XiaoMi-AI文件搜索系统
World File Search System计划外的
一种环保的mangifera iNdica叶叶提取物腐蚀抑制剂在酸性培养基中的不锈钢
金属和合金的腐蚀是化学和工艺行业遇到的最常见问题之一。效率低下的腐蚀控制措施通常会导致计划外的停机时间，巨大的经济损失，环境损失以及健康和安全危害的风险增加。因此，对于现有有毒的抗腐蚀剂剂，开发环境友好和具有成本效益的腐蚀抑制剂至关重要。这项工作的主要目的是在酸性环境下以不同的浓度来检查不同浓度的Mangifera Indica叶（MIL）的环保乙醇提取物（MIL）的功效。通过常规减肥方法以及吸附等温线分析评估了1M盐酸（HCL）中Mangifera iNIFAS叶提取物的抑制效率。使用傅立叶变换红外光谱（FTIR）和田间发射扫描电子显微镜（FE-SEM）评估了叶提取物中存在的化合物，并评估了SS-316L样品的表面形态的变化。减肥方法的结果表明，由于表面覆盖率较高，抑制效率随着MIL提取物浓度的增加而增加。在14天内的最高抑制效率近63.43％，在1.0 m HCl中，SS-316 L每年获得0.433 mm的最小腐蚀速率，浓度为1000 ppm。MIL提取物在SS -316L表面上的吸附，遵循Freundlich吸附等温线，并获得吸附的自由能的获得值（∆g˚ADS= - 9.20 kj.mol -1）表示物理吸附机制。开发的基于回归的模型可以以良好的精度（> 80％）预测腐蚀速率与抑制剂浓度和暴露时间的函数。因此，目前的发现表明，叶叶提取物可以适当地用作一种廉价，无毒，可生物降解，有效的绿色腐蚀抑制剂，以保护酸性培养基中的不锈钢。
监视引起反馈回路的机器学习算法的性能：因果估计是什么？
在部署了机器学习（ML）的系统后，监视其穿孔对于确保算法随着时间的推移的安全性和有效性很重要。当ML算法与其环境相互作用时，该算法会影响数据生成机制，并在评估其独立性能（称为性能的问题）时成为偏见的主要来源。尽管先前的工作已经显示了如何使用因果推理技术在表现性的情况下验证模型，但在表现性存在下如何监视模型的工作很少。与模型验证的设置不同，在哪些绩效指标上要监视的一致性要小得多。不同的监视标准会影响最终的测试统计量，可识别性所需的假设以及检测速度。当该选择进一步加上使用观察性数据与介入数据的决定时，ML部署团队将面临多种监视选项。这项工作的目的是突出设计监视策略的相对低估的复杂性以及因果推理如何在这些选项之间提供系统选择的系统框架。作为一个激励示例，我们考虑了一种基于ML的风险预测算法，用于预测计划外的再入院。将因果推理和统计过程控制中的工具汇总在一起，我们考虑了六个监视程序（三个候选监测标准和两个数据源），并在模拟研究中调查其操作特征。该案例研究的结果强调了看似简单（且显而易见的）事实，即并非所有的监视系统都是平等的，这对ML监视系统的设计和文档产生了现实世界的影响。
术语的定义
精度类（WESM-MSP）指定为仪器变压器分配的误差在规定的使用条件下保留在指定限制范围内。法案（WESM规则）是指共和国法。9136也称为“ 2001年的《电力工业改革法》”。（WESM-DRM）是指《共和国法》号9136也称为《电力行业改革法》（EPIRA），可能会不时被主管当局替换或修改。（WESM-MSM）是指共和国法案9136，也称为2001年的《电力行业改革法》（EPIRA）。（WESM-RCM）颁布为第9136号共和国法。（WESM-TCMM）是指《共和国法》号9136也称为《电力行业改革法》（EPIRA），因为它们可能不时由主管当局发行或修改。主动能量（WESM规则）在时间（WH）或其倍数中测量的活动能力相对于时间的积分。除非另有资格，否则“能量”一词是指主动能量。实际暴露（WESM规则）WESM成员必须在到期日支付的总义务总额。充分性（WESM-SSRG）电力系统始终考虑始终提供客户的总电气需求和能源需求的能力，并考虑到系统元素的计划外的未定规划中的预期。管理价格（WESM规则）在市场暂停和市场干预期间，市场运营商向交易参与者施加的价格用于定居点，该价格是根据市场运营商开发和发布的方法并由ERC批准的。（WESM-MSM）是指市场运营商在市场停赛和干预期间向交易参与者施加的价格，用于定居点，这些价格根据市场运营商开发和发布的方法，并由ERC批准。
基于人工智能的临床实施...
摘要背景医院再入院率是一项关键的质量指标，与报销挂钩。减少再入院率的一种策略是将资源用于再入院风险最高的患者。这一策略需要一个强大的预测模型和有效的以患者为中心的干预措施。目标本研究的目的是通过使用基于人工智能的临床决策支持来减少计划外的医院再入院率。方法 2018 年 11 月至 2019 年 4 月期间，在威斯康星州拉克罗斯的一家地区医院实施了一种商用人工智能工具。该工具评估了所有入住综合护理病房的患者的再入院风险，并提出了旨在降低再入院风险的干预措施建议。以类似的医院作为对照。通过将 6 个月的干预期与暴露组和对照组医院上一历年同期进行比较，评估了再入院率的变化。结果 在使用该工具评估的 2,460 例住院病例中，611 例被该工具指定为高风险。风险分配的敏感性和特异性分别为 65% 和 89%。实施后的 6 个月内，再入院率从比较期间的 11.4% 下降到 8.1% (p < 0.001)。在考虑到对照医院再入院率下降 0.5%（从 9.3% 下降到 8.8%）后，再入院率的相对下降幅度为 25% (p < 0.001)。在被指定为高风险的患者中，为避免一次再入院而需要治疗的人数为 11 人。结论 我们观察到，在实施基于人工智能的临床决策支持后，医院再入院率有所下降。我们的经验表明，使用人工智能识别再入院风险最高的患者，并与以患者为中心的干预措施相结合，可以减少质量差距。
模拟电路设计的艺术与科学
本书延续了早期作品《模拟电路设计——艺术、科学和个性》中的方法。在那本书中，26 位作者介绍了与模拟电路设计相关的主题的教程、历史和编辑观点。本书鼓励读者开发自己的设计方法。它通过展示在该领域取得一定成功的人的不同方法和观点来尝试这一点。第一本书的前言中包含了这种方法的完整陈述，为方便起见，在此重印（紧接着）。对第一本书的出人意料的热烈反响导致了这第二本书的问世。这本书在精神上是相似的，但发生了一些变化。最明显的区别是几乎所有的贡献者都是新人。这似乎是一个合理的选择：新作者有新的东西要说，希望能增强第一本书的信息。尽管成就卓著，但本书的一些作者比前一本书的作者年轻得多，在模拟设计方面的经验也较少。这是故意的，试图保持一个不受老龄化神职人员束缚的平衡和分歧论坛。最后一个区别是许多章节中都存在着沉重的资本主义和市场主义影响。这种计划外的强调是 Grant、Williams、Brown 等人的章节的中心，并且出现在大多数章节中。经济学的影响在早期书籍的部分内容中存在，但在这里更为明显。对电路设计的纯粹追求受到经济现实的缓和，金钱作为设计动机和调节器的作用是不可否认的。我们希望这本书能像之前的作品一样受到欢迎，尽管它扩大了主题范围并启用了新作者。和以前一样，整理起来很有趣。如果我们完成了工作，那么读者应该会有所收获。
Donegal目前的服务和程序。 ...
服务健康和福利社区保健Cavan Donegal Leitgal Leitgal Monaghan Sligo（CHCDLMS）的前言Cara O'Neill（CHCDLMS）欢迎来到CO Donegal Donegal Donegal主题，为哮喘，COPD，COPD，COPD，COPD，糖尿病，心脏病，心脏病和Stroke的成年人提供自我管理支持。该目录将帮助健康和社会护理专业人员通过将他们带来特定条件和通用的计划和服务来帮助与之相处或照顾这些慢性状况的成年人，从而有效地自我管理。自我管理计划和干预措施可以衡量地提高患有慢性病健康的人的技能和信心。它们有助于改善临床成果和生活质量，并减少计划外的卫生服务利用率。该目录具有针对特定条件的资源的部分，例如糖尿病结构化患者教育。它还具有“通用支持”部分，该部分强调了在医疗保健系统内外的自我管理的支持，包括法定，社区和志愿部门提供的支持。包含这些资源可以认识到他们在支持人们自我管理慢性健康状况方面的价值。通用支持的示例包括同伴支持小组，生活井计划，心理健康支持，停止吸烟服务，健康饮食和体育锻炼的支持。对健康和社会护理专业人员的认识提高了这些跨部门资源，将使更有效的支持能够提供给患有慢性健康状况的人们。该目录是国家框架和实施自我管理支持慢性病条件计划的优先行动（2017年）：“与慢性病相处良好”。支持具有慢性健康状况的人以自我管理也是CHCDLMS健康爱尔兰实施计划2018- 2023的优先事项。该目录还可以用作实施我们社区医疗保健领域的所有联系人计数（MECC）的支持。
引用：Yaqoob A，Barolia R，Ladak L等。基于家庭的心脏康复：患者的发展，实施和结果评估
抽象引入心脏康复（CR）是使心脏病患者在心脏事件后重新恢复正常生活的重要策略。CR作为次级预防的一部分的好处在经历心肌梗塞或血运重建的人中广为人知。通过几个系统的评论和荟萃分析所证明的，与基于中心的CR相比，家庭基于家庭的CR（HBCR）对与健康相关的生活质量，健康结果，体育锻炼，焦虑和计划外的访问具有相似或更大的影响。这项研究的目的是开发上下文HBCR干预措施，并评估其对巴基斯坦拉合尔冠状动脉疾病患者的生活质量，健康行为，生物生理学参数和急诊就诊的影响。方法和分析本研究将采用混合方法探索性顺序研究设计。研究人员将在研究的定性阶段邀请15-20名心脏病患者和12-15个医疗保健提供者进行半结构化访谈。一旦开发并通过定性阶段进行验证，将在定量阶段通过单盲随机对照试验评估结果。将通过筛查清单招募118例急性冠状动脉综合征患者，并随机分配到对照组和干预组中（每组59例）。道德和传播，根据2023-8282-24191和NO/75749MH的注册编号，Aga Khan大学和拉合尔梅奥医院的道德审查委员会分别批准了该研究方案。归纳编码方法将用于定性数据的主题分析，而定量数据将通过使用SPSS的描述性和推论统计来分析，以查看组内，组之间以及三个间隔之间的差异。这项研究的结果将通过在开放式同行评审期刊上发表手稿，并在不同的会议上介绍参与的患者（用乌尔都语），医疗保健专业人员和公众传播。
灾难中无人机用例的研究论文...
1.1印度容易受到各种自然灾害的影响，包括洪水，干旱，海啸，地震，城市洪水，山体滑坡，雪崩和森林火灾，因为其特殊的地理环境和社会经济状况。根据2020年至2021年国家灾难管理局（NDMA）的年度报告，印度陆地中有58.6％容易受到中度至非常高强度的地震的影响，其中12％的人面临洪水和河流侵蚀的风险。在7,516公里的印度海岸线中，长5,700公里很容易受到飓风和海啸的影响。此外，印度68％的土地易于干旱，其中15％的陆地（包括丘陵地区）容易受到滑坡和雪崩的影响。1 1.2增加的脆弱性增加了人口和社会经济状况，计划外的城市化，高风险地区的发展，环境退化，气候变化，地质危害，流行病和流行病都在印度灾难的风险增加。由于所有这些因素，印度的经济，人口和可持续发展的发展受到灾难的严重风险。为了减少这种灾难造成的逆境，管理资源和责任以处理紧急情况的所有人道主义方面至关重要，尤其是准备，备忘，反应和康复。1.3政府已从以救济为中心到整体预防，预防，响应，恢复，缓解和能力建设的整体方法，已大大改善了该国灾难管理的方法。2005年《灾难管理法》阐明了将灾难风险减少（DRR）纳入发展计划的需求。国家政策和国家灾难管理计划旨在加强该国的灾难风险。2 1.4随着技术的进步，还需要在灾难管理和控制领域的现代化，以使人们有更好的方法来应对灾难。这样，技术将灾难管理的核心作为一种规范实践，以提供预防，缓解，援助和灾难的救济的创造性解决方案。无人机技术在灾难管理方面已取得了显着发展，并且处于进步方面。
2020 年白皮书
1.1 理由 泰国皇家空军 (RTAF) 的使命是准备和使用空中力量进行国防建设，并支持国家发展，如《泰王国宪法 B.E.2560 (2017)》和泰国法律所规定。空中力量依靠复杂、先进的技术和高可靠性，需要高昂的成本来维护和维持。因此，空中力量的预测不仅基于数量，也基于质量。由于泰国国防工业目前开发和制造完全满足 RTAF 特定要求的飞机或武器系统的能力有限，因此 RTAF 必须从外国制造商采购物资，同时考虑所需能力、军事标准、系统质量和可靠性以及生命周期成本。此外，物资采购必须具有成本效益，并在政府分配的预算计划范围内，但不必满足长期预算要求。多年来，泰国皇家空军一直根据每种军备的主要特点、局限性和成本从各种外国制造商处采购军备。需要注意的是，能够制造军备供国内使用和出口的国家必须拥有强大的国防工业以及军用军备认证的流程和标准化。但是，根据这些国家关于军用军备出口的规则、法规和法律，采购军备的使用必须受到全面控制，并且严格限制仅供买方使用。对第三国采购军备的过剩和最终用途也施加限制。简而言之，买方必须仅按照双方最终用途协议中规定的方式使用采购军备。每年，RTAF 都会向国会议员、参议院武装部队常设委员会和年度预算支出法案草案特设委员会通报。2563（公元 2020 年），以提高对空中力量特征、空中力量准备的局限性、物资规格、物资需求、特定物资采购的必要性以及财政年度预算提案的理由的认识和理解，该预算提案每年都会增加，以应对不仅空中力量技术进步的更高成本，而且能力维持和升级的成本，这些成本完全由制造商控制。软件或系统升级以提高系统的功能、在用系统的过时、需要更换或升级 LRU/备件，以及计划外和计划外的安全检查是其中的一些
已发布版本的引文 (APA)：van de Sande, D., van Genderen, ME, Verhoef, C., Huiskens, J., Gommers, D., van Unen, E., Schasfoort, RA, Schepers, J., van Bommel, J., & Grünhagen, DJ (2022)。使用基于人工智能的决策支持工具 (DESIRE) 优化大型手术后的出院：一项外部验证研究。外科 (美国)，172 (2)，663-669。https://doi.org/10.1016/j.surg.2022.03.031 EUR 研究信息门户上的出版物链接
背景：在 DESIRE 研究中（使用人工智能预测术后出院），我们之前已经在 1,677 名胃肠道和肿瘤外科患者中开发并验证了一种机器学习概念，该概念可以预测术后第二天后的安全出院。尽管模型在学术外科人群中表现出色（受试者工作特征曲线下面积为 0.88），但这些发现是否可以推广到其他医院和外科人群仍不得而知。因此，我们旨在确定之前开发的机器学习概念的普遍性。方法：我们在 2017 年 1 月至 2021 年 6 月期间入住荷兰 3 家非学术医院的胃肠道和肿瘤外科患者中对机器学习概念进行了外部验证，这些患者在手术后 2 天内仍住院。主要结果是预测术后第二天医院干预的能力，这些干预被定义为计划外的再次手术、放射学干预和/或静脉注射抗生素。对四个森林模型进行了本地训练，并根据受试者工作特征曲线下面积、敏感性、特异性、阳性预测值和阴性预测值进行了评估。结果：所有模型都对 1,693 例病例进行了训练，其中 731 例（29.9%）需要医院干预，并表现出良好的性能（受试者工作特征曲线下面积仅变化 4%）。最佳模型实现了 0.83 的受试者工作特征曲线下面积（95% 置信区间 [0.81 e 0.85]）、敏感度为 77.9%（0.67 e 0.87）、特异度为 79.2%（0.72 e 0.85）、阳性预测值为 61.6%（0.54 e 0.69），阴性预测值为 89.3%（0.85 e 0.93）。结论：这项研究表明，先前开发的机器学习概念可以通过对本地患者数据进行模型训练来预测不同外科人群和医院环境（学术与非学术）中的安全出院。鉴于其高准确性，将机器学习概念整合到临床工作流程中可以加快外科出院速度，并通过减少可避免的住院天数来帮助医院应对容量挑战。© 2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY 许可 ( http://creativecommons.org/licenses/by/4.0/ ) 开放获取的文章。