XiaoMi-AI文件搜索系统
World File Search System决策支持
在供应链决策支持中启用可解释的人工智能功能
抽象可解释的人工智能（XAI）在实现明智决定的过程中发挥了作用。现代各种供应链（SC）平台的出现改变了SC相互作用的性质，导致了显着的不确定性。这项研究旨在对现有的有关决策支持系统（DSS）的文献进行彻底分析，并在SC领域内对XAI功能的结合。我们的分析揭示了XAI对SC领域决策过程的影响。本研究利用Shapley添加说明（SHAP）技术使用Python机器学习（ML）过程分析在线数据。解释性算法是专门为通过为其产生的预测提供理由来提高ML模型的清醒性的。本研究旨在建立可衡量的标准，以识别XAI和DSS的组成部分，从而在SC的背景下增强决策。这项研究评估了对他们做出预测的能力，在线数据集的利用，所检查的变量数量，学习能力的发展以及在决策背景下进行验证的研究，强调了需要在不确定条件下涉及智能决策的其他探索领域的研究领域。
Web-LCCA 一种用于...的采购决策支持工具
作者：AB Calvo · 2001 · 被引用 4 次 — 美国显示器联盟 (USDC) 已采取... 该模型已广泛应用于军事采购计划，作为决策支持工具。
GPT-4作为缺血性中风管理中的临床决策支持工具：评估研究
背景：脑血管疾病是全球第二大死亡原因，也是残疾负担的主要原因之一。人工智能的进步有可能彻底改变医疗保健的服务，尤其是在诸如缺血性中风管理等关键决策情况下。目标：本研究旨在评估GPT-4在为急诊科神经病学家提供临床支持的有效性，通过将其建议与急性缺血性中风管理中的专家意见和现实成果进行比较。方法：回顾性审查了100例急性中风症状患者的队列。用于决策的数据包括患者的病史，临床评估，成像研究结果以及其他相关细节。每个病例都独立呈现给GPT-4，该病例提供了有关治疗适当性，使用组织纤溶酶原激活剂以及需要进行血管内血栓切除术的规模建议（1-7）。此外，GPT-4估计了每位患者的90天死亡率概率，并阐明了其为每个建议的推理。然后将建议与中风专家的意见和实际治疗决策进行比较。结果：在我们的100例患者的队列中，GPT-4的治疗建议与专家意见（曲线下的面积[AUC] 0.85，95％CI 0.77-0.93）和实际治疗决策（AUC 0.80，95％CI 0.69-0.91）。值得注意的是，在某些情况下，GPT-4建议比人类专家更具侵略性的治疗方法，其中11个实例，GPT-4建议对专家意见进行组织纤溶酶原激活剂的使用。gpt-4在建议血管血栓切除术（AUC 0.94，95％CI 0.89-0.98）中与现实世界的决策显示出几乎完美的一致性，并且对组织纤溶酶原激活剂治疗（AUC 0.77，95％CI 0.68-0.86）进行了强有力的一致性。为了进行死亡率预测，GPT-4在其前25个高风险预测中的13例死亡中有10个（77％）（AUC 0.89，95％CI 0.8077-0.9739;危险比6.98，95％CI 2.88-16.9; p <.001; p <.001; p <.001; p <.001），诸如p <.001），诸如p <.001），诸如实践模型，均录制了> 70；和前提（AUC 0.77； P = .07）。结论：这项研究证明了GPT-4是急性中风管理中可行的临床决策支持工具的潜力。其提供可解释建议的能力，而无需结构化数据输入与
人工智能驱动的临床决策支持系统
随着人工智能（AI）越来越嵌入医疗保健服务中，本章探讨了开发可靠和道德临床决策系统（CDSS）的关键方面。从从传统统计模型到复杂的机器学习方法的基本过渡开始，这项工作研究了严格的验证策略和绩效评估方法，包括模型校准和决策曲线分析的关键作用。本章强调，在医疗保健中创建值得信赖的AI系统不仅需要技术准确性。它需要仔细考虑公平，解释性和隐私。强调通过AI确保公平的医疗保健提供的挑战，讨论识别和减轻临床预测模型中偏见的方法。然后，本章将解释性挖掘为以人为中心的CDS的基石。此重点反映了这样的理解，即医疗保健专业人员不仅必须信任AI建议，而且还必须理解其基本推理。对医学AI系统隐私漏洞的分析，从深度学习模型中的数据泄漏到针对模型解释的复杂攻击。本文探讨了隐私保护策略，例如差异隐私和联合学习，同时承认隐私保护和模型绩效之间的固有权衡。从技术验证到道德考虑，这种进步反映了开发AI系统的多方面挑战，这些系统可以无缝且可靠地整合到日常临床实践中，同时保持患者护理和数据保护的最高标准。
简单的决策支持 - 不是那么简单
手动和个人案件处理，而不是系统当事方获得信息的访问，理由指导澄清责任lign clarl offorce of trump ofform或Trustworth Administration
abimed：迈向一种用于药物审查和多药管理的创新临床决策支持系统
摘要。老年人中的多药是临床（不良药物事件的增加）和经济问题的公共卫生问题。一种解决方案是药物审查，这是药剂师对患者药物的优化治疗的结构化评估。但是，此任务乏味，认知复杂且容易出错，并且仅提出了少数临床决策支持系统来支持它。现有系统是实施准则的基于规则的系统，或者是呈现药物知识的文献系统。在本文中，我们介绍了Abimed的研究项目，通过文献评论和头脑风暴，我们确定了五项用于药物审查的决策支持系统的候选创新：从GP到药剂师的患者数据转移，使用语义技术，基于规则的方法和基于规则的方法和纪录片的方法，机器学习协会，使用机器学习以及使用药剂师和GP的两条讨论。
用于早期发现和进展神经系统疾病的纵向医疗分析：临床决策支持系统
摘要 包括阿尔茨海默病 (AD) 在内的神经系统疾病正在成为全球日益严峻的健康挑战。本研究提出了一种两阶段决策支持系统 (DSS)，该系统使用机器学习和神经成像技术进行早期 AD 检测和监测。第一阶段使用深度学习来预测 AD 可能性。第二阶段利用 3D 卷积神经网络来识别 AD 进展中的关键大脑区域。值得注意的是，DSS 使用遮挡图可解释性方法为机器学习的“黑匣子”问题提供了解决方案，从而提高了决策透明度。其设计可适应使用成像数据的其他疾病，凸显了其广泛的医疗保健潜力。通过提供一种创新且可解释的改进疾病管理工具，本研究有助于促进更好的患者护理和治疗结果。关键词：神经系统疾病、阿尔茨海默病、决策支持系统、疾病管理、机器学习、卷积神经网络。
Hybrid-AI方法用于高级神经胶质瘤精确治疗的决策支持
为新的和更大的问题开发智能决策支持系统驱动了人工智能（AI）的几个核心领域的发展，例如机器学习（ML）和约束编程（CP）。尽管ML和CP都成功地用于支持决策过程，但它们的组合尚未得到充分探索，尤其是在癌症研究领域。高级神经胶质瘤（HGGS）是大脑中最常见的恶性肿瘤。他们会影响各个年龄段的人，并且普遍致命。尽管进行了数十年的研究，但治疗方案缺乏靶向疗法，而是仅限于对肿瘤的手术切除（如果可能的话），然后使用辐射和DNA损伤诱导化学疗法进行治疗（Ostrom等，2018）。对这些有限和严厉的治疗的抵抗力在所有患者中都会发展出来，强调了对新的精密药房靶向方法的迫切需求。缺乏可用的治疗并不是由于缺乏努力。在过去的15年中，已经进行了超过400次临床试验，以测试新的治疗方法（Bagley等，2022），但没有显示明显的临床益处。在这一领域的一个重大问题是，对这些试验失败的原因有很糟糕的理解，因为为每个患者收集纵向样本需要开颅手术，因此在诊断后患者的短期内，高度侵入性且很少有动机的努力。因此，与其他癌症类型相比，患者衍生的细胞系和异种移植模型的可用性显着有限。总的来说，这最终意味着，当选择最合适的治疗高级神经胶质瘤的疗法时，我们正在盲目飞行。这要求将大规模基因组和功能数据与人工智能方法的紧急整合在一起，以提供决策支持工具，以提高HGG治疗的有效性，使其成为推动智能决策支持方法限制的理想应用。
纹理分析和人工智能作为诊断多发性硬化症的决策支持工具 - 系统评价
麦当劳标准（Thompson等，2018），MS的诊断结合了临床，成像和实验室证据。神经系统检查与成像[磁共振成像（MRI）或光学相干断层扫描]和神经生理测试（视觉诱发电位）结合使用。在MRI上患有临床症状和病变的患者中，脑脊液通过腰椎穿刺收集。在脑脊液流体中存在寡克隆条带证实了MS的诊断（Thompson等，2018）。磁共振成像技术，例如双重反转恢复，相位敏感的反转恢复和使用梯度回声序列的磁化的快速采集来突出大脑皮层的MS病变。这些区域是由T1，T2或流体衰减反转恢复（Flair）方法获得的MRI图像中存在的高强度白质区域（Hitziger等，2022）。在图1a上，有一个示例MRI T1图像，带有两个病变，这些损伤显示为白质的高强度区域（Sarica和Seker，2022年）。在长轴中至少有3毫米的高强度区域被认为是病变（Thompson等，2018）。监测该疾病的演变，但治疗的效率也通过在年度随访MRI图像上出现或没有新病变来分析（Martínez-Heras等人，2023年）。在MRI图像上对脱髓鞘区域的手动识别和划定（图1B）具有一些缺点，耗时，需要合格的人员。其结果取决于专家解释MRI图像的经验。除了人为因素的主观性外，还可能发生差异，这是由于不同分辨率或具有各种质量的MRI图像而发生的。为了减少这些缺点，已经提出了几种用于诊断和监测MS的自动解决方案（Shoeibi等，2021）。通过在深度学习算法中使用神经网络与纹理分析相结合（Componick等，2021a），获得了与专家注释相当的结果。纹理分析是医学图像处理中的一种已知且有前途的技术，可在检测硬化病变方面具有显着的结果（Elahi等，2020； Boca等，2023）。通常，尝试通过那些特征来检测病变，这些特征是强度，照明，几何变换或噪声变化的图像不变的。为此，量化了像素强度和像素分布的相互关系，因此获得了许多特征。这些功能可以分为以下类别：第一阶特征（灰度直方图分析），二阶特征（灰度依赖矩阵），光谱特征和分形特征（小波变换和傅立叶变换）。用随机纹理识别的像素被归类为噪声（Friconnet，2021）。为了提高信号噪声比并降低噪声，将包括数学过滤组成的预处理操作应用于MRI图像。为例，高斯带通滤波器用于消除背景噪声（Kumar等，2023）。放射线学的方法由于出现了用于检测医学图像病变的自动方法（Lambin等，2012），因此有必要开发一种方法来通过自动检测方法来分析和评估结果的可重复性和质量。放射素学已逐渐应用于病理损害，诊断，差异诊断和MS预后的分析。开发了使用放射线特征的机器学习（ML）模型来检测MS病变（Peng等，2021）。
对基于AI的临床决策支持系统的系统审查：从开发和实施到应用程序
AI-CDS可以集成到医疗保健中，以提高患者的护理质量，减少治疗差异并最大程度地使用资源。例如，这样的系统可以通过高级数据分析和机器学习提供有意义的见解，以对可行的证据。所有这些都在试图将AI融入临床环境时带来了很多挑战，例如对算法偏见，强大的监管框架和工作变化的道德关注。在2014年至2024年之间，在PubMed，Scopus和Google Scholar数据库中使用了已发表的来源。审查包括随机对照试验，观察性研究和元分析，但不包括非临床遭遇，会议会议记录和社论。AI和临床决策的主要主题涉及XAI需要透明的需求以及多学科专业的作用。此处提出的指示表达了AI-CDSS在各种与健康相关领域提供的高希望，但指出需要进行监管措施，道德问题和用户界面，以有效利用临床实践。