XiaoMi-AI文件搜索系统
World File Search System再入
汞项目 - 再入 - 太空飞行模拟器
recerry中水星航天器的目标是基于宇航员飞行的真正航天器创建游戏体验。MA-7（Carpenter）和MA-8（schirra）使用的汞熟悉手册SEDR 104（5/20/1962）建模，并包含来自所有不同汞胶囊配置的大多数简单和高级控制，包括卫星时钟，包括卫星的时钟，使用3个主燃料的电池，两个分离和一个分离的单位，一个分离和一个分离。这种选择的原因是，这种航天器的这种配置具有为汞项目开发的所有系统，并且可以驾驶所有实际情况。
预测印度尼西亚心力衰竭患者的严重程度和再入院风险：一种机器学习方法
目标：在印度尼西亚，心力衰竭患者（HF）的预后不良和高医院再入院率尚未受到关注。但是，机器学习（ML）方法可以帮助缓解这些问题。我们旨在确定哪种ML模型最能预测的HF严重程度和医院再入院，并可以用于患者自我监测移动应用。方法：在一项回顾性队列研究中，我们在2020年，2021年和2022年收集了HF接受HF的患者数据。使用橙色数据挖掘分类方法分析数据。ML支持算法，包括人工神经网络（ANN），随机森林，梯度增强，幼稚的贝叶斯，基于树的模型和逻辑回归用于预测HF严重性和医院再入院。使用曲线（AUC），准确性和F1得分下的区域评估了这些模型的性能。结果：在543例HF患者中，3例（0.56％）因入院死亡而被排除。医院再入院发生在138名患者中（25.6％）。在测试的六种算法中，ANN在预测HF严重程度（AUC = 1.000，准确性= 0.998，F1-得分= 0.998）和HF的再入院方面表现出最佳性能（AUC = 0.998，精度= 0.975，F1评分= 0.972）。其他研究显示了最佳算法的可变结果，以预测HF患者的医院再入院。结论：ANN算法最能预测HF严重性和医院再入院，并将集成到移动应用程序中，以进行患者自我监控以防止再入院。
急性心力衰竭和乳腺癌的女性三十天的医院再入院：来自国家再入院数据库的回顾性队列研究
1麦克拉伦·弗林特/密歇根州立大学人类医学院，美国密苏里州弗林特，美国2个心脏病学系，西奈山迈阿密山，哥伦比亚山迈阿密山，佛罗里达州迈阿密，佛罗里达州，美国佛罗里达州迈阿密，美国，三位医学院，美国，美国河畔托马斯医院，田纳西州医学院，纳马斯大学。美国纽约州罗切斯特市，美国赫尔利医学中心/密歇根州立大学人类医学院5号内科，美国密西根州弗林特，美国弗林特，美国密歇根大学6个心脏病学分校，美国密西根州安阿伯市，美国密西根州安阿伯，美国7号心脏病学，美国埃默里大学医学中心，美国埃米罗大学医学中心，美国纽约州埃默里大学医学中心，纽约州纽约市纽约市纽约市纽约市纽约市，美利坚合众国密歇根州，美国密苏里州圣路易斯市心脏病学9司，美国，美国，美国。
2024测量更新和规格报告熟练的护理设施基于价值的采购计划：熟练的护理设施30天全因再入院措施（2.0版）
2.2。风险调整变量SNFRM风险调整模型在混合和患者特征时说明了SNF之间的变化。该措施适应年龄，性别，住院期间的住院时间，COVID-19诊断，在先前的近端住院期间在重症监护室（ICU）所花费的时间，残疾作为医疗保险的原始原因，终末期肾脏疾病（ESRD）和先前治疗的端端疾病，在365天内使用急性医院的数量。 （AHRQ）临床分类软件（CCS）类别，系统特定的手术指标，基于CMS层次条件类别（CCS）的个人合并症以及多种合并症的存在。
心力衰竭30天再入院的病因和预测因素：更新的分析
背景和目标：历史上有20％的心力衰竭再入院（HF），导致患者的发病率高和医疗保健系统的高财务成本。不断变化的人口景观和风险因素动态授权HF再入院的周期性流行病学重新评估。方法：国家再入院数据库（NRD，2019年）用于识别与HF相关的医院的效率，并评估了人口统计学，入院特征和合并症的患者之间的合并症不同，并且在30天内未入学的患者之间的经典。分析了全原因，HF特异性和非HF相关再入院的原因和预测因素。结果：在48,971例HF患者中，已读的队列年轻（平均67.4 vs. 68.9岁，P≤0.001）的男性比例较高（56.3％vs.53.7％），最低收入四分位数（33.3％vs. 28.9％），Charlson Comorbitie Index（33.9％）（61％）（61％）。资源利用用于大型床尺寸住院，医疗补助招待会，平均住院时间（6.2 vs. 5.4天）以及对其他设施的处置（23.9％vs 20％），比未读书。再入院率（30天）的率为21.2％（10,370），心血管造成50.3％（HF最常见：39％），而非心血管为49.7％。独立的再入院预测因素是男性，社会经济状况较低，非选择性入院，心房颤动，慢性观察性肺部疾病，慢性肾脏疾病，贫血和CCI≥3。HF特异性再入院术与先前的冠状动脉疾病和医疗补助入学率显着相关。结论：我们的分析表明，对于HF本身的30天再入院，心脏和非心因素的再入院原因同样普遍，这是最常见的依恋症，强调了解决心脏和非心脏AC的合并症的重要性，以减轻重新入院风险。
评估30天医院再入院模型中的算法偏见：回顾性分析
背景：医疗保健中的预测算法的采用带来了算法偏见的潜力，这可能会加剧现有差异。公平指标来衡量算法偏见，但是它们在现实世界任务中的应用是有限的。目的：本研究旨在评估与常见的30天医院再入院模型相关的算法偏见，并评估所选公平度量标准的有用性和解释性。方法：我们在这项回顾性研究中使用了2016年至2019年从马里兰州和佛罗里达州的1060万名成人住院排放。评估了预测30天医院再入院的模型：蕾丝指数，改良的医院评分和改良的Medicare＆Medicaid服务中心（CMS）再入院措施，这些措施已应用于AS-IS（使用现有系数）并重新校准（用50％的数据重新校准）。对黑人和白人种群以及低收入和其他收入组之间的所有人的预测性能和偏差度量进行了评估。偏差度量包括假阴性率（FNR），假阳性率（FPR），0-1损失和广义熵指数的均等。以FNR代表的种族偏见和FPR差异进行了分层，以探索不同人群中算法偏见的变化。结果：再训练CMS模型证明了最佳的预测性能（曲线下的面积：马里兰州0.74，佛罗里达州0.68-0.70），改良的医院分数表现出最佳的校准（Brier得分：0.16-0.19在马里兰州，佛罗里达州0.19-0.21）。结论：在解释公平措施的面值时必须谨慎。校准在白色（与黑色）人群和其他收入（与低收入）组相比的校准更好，并且曲线下的面积在黑色（与白色）种群中更高或相似。培训CMS和改良的医院评分在马里兰州的种族和收入偏见最低。在佛罗里达州，这两种模式总体上的收入偏见最低，改良的医院评分表现出最低的种族偏见。在两个州，白人和高收入的人群均显示出更高的FNR，而黑人和低收入人群则导致FPR较高和更高的0-1损失。当通过医院和人口组成进行分层时，这些模型在不同的情况和人群中表现出异质算法偏见。更高的FNR或FPR可能会反映错过的机会或浪费资源，但是这些措施也可以反映医疗保健的使用模式和护理差距。仅仅依靠偏见的统计概念可能掩盖或低估了健康差异的原因。必须仔细考虑不完美的健康数据，分析框架和基础卫生系统。公平措施可以作为检测不同模型性能的有用常规评估，但不足以为机制或政策变化提供信息。但是，这种评估是朝着数据驱动的改进以解决现有健康差异的重要第一步。
临床状况，付款人频繁，昂贵的医院再入院，2020年
该医疗保健成本和利用项目（HCUP）统计简介介绍了有关临床状况的全国估计，其医院再入院率，成人（18岁以上）使用2020年全国性的重新入境数据库（NRD）的成人（18岁及以上）。在2020年1月至11月之间初次住宿（索引入院）的30天内，任何原因的入院被定义为医院入院。预期付款人提出了三个重新读数指标：（1）重新入学数量最高的条件，（2）重新入院率最高的条件以及（3）平均再入院成本最高的条件。预期的付款人和状况（主要诊断）是基于指数的。针对癌症和癌症相关疗法的指数入学包括在整体再入院统计中，但在特定条件的统计数据中未报告。与其他条件相比，针对癌症和癌症相关治疗的再入院更有可能被计划和预期。由于NRD数据的样本量很大，因此在统计学上很明显。因此，在本统计摘要中讨论了大于或等于10％的差异。
一个用于预测心力衰竭再入院的机器学习模型：迈向最佳功能集
专注于六种特定的医疗状况，包括心力衰竭（HF），心肌梗死（MI），慢性阻塞性肺疾病（COPD），冠状动脉搭桥手术（CABG）手术，总髋关节/膝关节/膝关节促进术（THA/TKA）和肺炎，CMS已启动了2008年的公开报告（THA/TKA）。 CMS，2023）。HF在全球范围内有超过2600万个人，每年在美国导致超过100万个住院治疗（Sarijaloo等，2021）。由于人口老龄化，HF的患病率正在稳步增加。2015年至2018年的数据显示，约600万20岁及以上的美国成年人被诊断为HF（Virani等，2021）。预测表明，到2030年，这个数字预计将增加到800万，导致550亿美元的相关成本（Savarese and Lund，2017年）。入院后再入院或死亡率对HF患者对医疗保健构成了重大挑战。在出院后30天内，高达25％的HF患者可能会面临再入院，相关的死亡率风险约为10％（Krumholz等，2009）。尽管全国范围内专注于降低HF加剧的再入院率，但证据表明，这些患者的30天再入院和死亡率仍在上升（Gupta等，2018）。数据在医疗保健提取宝贵的知识和见解中起着至关重要的作用（Au Q. Ray等，2016）。从不同来源收集的大量患者信息已引起数据分析，作为理解复杂医疗状况的强大工具（Shameer等，2017； Jahangiri等，2024）。鉴于降低再入院率的重要性，已经进行了许多研究，以探索HF患者中侵害再入院率的因素。例如，在Sharma等人的最新研究中，HF再入院预测模型（基于树的分类）是使用性别，年龄，急诊部门访问等因素开发的，其C统计数据达到0.65（Sharma等人，2022年）。同样，Mortazavi等。设计了一个随机森林（RF）模型，该模型纳入了上述因素，合并症，种族和严重程度指数，导致C统计量为0.62，精度为0.32（Mortazavi等，2016）。对同一主题的其他几项研究（Philbin和Disalvo，1999; Ross等，2008; Awan等，2019a，b）的性能水平<0.66。此外，最近围绕该主题的研究数量有所上升。例如，在过去的12个月内，有几项研究采用机器学习（ML）方法来预测HF患者的再入院风险（Ru等，2023; Tong等，2023; Scholten等，2024）。c-统计数据在0.59–0.63范围内。但是，大多数研究都受到使用<50,000个样本的小型数据集的限制，这可能会阻碍其发现的普遍性。要解决现有文献中的这一差距，必须在国家一级收集较大的数据集。彻底的文献分析揭示了在开发HFR预测模型时可以考虑的150多个潜在特征。全国性的重新入学数据库（NRD）是最合适的数据集之一，包括全国性的数据，以及其2020年HF患者的最新样本量超过500,000个出院记录。预测心力衰竭再入院（HFR）的研究的可变性可以归因于几个因素，包括选择预测模型中使用的功能。这些功能可以大致分为五个类：（1）人口统计
计划全因再入院 (PCR)
o 会员服务：1-800-279-1878（TTY：711） • 临终关怀：让临终关怀或家庭保健提供者参与进来，确保患者不会因为非紧急的临终关怀问题而去医院。 • 为英语水平有限的患者提供翻译 • 为聋哑或听力障碍患者提供口译员/手语 • 根据健康素养水平，采用各种方式向患者传达指示