XiaoMi-AI文件搜索系统
World File Search System难以确定
肠易激综合征中的微生物-肠-脑轴
由于 IBS 的异质性及病因不明，因此一直难以确定明确的生物标志物和治疗靶点。“IBS”一词是指医学上无法解释的肠道和大脑之间双向通讯紊乱的统称。这些紊乱由多种因素引起，包括内脏过敏、低度炎症反应、肠动力紊乱、中枢神经系统 (CNS) 处理改变以及肠道菌群组成改变[1]。在肠道中，功能良好的菌群高度适应宿主，并进行对宿主功能很重要的生化和代谢过程。来自肠道菌群的信号通过肠道和大脑之间的神经、内分泌和免疫通讯途径来调节体内平衡的各个方面[4,5]。总之，这建立了菌群-肠-脑 (MGB) 轴的概念（图 1）。
肯塔基州学校辅助技术指南
随着辅助技术于 1990 年被纳入 PL 101-476 (IDEA)，人们明确表示要将辅助技术设备和服务作为专门为有教育障碍的学生设计的教学的一个组成部分，以帮助提高或保持功能能力。这引发了许多关于辅助技术的评估、培训、资金和使用的问题。招生和发布委员会 (ARC) 经常难以确定是否有资格使用辅助技术以及如何将其使用整合到 IEP 中。这仍然是每个孩子的个人决定，但 ARC 可以回答一些程序问题，以减少向合格学生提供辅助技术的障碍和延误。家长和专业人士在合作尝试获得他们认为可以为孩子打开学习之门的东西时，都感到沮丧。返回页首
部分州对药房福利管理者的监管
人们普遍注意到，PBM 的市场力量使他们能够直接与制造商谈判回扣，以降低参保者和健康计划的处方药成本。他们还强调了 PBM 提供的其他功能，例如促进仿制药替代、提高患者服药依从性以及识别可能的药物不良反应。然而，雇主组织、药房协会和患者权益组织提出了疑问，即药房福利管理者是否拥有过多的市场力量，以及 PBM 安排是否过于复杂和不透明，从而难以确定其所有收入来源。例如，PBM 的收入来源可能多种多样，包括保留一些制造商回扣、向健康计划收取的管理费以及他们支付给药房的药品分发费用与向健康计划收取的费用之间的差额。根据联邦基金会的说法，其中一些收入来源通常对雇用 PBM 的健康计划保密。
样本量估计中的生成人工智能
任何参与制药业务研究的人都知道耗时和昂贵的临床试验。从早期阶段就仔细而彻底地计划了每项研究。开发的计划通常包含多个项目（例如，试验的主要目标，主要和次要终点，最佳样本量，收集数据的方法等）代表前瞻性研究方案的自然部分。对样本量的估计（伴随其科学理由） - 许多要参与试验的受试者 - 象征着计划的关键方面之一。必须仔细评估样本量，以确保研究时间，人员努力和成本不会浪费。研究并不少见，由于样本量不足，甚至无法检测到很大的治疗效果。有许多公式和统计测试可用，这可能使临床研究人员难以确定使用哪种方法。通常，样本量是由使用商业或公共软件的经验丰富的统计学家计算的。
用于治疗……的新兴膀胱内疗法
对卡介苗 (BCG) 无反应的高风险非肌层浸润性膀胱癌 (NMIBC) 患者的治疗是一项艰巨的临床挑战，需要泌尿科医生权衡进一步膀胱内治疗期间疾病进展的风险与根治性膀胱切除术的并发症发生率。BCG 后复发的高风险 NMIBC 的预后取决于之前 BCG 的充分性、复发时间和肿瘤组织学。目前的标准治疗方法是根治性膀胱切除术，因为尚未建立有效的挽救性膀胱内治疗。迄今为止，由于对 BCG 失败的定义不一致以及在临床试验中难以确定合适的对照治疗，膀胱保留治疗的发展一直受到阻碍。尽管存在这些限制，但挽救治疗的范围正在扩大到包括增强膀胱内化疗、基因和免疫疗法。在这篇评论中，我们根据我们目前对 BCG 失败的理解以及在这种疾病状态下临床试验设计的独特考虑，概述了这些新兴药物。
多基因疾病风险的植入前基因检测
自临床实践引入以来，植入前基因检测（PGT）已成为患有儿童单基因疾病和染色体非整倍性的夫妇的护理标准，以改善不孕症患者的预后。PGT的主要目标是减少流产和遗传疾病的风险，并通过健康儿童的分娩来改善不育治疗的成功。直到最近，由于难以确定PGT在更常见但复杂的多基因疾病中的应用，因此很难确定多基因疾病的遗传贡献，并且在多个遗传基因座中选择胚胎的概念很难理解。几项成就，包括获得人类胚胎的准确，全基因组基因型的能力以及人口水平的生物库的发展，现已使PGT成为适用于临床实践中的多基因疾病风险。随着胚胎多基因风险评分的快速进步，已经引入了超出技术能力的各种考虑。繁殖（2020）160 A13 – A17
回顾使用机器学习技术的混沌时间序列预测方法：综述
摘要：传统的混沌时间序列预测统计、物理和相关模型存在预测精度低、计算时间长、难以确定神经网络拓扑等问题。十多年来，各种研究人员一直在研究这些问题；然而，这仍然是一个挑战。因此，本综述全面回顾了对混沌时间序列预测的各种方法进行的重要研究，使用机器学习技术，如卷积神经网络 (CNN)、小波神经网络 (WNN)、模糊神经网络 (FNN) 和上述非线性系统中的长短期记忆 (LSTM)。本文还旨在提供各个预测方法的问题，以便更好地理解混沌时间序列预测并获得最新知识。综合综述表总结了与上述问题密切相关的工作。它包括出版年份、研究国家、预测方法、应用、预测参数、绩效衡量标准和该领域收集的数据区域。广泛研究了该领域的未来改进和当前研究。此外，还密切讨论了未来可能的范围和局限性。
使用机器学习技术的混沌时间序列预测方法：综述
摘要：传统的混沌时间序列预测的统计、物理和相关模型存在预测精度低、计算时间长、难以确定神经网络拓扑等问题。十多年来，各种研究人员一直在研究这些问题；然而，这仍然是一个挑战。因此，本综述论文全面回顾了对各种混沌时间序列预测方法进行的重要研究，使用机器学习技术，如卷积神经网络 (CNN)、小波神经网络 (WNN)、模糊神经网络 (FNN) 和上述非线性系统中的长短期记忆 (LSTM)。本文还旨在提供个别预测方法的问题，以便更好地理解混沌时间序列预测并获得最新知识。综合综述表总结了与上述问题密切相关的工作。其中包括出版年份、研究国家、预测方法、应用、预测参数、绩效指标以及该领域收集的数据区域。广泛研究了该领域的未来改进和当前研究。此外，还密切讨论了未来可能的范围和局限性。
多视角脑连接组的解缠和比例表示学习
摘要：弥散 MRI 衍生的大脑结构连接组或大脑网络在大脑研究中得到广泛应用。然而，构建大脑网络高度依赖于各种纤维束成像算法，这导致难以确定下游分析的最佳视图。在本文中，我们提出从多视图大脑网络中学习统一的表示。具体而言，我们希望学习到的表示能够公平地、解开纠缠的感觉传达来自不同视图的信息。我们通过使用无监督变分图自动编码器的方法实现解缠。我们通过另一种训练程序实现了视图公平性，即比例性。更具体地说，我们在训练深度网络和网络流问题之间建立了一个类比。基于这种类比，通过一种意识到比例的网络调度算法实现了公平的表示学习。实验结果表明，学习到的表示可以很好地适应各种下游任务。他们还表明，所提出的方法有效地保持了比例性。