XiaoMi-AI文件搜索系统
World File Search System预测算法
预测电动无人驾驶飞机剩余飞行时间的预测算法验证
本文探讨了如何建立对电池供电无人机剩余可用飞行时间的在线预测的信任问题。本文介绍了一系列地面测试，这些测试利用电动无人机 (eUAV) 来验证剩余飞行时间预测的性能。所描述的算法验证程序是在一台功能齐全的车辆上实施的，该车辆被限制在一个平台上，用于重复运行至功能故障（电量耗尽）实验。受测车辆被命令遵循预定义的螺旋桨 RPM 曲线，以创建与飞行期间预期的电池需求曲线相似的电池需求曲线。eUAV 反复运行，直到动力系统电池中存储的电量低于指定的极限阈值。然后使用电池电量超过极限阈值的时间来测量剩余飞行时间预测的准确性。在我们之前的工作中，没有包括电池老化。在这项工作中，我们考虑了电池的老化，其中更新了参数以进行预测。当估计剩余飞行时间低于指定的极限阈值时，警报会警告操作员，这考虑到了准确性要求。
当前的 gRNA 排序预测算法对植物基因组编辑有用吗？
通过传统育种将新特性引入作物通常需要几十年的时间，但最近开发的基因组序列修饰技术有可能加速这一过程。这些新育种技术之一依赖于 RNA 指导的 DNA 核酸酶 (CRISPR/Cas9) 在体内切割基因组 DNA，以促进序列的删除或插入。这种序列特异性靶向由向导 RNA (gRNA) 决定。然而，选择最佳 gRNA 序列有其挑战。几乎所有当前用于植物的 gRNA 设计工具都是基于动物实验数据，尽管许多工具允许使用植物基因组来识别潜在的脱靶位点。在这里，我们检查了八种不同的在线 gRNA 位点工具的预测一致性和性能。不幸的是，不同算法的排名之间几乎没有共识，排名与体内有效性之间也没有统计学上显着的相关性。这表明，影响植物中 gRNA 性能和/或靶位点可及性的重要因素尚未阐明并纳入 gRNA 位点预测工具中。
基于AI的预测算法，用于增强废物管理系统：比较分析
摘要。由于城市化，人口增长和经济发展，废物管理已成为越来越紧迫的问题。根据世界银行的预测，到2050年，废物生产将达到34亿吨。该论文的重点是对必须改进的废物管理技术的详细分析，并且必须最大程度地提高资源，以便能够处理各种类型的废物，包括农业废物，工业废物，市政固体废物（MSW）和电子废物（电子废物（E-Waste））。各个领域的人工智能的进步吸引了利用其利益来实现对不同类型废物的优化管理。本文的重点是对回收的废物的描述，这些废物可以通过使用废物到能量（WTE）技术将其转化为能量。正在研究不同扇区中产生的不同类型的废物，并详细介绍了它们在处理废物时的数量和挑战。文献强调了各种废物处理方法的绩效分析，其效率，经济影响和生态含义。就r 2值和平均绝对误差（MAE）均方根误差（RMSE）讨论了预测模型及其性能，以找到最合适的算法。结论表明，这些基于AI的优化方法可以使各种废物的能源转换过程中的各种废物加强，从而使废料的管理更加可持续和可靠。
人工智能模型（整倍体预测算法）可以根据延时数据预测胚胎倍性状态
摘要背景：对于延时摄影技术（TLT）与胚胎倍性状态之间的关联，目前尚未完全阐明。TLT具有数据量大、非侵入性的特点。如果想从TLT准确预测胚胎倍性状态，人工智能（AI）技术是一个不错的选择。但目前AI在该领域的工作需要加强。方法：研究共纳入2018年4月至2019年11月的469个植入前遗传学检测（PGT）周期和1803个囊胚。所有胚胎图像均在受精后5或6天内通过延时显微镜系统捕获，然后进行活检。所有整倍体胚胎或非整倍体胚胎均用作数据集。数据集分为训练集、验证集和测试集。训练集主要用于模型训练，验证集主要用于调整模型的超参数和对模型进行初步评估，测试集用于评估模型的泛化能力。为了更好的验证，我们使用了训练数据之外的数据进行外部验证。从2019年12月至2020年12月共155个PGT周期，523个囊胚被纳入验证过程。结果：整倍体预测算法（EPA）能够在测试数据集上预测整倍体，曲线下面积（AUC）为0.80。结论：TLT孵化器已逐渐成为生殖中心的选择。我们的AI模型EPA可以根据TLT数据很好地预测胚胎的倍性。我们希望该系统将来可以服务于所有体外受精和胚胎移植（IVF-ET）患者，让胚胎学家在选择最佳胚胎进行移植时拥有更多非侵入性辅助手段。关键词：AI，倍性状态，延时，PGT，预测
基于机器学习的预测算法，用于缓解尼日利亚三级医院孕产妇和胎儿死亡率
I.引言尼日利亚的医疗保健系统在降低产妇和胎儿死亡率方面面临重大挑战。尽管进行了许多干预措施，但由于诸如医疗基础设施不足，获得优质护理的机会以及熟练的医疗保健人员不足之类的因素，这些速度仍然令人震惊。产妇和胎儿死亡率是医疗系统有效性和可及性的关键指标。尽管努力提高尼日利亚的孕产妇和儿童健康，但第三级医院的死亡率仍然很高（Ikeoha等，2022）。为了应对这些挑战，利用机器学习（ML）和人工智能（AI）等技术非常重要（Khuluq，2023）。根据Okpala和Okpala（2024），AI与医疗保健的整合“需要软件的应用和机器学习的算法，使用输入数据得出近似结论，通过模仿人类对人类的评估和诊断的良好程度，以诊断人类的能力，以诊断有效性，以促进人类的能力，以至于有效地诊断了有效性的范围。疾病。”
风险评估和减少，包括脂质修饰
*年龄被认为是模型的基本时间函数，而不是预测变量定义：ASCVD；在美国队列中得出的动脉粥样硬化心血管疾病评分；竞争风险模型，Crisk-CCI； Charlson合并症指数，Life-CVD竞争风险模型；源自美国队列（MESA）的心血管疾病的预测算法。qrisk;来自英国队列的心血管疾病的预测算法；大型合并数据库来自英国的Egton Medical Information Systems临床计算机系统，源自一般实践的匿名健康记录，Primrose；来自欧洲队列的严重精神疾病患者的预测风险评分；欧洲心血管疾病的风险预测算法，分数；风险预测算法估计四个地理风险区域老年人的事件心血管事件风险
Jeffrey Marr
摘要：健康保险公司使用预测算法来确定他们认为不必要的必要水平和拒绝服务。使用差异差异设计，我研究了大型医疗保险保险公司与一家使用预测算法来帮助急性后护理覆盖范围决策的公司的合作伙伴。这种伙伴关系导致熟练护理设施的长度立即下降了13％。这种效果在较长的熟练护理设施中（超过30天）的较长的下降而部分驱动。尽管使用医疗保健，但我没有观察到采用预测算法后健康结果的变化。[link]
开发和验证墨西哥人口中临床用途的多变量基因型妊娠糖尿病预测算法：对敏感性机制的见解
摘要简介妊娠糖尿病（GDM）在墨西哥诊断不足。通过预测建模的早期GDM风险分层有望改善预防保健。我们开发了一个综合遗传和临床变量的GDM风险评估模型。使用“ Cuido Mi Embarazo”（CME）（CME）同类群的研究设计和方法数据用于开发（107例，469例对照），以及来自“MónicaPreteliniSáenz”母体围产期医院（HMPMPS）群体的数据，用于外部效力（32案例）（32例），1992案例，1992.32 conteration（32 Contractation（32），1992案例，1992案例，199.99例，199.99例（32例）。2小时的口服葡萄糖耐受性测试（OGTT），在24-28妊娠周进行了75 g葡萄糖，用于诊断GDM。选择了114个具有预测能力的单核苷酸多态性（SNP）进行评估。OGTT期间收集的血液样本用于SNP分析。将CME队列随机分为训练（70％的队列）和测试数据集（占队列的30％）。将培训数据集分为10组，9组以构建预测模型和1个用于验证。使用测试数据集和HMPMPS队列进一步验证了该模型。结果十九个属性（14个SNP和5个临床变量）与结果显着相关。 GDM预测回归模型中包括11个SNP和4个临床变量，并应用于训练数据集。该算法具有很高的预测性，曲线（AUC）下的面积为0.7507，灵敏度为79％，特异性为71％，并且有足够的功能来区分病例和对照。在进一步验证后，培训数据集和HMPMPS队列的AUC分别为0.8256和0.8001。结论我们使用遗传和临床因素开发了一个预测模型，以鉴定有患GDM风险的墨西哥妇女。这些发现可能有助于对GDM风险升高并支持个性化患者建议的代谢功能有更深入的了解。
引用：Padula WV，Armstrong DG，Pronovost PJ等。使用电子学习来预测住院患者的压力损伤风险
与标准护理相比，使用机器学习预测医院获得的压力损伤风险的抽象目标。设计，我们获得了电子健康记录（EHR），以构建具有压力损伤风险的住院患者的多级队列，然后校准机器学习模型以预测未来的压力损伤风险。优化方法与多级逻辑回归结合使用，以开发一种随着时间的流逝风险转移的预测算法。测试了包括随机森林在内的机器学习方法，以识别该算法的预测特征。我们报告了回归方法的结果以及预测模型的接收器工作特性（ROC）曲线下的面积。设置住院的住院患者。参与者EHR在2家学术医院的5年内35 001住院。主要结果衡量压力损伤风险的纵向变化。结果，通过机器学习产生的特征的预测算法可显着改善压力损伤风险的预测（P <0.001），而ROC曲线下的面积为0.72；而标准护理仅在ROC曲线下实现了0.52的区域。在0.50的特异性下，预测算法的灵敏度为0.75。结论这些数据可以帮助医院在患者脆弱性的医院获得压力损伤的关键时期内保护资源，而美国医疗保险不会报销。因此，在平均500张病床的医院中，每年每年3万至90 000个劳动小时。医院可以使用这种预测算法来启动预防压力损伤的质量改进计划，并进一步将算法定制为设施特定于患者的差异。
