XiaoMi-AI文件搜索系统
World File Search SystemBMJ
引用：Zhang B，Ding Y，Lan X。从1990年到2019年，全球区域和全国性的白内障负担。BMJOpen 202
抽象目标是为了估计由于高体重指数（BMI）而导致白内障的残疾人（YLDS）的长期趋势。设计和参与者数据是从2019年全球疾病负担（GBD）中检索的。由年龄，性别，地理位置和社会人口统计学指数（SDI）描述了可归因于高BMI的白内障的全球案例，YLD的年龄标准化率（ASR）。分析了估计的平均年百分比变化（AAPC），以量化1990年至2019年YLD的ASR趋势。主要结果度量的年龄有残疾。在全球范围内，由于白内障归因于2019年高的BMI，有370.4（95％UI：163.2至689.3）YLDS，超过1990年的数字。此外，YLD的ASR在1990 - 2019年期间增加，AAPC为1.54（95％CI：1.41至1.66）。在2019年，女性和老年人口中由于BMI高的白内障负担更高。北非和中东是2019年高BMI的白内障地区的高风险区域，沙特阿拉伯是负担最重的国家。在SDI方面，低中型SDI区域的白内障相关YLD数量最多，因此由于BMI高的BMI。结论较高的BMI引起的白内障全球YLD显示出从1990年到2019年的显着增加。解决BMI控制可能会导致预防白内障，这突出了潜在的公共卫生影响，尤其是在低SDI地点和老年人中。
引用：Marko B、Palmowski L、Nowak H 等人。利用人工智能优化重症监护病房脓毒症抗生素剂量：前瞻性观察研究 (KI.SEP) 的研究方案。BMJ Open 2024；14：e086094。doi:10.1136/ bmjopen-2024-086094
摘要 简介 在脓毒症治疗中，实现和维持有效的抗生素治疗至关重要。然而，由于脓毒症患者之间存在很大差异，最佳抗生素剂量面临挑战。治疗药物监测 (TDM) 是目前的黄金标准，缺乏初始剂量调整和全球可用性。即使进行每日 TDM，抗生素血清浓度 (ASC) 也经常偏离治疗范围。本研究通过开发基于机器学习 (ML) 的 ASC 预测模型来解决这些挑战，该模型能够处理可变数据输入并涵盖各种临床、实验室、微生物学和蛋白质组学参数，而无需每日 TDM。方法 这项前瞻性观察研究是在德国大学医院重症监护室进行的。符合条件的脓毒症患者在 24 小时内接受哌拉西林/他唑巴坦 (n=100) 或美罗培南 (n=100) 持续抗生素治疗。排除标准包括拒绝、怀孕、哺乳和严重贫血 (血红蛋白 <8 g/dL)。在第 1-8 天和第 30 天或出院时从患者身上采集 TDM 血液样本以及临床和实验室参数。预测第 1 天至第 8 天之间 ASC 的 ML 模型作为主要和关键次要终点。我们将使用收集的数据开发多方面的基于 ML 的算法，旨在优化脓毒症中的抗生素剂量。我们的双向方法涉及创建两种不同的算法：第一种算法使用常规临床参数关注预测准确性和普遍性，而第二种算法利用扩展数据集，其中包括目前尚未充分探索且在标准临床实践中不可用但可能有助于提高精度的大量因素。最终，这些模型有望集成到患者数据管理系统中的临床决策支持系统中，促进对败血症的自动化、个性化治疗建议。道德与传播 该研究获得了波鸿鲁尔大学医学院伦理委员会的批准（编号23-7905）。研究结果将是
学校食品的隐性营销和英国医学杂志的 185 年之痒
答案是隐形营销。我们最新的调查研究了食品和饮料行业对学校和托儿所的广泛影响（doi:10.1136/bmj.q2661）。1 公司通过“健康饮食”活动和“免费”材料瞄准幼儿。所使用的策略与酒精和烟草行业的策略产生共鸣，酒精和烟草行业与食品和饮料行业并列为对健康危害最大的三大行业。凯洛格和格雷格斯参与了食品供应，可口可乐、百事可乐、玛氏、雀巢和麦当劳等公司资助了一个“政策制定”慈善机构。
引用：Ng MY、Youssef A、Pillai M 等人。通过机器学习操作扩展医疗保健领域公平的人工智能。BMJ Health Care Inform 2024；31：e101101。doi:10.1136/bmjhci-2024-101101
机器学习操作 (MLOps) 是一门涉及大规模生产、监控和维护人工智能 (AI) 和机器学习 (ML) 模型的学科，应用于医疗保健可以促进 AI/ML 支持的医疗保健工具从研究向可持续部署的转变。1–3 遵守 MLOps 最佳实践可以解决部署到临床工作流程中的 AI/ML 工具所面临的持续挑战，在这些工作流程中，模型通常在通用性、集成性和稳健性方面存在困难。随着 AI 法规的不断发展，例如美国卫生与公众服务部民权办公室的最终裁决要求医疗保健提供者确保其 AI/ML 工具不具有歧视性，4 医疗保健领域的 MLOps 越来越需要优先考虑健康公平。医疗保健领域的 MLOps 将核心原则置于特定环境中，以满足医疗保健组织对 AI/ML 部署的需求。1–3 我们重点介绍了扩大公平健康 AI/ML 模型部署和建立问责措施 5 的关键原则和考虑因素，以系统地消除健康不平等并遵守 AI/ML 法规（表 1）。医疗保健中的 MLOps 原则之一是优化医疗 AI/ML 工具的临床工作流程集成，以便提供医疗服务。此外，确保模型可供所有患者群体使用并适应不同的临床环境至关重要。优先考虑健康公平的合适功能是进行临床工作流程分析，以确定公平执行 AI/ML 以进行患者护理所需的关键利益相关者、流程和资源。确定的路径为工作流程编排组件的开发提供了信息，这些组件是医疗保健组织 MLOps 管道的基础。
文章：McInerney, Ciarán, McCrorie, Carolyn, Benn, Jonathan 等人（另外 6 位作者）（2022 年）评估人工智能指挥中心在急性医院护理中的安全性和患者影响：混合方法协议。BMJ Open。e054090。ISSN 2044-6055
摘要 简介 本文介绍了一种混合方法研究方案，该方案将用于评估英国最近实施的实时集中式医院指挥中心。指挥中心代表复杂自适应系统中的复杂干预。它可以支持更好的运营决策，并有助于识别和减轻对患者安全的威胁。然而，对于这种复杂的健康信息技术对患者安全、可靠性和医疗保健运营效率的影响的研究有限，本研究旨在帮助解决这一差距。方法和分析 我们将进行纵向混合方法评估，并将由公众和患者的参与和参与提供信息。访谈和人种学观察将为定量分析的迭代提供信息，这将使进一步的定性工作更加敏感。定量工作将采用迭代方法，从文献和常规收集的电子健康记录数据集中务实地确定相关的结果测量。道德与传播 该协议已获得利兹大学工程与物理科学研究伦理委员会 (#MEEC 20- 016) 和国家卫生服务健康研究局 (IRAS No.: 285933) 的批准。我们的成果将通过国际期刊和会议上的同行评审出版物进行交流。作为与当地信托利益相关者合作工作的一部分，我们将提供持续的反馈。
引用：Alkhalil M、Abbara A、Grangier C 等人。冲突地区的人工智能：振兴叙利亚及其他地区医疗保健的潜力。BMJ Glob Health 2024；9：e015755。doi:10.1136/bmjgh-2024-015755
引言 全球卫生领域，特别是在受冲突影响的地区，面临着多重危机，其特点是严重的医护人员 (HCW) 短缺和分配不当。例如，在叙利亚，由于十多年的冲突，数以万计的医护人员被迫离开叙利亚。1 2019 年世界银行和联合国难民事务高级专员公署 (UNHCR) 的一份报告指出，从 2010 年到 2018 年，叙利亚的医生数量从每 1000 人 0.529 人减少到 0.291 人。2 在重症监护病房 (ICU)、肿瘤科、放射科和实验室服务等专业领域，这种稀缺性甚至更为严重。在这种情况下，利用人工智能 (AI) 不仅有益，而且必不可少，特别是在可以利用数据驱动的决策来改善临床护理的专业领域。在这篇评论中，我们探讨了人工智能在直接医疗服务中的应用以及人道主义领域的更广泛考虑，包括潜在的相关风险。
引用：Keil M，Frehse L，Hagemeister M等。医疗保健系统的碳足迹：证据和方法的系统综述。 BMJ Open 2024
摘要目标鉴于对零净医疗保健的需求，近年来，医疗保健系统的碳足迹（CF）引起了人们对研究的越来越多的兴趣。该系统综述研究了医疗保健系统CF计算的结果和方法透明度。方法论重点是基于输入 - 输出的计算。根据首选的报告项目进行设计系统审查，以进行系统审查和元分析指南。数据来源PubMed，Web of Science，Econbiz，Scopus和Google Scholar最初于2019年11月25日搜索。PubMed和Web科学中的搜索更新一直在2023年12月之前考虑。在所有纳入的研究中，通过参考跟踪来补充搜索。资格标准，我们纳入了原始研究，这些研究计算并报告了一个或多个医疗保健系统的CF。如果未命名特定系统或未提供有关计算方法的信息，则将研究排除在外。在初始搜索中的数据提取和合成，两名独立的审阅者从纳入的研究中搜索，筛选和提取了信息。制定了一份清单，以提取结果和方法论的信息，并评估纳入的研究的透明度。结果包括15项研究。医疗保健系统排放与全国总排放的平均比率为4.9％（最低1.5％；最多9.8％），并且在大多数国家 /地区的CFS都在增长。医院护理导致总CF中最大的相对份额。每项研究报告了至少71％的方法论项目。结论本综述的结果表明，医疗保健系统对国家碳排放有很大贡献，医院是这方面的主要贡献者之一。他们还表明，缓解措施可以帮助减少随着时间的流逝减少排放。此处开发的清单可以作为参考点，以帮助在未来的研究报告中做出方法论决策以及报告均匀的结果。
引用：Caterson J，Ambler O，Cereceda-Monteoliva N等。将生成语言模型应用于骨科实践。 BMJ开放2024; 14：
抽象的目标是探索大型语言模型（LLM）是否生成的预训练的变压器（GPT）-3和Chatgpt可以编写临床信件并预测常见骨科场景的管理计划。设计了15个场景，并提示Chatgpt和GPT-3撰写临床信件，并分别制定了有关相同场景的管理计划，并删除了计划。使用可读工具评估了主要结果指标的字母。信件和管理计划的准确性由三位独立的骨科手术临床医生评估。结果两个模型在单个提示后为所有方案生成完整的字母。使用Flesch-Kincade等级比较可读性（CHATGPT：8.77（SD 0.918）; GPT-3：8.47（SD 0.982）），Flesch Rearbilability Esise（ChatGpt：58.2：58.2（SD 4.00）; SD 4.00）; gpt-3：gpt-3：59.3：59.3（SD 6.98）（SD 6.98），Sipple of Simple of Sipple of Sipple of Chagpt of Chagpt of Chagpt（chats）（SCHBBLEDS） 0.755）; gpt-3：11.4（SD 1.01），并达到（chatgpt：81.2％; gpt-3：80.3％）。chatgpt产生了更准确的字母（8.7/10（SD 0.60）vs 7.3/10（SD 1.41），p = 0.024）和管理计划（7.9/10（SD 0.63）vs 6.8/10（SD 1.06），比GPT-3比GPT-3。但是，两个LLM有时都省略了关键信息或添加了最坏不准确的其他指导。结论本研究表明，LLM可有效地产生临床信件。几乎没有提示，它们是可读的，并且大多是准确的。但是，它们不一致，包括不适当的遗漏或插入。此外，LLM制定的管理计划是通用的，但通常是准确的。将来，经过精确且安全的数据培训的医疗保健特定语言模型可以为通过将大量数据汇总到单个临床字母中来提高临床医生的效率，从而为提高临床医生的效率。
引用：Hasan Su，Siddiqui Mar。巴基斯坦糖尿病的流行病学：系统审查方案。 BMJ开放2024; 14：E079513。 doi：10.113 引用：CondéM，Lespessailles E，Wanneveich M等。营养补充对镰状细胞D 儿童骨矿物质密度的影响 上肢中风后基于基于上肢的游戏练习（... 引用：Watjer RM，Heckmans KML，Eekhof Jah等。糖尿病患者的甲状腺病和溃疡并发症之间的关联：LON 根据同意的抑郁症的线治疗ii ch
摘要引言糖尿病（DM）是一种慢性代谢疾病，其特征是高血糖，是由于胰岛素分泌，胰岛素作用或两者兼而有之导致的。作为全球主要的健康关注，其流行率一直在稳步增长。巴基斯坦，这一趋势也不例外，面临着包括DM在内的非传染病的越来越多的负担。这项研究旨在全面评估DM的普遍性，农村和城市人口之间的差异以及巴基斯坦男女之间的差异。方法和分析系统审查将遵循系统审查和荟萃分析指南的首选报告项目，并将旨在评估巴基斯坦的DM患病率。从2024年4月1日开始，将应用于PubMed，Scopus，Cochrane，Pakmedinet和Cinahl等数据库。我们将包括关注普通人群中糖尿病患病率的研究，采用WHO或美国糖尿病协会诊断DM的标准。横断面研究，队列研究和基于人群量≥500的基于人群的调查将考虑英语。数据提取将按照预定义的形象进行，其中包括人口统计学，流行数据和方法等研究细节。将使用具有反方差加权方法的随机效应模型进行荟萃分析。i 2统计信息将用于检查异质性，并将进行亚组分析。我们的分析将基于汇总数据，并且不会涉及个人患者信息，从而消除了对道德清除的需求。伦理和传播系统评论的发现将通过在同行评审期刊中发布并在相关会议上展示它们来分享它们。Prospero注册号CRD42023453085。