XiaoMi-AI文件搜索系统
World File Search Systempredict
时间序列分析和建模以预测航空安全性能指数
摘要。安全绩效指数是一种工具，它具有把握航空安全无形领域的潜力，基于对有意义的航空安全系统属性的量化。该工具本身以航空性能因子的形式开发，已在航空业使用。然而，由于其潜力尚未得到业界充分认可，因此该工具并不成功。本文介绍了对潜力的分析，并概述了利用时间序列分析的新功能，这既可以提高业界对该指数的认可度，也可以激发进一步研究和开发使用其量化系统属性评估整体航空安全绩效的方法的动机。本文不仅讨论了这些特征，还讨论了它们如何嵌入现有的航空安全发展方法中，强调了可能需要克服的缺陷，并介绍了该领域已经开展的科学工作。讨论了各种适当的时间序列方法，并针对所讨论的安全绩效指数问题阐述了它们使用的关键规范。
人工智能可以预测好鸡蛋和坏鸡蛋吗？
背景：Future Fertility 的 Violet 是一种人工智能图像分析卵子评估工具，适用于寻求选择性卵母细胞保存的患者。该技术用于识别成熟卵子的相对活力，从而为每位患者量身定制个性化治疗计划。该软件检测卵母细胞中的模式，以便更好地了解卵子质量。对于已知存在与卵子质量相关的问题的老年患者，它可能特别有影响，特别是考虑到他们可能没有太多机会进行多个周期。虽然我们目前有评估精子质量和胚胎质量的方法，但确定成功卵母细胞的指导方针非常有限。Violet 是目前唯一用于预测卵子质量的客观评估工具。目前的研究表明，Violet 比训练有素的胚胎学家高出 20% 以上，可重复性为 100%。需要更多数据来评估 Violet 的可行性，以便更好地评估其在改善 IVF 结果方面提供的价值。
新型人工智能模型助力预测退伍军人自杀风险
对模型预测影响最大的因素是社会人口统计数据（男性或非西班牙裔白人——风险较高；年龄较大——风险较低）、陆军职业特征（战斗相关职责或服役年限少于 20 年——风险较高；光荣退伍——风险较低）和心理健康因素（酒精相关门诊就诊、精神障碍住院治疗和服役期间的自杀意念——均与较高风险相关）。
理想体重和体脂百分比预测相对...
背景：低能量利用率（LEA）是运动相对能量缺乏症（RED-S）的根本原因，会对运动员的生理机能、健康和表现产生负面影响。RED-S 是由于饮食摄入不足以支持日常生活、生长和最佳表现所需的能量消耗所致。无论有无饮食失调，男性和女性运动员都会患上该病。然而，运动员的筛查和诊断可能很困难。目的：本研究旨在确定 RED-S 的强有力预测因素，并评估其在大学男女运动员中的患病率。方法：根据体脂百分比和实际体重与理想体重之间的差异，对来自混合运动的 270 名 NCAA 运动员测试点进行了 RED-S 评分评估。运动员完成了一份身体健康问卷和一份身体成分评估（BodPod®）。RED-S 累积风险评估图表是根据问卷创建的。结果：体重差异本身与 RED-S 评分无关，但当纳入 BF% 时，体重差异成为显著预测因素 (p < 0.01)。只有当体脂百分比升高时，低于理想体重的体重差异才可预测 RED-S。研究发现 30.1% 的运动员有中等 RED-S 风险。结论：当控制 BF% 时，发现体重差异是 RED-S 的独立预测因素。需要进一步研究以确定针对大学生运动员 RED-S 的其他筛查和预防策略。
突变模式可预测急性髓系白血病的药物敏感性
未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者（此版本于 2023 年 5 月 24 日发布。；https://doi.org/10.1101/2023.05.24.541944 doi：bioRxiv preprint
人工选择和皮肤微生物组独立预测寄生虫抗性
。cc-by-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月28日。 https://doi.org/10.1101/2024.10.19.619196 doi：Biorxiv Preprint
异染料素感应组蛋白脱甲基酶IBM1
。cc-by 4.0未经同行评审获得的未获得的国际许可证是作者/筹款人，他已授予Biorxiv的许可证，以永久显示预印本。它是此预印本的版权持有人（该版本发布于2024年4月6日。; https：//doi.org/10.1101/2024.04.04.04.05.588317 doi：biorxiv Preprint
整合遗传学和血浆蛋白质组来预测 2 型糖尿病的风险
摘要 综述目的 蛋白质是从基因组到表型组的信息传递的核心层，是最大的药物靶标类别。我们回顾了高通量技术的最新进展，这些技术提供了全面、可扩展的血浆蛋白质组分析，有可能提高对 2 型糖尿病 (T2D) 的预测和机制理解。 最新发现 技术和分析的进步使得人们能够识别新的蛋白质生物标志物和特征，这有助于解决现有方法预测和筛查 2 型糖尿病的挑战。到目前为止，基因研究仅揭示了与 2 型糖尿病相关的少数蛋白质的推定因果作用，但正在进行的大规模血浆蛋白质组基因研究将有助于解决这一问题，并增加我们对导致糖尿病的病因途径和机制的理解。 摘要 人类血浆蛋白质组的研究已经开始阐明其在 2 型糖尿病预测和生物标志物发现方面的潜力。未来整合基因组和蛋白质组数据的研究将提供机会优先考虑药物靶标并确定将遗传易感性与 2 型糖尿病发展联系起来的途径。
开发和验证模型，以预测增生性糖尿病性视网膜病的进展
目的：开发非增殖性糖尿病性视网膜病（NPDR）进展的模型，以增殖性糖尿病性视网膜病（PDR），并确定合并更新的信息是否改善了模型性能。设计：回顾性队列研究。参与者：来自加利福尼亚大学旧金山大学（UCSF）的第三级学术中心的电子健康记录（EHR）数据，以及扎克伯格旧金山总医院（ZSFG）医院的安全网医院不能用来识别NPDR诊断，年龄诊断为1或2型糖尿病的诊断，诊断为1或2型糖尿病的诊断。索引日期之前的PDR（EHR中首次NPDR诊断的日期）。方法：开发了四个生存模型：COX比例危害，具有向后选择的COX，具有套索回归的Cox和随机生存林。对于每个模型，比较了三个变量集，以确定包括更新的临床信息的影响：静态0（静态日期的数据），静态6M（索引日期后6个月进行了静态更新）和动态（在6个月期间静态0加数据和数据更改中的数据更改）。将UCSF数据分为80％的培训和20％的测试（内部验证）。ZSFG数据用于外部验证。模型性能由Harrell的一致性指数（C-Index）评估。主要结果指标：PDR的时间。结果：UCSF队列包括1130名患者，92例（8.1％）患者发展为PDR。ZSFG队列包括687例患者和30名患者（4.4％）患者。所有模型在内部验证中类似地执行（C-Indices W 0.70）。带有静态6m集的随机生存森林在外部验证中表现最好（C-Index 0.76）。保险和年龄都被所有模型选择或排名为非常重要的。其他关键预测因子是NPDR严重程度，糖尿病神经病，中风数量，平均血红蛋白A1C和住院次数。结论：我们将NPDR进展为PDR的模型实现了可接受的预测性能，并在外部环境中得到了很好的验证。使用新的临床信息更新基线变量并不能始终如一地提高预测性能。财务披露：参考文献后可以找到专有或商业披露。眼科科学2023; 3：100276ª2023撰写的美国眼科学会。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
使用脑电图和机器学习来预测有天赋的孩子
有天赋的学生具有更高的理解和学习能力。它们的特征是在课堂上高水平的关注和高性能。有天赋的儿童在本文中定义为高于Average群体的儿童（59.64％）。为了预测挪威学生的有天赋的学生，我们进行了一个实验，其中有17名学生自愿参加了这项研究。我们在网络平台中收集了不同类型的数据（性别，年龄，绩效，数学和脑电图状态的初始平均），以学习称为Netmath的数学。参与者被邀请对小数的四个基本操作进行回应。我们培训了不同的机器学习算法来预测有天赋的学生。我们的第一个结果表明，决策树可以准确地预测有才华的学生76.88％。使用J48树，我们还注意到两个相关特征可以决定有天赋的孩子：从EEG耳机中提取的放松和强大的学生的特征。一个强大的学生被定义为一名学生，在课堂上的第一步评估中，平均值高于该小组的平均值。