XiaoMi-AI文件搜索系统
World File Search System贝叶斯
预测糖尿病患者的朴素贝叶斯算法与梯度提升算法的比较
据估计，随着人口老龄化，糖尿病发病率将从19.9%增加到65-79岁的1.112亿人，预计到2030年糖尿病患者将继续增加到5.78亿人，到2045年将增加到7亿人。机器学习是人工智能的一种，旨在理解或识别数据结构并将数据转换为模型。机器学习在健康领域的应用正在迅速增长，越来越多的健康研究人员在研究中使用机器学习算法。一些机器学习算法可以用来做预测，其中之一就是预测糖尿病的分类算法。根据所用几种算法的比较结果，朴素贝叶斯和梯度提升分类算法具有其他算法的最佳值。梯度提升算法在线性样本上取得了较高的效果，准确率为77.09%，f值达到83.39%。朴素贝叶斯对随机样本测试的结果最优，准确率为 76.57%，f 度量值为 82.82%。分层样本测试结果中准确率最高的是梯度提升算法，准确率为77.34%，f值达到83.39%。
使用贝叶斯PBPK建模方法重新审视病毒性脑炎的阿西洛韦剂量
莱顿大学，尼德兰莱顿2。 丹麦奥尔堡市奥尔堡大学医院传染病系3. 丹麦奥尔堡大学阿尔堡大学临床医学系通讯作者：Tingjie Guo（t.guo@lacdr.leidenuniv.nl）摘要Acyclovir是中枢神经系统（CNS）感染的主要治疗方法。 然而，遵循当前的给药指南，患者的结局仍然是最佳死亡率和高死亡率和发病率。 鉴于缺乏替代疗法，需要迫切需要优化阿昔洛韦的给药，尤其是因为1980年代开发了初始方案，而CNS中有不完全的药代动力学数据。 这项研究旨在使用针对病毒性脑炎的全部贝叶斯药代动力学（PBPK）模型评估当前和替代的acyclovir剂量方案。 我们开发了CNS PBPK模型，以模拟血浆，脑外流体（ECF）和蛛网膜下腔空间（SAS）中的Acyclovir浓度。 使用两个药代动力学靶标，50％f t> 50和c min> 50评估药物疗效，安全阈值在等离子体中为25 mg/l。 标准给药方案（10 mg/kg TID）基于50％F t> IC 50目标，在血浆，脑外流体（ECF）和亚蛛网膜下腔空间（SAS）隔室中产生了足够的acyclovir暴露。 但是，它不始终如一地符合C min> IC 50目标，表明在根据此标准进行评估时，这些隔室中潜在的次优势。莱顿大学，尼德兰莱顿2。丹麦奥尔堡市奥尔堡大学医院传染病系3.丹麦奥尔堡大学阿尔堡大学临床医学系通讯作者：Tingjie Guo（t.guo@lacdr.leidenuniv.nl）摘要Acyclovir是中枢神经系统（CNS）感染的主要治疗方法。 然而，遵循当前的给药指南，患者的结局仍然是最佳死亡率和高死亡率和发病率。 鉴于缺乏替代疗法，需要迫切需要优化阿昔洛韦的给药，尤其是因为1980年代开发了初始方案，而CNS中有不完全的药代动力学数据。 这项研究旨在使用针对病毒性脑炎的全部贝叶斯药代动力学（PBPK）模型评估当前和替代的acyclovir剂量方案。 我们开发了CNS PBPK模型，以模拟血浆，脑外流体（ECF）和蛛网膜下腔空间（SAS）中的Acyclovir浓度。 使用两个药代动力学靶标，50％f t> 50和c min> 50评估药物疗效，安全阈值在等离子体中为25 mg/l。 标准给药方案（10 mg/kg TID）基于50％F t> IC 50目标，在血浆，脑外流体（ECF）和亚蛛网膜下腔空间（SAS）隔室中产生了足够的acyclovir暴露。 但是，它不始终如一地符合C min> IC 50目标，表明在根据此标准进行评估时，这些隔室中潜在的次优势。丹麦奥尔堡大学阿尔堡大学临床医学系通讯作者：Tingjie Guo（t.guo@lacdr.leidenuniv.nl）摘要Acyclovir是中枢神经系统（CNS）感染的主要治疗方法。然而，遵循当前的给药指南，患者的结局仍然是最佳死亡率和高死亡率和发病率。鉴于缺乏替代疗法，需要迫切需要优化阿昔洛韦的给药，尤其是因为1980年代开发了初始方案，而CNS中有不完全的药代动力学数据。这项研究旨在使用针对病毒性脑炎的全部贝叶斯药代动力学（PBPK）模型评估当前和替代的acyclovir剂量方案。我们开发了CNS PBPK模型，以模拟血浆，脑外流体（ECF）和蛛网膜下腔空间（SAS）中的Acyclovir浓度。使用两个药代动力学靶标，50％f t> 50和c min> 50评估药物疗效，安全阈值在等离子体中为25 mg/l。标准给药方案（10 mg/kg TID）基于50％F t> IC 50目标，在血浆，脑外流体（ECF）和亚蛛网膜下腔空间（SAS）隔室中产生了足够的acyclovir暴露。但是，它不始终如一地符合C min> IC 50目标，表明在根据此标准进行评估时，这些隔室中潜在的次优势。值得注意的是，与血浆相比，通常在脑ECF和SAS中观察到较高的靶标（PTA）。将给药频率提高到QID可以提高目标的实现，但超过了20 mg/kg的毒性阈值。我们的发现表明，与其他经过测试过的替代剂量方案相比，使用10 mg/kg或15 mg/kg QID的给药方案可能会提供更有效，更安全的方法来管理CNS感染。关键词：阿西洛韦，病毒脑炎，贝叶斯PBPK建模，单纯疱疹病毒，水疗鞘烷病毒，中枢神经系统药代动力学，给药方案优化。
在随机MPC中使用深层生成干扰模型的贝叶斯预测，用于构建能量系统 /作者= Sorouifar，Farshud；鲍尔森（Joel A。）；王，你们； Quirynen，Rien； Laughman，Christopher R。； Chakrabarty，Ankush /creationDate = 2024年8月22日 /受试者=控制，机器学习，优化< /div < /div>
抽象预测控制在很大程度上取决于干扰预测的质量。虽然重新干扰建模效果已经采用了概率的观点来防止不可靠的确定性预测，但这种概率模型通常仅适用于数据丰富的设置或涉及对基本分布的简化假设。生成模型，例如条件变异自动编码器（CVAE），为从数据中学习分布提供了一种表达和自动化的方法。通过对学习的潜在空间进行采样，可以产生看不见的干扰实现。在本文中，我们开发了利用这些生成模型的方法来设计经济随机模型预测控制（SMPC），该模型利用CVAE产生的干扰信号进行在线适应。CVAE产生的方案可以转换为对学到的潜在矢量的条件概率，其中条件与影响干扰信号形状本身的因素（例如，工作日/周末在内部热载荷上的影响）以及观察到的数据（即，基于观测的数据）。因此，我们可以生成最相关的干扰信号，以在基于情况的SMPC方法中使用，以减少控制策略的保守性，同时满足约束。
相干性相对熵量化贝叶斯计量学的性能
1 A*STAR 量子创新中心 (Q.Inc)、材料研究与工程研究所 (IMRE)、新加坡科学技术研究局 (A*STAR)、2 Fusionopolis Way, 08-03 Innovis，新加坡 138634，新加坡 2 冲绳科学技术研究生院量子机器部门，冲绳恩纳 904-0495，日本 3 澳大利亚国立大学量子计算与通信技术中心量子科学与技术系，澳大利亚首都领地 2601，澳大利亚 4 澳大利亚国立大学量子科学与技术系，澳大利亚首都领地 2601，澳大利亚 5 新加坡国立大学量子技术中心，3 Science Drive 2，新加坡 117543，新加坡 6 Horizon Quantum Computing，05-22 Alice@Mediapolis，29 Media Circle，新加坡 138565，新加坡 7 高性能计算研究所，科学技术局新加坡科技研究局 (A*STAR) 新加坡 138634 新加坡 8 南洋量子中心，南洋理工大学物理与数学科学学院，21 Nanyang Link，新加坡 639673，新加坡 9 MajuLab，CNRS-UNS-NUS-NTU 国际联合研究单位，UMI 3654，新加坡 117543，新加坡
实用的贝叶斯推断神经科学
由于复制越来越多的研究的复制，生物科学中的典型统计实践已被越来越受到质疑，其中许多研究被无效假设测试设计和P值解释的相对难度所困扰。贝叶斯推论代表了一种根本不同的假设检验方法，由于其易于解释和对先前假设的明确声明，因此获得了新的兴趣作为潜在的替代或对传统无效假设检验的补充。贝叶斯模型在数学上比等效频繁的方法更为复杂，这些方法历来将应用程序限制在简化的分析案例中。但是，随着计算能力的指数增加，概率分布采样工具的出现现在可以在任何数据分布下快速而强大的推断。在这里，我们介绍了在大鼠电生理和计算建模数据中使用贝叶斯推断在神经科学研究中使用贝叶斯推断的实用教程。我们首先是对贝叶斯规则和推理的直观讨论，然后使用来自各种神经科学研究的数据制定基于贝叶斯的回归和ANOVA模型。我们展示了贝叶斯推论如何导致对数据的易于解释分析，同时提供开源工具箱来促进贝叶斯工具的使用。
脑功能连接的协变量辅助主回归的贝叶斯估计
本文在贝叶斯范式中重新表述了赵等人（2021b）的协变量辅助主（CAP）回归。该方法确定了多变量响应数据协方差中与协变量相关的成分。具体而言，该方法估计一组多元响应信号的线性投影，其方差与外部协变量相关。在神经科学中，人们对分析来自大脑不同区域的脑信号时间序列之间的统计依赖性很感兴趣，我们将其称为功能连接（FC）（Lindquist 2008；Fornito 和 Bullmore 2012；Fornito 等人 2013；Monti 等人 2014；Fox 和 Dunson 2015）。功能连接背后的大脑信号是多变量的，在分析功能连接时，每个大脑活动都被视为与其他大脑活动的相对关系（Varoquaux 等人，2010），因为这种统计依赖性与行为特征（协变量）相关。本文开发了一种贝叶斯方法对反应信号进行监督降维，以分析外部协变量与以多变量信号的协方差为特征的功能连接之间的关联。通常，分析大脑功能连接的第一个步骤是定义一组对应于感兴趣的空间区域（ROI）的节点，其中每个节点都与其自己的图像数据时间过程相关联。然后，根据每个节点时间过程之间的统计依赖性（van der Heuvel 和 Hulshoff Pol，2010；Friston，2011），估计网络连接（或节点之间的“边缘”结构）。 FC 网络是使用 Pearson 相关系数（ Hutchison 等人，2013 年）以及部分
将幼稚的贝叶斯算法应用于糖尿病预测
摘要。糖尿病是一种慢性疾病，在全球范围内被认为是重大健康问题。早期检测和预测糖尿病是实现早期干预和防止并发症的关键步骤。本研究旨在将幼稚的贝叶斯算法应用于预测患有糖尿病的人的可能性。研究中使用的数据集是从美国国家糖尿病和消化和肾脏疾病的研究所获得的。属性，例如性别，年龄，体重指数，葡萄糖水平和其他属性，用作幼稚贝叶斯算法中的自变量，将它们分为两组：患有或没有糖尿病。从研究结果中，已经表明，幼稚的贝叶斯算法可以产生84.6％，82.3％精度和60.8％的召回的预测准确性。