XiaoMi-AI文件搜索系统
World File Search SystemAuC
一种预测药物对人类微生物组影响的数据驱动方法
对于三种学习设置如图 B 所示。D – 新药预测的 ROC AUC 得分与 TC 距离截止值的关系。颜色标度表示与五种最相似药物的平均距离，圆圈大小表示每个交叉验证训练集中包含的平均药物数量。E – 留一法微生物模型的 ROC AUC 得分与系统发育距离的关系（皮尔逊相关性 -0.574，p< 5*10 -4）。颜色表示菌株的门。F – 当从训练集中删除同一门的所有菌株时，ROC AUC 得分下降。Verrucomicrobia 门和 Fusobacteria 门被从此分析中丢弃，因为每个门只包含一个菌株。
决议 28723-D01-2024 - Dolcy 太阳能+储能项目
3 附件 28723-X0001，Dolcy 太阳能项目 AUC 申请 2023 年 12 月最终版（已签名），PDF 第 12 页。附件 28723-X0041，第 1 轮信息回复，PDF 第 36 页。4 附件 28723-X0001，Dolcy 太阳能项目 AUC 申请 2023 年 12 月最终版（已签名），PDF 第 12 页。附件 28723-X0041，第 1 轮信息回复，PDF 第 36 页。5 记录，第 1 卷，第 36 页，第 11-20 行和第 25 行；第 37 页，第 1-4 行；第 38 页，第 7-8 行，第 12-15 行，第 17-21 行。记录，第 2 卷，第 202 页，第 7-16 行。 6 附件 28723-X0072，AUC 信函 - 关于资格和其他事项的裁定。7 附件 28723-X0198，AUC 信函 - 关于新介入者资格的裁定。8 水电法案，第 11、13.01、14、15 和 19 节。9 阿尔伯塔公用事业委员会法案，第 17 节。10 水电法案，第 2 和 3 节；电力公用事业法案，第 5 节。
ORGOVYX（relugolix）片剂，口服 - accessdata.fda.gov
单次给予60 mg 至360 mg（推荐负荷剂量的0.17 至1 倍）剂量后，relugolix 从时间零到无穷大的浓度-时间曲线下面积（AUC 0-inf）和最大观察到的血浆浓度（C max ）与剂量大约成比例增加。每日一次多次给予relugolix后，relugolix的AUC tau 大约与剂量成比例增加，而当剂量从20 mg 至180 mg（推荐剂量的0.17 至1.5 倍）时，C max 的增幅大于剂量比例。患者单次给予360 mg 负荷剂量后，relugolix的AUC 0-24 和C max 的平均值（±标准差[± SD]）分别为985（± 742）ng.hr/mL和215（± 184）ng/mL。患者每日一次服用 120 mg 剂量后，稳态时 relugolix 的 AUC 0-24 和 C max 平均值（± SD）分别为 407 (± 168) ng.hr/mL 和 70 (± 65) ng/mL。每日一次服用 relugolix 后，其蓄积量约为 2 倍。
Kim Jy，Lee J，Kim SG，Kim NH。最近的糖症是2型糖尿病中β细胞功能的主要决定因素。糖尿病Metab J 2024; 48：1135-11 肝纤维化和癌症：代谢综合征的沉默威胁 2023韩国糖尿病协会的糖尿病临床实践指南 糖尿病通过AMPK/EZH2/... 促进心肌纤维化
背景：β细胞功能的逐渐恶化是2型糖尿病（T2DM）的特征。我们旨在介绍临床因素对T2DM中β细胞功能的相对贡献。方法：在470名成年人的T2DM队列中（疾病持续时间为0到41年），使用胰岛素生成IN- DEX（IgI），性格指数（DI），口服性格指数（DI O）和β-Cell函数的稳态（HOMA-B）衍生（HOMA-B）的稳态评估估算β细胞功能。 （OGTT）。年龄，性别，疾病持续时间，体重指数，糖基化血红蛋白（HBA1C）水平（在OGTT时），HBA1C曲线下的面积（HBA1C AUC）（HBA1C AUC），HBA1C CV（HBA1C CV）的差异（HBA1C AUC）的曲线（HBA1C AUC）和替代品均与抗差异级别相比。还进行了这些指数的纵向分析。结果：随着时间的推移，Igi，Di，di O和Homa-B随着时间的推移而下降（所有人的p <0.001）。值得注意的是，在多变量回归分析中，HBA1C是影响IgI，DI，DI O和HOMA-B的最重要因素。与HBA1C≥9％相比，DI为1.9-，2.5-，3.7-和5.5倍，在8％的HBA1C（<9％，7％，<8％，6％ - <7％ - <7％– <7％和<6％）调整后，调整了混淆因子后（P <0.001）。相反，β细胞功能不受抗糖尿病药物，HBA1C AUC或HBA1C CV的类型或持续时间的影响。Igi，di，di o和homa-b的轨迹反映了HbA1c的轨迹。结论：随着时间的流逝，β细胞功能会下降；但是，它是灵活的，在很大程度上受T2DM中最近的糖脂的影响。
评估用于检测的人工智能 (AI) 系统……
摘要。背景：尽管已经开发了采用人工智能（AI）系统的计算机辅助检测（CAD）软件，旨在协助结核病（TB）分类、筛查和诊断，但其在结核病筛查中的临床表现仍然未知。目的：评估 CAD 软件在试点主动结核病筛查项目中对胸部 X 光片图像检测结核病的性能。方法：使用采用人工智能的 CAD 软件方案筛查参与者的胸部 X 光片图像并产生结核病阳性病例的概率分数。通过几个绩效评估指标（包括 ROC 曲线下面积 (AUC)、特异性、敏感性和阳性预测值）将 CAD 生成的结核病检测分数与现场和高级放射科医生进行比较。使用 Pycharm CE 和 SPSS 统计软件包进行数据分析。结果：在 2,543 名参与者中，从该筛查试点计划中确定了 8 名结核病患者。当将最终诊断作为基本事实时，基于 AI 的 CAD 系统的表现优于现场 (AUC = 0.740) 和高级放射科医生 (AUC = 0.805)，无论是使用 30% (AUC = 0.978) 还是 50% (AUC = 0.859) 的阈值。结论：基于 AI 的 CAD 软件在 30% 的阈值下成功检测出本研究中确定的所有结核病患者。这表明使用配备胸部 X 光成像机的医疗车上的 CAD 软件进行大规模结核病筛查是可行的，并且易于访问。
算法用于预测未选择队列中心脏声音的瓣膜心脏病
目的：本研究旨在评估最先进的机器学习算法的能力，从一般人群中的数字心脏声音记录中检测瓣膜心脏病（VHD），其中包括无症状病例和疾病进展的中间阶段。方法：我们使用带有数字听诊器从Tromsø7研究中的2124名参与者中的数字听诊器收集的带注释的记录训练了一个复发性神经网络，以预测心脏声音的杂音。预测的杂音用于预测通过超声心动图确定的VHD。结果：检测到主动脉狭窄（AS）的存在，灵敏度为90.9％，特异性为94.5％，曲线（AUC）下的面积为0.979（CI：0.963 - 0.995）。至少在AUC为0.993（CI：0.989 - 0.997）中检测到的中等程度。中度或更大的主动脉和二尖瓣流体反流（AR和MR）的AUC值分别为0.634（CI：0.565 - 703）和0.549（CI：0.506 - 0.593），当临床变异添加为预测者时，临床变异时增加到0.766和0.677。AR的AUC分别为AR和MR，分别为0.756和0.711。共同筛查有症状的反流或狭窄的存在，导致AUC为0.86，为97.7％的AS病例（n = 44），并且检测到了所有12 ms病例。结论：该算法在检测到一般队列中表现出卓越的性能，超过了对选定同类群体的类似研究的观察结果。基于HS音频的AR和MR的检测较差，但有症状的病例的准确性要高得多，临床变量的包含可以显着提高模型的性能。
7抗癌引起的恶心和呕吐
卡铂被归类为中度突出的，无论在MASCC/ESMO抗抗精神指南中的AUC剂量和ASCO抗体剂指南中。NCCN将carboplatin剂量auc≥4分类为高度突出的和auc <4，为中度突出。NK1受体拮抗剂（与5HT3受体拮抗剂和地塞米松结合使用），无论AUC剂量如何，所有含有所有含有治疗方案的carboplatin的PBS上都列在PBS上。在所有指南中，Oxaliptin方案仍被归类为中等基因的，但是NCCN承认这些方案可能是高度突出的。NK1受体拮抗剂（与5HT受体拮抗剂和地塞米松结合使用），用于所有阿沙利铂方案的PBS上。通过所有准则，乳房蒽环类和环磷酰胺方案均被归类为高度突出的。MASCC/ESMO抗过敏指南和ASCO抗体式指南建议遵循第1天高度突出的指南，但是第2或第3天不需要地塞米松。NCCN指南建议在第1天进行高度突出的疗法，在第2至4天将其与地塞米松一起。建议将奥氮平作为抗孕妇治疗方案的一部分，用于高度和中度源自源性风险药物作为有效的抗炎药（请注意，目前尚未在澳大利亚注册的TGA注册）。
全国性的农业气候变化改编
apa引用raafat，y。（2025）。农业气候变化改编的国家努力：评估埃及的尼罗河三角洲的政策和实践[硕士论文，开罗美国大学]。AUC知识喷泉。https://fount.aucegypt.edu/etds/2403 Mla引用raafat，Youssef。 国家在农业中的气候变化改编方面的努力：评估埃及尼罗河三角洲的政策和实践。 2025。 在开罗的美国大学，硕士论文。 AUC知识喷泉。 https://fount.aucegypt.edu/etds/2403https://fount.aucegypt.edu/etds/2403 Mla引用raafat，Youssef。国家在农业中的气候变化改编方面的努力：评估埃及尼罗河三角洲的政策和实践。2025。在开罗的美国大学，硕士论文。AUC知识喷泉。https://fount.aucegypt.edu/etds/2403
影像组学结合机器学习方法鉴别脑泡型包虫病与脑转移瘤
方法对51例患者（其中室管膜瘤24例、髓母细胞瘤27例）的增强T1WI图像进行分析，提取了188个特征，包括直方图、形状特征和纹理特征。然后使用单变量分析、单变量分析筛选和多变量逻辑回归选择了66个特征。他们建立了四种机器学习模型——随机森林、支持向量机、自适应增强、K最近邻。当使用多元逻辑回归选择的特征进行随机森林时，获得了最高的AUC值（AUC = 0.91）。影像组学和机器学习方法的组合可以很好地区分儿童室管膜瘤和髓母细胞瘤，从而为医生的临床实践提供帮助。在我们的研究中，KNN分类器的AUC分别为0.97、0.94，准确率为0.86和
