XiaoMi-AI文件搜索系统
World File Search System毒死
毒死蜱：耐受性撤销 (EPA-HQ-OPP-2024-0431 ...
2 例如，参见纽约州总检察长 2002 年对 1999 年和 2000 年关于毒死蜱临时重新登记资格决定和临时风险管理决定的评论的补充材料；案卷控制号 OPP-34203G，（2002 年 1 月 30 日）；另见纽约州、华盛顿州、加利福尼亚州、马萨诸塞州、缅因州、马里兰州和佛蒙特州对美国环保署 2017 年 3 月 29 日驳回撤销毒死蜱容许度请求并维持容许度有效的命令的反对意见（2017 年 6 月 5 日）第 2-3 页，文件编号 EPA-HQ-OPP-2007-1005-0522，网址为 https://ag.ny.gov/sites/default/files/2017_06_05_objections_final.pdf；多州对 EPA 对 2021 年拟议临时决定、修订人类健康风险评估草案和氯菊酯生态风险评估的评论（2021 年 3 月 12 日）（多州对 2021 年 PID 和 HH DRA 的评论），网址为 https://www.regulations.gov/comment/EPA-HQ-OPP-2008-0850-1077。
附件：有关毒死蜱风险管理评估草案的补充信息
2. 已发现多种含有毒死蜱的商业产品，其中许多产品都有具体商品名（见 INF 文件表 8，(#add reference)。）。根据对公开数据库1 的搜索，已发现全球有 300 多家含有毒死蜱的产品供应商。大多数供应商在中国，少数供应商位于印度、美国、英国、欧盟和其他国家。还发现毒死蜱与其他杀虫剂混合配制，包括阿维菌素、啶虫脒、噻嗪酮、氟氯氰菊酯、氯氰菊酯、二嗪农、敌敌畏、甲氨基阿维菌素、乙虫腈、仲丁威、氟铃脲、异丙威、氯菊酯、辛硫磷、吡蚜酮、吡蚜酮、多杀菌素、福美双、三唑磷、敌百虫以及杀菌剂如代森锰锌和多菌灵（农药行动网络，2013 年）。
被毒死rif污染的尼罗河水中的真菌多样性和成分
在当前的研究中，估计了具有不同浓度的毒死rif虫杀虫剂的污染的尼罗河水的微观生物发生不同的微生物。获得的结果表明存在与9个真菌属有关的23种真菌物种。曲霉，青霉，镰刀菌和trichoderma是最普遍的真菌属。记录了Trichoderma sp的最高出现。在0.05 mL/L的毒性雌雄同体时，在对照微观环境实验和0.2 mL/l毒cy虫时，在对照缩影实验和Stachybotrys时记录了最低的发生的曲霉和曲线。在对照实验中估算了最高的真菌分类单元，并且在0.1 mL/L的毒性雌雄同体中评估了最低的真菌分类单元，并评估了最低的真菌分类单元。，以0.1 mL/L的毒性雌雄病监测最高的真菌优势（D），并以0.05 mL/L的毒死rif虫杀虫剂记录了最低的真菌优势（D）指数。因此，估计以0.05 ml/L的浓度为0.05 mL/L的毒死菌杀虫剂，最低的真菌辛普森和最低的真菌辛普森和香农指数估计，以0.1 mL/L浓度记录了最高的真菌生物多样性指数。从物理化学特征和真菌发生之间的相关性结果中，发现烟曲霉受到温度和总溶解硫酸盐（TDS）的影响，而二icillium duclauxii则受到pH，电导率，盐（TS）的影响，以及碳的总和（c碳）影响。溶解的氮（TDN）。真菌组成的簇分析估计，用不同浓度的杀虫剂毒性雌雄同体检测到真菌基团。
新的萨宾毒性毒死病毒疫苗候选者的安全性和免疫原性在PE
征求的不良事件（AES）是轻度到中度的，观察到生命体征或安全实验室值的关注变化，并且在疫苗接种后未报告严重的AES（SAE）或与疫苗相关的非请参见AE。观察到SIPV后比CIPV给药后更频繁地征求AE的趋势。大多数参与者都有针对脊髓灰质炎病毒类型的中和抗体（滴度≥8），这些抗体被SIPV强烈增强。疫苗接种后的平均滴度较高（≥12,000），在两个疫苗接种组中相似。只有具有非常高的抗体水平的参与者没有显示疫苗诱导的反应，这在血清阳性参与者中定义为4倍滴度的增加。10个最初的血清调（滴度<8）参与者（每个研究组中的n = 5）血清转化，所有参与者在接种疫苗后都有血清保护抗体水平。SIPV引起的抗体中和sabin和salk脊髓灰质炎病毒菌株。
人工智能预测新冠病毒死亡风险：来自加拿大应用的见解
摘要 — 严重急性呼吸道综合征 COVID-19 病毒 (SARS-CoV-2) 产生了巨大影响，表明需要使用人工智能 (AI) 建模进行非药物干预 (NPI)。对人工智能模型和统计模型的调查为安大略省提供了重要的见解，作为案例研究应用，使用来自安大略省公共卫生局 (PHO) 和加拿大公共卫生署 (PHAC) 数据集的患者生理状况、症状和人口统计信息。使用 XGBoost 的结果为 PHO 提供了 0.9056 的准确度，为 PHAC 数据集提供了 0.935 的准确度。年龄被证明是最重要的变量，接下来的两个变量是住院和职业。此外，人工智能模型表明，在大流行期间治疗 COVID-19 病毒的六个月内发展起来的改进医疗实践的重要性，并且年龄现在绝对是关键因素，而大流行开始时对死亡率很重要的其他变量的重要性要低得多。当训练数据集超过 1000 个病例时，XGBoost 模型被证明是相当准确的，这表明即使有效利用 AI 模型所需的病例数量不大，AI 也绝对有潜力成为抗击 COVID-19 的有用工具。索引词 — 人工智能；冠状病毒病；COVID-19；流行病学模型；机器学习；恢复预测；SARS-CoV-2；XGBoost