XiaoMi-AI文件搜索系统
World File Search SystemErrors
先天性免疫缺陷引起的自身免疫性血细胞减少症的发病机制揭示了新的治疗靶点
自身免疫性疾病通常与环境诱因和遗传易感性有关。然而，少数自身免疫性疾病有单基因病因，主要见于儿童。这些疾病可能是潜在的先天性免疫缺陷 (IEI) 的表现，单独出现或与其他症状相关。自身免疫性血细胞减少症 (AIC)，包括免疫性血小板减少性紫癜 (ITP)、自身免疫性溶血性贫血 (AIHA)、自身免疫性中性粒细胞减少症 (AN) 和伊万斯综合征 (ES)，是儿科免疫疾病的常见表现，至少 65% 的 ES 病例由遗传决定。IEI 中的自身免疫性血细胞减少症通常具有更严重、慢性和复发的病程。治疗难治性也是具有单基因病因的自身免疫性血细胞减少症（如 IEI）的特征。 IEI 中自身免疫性血细胞减少症的潜在机制包括细胞或体液自身免疫、伴有或不伴有脾脏滞留的噬血细胞增多症或淋巴细胞增生症情况下的免疫失调、骨髓衰竭、骨髓发育不良或继发性骨髓抑制。自身免疫性血细胞减少症的遗传特征至关重要，因为早期诊断可改善结果并允许建立靶向治疗，例如 CTLA-4 IgG 融合蛋白 (Abatacept)、小分子抑制剂 (JAK 抑制剂) 或基因治疗。目前，基因治疗是治疗选择性先天性免疫缺陷最具吸引力的靶向治疗方法之一。然而，即使在没有特定的靶向疗法的情况下，对于患有慢性多谱系血细胞减少症的儿童，全外显子组基因检测 (WES) 也应被视为疾病诊断和遗传咨询的早期诊断工具。
COVID-19 疫苗接种错误和偏差指南
本指导文件旨在为医疗保健提供者提供在发生无意的疫苗接种错误或偏差后应采取的建议措施，以支持对这些事件进行一致且最佳的管理。疫苗接种错误是任何可预防的事件，可能导致或导致疫苗使用不当和/或患者受到伤害。本指导还涉及偏离其他推荐做法的情况（例如，疫苗使用不符合制造商和/或加拿大国家免疫咨询委员会 (NACI) 的建议，但不属于疫苗接种错误）。这些在下文中称为“偏差”。
真诚承认错误：减轻人工智能错误的策略
由于感知和推理不完善，语音助手等交互式人工智能系统必然会出错。之前的人机交互研究表明，各种错误缓解策略对于在服务故障后修复人工智能感知至关重要。这些策略包括解释、金钱奖励和道歉。本文通过探索不同的道歉方式如何影响人们对人工智能代理的看法，扩展了之前关于错误缓解的研究；我们报告了一项在线研究（N=37），该研究考察了道歉的诚意和责任的分配（无论是代理本身还是其他人）如何影响参与者对错误人工智能代理的看法和体验。我们发现，与将责任推卸给他人的代理相比，那些公开接受责任并真诚为错误道歉的代理被认为更聪明、更讨人喜欢，并且更能有效地从错误中恢复过来。
文章 一种人工智能赋能的家庭基础设施，可最大限度地减少用药错误
摘要：本文介绍了一种基于人工智能 (AI) 的基础设施，用于减少在家遵循治疗计划时的用药错误。该系统特别有助于帮助有认知障碍的患者。基于 AI 的系统首先使用 Actor-Critic 方法学习患者的技能。在评估患者的残疾情况后，系统采用适当的方法进行监测过程。监测用药过程的可用方法是基于深度学习 (DL) 的分类器、光学字符识别和条形码技术。DL 模型是一种卷积神经网络 (CNN) 分类器，即使在不同方向显示时也能够检测到药物。第二种技术是基于 Tesseract 库的 OCR，可从盒子中读取药物名称。第三种方法是基于 Zbar 库的条形码，可根据盒子上的条形码识别药物。GUI 表明该系统可以帮助患者服用正确的药物并防止用药错误。这种整合三种不同工具来监控用药过程的方法具有优势，因为它降低了用药错误的可能性并增加了正确检测的机会。当患者有轻度认知障碍时，这种方法更有用。
飞机装配障碍：人为失误还是缺乏生产设计？
摘要：犯错是人类的固有特性，这意味着在某种程度上，人为错误是不可避免的。业务改进工具和实践忽视了处理人为错误的根本原因；因此，它们忽略了某些可能防止或尽量减少此类错误发生的设计考虑。认识到这一差距，本文试图概念化一个基于防错概念的结合认知科学文献的模型，从而提供更深层次、更深刻的人为错误分析。进行了一项涉及航空航天装配线的探索性案例研究，以深入了解所开发的模型。案例研究的结果揭示了人为错误的四种不同原因，如下：（i）描述相似性错误，（ii）捕获错误，（iii）记忆失误错误，以及（iv）中断。基于此分析，提出了相应的防错措施。本文为未来研究航空航天工业人为错误背后的心理学奠定了基础，并强调了了解人为错误的重要性，以避免在劳动力投入至关重要的生产环境中出现质量问题和返工。
量子处理器中量子比特数字误差的半经典分析简介
摘要：近年来，量子计算机的发展取得了显著的进展。为进一步发展，阐明量子噪声和环境噪声引起的误差的性质非常重要。然而，随着量子处理器系统规模的扩大，人们指出会出现一种新型的量子误差，如非线性误差。信息论中如何处理这种新效应尚不清楚。首先，应该明确量子比特误差概率的特征，作为信息论中的通信信道误差模型。本文旨在综述信息论者未来可能面临的量子噪声效应的建模进展，以应对上述非平凡误差。本文解释了一个信道误差模型来表示由于新量子噪声引起的误差概率的奇怪性质。通过该模型，给出了由量子递归效应、集体弛豫和外力等引起的误差概率特征的具体例子。因此，我们无需经历复杂的物理现象就能理解经典信息论中不存在的误差概率奇怪特征的含义。
CMIP6模型中的南洋辐射偏置，云补偿错误和平衡气候灵敏度
使用已建立的云聚类方法分析摘要耦合模型对比项目阶段6（CMIP6）模型。这可以比较模型和观察中的云表示。显示南大洋上层云的模拟已显示出从早期模型中发生的很大变化。分析的CMIP6模型表明，在模拟中比国际卫星云气候项目（ISCCP）观测值更频繁地发生层云，但与云和地球的辐射能量系统（CERES）数据相比还不够明亮。这与“太少，太明亮”的问题形成鲜明对比，后者表征了层状云的先前模型模拟，尤其是在南大洋上。云簇还可以计算模型数据中的均值和补偿短波云辐射效应（SW CRE）错误。补偿错误显示出比平均误差大得多，表明CMIP6模型在其云表示方面仍然有很多改进。确定了南大洋的SW CRE中的平均值和补偿错误之间具有统计学意义的负相关关系。在其他地方观察到这种关系，但仅在南大洋中很重要。这意味着模型调整工作在该区域的云表示中隐藏了偏见。相对于CMIP5模拟， CMIP6模型的气候灵敏度（EC）具有较高的平衡气候灵敏度。CMIP6模型的气候灵敏度（EC）具有较高的平衡气候灵敏度。研究了ECS与SW CRE平均值与补偿错误之间的联系，但没有发现这些变量之间存在关系的证据。
测量量子计算机上的相关量子比特误差
缺乏纠错能力是阻碍科学家开发全尺寸量子计算机的障碍之一。纠正相关错误需要庞大而复杂的纠错方案，这些方案难以实施且成本高昂。在我的实验中，我研究了真实 IBM 量子计算机上量子计算中相关错误的普遍性，以提高对纠错的理解。我假设量子位在相邻时会出现相关错误，但在非相邻时不会出现相关错误。
超导QUBITS中的电荷噪声和放松误差
我的博士学位的成功没有一个巨大的支持网络，我最大程度地赞赏和感激之情是不可能的。首先，我要感谢我的顾问罗伯特·麦克德莫特（Robert McDermott）教授，他在整个研究生生涯中指导我进行了几个项目，甚至对最细微的细节似乎无休止地了解了知识。一天，没有一个新想法或尝试测试的新理论。在他的领导下，我从对领域的几乎一无所知，到提出自己的问题并提出自己的理论进行测试。，当我们把他带出实验室时，罗伯特总是有一个有趣的故事来讲述诸如爆炸的低温恒温器或秘密俄罗斯掩体之类的事情。我还要感谢麦克德莫特实验室的其余成员在这些年中的工作和竞争。尤其要感谢Guilhem在我开始时将我带到他的翅膀上，因为他启动了我对Qubits，Ivan和Alex的理解，伊万和亚历克斯帮助我寻求更新实验室的软件基础架构，并为教会我所有关于噪音的教导。没有你们每个人，这里工作就不会一样。我的工作已经建立在实验室中其他每个学生的工作，无论是已经测试过的制造食谱还是低温器的设置和接线，为此，我非常感谢。我很幸运能在一路上有许多导师，这推动了我的物理职业发展。在大学里，有许多教授，学生和研究机会，我非常感谢您维持我对物理学的兴奋。Richardson先生首先让我对我的高中物理课上的物理学奇迹睁开了眼睛，教我们如何通过有趣，有趣的问题工作（几年后我以TA为ta！）。大学毕业后，我在西北国家实验室的Brent Vande-vender指导我。正是这种指导和经验影响了我去研究生并继续研究物理学的决定。当我介绍我物理生涯的这一章时，我对我的家人表示不足。当我还是个孩子的时候，我的父母向我提供了巡回演出和科学实验套件，并尽力回答我所有的“为什么？”我父亲总是非常支持我的想法，并鼓励我的批判性思维。我妈妈反复大喊：“我等不及要参加物理课！”事实证明，她对我对物理的热情是正确的。我的姐姐安娜，我的祖母和我的大家庭也充满了无休止的鼓励和爱。没有我的家人，这一切都是不可能的，我永远感谢他们不断的支持。研究生有时会令人沮丧，累人和令人生畏。我感谢我庞大而充满爱心的朋友网络，这些网络帮助我度过了艰难的时期，并为我的工作生活提供了平衡。对那些与我一起冒险的人，听了我，支持我，和我一起看日落或电影，和我一起玩飞盘，通常让我在这段旅程中保持理智，谢谢。
人工智能对纽约放射学诊断错误医疗事故索赔的潜在影响
过去的医疗事故数据来自国家执业医师数据库 (NPDB) 公共使用数据库和 Westlaw 法律研究数据库。过去的暴露数据包括活跃放射科医生的数量和成像程序，来自 Harvey L. Neiman 卫生政策研究所 (NHPI)。这些数据集中的信息被结合起来，以了解过去的已付索赔率和放射科医生诊断错误导致的医疗事故索赔的平均赔偿金额。然后将已付索赔率预测到 2030 年，基线预测基于历史经验，不受人工智能的影响。还制定了三种法律情景，以创建到 2030 年的另外三个预测，考虑到人工智能的影响以及随着人工智能的采用，法律框架的变化。与基线预测相比，这三种情景的未来已付索赔率的百分比减少在 5% 到 36% 之间，具体取决于法律情景。对以往陪审团裁决和已结案的索赔的回顾还表明，未来专注于乳房 X 线摄影和 MRI 模式以及乳房和大脑解剖学的人工智能发展可以减少大额索赔的数量，从而降低平均赔偿金额。然而，如果大额裁决的数量增加，人工智能的引入也有可能提高平均赔偿金额，这可能受到人工智能涉及医疗事故案件时陪审员情绪的影响。