XiaoMi-AI文件搜索系统
World File Search SystemPredictors
自闭症谱系障碍儿童父母的护理人员菌株的预测指标
与其他残疾儿童的父母相比，自闭症谱系障碍（ASD）儿童的父母面临更高水平的护理人员压力。这项研究检查了儿童临床特征，这些特征可以预测374名ASD儿童父母的高水平护理人菌株。护理人员菌株。验证性因素分析表明对原始CGSQ三因素解决方案具有可接受的拟合。CGSQ子量表中最强大的儿童预测因子是：客观应变，自闭症的严重程度和主观内部菌株的破坏性行为的破坏性行为，对主观外部化菌株的对立行为和过度活跃。符合父母菌株特定要素的个性化干预措施可以减少压力并改善家庭健康。
可解释的人工智能，用于识别财务报表中的盈利能力预测因素
摘要。经济变量融合了公司绩效的相互联系的性质使得对公司赚取趋势的预测成为挑战性的任务。现有方法通常依赖于简单的模型和未能捕获相互作用影响的综合性的财务比率。在本文中，我们将机器学习技术应用于来自AIDA的原始财务报表数据，AIDA是一个数据库，该数据库包括2013年至2022年的意大利上市公司的数据。我们介绍了对不同模型的比较研究，并遵循欧洲AI法规，我们通过将解释性技术应用于所提出的模型来补充分析。，我们建议采用一种基于游戏理论的可解释的人工智能方法来识别最敏感的特征，并使结果更容易解释。
动态学习空间 - 动态教学法。学生的...
在离散时间内的食物量，伴随着失去对饮食的控制感。规则的补偿行为以防止体重增加与神经性贪食症相反。床与精神障碍（包括重度抑郁症）以及2型糖尿病和基本高血压等体细胞疾病的同事（Udo and Grilo，2019年）。认知行为疗法被认为是基于证据的国际临床准则中床的一线治疗（Hilbert等，2017）。荟萃分析与非活动对照条件相比，暴饮暴食的发作显示出大尺寸的减少（Hilbert等，2019）。然而，从长远来看，只有46-52％的患者仍然禁止暴饮暴食（Hilbert等，2020），这表明需要进一步优化治疗。
预测通过互动框架在教学内离开教学
从主观的角度解释早期学校离开的情感后果，学习问题和疾病，无法适应环境，包括暴力和课堂行为在内的行为问题，社会拒绝，缺乏属于同伴群体以及与家庭和家庭有关的问题，已被确定为原因。这与研究的所有原因分为四个主要类别：与年轻人的个性，行为，学术能力和与环境的关系有关的问题。Factors related to the personality of young people are especially emphasized, including low educational achievements over a long period of time, learning difficulties, behavioral and discipline problems, frequent and long- term absence, low self-esteem, unclear concept of the future, problems in interpersonal communication, use of psychoactive substances, social alienation, social isolation, involvement in criminal behavior, feeling of alienation from the educational environment.在发展方面，ESL学习者缺乏规范成人生活所需的情感，认知，功能和社会发展（Arkin和Cojocaru，2020年）。
在大型开源数据集上验证BCI性能的神经生理预测指标
大脑计算机界面（BCI）是处理大脑活动以从中解码特定命令的系统，例如在用户Image-Im-Ine运动时生成的运动成像模式。尽管对BCI的兴趣日益增加，但由于用户内部和内部的可变性，它们引起了重大挑战，尤其是在解码不同的神经模式方面。文献表明，各种预测因子与受试者的BCI绩效相关。在这些指标中，神经生理学的预测符似乎是最有效的，尽管研究通常涉及小样本，结果并未被复制，从而质疑其可靠性。在我们的研究中，我们使用了一个带有85位受试者的大型数据集来分析文献和BCI性能中确定的不同预测因子之间的关系。我们的发现表明，在此数据集中可以替换了测试的六个预测因子中的四个。这些结果强调了验证文献发现的必要性，以确保此类预测因子的可靠性和适用性。
心脏健康数字健康试点研究中项目兴趣的预测因素
数字健康计划可在支持生活方式改变以预防和降低心血管疾病 (CVD) 风险方面发挥关键作用。新计划的一个关键关注点是了解谁有兴趣参与。因此，本研究的主要目标是利用电子健康记录 (EHR) 来预测人们对一款名为 Lark Heart Health 的数字健康应用程序的兴趣。由于之前的研究表明男性不太可能使用以预防为重点的数字健康计划，因此二次分析评估了招募和入学方面的性别差异。数据来自一项正在进行的心脏健康计划试点研究，该计划提供数字健康行为指导和 CVD 预防调查。EHR 数据用于预测收到研究招募电子邮件的潜在计划参与者是否通过“点击”电子邮件了解更多信息来对该计划表现出兴趣。主要目标分析使用了后向消除回归和极端梯度提升模型。招募电子邮件发送给了 8,649 名拥有可用 EHR 数据的患者；其中 1,092 人表现出兴趣（即点击），345 人选择参与研究。预测表现出兴趣的可能性更高的 EHR 变量包括较高的体重指数 (BMI)、较少的实验室升高值、较低的 HbA1c、不吸烟和认定为白种人。次要客观分析表明，男性和女性对该项目表现出相似的兴趣，并且在整个招募和入学过程中占同等比例。总之，BMI、升高的实验室升高值、HbA1c、吸烟状况和种族成为项目兴趣的主要预测因素；相反，性别、年龄、心血管疾病史、慢性健康问题史和药物使用情况并不能预测项目兴趣。我们还发现该项目的招募和入学过程中没有性别差异。这些见解有助于改进数字健康工具，以最好地服务于那些感兴趣的人，并突出显示可能受益于通过根据他们的兴趣量身定制的额外招募工作所推广的行为干预工具的群体。
肥胖背景下缺血性心脏病的临床功能和遗传预测因素
确定了在肥胖病因学中发挥重要作用的基因。将这种认识应用于患者护理的速度较慢。直到最近，人们才认为肥胖的健康风险得到了充分的了解，肥胖增加与 2 型糖尿病、冠心病、高血压、关节炎和癌症等健康问题风险增加之间存在直接的相关性。然而，越来越清楚的是，脂肪沉积的位置、脂肪因子分泌的变化和其他因素决定了特定肥胖者是否会出现此类并发症。预测个别患者的肥胖健康风险并不是一件容易的事，但我们对影响肥胖风险的遗传因素的理解不断进步，诊断技术也不断改进，这表明这种预测的未来看起来越来越光明。
伊拉克 COVID-19 疫苗接种和疫苗犹豫预测因素的横断面分析
2019 年冠状病毒 (COVID-19) 全球大流行对公共卫生构成威胁，促使世界各国政府制定大规模疫苗接种计划，旨在减轻 COVID-19 对健康的负面影响 [1]。与任何大规模疫苗接种计划一样，该计划的成功取决于公众接种疫苗的意愿程度 [2, 3]。因此，设置疫苗接种的障碍和促进因素对于确保足够的疫苗覆盖率至关重要 [2, 3]。疫苗犹豫是指尽管有安全有效的疫苗，但仍拒绝接种疫苗或推迟接受接种疫苗 [3, 4]。疫苗犹豫对全球健康构成了重大威胁 [5]，世界卫生组织将疫苗接种犹豫列为当今全球健康十大威胁之一 [3]。一些引人注目的疫苗接种犹豫导致疾病暴发的例子说明了这种威胁，例如 2019 年萨摩亚因护理失误而爆发的麻疹疫情 [ 6 ]，以及英国和美国因对 MMR 疫苗犹豫不决而爆发的多起麻疹疫情 [ 7 – 9 ]。疫苗犹豫的原因很复杂 [ 2 ]。人们认为有三个关键因素：自满、便利和信心 [ 2 ]。自满指的是认为不需要疫苗，便利指的是疫苗的可获得程度，信心指的是对疫苗安全性和有效性的信任 [ 2 ]。自满、便利和信心受到一系列因素的影响，包括疾病特定因素、公共卫生和媒体信息、社会规范和对政府的信任 [ 10，11 ]。它们还受到人口因素的影响，年龄的增长 [ 12 ， 13 ]、教育水平的提高 [ 14 ] 和男性性别 [ 12 ] 都与疫苗接受度的提高和疫苗犹豫的减少有关。尽管 COVID-19 疫苗被认为是安全的，并且严重副作用的风险较低 [ 15 ， 16 ]，但有证据表明，世界各地的人群都存在明显的疫苗犹豫 [ 11 ， 17 ， 18 ]。虽然有证据表明，预测 COVID-19 疫苗犹豫的因素似乎因文化而异 [ 10 ]，但关于中低收入国家 COVID-19 疫苗犹豫的研究却很少 [ 11 ]。然而，了解中低收入国家 COVID-19 疫苗犹豫的普遍性和文化特异性预测因素，对于确保全球疫苗覆盖率至关重要。因此，本研究旨在探索伊拉克对 COVID-19 疫苗接种接受度的态度。伊拉克的 COVID-19 疫苗接种计划于 2021 年 5 月启动，此前通过 COVAX 收到了 336,000 剂阿斯利康疫苗，随后又收到了辉瑞和国药集团的 COVID-19 疫苗。在疫苗接种计划的前三个月，疫苗接种优先考虑老年人和患有慢性疾病（如糖尿病）的人，总体目标是到 2021 年底为 20% 的人口接种疫苗。然而，尽管到 2021 年底为 20% 的人口接种疫苗的目标已基本实现，但疫苗犹豫在普通人群[19, 20]和医护专业人员[21]中仍然普遍存在。还有证据表明，在大流行期间，疫苗犹豫现象日益严重，因此对减少病毒传播及其对社会化和经济生产力的后续影响构成了越来越大的威胁[22]。因此，进一步确定与疫苗犹豫相关的因素非常重要，尤其是在伊拉克。
DNA语言模型是全基因组变体效应的强大零拍预测指标
全基因组关联研究的扩展目录（GWAS）提供了各种物种的生物学知识，但是识别这些关联背后的因果变异仍然是一个重大挑战。实验验证既是劳动密集型又昂贵的验证，强调了需要准确，可扩展的计算方法来预测整个基因组遗传变异的影响。受到自然语言处理的最新进展的启发，对广泛的蛋白质序列数据库的无监督预训练已被证明是成功地提取与蛋白质有关的复杂信息的成功。这些模型展示了他们使用零拍方法在编码区域学习变异效应的能力。扩展了这一想法，我们在这里介绍了G Innomic P重新训练的N ETWORK（GPN），该模型旨在通过对基因组DNA的无监督预训练来学习全基因组变体效应。我们的模型还成功地学习了基因结构和DNA基序，而无需进行任何关注。为了证明其效用，我们在阿拉巴里亚山脉的不规则参考基因组中训练GPN，在铜管阶内进行了七个相关物种，并测试了其通过利用1001 Genomes genomes Project and Gensensed Datebase和G.Wasbase的拟南芥中遗传变异的功能影响的能力。没有，GPN的表现优于基于流行的保护评分，例如门类和PHASTCON。我们对拟南芥的预测可以可视化为UCSC基因组浏览器（https://genome.ucsc.edu/s/gbenegas/gbenegas/gpn-arabidopsis）中的序列徽标。我们提供代码（https://github.com/songlab-cal/gpn），以训练GPN的任何给定物种，仅使用其DNA序列，从而实现了整个基因组变异效应的零摄影预测。
HOMA-IR和Matsuda指数作为自身抗体阳性亲戚中1型糖尿病进展的预测指标
抽象目标/假设我们评估了HOMA-IR和Matsuda指数是否与1型糖尿病的阶段有关。方法研究了预防试验网途径的1型糖尿病患者（n = 6256）的个体的自身抗体（AAB）阳性亲属。通过调整胰岛素分泌，Index60和胰岛素生成指数（IGI）的测量，评估了胰岛素抵抗（HOMA-IR）和胰岛素敏感性（MATSUDA指数）与BMI百分位数（BMIP）和年龄的关联。cox回归用于确定HOMA-IR和Matsuda指数的杂物是否预测了从未上演（<2 AAB）到第1阶段（≥2个AAB和正常甘油症）的过渡，从阶段1到第2阶段2（≥2个AABS（具有dydysglycaemia），以及diabetes as ADA的diabetes as critialia as a后，结果与基线年龄和BMIP（p <0.0001）有着强烈的HOMA-IR（正）和Matsuda指数（逆）。在调整索引60后，从第1阶段到第2阶段的过渡与较高的HOMA-IR和较低的Matsuda索引（HOMA-IR：HR = 1.71，P <0.0001； MATSUDA索引，HR = 0.40，P <0.0001），与从阶段1或2阶段到1或2阶段到3阶段到第3阶段到3（HOMA-ir：homa-ir：homa-ir：hora-ir：hr：hr：hr：1.98：1.98，p = 1.98，p = 0. 98; HR = 0.46，p <0.0001）。没有调整，homa-ir的进展关联与第3阶段的关联是逆的，而对Matsuda指数的阳性是呈阳性的，而在方向性的相反，调整是相反的。当使用IGI代替Index60时，发现相似。结论/解释为1型糖尿病的第2阶段和第3阶段的进展随着HOMA-IR的增加而增加，并在调整胰岛素分泌后随着Matsuda指数的减少。胰岛素分泌的指标似乎有助于解释与1型糖尿病与HOMA-IR或AAB阳性亲戚中的Matsuda指数的关联。