XiaoMi-AI文件搜索系统
World File Search Systempredicted
静脉溶栓后，通过机器学习预测与急性缺血性中风相关的糖尿病的结果
本队列研究旨在利用机器学习技术评估急性缺血性卒中 (AIS) 合并糖尿病患者静脉溶栓后的预后结果。分析使用来自沈阳市第一人民医院的数据进行，涉及 2018 年 1 月至 2023 年 12 月接受溶栓治疗的 3,478 名患有糖尿病的 AIS 患者，最终在筛选后关注 1,314 名患者。测量的主要结果为 90 天改良 Rankin 量表 (MRS)。采用 80/20 的训练测试分割进行模型开发和验证，采用各种机器学习分类器，包括人工神经网络 (ANN)、随机森林 (RF)、XGBoost (XGB) 和 LASSO 回归。结果表明，XGB 模型的平均准确率为 0.7355 (±0.0307)，优于其他模型。溶栓后预后的关键预测因素包括美国国立卫生研究院卒中量表 (NIHSS) 和血小板计数。研究结果强调了机器学习算法（尤其是 XGB）在预测糖尿病 AIS 患者功能结果方面的有效性，为临床医生提供了有价值的治疗计划工具，并根据接收者操作特性 (ROC) 分析和准确性评估改善了患者结果预测。
宿主运动主导着气候变化对野生山和家庭山之间寄生虫传播的预测影响
气候变化正在转移寄生虫的传播，寄生虫由宿主密度，环境温度和水分确定。这些转变会导致寄生虫，野生动物和家畜的压力增加，并可能影响寄生虫控制策略的有效性。了解气候对宿主运动和寄生虫生命历史的互动效果将使有针对性的寄生虫管理，以确保牲畜生产力并避免对野生动植物种群的额外压力。为了评估气候变化下的复杂结果，我们根据宿主运动和由于升高而导致的非生物因素的变化，将胃肠线塑料传输模型应用于山地野生动植物 - 牲畜系统，并比较了预计的气候变化情景与历史气候。野生动植物主持人，高山Ibex（Capra Ibex Ibex），经历季节性高度移民和牲畜在夏季放牧八个星期。总寄生虫感染压力对宿主运动更敏感，而不是气候条件对寄生虫的可用性的直接影响。预计扩展的牲畜放牧将增加野生动植物的寄生虫暴露。这些结果表明，在预测气候变化对寄生虫传播的影响时，应考虑不同宿主物种的运动，并可以为支持野生动植物和牲畜健康的决策提供信息。
从1990年到2021年，亚洲神经疾病的负担及其预测水平到2045年：全球疾病的负担
©作者2025。Open Access本文在创意共享属性下获得许可 - 非商业 - 非洲毒素4.0国际许可证，该许可允许以任何中等或格式的任何非商业用途，共享，分发和复制，只要您与原始作者提供适当的信誉，并为您提供了符合创造性共识许可的链接，并提供了持有货物的启动材料。您没有根据本许可证的许可来共享本文或部分内容的适用材料。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。
通过现实世界中的初级卫生保健数据培训或验证的机器学习诊断和预后模型预测的临床健康状况的系统评价
随着技术和数据科学的进步，机器学习（ML）被医疗保健部门迅速采用。但是，缺乏文献解决了迄今为止，基本卫生保健（PHC）中ML预测模型针对的健康状况。为了填补知识的这一空白，我们按照PRISMA指南进行了系统的审查，以确定ML在PHC中针对的健康状况。我们搜索了Cochrane图书馆，科学Web，PubMed，Elsevier，Biorxiv，计算机协会（ACM）和IEEE Xplore数据库，用于1990年1月至2022年1月发表的研究。我们包括了针对ML诊断或预后预测模型的主要研究，这些模型完全或部分由现实世界中的PHC数据提供。两名研究人员进行了研究选择，数据提取和偏见评估的风险，使用了偏见评估工具的风险。根据国际疾病分类（ICD-10）对健康状况进行分类。提取的数据进行定量分析。我们确定了106项研究42个健康状况的研究。这些研究包括来自19个国家 /地区2420万参与者的PHC数据提供的207毫升预测模型。我们发现92.4％的研究是回顾性的，而77.3％的研究报告了诊断性预测性ML模型。所有研究中的大多数（76.4％）是用于模型开发的情况，而无需进行外部验证。偏见评估的风险表明，90.8％的研究具有偏见的高风险或不清楚的风险。最常见的健康状况是糖尿病（19.8％）和阿尔茨海默氏病（11.3％）。我们的研究提供了有关PHC中目前可用的ML预测模型的摘要。我们在这方面引起了数字健康政策制定者，ML模型开发人员和医疗保健专业人员的关注。
鉴定34,964例病例和448,579例对照中与非小细胞肺癌风险相关的遗传预测的DNA甲基化标记
Xiaoyu Zhao，MS 1,2，Meiqi Yang，MS 1，Jingyi Fan，PhD 1,3,4，Mei Wang，MS 1，Yifan Wang，MS 1，Na Qin，Na Qin，PhD 1,3，Meng Zhu，Meng Zhu，Phd 1,3,5，Yue Jiang，Phd 1,3，Olga，Olga，Olga，Olga，Olga，Olga，Olga，Olga Y. Gorlova，PhD 6,7，Ivan PhD，PhD，PhD 6,7，苏格兰的Demetrius，医学博士，博士，博士，博士8 8，MD 8，MD 8，MD，PHD 9，PD 10，PD 10，PD 10，PD 10，PD 11，PD 11，PD 11，PD 11，PD 11，PD 11医学博士Bojesen，博士13,14，Maria Teresa Landi，医学博士，博士15，Matias Johansson，PhD 16，Angela Risch，PD 17,19，H.- Erich 17,19，H.- Erich 20，H.- Erich 20，PD 20，PD 20，PD 20，PD 22，加德·雷纳特（Gad Rennert） Rayjee J.Hung，博士29，Ansilline S. Andrew，博士30，Lambertus A. Kinkus A. PhD，博士31，A博士31，A。 35，Penella J Woll，博士36，Philip Lazarus，Phd 37，Matthew B. Schate B. Schabath，博士38，Melinda C. Aldrich，博士学位39，博士39，Spael V.Hung，博士29，Ansilline S. Andrew，博士30，Lambertus A. Kinkus A. PhD，博士31，A博士31，A。 35，Penella J Woll，博士36，Philip Lazarus，Phd 37，Matthew B. Schate B. Schabath，博士38，Melinda C. Aldrich，博士学位39，博士39，Spael V.
使用支柱/ ... div>的大脑器官的动态培养
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）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2月27日。 https://doi.org/10.1101/2025.02.27.639550 doi：Biorxiv Preprint
通过机器学习预测磷光能和推断波函数定位
sets using HIPNN and HIP-loc, training and testing parity plots of predicted versus true D E on thermal conformers sampled around equilibria of S 0 and T 1 using HIPNN and HIP-loc, RMSD of optimized geometries using the HIP-loc T 1 potential and energy error plots at those geometries, absolute errors in D E as a function of number of atoms, parity plots of predicted versus true D E for the extensibility set categorized by chemical similarity, localization of singlet – triplet transition for select molecules of the extensibility set computed from DFT spin density and HIP-loc weights, conformation-dependent localization of singlet – triplet transitions in molecules with a single torsional angle, and molecular animations of torsional scans including that of the molecule in Fig.5。参见doi：10.1039/d1Sc02136b
González-Domínguez，JM。；莱昂（León）密歇根州卢西奥； Prato，M。； Vázquez，E。（2018）。在水性悬浮液中生产现成的几层石墨烯。 na
Highlights • Fertility differentials among inbred lines are not predicted by routine semen analysis • Host genetic diversity affects the fertility rate • Host genetic diversity affects the bounty of bacteria in sperm microbiota • Sperm microbiota exhibit an inbred line-specific variation in bacterial occurrence • Symbiotic sperm microbiota could be potentially correlated with reproductive disorders
使用机器学习预测3D打印零件的孔隙率和微观结构
Table 9: Comparison of input parameters of data points from research paper with simulation data points ............................................................................................................................................. 44 Table 10: Results of columnar/equiaxed grains for data from research paper (Newell et al., 2019) ....................................................................................................................................................... 45 Table 11: Actual vs predicted results by different ML models for data from research paper ...... 45
Understanding Consumer Preferences for Movie Trailers from EEG using Machine Learning
Abstract —Neuromarketing aims to understand consumer be- havior using neuroscience. Brain imaging tools such as EEG have been used to better understand consumer behavior that goes beyond self-report measures which can be a more accurate measure to understand how and why consumers prefer choosing one product over another. Previous studies have shown that consumer preferences can be effectively predicted by under- standing changes in evoked responses as captured by EEG. However, understanding ordered preference of choices was not studied earlier. In this study, we try to decipher the evoked responses using EEG while participants were presented with naturalistic stimuli i.e. movie trailers. Using Machine Learning techniques to mine the patterns in EEG signals, we predicted the movie rating with more than above-chance, 72% accuracy. Our research shows that neural correlates can be an effective predictor of consumer choices and can significantly enhance our understanding of consumer behavior. Index Terms —Neuromarketing, EEG, Machine Learning, Dis- crete Wavelet Decomposition