XiaoMi-AI文件搜索系统
World File Search SystemPrieto
引用：GonzálezDiazE，Rodríguez-Paz C，Fernandez-Prieto A等。第一通过效应在机械血栓切除术中对ACU
抽象目标机械血栓切除术（MT）益处与达到的再灌注程度有关。第一次通过效应（FPE）定义为单个设备通道后的大船尾闭塞（MITCI）2C-3中的全血管的完整/接近血运重建。这项研究评估了从西班牙国家卫生系统（NHS）观点获得FPE急性缺血性中风（AIS）患者的健康益处和经济影响。设计终身马尔可夫模型用于估计实现FPE的患者的增量成本和健康成本和健康结果（以质量调整后的终身寿命（QALYS）衡量。对急性缺血性中风（Stratis）注册中心治疗的患者进行系统评估的亚分析以获得临床结果。基本病例包括所有至少达到最终MTICI≥2B的患者，而替代方案包括所有患者，无论其最终的MTICI如何（0-3）。治疗费用进行了更新，以根据专家小组共识反映当前的实践，而其他急性和长期成本是从先前对西班牙进行的MT的成本效益分析获得的。灵敏度分析以评估模型的鲁棒性。设定西班牙医疗保健观点。西班牙的参与者AIS患者。MT之后的干预措施FPE。 结果根据FPE和非FPE组的模型估计的QALYS，终生成本和净货币收益，具体取决于包括再灌注组和正式护理成本。MT之后的干预措施FPE。结果根据FPE和非FPE组的模型估计的QALYS，终生成本和净货币收益，具体取决于包括再灌注组和正式护理成本。结果估计在所有情况下，FPE组在90天时估计临床结果明显更好。在基本情况下，该模型估计每名患者的终身成本成本为16 583欧元，而FPE组的QALY增长率为1.2年。在替代方案中节省成本和QALY的收益较大（-44 289; 1.75）。在所有情况下，节省成本都是由长期成本降低驱动的。
出版版本引用（哈佛）：Tercero-Hidalgo, JR, Khan, KS, Bueno-Cavanillas, A, Fernández-López, R, Huete, JF, Amezcua-Prieto, C, Zamora, J & Fernández-Luna, JM 2022，“COVID-19 证据合成中的人工智能未得到充分利用，但有影响力：一项方法学研究”，《临床流行病学杂志》，卷。 148，第 124-134 页。 https://doi.org/10.1016/j.jclinepi.2022.04.027
目标：像大流行这样快速发展的情景需要迅速制作高质量的系统评价，而这可以使用人工智能 (AI) 技术实现自动化。我们评估了 AI 工具在 COVID-19 证据综合中的应用。研究设计：在前瞻性注册审查协议后，我们自动下载了 COVID-19 生活证据概览数据库中所有开放获取的 COVID-19 系统评价，为它们编制了与 AI 相关的关键字的索引，并找到了使用 AI 工具的评价。我们将他们的期刊的 JCR 影响因子、每月引用量、筛选工作量、完成时间（从预注册到预印本或提交给期刊）和 AMSTAR-2 方法评估（最高分 13 分）与一组没有 AI 的出版日期匹配的对照评论进行了比较。结果：在 3,999 篇 COVID-19 评论中，有 28 篇（0.7%，95% CI 0.47 e 1.03%）使用了 AI。平均而言，与对照组（n = 64）相比，AI 评论发表在影响因子更高的期刊上（中位数 8.9 vs. 3.5，P !0.001），每位作者筛选的摘要更多（302.2 vs. 140.3，P = 0.009）和每项纳入的研究（189.0 vs. 365.8，P !0.001），但每位作者检查的全文较少（5.3 vs. 14.0，P = 0.005）。在引用计数（0.5 vs. 0.6，P = 0.600）、每项纳入研究的全文检查（3.8 vs. 3.4，P = 0.481）、完成时间（74.0 vs. 123.0，P = 0.205）或 AMSTAR-2（7.5 vs. 6.3，P = 0.119）方面均未发现差异。结论：AI 是 COVID-19 系统评价中未充分利用的工具。与不使用 AI 的评价相比，使用 AI 可以更有效地筛选文献并提高出版影响力。AI 在系统评价自动化方面具有应用空间。2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http:// creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
引用：Pueyo V、Pérez-Roche T、Prieto E 等人。基于人工智能的儿童视觉问题识别系统开发：TrackAI 项目研究方案。BMJ Open 2020；10：e033139。doi:10.1136/bmjopen-2019-033139
摘要 简介 世界上 1900 万名视障儿童中，约 70% 至 80% 的儿童患有可预防或可治愈的疾病，只要及早发现即可。儿童视力筛查是一种基于证据且经济有效的检测视力障碍的方法。然而，目前的筛查计划面临几个限制：需要培训才能有效执行，缺乏准确的筛查工具以及幼儿协作能力差。其中一些限制可以通过新的数字工具克服。实施基于人工智能系统的系统可避免解释视觉结果的挑战。TrackAI 项目的目标是开发一个识别视力障碍儿童的系统。该系统将有两个主要组成部分：一种在数字设备 DIVE（综合视觉检查设备）中实施的新型视觉测试；以及将在智能手机上运行的人工智能算法，用于自动分析 DIVE 收集的视觉数据。方法与分析 这是一项多中心研究，至少有五个位于五个不同地理位置的研究地点的中心参与招募，覆盖欧洲、美国和亚洲。这项研究将包括年龄在 6 个月至 14 岁之间的儿童，他们的视力发育正常或异常。该项目将分为两个连续阶段：设计和训练人工智能 (AI) 算法以识别视觉问题，以及系统开发和验证。研究方案将包括由经验丰富的儿科眼科医生进行的全面眼科检查，以及使用 DIVE 进行的视觉功能检查。对于研究的第一部分，将为每个 DIVE 检查提供诊断标签以训练神经网络。为了进行验证，将眼科医生提供的诊断与 AI 系统结果进行比较。伦理与传播 本研究将按照良好临床实践原则进行。本方案已于 2019 年 1 月获得阿拉贡临床研究伦理委员会 CEICA 批准（编号 PI18/346）。