XiaoMi-AI文件搜索系统
World File Search SystemHarrell
803. 血液学中的新兴工具、技术和人工智能：海报 II
采用不同的 AI 模型和训练策略来分割每个染色中的结构，如细胞核、细胞和纤维化；然后提取形态和纹理特征。血液学家和血液病理学家的反馈也包含在训练过程中。此外，还开发了一个分类模型来分析 MGG 涂片上的细胞，预测 12 种不同的细胞类型。结合标记物、细胞类型和组织成分的百分比及其空间组织，整合在一起以解决项目的临床目标。可解释性和可解释性由 SHapley Additive exPlanations 方法 (SHAP) 实现。使用 Harrell 的一致性指数 (CI) 评估预后模型鉴别，并使用 L1 惩罚 Cox 回归进行特征选择。
Bart-Survival：Python中的贝叶斯机器学习方法
生存分析是癌症，心血管疾病和传染病等各种领域的公共卫生和临床研究的基石（Altman＆Bland，1998； Bradburn等，2003）。传统的参数和半参数统计方法，例如COX比例危害模型，通常用于生存分析（Cox，1972）。但是，这些方法有几个局限性，尤其是应用于复杂数据时。一个主要问题是需要限制性假设，例如比例危害和预定义的功能形式，在复杂的，现实世界中的医疗保健数据中可能不正确（Harrell，2015； Ishwaran等，2008）。此外，这些方法通常在高维数据集上遇到困难，从而导致过度拟合，多重共线性以及处理复杂的相互作用的问题（Ishwaran等，2008； Joffe等，2013）。
解决西雅图吸毒过量和犯罪集中的地方：基于证据的方法
此次审计是为了响应市长 Bruce Harrell 和前市议会议长 Debora Juarez 的要求而进行的，他们要求我们的办公室准备一份审计报告，确定并记录解决城市犯罪和药物过量事件集中地区的基于证据的方法。除了研究基于证据的方法外，我们还在这次审计中使用了案例研究方法，研究了西雅图贝尔镇社区的两个街区，特别是从弗吉尼亚街到布兰查德街的第三大道，以确保我们的审计结果和建议适用于西雅图的现状。在审计期间，以下组织参加了会议和/或访问了我们的案例研究地点：• 普利茅斯住房 • 西雅图/金/斯诺霍米什基督教女青年会 • 港景第三大道诊所 • 常青治疗服务 - REACH
引用为：Zhou T，Wang Y，Xu Y，Xu L，Tang L，Yang Y，Wang J.多模式数据集成，以增强心脏和小脑的纵向预测
在32个月的中位随访中，98/729名参与者（13.4％）的结果经历了我们的复合材料。以7：3的比率，将病例随机分为发育（n = 510）和验证（n = 219）群体。使用六个临床FAC创建了一个预测nom图 - 性别，年龄，糖尿病，冠状动脉疾病史，甘油三酸酯 - 葡萄糖指数和呼吸暂停pnea pnea指数。预测词法图显示了出色的歧视性能力，基于Harrell的C-Index Val UES（95％置信区间（CI）= 0.779–0.873）的开发队列和0.877（95％CI = 0.824-0.93）的验证群体均可予以验证队列。此外，比较了发育和验证队列中预测和观察到的主要不良心脏和雌性马胸事件的主要不良心脏事件，这表明预测命名图已妥善化。决策曲线分析证明了预测列图的良好临床适用性。
脆弱的Risc-Hiv的发展：在短期内预测艾滋病毒患者的短期脆弱风险的风险评分
方法：我们预测了美国七个艾滋病毒诊所的PWH风险。经过修改的自我报告的油炸表型捕获了脆弱的，包括疲劳，体重减轻，不活动和迁移率差。pwh没有脆弱的人被分成训练和验证集，然后直到变得虚弱或两年。贝叶斯模型平均（BMA）和五倍越过验证的套索回归选择了脆弱的预分法。预测因子是由BMA选择的，如果它们的概率大于45％的概率，则如果它们最小化平均误差，则通过套索选择了预测因子。我们包括了BMA和Lasso在脆弱的Risc-HIV中选择的年龄，性别和变量，通过将脆弱的事件与Cox模型中的每个选定变量相关联。在哈雷尔（Harrell）的C和提升图设置的验证中评估了脆弱的Risc-HIV性能。
通用和疾病的心血管风险评分...
摘要目标研究表明，通用心血管风险（CVR）预测工具可能会低估SLE中的CVR。我们首次检查了我们的知识，通用和适应疾病的CVR评分是否可以预测SLE中亚临床动脉粥样硬化的进展。方法，我们包括所有没有心血管事件病史或糖尿病病史的符合条件的SLE患者，他们进行了3年的颈动脉和股骨超声随访检查。五个通用（系统的冠状动脉风险评估（得分），弗雷明汉姆风险评分（FRS），汇总队列风险方程，球虫，前瞻性心血管穆斯特）和三个“ SLE-SLE适应” CVR评分（修改的系统性冠状动脉风险评估（MSCORE），修改后的风险评分（MSSCORE）风险评分（MMSCERS），QRAMINGHAM WASER（MMFRS），QUSER（MMFRS），QESERS QUSERS），QESERS QUSER SERKS），QESERS QUSER SECRES（QESERS）QUSER SERKS）在基线时计算。用Brier评分（BS），接收器操作特征曲线（AUROC）和Matthews相关系数（MCC）测试了CVR评分预测动脉粥样硬化进展（定义为新的动脉粥样硬化斑块发育）的性能（定义为新的动脉粥样硬化斑块发育），而与Harrell的CREALATION一起测试了Harrell的C -CORLAITION（MCC）。二进制逻辑回归也用于检查亚临床动脉粥样硬化进展的决定因素。结果在124名患者中有26名（21％）（女性90％，平均年龄44.4±11。7年）在平均39.7±3.8个月的随访期之后，出现了新的动脉粥样硬化斑块。性能分析表明，MFRS（BS 0.14，AUROC 0.80，MCC 0.22）和QRISK3（BS 0.16，AUROC 0.75，MCC 0.25）更好地预测了斑块进展。c-索引对MFRS和QRISK3的歧视没有优势。在多变量分析中，qrisk3（OR 4.24，95％CI 1.30至13.78，p = 0.016）在CVR预测评分和年龄中（OR 1.13，95％CI 1.06至1.21，p <0.001），累积糖皮质激素剂量（OR累积糖皮质激素剂量）抗磷脂抗体（OR 3.66，95％CI 1.24至10.80，p = 0.019）在疾病相关的CVR因子中与斑块进展独立相关。结论适用于SLE适应的CVR评分，例如QRisk3或MFRS，以及监测糖皮质激素暴露和抗磷脂抗体的存在，可以帮助改善SLE中的CVR评估和管理。
伊丽莎白·卡夫曼（Elizabeth Cauffman），博士学位
发展科学表明，在整个青少年时期，重要的神经生物学发展正在进行中，并持续到20年代中期。由于神经生物学的不成熟，青少年继续表现出难以行使自我约束，控制冲动，考虑未来后果以及抵抗他人的强制影响的困难。青少年从事更风险的决策青春期，长期以来一直认为是与成年人不同的决策时期，包括增加的皮疹行为事件。通过经验数据调查一系列行为，例如使用药物（Johnston，Miech，Patrick，O'Malley，Schulenberg，＆Bachman，2023年），鲁re驾驶（Chein，Chein，Albert，O'Bert，O'Brien，Uckert，Uckert，Uckert，wesinbrien，Goodbr，Goodley＆obins; Harrell，Thomas和Brookshire，2023年），不安全性（青春期委员会，2013年； Herrick，Kuhns，Kinsky，Johnson，Johnson，＆Garofalo，2013; 2013; 2013; Finer，2010年）和犯罪活动（Brame，Turner，Turner，Paternoster，Paternoster，Paternoster，＆Bushway，＆Bushway，＆Bushway，＆Bushway，＆Bushway，2012; Loeber，Leeber，Leeber，innaling ,， Pardini，2012年； Shulman，Steinberg和Piquero，2013年）。在这些不同的研究中观察到的模式是
空军网络法入门（CPP-9）
中校 Royal A. Davis III，ACC/JA，主任/作者 Prof.杰弗里·T·比勒 (Jeffrey T. Biller)，USAFA，主编/作者Rebecca K. Lively，16 AF/JA，编辑/作者 Maj. Vincent L. DeFabo，67 CW/JA，编辑/作者 Mr. Rafael A. Martinez，ACC/JA，编辑/作者 Mr. Eric G. Rosenberg，67 CW/JA，作者/审稿人 Thomas R. Burks 少校，16 AF/JA，作者 Maj Dimple N. Chheda，NGB/JA，作者 Patrick A. Clary 少校，USCYBERCOM/JA 总部，作者 Jasmine 少校A. Dixon-Sims，16 AF/JA，作者 Christopher J. Elliott 上尉，16 AF/JA，作者 William D. Toronto 少校，HAF/JA，作者 Gordon H. Hage 少校，USAFR，作者Alexandra K. Holtsclaw 少校，67 CW/JA，作者 Aaron D. Kirk 少校，67 CW/JA，作者 Jonathan K. Sawmiller 少校，16 AF/JA，作者 Trenton M. White 少校，16 AF/JA，作者中校Vicki A. Belleau，HAF/JA，审阅者 Sqn Ldr Daniella S. Biedla，RAF 交流官员，审阅者 SQNLDR Anthony Erman，RAAF 交流官员，审阅者 Mr. Liam R. Harrell，67 CW/JA，审稿人 Ms. Emma K. McAllister，ACC/JA，审稿人 Maj. Kelby D. Kershner，ACC/JA，撰稿人
建模3D心脏收缩和用点云变形网络放松
摘要 - 通常在临床实践中使用的心脏功能的全球单值生物标志物，例如射血分数，提供了对真实3D心脏变形过程的有限见解，因此限制了对健康和病理心脏力学的理解。在这项工作中，我们提出了点云变形网络（PCD-NET），作为一种新型的几何深度学习方法，用于模型3D心脏收缩和心脏周期的极端之间的放松。它在基于点云的深度学习中采用了最新的进步，成为编码器解码器的编码器结构，以实现有效的多尺度特征学习，直接在心脏解剖的多级3D点云表示上。我们在英国生物银行研究的10,000多个案例的大数据集上评估了我们的方法，并在基本图像获取的像素分辨率下方的预测和地面真相解剖结构之间找到平均的倒角差异。此外，我们观察到了预测和地面真理人群之间的类似临床指标，并表明PCD-NET可以成功捕获正常受试者和肌肉拨动梗塞（MI）患者之间的亚群特异性差异。然后，我们证明，在接收器操作特征曲线下，学到的3D变形模式在接收器操作特征曲线下，在Harrell的一致性INDEX进行MI生存分析方面，在接收器操作特征曲线下的面积优于13％和7％。