XiaoMi-AI文件搜索系统
World File Search SystemNaive
胰岛素ICODEC（AWIQLI）
五项随机对照试验（RCT）（向下1 [n = 984]，向前2 [n = 582]，向前3 [n = 526]，向下4 [n = 1,085]，以及5 [n = 588]，以及在T2DM中均与胰岛素及胰岛素进行治疗的患者中，曾经是胰岛素的治疗方法与每日基底胰岛素（胰岛素甘蓝蛋白或胰岛素Degludec）相比，血红蛋白A1C的变化在第26周或第52周治疗。 优越性的次要分析表明，与每天每天的胰岛素类似物相比，胰岛素ICODEC在统计学上是优于这种结果的胰岛素类似物，但是差异的幅度不太可能在临床上很重要。 与每日基底胰岛素相比，胰岛素ICODEC治疗在次要结局中也有类似的临床益处，例如在血糖范围内花费的时间和体重变化。五项随机对照试验（RCT）（向下1 [n = 984]，向前2 [n = 582]，向前3 [n = 526]，向下4 [n = 1,085]，以及5 [n = 588]，以及在T2DM中均与胰岛素及胰岛素进行治疗的患者中，曾经是胰岛素的治疗方法与每日基底胰岛素（胰岛素甘蓝蛋白或胰岛素Degludec）相比，血红蛋白A1C的变化在第26周或第52周治疗。优越性的次要分析表明，与每天每天的胰岛素类似物相比，胰岛素ICODEC在统计学上是优于这种结果的胰岛素类似物，但是差异的幅度不太可能在临床上很重要。与每日基底胰岛素相比，胰岛素ICODEC治疗在次要结局中也有类似的临床益处，例如在血糖范围内花费的时间和体重变化。
WTTE-RNN：威布尔事件时间递归神经网络
在本论文中，我们提出了一种预测事件发生时间的新模型：威布尔事件时间 RNN。这是一个用于预测下一个事件发生时间的时间序列的简单框架，适用于我们遇到连续或离散时间、右删失、重复事件、时间模式、随时间变化的协变量或不同长度的时间序列中的任何一个或所有问题时。所有这些问题在客户流失、剩余使用寿命、故障、尖峰训练和事件预测中经常遇到。所提出的模型估计下一个事件发生时间的分布具有离散或连续威布尔分布，其参数是递归神经网络的输出。该模型使用生存分析中常用的特殊目标函数（删失数据的对数似然损失）进行训练。威布尔分布足够简单，可以避免稀疏性，并且可以轻松地进行正则化以避免过度拟合，但仍然具有足够的表现力来编码诸如增加、平稳或减少风险等概念，并且可以在允许的情况下收敛到点估计。预测的威布尔参数可用于预测下一个事件时间的预期值和分位数。它还导致未来风险的自然 2d 嵌入，可用于监控和探索性分析。我们使用通用的审查数据框架来描述 WTTE-RNN，该框架可以轻松地与其他分布一起扩展并适用于多变量预测。我们表明，常见的比例风险模型和威布尔加速故障时间模型是 WTTE-RNN 的特殊情况。所提出的模型在具有不同程度的审查和时间分辨率的模拟数据上进行了评估。我们将其与二元固定窗口预测模型和处理审查数据的简单方法进行了比较。该模型优于简单方法，并且被发现具有许多优势和与二元固定窗口 RNN 相当的性能，而无需指定窗口大小和在更多数据上进行训练的能力。应用于 CMAPSS 数据集以进行模拟喷气发动机的 PHM 运行至故障得到了有希望的结果。
WTTE-RNN：威布尔事件时间循环神经网络
在本文中，我们提出了一种预测事件发生时间的新模型：威布尔事件时间 RNN。这是一个用于预测下一个事件发生时间的时间序列的简单框架，适用于我们遇到连续或离散时间、右删失、重复事件、时间模式、随时间变化的协变量或不同长度的时间序列中的任何一个或所有问题。所有这些问题在客户流失、剩余使用寿命、故障、尖峰序列和事件预测中经常遇到。所提出的模型估计下一个事件发生时间的分布具有离散或连续威布尔分布，其参数是递归神经网络的输出。该模型使用生存分析中常用的特殊目标函数（删失数据的对数似然损失）进行训练。威布尔分布足够简单，可以避免稀疏性，并且可以轻松进行正则化以避免过度拟合，但仍然具有足够的表现力来编码诸如增加、平稳或减少风险之类的概念，并且如果允许的话可以收敛到点估计。预测的威布尔参数可用于预测下一个事件发生时间的预期值和分位数。它还会导致未来风险的自然 2d 嵌入，可用于监测和探索性分析。我们使用一个通用的删失数据框架来描述 WTTE-RNN，该框架可以轻松地与其他分布一起扩展并适用于多变量预测。我们表明，常见的比例风险模型和威布尔加速故障时间模型是 WTTE-RNN 的特殊情况。对具有不同程度删失和时间分辨率的模拟数据评估了所提出的模型。我们将它与二元固定窗口预测模型和处理删失数据的简单方法进行了比较。该模型优于简单方法，并且被发现具有许多优点和与二元固定窗口 RNN 相当的性能，而无需指定窗口大小和在更多数据上训练的能力。将 CMAPSS 数据集应用于模拟喷气发动机的 PHM 运行至故障得到了有希望的结果。
使用机器学习的一种提议的技术通过移动应用预测糖尿病疾病
随着沙特阿拉伯糖尿病患病率的日益增长，迫切需要早期发现和预测该疾病以防止长期健康并发症。TIS研究通过使用机器学习（ML）技术来解决这一需求，该技术通过实现用于预测糖尿病的计算机化系统，应用于PIMA Indians数据集和私人糖尿病数据集。与先前的研究相反，本研究采用了半佩斯的模型，结合了强大的梯度提升，有效地预测了数据集的糖尿病相关特征。此外，研究人员采用了SMOTE技术来处理不平衡的类别。十种ML分类技术，包括逻辑回归，随机森林，KNN，决策树，包装，Adaboost，Xgboost，Xgboost，投票，SVM和Naive Bayes，以确定产生最准确的糖尿病预测的算法。提议的方法取得了令人印象深刻的表现。对于私有数据集，带有SMOTE的XGBoost算法的精度为97.4％，F1系数为0.95，AUC为0.87。对于组合数据集，它的精度为83.1％，F1系数为0.76，AUC为0.85。要了解模型如何预测FNAL结果，实现了使用Shap方法解释的AI技术。此外，该研究通过应用域适应方法证明了所提出的系统的适应性。为了进一步增强可访问性，已经为基于用户输入功能的即时糖尿病预测开发了移动应用程序。TIS研究为基于ML的糖尿病预测而贡献了新的见解和技术，这可能有助于对沙特阿拉伯糖尿病的早期检测和管理。
低剂量白细胞介素2单极和躁郁症抑郁症中的抗抑郁药：安全性，有效性和免疫生物标志物
免疫炎症机制是抗抑郁药理学的有希望的靶标。基于报道的免疫细胞异常，我们定义了用插件低剂量介入室2（IL-2）的抗抑郁剂增强治疗，这是自身免疫性条件中经过证明的抗炎性疗效的T细胞生长因子，从而增加了固定性的CD4+ T细胞的蛋白质产生，并可能纠正细胞的良性consect to compers tobers tose cops tose cobs tose discord copt in sford deford inofe dectord inofe dectord inofe deford sefort deford。我们进行了单中心，随机，双盲，安慰剂控制的II期试验，评估了低剂量IL-2在MDD或BD患者中的安全性，临床功效和生物学反应。36连续招募的情绪障碍单位的住院患者以2：1的比例随机分配，以接收Aldesleukin（12 MDD和12 BD）或安慰剂（6 MDD和6 BD）。主动治疗在两个诊断组中对持续的SSRI/SNRI治疗的抗抑郁反应显着增强，并扩大了Treg，Th2和Naive CD4+/CD8+免疫细胞计数的种群。在治疗的前五天迅速诱导细胞计数的变化，并预测抑郁症严重程度的改善。未观察到严重的不利影响。这是支持以下假设的RCT证据，即增强T细胞系统的治疗可能是纠正与情绪障碍相关的免疫炎症异常并增强抗抑郁反应的成功方法。
海外疫苗认定指南
泰国卫生部疾病控制部本通知旨在告知所有全科医生 (GP) 诊所如何认可 COVID-19 初次接种疫苗、本地康复者和海外康复者的海外疫苗接种情况。 2. 所有在海外接种疫苗并在入境新加坡时经 ICA 验证文件的个人 1，其疫苗接种状态将在 TraceTogether (TT) 应用程序上仅显示 30 天。为了在 30 天后继续享受疫苗接种差异化安全管理措施 (VDS) 2，这些个人可以前往全科医生诊所进行血清学检测，并让新加坡认可他们的海外 COVID-19 疫苗接种情况。该服务的全部费用由个人承担。 3. 对于持有以下格式的疫苗接种证书的个人，全科医生可以通过数字方式验证二维码来代替血清学检测，即无需进行血清学检测
可以捕获空间关系
对象之间的空间关系代表关键场景信息，以使Humans理解和与世界互动。研究熟悉计算机视觉系统识别物理扎根的空间关系的能力，我们首先提出了确切的关系定义，以允许始终如一地注释基准数据集。尽管这项任务显然与识别文献中其他任务相关的简单性，但我们观察到现有方法在此基准上的表现较差。我们提出了新的方法，利用了变形金刚的远程注意力能力，并评估关键设计原理。我们确定了一个简单的“相关”体系结构，并证明它的表现优于所有当前方法。据我们所知，这是第一种令人信服的在野外环境中空间关系预测的幼稚基线的方法。代码和数据集可在https://sites.google.com/view/spatial-realation中找到。
urelumab的最终结果，抗CD137激动剂...
对免疫检查点抑制剂的抽象背景抗性和针对性治疗癌症是常见的。因此，需要新颖的免疫疗法。尿幼儿是一种单克隆抗体激动剂，与在T细胞上表达的CD137受体结合。在这里，我们报告了两项研究，这些研究评估了精选的晚期实体瘤患者的尿尿素与西妥昔单抗或nivolumab结合使用。方法CA186-018：转移性结直肠癌或头颈部转移性鳞状细胞癌（SCCHN）的患者在剂量评估阶段进行治疗，每3周（Q3W）+cetuximab 250 mg/mmmab urelumab 0.1 mg/kg（urelelumab-0.1）每周一次（urelumab-0.1）每周一次（urelumab-0.1）并在尿素膨胀阶段，尿素单抗8毫克扁平剂量（Uerelumab-8）Q3W+Cetuximab-250每周。CA186-107：剂量降低阶段包括先前治疗的晚期实体瘤（或治疗或治疗性黑色素瘤）的患者；每2周，患者每2周接受每4周+NIVOLUMAB 3 mg/kg（NIVOLUMAB-3）或240 mg（Nivolumab-240）的患者每4周接受每4周的尿素均固定剂量（尿素3）或尿素单抗-8。在扩张阶段，黑色素瘤，非小细胞肺癌或SCCHN的患者用尿路菌-8+Nivolumab-240治疗。主要终点是安全性和耐受性，次要终点包括功效评估。结果CA186-018：66名患者接受了研究治疗。最常见的与治疗相关的不良事件（TRAES）是疲劳（75％; n = 3），尿素尿症-0.1+cetuximab-250和皮肤炎（45％; n = 28），尿素型8+cetuximab-250。三名患者（5％）因TRAE（s）（尿素尿症8+cetuximab-250）而停产。黑色素瘤患者幼稚至一名患有SCCHN的患者的部分反应（客观反应率（ORR）为5％，尿素幼虫-8+cetuximab-250）。CA186-107：134名患者接受了研究治疗。 疲劳是最常见的TRAE（32％; n = 2，urelumab-3+nivolumab-3; n = 1，urelumab-8+Nivolumab-3; n = 40; n = 40，带有urelumab-8+Nivolumab-240）。 由于TRAE（s）（n = 1，urelumab-3+nivolumab-3; n = 8; n = 8 n = 1 n = 1，urelumab-8+nivolumab-240）。CA186-107：134名患者接受了研究治疗。疲劳是最常见的TRAE（32％; n = 2，urelumab-3+nivolumab-3; n = 1，urelumab-8+Nivolumab-3; n = 40; n = 40，带有urelumab-8+Nivolumab-240）。由于TRAE（s）（n = 1，urelumab-3+nivolumab-3; n = 8; n = 8 n = 1 n = 1，urelumab-8+nivolumab-240）。。