XiaoMi-AI文件搜索系统
World File Search SystemPredict
血清 CCL4/MIP-1β 水平较低可能预示严重的...
摘要：目的 美泊利单抗是一种人源化抗白细胞介素-5单克隆抗体，可有效治疗嗜酸性重症哮喘。然而，需要更多的生物标志物来预测患者在开始治疗前对美泊利单抗的反应。本研究旨在鉴定一种能够准确预测患者对美泊利单抗反应性的血清新生物标志物。方法 本研究招募了11名患者，所有患者均被诊断为重症嗜酸性哮喘，然后每4周接受一次美泊利单抗治疗至少4个月。在治疗前以及治疗4、8和16周后采集血液样本并进行肺功能测试和问卷调查。然后根据美泊利单抗治疗16周后哮喘生活质量问卷（AQLQ）评分与治疗前相比的差异来评估对美泊利单抗的反应。 AQLQ 评分增加超过 0.5 的患者定义为应答者。用 LUMINEX 200 和 ELISA 测量血液中的细胞因子水平。结果有 6 名应答者和 5 名无应答者。应答者的基线血清 CCL4/MIP-1 β 水平明显低于无应答者。使用基线血清 CCL4/MIP-1 β 水平区分应答者和无应答者的 ROC 曲线显示良好的 AUC 为 0.9。与基线相比，无应答者的 CCL4/MIP-1 β 水平在 4 周后显著增加。结论较低的基线血清 CCL4/MIP-1 β 水平可能有助于预测重度嗜酸性哮喘对美泊利单抗的良好反应。
应用机器学习算法预测非正规经济的规模
近来，使用机器学习模型和技术预测经济变量的情况越来越多，其动机是它们比线性模型具有更好的性能。尽管线性模型具有相当大的解释能力的优势，但近年来，人们加大了努力，使机器学习模型更具解释性。本文进行了测试，以确定基于机器学习算法的模型在预测非正规经济规模方面是否比线性模型具有更好的性能。本文还探讨了机器学习模型检测到的最重要的这种规模的决定因素是否与文献中基于传统线性模型检测到的因素相同。为此，从 2004 年到 2014 年，收集并处理了 122 个国家的观测数据。接下来，使用 11 个模型（四个线性模型和七个基于机器学习算法的模型）来预测这些国家非正规经济的规模。使用 Shapley 值计算了预测变量在确定机器学习算法产生的结果中的相对重要性。结果表明：(i)基于机器学习算法的模型比线性模型具有更好的预测性能；(ii)通过 Shapley 值检测到的主要决定因素与文献中使用传统线性模型检测到的主要决定因素一致。
青少年大脑的结构差异可以预测酒精滥用
1 柏林夏里特医学院（柏林自由大学、柏林洪堡大学和柏林卫生研究所的企业成员），精神病学和心理治疗系，伯恩斯坦计算神经科学中心，德国柏林；2 柏林工业大学 IV 学院 - 电气工程和计算机科学，德国柏林；3 柏林自由大学教育与心理学系，德国柏林；4 智力科学，卓越研究集群，德国柏林；5 社会与预防医学，体育与健康科学系，院内单位“认知科学”，人文科学学院，勃兰登堡健康科学学院，服务研究和电子健康研究领域，波茨坦大学，德国波茨坦； 6 德国曼海姆海德堡大学医学院中央精神卫生研究所儿童和青少年精神病学和心理治疗系；7 爱尔兰都柏林都柏林圣三一学院医学院和圣三一学院神经科学研究所精神病学学科；8 英国伦敦国王学院精神病学研究所、心理学神经科学 SGDP 中心人口神经科学和精准医学中心 (PONS)；9 德国海德堡大学医学院中央精神卫生研究所认知和临床神经科学研究所；10 德国曼海姆曼海姆大学社会科学学院心理学系；11 法国巴黎巴黎萨克雷大学 CEA NeuroSpin；12 美国伯灵顿佛蒙特大学精神病学和心理学系； 13 诺丁汉大学彼得·曼斯菲尔德爵士成像中心物理与天文学学院，英国诺丁汉； 14 联邦物理技术研究所，柏林，德国； 15 国家健康与医学研究所、INSERM U A10 “Trajectoires développementales en psychiatrie”巴黎-萨克莱大学、巴黎-萨克莱高等师范学院、法国国家科学研究中心、法国伊维特河畔吉夫博雷利中心； 16 AP-HP 索邦大学，儿童和青少年精神病学系，Pitié-Salpêtrière 医院，法国巴黎； 17 法国埃唐普 EPS Barthélémy Durand 精神病学系； 18 德国柏林洪堡大学 Charite Mitte 校区精神病学和心理治疗系 PONS 研究小组； 19 疾病神经退行性疾病研究所，UMR 5293，CNRS，CEA，波尔多大学，波尔多，法国； 20 蒙特利尔大学医学院和圣贾斯汀大学中心医院精神病学系，蒙特利尔，
时间序列分析和建模预测航空安全绩效指数
摘要。安全绩效指数是一种工具，它基于对有意义的航空安全系统属性的量化，具有把握航空安全无形领域的潜力。该工具本身以航空性能因子的形式开发，已在航空业使用。然而，由于其潜力尚未得到业界充分认可，因此该工具并不成功。本文介绍了对潜力的分析，并概述了利用时间序列分析的新特征，这既可以提高业界对该指数的认可度，也可以激发进一步研究和开发使用其量化系统属性评估整体航空安全绩效的方法的动机。本文不仅讨论了这些特征，还讨论了它们如何嵌入现有的航空安全发展方法中，强调了可能需要克服的缺陷，并介绍了该领域已经开展的科学工作。本文讨论了各种适当的时间序列方法，并针对所讨论的安全绩效指数问题阐述了它们使用的关键规范。
时间序列分析和建模预测航空安全绩效指数
摘要。安全绩效指数是一种工具，它基于对有意义的航空安全系统属性的量化，具有把握航空安全无形领域的潜力。该工具本身以航空性能因子的形式开发，已在航空业使用。然而，由于其潜力尚未得到业界充分认可，因此该工具并不成功。本文介绍了对潜力的分析，并概述了利用时间序列分析的新特征，这既可以提高业界对该指数的认可度，也可以激发进一步研究和开发使用其量化系统属性评估整体航空安全绩效的方法的动机。本文不仅讨论了这些特征，还讨论了它们如何嵌入现有的航空安全发展方法中，强调了可能需要克服的缺陷，并介绍了该领域已经开展的科学工作。本文讨论了各种适当的时间序列方法，并针对所讨论的安全绩效指数问题阐述了它们使用的关键规范。
对预测癫痫发作的基于机器学习的方法的全面研究
癫痫患者由于这种复杂的大脑状况而遇到许多困难，这是经常抽搐的特征。这些癫痫发作的症状包括怪异的行为，奇怪的感觉，并且在极端情况下，意识丧失。这些癫痫发作是中枢神经系统中异常电脉冲的发作。成功的癫痫管理取决于早期癫痫发作检测和识别，这允许适当的干预措施最大程度地降低风险并改善患者的预后。过去几年中癫痫调查领域的非凡进步有助于：机器学习技术的爆炸性开发以及非侵入性脑电图（EEG）设备的成本下降。低成本的脑电图设备的可用性使收集有关大脑活动的信息变得更加容易，这为监测和分析从传统医疗环境中脱闭的癫痫发作发作的新途径开辟了新的途径。大量数据和机器学习方法的进步为早期识别和预测癫痫发作创造了新的机会。机器学习算法可以根据脑电图数据预测癫痫发作，从而为癫痫患者提供更多控制和明智的决策。本文提供了当前对治疗癫痫发作的方法的评论。特征提取技术和分类算法会特别重点。列出了最受欢迎的EEG数据集及其可访问性。所检查的方法范围从使用更具成熟的机器学习技术的方法，例如天真的贝叶斯模型，支持向量机（SVM）和线性判别分析（LDA），到那些利用最近的深度学习技术，例如（长期短期记忆或LSTM），以及深卷卷积 - 卷积 - 内罗尔 - 内罗尔 - 纳特尔 - 新工程（CNNN）（CNN）。
我无法预测的，我不明白：一个人 -
已经描述了多种解释性方法，以帮助用户更好地了解现代AI系统如何做出决策。但是，开发用于评估这些方法的大多数性能指标基本上仍然是理论上的 - 没有太多考虑人类最终用户。尤其尚不清楚（1）在现实世界中，当前解释性方法的有用程度如何； （2）当前的性能指标是否准确地反映了最终用户的解释方法的有用性。为了填补这一差距，我们进行了心理物理学实验（n = 1，150），以评估三种现实世界中代表性归因方法的有用性。我们的结果表明，在这些情况下，各个归因方法可以帮助人类参与者更好地理解AI系统的程度差异很大。这表明需要超越当前归因方法的定量改进，朝着开发互补方法的发展，这些方法为人类最终用户提供了质量不同的信息来源。
ASTER：一种预测临床可起作用的合成致死相互作用
摘要。合成致死（SL）的相互作用是两个基因或功能实体之间的功能关系，其中任何一个实体的丧失都是可行的，但两者的丧失都是致命的。这样的对可用于开发具有较少侧面作用并减少过度治疗的靶向抗癌疗法。但是，发现临床上可行的SL相互作用仍然具有挑战性。利用无病和癌性数据的大规模统一的基因表达数据，我们根据统计假设检验设计了一种新技术，称为Aster（通过与t发行的无疾病的无效G e nthetic杀伤性进行静脉疾病（对S ynthetic杀伤力进行，无效的疾病无效的G e noric g e noric g e noric和T r anscriptomic and t r anscriptomic数据）。对于大规模多个假设检验，我们开发了一个称为Aster ++的扩展，该扩展可以在假设检验框架内利用其他输入基因特征。我们的广泛实验表明，在准确地识别可在胃和乳腺癌中可以治疗的SL对中，Aster的效果。
评估机器学习算法以预测医学专业选择
摘要。公平分配专业的医生是一个重大的公共卫生挑战。以前的研究主要依靠经典的统计模型来估计影响医学生职业选择的因素，但本研究探讨了机器学习技术在研究早期预测决策的使用。我们使用来自瑞士和法国医学院的399名医学院的399名医学生的数据评估了各种监督模型，包括支持向量机，人工神经网络，极端梯度提升（XGBOOST）和CATBOOST。集合方法的表现优于更简单的模型，而Catboost的宏观AUROC为76％。事后解释性方法揭示了影响预测的关键因素，例如成为外科医生的动机和外向性的心理特征。这些发现表明，机器学习可用于预测医疗职业道路并为更好的劳动力计划提供信息。