XiaoMi-AI文件搜索系统
World File Search SystemTabataba
请引用原文：Yu, G., Tabatabaei, M., Mezei, J., Zhong, Q., Chen, S., Li, Z., Li, J., Shu, L., & Shu, Q. (2022). Improving chronic disease management for children with knowledge graphs and Artificial Intelligence. Expert Systems with Applications, 201, Article 117026. https://doi.org/10.1016/j.eswa.2022.117026
从健康管理的角度来看，儿童慢性病带来了严峻的挑战。如果管理平台设计不当，效率低下的管理平台会对患者和医疗资源的利用产生重大的负面影响。近年来，信息技术、人工智能和机器学习领域的创新为设计和实施基于知识的系统和平台提供了可能性，这些系统和平台可以自动跟踪、监测和建议患有慢性病的儿童患者。在本文中，我们提出了人工智能慢性病管理系统，该系统将人工智能、知识图谱、大数据和物联网结合在一个平台中，从治疗和资源利用的角度提供优化的解决方案。该系统包括患者和医院客户端、数据存储和依赖人工智能服务的决策支持分析工具。我们通过儿科病房中经常发生的不同情况来说明该系统的功能。为了评估人工智能组件的可行性，我们利用中国一家医院的真实医疗数据来开发哮喘患者的分类模型。为了同时提供更定性的评估，我们讨论了人工智能慢性病管理系统如何符合标准慢性病护理模型所规定的要求。
引用：Bosetti R，Tabatabai L，Naufal G等。在回顾性，服务不足的ADUL
摘要引言2型糖尿病患病率正在增加，尤其是在服务不足的人群中。可以通过在联邦合格的卫生中心内提供专业护理的访问，从而提高糖尿病护理的成本效益，从而改善患者的结果。方法和分析提出了基于临床研究员多学科团队的糖尿病护理新模型，并得到了服务不足的成人人群的支持。这项研究使用了回顾性的，非随机的糖尿病患者队列，他们在2012年1月1日至2018年12月31日之间访问了社区诊所。提出了一种用于分析新模型影响的因果证据的准实验方法。不连续性回归用于比较两种干预措施，临床内分泌学计划的干预措施以及初级保健医师的常规护理。患者在不受控制的糖尿病（糖化血红蛋白（HBA1C）≥9％）的情况下被转诊为临床其他内分泌学计划。与对照组相比，HBA1C相等或高于阈值的患者的回归不连续性设计允许为阈值低于阈值的患者建立治疗组。分析了新模型的患者结果和成本效益。回归模型将用于评估治疗组和对照组之间的差异。伦理和传播定量患者数据由研究团队以降低识别格式收到，以通过机构审查董事会批准的协议进行分析。定量研究已获得美国德克萨斯州休斯敦的休斯顿卫理公会研究所机构审查委员会的批准。预期的结果不仅将提供证据表明患者在服务不足的糖尿病人群中的影响，而且还将对新模型的成本效益以及是否可以为患者，第三方付款人和社会获得成本储蓄的想法。结果将有助于在糖尿病护理中设置基于证据的政策指南。结果将通过论文，会议和公共卫生/政策Fora传播。