XiaoMi-AI文件搜索系统
World File Search SystemXS
XSL•FO
Emily W Paolillo 1，博士；Kaitlin B Casaletto 1，博士；Annie L Clark 1，硕士；Jack C Taylor 1，文学硕士；Hilary W Heuer 1，博士；Amy B Wise 1，理学学士；Sreya Dhanam 1，理学学士；Mark Sanderson-Cimino 1，博士；Rowan Saloner 1，博士；Joel H Kramer 1，心理学博士；John Kornak 2，博士；Walter Kremers 3，博士；Leah Forsberg 4，博士；Brian Appleby 5，医学博士；Ece Bayram 6，医学博士、博士；Andrea Bozoki 7，医学博士；Danielle Brushaber 3，理学学士；R Ryan Darby 8，医学博士；Gregory S Day 9，理学硕士、医学博士；Bradford C Dickerson 10，医学博士； Kimiko Domoto-Reilly 11 ，理学硕士，医学博士；Fanny Elahi 12,13 ，医学博士，哲学博士；Julie A Fields 14 ，哲学博士；Nupur Ghoshal 15 ，医学博士，哲学博士；Neill Graff-Radford 9 ，医学博士；Matthew GH Hall 1 ，理学硕士；Lawrence S Honig 16 ，医学博士；Edward D Huey 17 ，医学博士；Maria I Lapid 14 ，医学博士；Irene Litvan 6 ，医学博士；Ian R Mackenzie 18 ，医学博士；Joseph C Masdeu 19 ，医学博士，哲学博士；Mario F Mendez 20 ，医学博士，哲学博士；Carly Mester 3 ，文学士；Toji Miyagawa 4 ，医学博士，哲学博士；Georges Naasan 21 ，医学博士；Belen Pascual 19 ，哲学博士； Peter Pressman 22 ，医学博士；Eliana Marisa Ramos 20 ，哲学博士；Katherine P Rankin 1 ，哲学博士；Jessica Rexach 20 ，医学博士、哲学博士；Julio C Rojas 1 ，医学博士、哲学博士；Lawren VandeVrede 1 ，医学博士、哲学博士；Bonnie Wong 23 ，哲学博士；Zbigniew K Wszolek 9 ，医学博士；Bradley F Boeve 4 ，医学博士；Howard J Rosen 1 ，医学博士；Adam L Boxer 1 ，医学博士、哲学博士；Adam M Staffaroni 1 ，哲学博士；ALLFTD 联盟 24
AXS-05的临床概况（右甲状腺 - 布丁）...
J Cummings has provided consultation to Acadia, Alkahest, AlphaCognition, AriBio, Biogen, Cassava, Cortexyme, Diadem, EIP Pharma, Eisai, GemVax, Genentech, Green Valley, Grifols, Janssen, Karuna, Lilly, LSP, Merck, NervGen, Novo Nordisk A/S, Oligomerix, Ono, Otsuka，Prodeo，Prothena，Remynd，Resverlogix，Roche，Cignant Health，Suven和United Neuroscience Pharmaceutical，评估和投资公司。他得到了美国国家一般医学科学研究所（NIGMS）的支持。国家神经系统疾病与中风研究所（NINDS）授予U01NS093334；国家老化研究所（NIA）赠款R01AG053798，P20AG068053，P30AG072959和R35AG71476;阿尔茨海默氏病药物发现基金会（ADDF）；泰德（Ted）和玛丽亚·奎克（Maria Quirk）的捐赠；以及欢乐钱伯斯·瑞迪的捐赠。G Grossberg已向Acadia，Alkahest，Avanir，Axovant，Axsome Therapeutics，Biogen，Bioxcel，Gioxcel，Genentech，Karuna，Lundbeck，Otsuka，Roche，Roche和Takeda提供了咨询。他为礼来，罗氏和美国国家衰老研究所提供了研究支持。他曾在Acadia，Biogen和Eisai的发言人局任职，并曾在Anavex，Erydel，Elydarlulartherapies，Merck，Newron，Newron和Doligomerix的安全监测委员会任职。A.P. Porsteinsson报告了Acadia Pharmaceuticals，Athira，Biogen，BMS，认知研究公司，EISAI，功能性神经调节，IQVIA，IQVIA，Lundbeck，Novartis，Ono Pharmaceuticals，Otsuka，Otsuka，WebMD和Xenon;从Alector，Athira，Biogen，Cassava，Eisai，Eli Lilly，Genentech/Roche，Roche，Vaccinex，Nia，Nia，Nimh和Dod授予他的机构。A.P.Porsteinsson报告了Acadia Pharmaceuticals，Athira，Biogen，BMS，认知研究公司，EISAI，功能性神经调节，IQVIA，IQVIA，Lundbeck，Novartis，Ono Pharmaceuticals，Otsuka，Otsuka，WebMD和Xenon;从Alector，Athira，Biogen，Cassava，Eisai，Eli Lilly，Genentech/Roche，Roche，Vaccinex，Nia，Nia，Nimh和Dod授予他的机构。
XSL•fo
背景：人工智能越来越多地应用于许多工作流程。大型语言模型（LLM）是可公开访问的平台，可以理解，互动和产生可读的文本；他们提供相关信息的能力对于医疗保健提供者和患者也特别感兴趣。造血干细胞移植（HSCT）是一个复杂的医学领域，需要广泛的知识，背景和培训才能成功练习，对于非专业主义者的观众来说可能具有挑战性。目标：我们旨在测试3个著名LLM的适用性，即ChatGpt-3.5（OpenAI），Chatgpt-4（OpenAI）和Bard（Google AI），以指导非专业医疗保健专业人员，并建议寻求有关HSCT信息的患者。方法：我们提交了72个与LLM的开放式HSCT相关问题，并根据一致性（定义为响应的可复制性）对响应进行了评分 - 响应真实性，语言的理解性，对主题的特异性以及幻觉的存在。然后，我们通过重新提出最困难的问题并提示回应，仿佛与医疗保健专业人员或患者进行沟通，并提供可验证的信息来源，从而重新挑选了2个表现最佳的聊天机器人。的响应进行弥补，该标准定义为针对预期受众的语言适应。Chatgpt-4和Chatgpt-3.5在语言可理解方面都优于吟游诗人（64/66，97％； 53/54，98％；和52/63； 52/63，83％； P = .002）。结果：ChatGpt-4在响应一致性方面均优于Chatgpt-3.5和Bard（66/72，92％； 54/72，75％；和63/69，91％，分别为91％； P = .007; P = .007），响应真实性（响应态度）主题（60/66，91％； 43/54，80％；和27/63，43％； p <.001）。所有展示了幻觉的情节。chatgpt-3.5和chatgpt-4然后提示将其语言调整给听众并提供信息来源，并给予回答。chatgpt-3.5表现出比ChatGpt-4（分别为17/21，81％和10/22，46％）更适合非医学受众的语言的能力； p = .03）;但是，两者都无法始终提供正确和最新的信息资源，报告过时的材料，错误的URL或未关注的参考文献，从而使读者无法验证其输出。
XSL•FO
背景：近年来，聊天机器人在心理健康支持领域的应用呈指数级增长，研究表明，聊天机器人可能有效治疗心理健康问题。最近，人们开始使用被称为数字人的视觉化身。数字人能够使用面部表情作为人机交互的另一个维度。研究基于文本的聊天机器人和数字人在与心理健康服务互动时情绪反应和可用性偏好的差异非常重要。目标：本研究旨在探索数字人机界面和纯文本聊天机器人界面在健康参与者测试时在可用性方面有何不同，使用 BETSY（行为、情绪、治疗系统和你），它使用两个不同的界面：具有拟人化特征的数字人和纯文本用户界面。我们还着手探索聊天机器人生成的心理健康对话（特定于每个界面）如何影响自我报告的感受和生物特征。方法：我们探索了具有拟人化特征的数字人与传统纯文本聊天机器人在系统可用性量表对可用性的感知、通过脑电图对情绪反应的感知以及亲近感方面的差异。健康参与者（n=45）被随机分成两组，每组使用具有拟人化特征的数字人（n=25）或没有此类特征的纯文本聊天机器人（n=20）。通过线性回归分析和 t 检验对两组进行比较。结果：在人口统计特征方面，纯文本组和数字人组之间没有差异。纯文本聊天机器人的平均系统可用性量表得分为 75.34（SD 10.01；范围 57-90），而数字人机界面的平均系统可用性量表得分为 64.80（SD 14.14；范围 40-90）。两组都对其各自的聊天机器人界面的可用性评分为平均或高于平均水平。女性更有可能报告对 BETSY 感到厌烦。
XSL•fo
Chatgpt（OpenAi）是一种尖端的自然语言处理模型，对革命医学教育的巨大希望。Chatgpt凭借其在与语言相关的任务方面的出色表现，为医学生和医生提供了个性化和高效的学习经验。通过培训，它增强了临床推理和决策能力，从而改善了病例分析和诊断。该模型有助于模拟对话，智能辅导和自动化问题，从而实现医学知识的实际应用。但是，将Chatgpt纳入医学教育会引起道德和法律问题。保护患者数据并遵守数据保护法规至关重要。与学生，医师和患者的透明沟通对于确保他们对技术的目的和含义以及潜在风险和收益的理解至关重要。在个性化学习和面对面互动之间保持平衡对于避免阻碍批判性思维和沟通能力至关重要。尽管面临挑战，但Chatgpt提供了变革的机会。将其与基于问题的学习，基于团队的学习和基于案例的学习方法相结合可以进一步增强医学教育。通过适当的监管和监督，Chatgpt可以为一个全面的学习环境做出贡献，培养准备应对医疗保健挑战的熟练和知识渊博的医疗专业人员。通过强调道德考虑和以人为本的方法，Chatgpt的潜力可以在医学教育中得到充分利用，从而使学生和患者都受益。
XSL•fo
背景：糖尿病性肾脏疾病（DKD）和糖尿病性视网膜病（DR）是主要的糖尿病微血管并发症，在全球范围内对发病率，残疾和死亡率产生了重大贡献。具有相似的微血管结构以及生理和致病性特征的肾脏和眼睛，可能会在糖尿病中出现类似的代谢变化。目的：本研究旨在使用与代谢数据集成的机器学习（ML）方法，以识别与DKD和DR相关的生物标志物，在具有糖尿病的多种族亚洲人群中，以及提高DKD和DR DR DICCECTION模型的性能。方法：我们使用ML算法（具有绝对绝对收缩和选择操作员的Logistic回归[LR]和梯度提升决策树）来分析2772名来自新加坡眼病研究的糖尿病研究的2772名成年人，这是一项基于人群的基于人群的基于人口的跨截面研究（2004-2011）。从220个循环代谢物和19个危险因素中，我们选择了与DKD相关的最重要变量（定义为估计的肾小球滤过率<60 mL/min/min/1.73 m 2）和DR（定义为早期治疗糖尿病性视网膜病变研究严重程度水平20 20）。dkd和DR检测模型是根据可变选择结果开发的，并在英国生物银行（2007-2010）的5843名参与者的样本中进行了外部验证。机器学习的模型性能（接收器操作特征曲线下的面积为95％CI，灵敏度和特异性）与针对年龄，性别，性别，糖尿病持续时间，血红蛋白A 1C，1C，节奏性血压和BMI调整的传统LR的模型性能。
开放竞赛域名 - XS -NWO
nwo进步世界一流的科学研究。科学研究 - 基本，应用和实践的研究 - 在塑造我们的社会方面起着关键作用。通过他们独立，可靠和世界一流的研究，研究人员以创造力和毅力扩大了我们知识和能力的前沿。nwo域科学（nwo-domein exterte en natuurwetenschappen（enw））希望为奇迹，发现，意外链接和灵感提供机会。在领域科学的公开竞争中，NWO财务好奇心驱动的基础研究在域科学的研究领域内。研究主题是您自己的选择，而没有特定的主题先决条件。在NWO开放竞争域科学中有三种类型的资金：XS，M和XL都有其特定的目标和条件。可以通过域Science-XS格兰特快速探索一个有希望的想法，并可以通过域Science-M授予者进一步探索。领域科学-XL赠款允许将研究思想发展为世界一流的，具有挑战性和创新的研究线，通过结合多个研究组的专业知识和优势，可以在财团中合作。有关域Science -M和-XL赠款的更多信息，我们将您推荐给NWO网页上的各自提案的呼吁。域Science-XS（ENW-XS）赠款可用于最高预算50,000欧元的项目。预算可以完全由研究人员的酌情决定。ENW-XS欢迎来自PostDocs的建议。评估程序在第4节中进行了详细描述。ENW-XS补助金可供掌握整个项目期限的博士后职位的研究人员使用。在第3节中列出了与提交研究建议有关的所有条件。ENW-XS的评估程序与标准NWO程序不同。提交ENW-XS的研究建议的研究人员也充当了已提交的其他研究建议的评估者。此短期评估程序旨在评估有限持续时间项目的研究建议，涉及较小的预算。
AXS-05的功效，耐受性和安全性，一种小说...
c chepke已在Abvie，Acadia，Alkermes，Axsome，Biogen，corium，fidorsia，Celluur，Celluur，Janssen，Karuna，Lundbeck，Moderna，Moderna，Neurocrine，Neurocrine，Neurocrine，Neurocrine，Nosuka，Nosuka，Nosuka，Sumitomo，Teva中；他曾担任Abvie，Acadia，Alkermes，Axsome，Biogen，Boehriinger Inding，Corium，Corium，细胞内，Janssen，Karuna，Karuna，Lundbeck，Medincell，Medincell，Mostha，Moderna，Neyurocrine，Neurocrine，Neurocrine，Neurocrine，Neurocrine，Nosauka，Nosauka，sumitomo，teva;他曾与Abbvie，Acadia，Alkermes，Axsome，Corium，Corium，Intra Intra，Jansen，Karuna，Luddbeck，Luddbeck，Merck，Merck，Neurrocrine，Noarcrine，Noven，Noven，Ossuka，Ossuka，Teva一起任职；从Acadia，Axsome，Harmony，Neurrocrine，Teva中获得最佳结果，有很多方法可以从您的搜索结果中获得最佳结果。Muzyk从Axsome，Neurocrine和Otsuka获得了演讲者的酬金；他曾在Axsome和neurocrine的咨询委员会中脱颖而出。M FAVA的披露列在以下网址：https：//mghcme.org/app/uploads/2021/07/mf-disclosures-lifetme-- Updated--july-2021.pdf。d iososscu已从Alkermes，Allermes，Axsome，Biogen，精神病学中心，爵士，Lundbeck，Otsuka，Precision Neuroscience，Sage，Sunovion，Sunovion获得了咨询荣誉。他从Alkermes，Astra Zeneca，Brainsway，Litecure，Litecure，Neosync，Otsuka，Roche，Roche，Shire获得了研究支持（通过其学术机构）。C. Andersson，C。Streicher和H. Tabuteau目前是Axsome Therapetics的Embillyees。
XSL•fo
背景：尽管提供了智能技术的不断增长（即，具有智能行动并能够监视，分析或报告的计算机控制设备），但在新技术创新的发展与他们在日常护理中对老年人的收养之间存在巨大差距。目的：本研究旨在探讨与不同利益相关者群体中智能技术采用有关的障碍和关注。方法：使用了4个来源的数据：对专业护理人员的半结构或基于Internet的访谈（n = 12），与衰老领域的专家进行结构化电子邮件访谈（n = 9），基于网络的老年人（> 55年）的基于网络的老年人（> 55年），参加了第三名年龄的大学（n = 369），以及一项案例（n = 369），以及新的成人新技术的案例研究。结果：尽管所有利益相关者都指出了智能技术改善老年人护理的潜力，但发现了采用多个障碍。护理人员认为老年人在使用技术方面被认为是无私或无能为力的，报道了与新技术相比的已知策略，并注意到自己对使用技术的恐惧。专家将技术视为必不可少但对成本，老年人数字能力低以及缺乏支持或愿意在老年人护理中实施技术的关注。老年人总体上几乎没有关注，但提到的担忧是缺乏能力或兴趣，滥用数据以及有限的有用性（在特定的亚组或情况下）。此外，老年人对不同技术的有用性的评分与他们的数字能力的自我评价相关（r = 0.258; p <.001）。结论：老年人对各种技术的看法比专业护理人员更积极；但是，他们的担忧因技术类型而异。缺乏能力和缺乏支持是共同的主题之一，这表明应该为老年人及其护理人员提供面向教育的计划。
XSL•fo
背景：心脏骤停（CA）是重症患者死亡的主要原因。临床研究表明，对CA的早期鉴定会降低死亡率。算法能够使用多元时间序列数据来预测具有高灵敏度的Ca。但是，这些算法遭受了很高的错误警报率，它们的结果在临床上不可解释。目标：我们使用多分辨率统计特征和基于余弦相似性的特征提出了一种集成方法，以及时预测Ca。此外，这种方法提供了临床上可解释的结果，临床医生可以采用这些结果。方法：使用来自“重症监护IV数据库”和EICU协作研究数据库的医学信息MART的数据回顾性分析患者。基于被诊断为心力衰竭的成年人的24小时时间窗口的多元生命体征，我们提取了基于多解决的统计和基于余弦相似性的特征。这些功能用于构建和发展梯度提升决策树。因此，我们采用了对成本敏感的学习作为解决方案。然后，进行了10倍的交叉验证以检查模型性能的一致性，并使用Shapley添加说明算法来捕获所提出模型的整体可解释性。接下来，使用EICU协作研究数据库进行了外部验证以检查概括能力。根据CA的及时预测，提出的模型达到了高于0.80的AUROC，以预测提前6小时的CA事件。结果：所提出的方法在接收器工作特性曲线（AUROC）下产生了0.86的总面积，并且在Precision-Recall曲线（AUPRC）下为0.58。所提出的方法同时提高了精度和灵敏度以增加AUPRC，从而减少了错误警报的数量，同时保持了高灵敏度。此结果表明所提出的模型的预测性能优于先前研究中报告的模型的性能。接下来，我们证明了特征重要性对所提出方法的临床解释性的影响，并推断了非CA和CA组之间的影响。最后，使用EICU协作研究数据库进行了外部验证，并且在一般重症监护病房的人群中获得了0.74的AUROC，AUPRC为0.44。结论：拟议的框架可以为临床医生提供更准确的CA预测结果，并通过内部和外部验证降低错误警报率。此外，临床上可解释的预测结果可以促进临床医生的理解。此外，生命体征变化的相似性可以为患有心力衰竭相关诊断患者的CA预测的时间模式变化提供见解。因此，我们的系统足以适合常规临床使用。此外，关于拟议的CA预测系统，在未来的数字健康领域开发了临床成熟的应用程序。