密数据。 此外，我们将提出的方案作为序列到序列模型结构进行了整合。 因此，我们的目标是提供一个个性化的临床决策支持系统，具有可发展的特征，可以提供准确的解决方案并帮助医疗保健专业人员进行医学诊断。 索引术语 - 临床决策支持系统，医疗保健，人工智能，顺序到序列网络，注意机制，联合学习据我们所知，已经采用了神经网络模型来帮助医疗保健专业人员实现这一目标。通常，培训神经网络需要大量数据，但是临床数据的异质和脆弱的特性为传统的集中式网络带来了挑战。此外，将新输入添加到医疗数据库需要从头开始重新训练现有模型。为了应对这些挑战，我们提出了一个基于深度学习的临床决策支持系统，该系统在联合学习范式下进行了培训和管理。我们专注于一种新的策略，以确保患者隐私的安全性并克服网络攻击的风险，同时实现大规模的临床数据挖掘。因此，我们可以利用丰富的临床数据来训练每个本地神经网络，而无需交换患者的机密数据。此外，我们将提出的方案作为序列到序列模型结构进行了整合。因此，我们的目标是提供一个个性化的临床决策支持系统，具有可发展的特征，可以提供准确的解决方案并帮助医疗保健专业人员进行医学诊断。索引术语 - 临床决策支持系统，医疗保健，人工智能，顺序到序列网络，注意机制，联合学习
可解释的人工智能可提高决策支持系统的透明度
人工智能 (AI) 被认为是一种先进的技术，可以以高精度和精确度协助决策过程。然而，由于依赖复杂的推理机制，许多 AI 模型通常被评价为黑匣子。这些 AI 模型如何以及为何做出决策的复杂性往往无法被人类用户理解，导致人们对其决策的可接受性感到担忧。先前的研究表明，缺乏以人类可理解的形式提供的相关解释会使最终用户无法接受这些决策。在这里，可解释 AI (XAI) 的研究领域提供了广泛的方法，其共同主题是研究 AI 模型如何做出决策或解释决策。这些解释方法旨在提高决策支持系统 (DSS) 的透明度，这在道路安全 (RS) 和空中交通流量管理 (ATFM) 等安全关键领域尤其重要。尽管不断发展，但 DSS 仍处于安全关键应用的发展阶段。 XAI 带来的透明度提高，成为使这些系统在实际应用中可行、解决可接受性和信任问题的关键推动因素。此外，根据欧盟委员会目前授予的解释权以及世界各地组织的类似指令，认证机构不太可能批准这些系统用于一般用途。这种将解释渗透到现行系统中的迫切愿望为以 DSS 为中心的 XAI 研究铺平了道路。
关键空间决策支持系统...
将责任分析到机构或部门的责任范围内。关键优先事项包括太空战、太空服务支持、太空支持行动、太空领域意识和国家情报总监办公室的目标。每个优先事项都包含责任范围内的特定能力，评分范围为 1 到 5，5 表示最高威胁。网络攻击或反卫星武器等威胁也使用相同的评分标准进行评分，并按具有该能力的参与者进行分类。最后，漏洞按类型分类，并使用相同的评分标准在轨道或地面领域进行评分。28 这些 PCAL 评分以及美国太空司令部指挥官的指导允许每年跨机构制定联合 PCAL，以确定要保护的最关键资产。
临床决策支持系统在糖尿病护理中的应用：范围评论
背景：面对糖尿病管理的日益复杂性以及缺乏专门的内分泌学家来支持糖尿病护理，提供全面和个性化的糖尿病护理仍然是一个重大挑战。临床决策支持系统（CDSS）逐渐被用来改善糖尿病护理，而许多医疗保健提供者缺乏对糖尿病护理中CDSS的认识和知识。仍然缺乏对CDSS在糖尿病护理中的应用的全面分析。目的：本综述旨在总结研究格局，临床应用以及对糖尿病护理中CDSS的患者和医生的影响。方法：我们在Arksey和O'Malley框架之后进行了范围审查。在7个电子数据库中进行了搜索，以识别截至2022年6月30日的糖尿病中CDSS的临床应用。对2021 - 2022年期间的会议摘要进行了其他搜索。两名研究人员独立执行了筛选和数据图表过程。结果：在11,569项检索研究中，包括85个（0.7％）进行分析。在这一领域的研究兴趣正在增长，过去5年中的85项研究中有45个（53％）。在披露基本决策机制的85项研究中，有58个（68％）中，大多数CDSS（44/58，76％）是基于知识的，而近年来，基于非知识的系统的数量一直在增加。在85项披露应用方案的研究中的81个（95％）中，大多数CDSS用于治疗建议（63/81，78％）。在85项研究中，有39名（46％）在披露医师的用户类型中，初级保健医师（20/39，51％）是最常见的，其次是内分泌学家（15/39，39％）和非内分泌专家（8/39，21％）。CDSS在71％（45/63），67％（12/18）和38％（8/21）的研究中显着改善了患者的血糖，血压和脂质谱，分别没有增加降低降低性糖类的风险。结论：CDSS在改善糖尿病护理方面既有效又安全，这意味着它们可能是糖尿病护理中潜在可靠的助手，尤其是对于经验有限的医生和获得医疗资源有限的患者而言。国际注册报告标识符（IRRID）：RR2-10.37766/inPlasy2022.9.0061
用于监测患者的决策支持系统
下一阶段始于家里的患者出院。这里的人仍然是他的病理学。一般条件在很大程度上取决于执行某些食物计算的能力。实际上，初始阶段的患者很少能维持足够的血糖。他们很难从食物摄入量中计算碳水化合物，并且更复杂的是报道胰岛素涵盖摄入的碳水化合物量。为了帮助患者在所有这些计算中定向，将使用自己的实验性Web应用程序，该应用程序呈现出一种菜单系统，可以轻松地重新配置并被患者接受虚拟助手，以预测血糖并计算糖尿病患者的胰岛素的需求[8]。该软件被州立医学与药房大学公共卫生和内分泌学系所接受。
用于优化的人工智能增强决策支持系统
摘要 - 土木工程项目中危险废物的规划、监测和减轻对于保护环境和公众健康来说非常复杂且至关重要。最近，人工智能已成为优化危险废物处理的有力工具。本文探讨了人工智能如何应用于土木工程决策支持系统，以提高危险废物管理的效率、安全性和可持续性。土木工程中的危险废物存在问题，需要创新的解决方案。然后，本文讨论了机器学习算法、数据分析和预测模型如何优化垃圾收集、运输、处理和处置。这些人工智能增强技术通过监控和做出实时决策来改善风险评估和环境合规性。本研究考察了基于人工智能的决策支持系统的案例研究和项目，以确定它们的优缺点。它涵盖了人工智能在危险废物管理中的道德和监管影响。人工智能增强决策支持系统可以优化土木工程中的危险废物处理，减少环境影响，提高安全性并提高生产力。这项研究表明，人工智能可能会彻底改变土木工程项目中的危险废物管理，并鼓励可持续的环保解决方案。
大数据分析和决策支持系统基于深
摘要。随着大数据时代（BD）的出现，人们面临着大规模数据和复杂问题的挑战。这些数据并为决策者提供准确，及时的决策支持已成为当前研究中的热门问题。以营销决策为例，本文基于深度学习（DL）构建了BD分析和计算机辅助决策支持系统（DSS）。首先，系统通过数据预处理和功能提取提取与原始数据营销相关的功能。然后，DL模型用于学习和预测特征，并获得了营销策略的优化方案。最后，通过模拟实验测试了决策系统的实际应用效果，这证明了该方法的可行性和优势。通过采用DL模型，并比较模糊C聚集（FCM）算法和决策树（DT）算法，本文中的算法是稳定性测试中最稳定的算法，可以提供有效且稳定的决策支持。此外，本文中的算法在实时分析中也具有很大的优势，该算法可以快速处理大量数据并满足实时决策的需求。这些优势使基于DL的智能DSS具有广泛的应用前景，并且可以为实践决策问题提供强有力的支持。
需要加强对基于人工智能的决策支持系统对医疗保健服务的影响的评估
a 爱丁堡大学，Usher 研究所，爱丁堡，英国 b 基尔大学，社会、政治和全球研究学院及初级、社区和社会保健学院，基尔，英国 c 麦考瑞大学，澳大利亚健康创新研究所，悉尼，澳大利亚 d 威尔士三一圣大卫大学，斯旺西，英国 e 奥尔堡大学健康科学与技术系，奥尔堡，丹麦 f 德克萨斯大学圣安东尼奥健康科学中心，德克萨斯州圣安东尼奥，美国 g 圣卢克国际大学，公共卫生研究生院，东京，日本 h 犹他大学生物医学信息学系，美国 i UMIT TIROL，私立健康科学与健康信息学大学，医学信息学研究所，蒂罗尔霍尔，奥地利 j 阿姆斯特丹 UMC 所在地 阿姆斯特丹大学，医学信息学系，梅伯格德雷夫 9，阿姆斯特丹，荷兰 k 阿姆斯特丹公共卫生研究所，数字健康与护理质量，荷兰阿姆斯特丹 l 坦佩雷大学，信息技术与芬兰传播科学 m 澳大利亚悉尼麦考瑞大学医学、健康与人文科学学院 n 英国爱丁堡大学科学、技术与创新研究所