XiaoMi-AI文件搜索系统
World File Search System数据评估
人工智能驱动的常规收集医疗数据评估是针对入院患者的 COVID-19 有效筛查测试 作者：Dr. Andrew AS Soltan MB BChir MA 1,2* Dr. Samaneh Kouchaki BSc MSc PhD 3,6
简介：SARS-CoV-2 感染的早期临床病程可能难以与入院时的其他未分化医疗表现区分开来，然而病毒特异性实时聚合酶链反应 (RT-PCR) 检测的敏感性有限，并且由于操作原因可能需要长达 48 小时。在本研究中，我们开发了两种早期检测模型来识别 COVID-19，使用在 115,394 例急诊就诊和 72,310 例入院病例中通常在一小时内可获得的常规收集数据 (实验室测试、血气和生命体征)。我们的急诊科 (ED) 模型对所有入院患者实现了 77.4% 的敏感性和 95.7% 的特异性 (AUROC 0.939)，入院模型对入院子集实现了 77.4% 的敏感性和 94.8% 的特异性 (AUROC 0.940)。两种模型在各种患病率 (<5%) 中均实现了高阴性预测值 (>99%)，有助于在分诊期间快速排除以指导感染控制。我们在两周的测试期内对所有就诊并入住英国大型教学医院集团的患者进行了前瞻性验证我们的模型，与 RT-PCR 结果相比，准确率分别为 92.3%（n=3,326，NPV：97.6%，AUROC：0.881）和 92.5%（n=1,715，NPV：97.7%，AUROC：0.871）。敏感性分析考虑了 PCR 阴性结果的不确定性，提高了表观准确率（95.1% 和 94.1%）和 NPV（99.0% 和 98.5%）。我们的人工智能模型可有效用作急诊科和医院入院部的 COVID-19 筛查测试，在无法快速检测的环境中发挥重要作用。摘要：背景：快速识别 COVID-19 对于迅速提供护理和保持感染控制非常重要。SARS-CoV- 2 感染的早期临床病程可能难以与医院中其他未分化的医疗表现区分开来，但是由于操作原因，SARS-CoV-2 PCR 检测可能需要长达 48 小时。使用常规收集的临床数据进行训练的人工智能 (AI) 方法可以在出现症状的第一个小时内进行 COVID-19 的门诊筛查。方法：从英国一家大型教学医院集团的急诊和急诊科的 170,510 次连续就诊中提取了人口统计学、常规和先前临床数据。我们应用多元逻辑回归、随机森林和极端梯度增强树来区分因 COVID-19 而导致的急诊科 (ED) 表现和入院情况与大流行前的对照。我们逐步添加临床特征集并使用分层 10 倍交叉验证评估性能。在训练过程中对模型进行了校准，以达到识别 COVID-19 患者的 70%、80% 和 90% 的灵敏度。为了模拟疫情不同阶段的真实表现，我们生成了具有不同 COVID-19 患病率的测试集并评估了预测值。我们对 2020 年 4 月 20 日至 5 月 6 日期间就诊或入院的所有患者进行了前瞻性模型验证，并将模型预测与 PCR 检测结果进行了比较。结果：115,394 例急诊就诊和 72,310 例入院的实验室血液检测、床旁血气和生命体征测量结果均符合预期。
使用地理空间数据评估茶树健康和产量...
茶是印度最重要的饮料之一。它是第一大外汇收入来源。印度是世界上最大的茶叶生产国。印度的阿萨姆邦、梅加拉亚邦、特里普拉邦、北孟加拉邦（大吉岭）和锡金邦对该国的茶叶总产量贡献巨大。除此之外，印度南部的泰米尔纳德邦、卡纳塔克邦和喀拉拉邦也为茶叶生产做出了贡献。过去几年，人们发现茶产业正在失去立足之地。这主要是因为生产结构错误、由于生产成本高而无法与其他茶叶生产国竞争、小农户组织化、加工阶段的质量控制不佳以及更重要的害虫和疾病侵扰。遥感和 GIS 技术已被有效用于监测水稻、小麦等多种一年生作物。因此，开发一种使用遥感和 GIS 监测茶园的方法已成为迫切需要。之前缺乏使用遥感监测茶叶的研究，这为开发一种方法提供了想法，该方法可以帮助监测种植园的生长并在需要时采取有效措施。在本研究中，尝试使用遥感图像的纹理和色调变化来评估茶树的健康状况。应用灰度共生矩阵 (GLCM) 技术将茶斑分为健康、中度健康和患病茶。使用纹理和分类图像来描绘患病斑块。得出了健康、中度健康和患病茶的百分比。观察发现，2001 年 12 月的 LANDSAT 图像显示健康茶树的面积为 60.4%，中度感染茶树的面积为 23.6%，患病茶树的面积为 16.2%。对于 2004 年 2 月的 LISS III 图像，发现健康茶树的面积为 43.9%，中度感染茶树的面积为 36.8%，患病茶树的面积为 19.3%。同样，对于 2004 年 6 月的 ASTER 图像，发现健康茶树的面积为 24.9%，中度健康茶树的面积为 50.1%，患病茶树的面积为 25.1%。最后将结果与地面叶面积指数 (LAI) 和产量进行了比较。因此，这里尝试的纹理分析和色调变化可以在识别和检测茶园中的病斑方面发挥重要作用。这项研究表明，4 月、6 月和 8 月基于 MODIS 的 NDVI 与庄园层面的茶叶产量有显著相关性。为进一步检验 MODIS 得出的 NDVI 是否与 LAI 相关，建立了一个经验方程，结果表明茶叶的 LAI 与 NDVI 具有显著的线性关系 (R 2 =0.36)。然而，研究发现，仅凭不同时间段的 NDVI 观测结果无法解释茶叶产量的差异。这表明茶叶产量的统计模型似乎并不令人鼓舞。