XiaoMi-AI文件搜索系统
World File Search System搜索词
Myers-Briggs医学教育中的类型指标
目的：卫生专业人员超越了作为科学船只的传统角色，并有望在社会心理科学，沟通和人文科学方面表现出卓越的表现。医学教育已将重点转移到培训的非认知方面，这些方面与临床表现，专业精神，人际交往能力和在职考试成绩相关。psy-Chometric检验是评估个人个性和行为特征的一种手段。它们已用于各种专业环境。Myers-Briggs类型指标（MBTI）是一份内省的心理测量问卷，解释了个人的决策，感知和相互作用。医学已通过调查提供者和受训者来使用MBTI。特定的利益是为了在医学教育中使用。本综述旨在对MBTI在医学教育中的使用进行全面审查和分析。方法：进行了PubMed搜索（1975 E 2018），以使用布尔和网格搜索词的结合来识别有关医学教育中MBTI的研究。最终审查中包括四十篇文章。结果：总体而言，在专业/培训设置选择中涉及MBTI的30％（12/40），52.5％（21/40）在医学课程中涉及MBTI，17.5％（7/40）在评估/选择者中涉及MBTI。不同特色菜的MBTI偏好显示出不一致之处。MBTI提高了受训者的沟通技巧，确定有倦怠风险的人，指导使用个性化的学习资源以及其他领域。此外，医学院的偏见和居住入院过程被MBTI发掘出来。此外，某些MBTI性状与受训者的临床评估相比，比董事会考试得分更强。结论：MBTI是医学教育的潜在强大工具。但是，大量研究（30％）研究了其在特殊选择中的作用，该领域的结果不一致。相反，MBTI可以更好地为学员提供不同的研究环境/资源，增强沟通技巧并提供倦怠筛查和支持。
人工智能 (AI) 如何应用于失语症康复：范围审查
摘要背景：近年来，人工智能（AI）已在我们的日常生活中变得司空见惯，并进入了许多不同的领域，包括健康和康复。虽然关于人工智能在不同领域的应用的研究有所增加，但关于人工智能是否以及如何用于失语症康复的信息却很少。目的：本次范围界定审查的目的是描述和了解人工智能目前如何用于失语症（PWA）患者的康复。我们的次要目标是确定人工智能是否以及如何被整合到用于失语症康复的增强和替代沟通（AAC）设备或应用程序中。方法：使用 Arksey 和 O'Malley (2005) Levac 及其同事 (2010) 的框架，我们确定了研究问题：人工智能（AI）如何用于失语症（PWA）患者的语言康复？然后，我们选择了搜索词并搜索了六个数据库，结果找到了 663 项研究。根据纳入标准，保留了 28 项合适的研究。然后，我们绘制图表、整理和总结数据，以得出四个主要主题：（1）用于失语症/失语症综合征的分类或诊断或用于原发性进行性失语症 (PPA)/PPA 变体的分类或诊断的 AI；（2）用于失语症治疗的 AI；（3）用于创建词汇化模型的 AI；（4）用于对失语错误进行分类的 AI。结果：保留的文章均未将 AI 纳入失语症康复背景下的 AAC 设备或应用。大多数文章（n=17）使用 AI 对失语症综合征进行分类或将 PWA 与健康对照组或痴呆症患者区分开来。另一部分文章（n=7）使用 AI 尝试增强失语症治疗干预。最后，两篇文章使用人工智能创建了词汇化模型，另外两篇文章使用人工智能对 PWA 话语中的不同类型的失语进行分类。
使用机器学习技术对风力涡轮机进行调查的审查
部分原因是公共投资增加以及对气候变化的认识越来越多，我们观察到了可再生能源领域的迅速技术进步。结果，与化石燃料（如化石燃料）相比，可再生能源的比例（例如风能）一直在稳步上升。通过位于陆上（海上）（海上）（海上）的涡轮机利用的风能已成为这种过渡的关键参与者。离岸风电场出于多种令人信服的原因而获得了突出。海上风电场可以利用海上更强大，更稳定的风，这可以导致更可靠的能源生产[2]。第二林陆风电场不如陆上风电场可见，这可以减轻与居民的潜在利益冲突[2]。重要的是要注意，海上风力涡轮机的维护成本很大。确保这些涡轮机在整个生命周期中最佳运行（通常为20至25年）的成本约占离岸风电场安装总成本的25％。[3]。在这种情况下，条件监测的关键重要性（CM）变得显而易见，因为它需要密切监视风力涡轮机的各种组件，以确定与正常操作的任何偏差，这些偏差可能在将来表明潜在的故障。很明显，通过有效的CM程序积极预测和纠正这些故障的能力有可能大大降低与操作和维护相关的成本（O＆M）。[4]。传统上，通过分析特定的测量和操作参数（例如振动，应变，温度和声学排放）来完成状态监测（CM）。然而，传感器技术，信号处理，大数据管理和机器学习（ML）的最新进展使得使用更集成和全面的方法来对CM使用。这些新方法可以使用各种数据源来对风力涡轮机的状况做出更明智，可靠，成本效益和强大的决策。本文回顾了基于ML的风力涡轮机CM的最新发展。评论重点介绍自2011年以来发表的论文，但还包括从那以前的一些重要论文。使用Google Scholar上的有针对性的搜索词选择了论文，并根据其出版年份，可访问性，引用和整体相关性进行过滤。
2022报告
性传播感染（性传播感染）与生殖健康结局不良以及新生儿发病率和死亡率有关。先前的研究的数十年表明，性传播感染也与较高的艾滋病毒发病率和患病率密切相关，包括在撒哈拉以南非洲，艾滋病毒的全球负担集中。自2010年以来，东非和南部非洲的艾滋病毒发病率下降了43％，随着艾滋病毒预防和治疗计划的扩大，由于这些计划的广泛实施是很少的，但人口级数据，但人口级数据。在过去的十年中，基于设施的环境，主要是产前护理诊所和HIV临床试验的数据表明，怀孕和生殖年龄的非洲妇女的STI负担仍然很高。我们仅以英语从成立到2022年1月1日搜索诸如“人口水平”，“基于人群”和“性传播感染”之类的搜索词，我们仅确定了两项对性传播疾病的人口水平的全面研究（即，在2010年，在Subs saharan subia n of Ade ye sef sev ye de e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e pubmed s off。非洲通用艾滋病毒治疗访问之前。第一项研究是在2014年至2015年之间15-49岁的人中进行的，发现了很高的STI负担，淋病的总体患病率为2·8％，衣原体7·1％，高幼型梅毒1·6％和Trichomonas 9·0％。这些研究中的第二项是在2016年在447名青少年和15-24岁的年轻人中进行的，同样发现了STI负担很高。
小胶质细胞在（Neuro）炎症中的双重作用
如果将搜索词“神经敏化”和“小胶质细胞”独立输入到PubMed中，并且绘制了包括它们在内的每年发表的文章的数量（见图1），则观察到明显的增加，与世纪之交大约重合（和千年）。与前两个相比，搜索“ Neuroin flammation +小胶质细胞”也显示出明显的延迟约10 - 15年。对小胶质细胞作为参与神经胶质肿瘤的药物的兴趣是最近的，但迅速增长，尽管我们仍然不知道它们的整体作用是保护还是对神经元有害。搜索“神经蛋白浮肿 +小胶质细胞 +保护性”的结果大致与“神经蛋白浮肿 +小胶质细胞 +破坏性”的结果大致相同。小胶质细胞充当中枢神经系统中的稳态细胞。近年来，小胶质细胞的研究重点是定义其在健康和疾病中的脑生理学中的作用。已经发现的内容超出了以前的预期，因为小胶质细胞不仅可以积极参与神经组织的监视任务，而且还参与了神经发生，神经元连通性，突触控制（例如，通过修剪）和髓鞘化等不同方面。当神经组织受到威胁或受损时，小胶质细胞引发了一种有益的急性炎症过程，其特征是释放炎症介质和细胞碎片的吞噬作用。此过程消除了威胁（例如病原体）并修复损害后结束。在这种状态下，炎症会在连续周期内产生损害，而损害又会产生更多的炎症。然而，由于尚未得到充分理解的原因，这种生理自我有限的急性愈合过程的改变会导致自我维持的神经蛋白流量状态。研究主题“细胞神经科学领域的15年前沿：小胶质细胞在（神经）炎症中的双重作用”探索了一些小胶质细胞介导的过程，这些过程会影响大脑和神经元稳态的影响，以及改变它们的因素，例如压力。
人工智能在药物警戒中的应用
摘要 介绍 人工智能通过机器学习使用算法和先前的学习来做出预测。最近，人们对将更多人工智能纳入已经上市的产品和正在开发的药物的药物警戒中产生了兴趣。 目的 本研究的目的是通过系统的文献综述来确定和描述人工智能在药物警戒中的用途。 方法 使用 Embase 和 MEDLINE 数据库搜索 2015 年 1 月 1 日至 2021 年 7 月 9 日发表的文章，在标题或摘要中使用“药物警戒”、“患者安全”、“人工智能”和“机器学习”等搜索词。使用预先指定的数据提取模板审查和合成了包含有关在所有患者安全或药物警戒模式中使用人工智能的信息的科学文章。信息不完整及致编辑的信、注释和评论的文章被排除在外。 结果 确定了 66 篇文章进行评估。关于人工智能的大多数相关文章都集中在机器学习上，它在患者安全中的应用包括识别药物不良事件 (ADE) 和药物不良反应 (ADR)（57.6%）、处理安全报告（21.2%）、提取药物 - 药物相互作用（7.6%）、识别药物毒性高风险人群或指导个性化护理（7.6%）、预测副作用（3.0%）、模拟临床试验（1.5%）以及将预测不确定性整合到诊断分类器中以提高患者安全性（1.5%）。人工智能已被用于通过自动化流程和机器学习模型训练来识别安全信号；然而，鉴于每个来源包含不同类型的数据，这些发现可能不具有普遍性。结论人工智能可以处理和分析大量数据，并可应用于各种疾病状态。自动化和机器学习模型可以优化药物警戒流程，并提供更有效的方法来分析与安全相关的信息，尽管还需要更多的研究来确定这种优化是否会影响安全分析的质量。预计在不久的将来，它的使用将会增加，特别是在预测副作用和不良反应方面。
保险中的可解释人工智能 (XAI)
摘要：可解释的人工智能 (XAI) 模型使人与机器之间的关系更加透明和易于理解。保险行业为展示 XAI 的潜力提供了一个根本的机会，因为该行业拥有大量有关保单持有人的敏感数据，并且在社会进步和创新中具有核心地位。本文分析了当前人工智能 (AI) 在保险行业实践和保险研究中的应用，以评估其可解释程度。使用代表保险业 (X)AI 应用的搜索词，从 IEEE Xplore、ACM 数字图书馆、Scopus、Web of Science 和 Business Source Complete 和 EconLit 中筛选出 419 篇原创研究文章。对由此产生的 103 篇文章（2000-2021 年之间）进行了分析和分类，这些文章代表了保险文献中 XAI 的最新进展，突出了 XAI 方法在保险价值链各个阶段的普遍性。研究发现，XAI 方法在索赔管理、承保和精算定价实践中尤为普遍。简化方法，称为知识提炼和规则提取，被确定为保险价值链中使用的主要 XAI 技术。这很重要，因为将大型模型组合起来以创建具有不同关联规则的更小、更易于管理的模型有助于构建通常可理解的 XAI 模型。XAI 是 AI 的重要发展，可确保信任、透明度和道德价值观嵌入系统的生态系统中。在保险行业背景下对这些 XAI 焦点的评估证明了对 XAI 独特优势的探索是值得的，它向行业专业人士、监管机构和 XAI 开发人员强调了在进一步开发 XAI 时应特别关注的地方。这是首次分析 XAI 在保险行业中的当前应用的研究，同时有助于跨学科理解应用 XAI。在推进有关充分的 XAI 定义的文献的同时，作者根据保险领域 XAI 文献的系统评价，提出了一种改良的 XAI 定义。
复发性多形性胶质母细胞瘤治疗的最新进展
摘要背景胶质母细胞瘤是侵袭性最强、扩散最广的原发性脑肿瘤。即使接受了所有主要标准治疗，复发仍然几乎普遍。本文旨在回顾文献并更新复发性胶质母细胞瘤患者的标准治疗策略。方法在 PubMed central、Medline 和 Embase 数据库中以“复发性胶质母细胞瘤及其治疗”为搜索词进行系统搜索，以查找截至 2020 年 12 月发表的有关该主题的所有文章。综述包括同行评审的原创文章、临床试验、评论文章以及标题和摘要中的关键词。结果在搜索的 513 篇文章中，经过资格筛选后，73 篇被纳入本综述。分析数据后，大多数研究报告再次手术后的中位总生存期 (OS) 为 5.9 至 11.4 个月，未再次手术的中位总生存期 (OS) 为 4.7 至 7.6 个月。立体定向放射外科 (SRS) 和分次立体定向放射治疗 (FSRT) 的再次放射治疗导致中位 OS 分别为 10.2 个月（范围：7.0 - 12 个月）和 9.8 个月（范围：7.5 - 11.0 个月）。SRS 后发现 16.6%（范围：0 - 24.4%）的患者出现放射性坏死。亚硝脲 (卡莫司汀)、贝伐单抗和替莫唑胺 (TMZ) 等化疗药物再次治疗导致中位 OS 分别为 5.1 - 7.5、6.5 - 9.2 和 5.1 - 13.0 个月，6 个月无进展生存期 (PFS-6) 分别为 13 - 17.5%、25 - 42.6% 和 23 - 58.3%。使用表皮生长因子受体 (EGFR) 抑制剂可使 OS 中位数达到 2.0 至 3.0 个月，PFS-6 为 13%。结论虽然复发性胶质母细胞瘤仍然是一种普遍导致死亡的致命疾病，但文献表明，一部分患者可能受益于最大限度的治疗努力。
用于治疗或预防癌症的心血管/抗炎药物：随机试验的系统评价和荟萃分析
摘要背景：由于令人鼓舞的临床前数据和支持性观察性研究，人们对将获准用于治疗高血压、高脂血症和糖尿病等疾病的心血管药物（包括阿司匹林、血管紧张素转换酶 [ACE] 抑制剂、他汀类药物和二甲双胍）应用于肿瘤学领域的兴趣日益浓厚。此外，鉴于癌症治疗费用不断增长，这些药物为治疗或预防癌症复发提供了一种潜在更实惠的途径。我们试图调查从心脏病学或抗炎药物中重新用于治疗癌症的药物的抗癌作用。我们特别评估了以下药物类别：HMG-CoA 还原酶抑制剂（他汀类药物）、环氧合酶抑制剂、阿司匹林、二甲双胍以及血管紧张素受体阻滞剂 (ARB) 和血管紧张素转换酶抑制剂。我们还纳入了非甾体抗炎药 (NSAID)，因为它们通过阻断前列腺素和减少被认为会促进癌症发展的炎症，发挥与阿司匹林类似的机制。方法：我们使用 PubMed 和 Web of Science 进行了系统的文献综述，搜索词包括“阿司匹林”、“NSAID”、“他汀类药物”（包括特定的他汀类药物名称）、“二甲双胍”、“ACE 抑制剂”和“ARB”（包括特定的抗高血压药物名称）与“癌症”相结合。搜索仅限于 2000 年至 2023 年期间发表的人体研究。主要结果和测量：报告阳性结果的研究数量和百分比，以及总生存期、无进展生存期、反应和无病生存期的汇总估计值。结果：我们审查了 3094 个标题，并纳入了 67 项随机临床试验。接受测试的最常见药物是二甲双胍 (n = 21; 30.9%)、塞来昔布 (n = 20; 29.4%) 和辛伐他汀 (n = 8; 11.8%)。只有一项研究测试了强心苷，没有研究 ACE 抑制剂。最常见的肿瘤类型是非小细胞肺癌 (n = 19; 27.9%)、乳腺癌 (n = 8; 20.6%)、结直肠癌 (n = 7; 10.3%) 和肝细胞癌 (n = 6; 8.8%)。大多数研究
XSL•FO
背景：基于 Transformer 的模型在医学成像和癌症成像应用中越来越受欢迎。许多最近的研究表明，基于 Transformer 的模型可用于脑癌成像应用，例如诊断和肿瘤分割。目的：本研究旨在回顾不同的视觉变换器 (ViT) 如何有助于利用脑图像数据推进脑癌诊断和肿瘤分割。本研究考察了为增强脑肿瘤分割任务而开发的不同架构。此外，它还探讨了基于 ViT 的模型如何增强卷积神经网络在脑癌成像中的性能。方法：本综述按照 PRISMA-ScR（系统评价和荟萃分析扩展范围界定综述的首选报告项目）指南进行研究搜索和研究选择。搜索包括 4 个流行的科学数据库：PubMed、Scopus、IEEE Xplore 和 Google Scholar。搜索词的制定涵盖了干预措施（即 ViT）和目标应用（即脑癌成像）。研究选择的标题和摘要由 2 名审阅者独立完成，并由第三名审阅者验证。数据提取由 2 名审阅者完成，并由第三名审阅者验证。最后，使用叙述方法合成数据。结果：在检索到的 736 项研究中，有 22 项（3%）被纳入本综述。这些研究发表于 2021 年和 2022 年。这些研究中最常见的任务是使用 ViT 进行肿瘤分割。没有研究报告早期发现脑癌。在不同的 ViT 架构中，基于移位窗口变压器的架构最近成为研究界最受欢迎的选择。在所包含的架构中，UNet transformer 和 TransUNet 具有最多的参数，因此需要多达 8 个图形处理单元的集群进行模型训练。脑肿瘤分割挑战数据集是所包含研究中使用的最流行的数据集。ViT 与卷积神经网络以不同的组合使用，以捕获输入脑成像数据的全局和局部背景。结论：可以说，Transformer 架构的计算复杂性是推动该领域发展和实现临床转化的瓶颈。本综述提供了有关该主题的当前知识状态，本综述的结果将有助于医学人工智能及其在脑癌应用领域的研究人员。