All of Us
PulseAugur coverage of All of Us — every cluster mentioning All of Us across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
GNOME 开发者因不安全语言在软件质量和安全方面面临挑战
Michael Catanzaro 的一篇博文讨论了在 GNOME 项目中维护软件质量，特别是安全方面的挑战。Catanzaro 认为，包括 GNOME 在内的开发者使用不安全的编程语言，会导致频繁的错误，从而危及用户安全。文章指出，尽管付出了努力，开发者在编写安全代码方面仍将面临挑战。
-
患者调查数据提高了阿片类药物使用障碍预测的准确性
发表在arXiv上的一项新研究表明，将患者报告的调查数据与电子健康记录（EHRs）相结合，可以显著提高阿片类药物使用障碍（OUD）的预测准确性。研究人员发现，通过增加调查回复数据，在各种时间范围和机器学习模型中，预测准确性均有所提高，其中LightGBM模型在24个月的预测窗口内的准确性从0.6219显著提高到0.6603。该研究强调，患者报告的信息提供了结构化EHRs之外有价值的预测信号，突显了调查数据在临床环境中的重要性。
-
新的RQDTR框架优化临床治疗风险和疗效
研究人员推出了一种新颖的框架——风险感知动态治疗方案（RQDTR），旨在改进序列临床决策。该方法不仅限于最大化平均疗效，还能同时优化结果分布的特定分位数，管理治疗相关风险，并处理多种治疗选项。RQDTR包含三个子类：仅疗效分位数学习、基于约束的群体层面风险控制学习以及基于效用的学习。理论分析支持其识别和一致性，并将其应用于重度抑郁症和败血症数据，与现有方法相比，显示出改进的面向尾部疗效和更好的收益-风险权衡。
-
新框架模拟患者互动以评估医疗保健人工智能风险
研究人员开发了一个患者模拟框架，用于评估与对话式医疗保健人工智能相关的风险，该框架与NIST人工智能风险管理框架保持一致。该模拟器整合了医学、语言和行为方面的患者差异，以评估人工智能的性能。当应用于抗抑郁药物选择的人工智能决策辅助工具时，该框架显示，在健康素养较低的情况下，人工智能的性能会显著下降，影响概念检索和推荐的准确性。
-
AI模型利用全国电子健康记录数据预测慢性鼻窦炎
研究人员开发了一种利用全国电子健康记录（EHR）数据预测慢性鼻窦炎（CRS）的新方法。该方法利用了诊断前两年的病史和一个混合特征选择流程，将110,000多个潜在代码提炼为100个可解释的特征。通过对六个亚组进行人口统计学分层模型训练，该框架实现了0.8461的AUC，展示了在风险分层方面的鉴别能力有所提高，并有可能在初级保健中实现更早的分诊。
-
新方法解决大规模人群研究中缺失协变量数据的问题
研究人员开发了一种新的增强迁移回归学习方法，以解决目标人群中关键协变量完全缺失的情况，这是UK Biobank等大型数据集中常见的问题。该技术专为跨人群缺失数据问题设计，假设虽然结果与观测变量之间的关系在不同人群中可能发生变化，但缺失协变量的条件分布保持不变。所提出的估计量是双重稳健的，并在特定条件下实现了半参数效率。