XiaoMi-AI文件搜索系统
World File Search SystemAuroc
基于MRI的大脑体积模型的开发和验证预测早产新生儿的精神运动不良结果
在2012年1月至2019年12月之间出生的遣散儿童医院住院的早产新生儿被连续收集。纳入标准包括在1500 g下进行出生体重的婴儿，他们在校正年龄（CA）18-24个月（CA）的婴儿和幼儿发育第二版（BSID-II）评估均接受了茶MRI和Bayley量表第二版（BSID-II）。使用3D T1WI的TEA MRI，脑量信息源自婴儿FreeSurfer。内部胶囊后肢的分数各向异性的平均值和标准偏差。人口统计信息和合并症被用作临床信息。研究队列在训练和测试集中分配为7：3。随机森林和逻辑回归模型，以预测低精神运动指数（PDI <85）和低精神发展指数（MDI <85）。性能指标，包括接收器工作曲线（AUROC）下的面积，准确性，灵敏度，精度和F1分数，在测试集中评估。
基于MRI的大脑体积模型的开发和验证预测早产新生儿的精神运动不良结果
在2012年1月至2019年12月之间出生的遣散儿童医院住院的早产新生儿被连续收集。纳入标准包括在1500 g下进行出生体重的婴儿，他们在校正年龄（CA）18-24个月（CA）的婴儿和幼儿发育第二版（BSID-II）评估均接受了茶MRI和Bayley量表第二版（BSID-II）。使用3D T1WI的TEA MRI，脑量信息源自婴儿FreeSurfer。内部胶囊后肢的分数各向异性的平均值和标准偏差。人口统计信息和合并症被用作临床信息。研究队列在训练和测试集中分配为7：3。随机森林和逻辑回归模型，以预测低精神运动指数（PDI <85）和低精神发展指数（MDI <85）。性能指标，包括接收器工作曲线（AUROC）下的面积，准确性，灵敏度，精度和F1分数，在测试集中评估。
心态：以AMAMBA为基础的方法……
这项工作探索了基础模型（特别是基于 Mamba 的选择性状态空间模型）在增强神经系统疾病诊断中 EEG 分析的潜力。EEG 对于诊断癫痫等疾病至关重要，由于其噪声大、高维和非线性的特性，它带来了巨大的挑战。传统的机器学习方法在自动化 EEG 分析方面取得了进展，但往往无法捕捉其复杂的时空动态。深度学习的最新进展，特别是序列建模，为创建能够处理这种复杂性的更通用、更具表现力的模型提供了新途径。通过自监督重建任务和随后的癫痫检测任务，在包含癫痫和非癫痫 EEG 记录的大型数据集上训练基于 Mamba 的模型，我们展示了该模型的潜力，在保留测试集上实现了 0.72 的 AUROC。这种方法标志着朝着开发用于 EEG 数据分析的大规模、临床适用的基础模型迈出了重要一步。
使用前瞻性代表性数据
目的：本研究使用来自印度南部的前瞻性代表性数据集来开发和评估多模式机器学习模型，以区分细菌和真菌性角膜炎。设计：机器学习分类器培训和验证研究。参与者：印度马杜赖（Madurai）的Aravind Eye Hospital诊断出患有急性感染性角膜炎的五百九十九名受试者。方法：我们使用了前瞻性的，连续收集的，代表性的数据集（Madurai数据集）收集的前瞻性，连续收集的代表性数据集，并比较了3种预测模型，以区分细菌和真菌角膜炎。这些模型包括一个临床数据模型，使用效率网状结构的计算机视觉模型以及将成像和临床数据都结合在一起的多模式模型。我们将Madurai数据集分为70％的火车/验证和30％的测试集。进行了模型训练，并进行了五重交叉验证。我们还比较了由Madurai训练的计算机视觉模型的性能与具有相同架构的模型，但对从多个先前的细菌和真菌性角膜炎随机临床试验（RCT）（RCT训练的计算机视觉模型）进行了培训。主要结果指标：主要评估度量是Precision-Recall曲线（AUPRC）下的面积。二级指标包括接收器操作特征曲线（AUROC），准确性和F1分数下的区域。与计算机视觉模型相比，多模式模型并不能显着提高性能。眼科科学2025; 5：100665ª2024，美国眼科学会。结果：由Madurai训练的计算机视觉模型优于临床数据模型和持有测试集的RCT训练的计算机视觉模型，其AUPRC 0.94（95％的置信间隔：0.92 E 0.96），AUROC 0.81（0.76 E 0.85）（0.76 E 0.85）（0.76 E 0.85），精度为77％和F1 0.85。结论：传染性角膜炎的表现最佳的机器学习分类是使用Madurai数据集训练的计算机视觉模型。这些发现表明，基于图像的深度学习可以显着增强感染性角膜炎的诊断能力，并强调使用前瞻性，连续收集的，代表性的机器学习模型培训和评估的重要性。财务披露：本文末尾的脚注和透视性可以在脚注和验证中找到。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
对急诊入院的人工智能驱动的 COVID-19 分类进行真实世界评估：无实验室和高通量筛查解决方案的外部验证和操作评估 Andrew AS Soltan 博士 MB BChir 1,2 Jenny Yang MSc 3 Ravi Pattanshetty 博士 FRCEM 1 Alex Novak 博士 FRCEM 1 Yang Yang 博士 DPhil 3 Omid Rohanian 博士 PhD 3 Sally Beer 1 Marina A. Soltan 博士 MRCP 5,6 David R. Thickett 教授 FRCP 5,6 Rory Fairhead 博士 BA 4 CURIAL 转化合作组织 Tingting Zhu 博士 DPhil 3 David W. Eyre 教授 DPhil 1,7,8 David A. Clifton 教授 DPhil 3 附属机构：
摘要背景患者 COVID-19 状态的不确定性导致治疗延迟、院内传播和医院的运营压力。但是，批量处理的实验室 PCR 测试的典型周转时间仍然为 12-24 小时。尽管快速抗原横向流动检测 (LFD) 已在英国急救环境中得到广泛采用，但灵敏度有限。我们最近证明，AI 驱动的分类 (CURIAL-1.0) 可以使用抵达医院后 1 小时内常规获得的临床数据进行高通量 COVID-19 筛查。在这里，我们旨在确定与标准护理相比的运营和安全性改进，使用针对通用性和速度优化的更新算法在四个 NHS 信托机构中进行外部/前瞻性评估，并在英国急诊室部署一种新的无实验室筛查途径。方法我们对 CURIAL-1.0 中的预测因子进行了合理化，以分别优化通用性和速度，开发了具有生命体征和常规实验室血液预测因子（FBC、U&E、LFT、CRP）的 CURIAL-Lab 以及仅具有生命体征和 FBC 的 CURIAL-Rapide。在训练期间，模型被校准到 90% 的灵敏度，并针对朴茨茅斯大学医院、伯明翰大学医院和贝德福德郡医院 NHS 信托的非计划入院情况进行了外部验证，并在英国 COVID-19 疫情第二波期间在牛津大学医院 (OUH) 进行了前瞻性验证。使用首次进行的血液测试和生命体征生成预测值，并与确认性病毒核酸检测进行比较。接下来，我们回顾性评估了一种新的临床途径，将患者分类到模型预测或 LFD 结果为阳性的 COVID-19 疑似临床区域，并将灵敏度和 NPV 与单独的 LFD 结果进行比较。最后，我们部署了 CURIAL-Rapide 和经批准的即时诊断 FBC 分析仪（OLO；SightDiagnostics，以色列），在约翰拉德克利夫医院急诊科（英国牛津）提供无需实验室的 COVID-19 筛查，这是信托机构认可的服务改进。我们的主要改进结果是获得结果的时间可用性；次要结果是根据 PCR 参考标准评估的敏感性、特异性、PPV 和 NPV。我们将 CURIAL-Rapide 的性能与标准护理中的临床医生分诊和 LFD 结果进行了比较。结果 72,223 名患者符合外部和前瞻性验证站点的资格标准。各信托机构的模型性能一致（CURIAL-Lab：AUROC 范围 0.858-0.881；CURIAL-Rapide 0.836-0.854），朴茨茅斯大学医院的灵敏度最高（CURIAL-Lab：84.1% [95% Wilson 评分 CIs 82.5-85.7]；CURIAL-Rapide：83.5% [81.8 - 85.1]），特异性为 71.3%（95% Wilson 评分 CIs：70.9 - 71.8）和 63.6%（63.1 - 64.1）。对于 2021 年 12 月 23 日至 2021 年 3 月 6 日期间在 OUH 入院常规护理中接受 LFD 分诊的 3,207 名患者，联合临床路径将灵敏度从 56 提高。仅 LFD 为 9%（95% CI 51.7-62.0），而 CURIAL-Rapide 为 88.2%（84.4-91.1；AUROC 0.919），CURIAL-Lab 为 85.6%（81.6-88.9；AUROC 0.925）。2021 年 2 月 18 日至 2021 年 5 月 10 日期间，520 名患者前瞻性地接受了即时临床 FBC 分析，其中 436 名患者在常规护理中接受了确认性 PCR 检测，10 名（2.3%）检测呈阳性。从患者到达到获得 CURIAL-Rapide 结果的中位时间为 45:00 分钟（32-64），比 LFD 快 16 分钟（26.3%）
chembertaddi：与变压器和临床见解的变形药物相互作用预测
摘要 - 当两种或多种混合使用的药物会引起不良副作用时，即使使用药物单独使用不会造成伤害时，多药的问题也会引起不利的副作用。药物相互作用（DDIS）是这些反应的主要原因，导致发病率和死亡率增加。由于有害DDI的潜力呈指数增长，因此药物相互作用的预测对于患者的安全和有效的医疗保健管理越来越重要。在本文中，我们开发了Chembertaddi框架，该框架有效地结合了临床域数据，以单副作用特征表示，其富集化学分子表示，该化学分子表示源自Chemberta-77m-MLM，这是一个基于变压器的LAN- lan- gage模型。与五种最先进的方法相比，在基准数据集上进行的实验表现出色：decagon，deepwalk，dedicom，nnps和recrecal。评估表明，Chembertaddi的F1得分为0.94，AUROC为0.97，表现优于基线体系结构，并推广到新的引入的药物化合物。索引术语 - 转化，自然语言处理，分子表示学习，药物 - 药物相互作用，多药，Chemberta，神经网络，深度学习，注意机制，生物信息学
一种新型的基于电子健康记录的机器学习模型，可预测严重低血糖症，导致老年人的糖尿病住院治疗：全领域的同类和建模研究
我们采用了一个病例对照设计，用于回顾性领土范围内的队列，由364,863个独特的老年人（65岁）和至少1洪孔医院的授权从2013年到2018年至2018年。我们在一年的时间内使用了258个预测因素，包括人口统计学，录取，诊断，药物和常规实验室测试，以预测在接下来的12个月内需要住院的SH事件。该队列以7：2：1的比率随机分为训练，测试和内部验证集。六种ML算法，包括逻辑回归，随机森林，梯度增压机，深神经网络（DNN），XGBOOST和RULEFIT。我们在香港糖尿病登记册中与2018年定义的预测因子和2019年定义的结果事件的时间验证队列中测试了我们的模型。使用接收器操作特征曲线（AUROC），精确召回曲线（AUPRC）统计的区域以及正预测值（PPV）评估了预测性能。我们确定了在观察期间需要住院的11,128个SH事件。XGBoost模型
cdk1/ cx3cr1 mRNA表达的全血比合并乳酸的结合了败血症患者ICU死亡率的预测： div> div>
主要结果：在100名化粪池患者的180个芯片中，我们在ICU入院后的第1天和第2-3天都在幸存者与非活物中的39个上调和2个下调差异表达的基因（DEG）。我们将上调DEG的集线器基因以及CX3CR1和IL1B结合了计算表达比。CDK1/CX3CR1比率具有最佳性能，可以预测全因ICU死亡率，在ROC曲线（AUROC）下的面积为0.77（95％置信区间[CI] 0.88-0.66），在第2天，在ICU下，在ICU下，第1天，0.82（95％CI 0.91-0.72）的面积为0.82（95％CI 0.91-0.72）。这种性能比每个单独的mRNA生物标志物要好。在外部验证队列中，使用RT-QPCR测量的CDK1/CX3CR1比的预测性能与第1天测量时乳酸的预测性能相似，在第2-3天测量时较高。结合乳酸水平和CDK1/CX3CR1比率，我们确定了3组具有ICU死亡率风险增加的患者，范围为9％至60％，中级风险群体死亡率为28％。
使用易于获得的临床数据的糖尿病和糖尿病的多变量预测模型的开发和验证
标题：使用易于获得的临床数据作者的多变量预测模型的开发和验证：Alan L. Hutchison，MD，PhD * 1，Mary E. Rinella，Mary E. Rinella，MD 1，Raghavendra G. Mirmira，Mirmira，Mirmira，Mirmira，MIRMIRA，MD，MD，MD，MD，MD，PHD 2，WILLIAM F. PARKER，WILLIAM F. PARKER，MD 3 * ALAN.HUCHEN.HUCHIN.HUCTAN.HUCHICERINE。胃肠病学，肝病学和营养部分，2。内分泌学，糖尿病和代谢部分，3。与单独使用血红蛋白A1C测试相比，伊利诺伊州芝加哥芝加哥大学医学系肺和重症监护系，伊利诺伊州芝加哥大学，伊利诺伊州芝加哥，60637关键问题问题可以改善对糖尿病前和糖尿病的诊断？在这项横断面研究中的发现，对国家健康和营养检查调查中的13,800名成年成年成年人和口服葡萄糖耐受性测试，由8.6％未诊断的前糖尿病率和由血液氯脂素A1C未诊断的糖尿病率为3.5％。一种新型的多变量预测模型，包括禁食血浆葡萄糖，胰岛素，基本身体测量以及常规可用的血脂异常和肝功能实验室的实验室的准确性明显更准确（AUROC 0.66/0.71至0.77（单独的0.87/0.88至0.88至0.88至0.88至0.88至0.91），比糖尿病的糖尿病均与二型糖尿病相比。与单独的血红蛋白A1C相比，易于获取的临床数据纳入易于获得的临床数据可以改善糖尿病前和糖尿病的诊断。在美国，糖尿病前和糖尿病的抽象重要性与其他慢性疾病一起增加。我们排除了没有血红蛋白A1C，口服葡萄糖耐受性测试或样品体重数据的参与者。血红蛋白A1C是美国进行的糖尿病最常见的诊断测试，但在其他慢性疾病的情况下，它已知不准确。与仅血红蛋白A1C相比，目的可以使用容易获得的临床数据来改善糖尿病和糖尿病的诊断。设计，设置和参与者这项横断面研究分析了美国国家健康和营养检查调查调查的六个2年周期（2005年至2006年至2015年）获得的全国代表性数据。样本包括13,800名调查参与者。数据分析是从2024年5月1日至2025年2月9日进行的。的主要结果和措施我们估计了从梯度提升机器决策树学习模型的2小时葡萄糖，以诊断糖尿病前和糖尿病，这些糖尿病和糖尿病是由口服葡萄糖耐受性测试定义的2小时葡萄糖，大于或等于140 mg/dl，但小于200 mg/dl，大于或等于200 mg/dl，相应地分别为140 mg/dl，相应地分为200 mg/dl。我们将校准，校准，预测值和决策曲线分析的净益处与单独的血红蛋白A1C进行了比较。
分子通路利用从细胞系到肿瘤和患者来源的异种移植的转移学习增强药物反应预测
计算模型已成功预测癌细胞系数据中的药物敏感性，为指导精准医疗创造了机会。然而，将这些模型转化为肿瘤仍然具有挑战性。我们提出了一种新的迁移学习工作流程，该工作流程基于源自基因组特征的分子通路，将药物敏感性预测模型从大规模癌细胞系转移到肿瘤和患者来源的异种移植。我们进一步计算特征重要性以确定对药物反应预测最重要的途径。我们在肿瘤（AUROC = 0.77）和三阴性乳腺癌患者来源的异种移植（RMSE = 0.11）上获得了良好的表现。利用特征重要性，我们强调了 ER-Golgi 运输通路与乳腺癌患者依维莫司敏感性之间的关联以及 II 类组蛋白去乙酰化酶和白细胞介素-12 在三阴性乳腺癌药物反应中的作用。通路信息支持将药物反应预测模型从细胞系转移到肿瘤，并可以提供预测背后的生物学解释，作为临床环境使用的垫脚石。