XiaoMi-AI文件搜索系统
World File Search System使用后
迷幻替代：全球调查中迷幻使用后的物质使用模式的改变
结果：在自然主义迷幻使用后，将近四分之三（70.9％; n = 3,737/5,268）报告停止或减少一种或多种非精神药物的使用。在先前使用的人中，酒精使用量减少了60.6％（n = 2,634/4,344），抗抑郁药的使用降低了55.7％（n = 1,223/2,197），54.2％（n = 767/1,415）降低了使用Cocaine/Coccaine/裂缝的使用。在四分之一的样本中表明，在使用迷幻之后，它们的物质使用减少持续了26周或更长时间。与使用减少相关的因素包括减少一种物质使用或自我治疗的医疗状况的动机。重要的是，19.8％的受访者还报告说，在迷幻使用后使用一种或多种或多种其他物质，非法阿片类药物（14.7％； n = 86/584）和大麻（13.3％; n = 540/4,064）具有最高比例。与使用物质使用相关的因素包括收入更高并居住在加拿大或美国。
二进制级别的指示fuzzing用于无使用后的漏洞
通过利用其他信息，例如（部分）错误堆栈跟踪，补丁或风险操作的操作，的指示模糊着重于自动测试代码的特定部分。 关键应用程序包括错误复制，补丁测试和静态分析报告验证。 最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。 我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。 该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。 对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。 uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。 最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。的指示模糊着重于自动测试代码的特定部分。关键应用程序包括错误复制，补丁测试和静态分析报告验证。最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。
使用后部优势节律预测创伤性脑损伤结果
目的 预测严重创伤性脑损伤 (sTBI) 的结果具有挑战性，现有模型对个体患者的适用性有限。本研究旨在确定可以预测 sTBI 后恢复情况的指标。研究人员努力证明脑电图上的后部优势节律与积极结果密切相关，并开发一种基于机器学习的新型模型，准确预测意识的恢复。方法 在这项回顾性研究中，作者评估了 2010 年至 2021 年期间所有因 sTBI（格拉斯哥昏迷量表 [GCS] 评分 ≤ 8）入院的插管成年人，他们在 sTBI 后 30 天内接受了 EEG 记录（n = 195）。收集了 73 个临床、放射学和 EEG 变量。根据受伤后 30 天内是否出现 PDR，创建了两个队列：有 PDR 的队列（PDR[+] 队列，n = 51）和没有 PDR 的队列（PDR[-] 队列，n = 144），以评估表现和四种结果的差异：院内生存率、恢复服从命令的能力、出院时格拉斯哥预后量表扩展版 (GOS-E) 评分以及出院后 6 个月的 GOS-E 评分。AutoScore 是一种基于机器学习的临床评分生成器，可选择重要预测变量并为其分配权重，用于创建预测院内生存率和恢复服从命令能力的预后模型。最后，使用 MRC-CRASH 和 IMPACT 创伤性脑损伤预测模型将预期的患者结果与真实结果进行比较。结果 在入院时，PDR(−) 组的平均 GCS 运动分较低（1.97 比 2.45，p = 0.048）。尽管预测结果（通过 MRC-CRASH 和 IMPACT）没有差异，但 PDR(+) 组具有更高的院内生存率（84.3% 比 63.9%，p = 0.007）、恢复听从指令率（76.5% 比 53.5%，p = 0.004）和平均出院 GOS-E 评分（3.00 比 2.39，p = 0.006）。6 个月 GOS-E 评分没有差异。然后使用 AutoScore 识别以下 7 个对院内生存率和恢复听从指令具有高度预测性的变量：年龄、体重指数、收缩压、瞳孔反应性、血糖和血红蛋白（均在入院时）以及 EEG 上的 PDR。该模型对预测住院生存率（曲线下面积 [AUC] 0.815）和恢复命令执行能力（AUC 0.700）具有出色的辨别力。结论 sTBI 患者脑电图的 PDR 可预测有利的结果。作者的预后模型在预测这些结果方面具有很强的准确性，并且比以前报告的模型表现更好。作者的模型在临床决策以及为此类伤害后的家庭提供咨询方面很有价值。
护士教育有关高血压和使用后期保健的后续电话方案的教育
这篇论文是由Scholarworks的Walden论文和博士研究收集到您的免费和公开访问。它已被授权的学者管理员所接受的沃尔登论文和博士研究。有关更多信息，请联系Scholarworks@waldenu.edu。
电动汽车首次使用后电池二次使用适用性的评估程序
摘要：在电动汽车 (EV) 中首次使用电池代表着在回收电池之前减少对环境的影响并增加经济效益的机会。已经提出了许多不同的二次使用应用，每种应用都有多个标准，在决定最合适的行动方案时必须考虑这些标准。在本文中，提出了一种电池评估程序，该程序巩固并扩展了文献中的方法，并促进了电池在达到其首次使用寿命后的决策过程。该程序由三个阶段组成，包括电池状态评估、技术可行性评估和经济评估。探讨了电池配置选项（直接使用电池组、电池组堆叠、直接使用模块、使用模块翻新电池组、使用电池翻新电池组）。通过将这些配置与二次使用应用的技术要求进行比较，读者可以快速了解如何最好地将二次使用电池应用于其特定应用的权衡和实用策略。最后，开发了经济评估流程，以确定实施各种二次电池配置的成本以及不同最终用途应用的收入。其中包括电池评估程序的示例，以演示如何执行该程序。
二进制级别的指示fuzzing用于无使用后的漏洞
通过利用其他信息，例如（部分）错误堆栈跟踪，补丁或风险操作的操作，的指示模糊着重于自动测试代码的特定部分。 关键应用程序包括错误复制，补丁测试和静态分析报告验证。 最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。 我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。 该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。 对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。 uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。 最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。的指示模糊着重于自动测试代码的特定部分。关键应用程序包括错误复制，补丁测试和静态分析报告验证。最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。
