XiaoMi-AI文件搜索系统
World File Search Systemclinician
临床医生兼职职位名称临床医生总付款的名称
临床主任GP Jamal S Karwan博士（医疗顾问临床总监一般执业委员会临床主任）15,000英镑临床主管乳房外科手术Giles Davies先生（乳房服务临床咨询委员会临床主任）15,000英镑临床主任Fausto Fausto Palazzo教授Fausto Palazzo教授（临床咨询委员会临床咨询委员会临床咨询委员会临床咨询委员） AICU主任Umeer Waheed博士（AICU医疗顾问委员会临床主任）15,000英镑临床主任约翰·库斯斯（John Cousins）博士约翰·库斯斯（John Cousins）博士（麻醉医疗咨询委员会临床主任）15,000英镑临床诊断诊断诊断Simon Padley教授Simon Padley教授（临床咨询委员会临床咨询委员会临床咨询委员会临床咨询委员会临床咨询委员会;临床主任骨科先生西蒙·莫耶斯（Simon Moyes）先生（骨科医疗顾问委员会临床主任）15,000英镑
狗和猫的脊柱伤害感受和疼痛的神经解剖学：兽医临床医生的实际回顾
慢性疼痛是同伴动物中普遍存在的状况，并带来了巨大的福利挑战。为了有效地解决这些问题，兽医临床医生必须对伤害感受的神经解剖学以及疼痛感知的复杂过程有全面的了解。此知识对于计划和实施目标治疗策略至关重要。但是，有关疼痛机制的许多现有信息来自对啮齿动物或人类的研究，强调需要进行进一步的翻译研究以弥合兽医应用的这一差距。本综述旨在为兽医提供对狗和猫的脊柱伤害感受途径的深入概述，从而追踪从伤害感受器激活到大脑皮质处理的旅程。此外，该评论探讨了影响伤害感受信号传导和疼痛感知的因素。通过增强对这些基本生理过程的理解，这项工作旨在为开发有效的疗法奠定基础，以管理伴侣动物中慢性疼痛的复杂性。
出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997
1 暨南大学医学院公共卫生与预防医学系，广州，中国 2 暨南大学国际学院，广州，中国 3 南安普顿大学社会科学学院，南安普顿，英国 4 香港理工大学应用数学系，香港，香港 5 河南理工大学计算机科学与技术学院，河南，中国 6 北京师范大学（珠海）应用数学学院，珠海，中国 7 布莱根妇女医院妇产科，马萨诸塞州波士顿，美国 8 哈佛大学医学院麻省总医院基因组医学中心，马萨诸塞州波士顿，美国 9 伦敦帝国理工学院公共卫生学院流行病学与生物统计学系，伦敦，英国 10 香港大学公共卫生学院，香港，香港 * 这些作者的贡献相同
出版详情：Liu, T., Tsang, W., Huang, F., Lau, OY, Chen, Y., Sheng, J., Guo, Y., Akinwunmi, B., Zhang, C. JP., & Ming, W.-K. (2021). 中国 SARS-CoV-2 大流行期间患者对人工智能应用与临床医生在疾病诊断中的偏好：离散选择实验。《医学互联网研究杂志》，23(2)，文章 e22841。https://doi.org/10.2196/22841
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI
诺和诺德 InnoLet（Protaphane 胰岛素）设备停产后，对医疗服务和临床医生的共识建议：
需要立即采取行动 代表澳大利亚妊娠期糖尿病协会 (ADIPS)、澳大利亚糖尿病教育者协会 (ADEA)、澳大利亚糖尿病协会 (ADS)、澳大利亚糖尿病协会 (DA)、澳大利亚皇家全科医师学院 (RACGP) – 糖尿病特殊兴趣小组和澳大利亚与新西兰妇产科医学协会 (SOMANZ)。 背景 胰岛素低聚糖是一种中效胰岛素，其作用开始于 60 分钟，在注射后 4-12 小时达到峰值，持续时间长达 24 小时。 在澳大利亚，胰岛素低聚糖目前以 100 IU/mL 的形式在小瓶、预填充输送装置和笔式/笔式药筒中提供，作为 Protaphane®（Novo Nordisk）和 Humulin® NPH（Eli Lilly）销售。 Novo Nordisk 最近宣布了其胰岛素产品系列的一系列国际变更，这将影响部分产品在澳大利亚的供应。其中包括从 2025 年 2 月起停产 Protaphane 预填充 InnoLet 设备，从 2026 年 12 月起停产 Protaphane Penfill（请参阅下表）。还宣布了其他产品停产，并将根据需要在单独的更新中进行说明。
护理人员和临床医生观点的调查
表 2 总结了调查中 CP 和 LFS 儿童的人口统计数据。所有看护者都照顾一名 CP 和 LFS 儿童，而大多数临床医生（n = 22；61%）的病例中至少有 10% 是 CP 和 LFS 儿童。看护者报告的平均儿童年龄为 9 岁（标准差 = 6 岁），而绝大多数临床医生报告的儿童年龄为 18 个月至 5 岁（n = 29；74%）、6 岁至 12 岁（n = 31；79%）以及 13 岁至 18 岁
1 Hertfordshire和West Essex成人（年龄≥18岁... ） COVID-19治疗：临床医生的信息 atogepant（Aquipta®）用于预防偏头痛
有关NICE的最终多技术评估（MTA）的资格标准（MTA），请参见附录1。此信息仅适用于在Hertfordshire和West Essex ICB的GP练习中注册的患者。远离地区的患者将需要找出已安排的安排，以便从其ICB获得Covid-19的治疗。委托的途径在不同领域是不同的。初级保健患者（包括护理人员中的合格患者），因为临床医生会遇到有资格接受COVID-19治疗的患者（包括如果新诊断），他们向他们提供建议 /向他们提供有关资格的信息，获取横向流程测试的信息，何时进行测试和采取行动，请参阅上面的阳性测试 - 链接到上面的患者链接到患者的信息上。临床医生可能希望与患者讨论COVID-19治疗的适用性，并将其包括在任何患者管理计划中。
比较年轻人对Prakriti/身体宪法的问卷和基于临床医生的评估：一项观察性研究
摘要背景：阿育吠陀强调了一种基于Prakriti（身体宪法）评估的个性化医学方法，该方法涉及形态学观察和生理，行为和心理属性的详细历史。在阿育吠陀研究中，CSIR（Q1）和CCRA（Q2）开发了两份常用的Prakriti问卷。这些问卷假定具有相似的预测能力，但是没有研究将它们与基于临床医生的Prakriti评估方法进行了比较，以适合临床环境。这项研究旨在将Q1，Q2及其一致水平与基于临床医生的Prakriti评估（CPA）方法进行比较。方法：这项观察性研究是从2022年7月至2023年1月进行的，涉及两名年龄在18-35岁之间的成年人。在获得书面知情同意书后，使用Q1，Q2和CPA方法评估了所有参与者的Prakriti。结果：在138名参与者中，有67％是女性。男性和女性的平均±SD年龄分别为27.80±4.43和26.58±4.56。混合的prakriti类型比参与者中的主要类型更为普遍。CPA方法基本上与Q1（Cohen's Kappa = 0.75）一致，并且中度同意Q2（Cohen's Kappa = 0.59）。Q1和Q2的正预测值范围分别为（46.2-100％）和（48-100％）。结论：Q1和Q2与CPA方法一致，Q1显示更好的一致性。需要进一步的研究，包括其他问卷来验证结果。关键字：阿育吠陀，个性化医学，prakriti，问卷调查
以临床医生为中心的药物再利用的基础模型
药物再利用（确定已获批准药物的新治疗用途）通常是偶然的和投机性的，扩大了药物在治疗新疾病方面的用途。药物再利用 AI 模型的临床实用性仍然有限，因为这些模型仅关注某些药物已经存在的疾病。在这里，我们介绍了 TX GNN，这是一种用于零样本药物再利用的图形基础模型，甚至可以为治疗选择有限或没有现有药物的疾病识别治疗候选药物。TX GNN 在医学知识图谱上进行训练，利用图神经网络和度量学习模块将药物按 17,080 种疾病的潜在适应症和禁忌症进行排名。与八种方法进行基准测试时，在严格的零样本评估下，TX GNN 将适应症的预测准确率提高了 49.2%，禁忌症的预测准确率提高了 35.1%。为了便于模型解释，TX GNN 的解释器模块提供了对形成 TX GNN 预测原理的多跳医学知识路径的透明见解。 TX GNN 解释器的人工评估表明，TX GNN 的预测和解释在准确性之外的多个性能方面都表现令人鼓舞。TxGNN 的许多新预测与大型医疗保健系统中临床医生开出的标外处方相符。TX GNN 的药物再利用预测准确无误，与标外用药一致，并且可以通过多跳可解释原理由人类专家进行调查。