XiaoMi-AI文件搜索系统
World File Search System量生
带量采购政策对使用的影响...
摘要 目的 2018年12月，中国启动国家带量采购（NVBP），与药品生产企业进行药品价格谈判。吉非替尼是25种试点药物之一，用于治疗非小细胞肺癌。肺癌是中国最常见的癌症类型，像吉非替尼这样的靶向药物已被证明可以为患者带来临床益处。本研究旨在探讨NVBP政策对抗癌药物使用和支出的影响。方法 以吉非替尼和替代药物（埃克替尼和厄洛替尼）为研究对象。使用中国医院药品审计数据库的9454家医院的季度数据进行分析。以采购量和支出为变量进行描述性分析。采用间断时间序列（ITS）分析进一步分析NVBP政策对研究药品的影响。结果 NVBP政策实施前（2018Q2—2019Q1）与实施后（2019Q2—2020Q1）的12个月期间，药品总采购量从448万DDD上升至702万DDD，增幅为56.66%，吉非替尼和替代药品的采购量分别增长了100.61%和14.88%。NVBP政策实施后，替代药品采购量减少了72 051 DDD（P值=0.044），趋势变化量减少了56 738 DDD（P值<0.01）。总体费用减少14.7%，其中吉非替尼费用减少38.47%，替代药品费用增加10.70%。ITS分析显示，总药品和吉非替尼费用的水平和趋势变化差异均具有统计学意义。结论 本研究提供的证据表明，NVBP政策的实施与第一代抗EGFR肺癌药物费用的减少有关。该政策有效地控制了第一代抗EGFR肺癌药物费用的增长。
低死量注射器和/或针头
Pfizer-Biontech Covid-19疫苗，优先使用低死量注射器和/或针。•每个剂量必须含有0.3 mL的疫苗。•如果在小瓶中剩余的疫苗量不能提供0.3毫升的全剂量，请丢弃小瓶和任何多余的体积。•稀释后6小时立即进行管理。•低死量注射器和/或针可用于从单个小瓶中提取6剂。以确保一致
儿童达到目标药物暴露量
儿童的成熟生理反映在更复杂的给药方案中，以在儿科一生中达到目标暴露[1]。对于多种药物，如果满足以下要求，治疗药物监测（TDM）可能支持药物治疗的优化：（1）治疗范围较窄，（2）变异性大，（3）已知的浓度-效应关系，（4）没有可测量的效果。模型信息精准给药（MIPD）是TDM的下一步，最近受到了更多的关注，因为它可以作为帮助个体化给药的有力工具[2]。特别是，儿科药物治疗可能会受益于这种临床决策支持（CDS）的发展，并超越复杂的给药方案，实现更加个性化的给药。在本期期刊中，Hartman 等人[ 3 ] 评估根据基于模型的剂量指南对危重新生儿和儿童给药的万古霉素、庆大霉素和妥布霉素在 TDM 期间的目标达成情况。尽管如此，作者仍然观察到这三种药物的亚治疗浓度和超治疗浓度的比例很大。我们非常感谢他们在实施更简化的剂量指南后评估目标达成情况的主动性
再次低软量定理
摘要表明，与Lebiedow-Icz等人的主张相反。（Phys Rev D 105（1）：014022，2022）在适当的物理变量中配制的较低定理（Phys Rev 110（4）：974–977，1958）用于软光子发射不需要任何模拟。我们还拒绝Lebiedowicz等人的批评。（2022）论文（Phys。Burnett和Kroll。修订版Lett。 20：86–88，1968; Nucl Phys B 307：705–720，1988年的Lipatov。 同时，我们确定了Burnett and Kroll（1968）中的一些不准确性，以呈现软孔定理的旋转一半属性。 我们还指出了经典教科书中低定理的缺点（Berestetskii等人 量子电动力学。 Pergamon Press，牛津，1982年； Lifshitz和Pitaevsky在相对论量子理论中，第2部分，Fizmatlit，2002）。Lett。20：86–88，1968; Nucl Phys B 307：705–720，1988年的Lipatov。同时，我们确定了Burnett and Kroll（1968）中的一些不准确性，以呈现软孔定理的旋转一半属性。我们还指出了经典教科书中低定理的缺点（Berestetskii等人量子电动力学。Pergamon Press，牛津，1982年； Lifshitz和Pitaevsky在相对论量子理论中，第2部分，Fizmatlit，2002）。
量热法 - Indico Global
更高的能量“容易” - 3个TEV研究（CLIC），但许多TEV具有挑战性：•功率与亮度成比例•考虑到50km•较高能量意味着较小的光束和越来越重要的横梁效应
羊毛生产中的人工智能
通过人工智能 (AI) 从大规模数字化数据集中提取信息在规模和变化速度上都是前所未有的。新的数据捕获源包括数字成像、GPS 定位和移动、高分辨率生物标记和生物传感器、实时自动捕获市场和环境数据。澳大利亚羊毛行业是评估此类新表型对盈利能力和先进农业系统影响的理想选择。该项目对人工智能（尤其是深度学习）的实用性进行了初步评估，以准确预测图像、生物标记和动物传感器输出的性能结果。我们开发了一种半自动化系统，该系统能够在田间/院子条件下拍摄高分辨率图像并将其链接到动物电子识别 (EID)。该系统还允许半自动记录体重。使用该系统，我们使用 4 个摄像机角度（即正面、顶部和背面）从 4072 只绵羊创建了 1,482,041 幅图像的图像库。所有绵羊在拍摄图像时都称重，并根据面部覆盖（1-5）、颈部皱纹（1-5）和身体皱纹（1-5）进行主观评分，并识别为 EID。使用图像子集，我们将数字信息应用于深度学习分析管道，特别是使用卷积神经网络 (CNN) 分析。使用 Keras (https://keras.rstudio.com) 和 Tensorflow (https://www.tensorflow.org) 开发模型。将数据细分为训练集、评估集和独立测试集，以预测 AI 预测相应表型的能力。使用侧面和顶部摄像头，预测算法可以分别以 86% 和 87% 的准确率预测体重，并且没有偏差。顶部和侧面摄像头的信息相结合，准确率为 89%。对于面部识别，AI 经过训练可以检测每只羊的头部形状和身体形状，只要羊来自相同的训练和测试集，准确率为 99%。使用每只羊的面部和身体图像的随机子集，AI 算法可以以 94% 和 98% 的准确率将匿名面部和身体图像与羊 EID 匹配，当同时使用面部和身体信息时，准确率为 99.7%。但是，当 5 个月后测试同一只羊的图像时，准确率会大大降低（<10%），除非两个时间点的图像都包含在训练数据集中（准确率提高到 90-98%）。使用皱纹评分的全量表（1-5）预测准确率较低，为 38%-58%。这表明，在面部识别的初始训练中，需要从同一只羊那里获取非常大的数据集，并随着时间的推移不断重复，以检测每只羊独特的生物特征。一旦建立了这样的初始训练数据集，面部识别就可以应用于新的人群。对于颈部和身体皱纹，AI 管道能够将动物分配到高皱纹或低皱纹类别，准确率为 73%-90%，具体取决于预测的相机角度和皱纹特征。AI 预测与手动评分的准确率相匹配，高和低皱纹评分的准确率为 98%-99%，扩展的 1-5 级皱纹评分的准确率为 57%-60%。对于面部遮盖评分，在 2 和 3 之间划分的初始分类器显示的结果略好于随机结果。这在很大程度上取决于种群中面部遮盖数据的分布，其中 87% 的动物被分配到中心类别，不到 1% 的动物属于极端类别。这没有为 AI 算法的训练和验证提供任何能力。为了测试 AI 在描述面部遮盖分数方面的实用性，ML 分类器经过训练可以区分面部遮盖分数 2 和 4。当从图像中裁剪出多个区域时，分类器的预测能力得到证明，准确率为 87%。使用更平衡的数据集，其中每个面部遮盖分数都得到同等代表，很可能区分所有 5 个面部遮盖分数。对生物传感器和生物标记技术的范围及其与深度学习 AI 技术相结合时对绵羊产业定义表型的可能效用进行了审查。全球在该领域的投资成果可能会转移到绵羊产业，并将加速数字化数据量的涌现，其中大多数数据都适合人工智能和深度学习管道。在生物传感器领域，动物加速度计和地理定位设备最有前景。在生物标记领域，基因组学被认为具有最大的潜在直接优势，因为样本可以在早期采集，不受生理状态的影响，并且可以从单个样本中为几乎所有性状提供表型和遗传预测值。大规模蛋白质组学（包括免疫学）和代谢组学研究都具有广阔的未来，因为它们与生理（生产/疾病）状态密切相关，并且适合通过人工智能进行大规模分析，并且可能为复杂性状提供低成本的表型分析，尤其是与动物生物传感器结合时。