XiaoMi-AI文件搜索系统
World File Search System偏倚
利用人工智能检测脑动脉瘤
摘要 背景 脑动脉瘤破裂引起的蛛网膜下腔出血是发病率和死亡率的主要原因。在自动化系统的帮助下，早期识别动脉瘤可能会改善患者的预后。因此，对使用 CT、MRI 或 DSA 检测脑动脉瘤的人工智能 (AI) 算法的诊断准确性进行了系统评价和荟萃分析。方法 搜索了 MEDLINE、Embase、Cochrane Library 和 Web of Science，直至 2021 年 8 月。资格标准包括使用全自动算法通过 MRI、CT 或 DSA 检测脑动脉瘤的研究。按照系统评价和荟萃分析的首选报告项目：诊断测试准确性 (PRISMA-DTA)，使用诊断准确性研究质量评估 2 (QUADAS-2) 评估文章。荟萃分析包括一个双变量随机效应模型，以确定合并敏感性、特异性和受试者工作特征曲线下面积 (ROC-AUC)。PROSPERO：CRD42021278454。结果 纳入 43 项研究，其中 41/43 (95%) 为回顾性研究。34/43 (79%) 使用 AI 作为独立工具，而 9/43 (21%) 使用 AI 辅助阅读器。23/43 (53%) 使用深度学习。大多数研究存在较高的偏倚风险和适用性问题，限制了结论。独立 AI 荟萃分析中的六项研究得出（汇总）91.2%（95% CI 82.2% 至 95.8%）的灵敏度；16.5%（95% CI 9.4% 至 27.1%）的假阳性率（1-特异性）；0.936 ROC-AUC。五项阅读辅助 AI 研究得出（汇总）90.3%（95% CI 88.0% – 92.2%）的灵敏度；7.9%（95% CI 3.5% 至 16.8%）的假阳性率；0.910 ROC-AUC。结论 AI 有潜力帮助临床医生检测脑动脉瘤。由于存在较高的偏倚风险且普遍性较差，因此解释受到限制。需要进行多中心、前瞻性研究来评估临床实践中的人工智能。
系统评价和符合 PRISMA 标准的荟萃分析
方法：在PubMed、Embase、Cochrane Library和Web of Science上检索贝伐单抗联合化疗、靶向药物和干扰素治疗恶性黑色素瘤的随机对照试验（RCT）和非对照临床研究。使用Review Manager（5.4版）进行RCT的Meta分析，使用R（4.0.3版）进行非对照Meta分析。主要结果为客观缓解率。根据纳入研究的异质性，使用随机效应模型或固定效应模型计算合并结果和95％CI。使用可能的相关变量计算亚组结果。通过从高度异质的合并结果中依次排除每一项研究进行敏感性分析。使用漏斗图和Begg's检验来检验纳入研究的潜在出版偏倚。显著性水平设定为p < 0.05。
失眠（相关症状）与血糖控制之间的关系：系统评价和荟萃分析
方法根据定义的标准评估失眠，包括睡眠质量差和睡眠效率低等相关症状。使用空腹血糖、糖化血红蛋白和糖尿病等指标评估血糖控制情况。在 PubMed、Web of Science 和 Scopus 中进行了文献检索。使用纽卡斯尔-渥太华量表评估纳入研究的质量。根据数据类型选择效应大小，包括比值比、相对风险、平均差异和标准平均差异。森林图直观地显示了汇总效应大小和相应的 95% 置信区间，而 I 2 检验计算了异质性。元回归和亚组分析探讨了异质性的潜在来源。留一敏感性分析评估结果的稳健性，Begg 和 Egger 检验评估出版偏倚。
对临床医生指导的推动进行系统评价......
摘要 目的 助推是一种改变选项呈现方式的干预措施，使个人更容易选择最佳选项。卫生系统和研究人员已经测试了助推来影响临床医生的决策，目的是改善医疗服务。我们的目的是系统地研究旨在改善医疗环境中临床医生决策的助推的使用和有效性。 设计 进行了一项系统评价，以收集和整合测试助推的研究结果，并确定旨在改善不同类型的临床医生的医疗环境中临床决策的助推是否有效。我们系统地搜索了七个数据库（EBSCO MegaFILE、EconLit、Embase、PsycINFO、PubMed、Scopus 和 Web of Science），并使用滚雪球抽样技术来确定 1984 年 1 月 1 日至 2020 年 4 月 22 日期间经过同行评审的已发表研究。对符合条件的研究进行了批判性评价和叙述性综合。我们根据来自纳菲尔德生物伦理委员会的分类法对助推进行分类。使用 Cochrane 偏倚风险评估工具对纳入的研究进行评估。结果我们筛选了 3608 项研究，其中 39 项研究符合我们的标准。大多数研究（90%）在美国进行，36% 为随机对照试验。最常研究的助推干预（46%）为临床医生提供信息框架，通常是通过同行比较反馈。通过默认选项或启用选择来指导临床决策的助推也经常被研究（31%）。信息框架、默认和启用选择助推显示出希望，而其他类型的助推效果好坏参半。鉴于纳入了非实验设计，只有一小部分研究在所有 Cochrane 标准中的偏倚风险最小（33%）。结论框架信息、更改默认选项或启用选择的助推经常被研究，并显示出改善临床决策的希望。未来的工作应该研究助推与非助推干预（例如政策干预）在改善医疗保健方面的比较。
与社会行为因素相关的
结果：分析包括 2489 人（574 例阳性病例，23.1%；1915 例对照，76.9%；中位年龄 [四分位距]：35 [27–51] 岁）。虽然教育和家庭收入与感染无关，但医护人员身份与感染有关（aOR：1.45；95% 置信区间 [CI]：1.03–2.06）。参加 5 人或以上聚会的人感染几率高于参加小型聚会的人（aOR：2.58；95% CI：1.14–5.83）。由于存在较高的偏倚风险（例如未确定的先前感染），因此无法估计疫苗接种状态的绝对疫苗有效性。第一次加强针（32%；95% CI：-120–79）和第二次加强针（48%；95% CI：-23–78）的相对疫苗有效性均为中等（CI 均较宽），尽管半年后呈减弱趋势。
引用：Dambha-Miller H、Albasri A、Hodgson S 等人。目前英国处方药可能会上调或下调 COVID-19 中的 ACE2
摘要 目的 审查英国常规处方药可能上调或下调 ACE2 并可能影响 COVID-19 疾病的证据。设计 系统评价。数据来源 MEDLINE、EMBASE、CINAHL、Cochrane 图书馆和 Web of Science。研究选择任何使用动物或人类模型的设计，将英国目前处方的药物与对照组、安慰剂组或假手术组进行比较，并报告对 ACE2 水平、活性或基因表达的影响。数据提取和合成 MEDLINE、EMBASE、CINAHL、Cochrane 图书馆、Web of Science 和 OpenGrey，从建库到 2020 年 4 月 1 日。使用系统评价实验室动物实验中心 (SYRCLE) 动物研究偏倚风险工具和 Cochrane 人体研究偏倚风险工具评估方法学质量。结果我们筛选了 3360 个标题，纳入了 112 项研究，其中 21 种不同的药物类别被确定为影响 ACE2 活性。十项研究是在人类身上进行的，一百零两项研究是在动物模型中进行的，没有一项研究检查了人肺中的 ACE2。最常检查的药物是血管紧张素受体阻滞剂 (ARB) (n=55) 和 ACE 抑制剂 (ACE-I) (n=22)。报告上调的研究多于下调的研究：ACE-I (n=22)、ARB (n=55)、胰岛素 (n=8)、噻唑烷二酮 (n=7) 醛固酮激动剂 (n=3)、他汀类药物 (n=5)、雌激素 (n=5) 钙通道阻滞剂 (n=3) 胰高血糖素样肽 1 (GLP-1) 激动剂 (n=2) 和非甾体抗炎药 (NSAID) (n=2)。结论大量学术文献和媒体报道了某些药物可能减轻或加剧 COVID-19 疾病。这导致了对重新利用的药物进行试验，并导致患者和临床医生对继续或停止处方药物产生不确定性。我们的审查表明，目前处方药对 ACE2 的影响在体内研究不足，特别是在 SARS-CoV-2 病毒似乎发挥其致病作用的人类肺部中。我们没有发现令人信服的证据证明开始或停止目前处方的药物会影响 COVID-19 疾病的结果。
喉内窥镜中的人工智能
结果：纳入的 13 项研究总体偏倚风险较低。AI 模型的总体准确率非常高（从 0.806 到 0.997），用于构建和评估模型的图像数量从 120 到 24,667 不等。使用较大数据库的研究的准确率明显更高。对健康喉组织识别的汇总灵敏度和特异性（8 项研究）分别为 0.91（95% CI：0.83-0.98）和 0.97（95% CI：0.96-0.99）。对良性和恶性病变的区分（7 项研究）的相同值分别为 0.91（95% CI：0.86-0.96）和 0.95（95% CI：0.90-0.99）。分析扩展到比较评估窄带成像（3 项研究）和白光内窥镜图像（4 项研究）的 AI 模型的灵敏度和特异性。两种方法的结果相似，未发现亚组效应（灵敏度 p = 0.406，特异性 p = 0.817）。
内容效度过程的系统评价方案
我们将对 2010 年至 2020 年在 PubMed、APA PsychInfo、Science Direct、EMBASE Psych、Google Scholar 和 Web of Science 上发表的英语和德语出版物进行系统评价。纳入标准涵盖队列、病例对照、横断面研究、随机对照研究以及会议论文集报告。系统评价将排除一些灰色源材料，特别是社论、报纸文章和博客文章。我们的主要结果是社交媒体上表达的自我报告抑郁症。次要结果将是用于社交媒体抑郁症筛查的 AI 方法类型，以及伴随这些方法的临床验证程序。第二步，我们将利用证据强化人群、干预、比较、结果、研究类型 (PICOS) 工具来完善我们的纳入和排除标准。在两位作者对证据来源的偏倚风险进行独立评估后，数据提取过程将最终形成对所审查研究的主题综合。
基于图像的手术伤口感染识别的机器学习方法：范围审查
背景：手术部位感染 (SSI) 频发，对患者和医疗保健系统造成影响。目前，由于需要临床医生进行手动评估，远程监控手术伤口受到限制。基于机器学习 (ML) 的方法近期已用于解决术后伤口愈合过程的各个方面，并可用于提高远程手术伤口评估的可扩展性和成本效益。目的：本综述旨在概述用于从图像中识别手术伤口感染的 ML 方法。方法：我们按照 JBI（乔安娜·布里格斯研究所）方法对用于 SSI 视觉检测的 ML 方法进行了范围界定审查。纳入了任何术后背景下的参与者的手术伤口感染识别报告。未涉及 SSI 识别、手术伤口或未使用图像或视频数据的研究被排除在外。我们于 2022 年 11 月在 MEDLINE、Embase、CINAHL、CENTRAL、Web of Science 核心合集、IEEE Xplore、Compendex 和 arXiv 中搜索了相关研究。对检索到的记录进行了双重筛选以确定是否符合条件。使用数据提取工具绘制相关数据图表，以叙述方式描述并使用表格呈现。对 TRIPOD（个体预后或诊断的多变量预测模型透明报告）指南的使用情况进行了评估，并使用 PROBAST（预测模型偏倚风险评估工具）评估偏倚风险 (RoB)。结果：总共有 10 条筛选出的独特记录符合资格标准。在这些研究中，临床背景和手术程序各不相同。所有论文都开发了诊断模型，但没有一篇进行外部验证。使用传统 ML 和深度学习方法从大多为彩色的图像中识别 SSI，所用图像的数量从不到 50 张到数千张不等。此外，至少有4项研究报告了10个TRIPOD项目，但少于4项研究报告了15个项目。PROBAST评估显示，9项研究被认定为总体RoB较高，1项研究的RoB总体不明确。结论：基于机器学习的图像识别手术伤口感染的研究仍属新兴领域，需要标准化报告。未来应解决与图像采集、模型构建和数据源差异相关的局限性。
儿童和青少年性别焦虑症的治疗
2022 年 4 月 20 日 佛罗里达州卫生部希望澄清美国卫生与公众服务部最近发布的一份情况说明书中引用的证据，并为治疗儿童和青少年的性别焦虑症提供指导。对年轻人激素治疗的系统评价显示，证据质量低、样本量小、偏倚风险中高。《国际精神病学评论》发表的一篇论文指出，80% 的寻求临床治疗的人将失去认同非出生性别的愿望。一篇评论得出结论：“对跨性别青少年的激素治疗可以达到预期的身体效果，但关于其心理社会和认知影响的证据普遍缺乏。”根据默克手册，“性别焦虑症的特点是强烈、持续的跨性别认同，伴有焦虑、抑郁、易怒，并且常常希望以不同于出生时指定性别的性别生活。”由于缺乏确凿证据，并且可能产生长期不可逆转的影响，该部门的指导方针如下：