XiaoMi-AI文件搜索系统
World File Search System为难
2025 年对医疗保健提供者进行调查，以确定教育需求，确保为难民提供优质和公平的护理
CDC 的《国内难民健康指导》（CDC DME 指导）概述了针对在美国具有人道主义移民身份的新移民的 DME 推荐组成部分。该指导主要面向临床医生，但公共卫生专业人员也会使用它来实施和协调 DME。总体而言，76%（n = 158）为新移民提供 DME 或持续初级保健的受访者（临床医生）报告称，在护理新抵美难民时经常使用该指导（图 2、表 4）。一般而言，经验丰富的临床医生使用该指导的概率更高。虽然一些临床医生报告称仅在护理需要 DME 的新移民（32%，n = 51）或仅在护理其他移民群体（18%，n = 29）时使用 CDC DME 指导，但大多数受访者报告称，在护理需要和不需要 DME 的人时都会使用它（89%，n = 140）。在定期使用 CDC DME 指南的临床医生中，使用最多的指导材料是免疫接种（46%，n = 72）、结核病（44%，n = 70）、所有指导资源（40%，n = 63）、肠道寄生虫（34%，n = 54）和铅（27%，n = 43）（表 4）。
注册护士和注册助产士根据药物协议为难民和申请人接种疫苗*的能力自我评估
• 注册护士和注册助产士专业和道德行为准则（NMBI，2021 年） • 护理和助产实践框架范围（NMBI，2015 年） • 注册护士和助产士药物管理指南（NMBI，2020 年） • 护士和助产士药物管理指南（An Bord Altranais，2007 年） • 爱尔兰 NIAC 免疫接种指南，网址为：https://www.rcpi.ie/Healthcare-Leadership/NIAC/Immunisation-Guidelines-for-Ireland
杏仁核相关脑电图神经反馈作为难治性儿童性虐待创伤后应激障碍的附加疗法：可行性研究
目的：儿童期性虐待 (CSA) 在女性中是一种普遍存在的创伤性经历，令人担忧，这种经历常常导致使人衰弱且难以治疗的创伤后应激障碍 (PTSD)，因此需要新的辅助疗法。神经影像学研究系统地报告说，杏仁核过度活跃是 PTSD 和儿童期虐待后最一致、最可靠的神经异常，这提高了使用神经反馈 (NF) 实施意志神经调节以降低杏仁核活动的可能性。本研究旨在可靠地探测边缘活动，但克服功能性磁共振成像 (fMRI) NF 的有限适用性，方法是在一项随机对照试验中使用可扩展的脑电图 NF 探针来探测杏仁核相关活动，称为杏仁核电指纹 (amyg-EFP)。
为难民提供人民疫苗：确保难民和其他流离失所者能够获得新冠肺炎疫苗
乌干达约 94% 的难民居住在城市中心以外的定居点。乌干达政府的政策目标是在每个教区都设立一所卫生中心，理想情况下，这些卫生中心应位于距离服务对象 5 公里的中心位置。然而，大多数难民社区附近的卫生中心并没有提供疫苗——通常是因为缺乏储存疫苗所需的冷藏设备。因此，偏远定居点的难民通常需要行走 5 至 30 公里才能接种疫苗，而且他们通常只能步行、骑自行车或乘坐摩的（boda boda），而这些费用可能相当于大多数难民一个月的收入。有限的交通选择给一些最容易感染 COVID-19 的人群（如老年人和患有某些疾病或残疾的人）前往遥远的疫苗接种中心带来了更大的挑战。
非人类人道主义：当人工智能的善举变成坏事时 Mirca Madianou 伦敦大学金史密斯学院 2018 年，有超过 1.68 亿人需要人道主义援助，同时有超过 6900 万人成为难民，人道主义部门面临着重大挑战。人工智能 (AI) 应用可以成为人道主义危机的潜在解决方案的提议受到了热烈欢迎。这是“人工智能用于社会公益”大趋势的一部分，也是“数字人道主义”更广泛发展的一部分，“数字人道主义”指的是公共和私营部门为应对人道主义紧急情况而使用数字创新和数据。聊天机器人、声称可以预测未来流行病或人口流动的预测分析和建模以及依赖于采用机器学习算法的先进神经网络的生物识别技术，都是在援助行动中越来越受欢迎的例子。本文建立了一个跨学科框架，将殖民和非殖民理论、人道主义和发展的批判性探究、批判性算法研究以及对人工智能的社会技术理解结合在一起。人道主义在这里被理解为一种复杂的现象：不仅仅是通常定义的“减少痛苦的必要性”（Calhoun，2008），而且是一种行业、一种话语和一种源于 19 世纪和 20 世纪殖民主义的历史现象（Fassin，2012；Lester & Dussart，2014）。人工智能同样是一个多面现象：不仅仅是基于先进计算和机器学习算法的技术创新，而且是一个行业以及关于技术的特定话语。人工智能只能与数据和算法一起理解——这三者是不可分割的，因为人工智能依赖于机器学习算法，而机器学习算法是特定数据集的产物。鉴于“大数据”本质上是不完整的，且具有本体论和认识论的局限性（Crawford & Finn，2014），人工智能应用会重现并可能放大大型数据集中发现的现有偏见（Benjamin，2019；Eubanks，2018；Noble，2018 等）。
非人类人道主义：当人工智能的善举变成坏事时 Mirca Madianou 伦敦大学金史密斯学院 2018 年，有超过 1.68 亿人需要人道主义援助，同时有超过 6900 万人成为难民，人道主义部门面临着重大挑战。人工智能 (AI) 应用可以成为人道主义危机的潜在解决方案的提议受到了热烈欢迎。这是“人工智能用于社会公益”大趋势的一部分，也是“数字人道主义”更广泛发展的一部分，“数字人道主义”指的是公共和私营部门为应对人道主义紧急情况而使用数字创新和数据。聊天机器人、声称可以预测未来流行病或人口流动的预测分析和建模以及依赖于采用机器学习算法的先进神经网络的生物识别技术，都是在援助行动中越来越受欢迎的例子。本文建立了一个跨学科框架，将殖民和非殖民理论、人道主义和发展的批判性探究、批判性算法研究以及对人工智能的社会技术理解结合在一起。人道主义在这里被理解为一种复杂的现象：不仅仅是通常定义的“减少痛苦的必要性”（Calhoun，2008），而且是一种行业、一种话语和一种源于 19 世纪和 20 世纪殖民主义的历史现象（Fassin，2012；Lester & Dussart，2014）。人工智能同样是一个多面现象：不仅仅是基于先进计算和机器学习算法的技术创新，而且是一个行业以及关于技术的特定话语。人工智能只能与数据和算法一起理解——这三者是不可分割的，因为人工智能依赖于机器学习算法，而机器学习算法是特定数据集的产物。鉴于“大数据”本质上是不完整的，且具有本体论和认识论的局限性（Crawford & Finn，2014），人工智能应用会重现并可能放大大型数据集中发现的现有偏见（Benjamin，2019；Eubanks，2018；Noble，2018 等）。