XiaoMi-AI文件搜索系统
World File Search System预测值
基于机器学习的库欣病内镜鼻内入路治疗结果预测：未来即将到来？
缩写 ACTH = 促肾上腺皮质激素；AUC = 曲线下面积；CD = 库欣病；CS = 海绵窦；DI = 尿崩症；EEA = 内镜经鼻入路；GBM = 梯度增强机；GLM = 广义线性模型；GTR = 大体肿瘤切除术；IPSS = 下岩窦取样；KNN = k-最近邻；ML = 机器学习；NPV = 阴性预测值；PAS = 过碘酸希夫；PPV = 阳性预测值；RF = 随机森林；ROC = 受试者工作特征；SF-1 = 类固醇生成因子-1；SVM = 支持向量机。随附编者按 DOI：10.3171/2020.3.FOCUS20213。提交于 2020 年 1 月 31 日。接受于 2020 年 3 月 4 日。引用时请包含 DOI：10.3171/2020.3.FOCUS2060。 * MZ 和 VES 对这项工作的贡献相同，并共同为第一作者。
最初发表于：范妮的金发女郎； Kraege，Vanessa；卡瓦西尼（Matthias）； Damas Fernandez，José； Vollenweider，彼得； Wandeler，吉尔斯；霍夫曼，
结果：包括三千八百fire T2D无PWH（男性78.5％，39.9 11.3岁）。中位随访4。8年（四分位间范围2.2-7.8）后，有62名参与者（1.6％）开发了T2D，对应于每1000人年的3.18（95％的浓度间隔间隔1.47-2.47-4.08）。开发T2D的参与者年龄较大（48.7 12.4 vs. 39.8 11.2岁），更有可能肥胖（22.6％vs. 7.4％），腹部肥胖（9.7％vs. 1.5％），并且比没有T2D的糖尿病家族史（32.3％vs. 19.1％）。入射T2D的AUC介于0.72（Kraege 16）和0.81（SDA，Findrisc2和Balkau）之间。敏感性在3.2％（Balkau）至67.7％（Findrisc1）之间，而特定范围在80.9％（Findrisc1）和98.3％（Balkau）之间。所有分数的阳性预测值低于20％，而负预测值高于98％。
现有废水系统中硫化氢腐蚀的检测、控制和纠正
4.1 识别现有或潜在腐蚀问题的方法 4-1 4.2 识别潜在问题区域 ........: ..............4-1 4.3 初步检查 ................................4-4 4.4 腐蚀测量 ' 4-14 4.5 比较测量值和预测值腐蚀 .................4-19 4.6 参考文献 4-25
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。
症状前遗传性额颞叶痴呆症中的冷漠预示着认知能力下降，并且是由大脑结构变化驱动的
图 2 基线冷漠对数字符号表现年度变化率的影响（“斜率”）。左侧为潜在增长曲线模型，用于测试基线冷漠水平的预测值，该预测值由修订后的剑桥行为清单 (CBI) 的冷漠分量表评估，用于预测 2 年随访中数字符号测试表现的纵向下降。估计的发病年限 (EYO) 被纳入模型作为协变量。症状前组的估计回归值以斜体报告（est = 估计；SE = 标准误差；z = z 值）。右侧图表表示估计的数字符号表现年度变化率（y 轴）与基线冷漠分数（x 轴）之间的关系。为保护匿名性，未绘制个人数据。缩写：Digit Symb，数字符号测试；Interc，截距。
日本的经济和货币政策
注：所列预测值为政策委员会成员预测的中位数。2023 财年及以后的实际 GDP 值是通过将 2022 财年的实际数字乘以每年连续预测的增长率计算得出的。资料来源：内阁府；日本银行。
外部评估报告“抗冲击飞机相关技术”-防卫省/自卫队
・ 关于加加速度（注 2） ・ 关于使用简单模型进行研究的重要性 ・ 关于分析工具的预测值与实验值之间的差异 ・ 关于施加到人体的加速度的评估 ・ 的条件研究目标（垂直载荷）
扩展的颌面肌功能评分方案：有效性和可靠性
目的：口颌系统临床评估对于颌面肌功能障碍的诊断必不可少。为了获得更准确的诊断，对颌面肌功能评分评估方案（OMES 方案）（Int.J. Pediatr.Otorhinolaryngol.72 (2008) 367– 375）进行了扩展，增加了项目数量和量表幅度。本研究旨在描述用于儿童评估的扩展 OMES 方案（OMES-E）。分析了方案的有效性、检查者的可靠性和他们之间的一致性，以及该工具的灵敏度、特异性和预测值。方法：样本包括从 200 个样本中随机选择的 50 名儿童的视频记录图像，其中 25 名男孩（平均年龄 = 8.4 岁，SD = 1.8）和 25 名女孩（平均年龄 = 8.2 岁，SD = 1.7）。三位准备进行口面肌功能评估的语言治疗师作为考官 (E) 参与。OMES 和 OMES-E 协议在不同的日子用于评估。E1 评估所有图像，E2 分析记录从 1 到 25 的儿童，E3 分析记录从 26 到 50 的儿童。通过使用 Pearson 相关性检验和分半信度检验 (p < 0.05) 将工具与 OMES 协议进行比较来分析 OMES-E 的有效性。计算了线性加权 Kappa 一致性系数 (Kw 0 )、灵敏度、特异性和预测值以及 OMD 的患病率。结果：OMES 和 OMES-E 方案之间存在统计学显著相关性 (0.79 > r < 0.94, p < 0.01)，与 OMES-E 具有显著的重测相关性 (0.75 > r < 0.86, p < 0.01)，信度范围为 0.86–0.93。检查者之间的相关性和信度系数为：E1 � E2 ( r = 0.74, 0.84)，E1 � E3 ( r = 0.70, 0.83) ( p < 0.01)。中等和良好强度的 Kw 0 系数占主导地位。OMES-E 协议显示平均敏感度 = 0.91、特异性 = 0.77、阳性预测值 = 0.87 和阴性预测值 = 0.85。OMD 的平均患病率为 0.58。结论：OMES-E 协议对于颌面肌功能评估有效且可靠。� 2010 Elsevier Ireland Ltd. 保留所有权利。
b'Abstract：先兆子痫是一种异质和多器官心血管疾病的怀孕。在这里，我们报告了使用灯笼掺杂的上转换纳米颗粒与靶向两个不同的生物标志物检测前偏球症的抗体相结合的新型基于带状的侧向流量测定（LFA）的开发。我们首先使用ELISA测量了早期发作前启示剂（EOPE）的个体的循环血浆FKBPL和CD44蛋白浓度。我们证实，CD44/FKBPL比在EOPE中降低了，具有良好的诊断潜力。使用我们的快速LFA原型，我们实现了检测的下限：FKBPL的10 pGML 1，CD44的15 pgml 1，这比标准ELISA方法低一个以上。使用临床样本，CD44/FKBPL比的截止值为1.24，可提供100％的阳性预测值和91％的负预测值。我们的LFA表现出对子痫前期快速敏感的护理测试的希望。
b'Abstract：先兆子痫是一种异质和多器官心血管疾病的怀孕。在这里，我们报告了一种基于灯笼的侧面转换纳米颗粒的新型基于带状的横向流量测定法（LFA）的开发，该纳米颗粒与靶向两个不同的生物标志物的抗体相结合，以检测前启示性的前子症。使用ELISA，我们首先测量了早期发作前启发剂（EOPE）的循环血浆FKBPL和CD44蛋白浓度。我们确认CD44/FKBPL比在EOPE中降低，具有良好的诊断潜力。使用我们的快速LFA原型，我们获得了提高的检测下限：FKBPL的10 pgml 1，CD44的15 pgml 1，比标准ELISA方法低一个以上。使用临床样本，CD44/FKBPL比的截止值为1.24，可提供100％的正预测值，而负预测值为91％。我们的LFA表现为子痫前期快速且高度敏感的护理测试。
量子电化学光谱 (QES) - Probius
预测“盲测”大鼠血清加标样品中大鼠 IL-6 的浓度，预测值与实际值之间具有较高的一致性和较高的检测限，CV 值较低，< 5% 深蓝线为最小二乘拟合，青色虚线界为 95% CI