摘要 自冠状病毒 (COVID-19) 全球大流行开始以来,数字接触者追踪应用程序 (app) 一直备受关注,它是一种数字工具,可让公民监测他们的社交距离,这似乎是减轻空气传播传染病传播的主要做法之一。许多国家一直在努力开发合适的数字接触者追踪应用程序,以便测量公民之间的物理距离,并在与感染者接触时提醒他们。然而,到目前为止,数字接触者追踪应用程序的采用面临着几个挑战,包括移动设备之间的互操作性和用户的隐私问题。需要在新技术的可实现技术性能、假阳性率以及社会和行为因素之间取得平衡。本文回顾了各种因素,并将它们分为技术、流行病学和社会三类,并将它们纳入一个紧凑的数学模型。本文根据接收信号强度测量评估了数字接触者追踪应用程序的有效性。结果凸显了采用数字接触者追踪应用程序的局限性、潜力和挑战。
摘要 自冠状病毒 (COVID-19) 全球大流行开始以来,数字接触者追踪应用程序 (apps) 一直备受关注,它是一种数字工具,可让公民监测他们的社交距离,这似乎是减轻空气传播传染病传播的主要做法之一。许多国家一直在努力开发合适的数字接触者追踪应用程序,以便测量公民之间的物理距离,并在与感染者接触时提醒他们。然而,到目前为止,数字接触者追踪应用程序的采用面临着多项挑战,包括移动设备之间的互操作性和用户的隐私问题。需要在新技术可实现的技术性能、假阳性率以及社会和行为因素之间取得平衡。本文回顾了多种因素,将其分为技术、流行病学和社会三类,并将它们纳入一个紧凑的数学模型。本文根据接收信号强度测量评估了数字接触追踪应用程序的有效性。结果强调了采用数字接触追踪应用程序的局限性、潜力和挑战。
摘要 自冠状病毒 (COVID-19) 全球大流行开始以来,数字接触者追踪应用程序 (apps) 一直备受关注,它是一种数字工具,可让公民监测他们的社交距离,这似乎是减轻空气传播传染病传播的主要做法之一。许多国家一直在努力开发合适的数字接触者追踪应用程序,以便测量公民之间的物理距离,并在与感染者接触时提醒他们。然而,到目前为止,数字接触者追踪应用程序的采用面临着多项挑战,包括移动设备之间的互操作性和用户的隐私问题。需要在新技术可实现的技术性能、假阳性率以及社会和行为因素之间取得平衡。本文回顾了多种因素,将其分为技术、流行病学和社会三类,并将它们纳入一个紧凑的数学模型。本文根据接收信号强度测量评估了数字接触追踪应用程序的有效性。结果强调了采用数字接触追踪应用程序的局限性、潜力和挑战。
流感是一种由感染鼻腔、咽喉和肺部的流感病毒引起的传染性呼吸道疾病。老年人、幼儿和患有某些疾病的人等某些人群患严重流感并发症的风险更高。根据美国疾病控制和预防中心 (CDC) 的每周流感监测报告、加州公共卫生部 (CDPH) 的流感、呼吸道合胞病毒和其他呼吸道病毒每周报告(图 1-2)和当地阳性率数据(图 14),Riverside County 目前的流感样疾病 (ILI) 活动水平为中等 1, 2 。河滨县通过多种来源收集流感数据,包括 CDC 的社区流行病早期通报电子监测系统 (ESSENCE)、加州可报告疾病信息交换 (CalREDIE)、加州综合重要记录系统 (Cal-IVRS)、加州免疫登记处 (CAIR)、河滨县公共卫生实验室、河滨大学健康系统-医学中心 (RUHS-MC) 和哨点提供者。本报告总结了该县当前的流感监测数据。
然而,有人担心在医疗保健领域采用人工智能技术可能会带来负面影响 (Coiera, 2018; Yu & Kohane, 2019),因为很难预见人工智能的变革范围和广泛使用的影响,这可能会影响医疗保健的各个方面,包括生物医学科学和发展(例如疫苗)、医疗服务运行方式的基础业务流程的变化以及人们每天做出的与健康相关的决策 (Coiera, 2019)。表 1 总结了在医疗保健中使用人工智能的一些挑战 (Challen et al., 2019; Jeter et al., 2019; Ross & Spates, 2020; Saria et al., 2018)。许多关于医疗保健领域 AI 的研究重点是算法的性能,而不是使用 AI 的服务的安全性和保证(Sujan 等人,2019 年)。丹麦的一项回顾性研究评估了一种用于识别 OHCA 的 AI 系统。评估发现,与人类操作员相比,AI 系统的曲线下面积 (AUC) 性能明显更高,并且能够更快地识别 OHCA(Blomberg 等人,2019 年)。这些发现在随后的瑞典研究(Byrsell 等人,2021 年)中得到证实,该研究还研究了不同假阳性率阈值的使用。然而,丹麦最近的一项前瞻性研究发现,虽然人工智能决策支持系统在识别OHCA方面比人类操作员更好,但由人工智能支持的操作员的表现并没有显着提高(Blomberg 等人,2021 年)。该研究仅考虑了结果(就OHCA识别的准确性和及时性而言),并没有调查为什么联合系统的性能没有改善。造成这种情况的两个原因可能是 (1) 本研究中算法的假阳性率阈值太高,导致操作员对算法失去信心,以及 (2) 由于其高识别率,对丹麦 EMS 的识别受到天花板效应的影响。迫切需要进一步开展前瞻性研究,包括小规模评估研究,为临床试验中更昂贵、更严格的 AI 评估奠定基础 (Vasey 等人,2021)。在这项研究中,我们旨在构建一个用于识别 OHCA 的 AI 系统,作为救护车服务更广泛临床系统的一部分。该研究的目的有两个:(1)探索救护车服务利益相关者对呼叫中心 OHCA AI 决策支持安全性的看法,以及(2)为 OHCA AI 决策支持制定临床安全案例(Sujan 等人,2016 年)
摘要:辅助设备(例如用餐辅助机器人)可帮助残障人士并支持老年人进行日常活动。然而,现有的用餐辅助机器人由于用户界面不直观,操作不便,需要额外的时间和精力。因此,我们开发了一种基于混合脑机接口的用餐辅助机器人系统,该系统具有三个特点,可以使用头皮电极进行脑电图测量。以下三个过程构成一个用餐周期。(1)来自前额叶通道的三次眨眼(EB)被视为启动周期的激活。(2)来自枕骨通道的稳态视觉诱发电位(SSVEP)用于根据用户的意图选择食物。(3)当用户咀嚼食物时,从颞通道记录肌电图(EMG),以标记一个周期的结束并指示准备开始下一餐。在五名受试者的实验中,准确率、信息传递率和假阳性率如下:准确率(EBs/SSVEPs/EMGs)(%):(94.67/83.33/97.33);FPR(EBs/EMGs)(次/分钟):(0.11/0.08);ITR(SSVEPs)(比特/分钟):20.41。这些结果揭示了该辅助系统的可行性。所提出的系统使用户可以更自然地自行进食。此外,它可以提高残疾人和老年人的自尊心并提高他们的生活质量。
传染性法氏囊病 (IBD) 长期以来一直是全球家禽业面临的一大挑战,严重影响了包括埃塞俄比亚在内的发展中国家家禽业的生产力和盈利能力。在埃塞俄比亚,IBDV 几乎传播到所有地区和农业生态区,最近的一项全国性研究报告称,散养鸡的 IBDV 血清阳性率接近 95.7%。传染性法氏囊病是一种广泛传播的病毒性疾病,会影响商业和散养生产系统中饲养的鸡。传染性法氏囊病病毒主要感染 3 至 6 周龄幼雏的法氏囊。最常见的感染方式是通过口腔途径,但也可能涉及结膜和呼吸道。传染性法氏囊病具有宿主特异性,传染性极强。年龄、品种、被动免疫程度、病毒株的毒力、生物安全性以及与免疫抑制作用相关的继发感染是全球范围内影响该病的主要危险因素。尽管在世界范围内和埃塞俄比亚已经对该病的流行和诱发因素进行了大量研究,但仍需进一步开展针对特定毒株的疫苗研发和预防控制计划的实施。
公平而值得信赖的AI在机器学习和法律领域都变得越来越重要。一个重要的结果是,决策者必须寻求保证“公平”,即非歧视性,算法的决策程序。但是,在现实的事实假设下,有几种相互竞争的算法概念被证明是不兼容的。这涉及的是,分别与准确性,假阴性和假阳性率有关的“组内校准”和“平衡”和“平衡”的公平度量。在本文中,我们提出了一种新颖的算法(公平的插值方法:FAIM),用于在这三个公平标准之间连续插值。因此,可以修复一个非常不公平的预测,以至少部分地满足各自公平条件的所需的加权组合。我们证明了将算法应用于合成数据,Compas数据集以及来自电子商务领域的新的现实世界数据集时的有效性。我们提供有关在不同高风险环境中使用我们的算法的指导,我们可以在多大程度上遵守法律义务相互矛盾的范围。该分析表明,它可能会在传统法律领域(例如信用评分和刑事司法程序)中运营职责,以及欧盟最新的AI法规,例如《数字市场法案》和《最近颁布的AI法》。
• 该检测尚未获得 FDA 批准或认可; • 该检测已获得 FDA 的 EUA 授权,可供授权实验室使用; • 该检测仅被授权用于检测 SARSCoV-2 核酸,不适用于任何其他病毒或病原体;并且, • 该检测仅在声明存在情况证明根据该法案第 564(b)(1) 节、21 USC § 360bbb-3(b)(1) 授权紧急使用体外诊断试剂检测和/或诊断 COVID-19 期间被授权,除非授权提前终止或撤销。 6. 什么是灵敏度和特异性? 在医学诊断中,检测灵敏度是检测正确识别患有疾病的人的能力(真阳性率),而检测特异性是检测正确识别未患有疾病的人的能力(真阴性率)。 7. Quest LDT、Hologic 和 Roche 检测的灵敏度/特异性是多少?对于分子检测,我们使用 Quest LDT、Roche 和 Hologic 检测。FDA EUA 网站包含所有 4 种分子检测的制造信息。检测的敏感性和特异性列在每条记录下链接的使用说明 (IFU) 文件中。制造商有责任为其检测提供此信息。以下是 IFU 文件的链接。
摘要:技术进步和高级通信网络的兴起导致与信用卡有关的欺诈行为增加。与信用卡有关的欺诈影响,影响消费者和金融机构。欺诈者始终如一地发展其技术,强调了制造对银行和其他金融实体必不可少的欺诈保护技术的必要性。本研究论文通过使用机器学习方法集成反馈系统,介绍了一种有效信用卡欺诈检测的方法。这种反馈方法旨在提高分类器的检测准确性和成本效益。该研究评估了各种方法的性能,包括人工神经网络,随机森林,天真的贝叶斯,树木分类器,逻辑回归,支持向量机和梯度增强分类器。该评估是在略微偏斜的信用卡欺诈数据集上进行的,其中包含来自欧洲帐户持有人的交易数据,总计284,807个交易。评估考虑了预处理的内容和RAW。这些方法的效率是根据不同分类器的绩效评估维度评估的,包括精度,F1得分,准确性,召回率和假阳性率(FPR)百分比。这些发现有助于开发稳健系统的努力,以检测和防止与信用卡有关的欺诈,并保护了严重的财务危害。
