XiaoMi-AI文件搜索系统
World File Search System决策支持
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。
模拟激光武器系统决策支持，利用机器学习对抗无人机群
本论文展示了机器学习的一种应用，它为在复杂战术情况下操作激光武器系统的战士提供自动决策支持。该论文使用 NPS 建模虚拟环境与仿真 (MOVES) 研究所的 Swarm Commander 建模和仿真软件环境来开发模拟数据集，模拟涉及舰载激光武器系统防御无人机群威胁的战争游戏场景。模拟数据集用于训练机器学习算法，以预测复杂战场中异构无人机群的最佳交战策略。评估了多种机器学习技术，并选择分类树技术作为首选方法。最终算法在根据无人机威胁类型、数量和激光武器系统攻击策略正确预测交战结果方面总体准确率为 96%。研究结果表明：（1）建模和仿真对于支持战术机器学习应用开发的实用性；（2）机器学习对支持未来战术行动的潜力；（3）机器学习和自动化总体上可以减轻未来作战人员在复杂威胁环境中做出关键决策时的认知负荷。
电池制造知识基础架构的多准则优化基于模拟设计的决策支持
摘要该立场论文报告了项目电池组件双胞胎（BATCAT）中的需求分析，该分析开发了用于电池制造的数字双胞胎。重点是在语义Web技术与材料科学与工程之间的交集，特别是语义互操作性层和决策支持系统（DSS）之间的共同设计。首先，提供了有关架构的外观以及基于哪些技术和以前的工作的愿景和想法。的关键要素包括在语义技术的侧面，将元对象设施（MOF）带有Ontocommons生态系统作为元元素级（MOF M3级），这是一种具有OWL EL或RL ELL表现性的系统，或基于MOF M2级的MetAmodel（MOF M2级）和MOF M1-Ele-level Models。在DSS的侧面，答案集编程将与多标准优化（MCO）结合使用，以便将MCO应用于模型参数化和仿真设计，以充分利用计算资源和数据。
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
电池制造知识基础架构的多准则优化基于模拟设计的决策支持
摘要该立场论文报告了项目电池组件双胞胎（BATCAT）中的需求分析，该分析开发了用于电池制造的数字双胞胎。重点是在语义Web技术与材料科学与工程之间的交集，特别是语义互操作性层和决策支持系统（DSS）之间的共同设计。首先，提供了有关架构的外观以及基于哪些技术和以前的工作的愿景和想法。的关键要素包括在语义技术的侧面，将元对象设施（MOF）带有Ontocommons生态系统作为元元素级（MOF M3级），这是一种具有OWL EL或RL ELL表现性的系统，或基于MOF M2级的MetAmodel（MOF M2级）和MOF M1-Ele-level Models。在DSS的侧面，答案集编程将与多标准优化（MCO）结合使用，以便将MCO应用于模型参数化和仿真设计，以充分利用计算资源和数据。
基于人工智能的医疗决策支持工具的伦理、法律和社会考虑：范围审查
简介：人工智能 (AI) 在医疗保健领域的应用，其最新进展有望解决许多现有的全球问题，促进人类健康和应对全球健康挑战。这篇全面的评论不仅旨在揭示潜在的伦理和法律问题，而且还揭示社会影响 (ELSI)，这些影响在最近的评论中被忽视，但在开发阶段值得同等重视，当然在医疗保健实施之前更是如此。它旨在指导各种利益相关者（例如设计师、工程师、临床医生）在设计阶段使用设计伦理 (EbD) 方法解决人工智能的 ELSI。方法：作者遵循系统化的范围界定方法，并在以下数据库中搜索：Pubmed、Web of science、Ovid、Scopus、IEEE Xplore、EBSCO Search（Academic Search Premier、CINAHL、PSY CINFO、APA PsycArticles、ERIC）以查找截至 2021 年 1 月医疗保健领域 AI 的 ELSI。数据被绘制并综合起来，作者对收集的数据进行了描述性和主题分析。结果：在审查了 1108 篇论文后，最终分析中纳入了 94 篇。我们的结果表明，学术界对 AI 领域的 ELSI 的兴趣日益浓厚。我们在分析中发现的主要问题分为四个主要影响集群：AI 算法、医生、患者和医疗保健总体。最普遍的问题是患者安全、算法透明度、缺乏适当的监管、责任和问责制、对医患关系的影响以及人工智能医疗保健的治理。结论：我们的审查结果证实了人工智能显着改善患者护理的潜力，但其实施的缺点与尚未解决的复杂 ELSI 有关。大多数 ELSI 都提到了对互惠和信托医患关系的影响和延伸。随着基于人工智能的决策工具的整合，双边医患关系可能会转变为三边关系。
可靠性指标对预测过程管理决策支持系统的使用、接受和偏好的影响
摘要 尽管数据、模拟技术和预测分析的可用性不断提高，但目前尚不清楚用户是否会信任决策支持系统 (DSS)，以及在何种条件下会信任。DSS 旨在通过更准确的预测和建议，帮助用户在专业任务中做出更明智的决策。这项混合方法用户研究通过分析 DSS 用户界面中集成可靠性指示对首次使用不确定情况下的流程管理的潜在影响，为信任校准研究做出了贡献。十位专门从事建筑数字工具的专家被要求在一个改造项目场景中测试和评估两个版本的 DSS。我们发现，虽然用户表示他们需要完全访问所有信息才能做出自己的决定，但 DSS 中的可靠性指示往往会让用户更愿意做出初步决策，用户会根据指示的可靠性调整他们的信心和依赖性。DSS 中的可靠性指示还增加了主观有用性和系统可靠性。根据这些发现，建议在可靠性指示设计中，从业者考虑在 DSS 用户界面中显示多个粒度级别的可靠性信息组合，包括可视化，例如交通信号灯系统，并为可靠性信息提供解释。进一步的研究方向
人工智能驱动的临床决策支持带来的自动化偏见和辅助人工智能危害风险
然而，在实践中，临床医生面临的挑战是如何最好地解释他们从人工智能工具中获得的信息。新型人工智能技术是“黑匣子”，临床医生可能不确定是否或何时做出与基于提供帮助的人工智能算法的建议相悖的决策。为了解决这个问题，模型开发人员已经开始添加一层可解释性，以便临床医生能够更好地解释模型预测，并了解模型何时依赖于启发式方法而不是临床相关的数据元素。5 这些启发式方法可能会使人工智能模型预测产生偏差，可能是由于在选择性、非代表性人群中开发、6 未充分遵循开发最佳实践以及验证有限造成的。美国食品药品监督管理局 (FDA) 在其针对临床决策支持的人工智能技术的指南草案中呼吁对模型输出进行可解释性解释。7
决策支持干预措施和预测模型（算法透明度）的要求HTI-1最终规则
•本演讲中包含的有关“健康数据，技术和互操作性：认证计划更新，算法透明度和信息共享”（HTI-1）最终规则的最终规则基于HHS批准的文件，该文件已发布在Healthit.gov上，并将提交给联邦登记册的办公室。该文件尚未被放置在公共显示上或在联邦公报上发布。在Healthit.gov上发布的文件可能与已发布的文件略有不同。联邦公报上发表的最终规则是由HHS批准的官方文件，该文件修改了45 C.F.R.中包含的规定。部分170和171。虽然已竭尽全力确保重述这些规定的准确性，但本介绍不是法律文件。请注意，其他联邦，州和地方法律也可能适用。
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。