XiaoMi-AI文件搜索系统
World File Search System次数的
重复短路应力下 SiC MOSFET 栅极老化规律预测
b IRT Saint-Exupéry，图卢兹，法国 摘要 本文提出了 SiC MOSFET 栅极在重复短路应力下的老化规律。基于分析研究、物理形式和预处理数据，提出了基于应力变量 T j、T 脉冲栅极损伤 % 和 E sc 的数值拟合。对老化规律的准确性和预测能力进行了评估和比较。结果提出了一种基于 T Al_Top 金属源的新老化规律。该规律的拟合精度最高。最后，直接基于短路能量 E sc 的老化规律似乎具有最佳的预测能力。 1. 简介 SiC MOSFET 提高了功率转换器效率 [1]。如今，必须保证意外极端操作中的可靠性和稳健性。然而，由于平面结构中的电流密度更高和通道更短，SiC MOSFET 的短路 (SC) 耐受时间 (T SCWT @2/3 x V DSmax ) 低于硅器件，t SCWT = 2μs，而 Si IGBT 的 t SCWT = 10μs。最近，人们投入了大量精力来研究短路测试下的专用 SiC MOSFET 故障机制 [2,3]。高温变化导致栅极区域和 Al 源金属周围产生累积热机械应力。这些通常导致 SiC MOSFET 无法超过源自硅标准的 1000 次重复短路循环阈值。在 SiC MOSFET 栅极损坏之前，对其允许的短路循环次数的预测目前尚不为人所知，但这却是运行阶段主要关注的问题。在 [4] 中，提出了威布尔分布和直接 T j Coffin-Manson 老化定律，但漏源电压偏置降低至 200V，并使用栅极沟槽器件。在 [5] 中，作者通过实验证实了栅极老化与 T j 应力的依赖关系，但未拟合 Coffin-Manson 参数，因此未提出预测能力。在本文中，进行了重复的 SC 研究，以建模并提出一组 SiC MOSFET 上的预测分析栅极老化定律
空间应用陶瓷柱栅阵列 (CCGA717) 互连封装在极端温度下的可靠性
摘要 陶瓷柱栅阵列封装由于其高互连密度、极好的热性能和电性能、与标准表面贴装封装装配工艺兼容等优点，其应用日益广泛。CCGA 封装用于逻辑和微处理器功能、电信、飞行航空电子设备和有效载荷电子设备等空间应用。由于这些封装的焊点应力消除往往比引线封装少，因此 CCGA 封装的可靠性对于短期和长期空间任务非常重要。对聚酰亚胺 CCGA 互连电子封装印刷线路板 (PWB) 进行了组装、无损检查，然后进行极端温度热循环，以评估其在未来深空、短期和长期极端温度任务中的可靠性。在本次调查中，采用的温度范围涵盖 185 C 至 +125 C 极端热环境。测试硬件由两个 CCGA717 封装组成，每个封装分为四个菊花链部分，总共需要监控八个菊花链。CCGA717 封装的尺寸为 33 毫米 x 33 毫米，具有 27 x 27 个 80%/20% Pb/Sn 柱阵列，间距为 1.27 毫米。菊花链 CCGA 互连的电阻作为热循环的函数进行连续监控。报告了电阻测量结果作为热循环的函数，迄今为止的测试表明，菊花链电阻随着热循环发生了显著变化。随着热循环次数的增加，互连电阻的变化变得更加明显。本文将介绍极端温度下 CCGA 测试的实验结果。使用标准威布尔分析工具提取威布尔参数以了解 CCGA 故障。光学检测结果清楚地表明，柱状元件与电路板和陶瓷封装的焊点在热循环过程中发生故障。第一次故障发生在第 137 次热循环中，63.2% 的菊花链故障发生在约 664 次热循环中。从威布尔图中提取的形状参数约为 1.47，这表明故障与标准浴盆曲线的平坦区域或使用寿命区域内发生的故障有关。基于此实验测试数据，可以使用 CCGA 进行 100 次热循环所研究的温度范围
医学研究与外科
关键词：医疗保健、人工智能、诊断、疾病、测序 简介 人工智能 (AI) 有可能加速尖端技术的指数级增长，就像互联网一样。由于来自世界各地私营部门、政府和商人的激烈竞争，互联网作为一项指数级技术已经达到了顶峰。相比之下，人工智能仍处于起步阶段，全世界的人们都不确定它将如何影响他们未来的生活。人工智能是一门技术领域，它使机器人和计算机程序能够模仿人类智力，通过教授一组预定的软件规则，通过反复从经验中学习并慢慢走向最佳性能。虽然这种智能仍在发展，但它已经表现出五个不同级别的独立性。最初用于解决问题。接下来，思考解决方案。第三，回复询问。第四，使用数据分析来生成预测。第五，提出战术建议。大量数据集和“迭代算法”使这一切成为可能，这些算法使用查找表和其他数据结构（如堆栈和队列）来解决问题。迭代是一种策略，其中软件规则会定期调整为数据中的模式，进行一定次数的迭代。人工智能不断进行小规模的渐进式改进，从而实现指数级增长，从而使计算机能够非常熟练地完成其所受训练的任务。对于每一轮数据处理，人工智能都会测试和衡量其性能以开发新的专业知识。为了解决复杂的问题，人工智能旨在创建能够模仿人类行为并表现出类似人类思维过程的计算机系统 [1]。人工智能技术正在开发中，以在医疗保健领域提供个性化药物。到 2030 年，六个不同的人工智能部门将通过利用更大、更易于访问的数据集，大大改善医疗保健服务。第一个是机器学习。人工智能的这一领域会自动学习，并根据识别数据中的模式、获得新见解以及增强系统旨在完成的任何活动的结果来产生改进的结果。它无需接受特定主题的训练即可做到这一点。以下是医疗保健行业中机器学习的几个例子。第一个是 IBM Watson Genomics，它通过将认知计算与基于基因组的肿瘤测序相结合，帮助快速诊断和识别疾病。第二个是 Nave Bayes 项目
使用心理健康护理中高度去识别的数据预测患者等待时间：增强型机器学习方法
背景：等待时间会影响患者的满意度、治疗效果以及患者接受的护理效率。心理健康领域的等待时间预测是一项复杂的任务，它受到预测门诊患者所需治疗次数的难度、高失约率以及使用团体治疗的可能性的影响。如果输入数据的效用较低，等待时间分析的任务就会变得更具挑战性，这种情况发生在通过删除直接和准标识符对数据进行高度去识别化时。目标：本研究的第一个目标是开发机器学习模型，利用实时数据预测精神病门诊患者从转诊到第一次预约的等待时间。第二个目标是利用系统知识在输入数据高度去识别化的情况下提高这些预测模型的性能。第三个目标是确定导致长时间等待的因素，第四个目标是建立这些模型，使它们实用且易于实施（因此对护理提供者有吸引力）。方法：我们分析了加拿大安大略海岸精神卫生科学中心 8 家门诊诊所的回顾性高度去识别化管理数据，使用 6 种机器学习方法来预测新门诊患者的首次预约等待时间。我们使用系统知识来缓解数据低效用的问题。数据包括 4187 名患者，他们通过 30,342 次预约接受了治疗。结果：不同类型的精神卫生诊所的平均等待时间差异很大。超过一半的诊所的平均等待时间超过 3 个月。诊所预约的次数和失约率差异很大。尽管存在这些差异，但随机森林方法为 8 家诊所中的 4 家提供了最小均方根误差值，为其他 4 家诊所提供了第二小均方根误差。利用系统知识提高了高度去识别化数据的效用，并提高了模型的预测能力。结论：随机森林方法通过系统知识得到增强，为新门诊患者提供了可靠的等待时间预测，尽管高度去识别的输入数据的效用很低，而且不同诊所和患者类型的等待时间差异很大。优先系统被确定为导致等待时间过长的一个因素，并建议使用快速通道系统作为潜在解决方案。
整合护理以预防和管理慢性疾病
图1.1。四分之一的全科医生从事个人实践工作26图2.1。经合组织国家出生时的预期寿命，1970- 2019年（或最近的一年）51图2.2。成人的超重（包括肥胖），2019年（或最近的一年）52图2.3。社会经济小组的体育和锻炼53图2.4。收入五分之一的患有长期疾病或健康问题的人的比例54图2.5。遇到护理协调问题的患者的比例* 62图2.6。通常在一周内从专家那里获得成果的初级保健医生的比例63图3.1。护理模型提供的干预措施72图3.2。获得的LYS和DALY的累积数量，2022-50 - 德国Optmedis 74图3.3。Lys和Dalys每100 000人，2022-50 - Optimedis，EU27国家75图3.4。每人累积的健康支出节省，欧元，2022-50 - 德国优化76图3.5。健康支出（HE）储蓄占HE和人均总数的百分比（EUR），平均2022-50 - Optimedis，EU27国家77图3.6。使用聚类的可传输性评估 - Optimedis模型87图4.1。人均节省的平均储蓄和全健康支出的百分比，2023-50 - H@H，EU27国家99图4.2。使用聚类的转移性评估 - 住院108图5.1。SCS用户的数量和平均登录数，2012-20 119图5.2。采用率，2012-20 123图5.3。按年龄和性别划分的SCS用户 - 2020 124图5.4。 使用聚类的可转让性评估 - Oulu的自我护理服务132图6.1。 综合护理模型对医疗保健支出的估计影响 - 方案分析（2013-20）144图6.2。 使用聚类的可转让性评估 - 巴斯克国家的综合护理模型155图7.1。 使用聚类的可转移性评估 - BSA 177图8.1。 平均GP访问次数的变化，2014-20 187图8.2。 更改专家访问的平均数量，2014-19 188图8.3。 PHC Plus对选定的PERM指标的影响189图8.4。 PHC Plus对选定舞会的影响（患者报告的结果指标）190图8.5。 按位置按医疗中心和患者的数量（2008-20之间的总数）192图8.6。 MDC患者的数量，2014-20 194图8.7。 按年龄组195年对MDC患者的细分图8.8。 使用聚类 - MDC 201图9.1的可转移性评估。 使用聚类的可转移性评估 - Telehomecare 221图10.1。 数字路线图计划中干预措施的概述229图10.2。 使用Internet通过Internet寻求健康信息的百分比235图10.3。 使用聚类评估 - 数字路线图计划246图11.1。 吸收苏格兰的任何地方平台257图11.2。 使用聚类的可转让性评估 - TEC程序267按年龄和性别划分的SCS用户 - 2020 124图5.4。使用聚类的可转让性评估 - Oulu的自我护理服务132图6.1。综合护理模型对医疗保健支出的估计影响 - 方案分析（2013-20）144图6.2。使用聚类的可转让性评估 - 巴斯克国家的综合护理模型155图7.1。使用聚类的可转移性评估 - BSA 177图8.1。平均GP访问次数的变化，2014-20 187图8.2。更改专家访问的平均数量，2014-19 188图8.3。PHC Plus对选定的PERM指标的影响189图8.4。PHC Plus对选定舞会的影响（患者报告的结果指标）190图8.5。按位置按医疗中心和患者的数量（2008-20之间的总数）192图8.6。MDC患者的数量，2014-20 194图8.7。按年龄组195年对MDC患者的细分图8.8。使用聚类 - MDC 201图9.1的可转移性评估。使用聚类的可转移性评估 - Telehomecare 221图10.1。数字路线图计划中干预措施的概述229图10.2。使用Internet通过Internet寻求健康信息的百分比235图10.3。使用聚类评估 - 数字路线图计划246图11.1。吸收苏格兰的任何地方平台257图11.2。使用聚类的可转让性评估 - TEC程序267
XB-1 超音速试飞
摘要 本环境评估 (EA) 已准备好满足 NEPA 的 14 CFR § 91.817-818 要求（超音速运行授权）。该文件符合联邦航空管理局 (FAA) 命令 1050.1F 环境影响：政策和程序及其随附的参考资料以及美国运输部命令 5610.1C 环境影响考虑程序。本 EA 解决了在现有超音速走廊内拟议的超音速运营对环境的潜在影响，以及在莫哈韦航空航天港进行的相关着陆和起飞 (LTO) 运营的潜在影响。本 EA 中评估的拟议超音速飞行操作将包括一年内进行的有限次数的试飞（XB-1 及其追逐飞机的 10-20 次超音速测试）。拟议行动不会导致该地区已经发生的超音速飞行操作数量发生永久性变化。目的和需求 该项目的目的是进行 XB-1 实验飞机的陆上超音速飞行测试，以降低未来开发超音速客机 Overture 的风险。进行测试的必要性在于确保新技术飞机的安全开发。XB-1 演示飞机将测试设计特性和操作、开发技术并验证有助于降低与最终飞机设计相关的后期风险的工具。此次测试将使该公司的全尺寸超音速客机 Overture 能够开发出安全、适航的设计。超音速测试 XB-1 的重点是提供信息并确保安全。XB-1 将用作飞行数据收集器；飞机上集成了一个大型数据采集系统。所有数据都将由飞行测试工程师审查，并用于改进和验证工程计算和程序流程。拟议行动 作为一架实验飞机，XB-1 将完成其往返于加利福尼亚州莫哈韦的莫哈韦航空航天港的整个测试计划。拟议的超音速运行将在黑山超音速走廊和高空超音速走廊的部分地区进行。XB-1 是一架三引擎 (GE J85 -15) 飞机。XB-1 飞行测试计划将包括实验飞机的亚音速和超音速飞行。在所有飞行测试操作中，包括超音速飞行，一架追逐飞机将陪同 XB-1。Boom 计划仅在 30,000 英尺平均海平面 (MSL) 以上以超音速飞行所有飞机进行这些飞行测试。根据低速飞行测试数据决定的飞行测试空速增量，测试计划的超音速部分预计将包括大约 10 - 20 次超音速测试，每次超音速测试最多包括 2 次
酪氨酸激酶抑制剂联合 PD-1 治疗的疗效和安全性...
肝细胞癌 (HCC) 是一种高发癌症，在全球癌症死亡原因中位居第三 ( 1 )。尽管 HCC 监测方案不断进步，但由于缺乏早期临床表现，大约 80% 的患者在确诊时已是中期或晚期，从而错过了根治性切除的机会。尽管如此，HCC 有多种治疗方法，具体取决于患者的临床情况、肿瘤分期和保留的肝功能 ( 2 )。经动脉化疗栓塞术 (TACE) 是针对中期和晚期 HCC 的推荐局部治疗 ( 3 )。TACE 不仅可以与化疗相结合，还可以与肝脏肥大诱导方法相结合 ( 4 )。然而，TACE 的有效性随着手术次数的增加而降低，每次手术后都会观察到更高的疾病进展率 ( 1、3、5、6 )。这种现象被称为“ TACE 难治性”，是由日本肝病学会和日本肝癌研究组于 2014 年提出的一个新概念 ( 7 , 8 )。从那时起，它作为晚期 TACE 难治性肝细胞癌的治疗选择引起了广泛关注。为了提高 TACE 的疗效，人们尝试了各种联合肝脏治疗和全身治疗，例如消融、放疗、酪氨酸激酶抑制剂 (TKI) 和免疫疗法 ( 9 )。索拉非尼和仑伐替尼是晚期肝细胞癌的一线治疗药物，但其生存获益有限 ( 10 )。针对程序性死亡-1 (PD-1) 的免疫检查点抑制剂 (ICI) 在 CheckMate040 和 KEYNOTE-224 等 I/II 期临床试验中已显示出良好的效果 ( 11, 12 )。然而，在 CheckMate 459 和 KEYNOTE-240 两项 III 期试验中，抗 PD-1 疗法并未显示出优于标准治疗 ( 13 , 14 )。最近的研究推荐将抗 PD-(L)1 药物与抗 VEGF 抗体或 TKI 联合治疗作为晚期 HCC 的一线治疗，因为它具有良好的疗效。TACE 诱导的肿瘤组织坏死引起的肿瘤抗原释放可能会增强肿瘤特异性免疫反应。此外，TACE 后的缺氧反应可以进一步刺激肿瘤血管生成 ( 15 )。考虑到这些因素，将 TACE 与 TKI 和 PD-1 抑制剂联合使用有望在 TACE 难治性晚期 HCC 病例中取得积极成果 ( 16 )。上述因素表明，将 TACE 与 TKI 以及 PD-1 抑制剂联合使用可在 TACE 难治性晚期 HCC 病例中取得良好效果。结合 TACE、TKI 和 PD-1 抑制剂的治疗方法可能会在治疗晚期
最终MECSACC操作日志031224.xlsx
本年度报告涵盖了2022年4月1日至2023年3月31日的期间，并按照《 2008年《健康与社会护理法》在预防和控制感染中的实践守则中概述的十个标准（更新2022年）。《守则》中概述的十个标准由护理质量委员会用来判断注册提供商如何符合立法中详细介绍的清洁度和感染预防和控制要求。它着眼于IPC的各个方面，包括监视和监视，环境，清洁，员工，政策和实验室提供。在此期间，最重要的事件是正在进行的SARS COV2大流行及其高度复杂的IPC管理。自2021年12月以来，Omicron变体的出现以及随后的许多女儿变体的出现，再加上成功的英国疫苗接种计划，导致了呼吸道疾病的温和形式。在此期间，NHS试图返回正常功能，以解决护理和程序中的大型积压。这一影响我在医院的患者中的效果比过去两年中更多的医院更多的诊断工作和更多的人类交通。所有这些都对感染控制的关键指标产生了影响，CDI和菌血症病例的增加。我们的NHSE目标是在大流行期间设定的，当时医院仅在很大程度上处理了19日，而紧急情况被大大违反了。但是，与此期间医院活动的变化有关，这些目标可能并不现实。，尽管持续的共同循环和院内爆发，我们将信托基金的导航恢复正常运行，这是一项重大成就。该信托在2022 - 23年期间有NHSE IPC审查访问次数的数量。在2022年7月，该信托在NHSE IP矩阵上被评估为琥珀。NHSE的持续改进支持提供了一系列大师班，我们的护理部门董事，妇女和病房经理能够加入审计并讨论观察到的问题。紧随其后的是NHS改善感染预防同行评审，该审查将于2022年12月12日在NHSE IP矩阵上降级为Green。可持续性审查于2023年3月进行。信托维持绿色率。在访问期间，信托基金提供了从2021年7月到现在继续进行IPC旅程的视频演示。收到的反馈表明，很明显员工已经完全参与其中，并且意识到了他们的角色和责任。工作人员清楚地阐明了他们要解决的挑战，并承认所需的行动和缓解。患者安全是讨论的过程的基础。
安全方法数据库 - 荷兰航空航天中心
本文档概述了安全评估期间可以使用的技术、方法、数据库或模型。这是一份动态文档。欢迎添加。请随意分享材料。如果正在使用该材料，请将其称为： M.H.C.Everdij 和 H.A.P.Blom，安全方法数据库。版本 1.1，2016 年 8 月。由荷兰航空航天中心 NLR（荷兰）维护。可在 http://www.nlr.nl/documents/flyers/SATdb.pdf 获得 本文件由三部分组成： 第 1 部分：安全方法概述 本部分从第 5 页开始，包含一个表格，列出了收集到的所有安全方法，并为每种方法提供了以下信息（如果有）： 方法名称，即首字母缩略词和名称。 格式，指定方法的一般格式，例如它是分步方法、数学模型还是各种技术的组合等。请参阅下表 1 中定义的格式列表。 目的，指定方法的主要目的，例如是否用于数据收集、硬件可靠性分析、人为可靠性分析等。请参阅下表 2，了解定义的目的列表。 年份，即方法开发的年份。如果不确定，则添加“大约”或“或更早”等字眼。 方法的目标/描述。这个描述非常简短；有关更完整的描述，请参阅参考资料。 备注，例如相关方法的链接。 安全评估阶段，列出了 [SAP 15] 中提出的通用安全评估过程的阶段，在此期间可以使用该方法。这些阶段是：1) 确定评估范围； 2）学习正常操作；3）识别危险；4）将危险纳入风险框架；5）评估风险；6）识别潜在的缓解措施以降低风险；7）安全监测和验证；8）从安全反馈中学习。 领域，即该方法的应用领域，例如核能、化学、ATM（空中交通管理）、铁路、医疗保健。请参阅下表 3 了解定义的领域列表。带有下划线的域的方法是该域独有的。对于括号（..）之间的域，有迹象表明该方法适用于该域，但尚未发现该方法已在该域中实际使用的证据。 应用，即另请参阅表 4 中的说明。是适用于硬件、软件、人员、程序或组织的方法。 使用的参考资料。请注意，参考资料列表并不详尽。代码在第 3 部分中进行了解释。第 2 部分：统计数据 本部分从第 223 页开始，收集了安全方法表中元素出现次数的一些统计数据，例如“航空”作为域的出现次数，“识别危险”作为安全评估阶段的出现次数。第 3 部分：参考资料 本部分从第 232 页开始，提供了使用的完整参考资料列表。
安全方法数据库 - 荷兰航空航天中心
本文件概述了安全评估期间可以使用的技术、方法、数据库或模型。这是一份动态文件。欢迎添加。请随意分享材料。如果正在使用该材料，请将其引用为： MHC Everdij 和 HAP Blom，安全方法数据库。版本 1.1，2016 年 8 月。由荷兰航空航天中心 NLR 维护。可在 http://www.nlr.nl/documents/flyers/SATdb.pdf 上获取 本文件包含三部分： 第 1 部分：安全方法概述 本部分从第 5 页开始，包含一个表格，列出了收集的所有安全方法，并为每种方法提供了以下信息（如果有）： 方法名称，即首字母缩略词和名称。 格式，指定方法的一般格式，例如它是分步方法、数学模型还是各种技术的组合等。请参阅下表 1 了解定义的格式列表。 目的，指定方法的主要目的，例如，是否用于数据收集、硬件可靠性分析、人为可靠性分析等。请参阅下表 2 中定义的目的列表。 年份，即方法开发的年份。如果不确定，则添加“大约”或“或更早”等字眼。 方法的目标/描述。这个描述非常简短；有关更完整的描述，请参阅参考文献。 备注，例如相关方法的链接。 安全评估阶段，列出了 [SAP 15] 中提出的通用安全评估过程的各个阶段，在此期间可以使用该方法。这些阶段是：1) 确定评估范围；2) 学习标称操作；3) 识别危险；4) 将危险合并到风险框架中；5) 评估风险；6) 识别潜在的缓解措施以降低风险；7) 安全监控和验证；8) 从安全反馈中学习。 领域 ，即该方法所应用的领域，如核能、化学、ATM（空中交通管理）、铁路、医疗保健。请参阅下表 3 中定义的领域列表。带有下划线的领域的方法被发现是该领域独有的。对于括号（..）之间的领域，有迹象表明该方法适用于该领域，但尚未发现该方法已在该领域实际使用的证据。另请参阅表 4 了解解释。 应用 ，即该方法适用于硬件、软件、人员、程序或组织。 使用的参考文献。请注意，参考文献列表并不详尽。代码在第 3 部分中进行了解释。 第 2 部分：统计信息 本部分从第 223 页开始，收集了安全方法表中元素出现次数的一些统计信息，例如“航空”作为领域出现的次数，“识别危险”作为安全评估阶段出现的次数。 第 3 部分：参考文献 本部分从第 232 页开始，给出了所用参考文献的完整列表。