XiaoMi-AI文件搜索系统
World File Search SystemFO
XSL•FO
背景：近年来，聊天机器人在心理健康支持领域的应用呈指数级增长，研究表明，聊天机器人可能有效治疗心理健康问题。最近，人们开始使用被称为数字人的视觉化身。数字人能够使用面部表情作为人机交互的另一个维度。研究基于文本的聊天机器人和数字人在与心理健康服务互动时情绪反应和可用性偏好的差异非常重要。目标：本研究旨在探索数字人机界面和纯文本聊天机器人界面在健康参与者测试时在可用性方面有何不同，使用 BETSY（行为、情绪、治疗系统和你），它使用两个不同的界面：具有拟人化特征的数字人和纯文本用户界面。我们还着手探索聊天机器人生成的心理健康对话（特定于每个界面）如何影响自我报告的感受和生物特征。方法：我们探索了具有拟人化特征的数字人与传统纯文本聊天机器人在系统可用性量表对可用性的感知、通过脑电图对情绪反应的感知以及亲近感方面的差异。健康参与者（n=45）被随机分成两组，每组使用具有拟人化特征的数字人（n=25）或没有此类特征的纯文本聊天机器人（n=20）。通过线性回归分析和 t 检验对两组进行比较。结果：在人口统计特征方面，纯文本组和数字人组之间没有差异。纯文本聊天机器人的平均系统可用性量表得分为 75.34（SD 10.01；范围 57-90），而数字人机界面的平均系统可用性量表得分为 64.80（SD 14.14；范围 40-90）。两组都对其各自的聊天机器人界面的可用性评分为平均或高于平均水平。女性更有可能报告对 BETSY 感到厌烦。
XSL•fo
图1提供了研究设计的示意图。这项研究包括3个组成部分：数据，模型和评估。模型根据数据类型而变化，而评估方法在整个过程中保持一致。数据分为两种类型：PubMedQA，源自医学研究摘要，以及从Quora [41-43]中提取的问答数据，这是一个社交平台，用户提出和回答问题。实验中使用的模型包括两种类型：经过预处理的基本模型和一个对医学数据进行微调的模型。为了评估每个模型的生成答案，我们检查了与输入问题有关的响应的数量和质量。随后，我们评估了正确答案的生成答案的相似性。bert的相似性[36]和Spacy相似性[37]用于测量每个与抑郁症相关问题的人提供的原始答案与LLM生成的答案之间的上下文相似性。
XSL•fo
背景：由于基因的区别，许多药物对每个人的工作方式都不相同。药物基因组学（PGX）旨在了解遗传变异如何影响药物疗效和毒性。通常被认为是个性化医学范式中最可行的领域之一。然而，几乎没有其他工作包括对药物使用，剂量调整等的深入探索和描述。目的：我们提出了一种药物基因组学知识模型，以发现PGX实体（例如药物，基因和疾病）之间的隐藏关系，尤其是精确药物的细节。方法：PGX开放数据，例如药品银行和RXNOM，以及美国食品药品监督管理局发表的药物标签。我们为实体和人际关系手动注释了190个药物标签。基于注释结果，我们培训了3种不同的自然语言处理模型以完成实体识别。最后，详细描述了药物基因组学知识模型。
XSL•fo
背景：在世界范围内，全球一半以上的人口经历了非传染性疾病，导致过早死亡。医疗保健提供者（HCP）可以使用远程医疗等数字进步来从远处提供医疗。但是，对在包括科威特在内的不同社会经济和文化环境中实施远程医疗解决方案的困难和机会有限。目的：本研究的目的是（1）在HCP和糖尿病患者所感知的糖尿病治疗和管理的背景下，检查远程医疗的障碍和益处； （2）研究糖尿病护理和管理中使用的远程医疗应用的非功能要求； （3）提供建议，以增强远程医疗在科威特医疗保健系统中用于糖尿病护理和管理的整合和采用。方法：该研究使用了定性和探索性设计，半结构化访谈作为主要数据收集方法。参与者是由于COVID-19大流行而通过社交媒体平台在互联网上招募的。使用主题分析和框架方法分析了结果。“创新的扩散”模型被用作解释发现的观点。结果：这项研究中总共包括20名参与者，其中10名HCP和10名糖尿病患者支持远程医疗。HCP报告说，许多糖尿病病例可以通过远程医疗进行管理，只有少数需要面对面就诊。糖尿病患者注意到远程医疗的便利性和节省时间。两组都建议创建类似于流行的社交媒体平台的安全且用户友好的远程医疗系统。此外，参与者强调了远程医疗在大流行期间的重要性，这是优先考虑患者安全的一种方式。结论：这项研究的结果为Kuwait等资源丰富的国家 /地区的HCP和糖尿病患者的需求和偏好提供了宝贵的见解，以采用远程医疗。COVID-19的大流行改变了提供医疗服务的方式，并推动了两组考虑正在进行的糖尿病管理和治疗的数字解决方案。
XSL•fo
背景：尽管数字健康技术的实施过程（DHTS）已在高收入国家进行了广泛的记录，但促进和防止其在中低收入国家（LMIC）（LMIC）（LMIC）的因素可能有所不同。目的：为了解决研究差距，这项范围审查旨在确定在COVID-19-19大流行病开始后，在LMIC医院环境中实施DHT的促进者和障碍。此外，审查概述了该大流行期间在LMICS医院中实施的DHT类型，并最终开发了一个分类框架来对DHT的景观进行分类。方法：系统搜索是在2020年3月至2023年出版的PubMed，Scopus，Scopus，Web of Science和Google Scholar上进行的。我们提取了有关作者，出版年，研究目标，研究国家，疾病状况，DHT类型，应用DHT的领域的数据，研究设计，样本量，研究人群的特征，研究地点和数据收集方法。使用基于实际，可靠的实施和可持续性模型（PRISM）的演绎方法，将定量数据和定性数据都用于进行主题分析，以确定促进者和DHT实施的障碍。最后，确定并组织了所有可访问的DHT，以创建一个新颖的分类框架。结果：从292篇文章中包括了十二项研究。在其他现有的DHT中，这4个DHT使我们能够为DHT开发新颖的分类框架。远程医疗（n = 5）是LMICS医院中最常用的DHT，其次是医院信息系统（n = 4），电子病历（n = 2）和移动健康（n = 1）。纳入的研究使用了定性方法（n = 4），其中包括访谈和焦点小组，定量方法（n = 5）或两者的组合（n = 2）。在DHT实施的64位促进者中，连续的在职培训（n = 3）的可用性，DHT防止交叉感染（n = 2）的能力以及使用DHTS（n = 2）的积极经验（n = 2）的积极经验。然而，在实施DHT的44个障碍中，数字素养和技能较差的患者（n = 3），对医疗保健专业人员和利益相关者中DHT的认识不足（n = 2）（n = 2），以及对通过DHTS诊断和治疗的准确性（n = 2）的准确性（n = 2）。
XSL•fo
背景：心脏骤停（CA）是重症患者死亡的主要原因。临床研究表明，对CA的早期鉴定会降低死亡率。算法能够使用多元时间序列数据来预测具有高灵敏度的Ca。但是，这些算法遭受了很高的错误警报率，它们的结果在临床上不可解释。目标：我们使用多分辨率统计特征和基于余弦相似性的特征提出了一种集成方法，以及时预测Ca。此外，这种方法提供了临床上可解释的结果，临床医生可以采用这些结果。方法：使用来自“重症监护IV数据库”和EICU协作研究数据库的医学信息MART的数据回顾性分析患者。基于被诊断为心力衰竭的成年人的24小时时间窗口的多元生命体征，我们提取了基于多解决的统计和基于余弦相似性的特征。这些功能用于构建和发展梯度提升决策树。因此，我们采用了对成本敏感的学习作为解决方案。然后，进行了10倍的交叉验证以检查模型性能的一致性，并使用Shapley添加说明算法来捕获所提出模型的整体可解释性。接下来，使用EICU协作研究数据库进行了外部验证以检查概括能力。根据CA的及时预测，提出的模型达到了高于0.80的AUROC，以预测提前6小时的CA事件。结果：所提出的方法在接收器工作特性曲线（AUROC）下产生了0.86的总面积，并且在Precision-Recall曲线（AUPRC）下为0.58。所提出的方法同时提高了精度和灵敏度以增加AUPRC，从而减少了错误警报的数量，同时保持了高灵敏度。此结果表明所提出的模型的预测性能优于先前研究中报告的模型的性能。接下来，我们证明了特征重要性对所提出方法的临床解释性的影响，并推断了非CA和CA组之间的影响。最后，使用EICU协作研究数据库进行了外部验证，并且在一般重症监护病房的人群中获得了0.74的AUROC，AUPRC为0.44。结论：拟议的框架可以为临床医生提供更准确的CA预测结果，并通过内部和外部验证降低错误警报率。此外，临床上可解释的预测结果可以促进临床医生的理解。此外，生命体征变化的相似性可以为患有心力衰竭相关诊断患者的CA预测的时间模式变化提供见解。因此，我们的系统足以适合常规临床使用。此外，关于拟议的CA预测系统，在未来的数字健康领域开发了临床成熟的应用程序。
XSL•fo
背景：2022年11月的Chatgpt（OpenAI）推出（OpenAI）引起了公众的关注和学术兴趣（LLMS），从而促进了许多其他创新的LLM的出现。这些LLM已应用于包括医疗保健在内的各个领域。从那以后，就如何在与健康相关的情况下使用最先进的LLM进行了许多研究。目的：本综述旨在总结有关卫生保健中对话性LLM的应用和疑虑，并为该领域的未来研究提供了议程。方法：我们使用PubMed，ACM和IEEE数字库作为本综述的主要来源。我们遵循Prisma（系统评价和荟萃分析的首选报告项目）的指导，并选择了经过同行评审的研究文章（（1）与医疗保健应用和对话llms相关的研究文章，以及（2）在2023年9月1日之前发表，当时我们是我们启动纸质纸收藏的日期。我们调查了这些论文，并根据它们的应用和疑虑对它们进行了分类。结果：我们的搜索最初根据目标关键字确定了820篇论文，其中65（7.9％）的论文符合我们的标准，并将其包括在审查中。最受欢迎的对话llm是Chatgpt（60/65，92％的论文），其次是Bard（Google LLC； 1/65，1/65，2％的论文），Llama（Meta; 1/65; 1/65，2％的论文）和其他LLMS（6/65，9％，9％的论文）。使用LLMS进行了49篇论文，用于摘要或医学知识查询，或两者兼而有之，有58（89％）的论文表达了对可靠性或偏见或两者兼而有之的担忧。这些论文分为四类申请：（1）汇总，（2）医学知识查询，（3）预测（例如，诊断，治疗建议和药物协同作用），以及（4）管理（例如，文档和信息收集），以及四个类别的问题，以及四个类别：（1）可靠性（例如，培训数据质量，三），以及准确性，和一致性，和一致性，以及一致性，以及一致性，以及一致性，以及一致性，以及一致性，以及一致性，以及一致性，以及一致性，以及一致性，（3）隐私和（4）公众可接受性。我们发现，对话llms在摘要中表现出了令人鼓舞的结果，并为精度相对较高的患者提供一般医学知识。但是，诸如chatgpt之类的对话llms并不总是能够为需要专业领域专业知识的复杂健康相关任务（例如，诊断）提供可靠的答案。虽然偏见或隐私问题通常被视为关注点，但在我们的审查论文中没有实验研究对话性LLM在医疗保健研究中如何导致这些问题。
XSL•fo
背景：对于住院的患者，出院信是医疗信息的关键来源，概述了重要的出院说明和健康管理任务。但是，这些信件通常是用专业的术语写的，这使其难以理解医学知识的患者很难理解。大型语言模型（例如GPT）有可能将这些放电摘要转换为对患者友好的字母，从而提高可访问性和理解。目的：本研究旨在使用GPT-4将排放字母转换为更可读的以患者为中心的字母。我们评估了如何有效，全面地识别和转移患者安全性 - 从放电信到转化的患者信件的信息。方法：基于常见的医疗条件创建了三个出院信，其中包含72个患者安全性 - 范围的信息，称为“学习目标”。提示GPT-4将这些排放字母转换为以患者为中心的字母。分析了由此产生的患者信件的医疗准确性，以患者为中心以及识别和翻译学习目标的能力。Bloom的分类法用于分析和分类学习目标。结果：GPT-4从排放字母中解决了学习目标的大多数（56/72，78％）。但是，大多数以患者为中心的字母中未包括72个（15％）学习目标中的11个。医疗错误是在一小部分句子中发现的（31/787，3.9％）。基于Bloom的分类法的定性分析表明，“理解”类别（9/11）中的学习目标比“记住”类别（2/11）中的学习目标更频繁地省略。大多数缺少的学习目标与“预防并发症”的内容领域有关。相比之下，关于“生活方式”和“组织”方面的学习目标更频繁地解决。以患者为中心，以患者为中心的字母显示出比出院字母更好的可读性。与放电信相比，其中包括更少的医学术语（132/860，15.3％，vs 165/273，60/4％），缩写较少（43/860，5％，vs 49/273，17.9％），以及医学术语的更多解释（121/131，92.4％，VS VS 0/155，0/155，vs。结论：我们的研究表明，GPT-4有可能将出院字母转换为以患者为中心的沟通。虽然转换字母的可读性和以患者为中心是良好的，但它们尚未完全
通用选举的日期表（NEP-ugcf-2022）第1部分，...
iv 32203947早期儿童护理和发展IV 32203948自我发展和福祉IV 32203949培训和能力建设IV 32203950广告和社交营销IV 32203951表面装饰IV 32203952 32203952 CAD IV 32203953的CAD 322039953 32203953 CAD3空间规划IV 32203955通信和媒体设计中的计算机应用IV