XiaoMi-AI文件搜索系统
World File Search SystemOptimize
我们是否应该推迟第二剂新冠疫苗接种以优化推广？数学视角
自 2019 年 12 月以来，严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2) 在全球急剧传播，导致大量发病率和死亡率。COVID-19 大流行给世界各地的公共卫生系统带来了巨大压力，给全球经济带来了灾难性后果。战胜 COVID-19 大流行需要大规模接种疫苗。私人财团和政府的高额资金支持使得 COVID-19 疫苗的研发变得极其迅速。为发展中国家生产和分发数十亿剂 COVID-19 疫苗是当局面临的艰巨挑战 [1]。迄今为止，美国食品药品监督管理局 (FDA) 已批准三种 COVID-19 疫苗用于紧急使用。其中两种是 mRNA 疫苗（辉瑞-BioNTech 和 Moderna）。这两种疫苗都是基于两剂方案获得批准的，尽管最近一些发达国家建议高危人群在接种不同持续时间的疫苗后接种第三剂加强剂。辉瑞-BioNTech 的初步研究表明该疫苗有效率达 95%，而 Moderna 宣布接种两剂后初始有效率达 94.5% [ 2 ]。杨森（强生）疫苗是第三个获得紧急使用授权的新冠疫苗。该疫苗为一剂疫苗，获准用于 18 岁及以上的人群 [ 3 ]。另一方面，自 2020 年 12 月 30 日起，牛津大学研发的 ChAdOx1 nCoV-19 疫苗 (AZD1222) [ 4 ] 在英国及随后的许多其他国家获得紧急使用授权，该疫苗采用两剂标准剂量接种方案，每剂间隔 4 – 12 周，适用于 18 岁及以上的成年人。一些发达国家还建议高危人群在接种杨森或 ChAdOc1 疫苗后，以不同的间隔接种一剂 mRNA 疫苗加强剂。由于供应严重短缺，大多数发展中国家无法提供加强剂。此外，由于 COVID-19 疫苗供应短缺，一些国家选择将第二剂 COVID-19 疫苗的接种时间推迟一段时间，目的是让大量人接种第一剂疫苗，然后再进行第二剂接种 [ 5 ， 6 ]。该策略的优缺点在世界范围内引发了激烈的争论，专家们并未达成明确的共识 [ 7 ， 8 ]。我们不偏袒任何一方，而是试图从纯数学的角度回答以下问题：我们应该推迟第二剂疫苗的接种吗？我们还回答了一个更普遍的问题，即如果采用 n 剂方案，如何在人群中最佳地分配任意数量的 n 剂。需要注意的是，我们的模型在比较不同的给药策略时没有考虑免疫学和流行病学效应（例如 [ 9 ， 10 ]）。我们的模型主要用于一般人群的疫苗接种策略和决策。
AI增强库存和需求预测：使用AI优化库存管理并预测客户需求
人工智能（AI）的出现已经迎来了各个行业的效率和准确性的新时代，库存管理和需求预测处于这些进步的最前沿。传统库存管理技术通常依赖于历史数据和简单的统计模型，在解决当代市场的动态和复杂性方面缺乏（Chopra＆Meindl，2016年）。AI具有先进的算法和机器学习能力，为这些关键业务功能提供了一种变革性的方法。本文探讨了AI技术在优化库存管理和预测客户需求方面的集成。AI增强库存管理涉及应用各种AI技术，例如机器学习，自然语言处理（NLP），计算机视觉和机器人技术工艺自动化（RPA）（RPA）（Ivanov等，2017）。机器学习算法分析了大量的历史数据，以识别模式和趋势，从而可以在库存水平上进行更准确的预测和调整。NLP流程从社交媒体和客户评论等来源提供非结构化数据，以更深入了解市场趋势和客户偏好（Cambria＆White，2014年）。计算机视觉技术有助于实时监视库存水平并通过视觉数据识别差异，而RPA自动化了重复的任务，例如订单处理和库存跟踪，从而降低了人为错误和提高效率（Aguirre＆Rodriguez，2017年）。本文重点介绍了通过AI实施实现的预测准确性和库存周转率的重大改善，并讨论了对供应链管理的未来影响。
开发定向能源沉积的NASA HR-1，以优化液体火箭发动机应用的特性
添加剂制造和新材料正在发展，多个同事和组织负责NASA HR-1的发展和发展。作者要感谢SLS液体发动机办公室（LEO）计划以及快速分析和制造推进技术（RAMPT）提供资金和支持以开发流程并推进这种合金。我们要感谢Johnny Heflin，Keegan Jackson和John Fikes提供了项目领导。我们要感谢我们的行业和学术界合作伙伴，包括RPM创新（RPMI），Beam，Fraunhofer，Formalloy和Auburn University的Nima Shamsaei（Rampt公共私人合作伙伴），以及阿拉巴马大学（UAH）大学（UAH）的Judy Schneider（UAH）（UAH）（UAH）开发和特征分类的sampemples。我们还要感谢提供原料粉的各种供应商，包括均质化金属公司（HMI），Praxair和Powder Alloy Corporation（PAC）。热处理是一项关键操作，我们的专家Pat Salvail，Kenny Webster和David Cole提供了出色的支持。我们还要感谢NASA GRC Counterparts，包括David Ellis，Justin Milner，Chris Kantzos，Ivan Locci以及许多其他帮助评估和表征样本的人。此外，我们认识到其他工程师在整个开发和测试中都提供了投入，包括托马斯·蒂斯利（Thomas Teasley），克里斯·普罗尔兹（Chris Protz），威尔·蒂尔森（Will Tilson），布莱恩·韦斯特（Brian West），凯瑟琳·贝尔（Brian West），凯瑟琳·贝尔（Catherine Bell），萨曼莎·麦克莱罗（Samantha McLeroy）以及MSFC，GRC和工业的许多其他工程。
敏感性：在结构化的OMICS数据上利用生成的大语言模型来优化药物敏感性预测
摘要目的：癌细胞系的大量药物基因组学数据的快速积累为药物敏感性预测（DSP）提供了前所未有的机会，这是促进精度肿瘤学的关键先决条件。最近，生成的大语言模型（LLM）表明了自然语言处理领域（NLP）领域的各种任务的性能和概括。然而，药物基因组学数据的结构化格式对DSP中LLM的实用性提出了挑战。因此，这项研究的目的是多重的：适应结构化药物基因组学数据的及时工程，以优化LLM的DSP性能，评估LLM在现实世界DSP方案中的概括，并比较LLM的DSP性能与目前的Science-Science Baselines。方法：我们系统地研究了生成性预训练的变压器（GPT）作为四个公开基准药物基因组学数据集的DSP模型，这些模型由五种癌症组织类型的细胞系和肿瘤学和非综合药物进行分层。本质上，通过四个学习范式评估了GPT的预测格局在DSP任务中的有效性：零射击学习，几乎没有学习，微调和聚类预处理的嵌入。通过实施三个及时的模板（即指令，指导，预定，披肩）并将与药剂基因组相关的特征集成到提示中，为了促进GPT无缝处理结构化的药物基因组学数据，采用了域特异性新颖的及时工程。与最先进的DSP基准相比，GPT主张了卓越的F1性能我们验证了GPT在不同的现实世界DSP方案中的表现：跨组织概括，盲试和药物校园关联的分析以及顶级灵敏/抗性细胞系。此外，我们对GPT进行了比较评估，该评估是针对多个基于变压器的预验证模型和现有的DSP基准的。结果：在五个组织组的药物基因组学数据集上进行的广泛实验表明，微调GPT会产生最佳的DSP性能（28％F1增加，P值= 0.0003），然后群集预处理的GPT嵌入了GPT嵌入（26％F1增加，P-value = 0.0005），很少有gpt（I.但是，在零射击设置中的GPT具有很大的F1间隙，导致表现最差。在迅速工程的范围内，通过直接指导GPT有关DSP任务并诉诸简洁上下文格式（即指令 - 预备）来实现性能提高，从而导致F1性能增长22％；同时，从基因组学和/或分子特征衍生出的药物细胞线及时及格环境将F1得分进一步提高了2％。
REVIT-IT2：实施非侵入性循环肿瘤DNA分析，以优化Colorect
内发生转移最常见于肝脏和肺部，如果以治愈性为例，则5年的相对存活率约为50-60％。2–5但是，如果检测到预期治疗的转移量为时已晚，而患者接受姑息化疗或最佳支持，那么5年后，少于10％的人还活着。 2–4,6–8切除和切除后的存活能力受到增加的转移部位和转移大小的负面影响。 2,3,5因此，当肿瘤负担低的时候早期发现复发是至关重要的，不仅是为了提高治愈性切除率，而且还可以增加切除后的生存率。 转移的局部治疗（例如 射频消融）很小，但在不符合大手术的患者中不可切除或可能可切除，其生存率高达40-60％。 9–12这意味着，也认为被认为没有符合治疗切除的患者可能会受益于早期复发检测。2–5但是，如果检测到预期治疗的转移量为时已晚，而患者接受姑息化疗或最佳支持，那么5年后，少于10％的人还活着。2–4,6–8切除和切除后的存活能力受到增加的转移部位和转移大小的负面影响。2,3,5因此，当肿瘤负担低的时候早期发现复发是至关重要的，不仅是为了提高治愈性切除率，而且还可以增加切除后的生存率。转移的局部治疗（例如射频消融）很小，但在不符合大手术的患者中不可切除或可能可切除，其生存率高达40-60％。9–12这意味着，也认为被认为没有符合治疗切除的患者可能会受益于早期复发检测。
自动驾驶：ZF和Infineon使用AI算法优化用于驱动动态的软件和控制单元</div>
作为Eemotion项目的一部分，ZF集团和Infineon Technologies AG共同开发和实施了用于开发和控制车辆软件的AI算法。该项目由德国联邦经济事务和气候行动部共同资助。在项目中开发的AI算法在测试工具中经过证明，在自动驾驶过程中根据指定的驾驶轨迹控制和优化所有执行器。ZF已在其现有的两个软件解决方案Cubix和Eco Control 4 ACC中添加了AI算法，这些解决方案已在Infineon的Aurix Aurix TM TM TC4X微控制器（MCU）上实施，并具有集成并行处理单元（PPU）。结果：更有效的人工智能算法和更好地利用计算能力。这又导致更好的驾驶性能和提高驾驶安全性。与没有AI的常规方法相比，两家公司现在
机器学习方法的探索性应用，以优化对饮食失调症状的数字干预措施的预测
Dwyer，D。和Choi，K。（2021）。在预测精神病学治疗结果时，机器学习的希望。世界精神病学，20（2），154 - 170。https：//doi.org/10.1002/wps.20882 Chien，I.，Enrique，A.，Palacios，J.，Regan，T.，Keegan，T.，Keegan，D. （2020）。一种机器学习方法，以了解与互联网交付的心理健康相互作用的互动模式。JAMA Network Open，3（7），E2010791。https://doi.org/10。 1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W. （2019）。 系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。 临床流行病学杂志，110，12 - 22。https：// doi。 org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。 数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。 JAMA Network Open，3（8），E2015633。 https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O. BMC精神病学，20（1），1 - 9。https：// doi。 统计软件杂志，33（1），1 - 22。https://doi.org/10。1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W.（2019）。系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。临床流行病学杂志，110，12 - 22。https：// doi。org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。JAMA Network Open，3（8），E2015633。https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O.BMC精神病学，20（1），1 - 9。https：// doi。统计软件杂志，33（1），1 - 22。预测互联网传递认知行为疗法后身体障碍障碍的预测因素：一种机器学习方法。org/10.1186/s12888-020-02655-4 Friedman，J.，Hastie，T。，＆Tibshirani，R。（2010）。通过坐标下降的通用线性模型的正规化路径。Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N. 使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。 综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。 超越“算法偏差是数据问题”。 模式，2（4），100241。 Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N.使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。超越“算法偏差是数据问题”。模式，2（4），100241。Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Jordan，M。I.和Mitchell，T。M.（2015）。机器学习：趋势，敏感和前景。Science，349（6245），255 - 260。https：//doi.org/10。1126/science.AAA8415库恩。（2021）。caret：分类和回归培训。r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。做情感障碍杂志，241，519 - 532。https：//doi.org/10.1016/j.jad.2018.08.073 Lekkas，D.，Price，G.，McFadden，J。，J。，＆Jacobson，J。，＆Jacobson，N.C。（2021）。机器学习到在线正念干预数据的应用：合规性评估中的底漆和经验示例。正念，12（10），2519 - 2534。https：//doi.org/10.1007/s12671-021-021-021-01723-4 Linardon，J.，J.，Messer，M.，Shatte，M.，Shatte，Shatte，Shatte，A.
从个性化肿瘤学到精确医学：一种基于模型的剂量方法，以优化伊马替尼目标暴露的实现
1服务De Pharmacie，GH Nord，Hospices Civils de Lyon，69002 Lyon，法国2 Univ。里昂，克劳德·伯纳德·里昂大学1，UMR CNRS 5558，LBBE - laboratoire debiométrieet trie et biogogiefollogieévornity，69100 Villebanne，Villebanne，法国3 Univ。里昂，克劳德·伯纳德·里昂大学1，ISPB - 法国69008 Lyon，法国49008 Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie de Pharmacie De Lyon，法国4临床药理学服务，洛桑大学医院和洛桑大学，1011年，瑞士洛桑； monia.guidi@chuv.ch.ch（M.G。）; nicolas.widmer@chuv.ch（n.w.）5 5瑞士大学医院和洛桑大学临床药学科学研究与创新中心，瑞士洛桑1011 6瑞士西瑞士的药学科学研究所，日内瓦大学，洛桑大学和洛桑大学，瑞士大学1211，瑞士7瑞士7儿童病理学和基础药理学和药理学。日内瓦大学制药科学学院，瑞士日内瓦市1205年9月9日，东部沃德医院的药房，1847年瑞士雷纳兹，瑞士 *通信：sylvain.goutelle@chu-lyon.fr;电话。 ： +33-4-72-16-80-995瑞士大学医院和洛桑大学临床药学科学研究与创新中心，瑞士洛桑1011 6瑞士西瑞士的药学科学研究所，日内瓦大学，洛桑大学和洛桑大学，瑞士大学1211，瑞士7瑞士7儿童病理学和基础药理学和药理学。日内瓦大学制药科学学院，瑞士日内瓦市1205年9月9日，东部沃德医院的药房，1847年瑞士雷纳兹，瑞士 *通信：sylvain.goutelle@chu-lyon.fr;电话。： +33-4-72-16-80-99
集成 5S 方法和 ABC 分类的仓库管理模型，以优化商业中的空间利用率和搜索时间
摘要——目前，大量秘鲁中小企业缺乏建立适当仓库管理的资源和工具。这一问题导致仓库物品保管成本高、空间利用率低以及仓库内产品可见性差。因此，本研究的目的是提出一个可实施的模型，供有意改善仓库实践的批发业中小企业实施。因此，本文的贡献基于仓库管理模型的设计，该模型允许组织仓库区域并建立正确的产品摆放方式。该模型由两种经典的库存和仓库管理工具组成，即 5s 方法和 ABC 方法。得到的结果表明，可以将搜索时间从 216.75 分钟缩短到 148.75 分钟；仓库内秩序井然，5S水平提升47%，利用率维持在95%以上，废弃物占用空间降至0。
AHRQ卫生系统转型战略计划，以优化老年人的健康，功能状况和福祉
目标1：通过资助研究来支持卫生系统转型，以开发，实施，评估和规模为以人为本的护理模型，以优化个人和人群的老年人中的身心健康，功能状况以及福祉。改善老年人的健康需要将我们主要以疾病为中心的“病态护理”制度重新设计为以人为本的系统，并在整个生活课程中提供全人保健，旨在改善生活中人们和人群的健康和福祉。这种重新设计的系统强调了对慢性病的预防和管理，包括多种慢性病。它支持初级保健的基本作用。它有助于实现五重奏的目标：增强患者体验，改善人口健康，降低成本，促进劳动力福祉以及促进健康公平。对老年人的有效和有效的护理需要在预防，急性，慢性，康复和长期护理服务以及与社区和前线医疗保健工作人员合作发展的身体和行为健康，社会护理以及公共卫生之间的整合之间的新协调模型。AHRQ支持对“有效的方法”的研究，以实现这些目标和“如何使其起作用”。