XiaoMi-AI文件搜索系统
World File Search Systemmmons
数字共享@贝克尔 - 华盛顿大学
血浆磷酸化TAU 217（P-TAU217）目前是可靠检测阿尔茨海默氏病病理学的最有前途的生物标志物。已经开发了各种P-TAU217测定法，但它们的相对性能是明确的。我们使用淀粉样蛋白β（aβ） - PET，tau-pet和认知的横截面和纵向测量的关键血浆P-TAU217测试作为结果，并根据CSF生物标志物测试进行了基准测试。来自998个个体的样本[平均（范围）68.5（20.0–92.5）年，女性为53％的女性]，分析了包括认知性不受影响和认知受损的个体在内的瑞典生物发电机-2 CO HORT。等离子体P-TAU217，并通过免疫测定法（P-TAU217 WASHU）以及PAU217 LILLY，P-TAU217 LILLY，P-TAU217 JANSSESEN和P-TAZSEN和P-TAZ217 AAL217 ALZ217 ALZ21。CSF生物标记包括Lilly的P-TAU217，美国食品和药物管理局批准的P-TAU181/Aβ42Elecsys和P-Tau181 Elecsys。所有等离子体P-TAU217测试均表现出很高的检测异常Aβ-PET [曲线下的面积（AUC）范围：0.91-0.96]和TAU-PET（AUC范围：0.94–0.97）。浆质量p-TAU217 WASHU的性能最高，AUC明显高于所有免疫测定（p diff <0.007）。用于检测β -PET状态，％p -tau217 WASHU的精度为0.93（Immu noAssays：0.83-0.88），灵敏度为0.91（免疫测定：0.84-0.87），特异性为0.94（ImmunoAses）（ImmunoAses：0.85-5-0.89）。主要结果在来自圣路易斯华盛顿大学的外部队列中复制（n = 219）。在免疫测定中，P-TAU217 Lilly和Plasma P-TAU217 AlzPath具有比血浆P-TAU217 JANSSEN高的AUC（p-peT pet）状态（P diff <0.006），P-TAU217 Lilly Opperperment oppergence Plasma p-tau217 alz fiff = 0.0 alz in 0.0 alz ppath p = 0.0 diff = ppet。血浆％p-TAU217 WASHU与所有PET负荷结果表现出更强的关联；基线Aβ -pet负载（R 2：0.72；免疫测定：0.47-0.58; P Diff <0.001），基线Tau -Pet载荷（R 2：0.51;免疫测定：0.38-0.45：0.38–0.45; P Diff <0.001），longialaAβ -Pet载荷（R 2：0.0.0.53; r 2：0.53; r 2：0.53; r 2：0.53; p; r 2：r 2：r 2：0.53; p; 0.001）和纵向tau-pet载荷（r 2：0.50;免疫测定：0.35–0.43; p diff <0.014）。在免疫测定中，比血浆P-TAU217 JANSSEN（P DIFF <0.020）和Tau-Pet负载比血浆P-TAU217更与β-Pet负载更相关，而Plasma P-TAU217 JANSSEN和PLASMA P-TAU217 ALZ PATH（Allz Pather）（All p diff <0.010）。质量％p-TAU217也比所有免疫测定法（r 2：％p-tau217 WASHU：0.33;免疫测定：0.27–0.30; p diff <0.024）更与基线认知（迷你精神状态检查）更加密切。最后，p-tau217 nulisa在两个队列的子集中表现出与其他免疫测定相似的性能。
一项关于食品成分取代的调查-Scholar Commons
饮食在管理慢性条件和整体福祉中起着至关重要的作用。随着人们对食物的选择越来越挑剔，找到满足饮食需求的食谱很重要。替代替代是适应饮食限制，过敏和可用性限制的食谱的关键。但是，确定合适的替换是具有挑战性的，因为它需要分析成分的风味，功能和健康适用性。随着AI的发展，研究人员探索了解决成分替代的计算方法。本调查论文对该领域的研究进行了全面概述，重点介绍了五个关键方面：（i）用于支持成分替代研究的数据集和数据源； （ii）用于解决替代问题的技术和方法（iii）所考虑的成分的上下文信息，例如营养含量，风味和配对潜力； （iv）开发了替代模型的应用，包括饮食限制，限制和缺失的成分； （v）替代模型的安全性和透明度，重点关注用户信任和健康问题。调查还强调了未来研究的有希望的方向，例如整合了深度学习的神经符号技术，并利用知识图来改善推理，旨在指导食物计算和成分替代方面的进步。
政治经济学研究所-Bard Digital Commons
Bard Digital Commons的Bard College Levy经济学学院免费带给您这种开放访问。已被授权的bard数字公共管理员纳入安瓦尔·谢赫（Anwar Shaikh）的档案。有关更多信息，请联系DigitalCommons@bard.edu。
第11章与机器比赛-DigitalCommons@usu
在其2021年人工智能指数中，斯坦福大学报告说，整个美国，只有2.4％的AI博士是非裔美国人（第144页）。他们的2023年报告专注于计算机科学博士，而不是AI，但非裔美国人仍然仅占该专业领域的4.05％（第310页）。尽管这些统计数据不是完全代表性的，但AI是一个高度竞争的领域，并且通常将博士学位列为机器学习研究职位的要求。该报告进一步警告说：“种族和种族，性别认同和性取向缺乏多样性，不仅有风险在劳动力中造成不均匀的权力分布，而且同样重要的是，加强了AI系统产生的现有不平等现象”（斯坦福大学，2021年，第2021页，第3页）。AI社区中的代表性对于最大程度地减少对非裔美国人社区的巨大物质伤害绝对必要。
管理数字公共基础架构作为共享
3多中心原则认识到参与决策的多样性，以及多个政治决策中心的重要性 - 此类中心分布在规模（地方，国家，地区，全球）和部门，并涉及正式和非正式措施。一般参见，·卡罗来纳州Aguerre，Malcolm Campbell-Verduyn，Jan Aart Scholte，“全球数字数据治理：多中心视角”，第1届ED（Routledge，2024）
太平洋rxtracts- 2025年2月 - 学术共享
由人工智能（AI）提供支持的简单心电图（ECG）可以彻底改变预防高血压，从而识别出症状前有风险的人。这项研究证明了AI增强心电图早期预测高血压的潜力，利用AIRE-HTN模型，该模型分析了18万名患者的100万个ECG。来自贝丝以色列执事医疗中心（BIDMC）的队列包括4.7％的亚洲人，12.8％的黑人，5.4％的西班牙裔和64.5％的白人参与者，以确保人口统计学多样性。使用英国生物银行队列进行验证，该验证主要是白色（96.3％），并提供了强大的遗传，临床和生活方式数据。这项研究采用了回顾性队列设计，包括具有常规心电图记录的参与者，没有事先诊断出高血压。深度学习算法应用于ECG数据，提取与高血压风险相关的特征（例如QRS持续时间，心率变异性）。研究人员评估了AIRE-HTN是否提高了预测出现高血压的能力，超出了年龄，性别，血压，种族，普遍的糖尿病（DM）和吸烟状况。根据临床数据（例如血压测量值）对结果进行了验证，并在各个年龄和种族组中评估了模型的表现。通过纳入多样化的人口统计学，该研究涉及特定人群的心电图变化
森塔尼湖案例研究 - Jefferson Digital Commons
1 GFZ 德国地质科学研究中心，地质微生物学分部，14473，波茨坦，德国 2 国家研究与创新机构 (BRIN) 湖沼学与水资源研究中心，KST Soekarno，Jalan Jakarta-Bogor KM 46，Cibinong，Bogor 16911，印度尼西亚 3 托马斯·杰斐逊大学生命科学学院生物与化学科学系，宾夕法尼亚州费城 19144，美国 4 Cendr awasih 大学，数学与自然科学学院生物系，Jl. Kamp. W olker，W aena，J ay a pur a 99358，印度尼西亚 5 波茨坦大学，地质科学研究所，14476，波茨坦，德国 ∗ 通讯作者。GFZ 德国地质科学研究中心，地质微生物学分部，14473，波茨坦，德国。电子邮件：dlipus@gfz-potsdam.de ‡ 两位作者贡献相同 编辑：[Martin W. Hahn]
早产儿中的身体成分-DigitalCommons@umc
1新生儿学系，佛罗里达州中央佛罗里达大学医学院Nemours儿童医院。 melissak.thoene@unmc.edu 3新生儿学系，密苏里大学医学院Mercykids儿童医院，美国密苏里州斯普林菲尔德校园，美国密苏里州斯普林菲尔德，美国密苏里州65804； Zaineh.aljanini@mercy.net 4 Neonatology司，宾夕法尼亚州埃诺拉宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州汉普顿医疗中心部儿科部门17025； palur@pennstatehealth.psu.edu 5 Neonatology，埃默里大学儿科学系和美国亚特兰大的儿童医疗保健，美国佐治亚州30322，美国； kera.michelle.mcnelis@emory.edu *通信：sreekanth.viswanathan@nemours.org
CADASIL-DigitalCommons@TMC
背景：伴有皮质下梗塞和白质脑病的常染色体显性脑动脉病 (CADASIL) 是最常见的遗传性脑小血管病 (CSVD)，其病理学特征为非动脉粥样硬化和非淀粉样弥漫性血管病，主要累及中小型穿透动脉和软脑膜动脉。1996 年，Notch 受体 3 基因 (NOTCH3) 突变被确定为 CADASIL 的病因。然而，从那时起，其他遗传性 CSVD 已被描述，包括 HtrA 丝氨酸肽酶 1 基因相关 CSVD 和蛋白酶 A 基因相关 CSVD，其临床表现与原始表型相似。尽管 NOTCH3 相关脑小血管病现在是一种公认的遗传性疾病，研究这种疾病的研究数量也在增加，但 NOTCH3 在 CADASIL 发病机制中的作用仍然不清楚。综述目的：本综述旨在深入了解遗传性脑小血管病的发病机制和诊断，以及个性化治疗、预测方法和有针对性的预防。在本综述中，我们总结了 CADASIL 的最新进展，包括临床、神经影像学、病理学、遗传学、诊断和治疗方面以及鉴别诊断，其中强调了 NOTCH3 突变的作用。综述的关键科学概念：在本综述中，CADASIL 与其他遗传性脑小血管病一起被重新审视为一种 NOTCH3 相关脑小血管病。2024 作者。由 Elsevier BV 代表开罗大学出版 这是一篇根据 CC BY-NC-ND 许可 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 的开放获取文章。