XiaoMi-AI文件搜索系统
World File Search Systempredicting
一种机器学习方法来预测网络结构的动态可观察物
从结构特征估算给定动力学过程的结果是网络科学中的关键尚未解决的挑战。与非线性，相关性和复杂系统的结构和动力学之间的反馈相关的困难阻碍了这个目标。在这项工作中，我们开发了一种基于机器学习算法的方法，该方法为理解网络的结构和动态之间的关系提供了重要的一步。，它使我们能够从网络结构中估计疾病的暴发大小，从单个节点开始，以及由库拉莫托振荡器组成的系统的同步性程度。我们显示网络的哪些拓扑特征是此估计的关键，并提供了比以前更高的网络指标的重要性。对于流行病的传播，K核发挥了基本作用，而对于同步，中间性和可及性是与振荡器状态最相关的措施。
禁食血糖与淋巴细胞比率预测不稳定心绞痛患者的长期心脏死亡率
摘要背景：这项回顾性研究旨在探索对冠状动脉病变严重程度和不稳定Angina pectoris（UAP）患者的冠状动脉病变严重程度和长期心脏死亡率的空腹血糖与淋巴细胞计数比（GLR）的预测价值，这尚未被报道过。方法：4110名UAP患者包括在研究中。根据其GLR值将患者分为两组，并接受平均36个月。的结果，包括心脏死亡率，全因死亡率和重新寄养率，并确定了长期心脏死亡率GLR的预测价值。结果：在所有患者中，有865名（21.0％）被重新住院，103例（2.5％）死亡，其中包括39例心脏死亡（0.9％）。与低GLR组相比，高GLR组的语法得分更高（P <0.001）。高GLR组的心脏死亡率（p = 0.006）和重新住院（p = 0.004）的速率更高。Kaplan-Meier曲线表明，GLR≥3.38（p = 0.005）时，心脏死亡率较高（P = 0.005）。接收器工作特性（ROC）分析表明，2.9861的GLR是预测心脏死亡率的有效截止值（P = 0.001）。多元COX回归分析表明，血清肌酐（P = 0.003），GLR（P = 0.029）和语法得分（P <0.001）是心脏死亡率的独立预测指标。结论：GLR与冠状动脉病变严重程度显着相关，可以用作UAP患者心脏死亡率的独立预测指标。
一个可解释的机器学习模型，用于预测 -
呼吸机相关肺炎（VAP）是重症监护病房（ICU）的机械通气（MV）的患者中医院获得的主要肺炎[1]。最近的研究表明，在MV的ICU患者中，VAP发病率可以达到24％-39％[2]，死亡率跨度为25％至50％[3]。VAP显着负担医疗保健系统，导致医疗支出增加，ICU停留时间更长和ICU死亡率更高[4]。因此，开发和部署精确且可靠的临床工具来评估VAP患者死亡率风险不仅在促进早期临床决策中起着重要作用，而且在合理的现有医疗资源分配方面发挥了重要作用[5]。在临床实践中，许多疾病严重程度评分系统，例如急性生理学评分（APS III），简化的急性生理评分（SAPS II），逻辑器官功能障碍系统（LODS）和牛津疾病的急性疾病急性疾病急性严重分数（OASIS），可用于ICU患者的风险评估[3]。然而，由于其复杂性和耗时的计算，通常使用APS III和SAPS II等评分系统对临床操作施加了额外的攻击。此外，这些评分系统的特异性通常是次要的，因为它们主要评估ICU患者状况的总体严重程度，并且可能无法有效预测VAP患者的死亡风险。一项荟萃分析表明，已经采用了各种ML技术来开发VAP的早期预测模型，其中大多数证明了有希望的预测性能[8]。近年来，人工智能的快速发展（AI），尤其是机器学习（ML），人们对其在临床应用中的巨大潜力引起了巨大的兴趣，逐渐转化了重症监护医学并推进了精确医学的发展[6，7]。尽管如此，仍然很少有预测模型指定了VAP患者中住院内死亡风险的规定[9]。本研究旨在开发一个有效的ML模型，以根据重症监护IV（MIMI-C-IV）数据库的医学信息MART预测VAP患者的院内死亡率风险，并通过外部测试来验证该模型的普遍性。更重要的是，Shapley添加说明（SHAP）被用来产生可解释的预测结果，并开发了一种基于Web的工具来促进有效的风险评估，从而使医疗保健专业人员能够做出更有效的临床决策。
使用液滴数字PCR检测尿液循环肿瘤DNA，以预测肝细胞癌复发
1肝脏外科和移植系，肝癌研究所，中国福丹大学，上海200032，中国肝癌医院。 2癌变和癌症入侵的关键实验室（Fudan University），教育部，上海200032，中国。 3中国医学学院的肝癌复发和转移的肝癌复发和转移单元，中国北京100010。 4肝癌研究所，肝癌研究所，中山医院，福丹大学，上海200032，中国。 5林克西亚人民医院，林克斯市731100，普通外科部，中国。 6 Fudan University，Fudan University，上海200032，中国。 7基因工程的国家主要实验室，福丹大学，上海200032，中国。 8上海福丹大学中心医院重症监护室，200032年，中国。 ＃作者同样贡献。1肝脏外科和移植系，肝癌研究所，中国福丹大学，上海200032，中国肝癌医院。2癌变和癌症入侵的关键实验室（Fudan University），教育部，上海200032，中国。3中国医学学院的肝癌复发和转移的肝癌复发和转移单元，中国北京100010。4肝癌研究所，肝癌研究所，中山医院，福丹大学，上海200032，中国。 5林克西亚人民医院，林克斯市731100，普通外科部，中国。 6 Fudan University，Fudan University，上海200032，中国。 7基因工程的国家主要实验室，福丹大学，上海200032，中国。 8上海福丹大学中心医院重症监护室，200032年，中国。 ＃作者同样贡献。4肝癌研究所，肝癌研究所，中山医院，福丹大学，上海200032，中国。5林克西亚人民医院，林克斯市731100，普通外科部，中国。 6 Fudan University，Fudan University，上海200032，中国。 7基因工程的国家主要实验室，福丹大学，上海200032，中国。 8上海福丹大学中心医院重症监护室，200032年，中国。 ＃作者同样贡献。5林克西亚人民医院，林克斯市731100，普通外科部，中国。6 Fudan University，Fudan University，上海200032，中国。 7基因工程的国家主要实验室，福丹大学，上海200032，中国。 8上海福丹大学中心医院重症监护室，200032年，中国。 ＃作者同样贡献。6 Fudan University，Fudan University，上海200032，中国。7基因工程的国家主要实验室，福丹大学，上海200032，中国。8上海福丹大学中心医院重症监护室，200032年，中国。 ＃作者同样贡献。8上海福丹大学中心医院重症监护室，200032年，中国。＃作者同样贡献。
一个新的诺夫图，用于预测基于24的预后...
背景和客观：在溶栓后使用人群数据来构建血压变异性（BPV）的预测模型的研究不足，无法估算随后的急性缺血性中风（AIS）患者的发展。这项研究的目的是构建和验证一种模型，该模型在溶栓治疗后24小时使用BPV来预测AIS患者的结果。方法：构建和验证溶栓治疗后24小时使用BPV的模型来预测AIS患者的结果。结果：该研究总共有503例接受静脉溶栓治疗的急性缺血性中风患者。多变量分析结果已经描绘了几个关键因素，这些因素在AIS患者中显着预后不良预后：最初的国家健康研究所中风量表评分，记录的高血压病史，高血压病史，收缩压和舒张性血压的变化，如其标准偏差和血液差异24小时，并表明了24小时的差异。这些决定因素已成为实质性预测因素，阐明了AIS治疗后影响患者预后的临床参数的复杂相互作用。在开发和验证队列中，拨号图下的曲线面积估计了不利预后的概率，确定为0.876（95％CI：0.84-0.913）和0.849（95％CI：0.784-0.913）。校准曲线揭示了命名图的预测概率与验证集中观察到的实际结果之间的一致性。此外，决策曲线分析强调了预后模型的显着临床实用性和鲁棒的适用性，这说明了其有效指导临床决策的潜力。结论：由于其优异的预测准确性，判别能力和临床实用性，该图是评估溶栓治疗后AIS患者可能不良结果的重要辅助工具。
生物标志物用于预测...
摘要。在心脏手术期间以及泵的CABG中，监测动脉血液参数至关重要，以评估手术室中可能发生的患者状况和风险。在某些情况下，不可自行的患者的心脏活动不可自行，需要进行复苏措施。因此，该研究的目的是分析两组患者之间的差异（心脏活动的自我纠正与其他复苏措施），并确定潜在的动脉血液参数，以表明患者处于危险之中。用Python包装分析了21名患者的数据。在以下动脉血液参数中发现了对照组（心脏活性的自我恢复）和测试组（需要进行其他复苏措施）之间存在统计学上的显着差异：钠，氯化物，葡萄糖和血液渗透压的水平。我们认为，低钠血症和血液缺乏症可能是细胞水肿的原因，它会导致心脏更大的负载，并导致心脏活动的自我恢复。关键字：心脏活动，等离子体渗透压，细胞水肿，泵室CABG，心血管疾病。
预测病毒进化的概念和方法
季节性人类流感病毒经历快速进化，导致每年流行的病毒株发生显著变化。这些变化通常是由适应性突变引起的，特别是抗原表位，即人类抗体靶向的病毒表面蛋白血凝素区域。在这里，我们描述了一套一致的数据驱动的病毒进化预测分析方法。我们的流程整合了四种类型的数据：（1）全球范围内收集的病毒分离株的序列数据，（2）发病率的流行病学数据，（3）流行病毒的抗原特征，以及（4）内在病毒表型。通过对这些数据的综合分析，我们可以获得流行菌株的相对适应度估计值和长达一年的进化枝频率预测值。此外，我们还获得了候选疫苗株对未来病毒种群保护的比较估计值，为预防性疫苗株选择提供了基础。在网站 previr.app 上可以获取从流感和 SARS-CoV-2 预测管道获得的持续更新的预测。
项目标题：用于预测治疗后结果的数字双胞胎
尽管在材料科学中广泛使用，并且最近对医疗领域的兴趣很大，但数字双胞胎的出版物不到10％提到了大脑。却能够预测大脑对人体癌症化学疗法等干预措施的反应，或者在大脑本身上进行癫痫手术以阻止癫痫发作，这是非常有价值的。我们最近获得了两个非常大的（106厘米）的视野正电子发射断层扫描（PET）“ Total Body”（TBP）扫描仪的资金。现在，由于肿瘤学的原因扫描身体的其余部分时，他们将定期将大脑包括在视野中，相反，当大脑被扫描时，将包括大部分身体，例如癫痫手术前。在这个项目中，我们将首先利用通过TBP收集的额外信息来模拟脑FDG分布的身体决定因素。然后将应用这些模型来预测对化疗和癫痫手术的反应。项目描述
在堆叠的机器学习技术上进行积极学习，以预测碱激活的超高绩效混凝土的压缩强度
抽象的传统超高性能混凝土（UHPC）具有卓越的开发潜力。然而，在整个水泥制造过程中产生了大量的CO 2，这与当前在全球范围内降低排放和保存能量的趋势相反，从而限制了UHPC的进一步发展。考虑到气候变化和可持续性问题，无水泥，环保，碱活化的UHPC（AA-UHPC）材料最近受到了广泛关注。在旨在降低实验工具和人工成本的高级预测技术的出现之后，本研究提供了基于机器学习（ML）算法的不同方法的比较研究，以提出一种基于活跃的学习ML模型（AL-STAKED ML），以预测AA-UHPC的压缩强度。收集了包含284个实验数据集和18个输入参数的数据丰富的框架。对可能影响AA-UHPC抗压强度的输入特征的重要性进行了全面评估。结果证实，在本研究中已经测试过的不同一般实验标本的堆叠式ML-3可用于98.9％的AL-3。主动学习可以提高精度高达4.1％，并进一步增强堆叠的ML模型。此外，通过实验测试引入并验证了图形用户界面（GUI），以促进可比的前瞻性研究和预测。
使用机器学习和物联网预测心脏病......
如今，社会上各个年龄层的心脏病发病率都在上升。因此，有必要建立机器学习系统，以便能够在早期发现和预防心脏病的迹象。还必须有一个方便且同时值得信赖的机制。因此，我们建议创建一个应用程序，可以根据年龄、性别、心电图、心率、胸痛、胆固醇、血压、血糖等基本症状预测心脏病的可能性。该方法将使用使用机器学习算法训练的各种模型，例如支持向量机、朴素贝叶斯分类器和决策树。将测量和区分该方法的准确性，以选择用于评估心脏病的最佳模型。在线医疗保健的最新进展可用于物联网和传感应用。在医疗领域，物联网设备和云计算技术用于管理大量数据。