XiaoMi-AI文件搜索系统
World File Search Systempredicting
AI在预测不良药物反应中的作用
摘要在药物宣传中引入人工智能可能是预测不良药物反应并提高患者安全性的变革步骤。使用结构化电子健康记录（EHR）数据和非结构化社交媒体数据，我们评估了三种AI模型，梯度增强，卷积神经网络（CNN）和长期记忆（LSTM）网络的预测能力。我们使用多个性能指标（AUC-ROC，灵敏度，特异性，F1分数）评估模型，以评估其预测各种患者人口统计学的ADR的能力。我们发现CNN是社交媒体数据的最佳分类器，其AUC-ROC为0.91和90％的敏感性，并且梯度提升是结构化EHR数据的最佳分类器，其AUC-ROC为0.89。特征重要性分析和Shapley加性解释（SHAP）提供了模型的解释性，并表明患者年龄，药物类型和剂量是重要的预测因子。分析确定了自然语言处理（NLP）在从非结构化数据源中提取ADR信号以补充传统药物宣传方法的潜力。该研究旨在根据道德数据隐私和模型透明度考虑来满足监管标准。这项工作表明，AI模型可以提高ADR预测准确性，并有助于主动的患者安全方法。准确性和可解释性之间的权衡将应用于临床应用，并探索了数据标准化和混合AI模型的未来方向。
AI驱动的金融犯罪预防具有网络安全，IT和数据科学的现代银行业务
的方法和方法（例如系统动力学建模（SDM））对于评估许多系统的行为很重要。但是，在传统方法中应用的经典方法论无法识别非线性反馈和权力依赖性，从而揭示了隐藏的时间休闲关系。在本文中，我提出了一种新颖的方法，该方法结合了ML和因果推理方法，以提高系统动力学模型的预测能力和语义。将ML算法纳入了预测和因果推理技术的解释时，这种联合策略为理解系统相互作用并量化了各种系统中的隐藏原因提供了一个新时代。我们通过采用它来分析预后和发现因果关系的真实情况，说明了建议的框架比传统SDM的优势以及纯粹的ML方法。我们的发现表明，这种集成有效地增强了对系统相互作用的理解，并得出了一种可靠的方法来估计复杂环境中后续状态的情况。结果与各个学科有关，从经济学开始，并以环境保护科学结束，在这种情况下，相互作用和变化的变化各不相同。因此，它将为将未来的计算机化方法整合到下一代的动态系统建模中的进一步研究为基础。
预测1型糖尿病肾脏下降的Promarkerd结果
关于Promarkerd（www.promarkerd.com）糖尿病肾病（DKD）是由糖尿病引起的严重并发症，如果未检查会导致透析或肾脏移植。Promarkerd是一种预后测试，可以预测2型糖尿病患者的未来肾脏功能下降，而现有DKD则可以预测肾脏功能。该专利的Promarkerd测试系统使用简单的血液测试来检测疾病早期发作的独特“指纹”，通过测量三种血清蛋白生物标志物，并结合三个常规可用的常规临床变量（年龄，HDL胆固醇和估计的肾小球过滤率（EGFR））。一种基于云的算法将结果集成到患者风险报告中。在领先的期刊上发表的临床研究中，Promarkerd正确地预测了多达86％的健康糖尿病患者，他们在四年内继续发展为糖尿病肾脏疾病。
喜庆：多模式分层多任务辅助学习框架，用于预测阿尔茨海默氏病进展
1 麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。
重复扩展大小在预测RFC1疾病的发病年龄和严重程度的作用
RFC1疾病是由RFC1中双重重复扩张引起的，就发病年龄，疾病进展和表型而言，在临床上是异质的。 我们研究了重复大小在影响RFC1差异中的临床变量中的作用。 我们还评估了重复的减数分裂和体细胞不稳定性的存在和作用。 在这项研究中，我们确定了553名携带双重RFC1扩展的患者，并测量了392例病例的重复扩张大小。 Pearson的系数计算以评估疾病发作时重复大小与年龄之间的相关性。 采用了一个具有鲁棒簇标准误差的COX模型来描述重复大小对年龄的影响，对每种症状发作时的年龄以及疾病进展的影响。 用于分析表型与重复大小之间的关系的一种准辉导回归模型。 我们进行了多元线性回归，以评估重复大小与小脑萎缩程度的关联。 减数分裂的稳定性是通过在27个概率的一级亲戚身上印迹的。 最后，通过在四个验尸病例的小脑和额叶皮层上的光学基因组映射以及未受影响的外围组织研究了体细胞不稳定。 具有更复杂表型的患者携带较大的扩张[较小的等位基因：复杂的神经病率比（RR）= 1.30，p = 0.003;小脑共济失调，神经病和前庭症综合症（画布）RR = 1.34，RFC1疾病是由RFC1中双重重复扩张引起的，就发病年龄，疾病进展和表型而言，在临床上是异质的。我们研究了重复大小在影响RFC1差异中的临床变量中的作用。我们还评估了重复的减数分裂和体细胞不稳定性的存在和作用。在这项研究中，我们确定了553名携带双重RFC1扩展的患者，并测量了392例病例的重复扩张大小。Pearson的系数计算以评估疾病发作时重复大小与年龄之间的相关性。采用了一个具有鲁棒簇标准误差的COX模型来描述重复大小对年龄的影响，对每种症状发作时的年龄以及疾病进展的影响。用于分析表型与重复大小之间的关系的一种准辉导回归模型。我们进行了多元线性回归，以评估重复大小与小脑萎缩程度的关联。减数分裂的稳定性是通过在27个概率的一级亲戚身上印迹的。最后，通过在四个验尸病例的小脑和额叶皮层上的光学基因组映射以及未受影响的外围组织研究了体细胞不稳定。具有更复杂表型的患者携带较大的扩张[较小的等位基因：复杂的神经病率比（RR）= 1.30，p = 0.003;小脑共济失调，神经病和前庭症综合症（画布）RR = 1.34，较小和较大等位基因的重复大小较大与神经系统发作时的年龄相关[较小的等位基因危害比（HR）= 2.06，p <0.001;较大的等位基因hr = 1.53，p <0.001]，并且具有较高的出现疾病症状的危险，例如质心thiria或dysphagia（较小的等位基因hr = 3.40，p <0.001；较大的等位基因hr = 1.71，p = 0.002），p = 0.002）或独立的步行（较小的等位基因hr = 2.78，p <0.78，p <0.001; 课程。
机器学习动脉波形模型用于预测犬类失血
生理传感器用于监测出血性休克期间的生命体征对于患者护理至关重要。单个掩盖患者实际临床状况的补偿机制，通常导致治疗不足或延迟治疗，这会加剧军事医学中经常面临的远程设置。血压是一种常用的临床测量，用于评估患者的血液动力学状态，但无法迅速反应持续的出血，并且由于血液丧失而无法提供组织氧合的状态（Convertino等，2021）。预测由于出血而导致的人的迎面负债仍然是一个挑战。仍然有未满足的医学需求对预测指标的发展，这些指标可以尽早检测出出血，以更好地复苏，并评估出血的体积持续时间幅度。
可能的病原变异型，KCNA2，KCNK1，KCNK16和HSF1支持ALS发作中获得的不可逆的Piezo2通道病
在使用OMOP CDM进行数据标准化时，大型医疗保健数据集经常表现出固有的数据不一致和缺失值。医疗机构之间数据质量和完整性的变化可能已将噪声引入模型。但是，我们通过利用来自韩国两家最大的三级医院的数据来减轻这种限制，在韩国，数据质量和数量足够大，可以最大程度地减少缺失价值的影响。此丰富的数据集已启用
多模式AI/ML，用于发现新型生物标志物并使用心血管疾病患者的多词谱
。cc-by-nc-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，他授予Biorxiv授予Biorxiv的许可，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2024年8月9日。 https://doi.org/10.1101/2024.08.07.607041 doi：biorxiv Preprint
专注于生物碱-Frontiers
过敏性鼻炎（AR）的特征是过敏原特异性介导的上呼吸道炎症性炎症性炎症，全球流行率高达30％（Meltzer，2016年）。除了避免过敏原的标准外，过敏原免疫疗法（AIT）旨在诱导特定的过敏原免疫耐受性，从而达到临床症状缓解的状态。特定的未修饰或化学修饰过敏原（过敏反应）的可重复摄入量是保持症状的关键。在AIT的这些方法中，皮下免疫疗法（SCIT），舌下免疫疗法（SLIT）和淋巴免疫疗法（LIT）被证明是有关效率，安全性和副作用的主流治疗方法。与缝隙相比，SCIT是一种临床依赖性治疗方法，患者皮下接受过敏原提取物注射。它分为初始治疗阶段（剂量积累阶段）和维持治疗阶段（剂量维持阶段）。世界过敏组织（WAO）建议将免疫疗法维持三到5年，并在临床上至少推荐2年。患者的依从性是确保持久效率和维持症状缓解作用的关键因素。由于SCIT的持续时间，繁琐的过程，缓慢发作，治疗效果的个体差异以及其他因素从根本上影响治疗剂的完整性，因此。 根据AIT的研究，依从性率从约25％到90％以上（Passalacqua等，2013）。。根据AIT的研究，依从性率从约25％到90％以上（Passalacqua等，2013）。根据AIT的研究，依从性率从约25％到90％以上（Passalacqua等，2013）。世界卫生组织（WHO）采用了“坚持”定义为“一个人的行为，例如服药，饮食或执行生活方式的改变，与医疗保健提供者的同意建议相对应”（Eduardo，2003年）。在最近的欧洲过敏和临床免疫学学院（EAACI）指南中，强调了对患者进行免疫疗法的工作原理以及解释遵守常规剂量3年治疗的重要性的教育（Roberts等人，2018年）。通过系统和技术干预措施，将多种方法引入了改善依从性和监督患者结局的领域，以防止对治疗的不完整中断。诊所的干预措施提前在整个治疗周期中进行了批准，作为一种有效的方法。在面对来自患者的大量个性化数据时，如何精确识别和评估即将到来的非依从性行为的风险，在应用程序中有望有一个临床预测模型。在医疗保健中，机器学习，尤其是顺序模型，位于创新的最前沿，提供了分析复杂医疗数据并改善患者治疗的新方法。先前的研究主要集中在依从性的非序列预测方法上（Ruff等，2019； Wang等，2020； Mousavi等，2022； Warren等，2022）。这种方法在治疗过程中提出了一个显着的限制，特别是对于经常跨越长时间（例如3年）的免疫疗法。这些非序列方法倾向于仅预测整体结果，从而忽略了中间时间步骤的复杂性。促进早期干预措施，一个顺序模型，能够在任何给定时间进行预测
帕金森氏病在五年内预测认知能力下降的机器学习：将认知评估量表与DAT SPECT和临床生物标志物进行比较
帕金森氏病（PD）是一种神经退行性疾病，影响基底神经节，这是调节运动的大脑区域[1]。但是，PD还具有多种与多巴胺能和非多巴胺能途径的混合有关的非运动症状（NMS），显示了PD的多焦点和广泛病理学[2]。认知问题是疾病任何阶段可能发生的最常见和重要的NM [3]。PD的认知障碍范围从轻度认知障碍到痴呆症，影响各种认知领域。PD患者的认知能力经常在整个疾病中下降，并且越来越被认为是PD进展的重要方面[4]。在过去的几年中，许多研究集中在预测PD的认知能力下降（PD-CD）[5-10]。PD-CD的预测涉及一种多方面的方法，该方法在不同的时间范围内包含各种标记，评估和生物标志物[11-13]。这些预测模型为患者管理，临床试验设计以及PD-CD治疗的开发提供了宝贵的见解。不同的尺度用于预测PD-CD，各种研究都深入研究了这些量表的预测能力[14-16]。蒙特利尔认知评估（MOCA）[17]是广泛用于测量PD的认知方面的最著名的认知量表之一[5，8，9]。MOCA最初是为了评估与阿尔茨海默氏病有关的轻度认知障碍而创建的，重点是记忆，执行功能和言语表达等领域。另一个量表是UPDRS，它是一个广泛接受的工具，用于测量PD的严重程度并跟踪运动和非运动功能的变化[18]。updrs（MDS-UPDRS）的运动杂志修订是一种临床评估工具，该工具是2008年引入的临床评估工具，作为原始UPDR的更新版本。MDS-UPDRS由四个部分组成，第一部分致力于评估日常生活的非运动方面，例如评估认知障碍，幻觉和精神病，情绪低落，情绪低落，情绪低落和冷漠[19]。视觉幻觉和精神病的存在与PD认知能力下降和痴呆症的风险增加有关[20]。此外，情绪障碍是PD中普遍的非运动症状，并且会显着影响认知功能[21]。基于这些结果，我们选择利用MDS-UPDRS-I的整体得分，而不仅仅是专注于认知障碍问题。（有关MOCA和MDS-UPDRS-I及其各自的问卷的更多详细信息，请参见S1表中）。