XiaoMi-AI文件搜索系统
World File Search Systempredicting
预测子宫内膜癌的免疫疗法效应
免疫疗法代表了一种开创性的治疗方法，基于免疫系统干扰肿瘤进展的内在能力，这为子宫内膜癌的治疗打开了水平。但是，免疫疗法的临床效率受到患者耐药性的发展受到阻碍。对免疫疗法的耐药性是多因素机制，包括调节免疫检查点分子的肿瘤细胞中的遗传和表观遗传改变，导致免疫监测逃避。肿瘤微环境可以协调免疫抑制环境，减轻免疫反应并促进肿瘤进展。要克服子宫内膜癌中的免疫治疗性，我们必须揭示肿瘤细胞，宿主免疫系统和肿瘤微环境之间复杂相互作用的机制。必须开发对免疫治疗反应的预测生物标志物的识别和能够逆转抗药性途径的创新剂。我们的评论总结了有关肿瘤微环境细胞作用及其调节分子在免疫检查点抑制剂的治疗作用的机制中的积累数据，包括抗治疗性。我们在这里提出的主要问题 - 哪一组患者最有利于在子宫内膜癌中获得持久的免疫疗法反应？
预测神经性厌食症的长期结果
背景。神经性厌食症 (AN) 的特征是急性体重不足状态下灰质 (GM) 大量减少。然而，尽管复发率高、频繁转变为其他精神疾病，且通常结果不佳，但体重恢复后持续改变的证据却出奇地少。虽然大多数研究分别研究了大脑区域（单变量分析），但精神疾病可以概念化为以多变量改变为特征的大脑网络障碍，且只有细微的局部影响。我们对有 AN 病史的体重恢复个体进行了持续的多变量结构性大脑改变测试，研究了它们假定的生物学基础及其与 1 年治疗结果的关系。方法。我们对区域 GM 测量值训练了机器学习模型，以将健康对照 (HC) (N = 289) 从 AN 三个阶段的个体中分类出来：开始强化治疗的体重过轻患者（N = 165，作为基线）、部分体重恢复后的患者（N = 115）和体重稳定和完全恢复后的前患者（N = 89）。体重恢复后的改变与治疗结果相关，并具有解剖学和功能学特征。结果。患者可在体重过轻时 (ROC-AUC = 0.90) 从 HC 中分类，但在部分体重恢复后 (ROC-AUC = 0.64) 也可以从 HC 中分类。部分体重恢复后的改变在结果较差的患者中更为明显，而在长期体重恢复的个体（即结果良好的个体）中未检测到。这些改变在功能连接性更强的区域中更为明显，不仅仅是用体重指数来解释，甚至观察到皮质厚度的增加（岛叶、外侧眶额叶、颞极）。结论。分析体重恢复后持续的多变量大脑结构改变可能有助于制定出院后的个性化干预措施。
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。
预测采购物流中的生产成本
本研究的目的是评估统计工具的使用情况，特别是普通最小二乘法 (OLS) 和人工神经网络 (ANN)，并借助这些工具独立有效地预测秘鲁造纸行业供应物流的生产成本。这两个模型在分析上有所不同，但最终却是互补的，以获得更精确的结果，突出了 ANN 在评估指标的精确度方面的卓越性能，与 OLS 统计模型相比，它们实现了 0.0171 的 RMSE 和 0.0122 的 MAE，而 OLS 统计模型实现了 0.0181 的 RMSE 和 0.2070 的 MAE。同样，在所研究的维度之间的分析中，采购管理的系数为 -0.4978，这表明其优化将对生产成本产生积极影响，而其他两个维度的情况则相反，即仓储管理和库存管理，它们的系数为正（0.7457 和 0.4667），这表明它们的优化不一定会对生产成本产生积极影响，恰恰相反，它们的管理不善反而会损害生产成本。这些结果强调了秘鲁造纸公司必须能够实施更新的物流系统，能够整合先进的统计工具，例如使用 ANN 和 MCO，这可以科学地帮助您做出更好的决策，从而改善您的供应流程，从而能够降低您的生产成本。
人工智能预测心脏骤停
背景：心脏骤停是一种危及生命的心脏活动停止。早期预测心脏骤停非常重要，因为它允许在发作期间采取必要的措施来预防或干预。人工智能 (AI) 技术和大数据越来越多地被用于增强预测和为高危患者做准备的能力。目的：本研究旨在探索文献中报道的人工智能技术在预测心脏骤停中的应用。方法：根据 PRISMA（系统评价和荟萃分析的首选报告项目）扩展的范围界定审查指南进行范围界定审查。搜索了 Scopus、ScienceDirect、Embase、电气和电子工程师协会和 Google Scholar 以确定相关研究。还对纳入的研究进行了反向参考文献列表检查。研究选择和数据提取由 2 名审阅者独立进行。从纳入研究中提取的数据以叙述方式综合。结果：在检索到的 697 篇引文中，41 篇研究被纳入审查，6 篇是在向后引用检查后添加的。纳入的研究报告了人工智能在预测心脏骤停方面的应用。在 47 项研究中，我们能够将研究采用的方法分为 3 个不同的类别：26 项 (55%) 研究通过分析患者的特定参数或变量来预测心脏骤停，而 16 项 (34%) 研究开发了基于人工智能的预警系统。其余 11% (5/47) 的研究侧重于区分心脏骤停高风险患者和无风险患者。两项研究关注儿科人群，其余研究关注成人 (45/47, 96%)。大多数研究使用的数据集大小小于 10,000 个样本 (32/47, 68%)。机器学习模型是研究中用于预测心脏骤停的最突出的人工智能分支（38/47，81%），最常用的算法是神经网络（23/47，49%）。K 折交叉验证是研究报告中最常用的算法评估工具（24/47，51%）。结论：人工智能被广泛用于预测不同患者环境中的心脏骤停。技术有望在改善心脏医学方面发挥不可或缺的作用。需要更多的评论来了解在临床环境中实施人工智能技术的障碍。此外，还需要研究如何最好地为临床医生提供支持，以理解、适应和在实践中实施这项技术。
预测大脑行为变化
影响人们的健康行为的因素是多重和复杂的。个体差异和环境影响与影响行为相互作用。在公共领域影响健康行为的方法各不相同，从医师的建议到税收优惠。此外，公共卫生工具包中的一个突出工具是通过大众媒体传递有说服力的健康消息。了解健康沟通如何影响行为是整个学科的研究人员的重要目标。在本章中，我们讨论了社会神经科学和沟通神经科学的新兴子场如何有助于我们对健康传播影响的理解。我们特别关注神经科学的证据如何与态度，说服力，社会影响和行为改变有关，可以通过传统的方法论方法不容易看出知识的知识弥补知识的差距。此外，本章讨论了在整合神经成像方法时应提出的未来方向和方法论方面的考虑，以帮助我们理解健康通信。
机器学习预测缺血性中风
摘要 — 印度的中风率远高于其他发展中国家。一小部分中风患者会因最初的创伤而立即死亡。最终导致死亡的一些主要原因可能是初始缺血性梗塞、复发性缺血性中风、复发性出血性中风、肺炎、冠状动脉疾病、肺栓塞以及其他血管或非血管原因。研究表明，将机器学习技术应用于中风，重点是根据患者的属性预测中风风险或生存可能性，而不是预测在初次中风发作后幸存下来的患者的可能结果。缺血性中风 (IS) 的评估和治疗在过去几年中取得了重大进展，越来越需要使用神经影像学进行决策。因此，该项目的目标是将机器学习原理应用于现有的大量数据集，以有效预测第一次事件后可能出现的最有可能危及生命的风险。这些算法的进一步改进可以为临床环境和中风治疗提供巨大的实用性，同时也让我们深入了解机器学习在神经成像领域的最新发展和应用，重点关注急性缺血性中风，并将监督机器学习方法应用于患者资料数据。
预测基于 CRISPR-Cas9 的表观基因组编辑的效果
摘要表观遗传调控协调哺乳动物转录，但它们之间的功能联系仍然难以捉摸。为了解决这个问题，我们使用来自 13 种 ENCODE 细胞类型的表观基因组和转录组数据来训练机器学习模型，以预测组蛋白翻译后修饰 (PTM) 的基因表达，对于大多数细胞类型，实现了 ∼0.70 −0.79 的转录组范围相关性。我们的模型重现了组蛋白 PTM 和表达模式之间的已知关联，包括预测转录起始位点 (TSS) 附近的组蛋白亚基 H3 赖氨酸残基 27 (H3K27ac) 的乙酰化会显著提高表达水平。为了通过实验验证这一预测，并研究 H3K27ac 的天然沉积与人工沉积对表达的影响，我们将合成的 dCas9-p300 组蛋白乙酰转移酶系统应用于 HEK293T 细胞系中的 8 个基因和 K562 细胞系中的 5 个基因。此外，为了便于建立模型，我们执行 MNase-seq 来绘制 HEK293T 中全基因组核小体占有水平。我们观察到，我们的模型在准确排序基因对 dCas9-p300 系统的相对倍数变化方面表现良好；然而，与根据其天然表观遗传特征预测跨细胞类型的表达相比，它们对单个基因内倍数变化进行排序的能力明显减弱。我们的研究结果强调，我们需要更全面的基因组规模表观基因组编辑数据集，更好地理解表观基因组编辑工具所做的实际修改，以及改进因果模型，以便更好地从内源性细胞测量转移到扰动实验。这些改进将共同促进理解和可预测地控制动态人类表观基因组的能力，以及对人类健康的影响。
预测用氯氮平治疗的患者的肿瘤细胞增多症
1伦敦南部和莫德斯利NHS基金会的药房部，英国2号伦敦2号牛津大学精神病学系，沃恩福德大学，沃恩福德医院OX3 7JX 3 7JX 3人工智能健康部，卡尔·冯·奥塞埃兹基（Carl von Ossietzky ＆Neuroscience，英国伦敦国王学院伦敦国王学院5国家精神病服务局，南伦敦和莫德斯利NHS基金会信托基金会，英国6号儿童和青少年精神病学系，汉堡大学医学中心汉堡 - 汉堡部，德国，汉堡，汉堡，7 kent和Med n n kenter and Med Way and Med Way，伦敦，伦敦，汉堡7.利物浦大学人口健康研究所和公民健康创新实验室（CHIL）初级保健与心理健康