XiaoMi-AI文件搜索系统
World File Search SystemPredic
使用机器学习预测中风 - 警告
中风是全球第二大死亡原因，对个人和国家医疗保健系统来说仍然是一个重要的健康负担。我们的项目将机器学习原理应用于大量现有数据集，以根据潜在可改变的风险因素有效地预测中风。然后，它打算开发应用程序，根据每个用户的中风风险水平提供个性化警告，并提供有关中风风险因素的生活方式纠正信息。
使用机器学习的心脏病预测系统
我还感谢达卡Diit讲师Mizanur Rahman为我们提供了成功完成该项目的设施。我还对达卡（Dhaka）的DIIT讲师，讲师为我们提供了成功完成该项目的设施。我也表示感谢Mushfiqur Rahman，Dhaka Diit讲师，为我们提供了成功完成该项目的设施。
评估指标用于评估糖尿病预测模型的性能
日期：6 06,2024摘要：评估指标在评估糖尿病预测模型的性能中起着至关重要的作用。这些模型旨在根据年龄，体重，家族病史和血糖水平等各种因素来预测个体发展糖尿病的可能性。对这些模型的准确评估对于确保其有效性和可靠性至关重要。本文概述了常用的评估指标，以评估糖尿病预测模型的性能。本文讨论的评估指标包括准确性，灵敏度，特异性，精度，接收器操作特征（ROC）曲线，ROC曲线下的面积（AUC）（AUC），F1分数和Matthews相关系数（MCC）。定义了每个度量标准，并解释了其计算方法，解释和局限性。本文强调了考虑模型的目标和应用以及不同指标之间的权衡的重要性，以选择最合适的评估方法。此外，本文重点介绍了模型评估中的其他考虑因素，例如用于模型概括，偏见和公平评估以及预测校准的交叉验证。这些因素有助于全面的评估过程，并确保糖尿病预测模型的可靠性和公平性。
引用刘XZ，Duan MJ，Huang HD，Zhang Y，Xiang Ty，Niu WC，Zhou B，Wang HL和Zhang TT（2023）预测2型Diabe
糖尿病是指具有高血糖的慢性流行代谢疾病。国际糖尿病联合会（IDF）的最新统计数据表明，到2019年，全球约有4.63亿成年人（年龄在20至79岁之间）将患有糖尿病；到2045年，糖尿病患者的人数估计达到7亿（1）。糖尿病并发症已被发现是糖尿病患者死亡的主要原因（2），其中76.4％的糖尿病患者至少报告了一种并发症（3）。糖尿病性肾脏疾病（DKD）是糖尿病的主要微血管并发症，其特征在于高患病率，死亡率和治疗成本，但较低的意识和预防和治疗率较差（4）。在中国，近20-40％的糖尿病患者患有DKD，而DKD的意识率低于20％，治疗率甚至低于50％（5）。DKD的典型进展是指尿白蛋白排泄的初始增加（称为微藻尿症），该尿伴随着大量蛋白尿，随后肾功能的快速下降。结果，蛋白尿已被认为是从传统角度开始肾功能下降的初始途径（6）。但是，由于发现许多蛋白尿患者可以自发地恢复到正常的白蛋白排泄率，或者是基于DKD的综合风险管理（7-11），因此上述理论受到了挑战。尽管增加的筛选频率可以避免延迟诊断，但这并不均匀地实现。在此基础上，微量白蛋白尿作为DKD的传统标志和干预的最佳机会的有效性受到挑战，因为DKD在发作过程中通常是阴险的（12）。尽管肾脏活检能够将DKD与糖尿病肾脏疾病（NDKD）区分开，但尚未验证黄金标准以评估DKD的发展。此外，DKD的预防，早期诊断和治疗在降低糖尿病患者心血管事件的发生率并改善其生存率和生活质量方面具有重要意义。因此，迫切需要
原始发表论文的引用（记录版本）：Li, X., Shong, K., Kim, W. et al (2022)。透明细胞 r 候选药物预测
a Bash Biotech Inc，600 est Broadway，Suite 700，圣地亚哥，CA 92101，美国 b 生命科学实验室，KTH-Royal Institute of Technology，斯德哥尔摩 SE-17165，瑞典 c 病理学和肿瘤生物学系，人类生物学高级研究中心（WPI-ASHBi），京都大学，京都 606-8501，日本 d 泌尿外科，东京大学医学院，东京 113-8654，日本 e 血液学和再生医学中心，卡罗琳斯卡医学院，斯德哥尔摩 SE-17177，瑞典 f 医学生物学系，Atat € urk 大学医学院，埃尔祖鲁姆 25240，土耳其 g 宿主-微生物组相互作用中心，牙科、口腔和颅面科学学院，伦敦国王学院，伦敦 SE1 9RT，英国h 哥德堡大学萨尔格伦斯卡大学医院分子与临床医学系，哥德堡 SE- 41345，瑞典 i 查尔姆斯理工大学生物与生物工程系，哥德堡 SE-41296，瑞典 j 生物创新研究所，哥本哈根 N DK-2200，丹麦 k 郑州大学药学院先进药物制备技术教育部重点实验室，郑州 450001，中国
使用光绘画和深度学习预测心血管疾病的风险
心血管疾病（CVD）负责低收入和中等收入国家的过早死亡。早期的CVD检测和干预在这些人群中至关重要，但是许多现有的CVD风险评分需要进行体格检查或实验室测量，这在此类卫生系统中可能具有挑战性。在这里，我们调查了使用光摄影学（PPG）的潜力，这是一种在大多数智能手机上可用的传感技术，可以潜在地以低成本启用大规模筛查，以进行CVD风险预测。我们开发了一个基于PPG的CVD风险评分（DLS），以预测十岁内发生重大不良心血管事件（MACE：非致命性心肌梗死，中风和心血管死亡）的可能性，仅鉴于年龄，性别，性别，吸烟状态和PPG作为预测者，只有年龄，性别，性别，性别，性别，性别，性别，性别，性别，性别，性别，性别。我们将DLS与基于办公室的Refit Who-Who分数进行了比较，该分数采用了WHO和Globorisk分数（年龄，性别，吸烟状况，身高，体重和收缩压）的共享预测指标，但在UK Biobank（UKB）同胞上进行了改装。在UKB队列中，DLS的C统计效果（71.1％，95％CI 69.9-72.4）与基于办公室的Refit-Who得分（70.9％，95％CI 69.7-72.2;非内野利率2.5％，p <0.01）。DLS的校准令人满意，平均绝对校准误差为1.8％。在基于办公室的分数中添加DLS功能将C统计量提高了1.0％（95％CI 0.6-1.4）。dls预测，十年的MACE风险与基于办公室的Refit-Who得分相当。它提供了概念验证，并提出了基于PPG的方法在资源有限地区基于社区的初级预防的潜力。
AI 预测的 mTOR 抑制剂可减少癌细胞增殖并延长秀丽隐杆线虫的寿命
摘要：雷帕霉素 (mTOR) 激酶的机制靶点是促进健康和延长寿命的首要药物靶点之一。除雷帕霉素外，只有少数其他 mTOR 抑制剂被开发出来并被证明能够减缓衰老。我们使用机器学习来预测针对 mTOR 的新型小分子。我们选择了一种小分子 TKA001，基于对高靶向概率、低毒性、良好的物理化学性质和更好的 ADMET 特征的计算机预测。我们通过分子对接和分子动力学对 TKA001 结合进行了计算机建模。TKA001 在体外可有效抑制 TOR 复合物 1 和 2 信号传导。此外，TKA001 在体外可抑制人类癌细胞增殖并延长秀丽隐杆线虫的寿命，这表明 TKA001 能够在体内减缓衰老。
预测量子技术的固态材料平台
半导体材料为量子技术 (QT) 提供了一个引人注目的平台。然而，在众多候选材料中识别出有前途的材料主体是一项重大挑战。因此，我们开发了一个框架，使用材料信息学和机器学习方法自动发现用于 QT 的半导体平台。我们实施了不同的方法来标记数据，以训练监督机器学习 (ML) 算法逻辑回归、决策树、随机森林和梯度提升。我们发现，完全依赖文献研究结果的经验方法会明显区分预测的合适和不合适的候选材料。与文献中将带隙和离子特性作为 QT 兼容性的重要特性的预期相反，ML 方法强调了与对称性和晶体结构相关的特征，包括键长、方向和径向分布，因为这些特征在预测材料是否适合 QT 时很重要。
医疗保健专业人员在实施基于机器学习的糖尿病预测模型
摘要：基于机器学习的糖尿病预测模型已在医疗保健中引起了人们的重大关注，作为糖尿病早期检测和管理的潜在工具。但是，这些模型的成功实施在很大程度上取决于医疗保健专业人员的参与。本摘要探讨了医疗保健专业人员在实施基于机器学习的糖尿病预测模型中的作用。医疗保健专业人员通过与数据科学家和机器学习专家合作，在这些模型的开发和实施中起着至关重要的作用。他们的临床专业知识和领域知识有助于确定相关的数据源和模型开发变量。他们还确保数据质量和完整性，在整个过程中解决道德方面的考虑。在实施阶段，医疗保健专业人员负责数据收集和预处理，包括从电子健康记录和可穿戴设备中收集患者数据。他们在清洁和组织模型输入数据时确保数据隐私和安全性。医疗保健专业人员评估和验证模型的性能和准确性，评估局限性和潜在偏见。集成到临床工作流程中是医疗保健专业人员的另一个关键责任。他们与IT部门合作，无缝整合
数据驱动的金属添加剂制造过程中温度演变的预测
aabstr abtract Act ..在这项研究中，开发了一种数据驱动的深度学习模型，以快速准确预测温度演化和金属添加剂制造过程的熔融池尺寸。该研究的重点是通过直接能量沉积制造的M4高速钢材料粉末的批量实验。在非优化过程参数下，许多沉积层（以上30）通过由覆层材料对热史的高灵敏度引起的样品深度产生了巨大的微观结构变化。在先前的研究中通过实验测量验证的批量样本的2D有限元分析（FEA）能够实现定义在不同过程设置下温度场进化的数值数据。训练了馈送前向神经网络（FFNN）方法，以重现由FEA产生的温度场。因此，训练有素的FFNN用于预测初始数据集中未包含的新过程参数集的温度字段历史记录。除了输入能量，节点坐标和时间外，还认为五个相关的层数，激光位置以及从激光到采样点的距离可提高预测准确性。结果表明，FFNN可以很好地预测温度演化，在12秒内精度为99％。