XiaoMi-AI文件搜索系统
World File Search System统计量
基因组偏移统计的定量理论|农业
基因组偏移统计数据预测，基于基因型与环境变化的关联，人群对快速栖息地改变了人口的疾病。尽管有大量证据表明经验有效性，但基因组偏移统计量具有良好的局限性，并且缺乏一种理论，可以促进对预测价值的解释。在这里，我们阐明了基因组偏移统计量与由环境选择的基因座控制的未观察到的适应性特征之间的理论关系，并提出了一项几何措施，以预测当地环境的快速变化后的适应性。我们的理论的预测在计算机模拟和关于从共同花园实验中获得的非洲珍珠小米（Cenchrus Americanus）的经验数据中得到了验证。我们的结果提出了对基因组偏移统计的统一透明度，并在面对环境变化时考虑了其潜在的保护管理中的潜在应用时，为理论基础提供了必要的基础。
附加文件2。Cosmin评估-Repisalud
框A。内部一致性是否？1的比例包括效应指标，即是基于反射模型吗？x设计要求是不是吗？2是丢失物品的百分比吗？x 3是否有关于如何处理丢失物品的描述？x 4内部一致性分析中的样本量是否足够？x 5是检查比例的单维性吗？即是因素分析还是应用IRT X模型？6中的样本量是否包含在单维性分析中？x 7是分别计算出每个（一维）（sub）比例x的内部一致性统计量？8研究的设计或方法中是否有重要缺陷？x统计方法是否是经典测试理论（CTT）的NA 9：Cronbach的Alpha是否计算出来？x 10的二分法得分：Cronbach的Alpha还是KR-20计算的？x 11 for irt：在全球级别上是否有拟合统计量的优点？例如χ2，可靠性x估计潜在特征值的系数（（主题或项目）分离索引）
临床科学人工智能视网膜血管测量用于预测循环死亡率、心肌梗塞和中风
摘要 目的 我们研究加入人工智能 (AI) 支持的视网膜血管测量 (RV) 是否能改善现有的中风、心肌梗死 (MI) 和循环死亡率风险算法。方法 AI 支持的视网膜血管图像分析处理了 88 052 名英国生物库 (UKB) 参与者（图像捕捉时年龄为 40-69 岁）和 7411 名欧洲癌症前瞻性调查 (EPIC)-诺福克参与者（年龄为 48-92 岁）的图像。提取了视网膜小动脉和小静脉宽度、曲折度和面积。在 UKB 中使用多变量 Cox 比例风险回归开发了循环死亡率、中风和 MI 的预测模型，并在 EPIC-Norfolk 中进行外部验证。使用乐观调整校准、C 统计量和 R 2 统计量评估模型性能。将 RV 添加到 Framingham 风险评分 (FRS) 中，以比较其对新发卒中和新发 MI 的表现，以及基于 RV、年龄、吸烟状况和病史（抗高血压/降胆固醇药物、糖尿病、现患卒中/MI）的更简单模型。结果 基于 65 144 名参与者（平均年龄 56.8 岁；中位随访期 7.7 年）开发了 UKB 预后模型，并在 5862 名 EPIC-Norfolk 参与者（分别为 67.6 年、9.1 年）中进行了验证。男性和女性循环死亡率预测模型的乐观调整 C 统计量和 R 2 统计量分别在 0.75–0.77 和 0.33–0.44 之间。对于新发卒中和 MI，在 FRS 中添加 RV 并未改善任何一个队列的模型性能。但是，更简单的 RV 模型的表现与 FRS 相同或更好。结论 RV 为血管健康的传统风险评分提供了一种替代预测生物标志物，无需采血或测量血压。需要进一步研究 RV 在人群筛查中的应用，以对高风险人群进行分类。
使用传统和机器学习算法预测严重创伤性脑损伤的死亡率
摘要 对患者的创伤性脑损伤 (TBI) 进行预后预测对于临床决策和医疗政策制定至关重要。本研究旨在开发和验证严重创伤性脑损伤 (sTBI) 后住院死亡率的预测模型。我们开发并验证了逻辑回归 (LR)、LASSO 回归和机器学习 (ML) 算法，包括支持向量机 (SVM) 和 XGBoost 模型。其中包括 54 个候选预测因子。模型性能以判别力 (C 统计量) 和校准 (截距和斜率) 来表示。在模型开发方面，纳入了欧洲神经创伤协作 TBI 效果研究 (CENTER-TBI) 中国注册研究中的 2804 名 sTBI 患者。对 CENTER-TBI 欧洲注册研究中的 1113 名 sTBI 患者进行了外部验证。XGBoost 在死亡率预测方面实现了高度判别力，并且其表现优于逻辑回归和 LASSO 回归。本研究建立的XGBoost模型也优于现有的预测模型，包括国际临床试验预后与分析任务（IMPACT）核心模型和国际临床试验预后与分析任务（CRASH）基本模型。当包含54个变量时，XGBoost和SVM在内部验证中达到0.87（95％置信区间[CI]：0.81-0.92）和0.85（95％CI：0.79-0.90）的C统计量，在外部验证中达到0.88（95％CI：0.87-0.88）和0.86（95％CI：0.85-0.87）。简化版的 XGBoost 和 SVM 使用通过递归特征消除 (RFE) 选择的 26 个变量，在内部验证中达到 C 统计量 0.87（95% CI：0.82-0.92）和 0.86（95% CI：0.80-0.91），在外部验证中达到 C 统计量 0.87（95% CI：0.87-0.88）和 0.87（95% CI：0.86-0.87）。但是，当包含的变量数量减少时，ML 和 LR 之间的差异会缩小。所有预测模型都可以通过基于网络的计算器访问。格拉斯哥昏迷量表 (GCS) 评分、年龄、瞳孔对光反射、脑区损伤严重程度评分 (ISS) 以及急性
流感疫苗接种后面瘫
摘要 背景与目的 已报告数例接种流感疫苗后出现面瘫病例，但最近的监测研究并未显示风险增加。在本研究中，我们分析了疫苗不良事件报告系统 (VAERS) 数据，以确定接种流感疫苗的人群的面瘫报告率是否高于接种其他疫苗的人群。方法 我们使用《监管活动医学词典》首选术语评估了 2015 年 1 月至 2019 年 10 月期间接种流感疫苗的人群中面瘫的报告。进行不成比例分析以确定比例报告比 (PRR)、卡方统计量和报告比值比 (ROR) 以及 95% 置信区间 (CI)。还分析了病例的人口统计学和临床特征。结果 在研究期间报告了 250 例接种流感疫苗后出现面瘫的病例。患者的中位年龄为 45 岁（四分位距为 30–57 岁）；132 名（52.8%）患者为女性。大多数患者通过肌肉注射三价或四价季节性流感疫苗。PRR、卡方统计量和 ROR（95% CI）分别为 2.44、122.32 和 2.44（2.08–2.88）；排除同时伴有肢体轻瘫/瘫痪或格林-巴利综合征的病例，不成比例统计量分别为 2.30、89.37 和 2.30（1.93–2.75）。结论我们的研究显示，与其他疫苗相比，接种流感疫苗后面瘫的报告率增加。考虑到 VAERS 数据库分析的固有局限性，以及不成比例测量仅表明存在信号的事实，我们的研究结果需要在精心设计的前瞻性药物流行病学研究中进行探索。
使用机器学习来测试联合分析中的因果假设
抽象的联合分析是一种流行的实验设计，用于测量多维偏好。许多研究人员专注于估计每个因素的平均边际影响，同时平均其他因素。尽管这允许基于直接设计的估计，但结果严重取决于因素相互作用的方式。一种基于模型的替代方法可以计算各种兴趣，但需要正确的模型规格，这是与许多因素的联合分析的挑战性任务。我们根据条件随机测试（CRT）提出了一种新的假设检验方法，以回答联合分析的最基本问题：考虑到其他因素，感兴趣的因素是否重要？尽管它仅提供对这些二进制问题的正式测试，但CRT仅基于因素的随机化，因此不需要建模假设。这意味着CRT可以通过启用任何测试统计量（包括基于复杂的机器学习算法的测试统计量）来提供强大而假设的统计测试。我们还展示了如何测试常用的规律性假设。最后，我们将提出的方法应用于移民偏好的联合分析。可以实施一个开源软件包。提出的方法是通过开放式软件R软件包CRTConchoint实现的，可通过综合R档案网络https://cran.r-project.org/web/web/packages/crtconjoint/index.html获得。
使用机器学习来测试联合分析中的因果假设
抽象的联合分析是一种流行的实验设计，用于测量多维偏好。许多研究人员专注于估计每个因素的平均边际影响，同时平均其他因素。尽管这允许基于直接设计的估计，但结果严重取决于因素相互作用的方式。一种基于模型的替代方法可以计算各种兴趣，但需要正确的模型规格，这是与许多因素的联合分析的挑战性任务。我们根据条件随机测试（CRT）提出了一种新的假设检验方法，以回答联合分析的最基本问题：考虑到其他因素，感兴趣的因素是否重要？尽管它仅提供对这些二进制问题的正式测试，但CRT仅基于因素的随机化，因此不需要建模假设。这意味着CRT可以通过启用任何测试统计量（包括基于复杂的机器学习算法的测试统计量）来提供强大而假设的统计测试。我们还展示了如何测试常用的规律性假设。最后，我们将提出的方法应用于移民偏好的联合分析。可以实施一个开源软件包。提出的方法是通过开放式软件R软件包CRTConchoint实现的，可通过综合R档案网络https://cran.r-project.org/web/web/packages/crtconjoint/index.html获得。
Consensify：一种从古基因组数据集生成伪单倍体基因组序列并降低错误率的方法
摘要：古基因组分析的标准做法是将映射的短读数据转换为伪单倍体序列，通常是从映射读堆栈中随机选择一个高质量的核苷酸。这可以控制由于差异测序覆盖率而导致的偏差，但不能控制差异率和测序错误类型，这些错误在从古代样本获得的数据集中通常很大且多变。这些错误可能会扭曲系统发育和种群聚类分析，并误导使用 D 统计量的混合测试。我们介绍了一种生成伪单倍体序列的方法 Consensify，它可以控制由差异测序覆盖率导致的偏差，同时大大降低错误率。错误校正直接来自数据本身，无需额外的基因组资源或简化假设（例如同时采样）。对于系统发育和种群聚类分析，我们发现与基于单读采样的方法相比，Consensify 受人工制品的影响较小。对于 D 统计量，Consensify 对假阳性的抵抗力更强，并且与其他常用方法相比，不同实验室协议导致的偏差似乎影响较小。尽管 Consensify 是针对古基因组数据开发的，但它适用于任何低到中等覆盖率的短读数据集。我们预测，Consensify 将成为未来古基因组研究的有用工具。
电离时代（EOR）的影响对21 ...
在消除时期（EOR）不同阶段，由中性氢（HI）发出的21-CM辐射中的波动有望高度非高斯。非高斯性的程度随电离来源，IgM的状态和IGM中基本的物理过程的性质而变化。可以从EOR的无线电干涉测量值中估算的至关重要的可观察统计量之一，该观察值可以量化信号中存在的非高斯性的统计量是21 cm Biseptrum。在这项工作中，我们考虑了不同的回离场景，这些场景因电离光子的数量与宿主光晕质量和光子的休息框架分布而有所不同。这些变化有望导致IGM 21-CM拓扑的显着差异。我们分析了21厘米双谱对所有独特的K-Triangles中这些不同的电离场景的影响。我们的发现表明，21厘米双光谱的形状，符号和大小相结合在区分不同的回离场景方面优于功率谱。此外，我们发现，挤压限制双光谱的标志变化是HI分布的独特示踪剂，并在电离期间捕获了两个不断的拓扑转换。这些结果突出了使用21 cm双光谱来限制不同回离模型的潜力。
预测心房颤动患者的心力衰竭：前瞻性Cool-AF注册中心的报告
摘要：背景：这项研究旨在确定风险因素和发病率，并为心脏衰竭患者的心力衰竭开发预测风险模型（AF）。方法：这是2014年至2017年之间泰国非浮力AF患者的前瞻性多中心注册表。主要结果是发生HF事件。使用多变量COX-PROPARTIANTION模型开发了一个预测模型。使用C-指数，D统计量，校准图，Brier检验和生存分析评估预测模型。结果：平均随访时间为25.7±10.6个月，共有3402例患者（平均67.4岁，男性为58.2％）。随访期间有218例患者发生心力衰竭，每100人年的发病率为3.03（2.64–3.46）。该模型中有十个HF临床因素。从这些因素开发的预测模型的C-指数和D统计量为0.756（95％CI：0.737–0.775）和1.503（95％CI：1.372–1.634）。校准图在预测模型和观察到的模型之间显示出良好的一致性，校准斜率为0.838。使用Bootstrap方法确认了内部验证。Brier分数表明该模型对HF具有良好的预测。结论：我们为AF患者提供了良好的临床HF预测模型，具有良好的预测和歧视值。