XiaoMi-AI文件搜索系统
World File Search System决策支持
重症监护病房中机器学习临床决策支持的最新进展：文献综述
背景：现代重症监护病房临床护理充满了丰富的数据，机器学习在支持临床决策方面具有巨大潜力。基于智能机器学习的临床决策支持系统的发展面临着巨大的机遇和挑战。临床决策支持系统可能直接帮助临床医生准确诊断、预测结果、识别风险事件或在护理点决定治疗。目的：我们旨在回顾机器学习在重症监护病房中的临床决策支持研究和应用，以帮助临床医生、研究人员、开发人员和政策制定者更好地了解机器学习支持的诊断、结果预测、风险事件识别和重症监护病房护理建议的优势和局限性。方法：我们搜索了 1980 年 1 月至 2020 年 10 月期间在 PubMed 数据库中发表的论文。我们定义了选择标准以确定专注于机器学习在重症监护病房中的临床决策支持研究的论文，并回顾了以下方面：研究主题、研究队列、机器学习模型、分析变量和评估指标。结果：共收集到643篇论文，按照筛选标准共找到97篇研究，研究分为4个主题：监测、检测和诊断（13/97，13.4%）、临床事件的早期识别（32/97，33.0%）、结果预测和预后评估（46/97，47.6%）、治疗决策（6/97，6.2%）。97篇论文中，82篇（84.5%）研究使用了成人患者数据，9篇（9.3%）研究使用了儿科患者数据，6篇（6.2%）研究使用了新生儿数据。我们发现65篇（67.0%）研究使用了单中心数据，32篇（33.0%）研究使用了多中心数据集； 88 项 (90.7%) 研究使用了监督学习，3 项 (3.1%) 研究使用了无监督学习，6 项 (6.2%) 研究使用了强化学习。临床变量类别（从最常用的开始）为人口统计学（n=74）、实验室值（n=59）、生命体征（n=55）、分数（n=48）、通气参数（n=43）、合并症（n=27）、药物（n=18）、结果（n=14）、液体平衡（n=13）、非药物治疗（n=10）、症状（n=7）和病史（n=4）。临床数据建模研究最常用的评估指标包括受试者工作特征曲线下面积（n=61）、灵敏度（n=51）、特异性（n=41）、准确度（n=29）和阳性预测值（n=23）。
临床决策支持的3DS
在早期，CDS被构想，并被认为是为临床医生做出决定的。临床医生将输入信息，并等待CDSS输出“右”选择，而临床医生将仅对该输出作用。但是，CDS的当前使用是通过利用自己的知识和CDS来帮助临床医生。 这可以改善对患者数据的分析，因为包括两个知识来源。 计算机化医疗保健有望成为实现医疗保健质量和成本进行重大转变所必需的强大杠杆之一。 CD通过提高护理质量和改善健康成果，避免错误和不良事件，在这种医疗保健转型中起着重要的作用。 这样做，提高效率，成本效益以及提供者和患者满意度。但是，CDS的当前使用是通过利用自己的知识和CDS来帮助临床医生。这可以改善对患者数据的分析，因为包括两个知识来源。计算机化医疗保健有望成为实现医疗保健质量和成本进行重大转变所必需的强大杠杆之一。CD通过提高护理质量和改善健康成果，避免错误和不良事件，在这种医疗保健转型中起着重要的作用。这样做，提高效率，成本效益以及提供者和患者满意度。
任务工程和路线规划中的数字孪生决策支持
摘要：本文介绍了一种基于模型的系统工程 ( MBSE ) 方法，用于开发无人机系统 ( UAS ) 的数字孪生 ( DT )，并能够展示以任务工程 ( ME ) 为重点的路线选择能力。它回顾了 ME 的概念，并将 ME 与 MBSE 框架相结合以开发 DT。该方法通过一个案例研究进行了展示，其中 UAS 部署在有对手的军事环境中执行最后一英里交付 ( LMD ) 任务，路线优化模块根据各种输入向用户推荐最佳路线，包括对手行动对 UAS 造成的潜在损坏或破坏。优化模块基于多属性效用理论 ( MAUT )，该理论分析用户评估的预定义标准，这些标准将使 UAS 任务成功执行。本文表明，该方法可以执行路线选择的 ME 分析，以支持用户的决策过程。讨论部分强调了 MBSE 的关键构件，也强调了该方法的优点，该方法标准化了决策过程，从而减少了可能偏离预定义标准的人为因素的负面影响。
诊所的基于决策支持系统
抽象在极其复杂和困难的过程和情况下做出良好的决定既是诊所的关键任务，又是挑战，并且导致了大量临床，法律和道德规范，方案和反思，以保证公平，参与性和最新的临床决策途径。尽管如此，过程和身体现象的复杂性，时间以及经济限制，并非最不重要的进一步努力以及医学和医疗保健方面的成就不断提高评估和改善临床决策的需求。本文审查了是否以及如何通过所谓的人工智能驱动的决策支持系统（AI-DSS）的兴起来挑战临床决策过程。在第一步中，本文分析了AI-DSS的兴起将如何影响和改变诊所不同药物之间的相互作用模式。在第二步中，我们指出了这些不断变化的互动方式还意味着在透明度的信任度，认知挑战，代理的基本规范概念及其嵌入到具体的部署环境以及最终对（可能的（可能的）责任的后果所产生的后果中，其潜在的规范概念及其嵌入到具体的情况中。第三，我们就临床AI-DSS的“有意义的人类控制”得出了有关进一步步骤的第一个结论。
已发布版本的引文 (APA)：Braun, M., Hummel, P., Beck, S., & Dabrock, P. (2021)。临床中基于人工智能的决策支持系统的伦理入门。《医学伦理学杂志》，47(12)，第 E3 条。https://doi.org/10.1136/medethics-2019- 105860
摘要 在极其复杂和困难的过程和情况下做出正确的决策一直是一项关键任务，也是临床上的一项挑战，并导致了大量的临床、法律和道德惯例、协议和反思，以保证临床决策的公平、参与和最新途径。然而，过程和物理现象的复杂性、时间和经济限制，以及医学和医疗保健领域的进一步努力和成就，不断提高了评估和改进临床决策的必要性。本文探讨了所谓的人工智能驱动的决策支持系统 (AI-DSS) 的兴起是否以及如何挑战临床决策过程。首先，本文分析了 AI-DSS 的兴起将如何影响和改变临床中不同代理之间的交互模式。第二步，我们指出这些不断变化的互动模式也意味着信任条件的变化、透明度方面的认知挑战、代理的基本规范概念及其在具体部署环境中的嵌入，以及最终对（可能的）责任归属的影响。第三，我们得出关于临床 AI-DSS 的“有意义的人为控制”的进一步步骤的初步结论。
复杂地下作业中的决策支持
成功完成地下操作需要高度专业的功能和最新工具的准确计划。奥地利军事学院的研究小组旨在支持这些非常特殊的运营环境的决策，计划和培训。快速数据集成和可视化3D模型，计划，地图或激光扫描以及从地下结构内部的传感器和摄像机收集的操作员的信息提供了实际上通常无法进入安装的可能性。专业工具作为Boris（太空中的基于浏览器的方向）初始HTML模型，地下操作任务工具（SOMT）或快速隧道建模工具（FTMT），通过创建一个地下任务区域的虚拟双胞胎来改善快速可视化。在扩展现实（XR）应用程序中的改善空间逮捕大大改善了决策，并支持同步的任务计划和执行。由于地下服务结构和行动力的运营商之间的密切合作和信息交流是成功的先决条件，因此所有相关因素和参与者的整合将大大增加全面的合作。该项目通过在真正全面的共同操作图片中显示相关信息来增强共同的观点，从而实现更准确，更精确的动作，减少自身的损失和附带损害。
请引用原文：Knapic, S., Malhi, A., Saluja, R., & Framling, K. (2021). 可解释人工智能在医学领域人类决策支持系统中的应用。机器学习与知识提取，3 (3), 740-770。https://doi.org/10.3390/make3030037
摘要：本文介绍了可解释人工智能方法在医学图像分析场景中提供决策支持的潜力。通过将三种可解释方法应用于同一医学图像数据集，我们旨在提高卷积神经网络 (CNN) 提供的决策的可理解性。视频胶囊内窥镜 (VCE) 获得的体内胃部图像是视觉解释的主题，目的是提高医疗专业人员对黑盒预测的信任度。我们实施了两种事后可解释机器学习方法，称为局部可解释模型不可知解释 (LIME) 和 SHapley 附加解释 (SHAP)，以及一种替代解释方法，即上下文重要性和效用 (CIU) 方法。产生的解释由人工评估。我们根据 LIME、SHAP 和 CIU 提供的解释进行了三项用户研究。来自不同非医学背景的用户在基于网络的调查环境中进行了一系列测试，并陈述了他们对给定解释的经验和理解。我们对具有三种不同解释形式的三个用户组（n = 20、20、20）进行了定量分析。我们发现，正如假设的那样，在改善对人类决策的支持以及更加透明从而让用户更容易理解方面，CIU 可解释方法比 LIME 和 SHAP 方法表现更好。此外，CIU 因能够更快地生成解释而优于 LIME 和 SHAP。我们的研究结果表明，在不同的解释支持设置之间，人类的决策存在显著差异。与此相符，我们提出了三种潜在的可解释方法，随着未来实施的改进，这些方法可以推广到不同的医疗数据集，并为医疗专家提供有效的决策支持。
模拟激光武器系统决策支持，利用机器学习对抗无人机群
本论文展示了机器学习的一种应用，它为在复杂战术情况下操作激光武器系统的战士提供自动决策支持。该论文使用 NPS 建模虚拟环境与仿真 (MOVES) 研究所的 Swarm Commander 建模和仿真软件环境来开发模拟数据集，模拟涉及舰载激光武器系统防御无人机群威胁的战争游戏场景。模拟数据集用于训练机器学习算法，以预测复杂战场中异构无人机群的最佳交战策略。评估了多种机器学习技术，并选择分类树技术作为首选方法。最终算法在根据无人机威胁类型、数量和激光武器系统攻击策略正确预测交战结果方面总体准确率为 96%。研究结果表明：（1）建模和仿真对于支持战术机器学习应用开发的实用性；（2）机器学习对支持未来战术行动的潜力；（3）机器学习和自动化总体上可以减轻未来作战人员在复杂威胁环境中做出关键决策时的认知负荷。
标题人工智能机器学习用于急诊科环境中心房颤动的检测和治疗指南（AIM HIGHER）：评估机器学习临床决策支持工具用于检测和治疗非瓣膜性...
1. Colilla S、Crow A、Petkun W、Singer DE、Simon T、Liu X。美国成年人口中心房颤动的当前和未来发病率和患病率估计。Am J Cardiol。2013；112(8)：1142-1147。 2. Jackson SL、Tong X、Yin X、George MG、Ritchey MD。2006 至 2014 年美国急诊、住院和心房颤动死亡负担。Am J Cardiol。2017；120(11)：1966- 1973。 3. January CT、Wann LS、Alpert JS 等。AHA/ACC/HRS 心房颤动患者管理指南：美国心脏病学会/美国心脏协会实践指南工作组和心律学会的报告。循环。2014；130：e199-e267。4. January CT、Wann LS、Alpert JS 等。AHA/ACC/HRS 重点更新了 2014 年 AHA/ACC/HRS 心房颤动患者管理指南：美国心脏病学会/美国心脏协会临床实践指南工作组和心律学会的报告。循环。2019；140：e125-e151。5. Baugh CW、Clark CL、Wilson JW 等。在急诊科环境中创建和实施心房颤动门诊治疗途径：专家小组的结果。Acad Emerg Med。2018；25(9)：1065-1075。
基于数字孪生的业务运营决策支持服务
摘要。随着服务化的到来以及数字化的不断推进，工业价值创造日益转向客户界面上的服务互动。企业越来越少地关注销售商品，而更多地关注创造服务价值。商品作为服务价值的载体仍然很重要。服务主导逻辑 (S-D Logic) 的概念通过提供一种新的视角，将服务生态系统中的价值共同创造置于概念设计的核心，为概念和理论基础的这种转变做好了准备。服务交付得到了数字和数据驱动工具不断增强的功能的极大支持 (Lusch & Nambisan, 2015)。在企业对企业 (B2B) 环境中，服务的好处主要体现在与业务相关的决策中。通过使用数据，可以更好地预测决策的后果，从而减少管理的不确定性并提高决策质量。本文研究了数字孪生在业务流程中对决策支持的建模，始终关注为系统中的人类参与者创造服务价值。为此，决策被建模为一个多阶段过程，可以用数字孪生的不同元素来表示。概念研究伴随着在真实公司案例研究中的实施。本案例展示了数字孪生的元素如何相互作用以创造服务价值，以及创造这种价值需要什么样的数据。