XiaoMi-AI文件搜索系统
World File Search System医学生
发展中国家医生和医学生对人工智能使用的知识和观点差异：一项横断面研究
在总共 621 名注册者中，有 367 人填写了活动后问卷并被纳入分析。虽然大多数人认为人工智能将在未来提供医疗服务方面发挥重要作用（74.4%），但他们并不了解人工智能的应用（79.6%）和局限性（82.8%）。与医学生（69.3%）相比，较少比例的医生（51.6%）有兴趣了解更多有关人工智能的知识。此外，与医学生（84.4%）相比，较少比例的医生（65.2%）认为人工智能将对他们的医生职业有益。大多数医学生（83.5%）从未参加过任何关于医疗保健人工智能的网络研讨会/讲座或课程，并认为他们从医学院获得的有关人工智能及其应用教学的建议很少（80.7%）。与男性受访者相比，女性医学生对人工智能的原理和应用不了解的比例显著 (P = 0.001)。然而，女性医学生对了解人工智能的兴趣显著 (P = 0.004) 高于男性医学生。
乌干达医学生对 2019 冠状病毒病疫苗的接受度：一项横断面研究。
（p < 0.029）、个人对 COVID-19 的感知风险（p = 0.001）以及乌干达整体风险（p < 0.001）、对疫苗有效性的信念（p < 0.001）、过去五年的疫苗接种情况（p = 0.028）以及不情愿程度
ORIGINALRESEARCH 印度尼西亚医生和医学生对基因组编辑的态度
目的：本研究旨在衡量印尼医生和学生对基因组编辑新技术的态度。材料和方法：通过研究人员网络、电子邮件和专门针对医生和学生的社交媒体分发在线问卷，调查他们对体细胞和胚胎健康和非健康状况基因组编辑的态度。处理了 1055 份有效问卷的数据；对社会人口因素和对基因组编辑的态度进行了描述性和关联分析。通过电子邮件进行深入访谈，以探讨受访者的答案。结果：结果显示，印尼医生和学生对基因组编辑的了解有限，并且与性别、居住地、宗教、教育、婚姻状况、生育和海外经历有关。超过一半的受访者支持基因组编辑用于治疗体细胞和胚胎的致命和衰弱性疾病，这意味着他们同意编辑基因遗传。然而，当应用于外貌、智力和力量等非健康相关方面时，这种认可度下降。影响他们对基因组编辑态度的因素包括他们是医生还是学生、性别、年龄、教育、宗教、经济状况和居住地。结论：提高印度尼西亚医生和学生对基因组编辑的了解和认识非常重要。尽管大多数受访者支持将其应用于健康相关事务，但需要从伦理和宗教角度进行讨论，以确保人们接受。关键词：发展中国家、CRISPR/Cas、良好的健康和福祉
年度医学生研究期刊
美国每年约有 30 万例肩袖修复 (RCR)。尽管抑郁症在肌肉骨骼损伤患者中很常见，但抑郁症对 RCR 后患者结果的影响仍然未知。这项回顾性研究调查了术前抑郁症是否预示着 RCR 手术后更差的术后结果，包括物理治疗 (PT) 依从性和患者使用 PROMIS 报告的结果。对 2018 年 1 月 1 日至 2018 年 7 月 1 日期间在 URMC 接受关节镜 RCR 的患者进行了纳入评估，符合纳入和排除标准的 117 名 (36%) 患者被纳入研究。手术时的平均年龄为 59.3 岁（SD 9.3），平均随访期为 18.0 个月（SD 8.3）。31 名患者（26%）被诊断为临床抑郁症。 36 名患者（31%）的术前 PROMIS 抑郁评分高于之前确定的抑郁阈值（PROMIS-D>52.5）。总体而言，整个队列的 PROMIS 身体功能（PROMIS-PF）和疼痛干扰（PROMIS- PI）评分从术前到术后均有显著改善。与未诊断为抑郁症的患者相比，诊断为抑郁症的患者 PT 依从率较低（74.1% vs 84.9%；p=0.0004），术后 PROMIS-PF 较低（41.3 vs 45.6；p=0.02），术后 PROMIS-PI 较高（59.0 vs. 54.5；p=0.01）（即疼痛更严重）。同样，与未患 PROMIS 抑郁症的患者相比，患 PROMIS 抑郁症的患者的 PT 依从率较低（73.6% vs 83.8%；p=0.002），术后 PROMIS-PF 较低（39.1 vs 46.1；p=0.0002），术后 PROMIS-PI 较高（60.9 vs 54.1；p=0.0003）。总之，本研究结果将行为健康确定为资源分配领域，以改善关节镜 RCR 后的结果。
医学科学中的人工智能：医学生的视角
机器学习是计算机通过人工神经网络 (ANN) 从先前记录的数据中学习的能力。受人脑神经网络的启发，ANN 通过输入和输出之间的算法建立非线性关系。深度学习是机器学习的一个子集，其结构类似于人脑处理，同时考虑多个数据集，这些数据集经过评估和重新处理，进行第二次和第三次不同的评估，依此类推，直到达到输出。2 他们可以从过去的例子中学习，分析非线性数据，处理不精确的信息，并进行推广，使模型能够应用于独立数据。3 在深度学习中使用卷积神经网络 (CNN)。CNN 是人工神经网络的一个分支，它包含许多相互关联的隐藏算法层以给出结果。此工作流程根据需要继续使用多个层（因此称为深度学习），同时每个过滤器都会创建一个输出分数，该输出分数是下一层的输入分数，直到获得最终结果。2
帮助医学生做好应对人工智能对医疗保健影响的准备
人工智能 (AI) 技术有望改变医疗保健 1 。当代人工智能的支柱是机器学习，它涉及在大型数据集上训练算法，以根据输入预测适当的输出 2,3 。人工智能已应用于诊断测试的解释、预测和风险评估以及从电子病历中挖掘信息。临床人工智能算法已证明能够比专家临床医生团队更准确地检测出黑色素瘤 4 ，根据视网膜 CT 图像提前数年预测痴呆症风险 5 ，并根据在明显正常窦性心律下记录的心电图正确识别患有心房颤动的个体 6 。人工智能在提高文书效率（例如图表、账单、日程安排）方面的前景也预计将对医生改善直接患者护理的能力产生深远影响 7,8 。2017 年，加拿大成为全球第一个宣布 AI 国家战略的国家，在五年内投资 1.25 亿美元，在埃德蒙顿、多伦多和蒙特利尔建立卓越中心 9 。2019 年，联邦政府又投资 4900 万美元，推出“数字健康与发现平台”，将健康数据链接起来，用于全加拿大的 AI 研究 10 。鉴于 AI 发展的快速步伐和监管部门的快速审批 11 ，医院环境中正在开发许多 AI 算法，用于不同的应用，例如改进对诊断成像的解释 12 和新生儿败血症的早期检测 13 。截至 2020 年 2 月，已有 35 种 AI 算法获得 FDA 批准在美国用于临床 11 。随着 AI 临床实用性的提高，我们相信医生将越来越多地被期望与 AI 合作 14 。为了充分发挥 AI 在医学领域的优势并降低其风险，本立场文件主张将 AI 能力纳入加拿大各地的本科医学教育 (UGME) 计划。
巴西医学生关于 HPV 及其疫苗的知识差距和获取
为了评估所用工具的内部一致性，使用了 Cronbach 的 alpha 方程，得出该人群的 alpha 值 (α) = 0.74。该值证明使用此问卷获得的答案具有很高的一致性并且是可以接受的。在完成调查的 518 名医学生中，大多数为男性 312 名（60.4%），平均年龄为 23（±2.8）岁；199 名（38.3%）学生是毕业的最后一年（第 5 年和第 6 年）。与毕业最后一年的学生相比，一、二、三年级的学生出现知识差距的风险高 51% [PR 1.51（1.3:1.8）；p < 0.001]。男性知识不满意的风险比女性高 22% [PR 1.22（1.07:1.39）]。医学院学习期间没有获得以下问题的知识（p < 0.05）：艾滋病毒感染者的疫苗适应症和孕妇的禁忌症。
Ganong的医学生理学评论，第23版Ganong的医学生理学评论，第23版
医学是一门不断变化的科学。随着新的研究和临床经验扩大了我们的知识，需要对治疗和药物治疗的变化。这项工作的作者和出版商已与据信可靠的消息来源进行了核对，以提供完整的信息，并且通常符合出版时接受的标准。但是，考虑到可能发生人为错误或医学科学变化的可能性，作者，出版商或任何参与此工作的准备或出版的其他方都不保证此处所包含的信息准确或完整，并且它们不承担任何责任或遗漏的所有责任，或者是否会因使用此工作所包含的Infor-eftor-efrors或ommissions或Ommissions或Ommissions或Ommiss的所有责任。读者被鼓励确认此处包含的其他来源的信息。，例如，建议读者检查他们计划管理的每种药物包装中包含的产品信息表，以确保本工作中包含的信息准确，并且在建议的剂量或管理禁忌剂中尚未进行更改。与新药或不经常使用的药物有关，该建议特别重要。