XiaoMi-AI文件搜索系统
World File Search Systempredicting
带有时间功能的人工智能在预测糖尿病中优于机器学习
2型糖尿病越来越被称为现代可预防的大流行，因为即使有出色的可用治疗方法，糖尿病并发症的速度也迅速增加。预测糖尿病并在早期阶段识别糖尿病可以使其更容易预防，从而使足够的时间在失控之前实施疗法。具有深度学习的纵向电子病历（EMR）数据具有巨大的糖尿病预测潜力。 本文研究了深度学习模型的预测能力与最先进的机器学习模型相反，以结合风险的时间维度。 拟议的研究研究了各种深度学习模型和预测糖尿病的特征。 对模型性能进行了评估，并与主要特征，风险因素，训练数据密度和访问历史相比进行了比较。 该框架是在从加拿大初级保健前哨监视网络（CPCSSN）中提取的19k超过19K患者的纵向EMR记录实施的。 经验发现表明，深度学习模型始终优于其他最先进的竞争者，预测准确性高于91％，而不会过分拟合。 空腹血糖，血红蛋白A1C和体重指数是未来糖尿病发作的关键预测指标。 超重，中年患者和高血压患者更容易患糖尿病，这与已经知道的糖尿病一致。 模型性能会随着训练数据密度或患者的访问历史的增加而提高。具有深度学习的纵向电子病历（EMR）数据具有巨大的糖尿病预测潜力。本文研究了深度学习模型的预测能力与最先进的机器学习模型相反，以结合风险的时间维度。拟议的研究研究了各种深度学习模型和预测糖尿病的特征。对模型性能进行了评估，并与主要特征，风险因素，训练数据密度和访问历史相比进行了比较。该框架是在从加拿大初级保健前哨监视网络（CPCSSN）中提取的19k超过19K患者的纵向EMR记录实施的。经验发现表明，深度学习模型始终优于其他最先进的竞争者，预测准确性高于91％，而不会过分拟合。空腹血糖，血红蛋白A1C和体重指数是未来糖尿病发作的关键预测指标。超重，中年患者和高血压患者更容易患糖尿病，这与已经知道的糖尿病一致。模型性能会随着训练数据密度或患者的访问历史的增加而提高。这项研究证实了LSTM深度学习模型将风险时间维度纳入其预分类能力的能力。
一种可解释的机器学习模型，用于预测机械血栓切除术后缺血性中风的结果
抽象背景在机械血栓切除术（MT）后，急性缺血性中风（AIS）患者的临床结局差异很高。方法217个在2018年8月至2022年1月之间接受MT的前循环大血管闭塞的连续患者。主要结果是功能独立性定义为3个月时修改的Rankin量表得分为0-2。在派生队列中（2018年8月至2020年12月），对70％的患者进行了7个合奏ML模型，并对剩余的30％进行了测试。该模型的性能得到了时间验证队列的进一步验证（2021年1月至2022年1月）。Shapley添加说明（SHAP）框架用于解释预测模型。结果衍生分析产生的9个项目得分（PFCML-MT）包括年龄，国家健康研究所中风量表评分，侧支状态和术后实验室指数（白蛋白与全球蛋白的比例，估计的肾小球过滤率，血液中性粒细胞计数，C-粒细胞计数，C-核酸蛋白质，蛋白质蛋白蛋白，蛋白蛋白胶蛋白，蛋白蛋白蛋白含量和水平。测试集的曲线下面的面积为0.87，时间验证队列为0.84。塑造分析进一步确定了顶部连续特征的阈值。该模型已翻译成一个在线计算器，该计算器可以免费提供给公众（https://zhelvyao-123-60-sial5s.streamlitapp.com）。使用ML和易于使用的功能的结论，我们开发了一种ML模型，该模型有可能在临床实践中使用，以产生对用MT治疗的AIS患者结果的实时，准确的预测。
基于机器学习的调查调查用于预测预后和
此预印本版的版权持有人于2023年8月29日发布。 https://doi.org/10.1101/2023.08.28.555146 doi：Biorxiv Preprint
相关的LNCRNA模型用于预测
子宫菌群子宫内膜癌（UCEC）是发达国家最普遍的恶性肿瘤之一，每年有50,000多人死亡（1）。随着人口的年龄和环境污染的增加，UCEC的发病率和死亡率也上升。年龄，种族和先前恶性肿瘤病史等因素与UCEC的发作密切相关（2,3）。尽管有多种治疗选择，例如手术，放疗和化学疗法，但UCEC仍然容易转移和饲养（4）。基于RNA的治疗剂最近被发现是通过RNA疫苗，RNA免疫调节和RNA干扰来对抗癌症的重要策略（5）。长的非编码RNA（LNCRNA）由200多个核苷酸组成，显示出越来越多地参与各种恶性癌的进展（6）。lncRNA通过靶向miRNA轴（7），参与UCEC细胞增殖，侵袭和代谢变化。实验研究表明，Linc00958调节IGF2BP3的功能，因此参与UCEC的肿瘤发生和进展（8）。鉴于这些关键特征，LNCRNA逐渐成为UCEC的新型诊断和预后生物标志物。
评论文章机器学习算法，用于预测创伤性脑损伤的结果：系统评价和荟萃分析
创伤性脑损伤（TBI）仍然是全世界最普遍的死亡和残疾原因之一。[10,19,38]这些患者的结局的强大预测对于临床决策，家庭咨询和基于需求的护理质量分配至关重要。近年来，TBI研究采用了多种ML模型来预测患者事件和结果。但是，其结果存在很大的可变性。[40-42]在文献中继续报告矛盾的数据；例如，尽管一项研究报告说，基于ML的预测模型比头部创伤患者的经典多元分析更强大，但另一种报道的ML算法在TBI中的预后效果不及常规预后。[15]据我们所知，没有系统的审查比较用于预测TBI预测的各种ML模型。进行了当前的系统综述和荟萃分析，以总结和分析有关基于ML的TBI结果预测的可用临床文献。我们对可用研究进行了小型的荟萃分析，以估计基于ML的TBI结果的预测性能。
量子描述符，以预测和理解 -
图1：示例激活的油脂和靶向共价抑制剂（TCIS）。a）活化的ol填充物的结构。单一或双重激活的油脂是指用一个或两个吸电子基团（EWG）取代的α取代。发生了硫醇添加的β碳，用星号表示。b）示例单激活（15）和双重激活（1）olefins。丙烯酰胺组被一个虚线的盒子突出显示。c）EGFR前袋的缩放视图（在表面渲染中），其中Afatinib共价连接到C797。附近的天冬氨酸D800也标有标签。下面给出了三个FDA批准的EGFR TCI的结构（红色框）。监管批准年份在括号中。
免疫相关的基因预后指数，用于预测结直肠癌患者的预后
方法：分别从癌症基因组图集（TCGA）和基因表达综合（GEO）数据库中获取CRC患者的RNA序列数据和临床信息，分别是培训和验证集。免疫相关的基因数据是从Inmport和IntedB数据库中获得的。加权基因共表达网络分析（WGCNA）用于鉴定与免疫相关的基因。然后使用COX回归方法构建了IRGPI。基于IRGPI的中位风险评分，患者可以分为高风险和低风险组。为了进一步研究免疫学差异，进行了基因集变异分析（GSVA）研究。此外，使用施加和相关功能分析的免疫细胞用于识别差异免疫细胞亚群和相关功能途径。
引用Zhu J-L，Xu X-M，Yin H-Y，Wei J-R和Lyu J（2023），《预测住院时间超过14 da
心室间隔缺陷（VSD）是先天性心脏病的最常见形式，约占先天性心脏病病例的40％（Penny and Vick，2011年）。VSD导致血液分流，从而导致肺部血管的肺部血液循环体积和病理变化增加，这使得患有VSD的儿童特别容易发生肺部感染。随着疾病的发展，当肺循环压力高于全身循环压力时，血液从右侧到左心室的流动会增加左心室的预紧力，从而很容易导致心力衰竭。年轻婴儿的肺泡发育不是完美的，呼吸系统不成熟，并且肺泡II型上皮细胞的合成功能是有效的，导致肺泡表面活性剂的产生较少，因此呼吸功能不成熟。肺动脉症和感染都可能导致氧动脉部分压力降低，这进一步导致呼吸率变化。感染的发生可能是VSD患者长时间住院的危险因素。延长医院可能会进一步增加医院感染的可能性。肺部感染可能会导致肺间隙水肿，导致肺通风和低氧血症减少，最终导致呼吸迅速。某些情况的感染诊断尚不清楚，因此很难确定住院是否延长。因此，我们将本研究的结果设定为住院时间超过14天。但是，呼吸率（RR）是一个易于监控的指标，其测量精度很高，因此它可能具有住院时间的预测价值。一项研究发现，入院率高的呼吸率与疗养院接纳的患者的院内死亡率的增加有关（Myint等，2011）。我们旨在开发一个列图，以评估小儿VSD患者的住院风险超过14天。我们希望临床医生能够根据戒号模型中风险因素的变化进行及时调整治疗方案，以减少小儿VSD患者住院治疗。
任务环境对预测脑机接口中手指运动的影响
摘要 将脑机接口 (BMI) 应用于临床以恢复手部运动功能的一个关键因素是其对任务变化的稳健性。例如，使用功能性电刺激 (FES)，患者自己的手将用于在其他方面类似的运动中产生各种各样的力量。为了研究任务变化对 BMI 性能的影响，我们训练了两只恒河猴用它们的物理手控制虚拟手，同时我们在每个手指组（食指或中指-无名指-小指）中添加弹簧或改变它们的手腕姿势。通过同时记录皮层内神经活动、手指位置和肌电图，我们发现在一种环境下训练的解码器不能很好地推广到其他环境下，导致预测误差显著增加，尤其是对于肌肉激活。然而，对于虚拟手的在线 BMI 控制，在线控制期间改变解码器训练任务环境或手的物理环境对在线性能几乎没有影响。我们通过展示神经群体活动的结构在新的环境中保持相似来解释这种二分法，这可以实现在线快速调整。此外，我们发现神经活动会根据新环境中所需的肌肉激活按比例改变轨迹。神经活动的这种转变可能解释了对非背景运动学预测的偏差，并提出了一种特征，该特征可以帮助预测不同幅度的肌肉激活，同时产生相似的运动学。
深度循环网络预测绝热量子计算中的间隙演变
在绝热量子计算中，找到汉密尔顿量间隙随绝热扫描过程中变化的参数的依赖关系对于优化计算速度至关重要。受这一挑战的启发，在本文中，我们探索了深度学习的潜力，即应用不同的网络架构发现从完全识别问题汉密尔顿量的参数到前面提到的间隙参数依赖性的映射。通过这个例子，我们推测这类问题可学习性的一个限制因素是输入的大小，也就是说，识别汉密尔顿量所需的参数数量如何随系统大小而变化。我们表明，当参数空间随系统大小线性扩展时，长短期记忆网络能够成功预测间隙。值得注意的是，我们表明，一旦将这种架构与卷积神经网络相结合来处理模型的空间结构，甚至可以预测比神经网络在训练期间看到的系统尺寸更大的系统尺寸的间隙演变。与现有的计算间隙的精确和近似算法相比，这提供了显著的速度提升。