XiaoMi-AI文件搜索系统
World File Search Systemscoping
利用人工智能减轻青少年危险行为：范围界定审查方案 Hamidreza Sadeghsalehi a 和 Hassan Joulaei a，* a 伊朗设拉子医科大学健康研究所卫生政策研究中心 * 通讯作者（joulaei_h@yahoo.com） 青少年特别容易从事暴力、无保护性行为和药物滥用等危险行为，这些行为会对他们的健康和发展产生重大的负面影响。人工智能 (AI) 的最新进展为解决这些行为提供了创新的解决方案，但关于基于 AI 的干预措施的有效性和实施的证据仍然零散。本范围界定审查旨在系统地探索和绘制旨在减少青少年危险行为的基于 AI 的干预措施的文献。本综述将遵循 Arksey 和 O'Malley (2005) 概述并由 Levac、Colquhoun 和 O'Brien (2010) 改进的方法框架，符合 Joanna Briggs 研究所的指导方针。PRISMA 范围界定综述扩展 (PRISMA-ScR) 将指导报告。搜索策略将在 PubMed、Scopus、Web of Science 核心合集、CINAHL、PsycINFO、Cochrane 对照试验中心注册库、Embase、SID 和 Magiran 中执行，重点关注截至 2024 年 6 月以英语和波斯语发表的文章。两名独立审阅者将使用 Rayyan 筛选标题和摘要，然后对相关研究进行全文筛选。数据将使用标准化表格绘制图表，差异将通过讨论或咨询第三位审阅者解决。数据将以描述性方式综合并以表格、图形和图表的形式呈现。关键词：青少年、人工智能、危险行为、范围审查、干预措施
利用人工智能减轻青少年危险行为：范围界定审查方案 Hamidreza Sadeghsalehi a 和 Hassan Joulaei a，* a 伊朗设拉子医科大学健康研究所卫生政策研究中心 * 通讯作者（joulaei_h@yahoo.com） 青少年特别容易从事暴力、无保护性行为和药物滥用等危险行为，这些行为会对他们的健康和发展产生重大的负面影响。人工智能 (AI) 的最新进展为解决这些行为提供了创新的解决方案，但关于基于 AI 的干预措施的有效性和实施的证据仍然零散。本范围界定审查旨在系统地探索和绘制旨在减少青少年危险行为的基于 AI 的干预措施的文献。本综述将遵循 Arksey 和 O'Malley (2005) 概述并由 Levac、Colquhoun 和 O'Brien (2010) 改进的方法框架，符合 Joanna Briggs 研究所的指导方针。PRISMA 范围界定综述扩展 (PRISMA-ScR) 将指导报告。搜索策略将在 PubMed、Scopus、Web of Science 核心合集、CINAHL、PsycINFO、Cochrane 对照试验中心注册库、Embase、SID 和 Magiran 中执行，重点关注截至 2024 年 6 月以英语和波斯语发表的文章。两名独立审阅者将使用 Rayyan 筛选标题和摘要，然后对相关研究进行全文筛选。数据将使用标准化表格绘制图表，差异将通过讨论或咨询第三位审阅者解决。数据将以描述性方式综合并以表格、图形和图表的形式呈现。关键词：青少年、人工智能、危险行为、范围审查、干预措施
通过数字平台探索患者参与其健康数据的潜在驱动力：范围评论
背景：在提供患者访问健康数据时，患者参与度是由于可用工具与个人功能之间的相互作用而导致的。医疗保健领域的最新数字进步改变了患者参与的表现和重要性。但是，对哪些因素导致患者参与的全面评估仍然不存在。在本评论文章中，我们综合了最常讨论的因素，这些因素可以促进患者参与其健康数据。方法：在Medline，Embase和Google Scholar中进行了范围审查。使用主题分析在7层中合成了相关数据：（1）社会和人口统计学因素，（2）患者能力因素，（3）患者动机因素，（4）与医疗保健专业人员的态度和技能有关的因素，（5）卫生系统因素，（6）技术因素和（7）政策因素。结果：我们确定了5801个学术和200个GY文献记录，并在本综述中包括292（4.83％）。总体而言，提取了可能影响患者参与健康数据的44个因素。我们提取了6个社会和人口统计学因素，6个患者能力因素，12个患者动机因素，7个与医疗保健专业人员的态度和技能有关的因素，4个卫生系统因素，6个技术因素和3个政策因素。结论：改善患者与健康数据的参与能够开发以患者为中心的医疗保健，尽管它也会加剧现有的不平等现象。在扩大患者访问健康数据的同时是迈向建立医疗保健中共同决策并随后赋予患者权力的重要一步，但必须确保这些发展到社区的所有部门。
管理气候科学中的价值
筛选3,249篇文章后，回顾了129项研究。大约四分之三的研究解决了一项干预措施（95/129，74％）。仅关注风险评估和数据监控的文章中，只有14％（18/129），其中12％的文章（16/129）主要包括数据分析研究。大多数研究都集中在行为结果（61/160，38％）上，其次是心理学（37/160，23％）和生理学（31/160，19％）的健康状况（可能有多个答案）。在研究设计方面，在所有研究的三分之一以上（39％）中使用了随机对照试验，其次是跨系统研究（18％），而较新的设计（例如，较新的时代自适应间隔）术语很少使用。所有研究的主要数据分析是回归分析（有44％的方差或线性混合模型分析），而机器学习方法（例如，算法，马尔可夫模型）仅在8％的文章中进行。
使用机器学习技术对国际学生的心理健康分析
围产期压力是指个人在前和产后时期所经历的心理压力，这是一种公共卫生的关注。婴儿早期暴露于围产期孕产妇应激可能会导致延伸至成年的代谢，免疫和神经性疾病。先前已经报道过肠道和人乳微生物组在微生物组 - 脑轴轴上作为应激转移机制的作用。将定殖的异常微生物群从母亲转移到婴儿，以使婴儿易患炎性微生物组，并具有失调的元过程，从而引发了慢性疾病的早期风险。围产期母体应激的相互作用及其与母亲和婴儿肠道以及人乳微生物的关系需要在文献中进行进一步的系统检查。
引用：Vo QD、Saito Y、Ida T、Nakamura K、Yuasa S (2024) 10 年间人工智能在基于诱导多能干细胞技术中的应用：系统范围审查。PLoS ONE 19(5): e0302537。https://doi.org/10.1371/ journal.pone.0302537
自 1961 年首次发现骨髓来源的多能干细胞以来，干细胞研究取得了长足进步 [ 1 ]。干细胞是一种独特的细胞，能够通过有丝分裂不断复制，从而形成更多的细胞。该过程会产生两种不同的细胞类型：一种会进化为特定细胞类型，另一种则保留自我更新的能力 [ 2 ]。干细胞大致可分为三类：诱导多能干细胞 (iPSC)、胚胎干细胞 (ESC) 和成体干细胞 (ASC) [ 3 ]。由于 iPSC 和 ESC 能够转化为三个胚层：外胚层、中胚层和内胚层，因此它们被归类为多能干细胞 (PSC)。2006 年，Kazutoshi Takahashi 和 Shinya Yamanaka 通过使用病毒载体引入 Oct4、Sox2、Klf4 和 c-Myc 等特定转录因子，成功将小鼠体细胞转化为 iPSC [ 4 ]。此后，人们使用各种方法将不同类型的小鼠和人类体细胞重新编程为 iPSC [ 5 ]。这种重新编程人类细胞的创新方法引起了科学和医学领域的极大兴趣。iPSC 作为多能细胞来源，为人类 ESC 提供了一种替代方案。诱导多能干细胞的一个显著优势是它们来源于可以非侵入性获得的体细胞。这些细胞携带个体的遗传特征，可以降低免疫排斥的风险 [ 6 ]。现代医学领域对基于 iPSC 的疗法的关注度正在提高。它们在疾病建模、药物筛选和再生医学中的应用正在呈指数级增长 [ 7 ]。iPSC 因其自我更新能力和分化为所有人体细胞类型的能力而在疾病建模中发挥着关键作用。这使得它们成为创建各种疾病模型以供研究的理想选择 [ 8 – 10 ]。患者特异性 iPSC 在制定有针对性的治疗策略和药物开发方面特别有价值。此外，来自正常细胞和患病细胞的 iPSC 可以分化为神经元、肝细胞、心肌细胞等，以评估毒性和副作用，这是治疗分子开发的关键因素 [11]。在再生医学中，iPSC 用于修复或再生受损或退化的组织。这是通过在实验室中从 iPSC 创建器官组织并将其移植到受伤区域来实现的。这种疗法有望用于治疗造血系统疾病、肌肉骨骼损伤、脊髓损伤和肝损伤等疾病 [ 12 – 14 ]。已经开发出各种用于创建 iPSC 的技术，例如使用逆转录病毒或慢病毒进行基因转导和化学诱导。然而，生成 iPSC 的过程通常很慢且效率不高，啮齿动物细胞需要大约 1-2 周，人类细胞需要 3-4 周，成功率通常较低。此外，通过检查菌落形态来评估 iPSC 的质量容易出现人为错误，这是一个重大挑战，在进行进一步的实验或治疗用途之前必须解决这一问题。尽管在提高 iPSC 培养的效率和速度方面取得了进展，但该过程仍然耗费资源，因此需要开发自动化系统以最大限度地减少错误并增强 iPSC 分析。最近，人工智能 (AI) 技术，包括机器学习 (ML) 和深度学习 (DL)，已被用于增强再生疗法。这些 AI 驱动方法的实施可以改进
欧洲 HTA 范围中的 PICO 整合：在欧洲联合临床评估的背景下检查肿瘤药物中的 PICO 变化
需要对临床和背景数据进行评估。认识到这些差异对于制定证据生成策略以优化不同司法管辖区的卫生技术评估结果至关重要。为此，HTA 机构之间的密切合作以及与联合科学咨询 (JSC) 的早期接触对于战略性地引导 JCA 范围界定过程至关重要。
对日常生活中使用的传感器技术进行范围审查
摘要 技术为量化与慢性疼痛相关的行为和生理变化提供了可能性，使用适合在日常生活环境中收集数据的可穿戴传感器和设备。我们对可穿戴和被动传感器技术进行了范围界定审查，这些技术可从慢性疼痛（包括社交场合）的心理数据中抽样。从搜索到的 2783 篇引文中，有 60 篇文章符合我们的标准。四分之三的招募对象患有慢性疼痛，大多是肌肉骨骼疼痛，其余患有急性或发作性疼痛；慢性疼痛患者的平均年龄为 43 岁（很少有研究抽样青少年或儿童），60% 为女性。37 项研究是在实验室或临床环境中进行的，其余研究是在日常生活环境中进行的。大多数只使用 1 种技术，总共有 76 种传感器类型。最常见的是加速度计（主要用于日常生活环境），其次是动作捕捉（主要用于实验室环境），少数收集自主活动、声音信号或大脑活动的。主观自我报告为疼痛、情绪和其他变量提供了“基本事实”，但通常与自动收集的数据的时间尺度不同，许多研究报告称技术数据与相关心理结构之间的关系较弱，例如，对运动的恐惧与肌肉活动之间的关系。关于实际问题的讨论相对较少：采样频率、由于人为或技术原因而丢失的数据以及用户的体验，尤其是当用户没有收到任何形式的数据时。我们在综述的最后提出了一些关于该领域未来研究内容和过程的建议。
评估人工智能在临床实践中的随机对照试验：范围审查
美国马萨诸塞州波士顿哈佛医学院生物医学信息学系（R Han MS、P Rajpurkar PhD）；美国加利福尼亚州斯坦福大学计算机科学系（R Han）；美国加利福尼亚州洛杉矶加州理工学院医学科学家培训计划（R Han）；美国康涅狄格州纽黑文耶鲁医学院神经病学系（JN Acosta MD）；美国加利福尼亚州旧金山 Rad AI（JN Acosta）；加拿大安大略省多伦多多伦多大学达拉拉纳公共卫生学院卫生政策、管理和评估研究所（Z Shakeri PhD）；美国加利福尼亚州斯坦福大学斯坦福预防研究中心、医学系（JPA Ioannidis MD DSc 教授）和斯坦福元研究创新中心（JPA Ioannidis 教授）；美国加利福尼亚州拉霍亚斯克里普斯研究中心斯克里普斯转化研究所（EJ Topol MD 教授）
为基于价值的医疗保健中价值创造的社会心理因素：范围评论
结论：范围审查结果表明，一些潜在的关键方面，包括患者与医疗保健组织之间的相互依赖性，医疗保健中的组织文化以及以患者为中心的方法的作用，这些方法着重于医疗保健中的关系，沟通和社会支持。这可以通过患者参与，以患者为中心的护理和沟通，健康素养，社会心理支持服务，全面的社会心理评估，护理协调和护理连续性来实现。在VHBC中将社会心理元素整合起来可以增强质量并优化资源使用。的调查结果强调了需要开展有关如何在护理中实施价值文化的实用指导，这些文化考虑到已经出现但尚未完全解决的心理社会方面。大流行教导说，劳动力的突然和非系统性变化很差。本审查可以为医疗保健价值的重新设计和已经开始以患者为中心的医学和患者参与开始的范式转变提供初始基础。
探索教师教育中的人工智能素养：范围审查
人工智能 (AI) 素养最近出现在教育议程上，提高了对教师和教师教育者的专业知识的期望。本范围审查考察了科学文献如何将 AI 素养概念化为教师与教师教育 (TE) 相关的不同形式的专业知识。搜索策略包括 2000 年至 2023 年与 AI 素养和 TE 以及 AI 与教学交集相关的论文和会议记录。分析中包括三十四篇论文。亚里士多德的概念 episteme（理论科学知识）、techne（实践生产知识）和 phronesis（专业判断）被用作捕捉教师专业知识的隐性和显性维度的镜头。结果表明，AI 素养是一个全球新兴的教育研究课题，但在 TE 背景下几乎没有。文献涵盖许多不同的主题，并借鉴了不同的方法论。计算机科学和探索性教学方法影响认识论、实践和道德知识的类型。目前，教师的专业知识尚未得到广泛的研究或关注。道德问题主要作为理解数据驱动的人工智能技术的技术配置来解决。教师的实践知识往往会转化为采用数字资源进行人工智能教学或将人工智能教育技术融入教学。通过确定几个研究空白，特别是关于教师实践和道德知识的空白，本文加深了对教学中人工智能素养的更全面理解，有助于在 TE 中进行更充分的人工智能素养教育，并为未来与教师专业知识相关的研究奠定基础。