XiaoMi-AI文件搜索系统
World File Search SystemAnik
ESR与HS-CRP水平与HBA1C之间的相关性与糖尿病患者的HBA1C之间
提交：2024年6月26日修订：2024年7月23日接受：2024年9月18日，抽象亚临床炎症和几乎所有系统性炎症的迹象，这是由血液中炎症标记水平升高定义的，在糖尿病患者（DM）患者中可见。了解炎症标记与血糖控制之间的关系对于制定避免糖尿病相关并发症的全面管理策略至关重要。本研究的目的是确定DM患者中红细胞沉积率（ESR）和高敏C反应蛋白（HS-CRP）（HS-CRP）（HS-CRP）的相关性。这是一项分析性观察性研究，其横截面设计是对来自曼卡兰摄政一级医疗机构DM Prolanis组的35例DM患者进行的。使用荧光免疫测定法（FIA）方法测量 HBA1C和HS-CRP水平，而使用Westergren方法评估ESR。使用Spearman相关测试进行统计分析。关于生物标志物，所有受访者（100％）的HBA1C水平> 8.0％，43％的HS-CRP水平升高与心血管风险相关，而80％的HS-CRP水平和80％的ESR值异常。在ESR和HBA1C之间发现了显着的关系（p = 0.019; r = 0.394），但在HS-CRP和HBA1C之间未观察到显着的关系（p = 0.351； r = 0.163）。可以通过ESR，HS-CRP和HBA1C的相关性来理解DM炎症与血糖控制之间的关系。这些发现提供了实用价值，尤其是在监测疾病进展和管理与糖尿病有关的并发症方面。未来的研究应研究旨在减少炎症的干预措施的影响，例如生活方式修改或抗炎药，对ESR，HS-CRP和HBA1C水平。
最初发表于：Mitova，Eliza；新人Blassnig； Strikovic，Edina； Urman，Aleksandra； Hannák，Anikó； de Vreese，Claes H； Esser，Frank（2023）。 n
摘要新闻推荐系统（NRS）正在成为数字媒体景观中普遍存在的一部分。尤其是在政治新闻领域，NRS的采用可能会显着影响新闻分布，进而影响新闻业的工作实践和新闻消费。因此，NRS触及了政治新闻的供应和需求。近年来，对NRS的研究大大增加。然而，该领域仍在供应和需求研究的角度散布。因此，该程序研究评论的贡献是三倍。首先，我们进行了一项范围研究，以回顾有关新闻供应和用户需求方面的学术工作。第二，我们确定未置换的区域。最后，我们从政治传播的角度提出了第五个建议，以供未来的研究。
信息技术与科学大学（...
Farjana Akter Web 开发人员 Ananda Computers farjana.cse91@gmail.com Anik Barua 软件工程师 Brain Station 23 PLC。Anik.barua@brainstation-23.com Md.Ruhul Amin 高级程序员 Blue Planet Group roxy.rianvp@gmail.com
设计超韧、超可拉伸液态金属-...
Shib Shankar Banerjee 1,#、Subhradeep Mandal 1、Injamamul Arief 1、Ramakanta Layek 2、Anik Kumar Ghosh 1、Ke Yang 3、Jayant Kumar 3、Petr Formanek 1、Andreas Fery 1、Gert Heinrich 1,4、Amit Das 1,5 * 1 德累斯顿莱布尼茨聚合物研究所 e。 V，Hohe Straße 6，德累斯顿，01069，德国 2 LUT 大学，拉赫蒂，Mukkulankatu 19，FI-15210，芬兰 3 马萨诸塞大学洛厄尔分校，先进材料中心，物理系，MA 01854，美国 4 德累斯顿工业大学，纺织机械和高性能材料技术研究所，Hohe Straße 6，德累斯顿，01069，德国 5 坦佩雷大学，工程与自然科学系，FI-33101，芬兰
江汉·陈（Jianhan Chen）博士-BMB和化学IT
本科生（21）：Devanshee Sanghvi（2024-，BMB/Chem）； Hanna Georgiev（2024-，Chem）； Aron Korsunsky (2022-24, ChemE), Anik Dey (2022 summer, Amherst College), Jack Madden (2022-, CS/Pure Math), Ryan Pham (2021-22; Chemistry), Samatha Schultz (2021-22; BMB), Thomas Scudder (2021; BMB), Callie Jillson (2019-20, Chemistry), Minh Ho (2018-19, BMB), Justin Camphell (2017-18; Chemistry/Physics), Katrina Nguyen (2017-18; Chemistry), Samantha Gameros (Summer 2015, Biochemistry), Arianna Vessal (Summer 2014; Virginia Tech), Michael Mohan (2013-2015, Biochemistry), Steven Stimac (Spring 2014, Biochemistry),泰勒·杜贝克（Tyler Dubek）（2010年春季，生物化学），梅利莎·韦尔德曼（Melissa Veldman）（2009; Biochemistry），Miguel Aldrete（2008-09，Bridges /DSP Scholar），Asma al-Rawi（2007-08，Physics）< /div>）
ÉVKÖNYV - 匈牙利运输安全局
审稿人 János Andócsi（克罗地亚匈牙利教育和文化中心，埃塞克） Beke Ottó（匈牙利语言教师培训学院，Szabadka） Aliz Bohner-Beke（József Eötvös 学院，巴哈） Julianna Boros（PTE BTK 社会关系学院，佩奇） ) Eszter Bucher（佩奇 PTE BTK 社会与媒体科学研究所社会学系）Daróczi Gabriella（布达佩斯罗兰大学） Róbert Farkas（萨巴德卡匈牙利教师培训学院） Laura Furcsa（埃格尔卡罗利埃斯泰哈齐大学） Eszter Gábrity（萨巴德卡匈牙利教师培训学院） Irén Gábrity Molnár（萨巴德卡经济大学） Lajos Göncz（人文学院，Újvidék）希腊语Noémi（匈牙利教师培训学院， Szabadka) Beáta Grabovac (匈牙利教师培训学院，Szabadka) Katalin Hegedűs (匈牙利教师培训学院，Szabadka) Rita Horák (匈牙利教师培训学院，Szabadka) Éva Hózsa (匈牙利教师培训学院，Szabadka) Julianna Ispánovics Csapó (艺术学院，诺维萨德) ) Ivanović Josip (匈牙利语言教师培训学院，Szabadka) Janković, Prvoslav (Pedagoški fakultet, Sombor) Koporčić, Maja (Sveučilište Josipa Jurja Strossmayera, Osijek) Cintia Kovács (匈牙利语言教师培训学院，Szabadka) Zsolt Lázár (人文学院，乌伊维代克) Major Lenke (匈牙利语言教师培训学院，Szabadka) Marić, Slađana（诺维萨德人文学院） Marussig, Jurij（滨海边疆区大学，科佩尔教育学院） Zoltán Mészáros (Szabadkai Tört
基因组研究的一系列可解释和可解释的机器学习方法
精确医学的主要重点是使用计算工具来准确预测疾病结果并确定相关的生物标志物以进行有效的后续评估。Over the last two decades, linear models have been widely implemented to identify differentially expressed genes and enriched signaling pathways in functional genomics (Love et al., 2014 ; Nueda et al., 2014 ; Ritchie et al., 2015 ; Robinson et al., 2009 ), characterize complex trait architecture in genome-wide association studies (, 2010 ; Hayeck et al., 2015 ; Heckerman et al., 2019年，Kang et al。等Al。，2018年； Manno等，2018），并在不同的时间点，数据收集位点和组织类型上进行有效的归一化和维度降低（Hasin等，2017；Lähnemann等，2020）。这些方法的一部分是它们提供统计显着性措施的能力，例如P值，后置包含概率（PIPS）或然后可以使用的贝叶斯因素，可用于促进下游任务（例如，选择哪些分子机制以药物为目标或选择哪些临床干预措施对特定患者有效）。不幸的是，严格的加性假设通常会阻碍线性模型的性能；这些方法中最强大的方法依赖于训练算法，这些算法在计算上效率低下且对大规模数据集不可靠。成像和测序技术的持续进步（Stephens等，2015）提供了范围，以将多模式的非参数方法整合为生物学和临床应用中的最先进工具。的确，机器学习方法众所周知，具有在数据中学习复杂的非线性模式的能力，并且当有大量的培训示例可用时，它们通常在设置中获得最大的功能（Lecun等，2015）。然而，文献中已被大量引用，许多机器学习技术都受到“黑匣子”限制的影响，因为它们并不自然地进行经典的统计假设测试，例如线性模型，这对于精确医学中的决策至关重要。导致非线性算法更好的预测性能的关键特征之一是自动包含被放入模型中的特征之间的高阶相互作用（Crawford等，2018； Jiang＆Reif，2015）。例如，神经网络利用分层之间的激活功能，这些层隐式列举了输入特征之间所有可能的（多项式）交互作用（Demetci等，2021; 2021; Murdoch等，2019; Tsang，Cheng，Cheng，＆Liu，＆Liu，2018; Tsang，Liu，Liu等，2018; 2018; WAHBA，1900年）。这已被证明在准确预测模型生物的特征方面有所作为，在这些特征中，诸如epistasis之类的现象（即多个基因座和/或基因之间的相互作用）可以在物种之间的变化中发挥很大作用（Bellot等人，2018; Runcie et al。，2021; Swain等，2016; swain等，2016; 2016; weissbrod et al an a w weissbrod et al。这是用于改进模型的部分数学解释，但在许多生物医学应用中，我们经常希望准确地知道哪些基因组特征（例如变体，基因和途径）对于定义表型或疾病结果的结构最重要。本手稿的主要目的是回顾大量的方法论研究，这些方法是为了开发计算生物学中更“可解释的”和“可解释”的机器学习。在整个本文中，我们将使用经典的观点，即“解释性”与使用模型参数的事后能力有关（有时也称为在文献的某些领域中表现“可变重要性”）（Crawford et al。，2019; Lundberg＆Lundberg＆Lee，2016，2017，2017; ribeio; ribeio et alik anik shrik，shrik shrik;虽然“解释性”是模型固有地为其参数和体系结构提供了可理解的定义（Hira等，2019； Marcinkevics＆Vogt，2020; Shmueli，2010）。两个概念都可以分为试图在（i）全球范围上实现解释性或可解释性的方法类别，在该方法中，目标是对观察到的人群的整体变化的贡献进行对/（ii）在局部层面上的贡献进行排名/选择的输入，旨在详细介绍对数据集中的任何特定个人的重要性。在这里，我们将专注于描述神经网络中的全球尺度方法，其特殊动机来自基于关联映射的基因组学应用程序。我们在这篇综述中的主要贡献是为我们所说的“透明度谱”提供全面的景观，用于监督和无监督的学习算法，因为我们从黑匣子转移到可解释的方法，并最终转化为可解释的方法（图1）。