XiaoMi-AI文件搜索系统
World File Search SystemUnivariate
公共卫生phc 6945
1。统计概率和采样分布的主要关键概念，例如标准正常，t，f，二项式，泊松，多项式和卡方。2。将常见的统计方法用于推理，包括估计，置信区间以及单变量或多元假设检验。3。应用和解释各种多变量回归方法，例如线性，逻辑和生存模型。4。开发用于使用统计软件（例如SAS/R）的实用技能，用于公共卫生研究的数据管理，集成，分析和解释。5。与给定的研究问题一起开发了与公共卫生问题有关的统计数据分析的书面和口头介绍，以及通过使用较少的技术术语将这些问题传达给从业人员的能力。
具有乘积图的多域信号自适应子采样
在标准信号处理中，采样理论指出，以高于奈奎斯特速率采样的带限信号可以完美重建。这一重要特性是欧几里得信号采样的基石。然而，当信号定义在更复杂的域上时，自适应采样策略的设计仍然是一个活跃的热门话题。为了处理位于不规则域上的信号，图信号处理 (GSP) [1, 2] 已成为标准方法的有力替代方案。在这种形式化中，图定义了一个支持，信号（现在称为图信号）在此支持上定义。这允许捕获信号演变的结构，从而提供比单独考虑信号更多的信息。通过将信号处理的概念和工具推广到图上记录的信号，GSP 已证明其在滤波 [3]、重构 [4] 和采样 [5] 等许多任务中都取得了成功。对于后者，在单变量情况下提出的一个想法是利用其底层图，从某些节点的测量中重建图信号。这种称为图采样集选择（或子集采样）的方法现在已得到充分研究 [6, 7, 8]。例如，（在无噪声设置下）假设图信号是带限的，可以证明随机选择合理数量的样本/节点足以以高概率实现完美重建 [9]。不幸的是，此类方法存在一些主要局限性。首先，到目前为止，大多数文章都集中在单变量信号上。然而，GSP 中最近的出版物主张需要多域图信号处理，以便处理张量数据或矢量数据 [10, 11]。事实上，在传感器网络等多个应用环境中，数据流被记录为在网络上演变的多变量时间序列，从而定义至少
临界点分析及其应用 - NPL 出版物
2 单变量临界点 17 2.1 预测临界点：早期预警信号 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 检测引爆：潜力分析 . ... . ...
利用循环微生物组特征来预测非小细胞肺癌患者的肿瘤免疫微环境和预后
高和地图 - 低组。与免疫相关DEG的火山图和差分排名图如图6a和B.此外，GO和KEGG富集分析表明，这些与免疫相关的DEG参与体液免疫反应，对细菌，免疫球蛋白复合物，细胞因子活性，抗原加工和表现途径等的防御反应，等等（图6C）。 根据单变量COX回归分析和Kaplan-Meier生存分析，我们进一步鉴定了12个与NSCLC患者OS显着相关的免疫相关DEG（图 6d）。 中，IGKV3D-7和AGTR1是有利因素，而DKK1，SEMA3C，HTR3A，VEGFC，KLRC2，EPGN，NRG2，MPO，KLRC3和IFNE是风险因素（图>6C）。根据单变量COX回归分析和Kaplan-Meier生存分析，我们进一步鉴定了12个与NSCLC患者OS显着相关的免疫相关DEG（图6d）。中，IGKV3D-7和AGTR1是有利因素，而DKK1，SEMA3C，HTR3A，VEGFC，KLRC2，EPGN，NRG2，MPO，KLRC3和IFNE是风险因素（图6d）。
基于尿液系统泛 - 伴侣中与库相关的LNCRNA的预后和免疫疗法的构建和预测预测
单变量和多元COX回归分析。我们确定年龄，性别，T阶段和风险评分是独立的预后因素（图6a-b）。接下来，产生了包含风险评级和独立预后因素的列诺图，以预测1、3和5年的OS发生率（图。6C）。 红线指示了20名患者和NOMO分数以及1、3和5年OS发病率的信息。 NOMO在低风险组中的得分低于高风险组（图 6d）。 风险评分的AUC是所有因素中最大的。 进行一致性指数和ROC分析，以预测风险评分在预测泌尿系统患者预后时的唯一性和敏感性。 风险评分的一致性指数和ROC曲线下的面积（AUC）是风险评分的最高（图） 6e-f）。6C）。红线指示了20名患者和NOMO分数以及1、3和5年OS发病率的信息。NOMO在低风险组中的得分低于高风险组（图6d）。风险评分的AUC是所有因素中最大的。一致性指数和ROC分析，以预测风险评分在预测泌尿系统患者预后时的唯一性和敏感性。风险评分的一致性指数和ROC曲线下的面积（AUC）是风险评分的最高（图6e-f）。
在精神病等候补名单上实施移动AI聊天机器人干预抑郁症的挑战：随机控制学习终止报告
这项研究使用ICD-9代码从模仿数据库中确定了18岁以上的1,177例患者。预处理包括处理丢失的数据，删除重复项，处理偏度和过度采样以减轻数据失衡。通过检查方差通胀因子（VIF）值，套索回归和单变量分析，在LightGBM模型中选择了18个特征。与其他基线模型相比，LASSO逻辑回归模型的最终输出的最高测试AUC -ROC为0.8766（95％CI 0.8065-0.9429），准确性为0.7291，包括随机森林，LightGBM，支持载体机（SVM）和决策树。所有模型均表现出良好的校准，其Brier得分相对较低，突出了它们在预测院内死亡率方面的可靠性。
使用颞细胞状态网络模型预测抗癌药物组合反应
冠状动脉疾病（CAD）是发达和发展中的死亡的主要原因。这项研究的目的是通过机器学习和评估该方法来确定冠状动脉疾病的危险因素。使用公开可用的国家健康和营养检查调查（NHANES）进行了回顾性，横断面研究（NHANES），该研究完成了人口，饮食，运动和心理健康问卷并拥有实验室和体格检查数据的患者。单变量逻辑模型（以CAD为结果）用于识别与CAD相关的协变量。在最终的机器学习模型中包括在单变量分析中具有P <0.0001的协变量。机器学习模型XGBoost由于文献中的普遍性以及其在医疗保健术前的预测准确性提高而使用。模型协变量根据覆盖统计量进行排名，以识别CAD的危险因素。构造的加性解释（SHAP）解释被用来可视化这些潜在危险因素与CAD之间的关系。在这项研究中符合纳入标准的7,929名患者中，女性为4,055（51％），男性为2,874（49％）。平均年龄为49.2（SD = 18.4），有2,885名（36％）白人患者，2,144名（27％）黑人患者，1,639名（21％）西班牙裔患者和1,261例（16％）其他种族患者。总共338例（4.5％）患有冠状动脉疾病。将它们拟合到XGBoost模型中，AUROC = 0.89，灵敏度= 0.85，特异性= 0.87（图1）。按覆盖范围排名前四的最高特征，这是协变量对整体模型预测的百分比贡献的度量，是年龄（覆盖率= 21.1％），血小板计数（覆盖= 5.1％），心脏病的家族史（覆盖率= 4.8％）和胆固醇总胆固醇（覆盖率= 4.1％）。机器学习模型可以使用人口统计学，实验室，体格检查和生活方式协变量有效预测冠状动脉疾病，并确定关键的危险因素。
小型皮质下缺血性梗死和其他 DWI 病变建立 MES 预测模型
使用 SPSS（版本 22.0；美国伊利诺伊州芝加哥）和 Free Statistics（版本 1.7.1）软件进行数据分析。定量数据以平均值±标准差表示，定性数据以频率和百分比表示。在进行正态性检验后，使用 t 检验对定量数据进行组间比较，使用 χ2 或 Fisher 精确文本比较定性或分类数据。在进行回归分析之前，对统计学上显著的因素（p < 0.05）进行共线性分析。将单变量分析中具有统计学意义的因素纳入逐步前向逻辑回归分析，以确定 MES 的独立因素。优势比 (OR) 及其 95% 可信区间用于评估显著因素的独立贡献。采用 Hosmer-Lemeshow 检验来评估模型的适用性。
![arxiv：2404.16918v2 [cs.lg] 2025年1月3日](/simg/g:\will\search\icon\source\d\d2c7b87e46918c7bd5604c692394a396160084d0.webp)
arxiv：2404.16918v2 [cs.lg] 2025年1月3日
抽象的深度学习方法越来越多地用于处理涉及具有多个单变量时间序列的数据集的预测任务。成功应用这些方法的关键因素是足够大的训练大小，这并不总是可用。可以在这些情况下应用合成数据生成技术来增强数据集。数据增强通常是在训练模型之前离线应用的。但是，当使用迷你批次训练时，某些批次可能包含不成比例的合成样本，这些样本与原始数据特征不太吻合。这项工作介绍了一个在线数据增强框架，该框架在培训神经网络期间生成合成样本。通过为每个批次与原始对应物创建合成样本，我们保持bal-
血清白细胞介素22作为在银屑病关节炎中分子靶向药物差异使用的生物标志物的影响：一项回顾性研究
然后，在TNF-I处理的组（24例）和IL-17-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-I-Cheat则进行了单变量的逻辑分析，并将DAPSA-REM，PASI90和最小疾病活性作为客观变量作为目标变量和血清细胞因子浓度作为爆炸性变量。血清IL-22浓度被确定为有助于IL-17-I-I-I-i-i-i-i-teal群中DAPSA-REM实现的因素。然而，尚未将基线血清细胞因子鉴定为有助于达到TNF-I-READ群体中DAPSA-REM的因素，或在任何一组中的PASI90和PASI90的实现和最小疾病活性（补充表S4）。我们比较了获得DAPSA-REM（12例），未（12例）的患者中的基线血清细胞因子浓度，在TNF-I-I-I-I-I-17-17-I-I-I-I-I-I-I-I-I-I-I-I-CHEAT组中则（分别为11例和12例）。结果