XiaoMi-AI文件搜索系统
World File Search System样本量
灵活的微随机试验设计和样本量考虑
摘要 技术进步使得向个人提供移动健康干预成为可能。这种进步催生出了一种新框架，即即时自适应干预，旨在在个人需要时为其提供正确的支持。最近提出了微随机试验设计，以测试这些即时自适应干预措施组成部分的近端效应。然而，现有的微随机试验框架仅考虑在研究开始时添加了固定数量类别的组成部分。我们提出了一种更灵活的微随机试验设计，允许在研究期间向组成部分添加更多类别。请注意，研究期间添加的类别数量和时间需要最初固定。提出的设计是受糖尿病和心理健康自适应通知跟踪和评估研究的合作推动的，该研究学习传递有效的短信，以鼓励糖尿病和抑郁症患者进行身体活动。我们开发了新的检验统计量和相应的样本量计算器，用于灵活的微随机试验，采用的方法类似于纵向数据的广义估计方程。进行了模拟研究以评估样本量计算器，并为计算器开发了 R Shiny 应用程序。
统计考虑：试验设计和样本量
主要终点 实验室确诊的拉沙临床疾病 次要终点 • 感染（可能转为共同主要终点） • 对先前免疫措施的分层分析 • 对不同谱系和/或进化枝的分层分析（筛选分析） • 死亡 • 风险的免疫相关性和保护替代物，即疫苗效力的替代物
样本量很重要：参与者的减少在多大程度上影响神经科学研究的结果。神经营销领域的案例研究
摘要：样本量在科学研究中是一个至关重要的关注点，甚至在行为神经科学中更重要的是，除了最佳实践外，并非总是有可能达到大型实验样本。在这项研究中，我们研究了研究结果如何响应样本量减少。在分析中考虑了涉及四个视频的任务中计算的三个索引，两个与脑脑电图（EEG）活动有关的指数，一个与自主神经生理指标（即心率和皮肤电导率）有关。考虑了样本量的五个亚组（32、28、24、20、16），研究了这些指数的修改，每个子组由36个受试者中的630种不同组合组成，其中36名受试者中的N（n =样本量）与总人群相对于总体（I.E.，36个受试者）。在分析中考虑了相关分析，平方误差（MSE）和索引的标准偏差（STD），并在分析中考虑了三个因素：索引的类型，任务及其持续时间及其持续时间（时间长度）。发现与参与者减少相关的相关性显着下降，以及MSE和STD的显着增加（P <0.05）。指出了结果的阈值，其结果仍然很重要且可比。效果对所有研究变量敏感敏感，但主要效果是由于任务长度引起的。因此，在减少点持续时间时，结果的最小阈值可比。
合成数据与人工智能医疗设备的创新、评估和监管 Puja Myles，公共卫生硕士、博士；Johan Ordish，文学硕士；Richard Branson，理学硕士、文学硕士 摘要 合成数据是模仿真实数据的属性和关系的人工数据。它有望促进数据访问、验证和基准测试，解决缺失数据和欠采样、样本增强以及在临床试验中创建对照组的问题。英国药品和保健产品管理局 (MHRA) 正在利用其目前对高保真合成数据开发的研究，制定其对经过合成数据训练的人工智能医疗设备的监管立场，并将合成数据作为人工智能医疗设备验证和基准测试的工具。 关键词 人工智能作为医疗设备 (AIaMD)、数据隐私、健康数据、合成数据、验证、监管 简介 人工智能 (AI) 在医疗和社会保健领域的应用预计将会兴起，这意味着人工智能作为医疗设备 (AIaMD) 将成为医疗设备中越来越突出的子类别。 1 因此，医疗器械法规是否适合人工智能变得越来越重要，制造商是否了解并遵守其义务也变得越来越重要，其中最主要的是证明其 AIaMD 具有良好的效益风险比。2 强大的数据集是展示 AIaMD 性能的核心，通常是此类设备开发的主要障碍。3 医疗器械监管机构有责任确保制造商拥有履行这些义务所需的工具，并提供更广泛的支持以鼓励此类创新设备的开发。合成数据集的开发很可能成为这样一种辅助工具。本文概述了 MHRA 在研究和开发合成数据方面的努力，并考虑在更广泛的改革背景下使用合成数据，以确保医疗器械法规适用于人工智能。合成数据概况 近年来，人们对合成数据的兴趣日益浓厚，原因有很多，包括在数据治理法规更加严格的世界中可能易于获取、保护患者隐私、在机器学习算法背景下的基准测试和验证能力，以及解决真实数据局限性的能力，如数据缺失、欠采样和样本量小。4 更重要的是，尽管合成数据的潜在应用已经讨论了多年，但直到最近，合成数据生成方法的进步才能够产生高质量的合成数据。5 定义合成数据 从概念上讲，合成数据是模仿真实数据的属性和关系的人工数据。合成数据的质量取决于生成合成数据的方法。合成数据的质量通常用其“效用”或“保真度”来描述。“能够捕捉各种数据字段之间复杂的相互关系以及真实数据的统计特性的合成数据集可称为“高实用性”或“高保真度”合成数据集。在患者医疗保健数据方面，高保真度合成数据集将能够捕捉复杂的临床关系，并且在临床上与真实患者数据难以区分。高效用合成数据的生成往往需要大量资源，并且根据需要合成数据的应用，使用低效用或中等效用合成数据可能是可以接受的。
合成数据与人工智能医疗设备的创新、评估和监管 Puja Myles，公共卫生硕士、博士；Johan Ordish，文学硕士；Richard Branson，理学硕士、文学硕士 摘要 合成数据是模仿真实数据的属性和关系的人工数据。它有望促进数据访问、验证和基准测试，解决缺失数据和欠采样、样本增强以及在临床试验中创建对照组的问题。英国药品和保健产品管理局 (MHRA) 正在利用其目前对高保真合成数据开发的研究，制定其对经过合成数据训练的人工智能医疗设备的监管立场，并将合成数据作为人工智能医疗设备验证和基准测试的工具。 关键词 人工智能作为医疗设备 (AIaMD)、数据隐私、健康数据、合成数据、验证、监管 简介 人工智能 (AI) 在医疗和社会保健领域的应用预计将会兴起，这意味着人工智能作为医疗设备 (AIaMD) 将成为医疗设备中越来越突出的子类别。 1 因此，医疗器械法规是否适合人工智能变得越来越重要，制造商是否了解并遵守其义务也变得越来越重要，其中最主要的是证明其 AIaMD 具有良好的效益风险比。2 强大的数据集是展示 AIaMD 性能的核心，通常是此类设备开发的主要障碍。3 医疗器械监管机构有责任确保制造商拥有履行这些义务所需的工具，并提供更广泛的支持以鼓励此类创新设备的开发。合成数据集的开发很可能成为这样一种辅助工具。本文概述了 MHRA 在研究和开发合成数据方面的努力，并考虑在更广泛的改革背景下使用合成数据，以确保医疗器械法规适用于人工智能。合成数据概况 近年来，人们对合成数据的兴趣日益浓厚，原因有很多，包括在数据治理法规更加严格的世界中可能易于获取、保护患者隐私、在机器学习算法背景下的基准测试和验证能力，以及解决真实数据局限性的能力，如数据缺失、欠采样和样本量小。4 更重要的是，尽管合成数据的潜在应用已经讨论了多年，但直到最近，合成数据生成方法的进步才能够产生高质量的合成数据。5 定义合成数据 从概念上讲，合成数据是模仿真实数据的属性和关系的人工数据。合成数据的质量取决于生成合成数据的方法。合成数据的质量通常用其“效用”或“保真度”来描述。“能够捕捉各种数据字段之间复杂的相互关系以及真实数据的统计特性的合成数据集可称为“高实用性”或“高保真度”合成数据集。在患者医疗保健数据方面，高保真度合成数据集将能够捕捉复杂的临床关系，并且在临床上与真实患者数据难以区分。高效用合成数据的生成往往需要大量资源，并且根据需要合成数据的应用，使用低效用或中等效用合成数据可能是可以接受的。