XiaoMi-AI文件搜索系统
World File Search SystemMeeter
引用出版物（APA）：Pancarelife财团，更长，T。，Clemen，E
关键目标，如果要将颅咽性瘤和垂体肿瘤排除在队列分析之外，那么其他儿童脑肿瘤（CBT）的幸存者（CBTS）有可能增加体重，超重或肥胖症，如果是这样，则与下丘脑诊断功能障碍的关联是什么？知识不仅超重（20.3％）和肥胖症（8.5％）的普遍性（8.5％）高，而且频繁（$ 1 2.0标准偏差得分[SDS]）的体重增加（11.6％）。随访期间体重指数（BMI）的这些变化似乎与下丘脑 - 垂体功能障碍有关。诊断时较高的BMI SDS，糖尿病（DI）或随访期间中央早熟青春期（CPP），而低度胶质瘤与超重和肥胖有关。在随访期间，在诊断，DI或CPP时具有较高BMI SD的相关性CBT和低级神经胶质瘤可能需要对随访期间的体重变化和下丘脑垂体功能的变化进行更强烈的监视，旨在降低长期心血管疾病的发病率。
已发布版本的引文 (APA)：Scheper, MC, van Velzen, M., & LU van Meeteren, N. (2024)。在日常实践中负责任地使用人工智能：物理治疗师需要知道、考虑和做什么？《物理治疗杂志》，70 (2)，81-84。https://doi.org/10.1016/j.jphys.2023.07.012 EUR 研究信息门户上的出版物链接
结合丰富的可用数据（例如医疗记录）及其多功能性，人工智能驱动的应用程序通常可以轻松地在数字系统中实现，并且几乎立即影响其使用环境。最常见的人工智能形式也称为“机器学习”（ML）；然而，被称为“深度学习”的其他形式的人工智能正变得越来越频繁地使用，并且在未来会变得更加普遍。6、8 在详细介绍机器学习的技术方面之前，应仅在专业人员和患者共同决策期间在支持角色的背景下考虑人工智能或机器学习的使用。根据机器学习的发展模式，它可以分为：监督学习、无监督学习或强化“学习”。 6 在监督学习中，每个人的数据及其背景都会根据历史数据中某个事件的发生或缺失来创建预测或分类算法（例如，检测慢性疲劳等合并症、预测从 ICU 安全出院或个性化锻炼方案）。无监督学习侧重于未标记的数据集（没有发生预设的结果或事件），旨在探索、解开或确认数据集内现有的模式。强化学习是 ML 的一个子类别，侧重于通过最大化正确和/或不正确结果的可能性来优化预测/分类。虽然所有形式的 ML 都可能用于物理治疗，但监督 ML 算法最为常见，因为其输出类型通常类似于临床推理过程（例如决策树或决策规则）并且通常易于理解/实施。第二个重要特征是，AI 算法首先在数据集的一部分（训练集）上进行训练，然后在独立数据集上进行交叉验证，其性能以类似于物理治疗中常用的标准化临床测试的方式记录。AI 算法的性能指标（灵敏度、特异性、曲线下面积和其他 AI 特定的召回率和偏差指标）遵循与标准化临床测试大致相同的原则。3、6、7