XiaoMi-AI文件搜索系统
World File Search SystemScoping
scoping
在全球范围内，超过110万儿童和青少年患有1型（T1D）糖尿病，尤其是在15岁时的增长，欧洲和其他地区的患病率也在增加。1名青少年处于建立自主权的关键阶段，他们逐渐对决策做出更大的责任，对父母监督的自我吸引。2在此过程中，教育和培训是促进自我管理的重要因素。3具有T1D的青少年的优先目标是对糖尿病的自我保健和自我管理负责。4至T1D是一种由自身免疫反应引起的慢性疾病，其中免疫系统会破坏胰腺β细胞，从而阻止胰岛素产生。5糖尿病的治疗苛刻而复杂，需要连续控制，通过三合会管理进行：食物，运动和胰岛素治疗。6.7在食物的情况下，对碳水化合物进行计数至关重要，其中包括淀粉（复杂的碳水化合物）和糖（简单的碳水化合物，例如葡萄糖，果糖，果糖，乳糖，蔗糖和麦芽糖），与身体活动和胰岛素调节保持平衡。6在整合运动时，食物和胰岛素治疗的这种管理变得更加严格。因此，T1D管理要求您考虑所有行为和决策，这意味着对青少年及其家人的巨大责任。8自我管理着重于慢性疾病和风险因素管理的自我调节，即：目标的定义，自我监控；反思性思维；决策;计划和参与与行为改变相关的身体，情感和认知反应的自我评估，自我评估和管理。9促进自我管理行为与促进自我效能，知识，功能和社交互动有关，并在改善心理健康，有效的症状管理，生活质量和使用紧急服务的使用方面取得了成就。10,11对疾病的适当自我管理将使您改善医疗保健，从而改善护理和资源管理12，以防止微血管并发症。13,14慢性病的自我管理是个人管理症状和治疗的一种条件，对情绪和社会心理维度产生了影响，以及慢性疾病固有的生活方式的变化。15凯特·洛里格（Kate Lorig）16突出显示了三个自我管理任务（治疗管理，论文和情感）以及各种自我管理技能（解决问题的技术，决策，资源，资源，培训，计划和适应机制）。对于T1D的有效管理，定义良好的策略和目标的计划和组织至关重要。9糖尿病管理包括有关病理生理学的知识和识别微观和
范围审查
背景：在过去十年中，关于使用人工智能 (AI) 提高儿童和青少年参与日常生活活动的研究迅速增加，这是康复的关键结果。然而，现有的评论对参与的关注程度各不相同，范围狭窄，并且仅限于选择性诊断，这阻碍了对针对儿童和青少年参与儿科康复环境的现有人工智能应用范围的解释。目标：本范围界定审查的目的是研究如何将人工智能融入儿科康复干预措施中，以让残疾或其他诊断出健康状况的儿童和青少年参与有价值的活动。方法：我们使用已建立的应用健康科学和计算机科学数据库进行了全面的文献检索。两名独立研究人员根据系统程序筛选和选择了研究。纳入标准如下：参与是明确的研究目标或结果或人工智能应用的目标重点；人工智能作为提供和测试干预的一部分应用；残疾或其他诊断出健康状况的儿童或青少年是研究或人工智能应用或两者的重点；研究以英文发表。根据人工智能的类型、交付方式、个性化类型以及干预是否解决个人目标设定对数据进行映射。结果：文献检索确定了 3029 篇文献，其中 94 篇符合纳入标准。大多数纳入的研究使用了人工智能的多种应用，其中机器人技术（72/94, 77%）和人机交互（51/94, 54%）的普及率最高。关于交付方式，大多数纳入的研究描述了面对面交付的干预（84/94, 89%），只有 11%（10/94）是远程交付的。大多数干预措施都是针对个人群体量身定制的（93/94, 99%）。只有 1%（1/94）的干预措施是根据患者个人报告的参与需求量身定制的，只有一项干预措施（1/94, 1%）将个人目标设定描述为其治疗过程或干预计划的一部分。结论：越来越多的研究使用人工智能来针对残疾儿童和青少年或其他已确诊健康问题的儿童和青少年的参与，这支持了人工智能在儿科康复中的潜力。根据我们的研究结果，我们发现了三个需要进一步研究和开发的主要差距：缺乏使用人工智能进行远程参与的干预措施；干预措施中缺乏个人目标设定；缺乏针对儿童、青少年或家庭个人报告的参与需求而量身定制的干预措施。
范围评论
医疗保健中人工智能（AI）和机器学习（ML）的整合已成为主要的兴趣点，并提出了其对急诊科（ED）分类过程的影响的问题。AI模仿人类认知过程以及计算进步的能力在医疗保健的各个方面都表现出了积极的结果，但是对于ED中AI中使用AI的使用知之甚少。AI算法可能允许较早的诊断和干预；但是，过度自信的答案可能会对患者造成危险。这篇综述的目的是探索有关AI和ML在ED分类中的影响并确定研究差距的全面发表的文献。使用电子数据库，OVID MEDLINE和Web of Science进行了系统化的搜索。要符合纳入标准，必须根据美国期刊2013 - 2023年发表的主要数据研究进行同行评审，用英语编写的文章。其他标准包括1）对需要入院的患者进行研究，2）必须在患者进行分解时使用AI； 3）必须代表患者的结局。搜索是使用来自医学主题标题（网格）的受控描述进行的，其中包括“人工智能”，“机器学习”，“急诊病房”，“急诊室”，“急诊室”，“急诊室”，“急诊室”，“患者分类室”，“ Triage”或“ Triage”或“ Triage”或“ Triaging”。搜索最初确定了1,142次引用。经过严格的，系统的筛选过程和对证据的批判性评估，选择了29项研究进行最终审查。The findings indicated that 1) ML models consistently demonstrated superior discrimination abilities compared to conventional triage systems, 2) the integration of AI into the triage process yielded significant enhancements in predictive accuracy, disease identification, and risk assessment, 3) ML accurately determined the necessity of hospitalization for patients requiring urgent attention, and 4) ML improved resource allocation and quality of patient care, including predicting length of stay.在ED中优先考虑的ML模型的建议优势具有重新定义分类精度的潜力。
范围审查协议
摘要简介人口快速老龄化和相关健康问题（例如虚弱）已成为日益严重的公共卫生问题。虽然及早识别和管理虚弱可能会限制不良的健康后果，但虚弱的复杂表现对临床医生提出了挑战。人工智能（AI）已成为支持早期识别和管理虚弱的潜在解决方案。为了全面概述有关开发和使用包括机器学习和深度学习在内的人工智能技术来识别和管理虚弱的当前证据，本协议概述了范围界定审查，旨在确定和呈现该领域的可用信息。具体而言，本协议描述了一项审查，该审查将重点关注用于评估虚弱的临床工具和框架、已评估的结果以及知识用户参与开发、实施和评估用于临床环境中虚弱护理的人工智能方法和工具。方法与分析 本范围审查协议详细说明了对八个主要学术数据库的系统搜索，包括 Medline、Embase、PsycInfo、护理和相关健康文献累积索引 (CINAHL)、Ageline、Web of Science、Scopus 和电气电子工程师协会 (IEEE) Xplore，使用由 Arksey 和 O'Malley 开发并由 Levac 等人和 Joanna Briggs 研究所增强的框架。搜索策略是与图书管理员协商设计的。两位独立审阅者将筛选标题和摘要，然后筛选全文，以确定是否符合条件，然后使用试验数据图表形式绘制数据图表。结果将通过叙述摘要、表格和图表进行整理和呈现。 伦理与传播 由于本研究基于公开信息，因此无需获得伦理批准。研究结果将通过同行评审的出版物、演示文稿和信息图表传达给医疗保健提供者、看护者、患者以及研究和健康计划资助者。注册详情 OSF 注册表（https://doi.org/10. 17605/OSF.IO/T54G8）。
范围审查协议
背景：大型语言模型 (LLM) 的快速发展，例如 Transformers 的双向编码器表示 (BERT；Google) 和 GPT (OpenAI)，为自然语言处理带来了重大进步。这些模型越来越多地被集成到各种应用中，包括心理健康支持。然而，LLM 在提供可靠且可解释的心理健康信息和支持方面的可信度仍未得到充分探索。目标：本范围界定审查系统地描绘了影响 LLM 在心理健康支持方面可信度的因素，包括可靠性、可解释性和道德考虑。该审查有望为从业者、研究人员和政策制定者提供重要见解，指导未来的研究和政策制定。这些发现将有助于负责任地将 LLM 整合到心理健康护理中，重点是维护道德标准和用户信任。方法：本审查遵循 PRISMA-ScR（系统评价和荟萃分析扩展范围界定审查的首选报告项目）指南和 Joanna Briggs 研究所 (JBI) 方法。资格标准包括在心理健康支持中应用基于转换器的生成语言模型的研究，例如 BERT 和 GPT。来源包括 PsycINFO、MEDLINE via PubMed、Web of Science、IEEE Xplore 和 ACM 数字图书馆。将从 2019 年开始对研究进行系统搜索，并更新至 2024 年 10 月。数据将进行定性综合。人口、概念和背景框架将指导纳入标准。两位独立审阅者将筛选和提取数据，通过讨论解决差异。数据将被综合并以描述性方式呈现。结果：截至 2024 年 9 月，这项研究目前正在进行中，系统搜索已完成，筛选阶段正在进行中。我们预计将在 2024 年 11 月初完成数据提取，并在 2024 年 11 月下旬完成综合。结论：本次范围界定审查将绘制 LLM 在心理健康支持方面的可信度的当前证据。它将确定影响这些模型的可靠性、可解释性和道德考虑的因素，为从业者、研究人员、政策制定者和用户提供见解。这些发现将填补文献中的关键空白，并为未来的研究、实践和政策制定提供信息，确保 LLM 负责任地融入心理健康服务。国际注册报告标识符 (IRRID)：DERR1-10.2196/62865
环境范围界定报告
表 1：环境影响评估计划详情 ...................................................................................................................................... 8 表 2：土地利用规模 ................................................................................................................................................ 13 表 3：适用的国家法律 ...................................................................................................................................... 19 表 4：重要性评估 ............................................................................................................................................. 22 表 5：颜色编码含义 ............................................................................................................................................. 23 表 6：运营期潜在影响： ............................................................................................................................. 26
两种范围的范围评论
摘要。背景：正在设计，测试人工智能（AI），并且在许多情况下，从初级保健到公共卫生的医疗保健几乎各个方面都积极使用。目前已经确定，任何AI的应用都承担随之而来的责任，以考虑其发展，部署和影响的道德和社会方面。然而，在AI的快速发展领域中，与例如自动数据处理或更多“基本”算法相比，机器学习，神经网络，生成AI和大型语言模型等发展有可能提出新的和独特的道德和社会问题。方法：本文介绍了与医疗保健中AI有关的道德和社会问题的范围审查，并具有新颖的两管齐下的设计。审查的一条（SR1）包括对限制在最近的时间范围（2021-23）的广泛的学术文献综述，以更好地捕捉最新的发展和辩论。第二链（SR2）由狭窄的审查组成，仅限于对医疗保健中AI伦理的先前系统和范围进行范围的评论，但在更长的时间范围内（2014-2024）延长了以捕获辩论中的长期主题和重复的主题和问题。该策略提供了一种实用的方式来处理有关医疗保健中AI伦理的日益大量文献，以构成文献的深度和演变的方式。结果：SR1捕获了AI Systems提出的受众，医疗领域以及道德和社会主题（以及它们的权衡）的异质性。sr2概念化了有关医疗保健AI的道德和社会问题的范围评论的全面了解，以及所确定的趋势和差距。结论：我们的分析表明，基于对一般原则的吸引力，AI中典型的道德问题方法的典型方法变得越来越不可能对AI在医疗保健中提出的伦理和社会问题的细微差别和特殊性伸张正义，因为技术从摘要辩论和讨论转向现实世界中的应用程序和关注现有的应用程序和关注者。关键字：人工智能；药品;卫生保健;范围审查临床试验编号：不适用1背景1.1上下文