XiaoMi-AI文件搜索系统
World File Search SystemSUBGROUPS
B 第 229 届 NTC DEOCS 申请表.xlsx
子组名称：此列用于标识任何子组或分组。您必须将其作为列标题，但如果您不请求分组，则无需输入任何信息。如果您想在 DEOCS 中包含子组或分组，请使用此列标识每个人属于哪个子组。您可以随意命名您的子组（例如 UIC、单位名称、指挥官姓名），并且每个子组中必须至少有五个人。
r e v i e w a系统综述：基于TH
目的：由于缺乏可靠的疾病特异性生物标志物，肠易激综合征（IBS）的诊断是基于症状的标准。肠道微生物群在IBS中受到干扰，并且在比较用于分析肠道菌群的不同方法时，可能会遮盖结果。因此，在这项系统的综述中，我们旨在研究IBS和IBS亚组患者的粪便细菌标志物和失调指数（DI）的特征，与通过相同方法进行的健康对照组（HCS）相比（基于16s RRNA测序）进行的健康对照组（HCS）。材料和方法：我们搜索了PubMed，Embase（OVID）和Cochrane文库进行病例对照研究，比较了IBS和HCS患者中与GA-MAP®不良疾病障碍测试（OSLO，挪威）分析的粪便肠道微生物群。与HC相比，IBS和IBS亚组患者的粪便细菌标记和DI的差异。结果：搜索确定了28个引用；包括五篇文章。大多数研究评估了腹泻 - 主导IBS（IBS-D）患者的粪便细菌标记和DI。与HC相比，IBS和IBS亚组中粪便细菌谱的结果是不一致的，但是，两项研究表明，与HC相比，IBS和IBS亚组（尤其是IBS）亚组（尤其是IBS）的IBS-D相比，IBS-D中的Ruminococcus gnavus含量增加，而DI表明IBS和IBS亚组（尤其是IBS）。结论：这项系统的综述揭示了使用基于16S rRNA测序的GA-MAP营养不良测试的IBS和IBS亚组的细菌标记差异的发现不一致的发现。但是，该测试非常新颖，到目前为止，很少有研究使用该方法。与使用相同的分析方法相比，与HCS相比，IBS和IBS亚组的粪便微生物群谱差异的更多研究需要进一步深入了解IBS中IBS的肠道细菌以及肠道营养不良的临床后果。关键字：肠道菌群，营养不良，诊断测试，ruminococcus gnavus
我们对美国 FDA 以患者为中心的药物研发 (PFDD) 指南 1 和 2 的看法
2 患者人群 FDA 建议患者直接报告其经历，除非不能指望他们能够可靠地自我报告。此外，报告者的定义是将提供患者经历信息的人，FDA 还建议在研究开始前设定报告者标准（例如认知发展水平、功能或精神状态和健康状况）。同样，FDA 建议预先指定亚组，并注意拟分析的亚组数量。
重新分析的APOL1肾脏数据支持“种族”的新道德
精确药物需要准确鉴定临床相关的患者亚组。16电子健康记录为利用机器学习的主要机会提供了17种新的患者子组的方法。然而，许多现有的方法未能充分捕获诊断轨迹与疾病之间的复杂相互作用 - 19个相关风险事件，导致亚组在事件20风险中仍然可以显示出很大的异质性，并潜在的分子机制。为了应对这一挑战，我们实施了21个Vadesc-Ehr，这是一种基于变压器的自动编码器，用于聚类从电子健康记录中提取的纵向22生存数据。我们表明，Vadesc-ehr 23在合成和现实世界基准数据集上均优于具有24个已知地面真实集群标签的合成和现实基准数据集的基线方法。在应用于克罗恩病的应用中，vadesc-ehr 25成功地识别了四个不同的亚组，具有不同的诊断轨迹和风险26个特征，从而揭示了克罗恩病的临床和遗传相关因素。我们的结果27表明，Vadesc-ehr可以成为在28中发现精密医学方法的开发中发现新型患者子组的强大工具。29
fg-smote：用图神经网络迈向公平的节点分类
图形生成模型由于其在各种应用中的出色表现而越来越多。但是，随着它们的应用的上升，尤其是在高风险的决策情况下 - iOS，对他们的公平性的担忧正在加剧社区内。现有的基于图的生成模型主要集中于合成少数族裔节点，以增强节点分类性能。但是，通过忽略节点生成过程，该策略可能会加剧不同亚组之间的反映差异，从而进一步损害了模型的公平性。此外，现有的过采样方法通过从相应的子组中选择实例来生成样本，从而有可能由于其代表性不足而在这些亚组中过度贴合。此外，它们无法解释亚组之间边缘分布中固有的不平衡，因此在生成图形结构时引入结构偏见。为了应对这些挑战，本文阐明了现有的基于图的采样技术可以扩大现实世界中的偏见，并提出了一种新颖的框架，公平的图形合成少数族裔过度采样技术（FG-Smote），旨在在代表不同的子组方面取得公平的平衡。具体来说，FG-Smote首先从节点repentations中删除子组信息的可识别性。随后，通过从这些亚组中的脱敏节点表示中采样来生成模拟节点的嵌入。最后，采用公平链接预测器来生成图形结构信息。在三个真实图数据集上进行的广泛实验评估表明，FG-Sote在公平性上优于最先进的基线，同时还保持了竞争性的预测性能。
Curaçao的暮光区中与海绵相关的微生物
位于海洋“暮光区”中的抽象中性礁是珊瑚礁，存在于相对深的水域，范围从表面以下约30至150 m不等。这些礁石位于常规水肺潜水的范围之外，通常使用先进的潜水技术或借助潜水员进行探索。在本研究中，我们使用了可属于11种物种的26个海绵样品的最先进的潜水器。高（HMA）或低（LMA）微生物丰度状态根据TEM图像分配给物种。与这些海绵相关的原核生物群落还使用高通量测序进行了评估。蛋白杆菌，叶绿素，放线杆菌和酸杆菌是最丰富的门。HMA/LMA状态被证明是原核生物组成的高度重要预测指标。HMA海绵在丰富度和均匀性方面也比LMA海绵更加多样化。使用基于机器学习的探索技术鉴定了14个预测类，包括门内的类（例如，dehalocococococoidia和JG30-KF-CM66）和酸眼杆菌（Thermoanaerobaculia and superobaculia and Subgroups 11和21））。先前的研究表明，浅水和最近的深海中HMA/LMA二分法的流行。我们的结果证明了它在中间的领域的普遍性。
使用
我们研究统计亚组公平性审核分类的问题。Kearns等。 [20]表明，审核组合子组的公平性与不可知论的学习一样困难。 基本上所有关于纠正歧视子组的统计量度的工作都假定了该问题的甲骨文，尽管没有有效的算法已知。 如果我们假设数据分布是高斯，甚至仅仅是对数 - concave，则最近的工作线发现了半个空格的有效的不可知论学习算法。 不幸的是，Kearns等人的减少。 是根据弱的，distribution free-freem学习而提出的，因此没有建立对诸如对数 - concave分布之类的家庭的联系。 在这项工作中，我们在审核高斯分布方面给出积极和负面的结果：在积极方面，我们提出了一种替代方法来利用这些进步的不可知论学习，从而获得了第一个多项式时间近似方案（PTA），以审核非审计的非整合统计学概念，我们显示出均超过统计学的特征：高斯。 在负面，我们在加密假设下，没有多项式时间算法可以保证一般半空间亚组的任何非平凡的审计，即使在高斯特征分布下也可以保证。Kearns等。[20]表明，审核组合子组的公平性与不可知论的学习一样困难。基本上所有关于纠正歧视子组的统计量度的工作都假定了该问题的甲骨文，尽管没有有效的算法已知。如果我们假设数据分布是高斯，甚至仅仅是对数 - concave，则最近的工作线发现了半个空格的有效的不可知论学习算法。不幸的是，Kearns等人的减少。是根据弱的，distribution free-freem学习而提出的，因此没有建立对诸如对数 - concave分布之类的家庭的联系。在这项工作中，我们在审核高斯分布方面给出积极和负面的结果：在积极方面，我们提出了一种替代方法来利用这些进步的不可知论学习，从而获得了第一个多项式时间近似方案（PTA），以审核非审计的非整合统计学概念，我们显示出均超过统计学的特征：高斯。在负面，我们在加密假设下，没有多项式时间算法可以保证一般半空间亚组的任何非平凡的审计，即使在高斯特征分布下也可以保证。
