XiaoMi-AI文件搜索系统
World File Search System碳酸氢
人工智能应用，用于在下弗里利亚平原（意大利东北）
地热能作为可持续和清洁能源取决于储层温度的准确估计。理解含水层温度对于优化低率地地热系统开发至关重要。预测算法的进步可以提高地热效率，而间接温度测量的常规方法和地球化学分析中的假设会导致不确定性。作为一种措施，本研究对六种机器学习算法进行了全面评估，包括极端梯度提升（XGBoost），决策树，广义回归神经网络，极端的随机树，径向基础功能和弹性网。我们采用了基本绩效指标，包括确定系数（R 2）得分，均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE）和差异（VAF）来阐明其预测精度和较低的Friulian Plain（Northerian Plain（Northerian Plain）（Northerev）（easterth）的预测准确性和普遍性作用。在经过审查的Al Gorithm中，XGBoost成为一个预测的示例，在测试数据集中取得了0.9930的显着r 2分数，始终为0.788，MAE为0.587，MAE为0.587，MAPE，MAPE为1.909，MAPE为1.909，高VAF为99.30，其出色的精确度和强大的精确度和强大的精确度。值得注意的是，其他四个模型的性能比XGBoost稍弱，而弹性网显示中等的预测能力，这说明了数据库的复杂性。进行了灵敏度分析，以确定影响温度预测的主要因素。与其他算法相比，Wilcoxon签名的秩检验证实了XGBoost在估计地热温度方面的出色性能，统计证据支持其精度和可靠性。用于不确定性分析的蒙特卡洛模拟强调了模型选择，准确性和不确定性管理在较低弗里利亚平原的地热项目计划中的重要性。在考虑的参数中，碳酸氢盐在0.51时的最高显着性，这对于准确的温度预测至关重要，因为它的缓冲能力直接影响水的热特性。镁和电导率每种都有0.11的贡献，也起着重要作用，因为它们对水的保留和分布能力的影响。水深为0.08，对预测模型中的温度曲线也有很大的影响。总而言之，在下部弗里利亚平原中，碳酸盐储层中XGBoost对含水层温度的准确预测强调了其优化地热资源的价值，并突出了对温度的最重要影响。
开发并部署全国范围内的糖尿病患者慢性肾病进展预测模型
慢性肾病 (CKD) 是糖尿病引起的主要并发症，约 25% - 40% 的糖尿病患者会患上糖尿病肾病 (1)。糖尿病不仅是最常见的疾病之一，也是导致肾衰竭的主要原因。根据美国肾脏数据系统 (USRDS) 的数据 (https://adr.usrds.org/2021/end-stage-renal-disease/11-international-comparisons)，在新加坡，糖尿病占需要透析的终末期肾衰竭 (ESKF) 病例的三分之二，患病率位居世界最高之列。糖尿病通过两种主要途径导致肾脏损害：慢性高血糖和肾素-血管紧张素系统的激活。这些过程最终会导致肾小球硬化、白蛋白尿和肾功能损害 (2)。预计到 2040 年，CKD 将成为全球第五大死亡原因 (3)。由于 CKD 在早期往往没有症状，因此通常诊断较晚。ESKF 患者的治疗需要大量资源，对于资源有限、预算受控的医疗保健系统而言，这仍然是一个巨大的挑战。患者本身的生活质量也会显著下降，并因病情而背上经济负担。识别出肾功能恶化风险高的患者对于避免或延缓他们发展为 ESKF 至关重要。这些患者可以在早期接受治疗，并尽早参与长期肾脏护理计划。肾脏病评估、管理和优化 (NEMO) 计划的引入是为了在初级保健环境中更早地优化肾脏保护治疗。与未参加 NEMO 的糖尿病患者相比，参加 NEMO 计划的患者肾功能恶化率降低了 28% ( https://www.healthhub.sg/az/medical-and-care-facilities/nemo-programme-for-diabetic-kidney-patients )。然而，NEMO 计划仅关注新加坡一个综合诊所集群的患者，且仅针对一个治疗参数。因此，由新加坡所有公立医院的肾病专家组成的整体降低和跟踪慢性肾脏病方法 (HALT-CKD) 计划于 2017 年启动，作为 NEMO 计划的增强和扩展版本。HALT-CKD 国家计划的目标和跟踪对象更为广泛，即新加坡所有 1 期至 4 期 CKD 患者。该计划也在新加坡所有综合诊所开展，旨在识别和控制 CKD 的循证风险因素，以延缓 CKD 进展。一些西方国家已研究了 CKD 进展的预测方法，以协助患者的早期干预。Tangri 等人（4）在加拿大人群中建立了 CKD 进展为 ESKF 的风险模型，并发现了一系列重要指标——年龄、性别、估计肾小球滤过率 (eGFR)、以及尿白蛋白、血清钙、血清磷酸盐、血清碳酸氢盐和血清白蛋白的水平。后来，该模型针对多国队列进行了评估和重新校准（ 5 ）。Tangri 等人的方法也用于预测需要肾脏替代治疗的肾衰竭的概率和时间（ 6 ）。Ramspeck 等人（ 7 ）选择了 11 个肾衰竭预测模型，并在两个大型队列中对其进行了验证