XiaoMi-AI文件搜索系统
World File Search System预测算法
基于机器学习的预测算法，用于缓解尼日利亚三级医院孕产妇和胎儿死亡率
I.引言尼日利亚的医疗保健系统在降低产妇和胎儿死亡率方面面临重大挑战。尽管进行了许多干预措施，但由于诸如医疗基础设施不足，获得优质护理的机会以及熟练的医疗保健人员不足之类的因素，这些速度仍然令人震惊。产妇和胎儿死亡率是医疗系统有效性和可及性的关键指标。尽管努力提高尼日利亚的孕产妇和儿童健康，但第三级医院的死亡率仍然很高（Ikeoha等，2022）。为了应对这些挑战，利用机器学习（ML）和人工智能（AI）等技术非常重要（Khuluq，2023）。根据Okpala和Okpala（2024），AI与医疗保健的整合“需要软件的应用和机器学习的算法，使用输入数据得出近似结论，通过模仿人类对人类的评估和诊断的良好程度，以诊断人类的能力，以诊断有效性，以促进人类的能力，以至于有效地诊断了有效性的范围。疾病。”
利用机器学习构建预测算法......
正如预期的那样，成本效益、给药方案、经济模型、治疗相关不良事件和临床结果可能会影响结果，最终影响最终的报销决定和付款人可接受的价格。有趣的是，与临床反应和不良事件相比，成本效益和经济模型对结果的影响似乎更大。
具有统计决策理论的预测算法的全面评估
我们认为，使用统计决策理论（SDT）进行全面的样本外（OO）评估，应取代机器学习（ML）预测研究中K折叠和常见任务框架验证的当前实践。SDT提供了一个正式的常见框架，用于在所有可能的（1）培训样本中执行全面的OOS评估，（2）可能会生成培训数据的人群，以及（3）预测兴趣的种群。关于特征（3），我们强调，SDT要求从业者直接面对未来看起来不像过去的可能性，并在构建预测算法时可能需要从一个人群推断到另一个人群。SDT在抽象方面很简单，但通常在计算上要求实施。，当通过均方误差或通过错误分类速率衡量预测准确性时，我们讨论了SDT的可行实施进度。我们总结了研究设置，其中将从预测感兴趣的人群的亚群中产生培训数据。我们考虑条件预测，并对可能生成培训数据的可能人群的状态空间进行了替代限制。我们提出了该方法的说明性应用于预测患者疾病以告知临床决策的问题。我们通过呼吁ML研究人员，计量经济学家和统计学家来扩大实施SDT是可行的领域的结论。我们有机会在西北大学和芝加哥大学的研讨会以及布朗大学和康奈尔大学会议上介绍这项工作。
基于AI的预测算法，用于增强废物管理系统：比较分析
摘要。由于城市化，人口增长和经济发展，废物管理已成为越来越紧迫的问题。根据世界银行的预测，到2050年，废物生产将达到34亿吨。该论文的重点是对必须改进的废物管理技术的详细分析，并且必须最大程度地提高资源，以便能够处理各种类型的废物，包括农业废物，工业废物，市政固体废物（MSW）和电子废物（电子废物（E-Waste））。各个领域的人工智能的进步吸引了利用其利益来实现对不同类型废物的优化管理。本文的重点是对回收的废物的描述，这些废物可以通过使用废物到能量（WTE）技术将其转化为能量。正在研究不同扇区中产生的不同类型的废物，并详细介绍了它们在处理废物时的数量和挑战。文献强调了各种废物处理方法的绩效分析，其效率，经济影响和生态含义。就r 2值和平均绝对误差（MAE）均方根误差（RMSE）讨论了预测模型及其性能，以找到最合适的算法。结论表明，这些基于AI的优化方法可以使各种废物的能源转换过程中的各种废物加强，从而使废料的管理更加可持续和可靠。
对QCOVID3风险预测算法的外部验证是导致住院风险和Covid-19的死亡风险：一项观察性的，前瞻性的队列研究，对英国威尔士的166万疫苗接种成年人
1 1医学，健康与生命科学教师，人口数据科学，斯旺西大学医学院，斯旺西大学，斯旺西，英国，英国，2个国家统计办公室，英国纽波特市，纽波特，3辆车研究所，爱丁堡大学，爱丁堡大学，爱丁堡大学，英国爱丁堡大学，英国4号，大学伦敦大学，伦敦大学，伦敦大学，伦敦大学，伦敦大学，伦敦大学，伦敦大学4次。牛津，牛津，英国，英国六六学院，牙科和生物医学科学学院，贝尔法斯特皇后大学，贝尔法斯特，英国，英国7个糖尿病研究中心，莱斯特大学，莱斯特大学，英国，英国8号，卫生与社会护理，心理健康和障碍分析系，伦敦，英国伦敦，Under Kingdom，United Kinguntur，Edinsute of Edinburgh，Edinburgh，United Kingunder，Unterialburgh，eDINBUNGUGH，EDIN>1医学，健康与生命科学教师，人口数据科学，斯旺西大学医学院，斯旺西大学，斯旺西，英国，英国，2个国家统计办公室，英国纽波特市，纽波特，3辆车研究所，爱丁堡大学，爱丁堡大学，爱丁堡大学，英国爱丁堡大学，英国4号，大学伦敦大学，伦敦大学，伦敦大学，伦敦大学，伦敦大学，伦敦大学，伦敦大学4次。牛津，牛津，英国，英国六六学院，牙科和生物医学科学学院，贝尔法斯特皇后大学，贝尔法斯特，英国，英国7个糖尿病研究中心，莱斯特大学，莱斯特大学，英国，英国8号，卫生与社会护理，心理健康和障碍分析系，伦敦，英国伦敦，Under Kingdom，United Kinguntur，Edinsute of Edinburgh，Edinburgh，United Kingunder，Unterialburgh，eDINBUNGUGH，EDIN>
评估2型糖尿病风险预测算法的种族偏见
2型糖尿病的风险预测模型可用于早期检测高风险的个体。但是，模型也可能偏向临床决策过程，例如，种族群体之间的风险误差差异差异。我们调查了国家糖尿病预防计划发布的糖尿病前风险测试（PRT）以及两个预后模型，即弗雷明汉后代风险评分，而ARIC模型，非西班牙裔白人和非西班牙黑人之间的种族偏见。我们使用了国家卫生和营养检查调查（NHANES）数据，在1999年至2010年之间进行了六个独立的两年批次。总共包括了9,987名成年人，没有事先诊断出尿液和禁食的血液样本。根据风险模型，我们计算了2型糖尿病的种族和年平均预测风险。我们将预测的风险与从种族群体中从美国糖尿病监测系统中提取的观察到的风险进行了比较（汇总校准）。在整个调查年份中，所有研究模型都被发现对种族的校准都误解了。未估计的2型糖尿病风险对非西班牙裔白人的风险高估，非西班牙裔黑人的风险低估了。PRT和ARIC模型都超过了两个种族的风险，但对于非西班牙裔白人来说，这是更多的。这些地标模型比非西班牙裔黑人更严重地高估了非西班牙裔白人2型糖尿病的风险。另一方面，较大比例的非西班牙裔黑人可能会被不优雅和处理不足。这可能导致较大比例的非西班牙裔白人被培养为预防性干预措施，但这也增加了该组中过度诊断和过度治疗的风险。
开发和验证墨西哥人口中临床用途的多变量基因型妊娠糖尿病预测算法：对敏感性机制的见解
摘要简介妊娠糖尿病（GDM）在墨西哥诊断不足。通过预测建模的早期GDM风险分层有望改善预防保健。我们开发了一个综合遗传和临床变量的GDM风险评估模型。使用“ Cuido Mi Embarazo”（CME）（CME）同类群的研究设计和方法数据用于开发（107例，469例对照），以及来自“MónicaPreteliniSáenz”母体围产期医院（HMPMPS）群体的数据，用于外部效力（32案例）（32例），1992案例，1992.32 conteration（32 Contractation（32），1992案例，1992案例，199.99例，199.99例（32例）。2小时的口服葡萄糖耐受性测试（OGTT），在24-28妊娠周进行了75 g葡萄糖，用于诊断GDM。选择了114个具有预测能力的单核苷酸多态性（SNP）进行评估。OGTT期间收集的血液样本用于SNP分析。将CME队列随机分为训练（70％的队列）和测试数据集（占队列的30％）。将培训数据集分为10组，9组以构建预测模型和1个用于验证。使用测试数据集和HMPMPS队列进一步验证了该模型。结果十九个属性（14个SNP和5个临床变量）与结果显着相关。 GDM预测回归模型中包括11个SNP和4个临床变量，并应用于训练数据集。该算法具有很高的预测性，曲线（AUC）下的面积为0.7507，灵敏度为79％，特异性为71％，并且有足够的功能来区分病例和对照。在进一步验证后，培训数据集和HMPMPS队列的AUC分别为0.8256和0.8001。结论我们使用遗传和临床因素开发了一个预测模型，以鉴定有患GDM风险的墨西哥妇女。这些发现可能有助于对GDM风险升高并支持个性化患者建议的代谢功能有更深入的了解。
人工智能模型（整倍体预测算法）可以根据延时数据预测胚胎倍性状态
摘要背景：对于延时摄影技术（TLT）与胚胎倍性状态之间的关联，目前尚未完全阐明。TLT具有数据量大、非侵入性的特点。如果想从TLT准确预测胚胎倍性状态，人工智能（AI）技术是一个不错的选择。但目前AI在该领域的工作需要加强。方法：研究共纳入2018年4月至2019年11月的469个植入前遗传学检测（PGT）周期和1803个囊胚。所有胚胎图像均在受精后5或6天内通过延时显微镜系统捕获，然后进行活检。所有整倍体胚胎或非整倍体胚胎均用作数据集。数据集分为训练集、验证集和测试集。训练集主要用于模型训练，验证集主要用于调整模型的超参数和对模型进行初步评估，测试集用于评估模型的泛化能力。为了更好的验证，我们使用了训练数据之外的数据进行外部验证。从2019年12月至2020年12月共155个PGT周期，523个囊胚被纳入验证过程。结果：整倍体预测算法（EPA）能够在测试数据集上预测整倍体，曲线下面积（AUC）为0.80。结论：TLT孵化器已逐渐成为生殖中心的选择。我们的AI模型EPA可以根据TLT数据很好地预测胚胎的倍性。我们希望该系统将来可以服务于所有体外受精和胚胎移植（IVF-ET）患者，让胚胎学家在选择最佳胚胎进行移植时拥有更多非侵入性辅助手段。关键词：AI，倍性状态，延时，PGT，预测
人工智能败血症预测算法学会说话
保留所有权利。未经许可不得重复使用。（未经同行评审认证）是作者/资助者，已授予 medRxiv 永久展示预印本的许可。此预印本的版权持有者此版本于 2021 年 5 月 13 日发布。；https://doi.org/10.1101/2021.05.06.21256764 doi：medRxiv 预印本