XiaoMi-AI文件搜索系统
World File Search SystemPrioritization
使用人工智能对胸部 X 光检查工作列表进行优先级排序：临床工作流程模拟
摘要 目的 旨在评估人工智能 (AI) 的智能工作列表优先级排序是否能够优化放射学工作流程并减少胸部 X 光片 (CXR) 中关键发现的报告周转时间 (RTAT)。此外，我们研究了一种方法以抵消 AI 的假阴性预测的影响——由于 CXR 被排在工作列表的末尾，这会导致 RTAT 非常长且危险。 方法 我们开发了一个模拟框架，通过结合医院特定的 CXR 生成率和报告率以及病理分布来模拟大学医院的当前工作流程。利用这个框架，我们模拟了标准工作列表处理“先进先出”(FIFO)，并将其与基于紧急程度的工作列表优先级排序进行了比较。检查优先级排序由 AI 执行，将八种不同的病理发现按紧急程度降序排列：气胸、胸腔积液、浸润、充血、肺不张、心脏扩大、肿块和异物。此外，我们引入了最长等待时间的上限，超过此上限后，将为检查分配最高紧急程度。结果与 FIFO 模拟相比，所有优先级模拟中所有关键发现的平均 RTAT 均显着减少（例如，气胸：35.6 分钟 vs. 80.1 分钟；p < 0.0001），而大多数发现的最大 RTAT 同时增加（例如，气胸：1293 分钟 vs. 890 分钟；p < 0.0001）。我们的“上限”大大降低了所有类别的最大 RTAT（例如，气胸：979 分钟 vs. 1293 分钟/1178 分钟；p < 0.0001）。结论我们的模拟表明，AI 的智能工作列表优先级排序可以降低 CXR 中关键发现的平均 RTAT，同时保持较小的 FIFO 最大 RTAT。要点 • 基于医院经验数据开发逼真的临床工作流程模拟器，可使用人工智能精确评估智能工作列表优先级。 • 使用没有最大等待时间阈值的智能工作列表优先级可能会产生人工智能的假阴性预测风险，从而大大增加报告周转时间。 • 使用最先进的卷积神经网络可以将平均报告周转时间缩短到几乎完美分类算法的上限（例如，气胸：35.6 分钟 vs. 30.4 分钟）。
使用基于单细胞 RNA 序列的迁移学习对癌症治疗的药物组合进行优先排序
1 德克萨斯大学奥斯汀分校戴尔医学院 Livestrong 癌症研究所肿瘤学系，德克萨斯州奥斯汀 78712，美国。2 克利夫兰诊所免疫治疗和精准免疫肿瘤学中心，俄亥俄州克利夫兰 44195，美国。3 德克萨斯大学 MD 安德森癌症中心表观遗传学和分子致癌学系，德克萨斯州休斯顿 77230，美国。4 德克萨斯大学 MD 安德森癌症中心生物信息学和计算生物学系，德克萨斯州休斯顿 77030，美国。5 贝勒医学院定量和计算生物科学项目，德克萨斯州休斯顿 77030，美国。6 德克萨斯大学奥斯汀分校自然科学学院跨学科生命科学研究生项目 (ILSGP)，德克萨斯州奥斯汀 78712，美国。 7 德克萨斯大学奥斯汀分校奥登计算工程与科学研究所 (ICES)，美国德克萨斯州奥斯汀 78712。8 德克萨斯大学奥斯汀分校科克雷尔工程学院生物医学工程系，美国德克萨斯州奥斯汀 78712。
StarGazer：使用 Streamlit 进行药物靶标优先级排序和数字药物重新定位的混合智能平台
1 数据科学与人工智能、生物制药研发、阿斯利康、英国剑桥、2 乔治城大学、美国华盛顿特区、3 生物识别、肿瘤学研发、阿斯利康、波兰华沙、4 发现微生物组、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、5 早期呼吸和免疫学、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、6 研究数据与分析、研发 IT、阿斯利康、英国剑桥、7 发现科学、生物制药研发、阿斯利康、英国剑桥、8 数据科学与人工智能、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、9 生物识别与信息科学、生物制药研发，阿斯利康，瑞典默恩达尔，10 神经科学，生物制药研发，阿斯利康，英国剑桥
反疫苗的态度和风险因素不同意32,361英国成年人中对Covid-19的疫苗接种：对公共卫生通信的影响
背景：公共卫生干预措施减慢了共证于199大流行的蔓延，专注于保护患有严重疾病风险的个体。风险分类对于有效的大流行反应至关重要。然而，严重的Covid-19的现有风险模型缺乏社会人口统计学和临床风险因素以及地理特征的整合。方法：我们使用去识别的Medicare索赔提出了一个集成的多因素风险模型，用于严重的Covid-19，我们从中提取了1500万Medicare受益人的人口统计学和临床数据，其中有770,000 COVID-COVID-19案件，以及来自CDC Social culnerability Index的县和Zip-Code code code code code code code code code code code code code code code codex colexex。模型和相关的数字地图是作为国防部联合人工智能中心项目的一部分而开发的，供国民警卫队和其他军事人员在其支持医院和受到大流行影响的地方司法管辖区的支持任务中使用。结论：该多因素风险模型和衍生的数字地图可用于国家和地方卫生当局使用，以增强现有的大流行反应工具，包括监测Covid-19后期后遗症，Covid-19-19疫苗的优先次序，以及疫苗监测的安全性和效率。结果：该模型确认种族（黑色：1.64; 95％CI 1.61–1.68，美洲印第安人：OR 2.21; 95％CI 2.01- 2.42），年龄超过85（OR 1.75，95％CI CI 1.69-1.81），在ZIP QUART中的社会经济因子在ZIP QUART中的ZIP QUART SCIP Codi copi socio cody code，或1.95％的经济性数很高。 1.21-1.26), ESRD (OR 2.35; 95% CI 2.25-2.45) and chronic lung disease (OR 1.95; 95% CI 1.90-2.00) as leading risk factors for Covid-19 hospitalizations, but reveals low risk for COPD (OR 1.15; 95% CI 1.13 -1.17) and minimal or no risk for diabetes (OR 1.03; CI 1.01- 1.05），瑞士法郎（OR 1.10，95％CI 1.08-1.12）或高血压（OR 0.96; 95％CI 0.94-0.98），并证明了先前的疱疹带状疫苗免疫之间的关联（OR 0.74; 95％CI 0.71-0.77），以及较小的差异，较小的效果 新冠肺炎。
蛋白质信号和药物靶标激活特征以指导治疗优先次序：I-SPY 2 试验中的治疗耐药性和敏感性
Rosa I. Gallagher, 1,14,15, * Julia Wulfkuhle, 1,14, * Denise M. Wolf, 2,14 Lamorna Brown-Swigart, 2 Christina Yau, 3 Nicholas O'Grady, 3 Amrita Basu, 3 Ruixiao Lu, 4 Michael J. Campbell, 3 Mark J. Magbanua, 2 Jean-Philippe Coppe ́ , 2 I-SPY 2 调查员、Smita M. Asare、4 Laura Sit、3 Jeffrey B. Matthews、3 Jane Perlmutter、5 Nola Hylton、6 Minetta C. Liu、7 W. Fraser Symmans、8 Hope S. Rugo、9 Claudine Isaacs、10 Angela M. DeMichele、11 Douglas Yee、 12 Paula R. Pohlmann、13 Gillian L. Hirst、3 Laura J. Esserman、3 Laura J. van ‘t Veer、2 和 Emanuel F. Petricoin 1,14、* 1 乔治梅森大学应用蛋白质组学和分子医学中心，弗吉尼亚州马纳萨斯4 Quantum Leap Healthcare Collaborative，旧金山，CA 94118，美国 5 Gemini Group，安娜堡，MI 48107，美国 6 加州大学放射科，旧金山，旧金山，CA 94143，美国 7 放射科，旧金山，旧金山，CA 94143，美国外科，梅奥诊所，罗彻斯特，明尼苏达州 55905，美国 8 病理学部，德克萨斯大学 MD 安德森癌症中心，休斯顿，德克萨斯州 77030，美国 9 血液学/肿瘤学部，加利福尼亚大学旧金山分校，旧金山，CA 94158，美国宾夕法尼亚大学佩雷尔曼医学院，费城，宾夕法尼亚州 19104，美国 12 明尼苏达大学医学系，明尼阿波利斯，明尼苏达州 55455，美国 13 德克萨斯大学 MD 安德森癌症中心乳腺肿瘤科，休斯顿，德克萨斯州 77030，美国（R.I.G.), jwulfkuh@gmu.edu (J.W.), epetrico@gmu.edu (E.F.P.)https://doi.org/10.1016/j.xcrm.2023.101312
SARS-COV-2突破性感染与时间效率 - 疫苗的相关性；初步研究
在佛罗里达州迈阿密戴德县实施的干预政策，美国，Date of implementation Day of Simulation Stay at home policy March 17 2020 35 Phase I reopening May 18 2020 97 Phase II reopening June 5 2020 115 Mandatory usage of face mask June 25 2020 135 Contact tracing (assumed to begin) June 30 2020 140 Phase III reopening September 25 2020 227 School reopening September 30 2020 232 Vaccination begin day December 15 2020 308 196
重新定义乳腺癌亚型以指导治疗优先次序并最大程度提高疗效：10 种癌症疗法中的预测生物标志物
† 主要联系人和通讯作者：Denise Wolf 博士，加利福尼亚大学旧金山分校实验室医学系，2340 Sutter Street，旧金山 CA 94115，denise.wolf@ucsf.edu。其他通讯作者：Christina Yau cyau@buckinstitute.org，Laura van 't Veer laura.vantveer@ucsf.edu。作者贡献 DMW 和 CY 对本研究的贡献相同。DMW、CY、LV、JW 和 EFP 设计了这项研究，解释了数据，并与 LE 和 LP 一起准备和审阅了手稿。DMW 和 CY 在 PEL、ZZ、MM 和 AB 的协助下分析了数据。JW、IRG 和 EFP 生成了 RPPA 数据。LBS 领导 I-SPY 实验室，负责监督分子检测。NO 管理数据。 GLH 管理由 LV 领导的生物标志物工作组，成员包括 DMW、CY、JW、LBS、MM、RS、AB、AD、MCL、JPC 和 WFS。LS 管理 I-SPY2/2.2 P01；JP 和 AD 是患者倡导者；NL、MCL、PP、WFS、HSR、CI、AMD、DY 是 I-SPY2 工作组负责人。SMA 管理 I-SPY 试验运营；RL 和 JB 是试验统计员；LE、DB 和 NH 是 I-SPY2 的主要研究人员。I-SPY2 试验研究人员和生物标志物及其他工作组成员参与试验的各个方面，并为试验的成功做出贡献。所有作者都参与了稿件的准备和审查。*贡献相同
生物医学数据科学年度回顾人类遗传学和基因组学在药物靶标识别和优先排序中的应用：开放靶标的视角
Open Targets 是一个由学术和行业合作伙伴组成的联盟，致力于利用人类遗传学和基因组学为建立治疗假设的关键问题提供见解。大规模实验产生基础数据，开源信息平台系统地整合靶标-疾病关系的证据，并提供靶标优先排序的动态工具。基因座到基因机器学习模型使用来自全基因组关联研究（GWAS 目录、英国生物银行和 FinnGen）、功能基因组学研究、表观遗传学研究和变异效应预测的证据来预测复杂疾病的潜在药物靶标。这些预测与来自基因负担分析、罕见疾病遗传学、体细胞突变、扰动分析、通路分析的遗传证据相结合，
重新定义乳腺癌亚型以指导治疗优先次序并最大程度提高疗效：10 种癌症疗法中的预测生物标志物
Denise M. Wolf, 1 , 17 , 18 , * Christina Yau , 2 , 17 , * Julia Wulfkuhle , 3 Lamorna Brown-Swigart , 1 Rosa I. Gallagher , 3 Pei Rong Evelyn Lee , 1 Zelos Zhu , 2 Mark J. Magbanua , 1 Rosalyn Sayaman , 1 Nicholas O'Grady , 2 Amrita Basu , 2 my Delson, 4 Jean Philippe Coppe ́ , 1 Ruixiao Lu, 5 Jerome Braun, 5 I-SPY2 Investigators, Smita M. Asare, 5 Laura Sit, 2 Jeffrey B. Matthews, 2 Jane Perlmutter, 6 Nola Hylton, 7 Minetta C. Liu, 8 Paula Pohlmann, 9 W. Fraser Symmans, 11 Claudine Isaacs, 12 Angela M. DeMichele, 13 Douglas Yee, 14 Donald A. Berry, 15 Lajos Pusztai, 16 Emanuel F. Petricoin, 3 Gillian L. Hirst, 2 Laura J. Esserman, 2 and Laura J. van 't Veer 1 , * 1 Department of Laboratory Medicine, University of California, San Francisco, 2340 Sutter Street, San Francisco, CA 94143, USA 2 Department of Surgery, University of California, San Francisco, San Francisco, CA 94143, USA 3 Center for Applied Proteomics and Molecular Medicine, George Mason University, Manassas, VA 20110, USA 4 Breast Science Advocacy Core, University of California, San Francisco, San Francisco, CA 94143, USA 5 Quantum Leap Healthcare. San Francisco, CA 94118, USA 6 Gemini Group, Ann Arbor, MI 48107, USA 7 Department of Radiology, University of California, San Francisco, San Francisco, CA 94143, USA 8 Department of Surgery, Mayo Clinic, Rochester, MN 55905, USA 9 MedStar Georgetown University Hospital of Texas MD Anderson Cancer Center, Houston, TX 77030, USA 11 Division of Hematology/Oncology, University of California, San Francisco, San Francisco, CA 94158, USA 12 Lombardi Comprehensive Cancer Center, Georgetown University, Washington, DC 20007, USA s, MN 55455, USA 15 Berry Consultants, LLC, Austin, TX 78746, USA 16 These authors contributed equally 18 Lead contact *Correspondence: denise.wolf@ucsf.edu (DMW), cyau@buckinstitute.org (CY), laura.vant veer@ucsf.edu (LJvV) https://doi.org/10.1016/j.ccell.2022.05.005
重新定义乳腺癌亚型以指导治疗优先次序并最大程度提高疗效：10 种癌症疗法中的预测生物标志物
† 主要联系人和通讯作者：Denise Wolf 博士，加利福尼亚大学旧金山分校实验室医学系，2340 Sutter Street，旧金山 CA 94115，denise.wolf@ucsf.edu。其他通讯作者：Christina Yau cyau@buckinstitute.org，Laura van 't Veer laura.vantveer@ucsf.edu。作者贡献 DMW 和 CY 对本研究的贡献相同。DMW、CY、LV、JW 和 EFP 设计了这项研究，解释了数据，并与 LE 和 LP 一起准备和审阅了手稿。DMW 和 CY 在 PEL、ZZ、MM 和 AB 的协助下分析了数据。JW、IRG 和 EFP 生成了 RPPA 数据。LBS 领导 I-SPY 实验室，负责监督分子检测。NO 管理数据。 GLH 管理由 LV 领导的生物标志物工作组，成员包括 DMW、CY、JW、LBS、MM、RS、AB、AD、MCL、JPC 和 WFS。LS 管理 I-SPY2/2.2 P01；JP 和 AD 是患者倡导者；NL、MCL、PP、WFS、HSR、CI、AMD、DY 是 I-SPY2 工作组负责人。SMA 管理 I-SPY 试验运营；RL 和 JB 是试验统计员；LE、DB 和 NH 是 I-SPY2 的主要研究人员。I-SPY2 试验研究人员和生物标志物及其他工作组成员参与试验的各个方面，并为试验的成功做出贡献。所有作者都参与了稿件的准备和审查。*贡献相同